*個人用メモ
モデル：教師あり（ラベルあり）、教師なし、オンライン学習（常にモデルを修正）、強化学習
過学習：学習に使ったデータに適合しすぎて、新データには汎用性が低い
未学習：うまくモデルがデータに適合しない
モデルのパラメータを増やせば当てはまりは良くなるが過学習気味になる
複雑化を避けるには、データの2/3を学習に使い、1/3を使ってモデルのテストをするのが一般的
データを学習用（モデル構築）、検証用（モデル選択）、テスト用（良し悪しの判断）
過学習の問題は、バイアス（モデルの適合の低さ）とバリアンス（データの分散）のトレードオフ
k近傍法：近いものは類似しているという、簡単な予測モデルの考え方
ナイーブベイズ：単純なベイズ定理に基づくデータの当てはめの考え方
決定木：判断経路とその結果を木構造で表現したもの
情報量の多さをエントロピー（平均情報量）で表す
不確かさが少ない（データが１つに分類される）ならエントロピーは低い
ニューラルネットワーク：他への出力に閾値のある予測モデル
ディープラーニング：多様なニューラル構造物
テンソル：n次元配列
クラスタリング：教師なし学習に用いられる、簡単なのはk平均法
