g-kentei-kei

Min-Max 正規化を理解する Min-Max 正規化は、データを0〜1の範囲にスケールする最も基本的な正規化手法です。単に正規化といわれるときはこのMin-Max正規化を指すことが多いです。ニューラルネットワークでは、入力値のスケールが...

ユークリッド距離を理解する ユークリッド距離は、G検定でも頻出の「距離（類似度）」を測る基本的な指標です。特にクラスタリング（k-means）や近傍探索（kNN）など、データ同士の近さを測る場面で広く使われます。 ユークリッド距離は「2点間...

コサイン類似度を理解する コサイン類似度は、G検定でも頻出のベクトル類似度指標です。特に自然言語処理やレコメンドシステムなど、「意味の近さ」や「ユーザーの好みの近さ」を測る場面で使われます。 コサイン類似度は「ベクトルの向きの近さ」を数値で...

線形代数（ベクトル・行列）を理解する 線形代数は、G検定でも頻出の基礎数学です。特にベクトル・行列は、機械学習モデルの内部計算（重み・特徴量・勾配など）に深く関わるため、必ず押さえておく必要があります。計算問題で基礎的な計算を試験でも問われ...

微分・偏微分を理解する 微分・偏微分は、G検定でも頻出の数学基礎です。特に機械学習では、損失関数を最小化するために勾配（微分）を使うため、概念を理解しておくことが重要です。 微分は「変化の割合」、偏微分は「多変数のうち1つだけを変化させたと...

確率・期待値を理解する 確率・期待値は、G検定でも頻出の基礎統計です。特に期待値は「平均的にどれくらいの結果になるか」を表す重要な概念で、機械学習モデルの評価や意思決定にも深く関わります。 確率は「起こりやすさ」、期待値は「平均的な結果」を...

共分散を理解する 共分散は、2つの数値データがどのように一緒に変動しているかを表す指標です。相関係数の“元”となる概念であり、G検定でも頻出の統計用語です。 共分散の目的は「2つの変数が同じ方向に動くのか、逆方向に動くのかを知ること」です。...

相関係数を理解する 相関係数は、2つの数値データの関係性を−1 〜 +1 の数値で表す指標です。散布図とセットで理解することで、データの関係性をより深く読み取れるようになります。 相関係数の目的は「2つの変数の関係の強さと向きを数値で表すこ...

分散と標準偏差の違いを理解する この記事では分散と標準偏差はどちらもデータのばらつきを数値化したものですが似ている計算式のため混同しやすいです。 両者の違いは計算式の考え方を理解することで簡単に覚えることができます。 分散が理解できると、標...

マルコフ性（Markov Property） 解説 マルコフ性とは、「未来の状態は、『現在の状態』のみによって決まり、過去の履歴（どうやってそこに来たか）には一切影響されない」という性質のことです。 サイコロに「記憶」はない 最も分かりやす...