【第53回】AIはどうやって学ぶ？教師あり・教師なし・半教師あり学習とは
これまで「距離」というAIにとっての「定規」について学んできましたね。でも、定規があるだけではAIは賢くなれません。その定規を使って、どうやって「学習」し、ルールを見つけ出すのか？ここからがいよいよAIの心臓部、機械学習のメインストーリーです！
1. 読み方
教師あり学習 ＝ きょうしありがくしゅう
教師なし学習 ＝ きょうしなしがくしゅう
半教師あり学習 ＝ はんきょうしありがくしゅう
2. 意味（定義）
AIの「学習」とは、簡単に言うと「大量のデータから、共通するパターンやルールを見つけ出すこと」です。その学習方法には、大きく分けて3つのスタイルがあります。
① 教師あり学習（答え付きの勉強） 例えるなら、「解答集付きの参考書で勉強している状態」です。 「この写真（問題）は『犬』だよ」「この写真（問題）は『猫』だよ」という風に、正解（ラベル）がセットになったデータをAIに与えます。AIは「犬は耳がこうなっているな」と正解に近づくように学習し、新しい写真を見たときに「これは犬だ！」と予測できるようになります。
② 教師なし学習（自習・分類） 例えるなら、「バラバラに混ざった大量のレゴブロックを、自分で似たもの同士に分ける状態」です。 ここでは正解（答え）は一切教えられません。AIは「これは赤いし四角いからグループA」「これは青いし丸いからグループB」というように、データ自身が持つ特徴から似たもの同士をグループ分けします。これをクラスタリングと呼びます。教師なし学習には、このほかにもデータの構造を見つけたり、異常なデータを発見したりする手法があります。
③ 半教師あり学習（ちょっとだけヒントをもらう勉強） 例えるなら、「先生に数問だけ正解を教えてもらい、あとは自分で似た問題を解く状態」です。 正解付きのデータは用意するのが大変（コストがかかる）です。そこで、「少量の正解データ」で大まかな方向性を掴み、その後に「大量の正解なしデータ」を使って学習を深めるという、いいとこ取りの方法です。
3. 歴史・背景
昔のAIは、「もし〜なら、〜しなさい」というルールを人間がすべて手書きで書き込む方式でした（ルールベース）。しかし、この方法では「猫の定義」なんて複雑すぎて書ききれません。
そこで、「ルールは人間が教えるのではなく、データからAIに自分で見つけさせればいいじゃないか」という考え方が生まれました。これが「機械学習」の始まりです。
特に現代のAIにおいてこの使い分けが重要なのは、「正解ラベル（答え）」を付ける作業に膨大な人間の手間がかかるからです。
1万枚の写真に「これは犬」とタグを付けるのは大変（教師あり）
でも、写真を集めるだけなら簡単（教師なし）
この「コスト」と「精度のバランス」をどう取るかが、AI開発の歴史的な課題であり、進化のポイントになっています。
4. 比較・対比（似た用語との違い）
特によく混同される「教師あり学習」と「教師なし学習」の違いを整理しましょう。
【教師あり学習】
使うデータ： 「入力データ」＋「正解ラベル（答え）」のセット。
目的： 正解を当てること（予測・分類）。
イメージ： テスト勉強。答えを見て、正解率を上げていく。
【教師なし学習】
使うデータ： 「入力データ」のみ（正解はなし）。
目的： データの構造や特徴を発見すること（クラスタリング・次元削減・異常検知など）。
イメージ： 整理整頓。似たもの同士をまとめて、特徴を整理する。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① 迷惑メールフィルター（教師あり学習） 過去に人間が「これは迷惑メール」「これは大事なメール」とラベル付けした大量のメールをAIに学習させます。するとAIは、迷惑メール特有のキーワードやパターンを覚え、新しいメールが届いた瞬間に「これは90%の確率で迷惑メールだ！」と判定してくれます。
② お客さまのグループ分け（教師なし学習） ECサイトなどで、購入履歴だけがある大量のユーザーデータをAIに読み込ませます。AIは「このグループは週末にまとめ買いする人たち」「このグループは深夜にガジェットを買う人たち」という風に、人間が気づかなかった「共通点」でユーザーを自動的にグループ分け（クラスタリング）してくれます。
6. G検定での出題傾向
