パターン認識の二つの分類： 分類：（ ）学習：パラメトリック、ノンパラメトリック検定など クラスター化：（ ）学習：クラスター分析、主成分分析など教師あり, 教師なし
線形回帰分析は、多変量解析の代表格であり、非常にシンプルな分析手法で、簡単に実装できるが、予測に使うには（ ）を期待できないなどの特徴がある。また、結果の（ ）が容易であるため、実務で使われることが多い。精度, 解釈
線形回帰分析は、ある変数を用いて他の変数を説明・予測する（ ）を作ることだ。モデル
線形回帰分析では、二つのデータの関係を、「y=ax+b」などの方程式に置き換える。このとき、xが1つの場合が、「（ ）」、xが複数の場合を、「（ ）」という。単回帰分析, 重回帰分析
評価尺度MSEが小さくなるパラメータを求める方法は、点と直線の距離の二乗の和が最小となるパラメータを求める、（ ）を用いるのが一般的である。最小二乗法
説明変数に利用するデータには、（ ）的データと（ ）的データの2種類がある。定量, 定性
従来の統計学は、データがたくさん無いと（ ）な結果が出せない上、データを入手するたびに（ ）による再計算が必要であった正確, 全データ
ベイズ統計学の考え方は、（ ）確率を、新しく得られた情報で更新し、（ ）確率を算出する。事前, 事後
パターン認識の流れ： データ入力 → 前処理 → （ ）→ （ ）→ 結果出力特徴抽出, 分類識別
決定木とは、あるデータ群をいくつかのクラスに分けるため、いくつかの判断経路とその分類結果を（ ）によって視覚的に表現する方法。木構造
また、y=ax+bで表される回帰式において、yを（ ）変数といい、xを（ ）変数という。目的, 説明
非線形回帰分析では、変数を対数に変換する、（ ）を行うことで、直線の単回帰分析が可能となる場合もある。対数変換
ベイズ統計学の歴史は、1763年（ ）によって提唱された。トーマス・ベイズ
長い間、避けられてきたベイズ統計は、使う人の恣意性や（ ）な確率が取り込まれてしまうという問題があった上、（ ）が複雑で解析的に解けないことも多かった主観的, 積分計算
一方、ベイズ統計学は、少ないデータでもある程度の結果が出せ、（ ）から予測できる。しかも、考え方が比較的分かりやすい曖昧なデータ
ベイズ統計学の活用事例には、（ ）の振り分け、（ ）の予測変換、漢字変換・スタンプ予測、おススメ商品表示、などがある。スパムメール, 検索エンジン
パターン認識とは、観測されたパターンをある（ ）に分類する操作のこと。画像データや音声データを（ ）する場合などにおいてよく利用される。カテゴリー, 識別
因子分析とは、多変量データを説明する潜在的な少数の（ ）を見つける方法。説明変数を（ ）因子と特殊因子に分解する点において、主成分分析との違いがある。因子, 共通
k-NN法とは、統計的な分布を仮定しない（ ）な手法で、データ間の（ ）に基づいて分類する方法である。ノンパラメトリック, 距離
判別分析とは、複数の（ ）を持つデータを、その変数に基づいて各データがどのカテゴリーに属するかを判別。説明変数
定性的な説明変数のうち、文字データを0と1に数値化（二値化）し、説明変数に入れるものを、（ ）変数という。ダミー
ベイズ統計学とは、（ ）を基礎とした学問で、応用範囲が凄く広く、（ ）な考え方を用いているベイズの定理, 確率論
近年、注目されてきたベイズ統計は、コンピュータの（ ）や（ ）の台頭（解析手法の進化）により注目されてきた高性能化, 機械学習
記述統計学は、サンプルをもとに、集計し視覚化することで事象を理解する学問で、推測統計学は、そのサンプルからそのデータ群の全体である（ ）を予測するものである。一方、ベイズ統計学は、サンプル数が少ない状態から、ある事象を予測するもので、（ ）を使う点において、前者とは異なる。母集団, 確率論
事前分布と事後分布の定義
・（ ）：情報（データ）を入手する前に想定していた確率分布
・（ ）：情報（データ）を用いて事前分布を修正した確率分布
・（ ）：データのもっともらしさの度合い事前分布, 事後分布, 尤度
教師なし学習の代表的な手法は、（ ）、（ ）、（ ）。主成分分析, 因子分析, クラスター分析
主成分分析とは、多変量データの特徴を抽出し、いくつかのカテゴリーに分類するための、新しい（ ）を求める方法。合成変数
多変量解析とは、複数の（ ）を持つデータの統計解析を行う手法であり、複雑な現象の解析を行い、（ ）の予測を行うことを目的とする解析手法である。変数, 目的変数
