2026.06.09

【G検定対策】機械学習の概要まとめ｜教師あり・教師なし・強化学習をつなげて理解する

seo-webmaster

プロモーションが含まれています

機械学習は、G検定で最初につまずきやすい分野のひとつです。

教師あり学習、教師なし学習、強化学習という言葉はよく出てきますが、それぞれを別々に覚えようとすると、分類・回帰・クラスタリング・報酬・代表的なアルゴリズムの関係が見えにくくなります。

大切なのは、「AIが何を手がかりに学習するのか」という視点で整理することです。

この記事では、機械学習の概要を、教師あり学習・教師なし学習・強化学習の違い、代表的な手法、G検定で問われやすいポイントとつなげて整理します。

ジャンプするもくじ

機械学習の概要とは？
G検定ではどう問われる？
まとめ
関連記事・おすすめ記事

機械学習の概要とは？

機械学習とは、コンピュータがデータからパターンやルールを見つけ、予測や分類、判断に活用する技術です。

従来のプログラムでは、人間がルールを細かく書きます。

一方、機械学習では、データをもとにAIが特徴や傾向を学習します。

たとえば、迷惑メール判定、画像分類、商品のおすすめ、売上予測などは、機械学習の考え方と関係しています。

機械学習を理解するときは、まず次の3つに分けると整理しやすくなります。

学習方法	何を手がかりにするか	代表例
教師あり学習	正解データ	分類、回帰
教師なし学習	正解なしのデータ	クラスタリング、次元削減
強化学習	報酬	行動の改善

つまり、機械学習は「AIがどのような情報をもとに学ぶのか」で分類できます。

機械学習とディープラーニングの違いを先に確認したい場合は、以下の記事も参考になります。

【G検定対策】機械学習とディープラーニングの違いをわかりやすく整理｜教師あり・教師なしも解説

教師あり学習は「正解を見ながら学ぶ」

教師あり学習は、入力データと正解データの組み合わせを使って学習する方法です。

たとえば、画像と「犬」「猫」という正解ラベルを一緒に与えることで、AIは画像の特徴と正解の関係を学びます。

教師あり学習では、主に次の2つが重要です。

種類	目的	例
分類	種類を分ける	犬か猫かを判定する
回帰	数値を予測する	売上や価格を予測する

分類は「どのクラスに入るか」を予測します。

回帰は「どのくらいの数値になるか」を予測します。

G検定では、分類と回帰の違いがよく混同されます。

「カテゴリを当てる」のが分類、「数値を予測する」のが回帰と整理すると理解しやすいです。

教師あり学習の基本を詳しく確認したい場合は、以下の記事がつながります。

【G検定対策】教師あり学習と教師なし学習とは？｜分類・回帰・クラスタリングの違いを整理

【G検定対策】教師あり学習の代表的なアルゴリズムを整理

教師なし学習は「正解なしで構造を見つける」

教師なし学習は、正解データを使わずに、データの中にある構造やまとまりを見つける方法です。

教師あり学習のように「これは犬です」「これは猫です」といった正解は与えません。

代わりに、データ同士の似ている点や違いをもとに整理します。

代表的な考え方は、クラスタリングと次元削減です。

手法	目的	例
クラスタリング	似たデータをグループに分ける	顧客を購入傾向で分ける
次元削減	データの特徴を少なく整理する	多くの特徴量を見やすくする

クラスタリングは、似ているデータをまとめる方法です。

次元削減は、複雑なデータを重要な特徴に絞って扱いやすくする方法です。

G検定では、教師なし学習を「正解がないデータから構造を見つける方法」として整理しておくと、分類や回帰との違いが見えやすくなります。

【G検定対策】教師なし学習の代表的な手法を整理

強化学習は「報酬をもとに行動を改善する」

強化学習は、AIが環境の中で行動し、その結果として得られる報酬をもとに、よりよい行動を学習する方法です。

教師あり学習のように、すべての行動に対して正解ラベルが用意されているわけではありません。

AIは、試行錯誤を通じて、報酬が大きくなる行動を学んでいきます。

強化学習では、次の用語がよく出てきます。

用語	意味
エージェント	行動する主体
環境	エージェントが行動する場
状態	現在の状況
行動	エージェントが選ぶ動き
報酬	行動の結果として得られる評価
方策	どの行動を選ぶかのルール
価値関数	状態や行動のよさを評価する考え方

