人工知能研究は第1次AIブーム（探索・推論）と第2次AIブーム（知識表現・エキスパートシステム）を経て、第3次AIブームの土台となる「機械学習」の時代に突入しました。
ここでは「ルールベースAIとの違い」「学習の種類」「応用例」などを整理し、G検定で頻出する観点を解説します。
機械学習とは？
機械学習（Machine Learning） とは、コンピュータが人間からルールを教え込まれるのではなく、データから自動的に規則やパターンを学習し、予測や分類を行う技術です。
ルールベースAIとの違い
- ルールベース：人間が「IF-THENルール」を作成 → 計算機がそれに従って動作。
- 機械学習：大量のデータを与える → 計算機がルールを「発見」してモデル化。
👉 試験頻出：「ルールベースAIと機械学習の違い」を問う問題。
学習の種類
1. 教師あり学習（Supervised Learning）
- 概要：入力（特徴量）と正解ラベル（教師データ）を使って学習。
- 代表例：
- 回帰（住宅価格予測、株価予測）
- 分類（スパムメール判定、画像認識）
- アルゴリズム例：線形回帰、ロジスティック回帰、SVM、決定木、ランダムフォレスト
2. 教師なし学習（Unsupervised Learning）
- 概要：正解ラベルなしのデータからパターンを見つける。
- 代表例：
- クラスタリング（顧客セグメンテーション、文書分類）
- 次元削減（PCA、t-SNE）
- 応用：データの可視化、異常検知
3. 強化学習（Reinforcement Learning）
- 概要：エージェントが環境と相互作用しながら「報酬」を最大化する行動を学習。
- 代表例：
- Q学習（表形式での学習）
- SARSA、Actor-Critic法
- 応用例：自動運転、ロボット制御、ゲームAI（Atari、囲碁）
機械学習の代表的応用例
- スパムメールフィルタ（ベイズ分類器）
- 手書き文字認識（SVMやk-NN）
- レコメンドシステム（協調フィルタリング、Matrix Factorization）
- 顔認識（特徴量抽出＋分類器）
- 音声認識（HMM＋機械学習モデル）
👉 今日のAIサービスの多くは「ディープラーニング以前」の機械学習に基づいて発展してきました。
機械学習の意義
- 「AIを人間が設計する」から「AIが自ら学習する」へ大きな転換。
- 特にビッグデータ時代に入り、データを資源とするAIが急速に拡大。
- ディープラーニング（深層学習）の基盤となる概念。
課題と限界
- 特徴量設計の難しさ
- 機械学習では「どのデータを使うか」を人間が工夫する必要がある。
- 例：顔認識なら「目・鼻・口の位置や比率」を特徴量に。
- データ依存
- 学習データの質が悪ければ、モデルの精度も低下。
- バイアスや不均衡データの影響を受けやすい。
👉 ディープラーニングは「特徴量設計を自動化」することで、これらの課題を突破した。
まとめ
- 機械学習は「データからパターンを学習するAI技術」。
- 3つの学習形態：教師あり／教師なし／強化学習。
- 応用例：スパム判定、文字認識、レコメンド、音声認識。
- ディープラーニング時代の基盤として重要。
出題傾向
- 「教師あり学習と教師なし学習の違い」
- 「ルールベースと機械学習の違い」
- 「強化学習の特徴」
練習問題（例題）
問題：次のうち「教師なし学習」の代表例として最も適切なものはどれか？
- 住宅価格を予測する回帰モデル
- スパムメールを分類する判別モデル
- PCAによる次元削減
- Q学習によるゲームAI
👉 正解：3