線形回帰分析の評価尺度について、複数の線形回帰式があり、どちらの式が適切か判断に迷う場合は、（ ： ）にて評価し、この評価値が小さい直線式が最適な回帰モデルとなる。平均二乗誤差, MSE
線形回帰モデルを推定するうえでの留意点としては、変数間の相関が高いことに起因して起こる（ ）や、変数が多すぎる場合に起こる（ ）、関係のない変数や0値ばかりの変数を扱うことでおこる（ ）な状態になることに気をつける。多重共線性, 過学習, スパース
ベイズ統計学が実務で使われる理由は、従来の統計学では、溜まったデータをまとめて解析して結論を導くが、一方で、ベイズ統計学は、情報が入るたびに（ ）が更新され、結論を導く。全データの再計算の手間、（ ）が不要で、事後確率さえあれば、元データを残す必要はない。人間的な思考ロジックである事後確率, データ蓄積
教師なし学習とは、（ ）なパターン認識とも呼ばれ、説明変数のみのデータ行列に潜在的な（ ）の存在を仮定して分析する。探索的, 目的変数
教師あり学習の代表的な手法は、（ ）、（ ）、（ ）などがある。k-NN法, 判別分析, ロジスティック回帰分析
ロジスティック回帰分析とは、時間経過の中で起こる現象を解析する（ ）や機械学習における（ ）の一つの手法として利用。時系列分析, 分類・識別
広い意味で捉えると、変数の多いデータの解析は、そのほとんどが（ ）と言える。代表的なものに、単回帰分析や重回帰分析などの（ ）がある。多変量解析, 線形回帰分析
線形回帰モデルの最適なパラメータを求めるには、正規方程式を解く解析的な解法ではなく、数値的な解法である（ ）を用いる。勾配降下法
クラスター分析とは、あるデータ群を数値データの（ ）によって分類する方法。非階層的な手法と階層的な手法がある。類似性
教師あり学習とは、（ ）が存在するデータに適用するものであり、目的変数を基準として解析結果の（ ）を評価する。量的分析、質的分析のどちらも扱える。目的変数, 妥当性
線形回帰モデルの評価指標には、回帰式の予測精度を0～1で示した（ ）や、実測値と計算値の差である（ ）、F値、などを用いる。決定係数, 残差
パターン認識の二つの分類： 分類：（ ）学習：パラメトリック、ノンパラメトリック検定など クラスター化：（ ）学習：クラスター分析、主成分分析など教師あり, 教師なし
線形回帰分析は、多変量解析の代表格であり、非常にシンプルな分析手法で、簡単に実装できるが、予測に使うには（ ）を期待できないなどの特徴がある。また、結果の（ ）が容易であるため、実務で使われることが多い。精度, 解釈
線形回帰分析は、ある変数を用いて他の変数を説明・予測する（ ）を作ることだ。モデル
線形回帰分析では、二つのデータの関係を、「y=ax+b」などの方程式に置き換える。このとき、xが1つの場合が、「（ ）」、xが複数の場合を、「（ ）」という。単回帰分析, 重回帰分析
評価尺度MSEが小さくなるパラメータを求める方法は、点と直線の距離の二乗の和が最小となるパラメータを求める、（ ）を用いるのが一般的である。最小二乗法
説明変数に利用するデータには、（ ）的データと（ ）的データの2種類がある。定量, 定性
従来の統計学は、データがたくさん無いと（ ）な結果が出せない上、データを入手するたびに（ ）による再計算が必要であった正確, 全データ
ベイズ統計学の考え方は、（ ）確率を、新しく得られた情報で更新し、（ ）確率を算出する。事前, 事後
パターン認識の流れ： データ入力 → 前処理 → （ ）→ （ ）→ 結果出力特徴抽出, 分類識別
決定木とは、あるデータ群をいくつかのクラスに分けるため、いくつかの判断経路とその分類結果を（ ）によって視覚的に表現する方法。木構造
また、y=ax+bで表される回帰式において、yを（ ）変数といい、xを（ ）変数という。目的, 説明
非線形回帰分析では、変数を対数に変換する、（ ）を行うことで、直線の単回帰分析が可能となる場合もある。対数変換
ベイズ統計学の歴史は、1763年（ ）によって提唱された。トーマス・ベイズ
長い間、避けられてきたベイズ統計は、使う人の恣意性や（ ）な確率が取り込まれてしまうという問題があった上、（ ）が複雑で解析的に解けないことも多かった主観的, 積分計算
一方、ベイズ統計学は、少ないデータでもある程度の結果が出せ、（ ）から予測できる。しかも、考え方が比較的分かりやすい曖昧なデータ
