機械学習とは?教師あり・教師なし・強化学習の違いと仕組み

この記事の要点

  1. 機械学習とは、コンピューターがデータから規則性を学び、新しいデータについて予測や判断をする技術。学び方で教師あり学習、教師なし学習、強化学習の3つに大きく分けられ、違いは学ぶときに使うデータと、何を手がかりに学ぶかにある。
  2. 人がルールを書くふつうのプログラムと違い、機械学習はルールを例のデータから学ぶ。機械学習はAIを実現する方法の1つで、ディープラーニングは多層のニューラルネットワークで学ぶ機械学習の手法の1つ。
  3. 仕組みは、データを集める、データを整える、訓練データで学習する、テストデータで評価する、新しいデータで予測する、の5つの段階。学習に使わなかったデータで評価するのは、例を丸暗記しただけのモデルを見分けるため。
  4. 教師あり学習は答えつきのデータで分類と回帰を、教師なし学習は答えのないデータでクラスタリングや次元削減を、強化学習は試行錯誤で報酬が多くなる行動を学ぶ。答えつきのデータがあれば教師あり、なければ教師なし、行動の良し悪しを点数にできれば強化学習が合う。
  5. 仕事で使うときの課題は、データの質と量、過学習、データの偏り、予測の理由の説明しにくさ、データの傾向の変化に合わせた学び直し。
  6. Pythonの scikit-learn でアヤメの花のデータから品種を決定木で当てると、テストデータ45件のうち44件が当たった。同じデータを答えなしで3つのグループに分ける教師なし学習も、数行のコードで試せる。
SHARE

機械学習とは、コンピューターがデータから規則性(パターン)を学び、その規則を使って新しいデータについて予測や判断をする技術です。 人がルールを1つずつ書く代わりに、たくさんの例からルールをコンピューター自身に見つけさせる点が、ふつうのプログラムとの違いです。 学び方によって、答えの付いたデータで学ぶ教師あり学習、答えのないデータから傾向を見つける教師なし学習、試行錯誤で行動を学ぶ強化学習の3つに大きく分けられます。

この記事では、機械学習の意味とAI・ディープラーニングとの関係、データを集めてから予測するまでの流れ、3つの種類の違いと選び方、代表的な手法、活用例と課題を説明します。 Pythonで実際に動かしたコードとその結果、学び方も載せています。 3つの種類を社内研修で説明する動画の作例もあります。 研修の資料からNoLangで作った動画で、テンプレートから同じ構成の動画を作れます。

機械学習とは

データからルールを学ぶ技術

迷惑メールの判定を例に、ふつうのプログラムと機械学習の違いを見てみます。

ふつうのプログラムでは、「件名に『当選』が入っていたら迷惑メールにする」のように、判定のルールを人が考えて書きます。 迷惑メールの書き方が変わるたびに、人がルールを足したり直したりしなければなりません。

機械学習では、「迷惑メール」「迷惑メールではない」と印を付けたメールをたくさん用意してコンピューターに読ませ、どんな単語を含み、どんな送り主から届いたメールが迷惑メールになりやすいかを、データから学ばせます。 学んだ結果できあがる、入力から答えを出すための仕組みを「モデル」と呼びます。 新しいメールが届くと、モデルがそのメールを迷惑メールかどうか判定します。

ふつうのプログラムと機械学習の違い
項目ふつうのプログラム機械学習
ルールを作るもの人コンピューター(データから学ぶ)
用意するもの判定のルール例になるデータ
向いている処理手順を言葉で書ける処理ルールを書き切れない判断や予測
状況が変わったとき人がルールを書き直す新しいデータで学び直す

総務省の『情報通信白書』(令和元年版)は、機械学習の仕組みを「学習」と「推論」の2つに分けて説明しています。 学習は、データを分析して、見分けたり予測したりするためのパターンを作る段階で、できたパターンを「学習済みモデル」と呼びます。 推論は、学習済みモデルに新しいデータを入れて、答えを出す段階です。

機械学習の定義

機械学習という言葉は、1959年に発表されたアーサー・サミュエルの論文「Some Studies in Machine Learning Using the Game of Checkers」の題名にも使われています。 この論文でサミュエルは、チェッカー(西洋の盤上のゲーム)を指すプログラムが、プログラムを書いた本人より強く指せるまで学習できることを示しました。

