機械学習（Machine Learning）とは、コンピューターに「こういう場合はこう判断する」というルールを人が全部書く代わりに、たくさんの実例（データ）を見せて、コンピューター自身にルールやパターンを見つけさせる方法です。
身近な例
「差出人にこの単語が含まれていたら迷惑メール」というルールを人が書き続けるのは大変です。 その代わりに、過去に「迷惑メール」「正常なメール」と分類済みの大量のメールを機械学習モデルに見せると、 モデルは件名の傾向、リンクの数、送信元のパターンなど、人が気づきにくい特徴の組み合わせから 自分でルールを見つけ出し、新しいメールが届いたときにそれを迷惑メールかどうか判定できるようになります。
従来のプログラムとの違い
| 項目 | 従来のプログラム | 機械学習 |
|---|---|---|
| ルールの作り方 | 人がすべて条件分岐として記述する | データからモデルが自動的に見つける |
| 得意なこと | 条件が明確に定義できる処理 | 例外や表記ゆれが多く、ルール化しにくい判断 |
| 変化への対応 | 仕様変更のたびにコードを書き直す | 新しいデータを与えて再学習させる |
| 説明のしやすさ | どの条件で判定したか追いやすい | モデルによっては判断根拠が分かりにくい |
学習と予測の流れ
機械学習は大きく分けて「学習（トレーニング）」と「予測（推論）」という2つの段階で動きます。
- 01データ収集
判定したい対象の実例を大量に集める
- 02学習
データからパターンやルールをモデルが見つける
- 03モデル
見つけたパターンを保持した「予測の道具」ができる
- 04新しいデータへの予測
初めて見るデータに対しても判定・予測を行う
学習は基本的に一度だけ重い計算を行う工程で、予測（推論）はできあがったモデルを使って日常的に繰り返す工程です。
教師あり学習・教師なし学習・強化学習
機械学習にはいくつかの学習方式があり、どんなデータと目的を持っているかによって使い分けます。
| 項目 | 与えるデータ | 典型的な使い道 |
|---|---|---|
| 教師あり学習 | 正解ラベル付きのデータ | 迷惑メール判定、需要予測、画像分類 |
| 教師なし学習 | 正解ラベルのないデータ | 顧客のグループ分け、異常検知 |
| 強化学習 | 行動の結果得られる報酬 | ゲームAI、ロボット制御、対話モデルの調整 |
よくある誤解
機械学習は、人間のように「理解」して判断している
機械学習モデルの多くは、大量のデータの中にある統計的なパターンを見つけているだけで、 人間のような意味理解をしているわけではありません。学習データに偏りがあると、 一見もっともらしい理由で誤った判断をすることがあります。
データさえ大量にあれば、機械学習は自動的にうまくいく
データの量だけでなく、解きたい問題を正しく代表しているか（質）が重要です。 偏ったデータや誤ったラベルが多いデータでは、いくら量を増やしても精度は上がりにくく、 むしろ偏った判断を強化してしまうことがあります。
よくある質問
機械学習とディープラーニングは同じものですか？
ディープラーニングは機械学習の一手法です。機械学習という大きな枠組みの中に、決定木や線形回帰などの手法と並んで、ニューラルネットワークを何層にも重ねる「ディープラーニング」が含まれます。現在の生成AIの多くはディープラーニングをベースにしています。
機械学習にはどれくらいのデータが必要ですか？
手法や課題の複雑さによって大きく異なります。単純な分類であれば数百件でも成立することがありますが、大規模言語モデルの学習には数千億〜数兆語規模のテキストが使われています。重要なのは量だけでなく、解きたい問題を代表するデータであるかどうかです。
情報源
- What is Machine Learning?（Google Cloud）
- Artificial Intelligence Risk Management Framework（NIST）