強化学習は、ゲームAI、ロボット制御、推薦システムなどと関係します。

G検定では、教師あり学習や教師なし学習と比べて、「報酬をもとに行動を改善する」という点を押さえることが大切です。

【G検定対策】強化学習とは？｜報酬をもとに行動を改善する考え方を整理

3つの学習方法は何が違う？

教師あり学習、教師なし学習、強化学習は、すべて機械学習の一部です。

ただし、学習に使う手がかりが異なります。

学習方法	手がかり	目的	代表的なキーワード
教師あり学習	正解データ	予測する	分類、回帰
教師なし学習	正解なしのデータ	構造を見つける	クラスタリング、次元削減
強化学習	報酬	行動を改善する	エージェント、環境、報酬、方策

この3つは、次のように見ると整理しやすくなります。

正解がある

→

教師あり学習

正解はないが、データのまとまりを見たい

→

教師なし学習

行動の結果をもとに改善したい

→

強化学習

詳しい違いを確認したい場合は、以下の記事がつながります。

【G検定対策】教師あり学習・教師なし学習・強化学習の違いをわかりやすく整理

【G検定｜理解型予想問題】教師あり学習・教師なし学習・強化学習はなぜ混同する？

代表的な手法を整理する

機械学習の概要では、学習方法だけでなく、代表的な手法も合わせて整理しておくと理解しやすくなります。

分類	代表的な手法	押さえ方
教師あり学習	ロジスティック回帰、k-NN、SVM、決定木、ランダムフォレスト	分類・回帰に使われる
教師なし学習	k-means、階層的クラスタリング、PCA	まとまりや特徴を見つける
強化学習	Q学習	報酬をもとに行動を改善する

ここで重要なのは、手法名をバラバラに覚えることではありません。

「どの学習方法に属するのか」「何を目的に使うのか」をセットで整理することです。

たとえば、k-meansは教師なし学習のクラスタリング、PCAは教師なし学習の次元削減と整理できます。

一方、決定木やランダムフォレストは、教師あり学習の代表的な手法として出てきます。

予想問題で理解を深めましょう。

【G検定対策】教師あり学習の代表的なアルゴリズムを整理

【G検定対策】教師なし学習の代表的な手法を整理

どの記事から読むと理解しやすい？

機械学習の概要は、最初からすべての手法を覚えようとすると混乱しやすくなります。

まずは、全体像をつかみ、その後に教師あり学習、教師なし学習、強化学習へ進む流れがおすすめです。

【G検定対策】教師あり学習・教師なし学習・強化学習の違いをわかりやすく整理

G検定ではどう問われる？

G検定では、機械学習の概要は、用語の暗記だけでなく「どの手法がどの学習方法に属するか」という形で問われやすいです。

特に、次のような観点は押さえておきたいところです。

問われやすい観点	押さえ方
教師あり学習とは何か	正解データを使って学習する
分類と回帰の違い	分類はカテゴリ、回帰は数値を予測する
教師なし学習とは何か	正解なしでデータの構造を見つける
クラスタリングとは何か	似たデータをグループに分ける
次元削減とは何か	データの特徴を少なく整理する
強化学習とは何か	報酬をもとに行動を改善する
代表的な手法の分類	k-meansは教師なし、Q学習は強化学習など

機械学習の概要で混同しやすいのは、次のような組み合わせです。

混同しやすい用語	見分け方
分類・回帰	カテゴリか数値か
分類・クラスタリング	正解ありか、正解なしで分けるか
教師あり学習・教師なし学習	正解データの有無
教師あり学習・強化学習	正解ラベルか、報酬か
クラスタリング・次元削減	グループ分けか、特徴の整理か