k近傍法（k-NN）の仕組みやアルゴリズム、メリット・デメリットを初心者向けにわかりやすく解説。Pythonによる実装例では異方性クラスタを用いて分類境界を可視化し、kの値による違いまで直感的に理解できます。

k-means法を初学者向けにわかりやすく解説。アルゴリズムの考え方から、2次元データを用いたPython実装、重心更新の可視化まで丁寧に紹介します

勾配ブースティング木（GBDT）の仕組みを、損失関数・勾配降下法の考え方から丁寧に解説します。XGBoostを用いたPython実装、学習途中の挙動、特徴量重要度までを実例付きで紹介します。

分類問題の評価指標を徹底解説した記事になっています。具体的にはAccuracy・Precision・Recall・F1スコア・LogLossから、Macro F1・Micro F1・Quadratic Weighted Kappaまで、数式と直感的な解説で理解できるようになっています。

特徴量エンジニアリングの手法について解説した記事になります。具体的にはlog変換や平方根変換、特徴量選択、新しい特徴量の生成、PCAなど次元削減まで、モデル性能を引き出す代表的な手法を初心者向けにわかりやすく解説します。

機械学習におけるデータ前処理の基礎を解説。欠損値処理、カテゴリ変数の変換、スケーリング（標準化・正規化・RobustScaler・組み合わせ）の方法を実装例付きでわかりやすく紹介。