🎓 Phase 5 教師なし学習（ドメイン目次）
Phase 5 教師なし学習 目次
教師あり学習（回帰・分類）が「入力 から正解ラベル への対応」を学ぶのに対し、教師なし学習はラベル を使わず、データ そのものに潜む構造を取り出す枠組みです。正解がない分、「何をもって良い構造とするか」を自分で決める（目的関数を置く）ことが核心になります。大きく3つに分かれます。
- クラスタリング：似たサンプルどうしをグループにまとめる（k-meansクラスタリング・階層的クラスタリング・混合ガウスモデルとEM）
- 次元削減：多数の特徴を、情報を保ちながら少数の軸へ圧縮する（主成分分析と次元削減・カーネルPCAと多様体学習）
- 異常検知：「正常な構造」から外れたサンプルを見つける（異常検知）
数理的な土台の多くは統計サイトの多変量解析にあります。重複は書かず、クラスター分析・主成分分析（PCA）・欠測データ・EMアルゴリズム へ wikilink で繋ぎ、ML側は ラベルなしの「学習問題」としてどう定式化し、非線形・大規模へどう一般化するか の差分に集中します。
- 前提：次元の呪い（高次元での距離の振る舞い）、距離と分散共分散の感覚（分散共分散行列・相関行列 統計）
- この後の土台：次元削減・表現学習は深層学習の表現学習へ、混合ガウスなどの潜在変数モデルは生成モデル（VAE）へ繋がります
トピック一覧
- k-meansクラスタリング（基礎）— 重心ベースの最も基本的なクラスタリング・Lloydアルゴリズム・初期値依存とk-means++
- 階層的クラスタリング（標準）— 樹形図（デンドログラム）・凝集型／分割型・連結法とウォード法
- 混合ガウスモデルとEM（発展）— 確率分布の混合による「柔らかい」クラスタリング・潜在変数・EMアルゴリズム
- 主成分分析と次元削減（標準）— 分散最大化／再構成誤差最小化による線形次元削減・固有値分解
- カーネルPCAと多様体学習（発展）— カーネル化による非線形次元削減・t-SNE／UMAPによる可視化
- 異常検知（標準）— 密度・距離・再構成誤差にもとづく外れ値の検出
関連ドメイン
- 機械学習の基礎枠組み 目次（評価・次元の呪いなどの土台）
- 最適化と学習理論 目次（k-means・EM・PCAはいずれも最適化問題として読める）
- 生成モデル 目次（混合ガウス・潜在変数モデルの発展先）
- 統計サイト：クラスター分析・主成分分析（PCA）・欠測データ・EMアルゴリズム・分散共分散行列・相関行列
- 機械学習テキスト 全体目次