教科書『Machine Learning』(1997年)の著者トム・ミッチェルは、機械学習を「経験を通じて自動的に性能が上がるコンピューターのアルゴリズムの研究」と説明しています。 ミッチェルは2006年の文書「The Discipline of Machine Learning」で、これを次のように言い換えています。 あるタスクTについて、経験Eを積んだ後に、性能の指標Pで測った成績が確かに上がるなら、そのシステムは学習している、という定義です。 迷惑メールの例に当てはめると、Tは迷惑メールの判定、Eは印を付けたメールのデータ、Pは判定の正解率になります。

AI・ディープラーニング・生成AIとの関係

機械学習は、AI(人工知能)を実現する方法の1つです。 AIは、人が頭で行う見分け、判断、言葉の理解などを、コンピューターで実現する技術の総称で、人が書いたルールで動くものも含みます。 総務省の『情報通信白書』(令和元年版)は、最近のAIの中心は機械学習だとしたうえで、機械学習はAIの手法の1つで、AIと同じ意味ではないと説明しています。

ディープラーニング(深層学習)は、人の脳の神経細胞のつながりを手本にしたニューラルネットワークを何層にも重ねて使う、機械学習の手法の1つです。 ほかの手法では、何に注目して見分けるか(特徴量)を人が選ぶことが多いのに対し、ディープラーニングは注目する特徴もデータから学びます。 画像、音声、文章のように、注目する点を人が言葉で決めにくいデータで力を発揮します。

生成AIは、学んだデータのパターンをもとに、文章、画像、音声、動画などの新しいデータを作るAIです。 Googleの機械学習の入門講座は、教師あり学習、教師なし学習、強化学習と並べて、生成AIを機械学習の種類の1つに挙げています。

AI、機械学習、ディープラーニング、生成AIの関係
用語指すもの関係
AI(人工知能)人の知的な働きをコンピューターで実現する技術の総称いちばん広い
機械学習データから規則を学んで予測や判断をする技術AIを実現する方法の1つ
ディープラーニング多層のニューラルネットワークで学ぶ機械学習機械学習の手法の1つ
生成AI学んだパターンから新しい文章や画像を作るAI機械学習で作るAIの1つ

機械学習の仕組み

機械学習で予測ができるようになるまでの流れは、大きく5つの段階に分けられます。

  • 1. 問題を決めて、データを集める:何を予測したいかを決め、その手がかりになるデータを集めます。教師あり学習では、1件ごとに答え(ラベル)を付けます。
  • 2. データを整える:抜けや誤りを直し、予測の手がかりにする項目(特徴量)を選んで、コンピューターが計算できる数値の形にします。
  • 3. 学習する:データの一部(訓練データ)をモデルに読ませ、モデルの予測と答えのずれ(誤差)が小さくなるように、モデルの中の数値(パラメーター)を少しずつ調整します。
  • 4. 評価する:学習に使わなかったデータ(テストデータ)でモデルに予測させ、正解率などで性能を確かめます。
  • 5. 予測に使う:性能を確かめたモデルに新しいデータを入れて、予測や判断をさせます(推論)。データの傾向が変わってきたら、新しいデータで学び直します。

4の評価で、訓練データとは別のデータを使うのには理由があります。 学習に使ったデータで成績を測ると、例を丸暗記しただけのモデルでも成績が良く見えてしまうからです。 機械学習のモデルに求められるのは、初めて見るデータでも当たることです。

迷惑メールの判定に当てはめると、主な用語は次のようになります。

機械学習の主な用語(迷惑メールの判定の例)
用語意味迷惑メールの例
特徴量予測の手がかりにする項目件名の単語、送り主、本文のリンクの数
ラベル当てたい答え迷惑メールかどうか
訓練データ学習に使うデータ印を付けた過去のメール
テストデータ評価だけに使うデータ学習に使わず取っておいたメール
モデル入力から答えを出す仕組み迷惑メールかどうかを判定する仕組み
推論モデルで新しいデータの答えを出すこと届いたメールを判定する

機械学習の3つの種類

機械学習の学び方は、教師あり学習、教師なし学習、強化学習の3つに大きく分けられます(総務省『情報通信白書』令和元年版)。 違いは、学ぶときに使うデータと、何を手がかりに学ぶかです。