ベイズ統計学の活用事例には、（ ）の振り分け、（ ）の予測変換、漢字変換・スタンプ予測、おススメ商品表示、などがある。スパムメール, 検索エンジン
パターン認識とは、観測されたパターンをある（ ）に分類する操作のこと。画像データや音声データを（ ）する場合などにおいてよく利用される。カテゴリー, 識別
因子分析とは、多変量データを説明する潜在的な少数の（ ）を見つける方法。説明変数を（ ）因子と特殊因子に分解する点において、主成分分析との違いがある。因子, 共通
k-NN法とは、統計的な分布を仮定しない（ ）な手法で、データ間の（ ）に基づいて分類する方法である。ノンパラメトリック, 距離
判別分析とは、複数の（ ）を持つデータを、その変数に基づいて各データがどのカテゴリーに属するかを判別。説明変数
定性的な説明変数のうち、文字データを0と1に数値化（二値化）し、説明変数に入れるものを、（ ）変数という。ダミー
ベイズ統計学とは、（ ）を基礎とした学問で、応用範囲が凄く広く、（ ）な考え方を用いているベイズの定理, 確率論
近年、注目されてきたベイズ統計は、コンピュータの（ ）や（ ）の台頭（解析手法の進化）により注目されてきた高性能化, 機械学習
記述統計学は、サンプルをもとに、集計し視覚化することで事象を理解する学問で、推測統計学は、そのサンプルからそのデータ群の全体である（ ）を予測するものである。一方、ベイズ統計学は、サンプル数が少ない状態から、ある事象を予測するもので、（ ）を使う点において、前者とは異なる。母集団, 確率論
事前分布と事後分布の定義
・（ ）：情報（データ）を入手する前に想定していた確率分布
・（ ）：情報（データ）を用いて事前分布を修正した確率分布
・（ ）：データのもっともらしさの度合い事前分布, 事後分布, 尤度
教師なし学習の代表的な手法は、（ ）、（ ）、（ ）。主成分分析, 因子分析, クラスター分析
主成分分析とは、多変量データの特徴を抽出し、いくつかのカテゴリーに分類するための、新しい（ ）を求める方法。合成変数
多変量解析とは、複数の（ ）を持つデータの統計解析を行う手法であり、複雑な現象の解析を行い、（ ）の予測を行うことを目的とする解析手法である。変数, 目的変数
線形回帰分析の評価尺度について、複数の線形回帰式があり、どちらの式が適切か判断に迷う場合は、（ ： ）にて評価し、この評価値が小さい直線式が最適な回帰モデルとなる。平均二乗誤差, MSE
線形回帰モデルを推定するうえでの留意点としては、変数間の相関が高いことに起因して起こる（ ）や、変数が多すぎる場合に起こる（ ）、関係のない変数や0値ばかりの変数を扱うことでおこる（ ）な状態になることに気をつける。多重共線性, 過学習, スパース
ベイズ統計学が実務で使われる理由は、従来の統計学では、溜まったデータをまとめて解析して結論を導くが、一方で、ベイズ統計学は、情報が入るたびに（ ）が更新され、結論を導く。全データの再計算の手間、（ ）が不要で、事後確率さえあれば、元データを残す必要はない。人間的な思考ロジックである事後確率, データ蓄積
教師なし学習とは、（ ）なパターン認識とも呼ばれ、説明変数のみのデータ行列に潜在的な（ ）の存在を仮定して分析する。探索的, 目的変数
教師あり学習の代表的な手法は、（ ）、（ ）、（ ）などがある。k-NN法, 判別分析, ロジスティック回帰分析
ロジスティック回帰分析とは、時間経過の中で起こる現象を解析する（ ）や機械学習における（ ）の一つの手法として利用。時系列分析, 分類・識別
広い意味で捉えると、変数の多いデータの解析は、そのほとんどが（ ）と言える。代表的なものに、単回帰分析や重回帰分析などの（ ）がある。多変量解析, 線形回帰分析
線形回帰モデルの最適なパラメータを求めるには、正規方程式を解く解析的な解法ではなく、数値的な解法である（ ）を用いる。勾配降下法
クラスター分析とは、あるデータ群を数値データの（ ）によって分類する方法。非階層的な手法と階層的な手法がある。類似性
教師あり学習とは、（ ）が存在するデータに適用するものであり、目的変数を基準として解析結果の（ ）を評価する。量的分析、質的分析のどちらも扱える。目的変数, 妥当性
線形回帰モデルの評価指標には、回帰式の予測精度を0～1で示した（ ）や、実測値と計算値の差である（ ）、F値、などを用いる。決定係数, 残差
