教師なし学習 (Unsupervised Learning)
解説
教師なし学習とは、入力データのみをコンピュータに与え、正解データ（教師データ）を与えずに、データそのものが持つ構造や特徴を学習させる手法です。
「答え」のない学習
教師あり学習が「ドリル（問題と答え）」で学ぶのに対し、教師なし学習は「ひたすら観察して法則を見つける」学習です。
例えば、大量の動物の画像をAIに見せたとき、「これは猫」「これは犬」という正解は教えませんが、AI自身が「耳が尖っているグループ」「鼻が長いグループ」といった特徴を見つけ出し、自動的にグループ分けを行います。
主なタスク：クラスタリングと次元削減
教師なし学習の代表的な用途は以下の2つです。
- クラスタリング（Clustering）：
データを似たもの同士のグループ（クラスタ）に分ける手法。例：顧客データのセグメンテーション（購買傾向が似ている客をまとめる）、ニュース記事の自動分類など。
- 次元削減（Dimensionality Reduction）：
データの特徴を保ったまま、情報の量（次元数）を減らす手法。例：多項目のアンケート結果を「満足度」という1つの軸にまとめる（主成分分析など）。
G検定対策
出題ポイント
- 定義：「入力データ」のみを与え、「正解ラベル」を与えないこと。
- 代表的手法：
- k-means法（k平均法）：データをk個のグループに分けるクラスタリング手法。
- 主成分分析（PCA）：データを要約する次元削減手法。
- アソシエーション分析：「おむつとビール」のようなルールを見つける手法。
- 活用例：異常検知（通常データとは異なる外れ値を見つける）、レコメンデーション。
よくあるひっかけ問題
- × クラスタリングは、分類タスク（教師あり学習）の一種である
（解説）これが最も頻出のひっかけです。- 分類（Classification）：「犬か猫か」を当てる（答えがある＝教師あり）。
- クラスタリング（Clustering）：「似たもの同士」を集める（答えがない＝教師なし）。
この2つの用語の違いは必ず区別してください。
- × k-means法は、正解ラベルを用いて学習する
（解説）k-means法は教師なし学習なので、正解ラベルは使いません。
