Explanation:

Microsoft Azure AI Fundamentals (AI-900) の公式学習ガイドおよび Microsoft Learn モジュール「一般的な機械学習タイプの機能を識別する」によると、機械学習には主に教師あり学習、教師なし学習、強化学習の 3 つのタイプがあります。教師あり学習の中では、回帰と分類が一般的なアプローチであり、クラスタリングは教師なし学習の代表的な例です。
「ラベルなしデータを使用して回帰モデルをトレーニングする」 - いいえ。回帰モデルはラベル付きデータを使用してトレーニングされます。つまり、入力データには、連続的な数値を表す特徴量（独立変数）とターゲットラベル（従属変数）の両方が含まれます。例としては、住宅価格の予測や売上予測などがあります。ラベルなしデータ（ターゲット出力値のないデータ）は回帰モデルのトレーニングには使用できません。このようなデータは、クラスタリングなどの教師なし学習タスクで使用されます。
* 「分類技術は、時間の経過に伴う連続的な数値データを予測するために使用されます。」 - No.
分類はカテゴリ予測に使用され、出力はスパムなどの離散的なクラスに属します。
スパムや病気の有無は問いません。時系列データの予測は時系列予測と呼ばれ、これは通常、分類ではなく回帰または予測の問題です。AI-900のシラバスでは、分類（カテゴリ予測）と回帰（連続値予測）、時系列（時間的パターン分析）を明確に区別しています。
*「共通の特徴に基づいて項目をグループ化することは、クラスタリングの一例です。」 - はい。この記述は正しいです。クラスタリングは、類似するデータポイントをその特徴に基づいてグループ化するために使用される教師なし学習手法です。AI-900の学習教材では、クラスタリングを「事前に定義されたラベルなしでデータ内の自然なグループを発見するプロセス」と説明しています。一般的な例としては、顧客セグメンテーションや文書のグループ化などがあります。
したがって、マイクロソフトのAI-900トレーニングの目標と定義に基づくと、次のようになります。
* 回帰 # ラベル付き連続データを使用した教師あり学習 (いいえ)
* 分類 # カテゴリ予測であり、逐次的な数値予測ではない（いいえ）
* クラスタリング # 類似性によるグループ化 (はい)