機械学習

大原夢乃

機械学習は、コンピュータがデータから特徴や規則性を学び、予測や判断などに活用する技術です。
人が経験を通して傾向を覚え、その後の判断に役立てるように、コンピュータにも学習する能力を持たせようとする考え方ですね。
AIを実現するための技術の一つで、画像の認識、売上の予測、迷惑メールの判別など、さまざまな場面で使われています。

大原夢乃

例えば、お店の来客数を予測したいとしましょう。
過去の曜日や気温、実際の来客数などのデータを使って、「どのような条件のときに、お客さんが増えるのか」という傾向を学習させます。

大原夢乃

はい。そうした関係を、データから見つけていくイメージですね。
人がすべての判断のルールを一つずつ決める方法に対し、機械学習では、データを使って予測や判断の仕組みを作ります。

大原夢乃

このような予測や判断を行う仕組みを、モデルといいます。
学習では、データを使ってモデルを作成・調整し、新しいデータに対しても役立つようにしていきます。

大原夢乃

そうですね。
そして、学習したモデルに、予測したい日の曜日や気温などを入力して、来客数を予測します。学習したモデルを使って、新しいデータについて予測や判断を行うことを、推論といいます。

大原夢乃

はい。
また、曜日や気温など、予測や判断の手掛かりとして入力に使うデータの特徴を、特徴量といいます。

大原夢乃

その理解で大丈夫です。
ただし、機械学習は、データを与えれば必ず正しい答えが出るというものではありません。学習に使うデータの内容や質も、結果に影響します。

大原夢乃

機械学習には、学び方の違いによって、教師あり学習・教師なし学習・強化学習などがあります。
ここからは、それぞれの違いを見ていきましょう。

大原夢乃

次は、教師なし学習です。
教師なし学習は、正解のラベルを与えず、データに含まれる特徴や構造、規則性を見つける学習方法です。

大原夢乃

はい。
例えば、データ同士の似ている点を調べて、似たものを同じグループにまとめることができます。この処理を、クラスタリングといいます。

大原夢乃

お店の顧客を例に考えてみましょう。
購入金額や購入頻度などのデータを使って、買い方が似ている顧客を、同じグループにまとめます。

大原夢乃

そうですね。
グループに分けた後で、それぞれの特徴を調べると、そのような傾向が見つかることがあります。顧客の特徴に合わせた商品紹介や、販売施策を考える手掛かりになります。

大原夢乃

そこは、区別して覚えたいところですね。
教師あり学習の分類では、「犬」「猫」などの正解のラベルを使って、どのカテゴリに属するかを学習します。

大原夢乃

一方、クラスタリングでは、各データに「このグループが正解」というラベルを与えず、データ同士の類似性を基にグループを作ります。

大原夢乃

はい。
教師なし学習では、クラスタリングのほかに、次元削減もよく使われます。

大原夢乃

ここでの「次元」は、データを表す特徴量の数だと考えてください。
例えば、学校のテストで、国語・数学・英語・理科・社会の5科目の点数があるとします。
この場合、一人の成績を5つの数値で表していることになりますね。

大原夢乃

はい。では、この5科目の点数を、もっと少ない数値で表すことを考えてみましょう。
例えば、次のようにまとめます。

大原夢乃

この5つの点数を、文系3科目の平均点「80点」と、理系2科目の平均点「45点」という、2つの数値にまとめます。

大原夢乃

そうですね。
このように、重要な情報をできるだけ保ちながら、多くの特徴量を、より少ない特徴量で表すことを次元削減といいます。
ただし、平均点だけでは、それぞれの科目の詳しい点数までは分からなくなりますよね。
次元削減でも、特徴量を減らすことで、一部の情報が失われることがあります。そのため、何を分析したいのかに合わせて、重要な情報をできるだけ残すことが大切です。

大原夢乃

クラスタリングは、似ているデータをグループにまとめること。
次元削減は、多くの特徴量を、より少ない特徴量で表すこと。この違いも押さえておきましょう。

大原夢乃

それでは、今回の内容をまとめましょう。
機械学習は、コンピュータがデータから特徴や規則性を学び、予測や判断などに活用する技術でしたね。

大原夢乃

はい。学習したモデルを使って予測や判断を行うことを、推論といいます。
そして、今回学習した主な学習方法は、教師あり学習、教師なし学習、強化学習の3つです。

大原夢乃

そうですね。入力データと正解を組み合わせた教師データを使い、予測や分類のための規則性を学びます。
数値を予測するのが回帰、どのカテゴリに属するかを判別するのが分類でした。

大原夢乃

その学習に必要な情報を準備するために、画像などのデータにラベルや注釈を付ける作業を何と言いましたか？

大原夢乃

そうですね。
次の教師なし学習は、正解のラベルを与えず、データに含まれる特徴や構造を見つける方法です。

大原夢乃

はい。顧客の購入傾向などを基に、似た顧客をグループに分ける、といった使い方があります。
また、多くの特徴量を、重要な情報をできるだけ保ちながら少ない特徴量で表すのが、次元削減でした。

大原夢乃

そのとおりです。
そして強化学習は、試行錯誤を繰り返し、行動の結果として得られる報酬を手掛かりに、行動の選び方を学びます。

大原夢乃

はい。
目先の報酬だけではなく、将来まで含めた報酬の合計が大きくなることを目指します。ゲームの攻略のほか、ロボットの制御などにも活用されます。

大原夢乃

試験では、用語を覚えるだけでなく、事例を読んで、どの学習方法にあたるかを判断できるようにしましょう。
正解付きのデータを使うのか、正解ラベルを使わず特徴を見つけるのか、行動の結果を報酬で評価するのかに注目すると、見分けやすくなります。

大原夢乃

はい。
あわせて、回帰と分類、分類とクラスタリングの違いも整理しておいてください。

大原夢乃

今日もお疲れさまでした。
それでは、確認問題に進みましょう。