
教科書がある勉強、ない勉強?「教師あり・教師なし・半教師あり学習」
第1回(通算第66回)(学ぶキーワード:機械学習の3分類)
「答えが載っている問題集」と「答えが載っていないプリント」では、勉強の進め方がガラリと変わりますよね。📖
実はAIもまったく同じで、正解を教えてもらえるかどうかによって学習方法が変わります。💡
さらに、正解を作るのが大変なときは、両方のよいところを組み合わせたハイブリッドな方法もあります!✨
今回は、G検定の超頻出分野である「3つの学習方法」を、私たちが日常で行う勉強方法に置き換えて、試験に出る知識をギュッと凝縮して解説します。📱
1. 読み方
まず、今回覚える重要用語の読み方を整理しておきましょう!
表記ゆれや関連キーワードも一緒に押さえるのが合格への近道です。📝
・機械学習 = きかいがくしゅう(Machine Learning / ML)
・教師あり学習 = きょうしありがくしゅう(Supervised Learning)
・教師なし学習 = きょうしなしがくしゅう(Unsupervised Learning)
・半教師あり学習 = はんきょうしありがくしゅう(Semi-supervised Learning)
・教師データ = きょうしデータ(正解付きの学習用データ)
・正解ラベル = せいかいラベル(データに付ける「答え」のこと)
・アノテーション = あのてーしょん(データに正解ラベルを付ける作業) ・分類 = ぶんるい(Classification)
・回帰 = かいき(Regression)
・クラスタリング = くらすたりんぐ(Clustering)
・次元削減 = じげんさくげん(Dimensionality Reduction)
💡 試験対策ワンポイント
ここでいう「教師」とは、人間の先生のことではありません!
AIに与える「問題と正解のセット(お手本データ)」のことを「教師」や「教師データ」と呼んでいます。🎓
2. 意味(定義)
機械学習とは何か?
「機械学習って、結局のところ中で何をやっているの?」と疑問に思ったことはありませんか?🤔
人間がプログラムで「AならBを実行せよ」とすべてのルールを書き込むのではなく、コンピュータ自身が大量のデータからパターンや規則性を自動で見つけ出す技術、それが機械学習です。🤖✨
米国の研究者アーサー・サミュエルは「明示的にプログラムすることなく、コンピュータに学習する能力を与える研究分野」と定義しました。
G検定でもこの概念はよく問われます!
機械学習は、学習時に「正解データ(正解ラベル)」をどのように使うかによって、主に次の3つに分類されます。それぞれの特徴を身近な勉強法に例えてみていきましょう!
① 教師あり学習は「解答付き問題集」📚
専門用語でいうと「入力データと正解ラベルのペア」を使ってモデルを学習させる方法です。
「AIの勉強って数学っぽくて難しそう…」と感じるかもしれませんが、仕組みは私たちがテスト勉強をするときと同じです!😊
英単語の問題集をイメージしてみてください。
・問題(入力データ):「apple」 ・解答(正解ラベル):「りんご」
問題を解いた後にすぐ答え合わせをして、「あ、間違えた!次はこう解こう」と修正しながら覚えていきますよね。
AIも同じように、自分で予測した答えと本当の正解(正解ラベル)を見比べて、誤差が小さくなるように調整を繰り返します。
💡 G検定で覚えるべきポイント
・入力データと正解ラベル(アノテーションされたデータ)の組み合わせで学ぶ
・未知の新しいデータに対して「答え」を予測するのがゴール
・主なタスクは、種類を当てる「分類」と、数値を当てる「回帰」
具体的なアルゴリズム例(今後の回で詳しく解説します):
・線形回帰、ロジスティック回帰
・決定木、ランダムフォレスト
・サポートベクターマシン(SVM)
・k近傍法(k-NN)
② 教師なし学習は「答えのない片付け・グループ分け」🧹
教師なし学習は、正解ラベルが付いていないデータだけを使って、データそのものの中に隠れている構造やパターン、特徴を発見する方法です。
「正解がないのに、どうやって勉強するの?」と思いますよね。💭
想像してみてください。
デスクの上に、名前も使い方も分からない謎の文房具が100個散らばっているとします。
誰も答えを教えてくれません。あなたならどうしますか?
きっと、「形が似ているもの」「色が似ているもの」「硬さが近いもの」同士で、なんとなくグループ分けをしますよね!
