AI、ML、ディープラーニング — 入れ子構造と3つの機械学習パラダイム
ドメイン1の概要
ドメイン1はAIF-C01試験の20%を占めます。AI、ML、ディープラーニングの基本概念を理解する必要があります。コーディングは不要ですが、どのアプローチをいつ使用すべきかを見分けられる必要があります。
試験のコツ：このドメインでは「～に最も適した機械学習の種類はどれか」のような問題がよく出題されます。ユースケースに応じて適切なパラダイムを選択する必要があります。
1. AI vs 機械学習 vs ディープラーニング
これら3つの概念には入れ子の関係があります：
┌─────────────────────────────────────────────┐
│ 人工知能（AI） │
│ 「人間の知能を模倣する機械」 │
│ ┌───────────────────────────────────────┐ │
│ │ 機械学習（ML） │ │
│ │ 「明示的なプログラミングなしに │ │
│ │ データから学習」 │ │
│ │ ┌─────────────────────────────────┐ │ │
│ │ │ ディープラーニング（DL） │ │ │
│ │ │ 「多層のニューラルネットワーク」 │ │ │
│ │ └─────────────────────────────────┘ │ │
│ └───────────────────────────────────────┘ │
└─────────────────────────────────────────────┘
| 概念 | 定義 | 例 |
|---|---|---|
| AI | 広範な分野 — 通常は人間の知能を必要とするタスクを機械が実行 | チャットボット、自動運転車、チェスエンジン |
| ML | AIのサブセット — アルゴリズムがデータからパターンを学習 | スパムフィルター、レコメンドエンジン |
| DL | MLのサブセット — 多層のニューラルネットワーク | 画像認識、言語翻訳 |
試験における主な違い
- 従来のプログラミング：ルール + データ → 出力
- 機械学習：データ + 出力 → ルール（モデルがルールを学習）
- ディープラーニング：生データから自動的に特徴を抽出（手動の特徴量エンジニアリング不要）
2. 3つのMLパラダイム
2.1. 教師あり学習
モデルはラベル付きデータから学習します。各入力には正解の出力（ラベル/ターゲット）が付属しています。
| タスクの種類 | 出力 | ユースケース | アルゴリズム |
|---|---|---|---|
| 分類 | 離散的なカテゴリ | スパム vs 非スパム、不正検出 | ロジスティック回帰、ランダムフォレスト、SVM |
| 回帰 | 連続的な数値 | 住宅価格予測、株価予測 | 線形回帰、XGBoost |
試験のコツ：問題文に「カテゴリを予測」「分類」とあれば → 分類。「数値を予測」とあれば → 回帰。
2.2. 教師なし学習
モデルはラベルなしデータから学習します。データ中のパターンや構造を自ら発見します。
| タスクの種類 | 内容 | ユースケース |
|---|---|---|
| クラスタリング | 類似するデータポイントをグループ化 | 顧客セグメンテーション、文書のグループ化 |
| 次元削減 | 情報を保持しつつ特徴量を削減 | データの可視化、ノイズ除去 |
| 異常検出 | 異常なデータポイントを発見 | 不正検出、機器の故障 |
| アソシエーション | アイテム間のルールを発見 | 「Xを買った顧客はYも買った」 |
2.3. 強化学習（RL）
エージェントが環境内で試行錯誤を通じて学習します。各アクションに対して報酬（正）またはペナルティ（負）を受け取ります。
エージェント → アクション → 環境 → 状態 + 報酬 → エージェント（ループ）
ユースケース：
- ゲームAI（AlphaGo）
- ロボティクスのナビゲーション
- 自動運転
- AWS DeepRacer（自動運転カーシミュレーション）
2.4. 適切なパラダイムの選択 — 試験用決定木
ラベル付きデータがあるか？
├── はい → 教師あり学習
│ ├── カテゴリを予測？ → 分類
│ └── 数値を予測？ → 回帰
├── いいえ →
│ ├── グループやパターンを発見したい？ → 教師なし（クラスタリング）
│ └── 試行錯誤で学習？ → 強化学習
3. MLのデータ概念
3.1. データ型
| 型 | 説明 | 例 |
|---|---|---|
| 構造化 | 行と列で整理（表形式） | CSV、データベーステーブル、スプレッドシート |
| 半構造化 | ある程度の構造はあるが柔軟 | JSON、XML、ログファイル |
| 非構造化 | 事前定義されたフォーマットなし | 画像、動画、音声、自由テキスト |
| 時系列 | 時間でインデックスされたデータポイント | 株価、IoTセンサーの読み取り |
3.2. ラベル付き vs ラベルなしデータ
- ラベル付きデータ：各データポイントに正解（ラベル）が付属。例：メール + タグ「スパム」/「非スパム」。教師あり学習に使用。
- ラベルなしデータ：データのみでラベルなし。教師なし学習に使用。
- Amazon SageMaker Ground Truth：データのラベリングを支援するAWSサービス（人間 + ML支援によるラベリング）。
3.3. 訓練・検証・テストセット
┌────────────────────────────────────────────────┐