機械学習の3つの種類
種類使うデータ学ぶこと主な使い道例
教師あり学習答えつきのデータ入力から答えを出す規則分類、回帰迷惑メールの判定、売上の予測
教師なし学習答えのないデータデータの中の集まりや構造クラスタリング、次元削減顧客のグループ分け
強化学習行動とその報酬報酬が多くなる行動のしかたゲーム、ロボットの制御囲碁のAI、ロボットの歩き方

教師あり学習

教師あり学習は、答え(ラベル)の付いたデータから、入力と答えの関係を学ぶ方法です。 答えの付いた問題集で練習して、初めての問題も解けるようになるのに似ています。

教師あり学習で解く問題は、大きく分類と回帰の2つです。

  • 分類:データがどのグループに入るかを当てます。迷惑メールかどうか、写真に写っているのが犬か猫か、のような問題です。
  • 回帰:数値を当てます。来月の売上、住宅の価格、明日の気温のような問題です。

答えを付ける作業(ラベル付け)には人の手がかかり、付けた答えの正しさがモデルの正しさを左右します。

教師なし学習

教師なし学習は、答えのないデータから、データの中にある似たものの集まりや構造を見つける方法です。 主に次のような使い方をします。

  • クラスタリング:似たデータどうしをグループに分けます。購買の履歴から顧客をいくつかのグループに分け、グループごとに案内を変える、といった使い方です。
  • 次元削減:たくさんの項目を、情報をなるべく残したまま少ない項目にまとめます。データを図にして眺めるときや、ほかの手法にかける前の下ごしらえに使います。
  • 異常検知:大多数と違う動きのデータを見つけます。カードの不正利用や、機械の故障の兆しを見つけるのに使います。

教師なし学習で分けたグループの意味は、コンピューターが教えてくれるわけではありません。 「よく買う人」「たまにまとめ買いする人」のような意味は、分けた結果を見て人が読み取ります。

強化学習

強化学習は、試行錯誤しながら、行動の結果として得られる報酬(点数)が多くなる行動のしかたを学ぶ方法です。 正解を1つずつ与えなくても、勝ち負けのように結果の良し悪しを点数で表せれば学べるのが特徴です。

強化学習では、次の言葉を使います。

強化学習の用語(囲碁の例)
用語意味囲碁の例
エージェント行動を学ぶもの碁を打つプログラム
環境エージェントが働きかける相手碁盤と対戦相手
状態いまの環境のようすいまの盤面
行動エージェントが選ぶ動き次に石を置く場所
報酬行動の結果の良し悪しを表す点数勝てばプラス、負ければマイナス
方策(ポリシー)状態ごとにどう行動するかの決め方盤面ごとの打ち方

DeepMind(いまの Google DeepMind)の囲碁のプログラム AlphaGo は、まず何千もの人の対局から打ち方を学び、その後、自分自身と何千回も対局して、そのたびに誤りから学ぶ強化学習で強くなりました。 2016年3月には、韓国のソウルで、世界のタイトルを18回獲得したイ・セドル氏に4勝1敗で勝っています。

AlphaGoは、人の対局からの教師あり学習と、自分との対局からの強化学習を組み合わせて、ディープラーニングのモデルを学習させています。 このように、強化学習にディープラーニングを組み合わせた方法を深層強化学習と呼びます。

半教師あり学習と自己教師あり学習

3つの種類のほかに、教師あり学習と教師なし学習の間に当たる学び方もあります。

  • 半教師あり学習:答えの付いたデータと、答えのないデータを一緒に使って学びます。答えを付ける手間を、一部のデータだけに抑えられます。
  • 自己教師あり学習:答えのないデータから、データ自身を使って問題と答えを作って学びます。たとえば文章の一部の単語を隠し、前後の文から隠した単語を当てさせます。

自己教師あり学習では、人が答えを付けなくても、大量の文章や画像からそのまま学べます。 Googleが2018年に公開した言語モデル BERT は、文章の単語の一部を隠して当てる方法で事前学習をしています。

どの種類を使うか

どの学び方を使うかは、手元にあるデータと、やりたいことで決まります。

手元のデータとやりたいことから選ぶ
手元のデータとやりたいこと合う種類例
答えつきのデータがあり、その答えを当てたい教師あり学習解約しそうな顧客を当てる
答えはないが、データの傾向や分け方を知りたい教師なし学習顧客を似た者どうしに分ける
行動の良し悪しを点数で表せて、試行錯誤できる強化学習ゲームの攻略、ロボットの動き方
答えつきのデータは少しで、答えのないデータが多い半教師あり学習一部だけ分類した問い合わせのメールを分ける

