教師なし学習とは
教師なし学習（Unsupervised Learning）とは、コンピュータに「正解（ラベル）」を与えず、「問題（入力データ）」だけを大量に与えて学習させる手法です。コンピュータはデータそのものが持つ特徴や構造を自ら分析し、似た者同士をグループに分ける（クラスタリング）ことや、データの規則性を発見することを行います。まだ正解がわかっていないデータの分析や、隠れた関係性を見つけるのに適しています。
具体例
ネットショップ（ECサイト）において、顧客の購買履歴データをもとに、「よく一緒に買われている商品のグループ」や「似たような買い物傾向を持つ顧客のグループ」を自動で分類し、お勧め商品を表示するレコメンド機能などに利用されます。
# グループ分け（クラスタリング）のイメージ
input_data = [顧客Aの購入履歴, 顧客Bの購入履歴, 顧客Cの購入履歴]
model = ClusteringModel()
groups = model.group_by_similarity(input_data)
# 結果: [グループ1: AとC, グループ2: B]もう少し詳しく
教師なし学習は、正解ラベルや目的変数の与えられていない入力データだけを用いて、データ自体に隠された構造やパターン、規則性、類似性を抽出する手法です。主なアプローチとして、データをいくつかの似たグループに分ける「クラスタリング（群画化）」と、データの次元（変数の数）を情報の損失を最小限に抑えながら減らす「次元削減（主成分分析など）」、データ同士の併発ルール（もしAを買ったらBも買うなど）を見つける「アソシエーション分析（関連性ルール分析）」があります。クラスタリングには、事前にグループ数を決めて分ける「k-means（k平均法）」や、樹形図のように階層を作っていく「階層的クラスタリング」などがあります。データの背景にある本質的な特徴を可視化したり、顧客セグメンテーションを行ったりする際に非常に有用な手法です。
試験でのポイント
試験では、教師あり学習との明確な違いである「正解（ラベル）が与えられない」という点と、代表的なアプローチである「クラスタリング」の概念がよく問われます。特に、ネットショップの購買行動分析における「レコメンデーション（関連購買の発見）」や「マーケットバスケット分析」が、教師なし学習のアソシエーション分析に該当することを理解しておく必要があります。また、k-meansなどの具体的なアルゴリズム名が教師なし学習に属することを選択肢から見極められるようにしておきましょう。
関連する用語
クラスタリング（データを似た性質のグループに分ける手法）、アソシエーション分析（データ間の関連性を明らかにする手法）、次元削減（複雑なデータを圧縮して扱いやすくする手法）。