G検定では、「ある事例が出たときに、それがどの学習方法に該当するか」を問われる問題が非常に多いです。
チェックポイント1： 「正解ラベル（答え）」という言葉が出ているか？ → 出ていれば「教師あり」。
チェックポイント2： 「グループ分け」「構造の抽出」「クラスタリング」という言葉があるか？ → あれば「教師なし」。
チェックポイント3： 「少量のラベル付きデータ」と「大量のラベルなしデータ」を組み合わせて使うのは何か？ → 「半教師あり」。
定義を暗記するだけでなく、「この状況ならどっちの学習法を使うべきか？」という視点で問題を読んでください。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
入力データに対して、正解となるラベル（教師データ）をセットで与え、未知のデータに対して正解を予測させる学習手法はどれか？
A. 教師なし学習
B. 教師あり学習
C. 半教師あり学習
D. 強化学習
【問題2：頻出（特徴に関する問題）】
「顧客の購買履歴データを分析し、似た傾向を持つユーザーをいくつかのグループに自動的に分ける」というタスクに最も適した学習手法はどれか？
A. 教師あり学習
B. 教師なし学習
C. 回帰分析
D. 分類問題
【問題3：ひっかけ（勘違いしやすいポイント）】
半教師あり学習に関する記述として、適切なものはどれか？
A. 教師あり学習よりも学習精度が常に高くなるため、正解ラベルは不要である。
B. 正解ラベルがないデータのみを用いて、データの構造を抽出する手法である。
C. 少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習させる手法である。
D. 人間が正解を教えるのではなく、AIが試行錯誤して報酬を最大化させる手法である。
8. 7の例題の回答と解説
【問題1：回答】 B
【解説】 正解はBです。「正解となるラベル（教師データ）をセットで与える」という記述が最大のヒントです。正解がある状態で学ぶので「教師あり学習」となります。
【問題2：回答】 B
【解説】 正解はBです。この問題には「正解」が指定されていません。「似た傾向を持つユーザーをグループに分ける」というのは、データ自身の共通点を見つけ出す「クラスタリング」という作業であり、これは「教師なし学習」の代表的な例です。
【問題3：回答】 C
【解説】 正解はCです。
Aは間違い。ラベルがないと方向性が定まらないため、少量のラベルは必要です。
Bは「教師なし学習」の説明です。
Dは「強化学習」の説明です（報酬という言葉が出たら強化学習を疑いましょう！）。 半教師あり学習は、「少量の正解」＋「大量の正解なし」という組み合わせがポイントです。
9. Ankiアプリ用（CSV形式）
教師あり学習とはどのような学習方法か？,正解ラベル付きのデータを用いて、未知のデータの正解を予測する手法。
教師なし学習の目的は何か？,正解がないデータから、共通の特徴や構造（グループなど）を見つけ出すこと。
半教師あり学習が使われる主な理由は？,正解ラベル付きのデータを作成するコストが高いため、少量の正解データと大量の正解なしデータを併用するため。
教師なし学習の代表的なタスクは何か？,クラスタリング（似たもの同士をグループ分けすること）。
「迷惑メールか否かを判定する」のはどの学習手法か？,教師あり学習。
📝 総評・まとめ
お疲れ様でした！今回はAI学習の3つのスタイルについて学びました。 「正解があるか、ないか」というシンプルな違いですが、これがAIが実社会でどう使われるかを決める決定的な分かれ道になります。
✅ 絶対に覚えて！
教師あり ＝ 「正解（ラベル）」がある。目的は「予測」。
教師なし ＝ 「正解」がない。目的は「グループ分け（構造抽出）」。
半教師あり ＝ 「少量の正解」＋「大量の正解なし」のハイブリッド。
🚀 次回予告 さて、学習のスタイルは分かりましたが、具体的に「何を」予測するのでしょうか？ 「明日の株価」を当てるのと、「この写真は犬か猫か」を当てるのでは、AIの計算方法が全然違います。
【第54回】AIは数を予測する？種類を見分ける？回帰と分類とは
✅ この記事が役に立ったら「スキ」で応援してください！
あなたの応援が、次の解説を作るエネルギーになります！🚀
