Summary  
This chapter introduces the three main types of machine learning—supervised learning (regression and classification), unsupervised learning (clustering, anomaly detection, and dimensionality reduction), and reinforcement learning (agent-based learning via rewards and penalties).  

General domain of usage  
Predictive modeling

**教師あり学習**は、モデルが**ラベル付き訓練データセット**で学習される機械学習手法。

定義

最も一般的な教師あり学習タスクは以下の通りです：
- **回帰**（例：住宅価格の予測）：そのためには、他の住宅価格でラベル付けされた訓練データセットが必要です。

- **分類**（例：メールをスパム／通常メールとして分類）：そのためには、スパム／通常メールでラベル付けされた訓練データセットが必要です。

**教師なし学習**は、**ラベル付けされていない訓練データセット**でモデルを訓練する機械学習手法。

主な教師なし学習タスクは、**クラスタリング**、**異常検知**、**次元削減**。

### クラスタリング

類似したデータポイントを**ラベルなし**でクラスタに分ける例：メールをスパムかどうか知らずにグループ化。

### 異常検知

通常のパターンから**逸脱**したデータポイントを検出。例：不正ラベルなしでの異常なクレジットカード取引の発見。

### 次元削減

重要な情報を保持しつつ特徴量の数を削減 — こちらもラベル不要。

## 強化学習

強化学習は、前述の2つのタイプとは大きく異なる手法。自動運転車、ロボット、ゲームAIなどの訓練に用いられる技術。

**強化学習**は、**エージェント**（例：掃除ロボット）が意思決定を行い、正しい決定には**報酬**、誤った決定には**ペナルティ**を受け取ることで学習する機械学習手法。

犬にボールを取ってくるよう訓練することは、強化学習と同様の仕組み：良い行動には**報酬**、間違った行動には**ペナルティ**、ボールを持ち帰ることに成功すれば**より大きな報酬**が与えられ、望ましい行動が強化される。

教師あり学習タスクのためにMLモデルを訓練するには、ターゲット（ラベル付き）が含まれる訓練データセットが必要である。正しいですか？

教師なし学習タスクのためにMLモデルを訓練する場合、訓練データセットにターゲット（ラベル付き）を含める必要はない。正しいですか？

機械学習は今やあらゆる場所で利用されています。自分で学びたいと思いませんか？このコースは、機械学習の世界への入門として、基本的な概念の習得、最も人気のあるMLライブラリであるScikit-learnの操作、そして最初の機械学習プロジェクトの構築を学ぶためのものです。
このコースは、Python、Pandas、Numpyの基礎知識を持つ学生を対象としています。

機械学習の概念とMLプロジェクトのワークフローについて学習します。

前処理は、MLプロジェクトにおいて最も重要な段階の一つです。本章では、ほぼすべてのデータセットに必要な前処理手順について解説します。

パイプラインは、すべての前処理ステップとモデルを組み合わせるための便利な方法です。パイプラインを使用することで、モデルの学習や利用がはるかに簡単になります。

モデリングはMLプロジェクトの中で最も楽しい段階です。モデルの構築、チューニング、評価方法を学びましょう。

機械学習の種類

教師あり学習

教師なし学習

クラスタリング

異常検知

次元削減

強化学習

1. 教師あり学習タスクのためにMLモデルを訓練するには、ターゲット（ラベル付き）が含まれる訓練データセットが必要である。正しいですか？

2. 教師なし学習タスクのためにMLモデルを訓練する場合、訓練データセットにターゲット（ラベル付き）を含める必要はない。正しいですか？