2.1機械学習の種類

機械学習（Machine Learning, ML）とは、データから規則（パターン）を学び、新しいデータに対して予測を行う技術です。プログラムに手順を細かく書く代わりに、例（データ）を与えて学習させるのが特徴。学習に使う入力を 特徴量（features）、教師あり学習で与える正解を ラベル（label） と呼びます。AI-900 では「やりたいこと → どの学習の種類か」を結べることが重要です。

2.1.1学習の種類

• 教師あり学習（Supervised）：正解（ラベル）付きのデータで学ぶ。回帰＝数値（連続値）を予測（例：価格・気温）、分類＝カテゴリを予測（例：スパムか否か・犬か猫か）。
• 教師なし学習（Unsupervised）：正解なしのデータから構造を見つける。クラスタリング＝似たもの同士をグループ化（例：顧客のセグメント化）。
• 強化学習（Reinforcement）：試行錯誤の報酬で良い行動を学ぶ（例：ゲーム・ロボット制御）。
• 深層学習（Deep Learning）：多層のニューラルネットワークを使う手法。画像・音声・言語など複雑なデータに強い（生成AIの土台）。

2.1.2学習の仕組み：特徴量・ラベル・汎化

教師あり学習では、各データを「特徴量（入力）」と「ラベル（正解）」の組で表します。たとえば住宅価格の予測なら、広さ・築年数・駅からの距離が特徴量、実際の価格がラベルです。モデルは多数の例から「特徴量とラベルの関係」を学び、まだ見ていない新しいデータにも当てはまる規則を獲得することを目指します。これを 汎化（generalization） と呼びます。そのため、手元のデータは訓練用と評価用に分割し、評価用（学習に使っていない）データで性能を測ります。訓練データだけに合いすぎて新しいデータで外す状態が 過学習（overfitting） で、機械学習で最も注意すべき失敗です。

深層学習は、ニューラルネットワーク（人間の神経細胞の働きを単純化した数理モデル）を何層も重ねた手法です。層を深くすることで、画像のピクセルや文章の単語列のような複雑なデータからでも、有用なパターンを段階的に抽出できます。今日のコンピュータービジョン・音声認識・生成 AI の高い精度は、ほぼこの深層学習に支えられています。AI-900 では「深層学習＝多層ニューラルネットで複雑なデータに強い」という位置づけを押さえれば十分で、数式は問われません。

2.1.3この節のまとめ

• 機械学習＝データ（特徴量）から学び、新しいデータを予測する。正解＝ラベル
• 教師あり：回帰（数値）・分類（カテゴリ）／教師なし：クラスタリング（グループ化）
• ほかに強化学習（報酬）・深層学習（ニューラルネット）。見分けはラベル有無＋出力の型