これが教師なし学習です。
AIは答えを知りませんが、データの距離や類似度を計算して「このデータ群は性質が似ているぞ」と見つけ出します。
💡 G検定で覚えるべきポイント
・正解ラベル(答え)が存在しないデータを使う
・データ内の本質的な構造や共通点、グループを発見する
・代表例1:似た者同士を集める「クラスタリング」
・代表例2:データの意味を保ったまま項目数を減らす「次元削減」
具体的なアルゴリズム例:
・k-means(k平均法)、階層的クラスタリング
・主成分分析(PCA)、t-SNE
③ 半教師あり学習は「最初の数ページだけ解答付き」📄
半教師あり学習は、「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させる方法です。
「全ページ解答付きの問題集があれば一番いいのに、なんでわざわざ混ぜるの?」と感じるかもしれません。🤔
実は、現実に存在するデータの多くは「正解が付いていない状態」なのです。
データに1つずつ手作業で正解を書き込む作業(アノテーション)には、とてつもない時間とお金がかかります。💸
そこで登場するのがこの方法です!
たとえば、100ページの分厚い問題集があるとします。 最初の5ページだけ解答が付いていて、残りの95ページには解答がありません。
まず、解答付きの5ページで「解き方の基礎ルール」をしっかり学びます。
次に、その基礎知識を使って、解答のない95ページの問題を自力で解いてみます。
大量の問題に触れることで、解き方のパターンや応用力を一気に深めます。
少量の正解で方向性を定め、大量の答えなしデータで理解を深める。これが半教師あり学習の賢いアプローチです!
💡 G検定で覚えるべきポイント
・「少量のラベル付きデータ」+「大量のラベルなしデータ」で構成される
・ラベル付け(アノテーション)のコストや手間を劇的に削減できる
・注意!「データ全体のちょうど半分に正解が付いている」という意味ではありません!(G検定の超頻出ひっかけパターンです⚠️)
3. 歴史・背景
最初は人間がルールを全部書いていた(イライラ期の到来)🤖💥
「AIなんだから、最初から自分で学習してくれればよかったのに」と思いませんか?
実は1980年代までの第2次AIブームの頃、コンピュータは「人間が教えてあげたルール通りにしか動けない存在」でした。
これを「エキスパートシステム」や「ルールベース」と呼びます。
たとえば、迷惑メールを自動で弾くプログラムを作るとします。
人間が手作業で次のようなルールを1項目ずつ書き込んでいました。
・「無料」という言葉があれば怪しい
・「100%」という言葉があれば怪しい
・送信元アドレスが変なら怪しい
ですが、スパム業者もバカではありません。「無 料」と間にスペースを入れたり、新しい言葉を使ったりして回避してきます。
そのたびに人間が新しいルールを書き追加していく…。
まさに「いたちごっこ」で、人間の限界(ルール記述の壁)にぶち当たったのです。😩
そこで誕生したのが、「人間がルールを書くのをやめて、データからコンピュータ自身にルールを発見させよう!」という機械学習の発想でした。
データの「アノテーションコストの壁」との戦い 🧱
機械学習が登場し、正解付きのデータを用意すればAIが見事にルールを学んでくれる時代が来ました(教師あり学習の全盛期です)。
しかし、ここで新たな問題が発生します。
「100万枚の画像データすべてに『犬』『猫』『車』と手作業でラベルを貼るの、大変すぎない…?」😱
データに正解を書き込むこの作業をアノテーションと呼びます。
特に医療現場などで「このレントゲン画像にがん腫瘍があるか」を判断するには、専門の医師が何時間もかけてチェックしなければならず、コストが跳ね上がります。
そこでAI研究者たちは知恵を絞りました。
・「正解がなくても、データ自身のグループ分けならできるはず!」(教師なし学習の発展)
・「貴重な10枚の正解画像と、放置されている990枚の正解なし画像を混ぜて学習させよう!」(半教師あり学習の発展)
このように、AIの歴史は「いかに人間の手間(アノテーションコスト)を減らしつつ、賢いモデルを作るか」という戦いの歴史でもあるのです!✨
4. 比較・対比(似た用語との違い)
試験で最も失点しやすいのが、用語同士の混同です。特に「強化学習」との違いは絶対に整理しておきましょう!