動画で見る機械学習の3つの種類

「機械学習の3つの種類」で説明した教師あり学習、教師なし学習、強化学習の違いと使い分けを、社内のAI研修で社員に伝える動画にした作例です。 入力には、研修用に作った8枚のPowerPointの資料(スライドごとのノート付き)を使いました。

動画(3分18秒)は、次の順に進みます。

  1. 迷惑メールの判定、顧客のグループ分け、囲碁の3つの例を見せ、どれもデータから学んでできるようになったことだと伝える
  2. 機械学習とは何かを、迷惑メールの判定を例に、人がルールを書くやり方と比べて説明する
  3. 学習の4つのステップを示し、学習に使っていないデータで確かめることが大事だと伝える
  4. 3つの学び方を並べてから、教師あり学習(分類と回帰)、教師なし学習(クラスタリングと異常検知)、強化学習(行動、結果、報酬のくり返し)を1つずつ説明する
  5. 3つの質問に答えると、どの学び方を使えばよいかが分かるクイズで締める

動画では資料のページをそのまま映さず、資料の説明と図をもとに、図とイラストで場面を組み立てています。

このテンプレートで作る

代表的なアルゴリズムと機械学習モデル

モデルを作るための計算の手順を、アルゴリズム(手法)と呼びます。 同じ教師あり学習でも、データの量や形、予測の理由を説明しやすいかどうかに合わせて手法を選びます。 よく使われる手法は次のとおりです。

代表的な機械学習の手法
手法種類しくみ使い道の例
線形回帰教師あり(回帰)入力と答えの関係を直線(一次式)で表す広告費から売上を予測
ロジスティック回帰教師あり(分類)あるグループに入る確率を求める解約するかどうか
決定木教師あり(分類、回帰)「はい」「いいえ」の質問を枝分かれさせて答えを出す判断の基準を見える形にする
ランダムフォレスト教師あり(分類、回帰)たくさんの決定木の答えを、多数決や平均でまとめる需要の予測
サポートベクターマシン教師あり(分類、回帰)グループの境目を、両側のデータから最も離れるように引く文書や画像の分類
k近傍法教師あり(分類、回帰)近くにあるk件のデータの答えから決める似た商品を探す
k平均法(k-means)教師なし(クラスタリング)データをk個のグループに分け、グループの中心を繰り返し計算し直す顧客のグループ分け
主成分分析教師なし(次元削減)多くの項目を、ばらつきをよく表す少ない軸にまとめるアンケートの項目をまとめる
ニューラルネットワーク教師あり、教師なし、強化学習神経細胞を手本にした計算の層をつなぐ画像認識、音声認識

ニューラルネットワークのうち、入力と出力の間に計算の層を重ねたものを多層パーセプトロン(MLP)と呼びます。 層をさらに深くしたものがディープラーニングです。

手法に沿ってデータから学び、入力から答えを出せるようになったものを、機械学習モデル(学習済みモデル)と呼びます。 手法はモデルの作り方で、モデルは学習でできあがったものです。 同じ手法でも、学ばせるデータが違えば、違うモデルになります。

機械学習でできること

機械学習は、すでに身の回りの多くのサービスで使われています。

機械学習の主な活用例
分野できること例
予測過去のデータから先の数値を予測する商品の需要、来店する客の数
時系列データの分析時間の順に並んだデータの変化から先を読む電力の使用量、設備の故障の兆し
画像認識画像に写っているものを見分ける製品の外観の検査、顔認証
音声認識話した言葉を文字にする動画の自動字幕、音声アシスタント
自然言語処理文章の意味を扱う翻訳、問い合わせの振り分け
レコメンド好みに合いそうなものを選ぶネットショップや動画サービスのおすすめ
異常検知いつもと違うデータを見つけるカードの不正利用の検知
制御状況に合わせて動き方を決めるロボット、ゲームのAI

YouTubeの自動字幕も、ヘルプで機械学習によって作られると説明されています。 自動字幕の付け方と直し方は、自動字幕の付け方で説明しています。

問い合わせに答えるチャットボットには、決めておいた質問と答えを返すものと、機械学習で質問の意味をとらえて答えるものがあります。 ChatGPTのような生成AIを使うチャットボットは、後者に当たります。

