
G検定#07|機械学習とは何か? AIが学ぶ4つの学習方法
皆さん、ご安全に!! 技術屋たかちゃんです。
工場の検査ラインを想像してみてください。
ベルトコンベアの上を製品が流れていく。モーターの低い駆動音が響き、カメラが次々と製品を撮影する。
画面には「正常」「不良」の判定結果。
ところで、コンピューターはどうやって傷を見分けているのでしょうか?
人間が「この形なら傷」「この色なら不良」と、すべてのルールを書き込んでいるのでしょうか。
実は、AIには大量のデータから判断の仕組みを学ぶ技術があります。これが機械学習(Machine Learning)です。
人間がルールを書く時代から、データで学ぶ時代へ
従来のコンピューターは、人間が決めたルールに従って動いていました。
例えば「温度が30度を超えたら警報を出す」という仕組みです。
条件が明確なら、これで十分です。
ところが、製品の傷となると話が変わります。照明の具合、表面の模様、傷の大きさや形状。例外が多く、すべての判断条件を人間が書き出すのは大変です。
そこで登場したのが機械学習です。
相棒のAI(アイ)君が調べたところでは、機械学習はデータに含まれるパターンを学習し、新しいデータに対する予測や判断に利用する技術だそうです。
人間が大量のルールを書く代わりに、データを使ってモデルを学習させます。
この技術が大きく発展した背景には、ビッグデータの蓄積、GPUなどによる計算能力の向上、ディープラーニングを含むアルゴリズムの進歩があったそうです。
機械学習には4つの学び方がある
G検定で押さえておきたいのが、学習方法の違いです。
① 教師あり学習
問題と正解をセットで教える方法です。
例えば、アイスクリームの販売データなら、気温・湿度・曜日が特徴量、実際の販売個数が正解ラベルになります。
学習したモデルを使えば、新しい日の売上を予測できます。
代表的な課題は2種類です。
分類:犬か猫か、正常品か不良品かなど、カテゴリーを予測する。
回帰:売上や製品価格など、数値を予測する。
② 教師なし学習
正解を与えず、データに潜む特徴や関係を探す方法です。
クラスタリング:似た特徴を持つデータをグループ分けする。
次元削減:多くの特徴量を、情報の損失を抑えながら少ない数にまとめる。
例えば、顧客の購買履歴から似た行動をするグループを見つける用途があります。
③ 半教師あり学習
正解が付いたデータと、正解のないデータを組み合わせる方法です。
製品画像を1万枚集めても、人間が一枚ずつ正常・不良を判定するには手間がかかります。少数の正解付きデータと大量の未ラベルデータを活用し、学習の負担を減らします。
④ 強化学習
試行錯誤しながら、より良い行動を学ぶ方法です。
行動の結果として報酬を受け取り、将来にわたる累積報酬が大きくなるように行動を改善します。
囲碁や将棋のAI、ロボット制御などが代表的な応用分野です。
代表的なアルゴリズムも覚えておこう
機械学習には、目的に応じてさまざまなアルゴリズムがあります。
相棒のAI(アイ)君が調べたところでは、次の手法が代表例として紹介されているそうです。
線形回帰:データの関係を直線で表し、数値を予測する。
決定木:条件による分岐を繰り返して予測する。
ランダムフォレスト:複数の決定木を組み合わせて予測する。
K-means法:指定した数のグループにデータを分ける。
主成分分析(PCA):データのばらつきをできるだけ保ちながら、特徴量の数を減らす。
機械に教える仕事は、なくならない
僕が面白いと思うのは、機械学習によってコンピューターへの教え方が変わったことです。
人間がすべての判断ルールを書くのは難しい。そこで、データから判断の仕組みを学習させる。
工場の製品検査にも、この考え方が生かされています。
学習データに偏りがあれば、AIの判断にも偏りが生まれます。間違ったデータを大量に与えても、正しい判断が身につくわけではありません。
機械学習は魔法ではないのです。
何を学ばせ、どの結果を正解とするのか。検査ラインの向こう側には、データを選び、結果を確かめる人間の姿があります。
技術屋たかちゃんでした。ご安全に!!