🔍 学習手法の徹底比較
・教師あり学習
・与えられるもの:入力データ + 正解ラベル(明確な答え)
・学習の目的:正解とのズレ(誤差)を最小にする
・主な用途:分類(カテゴリ予測)、回帰(数値予測)
・教師なし学習
・与えられるもの:入力データのみ(正解ラベルなし)
・学習の目的:データ内部の構造、傾向、パターンを発見する
・主な用途:クラスタリング(グループ化)、次元削減(データ圧縮)
・半教師あり学習
・与えられるもの:少量のラベル付きデータ + 大量のラベルなしデータ
・学習の目的:アノテーションコストを抑えつつ精度を高める
・主な用途:画像認識、自然言語処理など(ラベル作成が高コストな分野)
・強化学習(Reinforcement Learning)
・与えられるもの:環境、状態、そして行動に対する「報酬(Reward)」
・学習の目的:将来もらえる報酬の合計を最大化する「行動パターン」を学ぶ
・主な用途:囲碁・将棋AI(AlphaGoなど)、自動運転、ロボットの歩行制御
⚠️ ここが試験の落とし穴!「正解ラベル」と「報酬」の違い
・教師あり学習:ステップごとに「これが正しい答えですよ」と直接教えてもらう。
・強化学習:「答え」は教えてもらえない。行動した結果として「+10点」「-5点」のような報酬(フィードバック)をもらい、手探り(試行錯誤)でベストな動きを学んでいく。
5. 活用シーン(実社会のどこで使われている?)
実生活やビジネスの現場で、これらの技術がどう使われているかをイメージできるようにしておきましょう!試験では「この業務にはどの手法を使うべきか?」という実践問題が出ます。🎯
💡 活用例1:迷惑メール(スパム)の自動判定
使われる技術:教師あり学習(分類)
過去に届いた大量のメールを用意します。
それぞれのメールに「スパム」「正常」という正解ラベルを付与(アノテーション)します。
AIが「スパムメールに含まれやすい単語の傾向」と正解ラベルの関係を学習します。
新しく届いた未知のメールに対して、「これは89%の確率でスパムである」と自動判別します。
💡 活用例2:ECサイトの顧客セグメンテーション
使われる技術:教師なし学習(クラスタリング)
購買履歴、アクセス時間帯、年代などの顧客データを集めます(この時点では「優良顧客グループ」などの正解ラベルはありません)。
AIにデータを読み込ませ、購買傾向が似ている顧客同士を自動でグループ分けさせます。
「深夜に高額ガジェットを買う層」「休日の昼間に子供服を買う層」などの隠れたクラスタが浮かび上がります。
企業はそのグループごとに最適化したクーポンを発行できます。
💡 活用例3:医療画像診断(レントゲン・MRI)
使われる技術:半教師あり学習
医師がチェックして正解ラベル(病変の有無)を付けた100枚の画像(少量)を用意します。
ラベルが付いていない病院内の10,000枚の画像(大量)を用意します。
これらを組み合わせて学習させることで、医師のアノテーション負担を激減させつつ、高精度な病変検出モデルを構築できます。
6. G検定での出題傾向と絶対暗記パターン
G検定で問われるポイントは、実はパターンが決まっています!以下の組み合わせを頭に叩き込んでおきましょう。🧠✨
🎯 超頻出!キーワードと学習手法のペアリング
・キーワード:「正解ラベル」「アノテーション済み」「過去のデータから予測」 👉 教師あり学習を選択!
・キーワード:「データの構造」「似た者同士」「正解がない」「傾向の発見」 👉 教師なし学習を選択!
・キーワード:「アノテーションのコスト削減」「少量のラベル付き+大量のラベルなし」 👉 半教師あり学習を選択!
・キーワード:「試行錯誤」「環境とエージェント」「報酬の最大化」「ゲームの攻略」 👉 強化学習を選択!
⚠️ ひっかけ注意!G検定で受験生がハマる罠3選
「分類」と「クラスタリング」の言葉の罠 ・あらかじめ決まったカテゴリ(犬・猫など)に分ける = 教師あり学習の「分類」 ・正解カテゴリがない状態で、結果的に似たグループを作る = 教師なし学習の「クラスタリング」 ※日常会話の「データを分類する」につられて教師あり学習を選ばないこと!