機械学習の課題

機械学習を仕事で使うときは、次の点に気をつけます。

  • データの質と量:モデルは、与えられたデータに含まれるパターンしか学べません。答えの誤りが多いデータや、量の少ないデータで学ぶと、予測も外れやすくなります。
  • 過学習:モデルが訓練データに合わせすぎて、新しいデータで当たらなくなることです。テストデータで成績を確かめる、データを増やす、モデルを単純にする、といった方法で防ぎます。
  • データの偏り:学習に使ったデータが偏っていると、モデルの判断も偏ります。人の採用や審査のように、人に関わる判断に使うときは、特定の人に不利な結果が出ていないかを確かめます。
  • 理由の説明しにくさ:複雑なモデルほど、なぜその答えになったのかを人が読み取りにくくなります。予測ごとに、各特徴量がどれだけ答えに効いたかを数値で示す SHAP のような方法が使われます。
  • 学び直し:世の中や業務が変わると、データの傾向も変わり、予測が当たりにくくなります。定期的に成績を確かめ、新しいデータで学び直します。

SHAP(SHapley Additive exPlanations)は、2017年に発表された、機械学習のモデルの出力を説明する方法です。 ゲーム理論の考え方を使って、1つの予測に対する特徴量ごとの影響の大きさを求めます。

Pythonで機械学習を試す

機械学習でよく使われるプログラミング言語がPythonです。 機械学習のためのライブラリ(便利な道具をまとめたプログラム)がそろっていて、短いコードで試せます。 はじめに試すなら、分類、回帰、クラスタリング、次元削減、モデル選択、前処理の機能を備えた scikit-learn(サイキット・ラーン)が使いやすいライブラリです。

教師あり学習を試す

scikit-learn に入っているアヤメの花のデータで、品種を当てるモデルを作ります。 データは150件で、1件ごとに、がく片と花びらの長さと幅の4つの特徴量と、3つの品種のどれかを表す答えが付いています。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# 1. データ:アヤメの花150件(4つの特徴量と、3つの品種の答え)
X, y = load_iris(return_X_y=True)

# 2. 訓練データとテストデータに分ける(テストデータは3割の45件)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 3. 学習:答えつきの訓練データから、品種を見分ける決定木のモデルを作る
model = DecisionTreeClassifier(random_state=0)
model.fit(X_train, y_train)

# 4. 評価:学習に使っていないテストデータで正解率を測る
print("正解率:", model.score(X_test, y_test))

# 5. 予測:新しい花の長さと幅(cm)から品種を当てる
print("予測:", load_iris().target_names[model.predict([[5.0, 3.4, 1.5, 0.2]])])

Python 3.11、scikit-learn 1.9.1 で動かした結果は次のとおりです。

正解率: 0.9777777777777777
予測: ['setosa']

テストデータ45件のうち44件の品種を当て、新しい花は setosa という品種だと予測しました。 コードのコメントの1〜5は、「機械学習の仕組み」で説明した5つの段階に当たります。

教師なし学習を試す

同じデータから答え(品種)を外し、4つの特徴量だけで、似た花どうしを3つのグループに分けます。

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans

# 答え(品種)は使わず、4つの特徴量だけを渡す
X, _ = load_iris(return_X_y=True)

# 似ている花どうしを3つのグループに分ける
kmeans = KMeans(n_clusters=3, n_init=10, random_state=0)
groups = kmeans.fit_predict(X)
print("グループ:", groups[:10], "…")
グループ: [1 1 1 1 1 1 1 1 1 1] …

最初の10件は、すべて同じグループ(1番)に分けられました。 グループの番号は区別のための番号で、そのグループがどの品種に当たるかは、結果を見て人が読み取ります。

試す環境

自分のパソコンで試すときは、Pythonをインストールしたあと、pip install scikit-learn を実行して scikit-learn を追加します。 大きなデータで学習するときや、作ったモデルを業務のシステムで動かすときは、Amazon SageMaker AI や Azure Machine Learning のようなクラウドのサービスも使われます。 どちらも、モデルを作って学習させ、本番で動かせる形にするまでをまとめて行えます。

