機械学習（Machine Learning）は、学習の手法によって大きく3つに分類されます。1つ目は、入力データと「正解ラベル（教師データ）」をセットで与えて学習させ、未知のデータの分類や予測を行う「教師あり学習」です。2つ目は、正解ラベルなしのデータからデータの構造やグループを自動で分類する「教師なし学習（クラスタリングなど）」です。3つ目は、コンピュータ（エージェント）が環境の中で試行錯誤を繰り返し、最も良い結果（報酬）が得られる行動パターンを学習する「強化学習（ゲームのAIや自動運転の制御など）」です。これらの手法は、予測したい目的や用意できるデータの種類に応じて選択され、現代のビジネスデータ分析や予測システムの根底を支えています。過去の大量データを学習アルゴリズムに流し込み、予測や分類を行うための数式モデルを決定します。その後、構築したモデルに新しいデータを入力することで、高精度な予測値を出力します。
試験におけるポイントは、機械学習の3つのアプローチ（教師あり学習、教師なし学習、強化学習）の定義と具体例を正しく区別できるようにすることです。例えば「迷惑メールの分類」や「住宅価格の予測」は正解データがあるため「教師あり学習」であり、「顧客データを購買傾向ごとにグループ分けする」のは「教師なし学習」である、といった事例との紐づけが問われます。また、機械学習の高度な発展形として、ニューラルネットワークを多層にした「ディープラーニング」があることも必須知識です。「教師あり学習」「教師なし学習」「強化学習」の3種類の学習モデルの定義と適用例を正しく紐付けられるようにすることが重要です。
AI、教師あり学習、教師なし学習、強化学習、ディープラーニング、ニューラルネットワーク