「半教師あり学習」のパーセンテージの罠 ・「データをちょうど半々に分ける手法である」という選択肢が出たら迷わず不適切と判断してください!正解データは全体の1%や5%などごく少量であることが一般的です。
強化学習の「報酬」を「正解ラベル」と混同する罠 ・報酬は「答え」ではありません。「その行動がどれくらい良かったか」の結果評価です。
7. G検定の例題
本番の試験レベルに合わせた演習問題にチャレンジしてみましょう!💪
問題1【最頻出レベル】
次の文章のうち、教師あり学習の説明として最も適切なものはどれか。
正解ラベルが存在しないデータから、データ背後に潜む構造やまとまりを発見する手法。
入力データとそれに対応する正解ラベルの組(ペア)を用いて、未知のデータに対する予測を行う手法。
エージェントが環境の中で行動を選択し、その結果得られる報酬を最大化するように学習する手法。
少量のラベルなしデータと、大量のラベル付きデータを組み合わせてアノテーションコストを削減する手法。
問題2【応用レベル】
あるECサイトのマーケティング部門では、顧客の購買履歴データを用いて分析を行いたい。事前に顧客の属性やグループなどの正解データ(ラベル)は与えられておらず、購買傾向が類似している顧客同士を自動的にグループ化して施策に活かしたいと考えている。このタスクに用いる手法として最も適切なものはどれか。
教師あり学習の「回帰」
教師あり学習の「分類」
教師なし学習の「クラスタリング」
教師なし学習の「次元削減」
問題3【ひっかけ対策レベル】
学習手法とそれに含まれる具体的な処理・タスクの組み合わせとして、不適切なものはどれか。
教師あり学習 ―― 過去の気象データから明日の最高気温を予測する「回帰」
教師なし学習 ―― 多次元のデータを視覚化するために特徴量の数を減らす「次元削減」
半教師あり学習 ―― 大量のデータを用意し、そのうちのちょうど50%に正解ラベルを付与して学習させる手法
強化学習 ―― 試行錯誤を通じてゲームのスコア(報酬)を最大化する行動価値の学習
8. 例題の回答と解説
問題1の解説
正解:2
・選択肢1:不正解です。これは「教師なし学習」の説明です。
・選択肢2:正解です! 入力と正解ラベルのペアから学習するのが「教師あり学習」の定義です。
・選択肢3:不正解です。環境や報酬という言葉が出ているため「強化学習」の説明です。
・選択肢4:不正解です。「少量のラベル付き+大量のラベルなし」が正しい定義であり、文章内の「少量」と「大量」が逆になっています。
問題2の解説
正解:3
問題文の「正解データ(ラベル)は与えられていない」「類似している顧客同士を自動的にグループ化する」という記述が最大のヒントです!正解がない状態でグループを作るのは、教師なし学習の「クラスタリング」が最適です。
・選択肢1、2:正解ラベルが必要なため不適切です。
・選択肢4:次元削減は変数の数を減らす処理であり、顧客のグループ化が直接の目的ではないため不適切です。
問題3の解説
正解:3
不適切なもの(誤っている選択肢)を選ぶ問題です!
・選択肢1:適切です。気温という連続値を予測するのは「教師あり学習の回帰」です。
・選択肢2:適切です。特徴量を減らして扱いやすくするのは「教師なし学習の次元削減」です。
・選択肢3:これが誤り(=正解)です! 半教師あり学習は「正解ラベルが全体の半分(50%)ある」という意味ではありません。通常はほんの数%〜十数%の少量のラベル付きデータを使います。
・選択肢4:適切です。報酬最大化を目指すのは「強化学習」の典型的な特徴です。
9. Ankiアプリ用(暗記カード用テキスト)
機械学習とは何か,明示的にプログラムすることなくコンピュータがデータからパターンやルールを学ぶ技術
教師あり学習の特徴は何か,入力データと正解ラベルのペアを用いて未知のデータを予測する学習法
教師あり学習の主な2つのタスクは何か,分類(カテゴリ予測)と回帰(数値予測)
教師なし学習の特徴は何か,正解ラベルのないデータから構造やパターンを見つけ出す学習法
教師なし学習の代表的な2つの手法は何か,クラスタリングと次元削減
半教師あり学習で使うデータの構成はどんなものか,少量のラベル付きデータと大量のラベルなしデータ
半教師あり学習を採用する最大のメリットは何か,データのアノテーション(ラベル付け)コストを大幅に削減できること
強化学習でAIが学習の手がかりにするものは何か,行動の結果として得られる「報酬(Reward)」
正解ラベルが付いていない状態でデータをグループ化する手法は何か,クラスタリング(教師なし学習)
あらかじめ決まった正解カテゴリにデータを振り分ける手法は何か,分類(教師あり学習)
総評・まとめ
お疲れ様でした!最後に今回学んだ最も大切なポイントを復習しましょう。
💡 これだけは絶対に覚えて!
教師あり学習:解答付き問題集!「分類」と「回帰」を行う。
教師なし学習:答えのないグループ分け!「クラスタリング」と「次元削減」を行う。
半教師あり学習:ハイブリッド学習!「少量の正解+大量の答えなし」でコスト削減。
強化学習:ゲームの攻略!試行錯誤して「報酬」の最大化を目指す。
機械学習の全体像がつかめると、G検定の勉強は一気に面白くなりますよ!✨
次回予告
次回は、今回登場した「教師あり学習」の2大仕事である「回帰」と「分類」を深掘りします!
「売上予測」と「迷惑メール判定」は何が違うのか? 試験で絶対に間違えてはいけない「評価指標」の基礎まで、分かりやすく紐解いていきます。お楽しみに!🚀