│ 全データセット（100%） │
├──────────────────┬──────────┬──────────────────┤
│ 訓練（70%） │ 検証(15%)│ テスト（15%） │
│ モデルがこの │ ハイパー │ 最終評価 │
│ データから学習 │ パラメータ│ （訓練中に一度も │
│ │ の調整 │ 見ていないデータ） │
└──────────────────┴──────────┴──────────────────┘
- 訓練セット：モデルがこのデータからパターンを学習
- 検証セット：ハイパーパラメータの調整と過学習防止に使用
- テストセット：最終評価 — モデルが一度も見たことのないデータ
4. ニューラルネットワークの基礎
4.1. アーキテクチャ
入力層 → 隠れ層 → 出力層
x₁ ──┐ ┌── h₁ ──┐
x₂ ──┼─────┼── h₂ ──┼──── ŷ（予測）
x₃ ──┘ └── h₃ ──┘
各接続には重み（w）がある
各ニューロンは活性化関数を適用
主要コンポーネント：
- 重み：訓練中にモデルが学習するパラメータ
- バイアス：活性化関数をシフトさせる追加パラメータ
- 活性化関数：ReLU、Sigmoid、Softmax — 非線形性を導入
- 損失関数：モデルの予測がどれだけ間違っているかを測定
- オプティマイザ：損失を最小化するために重みを更新（例：SGD、Adam）
4.2. ニューラルネットワークの種類
| 種類 | 最適な用途 | AWSサービス |
|---|---|---|
| CNN（畳み込みNN） | 画像、動画 | Amazon Rekognition |
| RNN/LSTM（再帰NN） | 系列データ、時系列 | Amazon Forecast |
| Transformer | NLP、テキスト生成 | Amazon Bedrock（LLM） |
| GAN（敵対的生成ネットワーク） | 新しいデータ（画像）の生成 | — |
5. モデル評価の概念
5.1. 過学習 vs 未学習
| 問題 | 訓練精度 | テスト精度 | 原因 | 解決策 |
|---|---|---|---|---|
| 過学習 | 非常に高い | 低い | モデルが訓練データを暗記 | データの追加、正則化、ドロップアウト、早期終了 |
| 未学習 | 低い | 低い | モデルが単純すぎる | 特徴量の追加、より複雑なモデル、訓練時間の延長 |
| 良好なフィット | 高い | 高い | バランスの取れた複雑さ | — |
5.2. バイアス-バリアンスのトレードオフ
- 高バイアス = 未学習（モデルが単純すぎてパターンを見逃す）
- 高バリアンス = 過学習（モデルが複雑すぎてノイズに敏感）
- 目標：バイアスとバリアンスの最適なバランスを見つけること
5.3. 一般的な評価指標
分類の指標：
| 指標 | 計算式 | 使用場面 |
|---|---|---|
| 正解率 | (TP + TN) / 全体 | バランスの取れたクラス |
| 適合率 | TP / (TP + FP) | 「正常なものをスパムと判定しない」 |
| 再現率 | TP / (TP + FN) | 「不正を見逃さない」 |
| F1スコア | 2 × (P × R) / (P + R) | 不均衡なクラス |
| AUC-ROC | ROC曲線下面積 | 二値分類全般 |
回帰の指標：
- RMSE（二乗平均平方根誤差）：大きな誤差にペナルティ
- MAE（平均絶対誤差）：平均的な誤差の大きさ
- R²：モデルが分散をどれだけ説明できるか（1.0 = 完璧）
6. 重要用語チートシート
| 用語 | 定義（試験用） |
|---|---|
| 特徴量 | 予測に使用される入力変数（データの列） |
| ラベル / ターゲット | モデルに予測させたい答え |
| ハイパーパラメータ | 訓練前に設定する設定値（学習率、エポック数） |
| パラメータ | 訓練中にモデルが学習する値（重み、バイアス） |
| エポック | 訓練データセット全体を1回通過すること |
| バッチサイズ | 重みを更新する前に処理するサンプル数 |
| 推論 | 訓練済みモデルを使って新しいデータの予測を行うこと |
| 転移学習 | 事前訓練済みモデルを新しいタスクに適応させること |
7. 練習問題
Q1：ある企業が、顧客がサブスクリプションを解約するかどうか（はい/いいえ）を予測したいと考えています。最も適切なMLアプローチはどれですか？
- A) 教師なし学習 — クラスタリング
- B) 教師あり学習 — 回帰
- C) 教師あり学習 — 分類 ✓
- D) 強化学習
解説：ラベル付きの履歴データを用いて二値の結果（はい/いいえ）を予測する = 教師あり分類。
Q2：小売企業が購買データを持っていますが、事前定義されたグループはありません。ターゲットマーケティングのために顧客をグループに分けたいと考えています。どのアプローチを使用すべきですか？
- A) 教師あり学習 — 分類
- B) 教師なし学習 — クラスタリング ✓
- C) 強化学習
- D) 教師あり学習 — 回帰
解説：ラベルなし + データ内の自然なグループを発見 = 教師なしクラスタリング。
Q3：あるモデルが訓練データで非常に良いパフォーマンス（精度99%）を示しますが、新しいデータでは低い結果（精度65%）となります。これは何と呼ばれますか？
- A) 未学習
- B) 過学習 ✓
- C) 高バイアス
- D) 正則化
解説：高い訓練精度 + 低いテスト精度 = 過学習（モデルが訓練データを暗記した）。