機械学習（3つの学習分類）

📌

機械学習とは

機械学習（Machine Learning）とは、大量のデータからパターンや規則性をコンピュータが自動的に学び取り、予測や分類を行えるようにする技術です。人間が「こういう条件ならこう判断する」というルールを一つひとつプログラムに書く代わりに、データそのものからルールを見つけさせるのが最大の特徴です。

身近な例で考えると、子どもが犬と猫を見分けられるようになる過程に似ています。「耳の形がこうで、鳴き声がこうなら犬」と細かく教え込まなくても、たくさんの犬・猫の写真を見るうちに、自然と特徴をつかんで見分けられるようになります。機械学習も同じで、たくさんの例（＝データ）を与えると、その中の傾向を自分でつかんでいきます。

学習で作られた「判断のしくみ」をモデル（model）と呼びます。一度モデルを作れば、まだ見たことのない新しいデータに対しても予測ができます。迷惑メールの自動振り分け、商品のおすすめ表示、画像認識など、私たちの身の回りの多くのサービスで機械学習が使われています。上の図解は、機械学習が「学び方」によって3つに分類されることを一枚で整理したものです。

📌

3つの学習分類

機械学習は「どうやって学ぶか」によって、大きく次の3つに分類されます。「どの分類に属するか」「正解ラベルが必要か」が見分けのポイントです。

・教師あり学習：正解ラベル（＝答え）付きのデータを使い、入力から正解を当てる関係を学ぶ。例題と模範解答のセットで勉強するイメージ
・教師なし学習：正解ラベルのないデータから、似たもの同士のグループ分けや隠れた構造を自分で見つける。資料を「なんとなく似た者同士」に仕分けするイメージ
・強化学習：行動の結果として与えられる報酬（ごほうび）を手がかりに、報酬が最大になる行動を試行錯誤しながら学ぶ。ゲームで点数を稼ぐコツを練習で覚えるイメージ

見分けるポイントは「答え（ラベル）が用意されているか」です。答えがあれば教師あり、答えがなく構造を探すなら教師なし、答えはないが「報酬」という間接的なフィードバックで導くなら強化学習、と整理すると覚えやすいです。

📌

なぜ機械学習が必要か

なぜ機械学習が必要なのか、結論から言うと「人間がルールを書き切れない問題が世の中にはたくさんある」からです。

たとえば「迷惑メールを見分ける」プログラムを人が書こうとすると、「"安い" という単語が入っていたら迷惑」「送信者が知らない人なら迷惑」…と条件を列挙することになります。でも迷惑メールは無数のパターンがあり、条件を書き切ることは事実上不可能です。

機械学習を使えば、「迷惑メール」「通常メール」と正解のついた大量のメールデータをモデルに学ばせるだけで、人がルールを書かずに自動で判断できるようになります。
・画像認識（写真に何が写っているか）
・音声認識（話した言葉を文字にする）
・需要予測（明日の売上を予測する）
これらはすべて「ルールを手で書ける問題ではない」ため、機械学習が使われています。

📌

学習の流れ（データ→モデル→予測）

機械学習の全体の流れは大きく3段階に分けられます。

① データを用意する：学習に使う「例と正解（ラベル）」の組を集めます。データが多く・質が高いほど、よいモデルが作れます。
② モデルを学習させる：データをモデルに与え、正解との差（誤差）が小さくなるようにパラメータ（＝調整の数値）を繰り返し更新します。
③ 未知のデータで予測する：学習済みのモデルに、これまで見たことのない新しい入力を渡すと、予測や分類の結果が返ってきます。

なぜ「学習済みモデル」が重要かというと、一度作れば何度でも新しいデータに再利用できるからです。料理に例えると、「レシピ（＝モデル）」を一度完成させれば、その後は食材（＝新しいデータ）を変えて何度でも同じ料理が作れる、というイメージです。

📌

代表的なアルゴリズム

それぞれの学習分類には、目的に応じたアルゴリズム（＝学習の手順・方法）が用意されています。名前と「どの分類か・何をするか」を結びつけて覚えておくと整理しやすくなります。

教師あり学習の代表例:
・回帰分析：数値を予測する（例: 部屋の広さから家賃を予測）
・決定木：条件分岐（Yes/No）を木構造でたどって分類
・SVM（サポートベクターマシン）：データを最もきれいに分ける境界線を引く
・k近傍法（k-NN）：近くにある既知データの多数決で分類

教師なし学習の代表例:
・k-means（k平均法）：データを k 個のグループ（クラスタ）に自動で分ける
・主成分分析（PCA）：たくさんの特徴をなるべく情報を残して少数にまとめる（次元削減）

強化学習の代表例:
・Q学習（Q-learning）：各状態でどの行動がどれだけ得かを表す値（Q値）を更新して学ぶ
・深層強化学習：強化学習にニューラルネットワークを組み合わせた手法（囲碁AIなどで有名）