G検定 連載
前回:
次回:
目次(マガジン):
G検定重要用語集:機械学習の基礎
1. 機械学習の基本
1. 機械学習(Machine Learning)
コンピューターがデータから規則性やパターンを学習し、その結果を新しいデータの予測や分類に利用する技術。人間がすべての判断ルールを記述するのではなく、データを使ってモデルを構築する。
2. 学習データ(Training Data)
機械学習モデルを訓練するために使用するデータ。例えば製品検査なら、正常品や不良品の画像が該当する。学習データの量だけでなく、品質や偏りもモデルの性能に影響する。
3. モデル(Model)
学習データから得られた規則性や関係を使い、新しいデータに対して予測や判断を行う仕組み。学習によってパラメータが調整され、未知のデータにも対応できるようにする。
4. 特徴量(Feature)
データの特徴を数値などで表した、モデルへの入力情報。例えばアイスクリームの売上予測なら、気温・湿度・曜日などが特徴量になる。適切な特徴量の選択は予測性能に影響する。
5. 正解ラベル(Label)
教師あり学習で、入力データに付けられた正解情報。製品画像に対する「正常」「不良」や、販売データに対する実際の売上個数などが該当する。モデルは予測結果と正解ラベルの違いを学習する。
2. 4つの学習方法
6. 教師あり学習(Supervised Learning)
入力データと正解ラベルをセットで与え、両者の関係を学習する方法。学習後は、新しい入力データに対して分類や数値予測を行う。分類問題と回帰問題が代表的な用途となる。
7. 分類(Classification)
入力データがどのカテゴリーに属するかを予測する教師あり学習の課題。犬と猫の判別、製品の正常・不良判定、迷惑メールの検出などが代表例。出力はクラスやカテゴリーとなる。
8. 回帰(Regression)
入力データから連続的な数値を予測する教師あり学習の課題。気温からアイスクリームの販売数を予測したり、住宅の価格を推定したりする。分類との違いは、カテゴリーではなく数値を予測する点にある。
9. 教師なし学習(Unsupervised Learning)
正解ラベルを与えず、データに含まれる構造や特徴、規則性を見つける学習方法。顧客の購買傾向のグループ分けや、データの次元削減などに利用される。
10. クラスタリング(Clustering)
データ同士の類似度などに基づいて、似た特徴を持つデータをグループに分ける教師なし学習の手法。顧客の購買履歴を分析して、似た行動を取る顧客群を発見する用途などがある。
11. 次元削減(Dimensionality Reduction)
データが持つ特徴量の数を減らし、少ない次元で表現する手法。情報の損失をできるだけ抑えながら、計算負荷の軽減やデータの可視化に役立てる。主成分分析が代表例。
12. 半教師あり学習(Semi-supervised Learning)
少量の正解ラベル付きデータと、大量の正解ラベルなしデータを組み合わせて学習する方法。正解ラベルを付ける作業に大きなコストがかかる画像検査や音声認識などで活用される。
13. 強化学習(Reinforcement Learning)
エージェントが環境の中で行動し、その結果として得られる報酬を手がかりに、より良い行動を学習する方法。将来にわたる累積報酬を最大化することを目指す。ゲームAIやロボット制御などに使われる。
14. 報酬(Reward)
強化学習で、エージェントが行動した結果として環境から受け取る評価値。望ましい行動には正の報酬、望ましくない行動には負の報酬を設定することがある。報酬の設計は学習結果に大きく影響する。
3. 代表的な機械学習アルゴリズム
15. 線形回帰(Linear Regression)
入力と出力の関係を直線または超平面で表し、連続値を予測する回帰手法。例えば気温とアイスクリームの販売数の関係をモデル化する。単純で解釈しやすく、機械学習の基本となる手法。

16. 決定木(Decision Tree)
データを条件によって枝分かれさせ、最終的な予測結果を導く手法。樹木のような構造で判断過程を表現できるため、人間にも理解しやすい。分類と回帰の両方に利用できる。
17. ランダムフォレスト(Random Forest)
複数の決定木を組み合わせて予測するアンサンブル学習の手法。学習データや特徴量の一部をランダムに選んで複数の木を作り、分類では多数決、回帰では平均などによって予測する。単一の決定木より過学習を抑えやすい。
18. K-means法(K-means Clustering)
データを指定した数K個のクラスタに分類する教師なし学習の手法。各データを最も近いクラスタ中心に割り当て、中心を更新する処理を繰り返す。顧客分析やデータのグループ分けなどに使われる。
19. 主成分分析(Principal Component Analysis:PCA)
データのばらつきが大きい方向を主成分として抽出し、少ない次元でデータを表現する手法。多くの特徴量を少数の主成分にまとめることで、データの可視化や分析をしやすくする。教師なし学習に分類される。
特に覚えたい比較ポイント
① 4つの学習方法の違い
教師あり学習:入力データと正解ラベルを使う。
教師なし学習:正解ラベルを使わず、データの構造を見つける。
半教師あり学習:少量の正解付きデータと大量の正解なしデータを使う。
強化学習:行動の結果として得られる報酬を使う。
この4つは、G検定の基本事項です。学習に何を使うのかを整理してください。
② 分類と回帰の違い
分類:犬か猫か、正常か不良かなど、カテゴリーを予測する。
回帰:売上、気温、価格など、連続的な数値を予測する。
例えば、製品検査で「正常・不良」を判定するなら分類です。不良品の発生数を予測するなら回帰になります。
③ クラスタリングと次元削減の違い
クラスタリング:似たデータをグループに分ける。
次元削減:特徴量の数を減らしてデータを表現する。
どちらも教師なし学習の代表的な手法ですが、目的が異なります。
④ K-means法と主成分分析の違い
K-means法:データをK個のグループに分ける。
主成分分析(PCA):データの情報をできるだけ保ちながら、特徴量を少ない次元にまとめる。
K-meansはグループ分け、PCAは次元削減です。混同しないようにしましょう。