機械学習（Machine Learning）
1. 解説
機械学習とは、データから反復的に学習し、そこに潜むパターンや規則性を見つけ出す技術です。人間が「この場合はこうする」というルールを全て記述するのではなく、コンピュータ自身がデータからルール（モデル）を構築するのが特徴です。
G検定において最も重要なのは、機械学習が大きく「教師あり学習」「教師なし学習」「強化学習」の3つに分類される点と、それぞれの使い分けを理解することです。
機械学習の3大分類
学習データの与え方と目的によって、以下の3つに分けられます。
| 分類 | データの形式 | 目的・タスク | 具体例 |
|---|---|---|---|
| ① 教師あり学習 (Supervised) |
入力データ ＋ 正解ラベル （問題と答えのセット） |
正解を予測する ・回帰（数値予測） ・分類（クラス分け） |
・明日の気温予測（回帰） ・スパムメール判定（分類） |
| ② 教師なし学習 (Unsupervised) |
入力データのみ （正解ラベルなし） |
データの構造や特徴を知る ・クラスタリング ・次元削減 |
・顧客のグルーピング ・異常検知（外れ値発見） |
| ③ 強化学習 (Reinforcement) |
行動と報酬 （環境からのフィードバック） |
報酬を最大化する行動ルールを獲得する | ・将棋や囲碁のAI ・ロボットの歩行制御 |
重要なキーワード：特徴量（Feature）
機械学習において、データのどの部分に着目するかを表す変数を「特徴量」と呼びます。
従来の機械学習（第2次AIブーム）では、人間が専門知識を使って「どの特徴量を使うか」を設計する必要がありました。これを特徴量エンジニアリングと言います。
（※ここが、特徴量を自動で抽出できるディープラーニングとの最大の違いです）
2. G検定対策
出題ポイント
- 回帰と分類の違い：
- 回帰（Regression）：連続する「数値」を予測する（例：明日の株価、家賃の価格）。
- 分類（Classification）：「カテゴリ」を予測する（例：犬か猫か、合格か不合格か）。
- 過学習（Overfitting）：学習データに適合しすぎて、未知のデータに対して精度が落ちてしまう状態。これを防ぐ能力を汎化性能と呼ぶ。
- 教師なし学習の手法：「k-means法（クラスタリング）」や「主成分分析（次元削減）」などの名称が出題されやすい。
ひっかけ対策・注意点
- × 強化学習 ＝ 教師なし学習の一種
（解説）別物です。強化学習は「報酬」というフィードバックがあるため、純粋な教師なし学習とは区別されます。 - × 機械学習はデータを入れれば勝手に賢くなる
（解説）従来の機械学習では、データをそのまま使うのではなく、人間による適切な前処理や特徴量の設計が不可欠です。 - 教師あり学習の「正解データ」：「教師データ」「ラベル」「ターゲット」などと呼ばれることもありますが、同じ意味です。