機械学習の学び方

機械学習を学ぶ順番の一例です。

  • 1. 全体像をつかむ:この記事で説明した、機械学習の意味、仕組み、3つの種類を押さえます。
  • 2. Pythonの基本を覚える:変数、リスト、関数、ライブラリの読み込みが分かれば、上のコードを読めます。
  • 3. 手を動かす:scikit-learn のデータやチュートリアルで、分類、回帰、クラスタリングを試します。プログラマーなら、この段階から始めてもかまいません。
  • 4. 数学で理由を知る:手法の中身を理解したくなったら、そこで使われている数学を学びます。
  • 5. 深く学ぶ:ディープラーニングや強化学習など、使いたい分野の教科書や講座に進みます。

理論を体系的に学ぶ教科書には、クリストファー・ビショップの『Pattern Recognition and Machine Learning』(2006年)があり、パターン認識と機械学習の分野を広く説明しています。 日本語版は『パターン認識と機械学習』(上下巻、丸善出版)で、上巻の副題は「ベイズ理論による統計的予測」です。

学んだことを確かめる資格には、日本ディープラーニング協会(JDLA)のG検定とE資格があります。

JDLAのG検定とE資格
資格確かめる力受験の条件受け方
G検定AI・ディープラーニングの基礎知識と、事業での活用の方針を決める力制限なしオンライン(自宅)か会場
E資格ディープラーニングの理論を理解し、手法を選んで実装する力JDLA認定プログラムを試験日の過去2年以内に修了指定の試験会場

NoLangで機械学習を教える動画を作る

作例をお手本にして作る

上の作例の「このテンプレートで作る」を押すと、NoLangのホームで作例の動画が開き、その動画がお手本として入力欄に設定されます。 入力欄に、研修で扱いたいテーマ(たとえば生成AIの使い方や情報セキュリティの基本)、受講する人、伝えたい要点を書いて送信すると、作例の構成をもとにした動画ができます。

研修の資料から作る

手元に機械学習やAIの研修の資料(PDF、PowerPoint)があれば、その資料から動画を作れます。 NoLangのホームの「作り方を選んで始める」の並びにある「資料から作成」を押すと、「3ステップで資料から動画を作成」が開きます。 「資料をアップロード」でPDFかPowerPointのファイルを選び、「テンプレートを選択」で動画の見た目を選び、「指示を入力して動画生成」で、資料をどんな動画にしたいかを書いて生成します。

指示を入力する段階では、作り方を次の4つから選べます。

資料から動画を作るときの作り方
作り方動画の中身
全ページ解説資料のページを飛ばさずに、すべて解説する
要点のみ解説重要なページを選んで解説する
スピーカーノートPowerPointのノートを、そのまま読み上げる
台本を指定ページごとに指定した台本を読み上げる

研修の資料の説明がノートに書いてあるなら「スピーカーノート」、ページを飛ばさずに伝えたいなら「全ページ解説」が合います。

会社で機械学習の研修動画を使うには

社内のAI研修やDX研修の資料(PDF、PowerPoint)からナレーション付きの研修動画を作れば、社員がいつでも同じ内容を見て学べます。 法人向けの使い方は研修動画のページで紹介しています。 自社の研修の教材から動画を作れるかどうかはお問い合わせから相談でき、サービスの詳しい資料は下のボタンから請求できます。

資料をダウンロード

よくある質問

機械学習は英語で何と言いますか?
英語では machine learning と言い、ML と略します。総務省の『情報通信白書』(令和元年版)も「機械学習(マシーンラーニング、ML)」と書いています。英英辞典の Cambridge Dictionary は、machine learning を「コンピューターが新しいデータを分析して、作業をこなす力を自分で高めていく過程」と説明しています。
機械学習と統計学の違いは何ですか?
どちらもデータからルールやパターンを見つけてモデルを作る点は同じで、違いは目的にあるとよく言われます。野村総合研究所の用語解説は、統計学はデータの背景にあるルールを正しく説明できているかを重んじ、機械学習は新しいデータをより正しく予測できているかを重んじる、と説明しています。統計学の回帰モデルを予測に使うこともあり、はっきり線を引くのは難しくなっています。
機械学習を学ぶのに数学は必要ですか?
scikit-learn のようなライブラリでモデルを動かすだけなら、数学を深く学んでいなくても始められます。手法の中身を理解したり、モデルを改良したりするときは、データを行列として扱う線形代数、誤差を小さくする方向を求める微分、データのばらつきや予測の確からしさを扱う確率と統計を使います。
SHARE
NoLang サービスご紹介資料
資料ダウンロード

NoLangの導入を
ご検討中の方

NoLangを
ご利用中の方

\無料ですぐ試せる/ AIで動画を作ってみる