分野別生成AIパスポート 用語集
機械学習の用語33語｜生成AIパスポート試験対策
機械学習は、生成AIを理解するための土台となる分野です。生成AIパスポート試験では、教師あり学習・教師なし学習・強化学習の3分類と代表的な手法の組み合わせ、1959年のアーサー・サミュエルによる定義、過学習とその対策（アーリーストッピング・正則化・ドロップアウト）がよく問われます。まず「3つの学習方法」を押さえ、次に「データの分け方と過学習」、最後に「パラメータや前処理などの周辺用語」の順で覚えると、知識が整理しやすくなります。
機械学習きかいがくしゅう★★★
機械学習とは、人がルールを一つひとつ書き込むのではなく、コンピュータが大量のデータから統計的な手法やアルゴリズムによって規則性を見つけ出し、予測や判断ができるようになる技術です。現在のAIの主流であり、ディープラーニングもその手法の一つに含まれます。
学習済みモデルがくしゅうずみもでる★★☆
学習済みモデルとは、大量のデータを使って学習を終えた結果として得られる、データに含まれるパターンや関係性を内部に取り込んだモデルのことです。英語ではPre-trained modelと呼ばれ、新しいデータを入力すると、学んだ規則性にもとづいて予測や分類、生成を行えます。
教師あり学習きょうしありがくしゅう★★★
教師あり学習とは、入力データと、それに対応する正しい答え（正解データ、ラベル）をセットにしてモデルに与え、入力から答えを導く関係を学ばせる機械学習の手法です。学習後は、初めて見るデータに対しても正解を予測できるようになり、分類や回帰の問題に広く使われます。
正解データせいかいでーた★★☆
正解データとは、機械学習で入力データに対応づけられる「正しい答え」のことで、教師データや正解ラベルとも呼ばれます。動物の写真に付ける「ネコ」「イヌ」といった名前がその典型例で、教師あり学習ではこの正解と入力の組を繰り返し学習することで、モデルが答えを導けるようになります。
分類と回帰ぶんるいとかいき★★☆
分類と回帰とは、教師あり学習が扱う代表的な2種類の問題です。分類は、入力が「ネコ」「イヌ」などあらかじめ決められたカテゴリのどれに当てはまるかを判定する問題で、回帰は、売上や気温のように連続した数値を予測する問題を指します。どちらも正解データを使って学習します。
教師なし学習きょうしなしがくしゅう★★★
教師なし学習とは、正解データ（ラベル）を与えずにデータだけをモデルに渡し、データの中に隠れている共通点や構造、パターンをモデル自身に見つけさせる機械学習の手法です。代表的な手法にはクラスタリングと次元削減があり、データの全体像をつかんだり、分析の前段階として使われたりします。
クラスタリングくらすたりんぐ★★★
クラスタリングとは、教師なし学習の代表的な手法で、正解ラベルを使わずに、似た特徴やパターンを持つデータ同士を自動的にまとめてグループ（クラスタ）に分ける技術です。データの傾向を理解したり、分析の手がかりを得たりするのに使われ、異常検知などにも応用されます。
異常検知いじょうけんち★★☆
異常検知とは、大量のデータから「通常のパターン」を学び、そこから大きく外れた珍しいデータや不自然な動きを見つけ出す技術です。公式テキストでは、クラスタリングによって得られるデータの類似性やパターンを生かせる用途の一つとして紹介されています。不正利用の発見や故障の予兆検知などに使われます。
次元削減じげんさくげん★★★
次元削減とは、教師なし学習の代表的な手法で、データが持つ多数の項目（次元・変数）を、できるだけ大事な情報を失わないように少数の項目にまとめ直す技術です。データの本質的な特徴だけを取り出せるため、可視化や分析がしやすくなり、計算コストの削減やモデルの性能向上も期待できます。
強化学習きょうかがくしゅう★★★
強化学習とは、達成したい目標を設定し、目標に近づく行動にはプラスの報酬、遠ざかる行動にはマイナスの報酬を与えることで、コンピュータが試行錯誤しながら最も良い行動の取り方を自ら身につけていく機械学習の手法です。正解データを与える教師あり学習とは異なり、報酬を手がかりに学習します。
報酬ほうしゅう★★☆
報酬とは、強化学習において、コンピュータが取った行動がどれだけ目標の達成に役立ったかを表す評価のことです。目標に近づく行動にはプラスの報酬、遠ざかる行動にはマイナスの報酬が与えられ、コンピュータは将来得られる報酬の合計をできるだけ大きくするように行動を選べるよう学習していきます。
方策と価値ほうさくとかち★★☆
方策と価値とは、強化学習で報酬を最大化するために使われる2つの基本概念です。価値は、ある状態やある行動がどれだけ良いか（将来どれだけ報酬が見込めるか）を示す指標で、方策は、それぞれの状態でどの行動を取るべきかを定めたルールを指します。両者を組み合わせて最適な行動を学びます。
半教師あり学習はんきょうしありがくしゅう★★☆
半教師あり学習とは、少量の正解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機械学習の手法で、教師あり学習と教師なし学習の中間に位置づけられます。すべてのデータにラベルを付ける必要がないため、人手によるラベル付けの手間やコストを大幅に減らせるのが利点です。
ノーフリーランチ定理のーふりーらんちていり★★☆
ノーフリーランチ定理とは、あらゆる問題に対して常に最高の性能を出せる万能なアルゴリズムやモデルは存在しない、という機械学習の大前提となる考え方です。1995年に提唱されました。ある分野で優れた手法は別の分野では性能が落ちるため、目的やデータに合わせて手法を選ぶことが大切だとされます。
訓練データくんれんでーた★★☆
訓練データとは、機械学習のモデルが学習するために実際に使うデータのことです。モデルは訓練データに含まれるパターンをもとに内部のパラメータを調整していきます。性能を確かめるための検証用データやテストデータとは役割が異なり、訓練データに合わせすぎると過学習が起こる点に注意が必要です。
検証用データけんしょうようでーた★★☆
検証用データとは、学習の途中でモデルの性能がどの程度かを確かめるために、学習に使うデータとは別に取り分けておくデータのことです。モデルはこのデータを学習には使わないため、未知のデータに対する実力の目安になります。過学習を防ぐアーリーストッピングでは、この検証用データでの成績を見て学習を止める時期を判断します。
テストデータてすとでーた★☆☆
テストデータとは、学習がすべて終わったモデルの最終的な実力を測るために使う、学習にも調整にも一切使っていないデータのことです。モデルにとって完全に初めて見るデータで評価することで、実際の運用時に未知のデータへどれだけ正しく対応できるか、つまり汎化性能を客観的に確かめられます。
過学習かがくしゅう★★★
過学習とは、機械学習のモデルが訓練データに過度に適合してしまい、訓練データでは高い精度を出せるのに、初めて見るデータ（未知のデータ）に対してはうまく予測できなくなる現象です。オーバーフィッティングとも呼ばれます。訓練データに含まれる偶然のクセやノイズまで覚え込んでしまうことが原因です。
学習不足がくしゅうぶそく★★☆
学習不足とは、機械学習のモデルがまだ十分に学習できておらず、データに含まれる規則性をつかみきれていない状態のことです。未学習やアンダーフィッティングとも呼ばれます。この状態のモデルは、訓練データに対しても未知のデータに対しても精度が低く、実用的な予測ができません。
汎化性能はんかせいのう★★★
汎化性能とは、機械学習のモデルが学習に使ったデータだけでなく、初めて見る未知のデータに対しても正しく予測・判断できる能力のことです。汎化能力とも呼ばれます。データ全体の規則性をうまくとらえた「汎化」の状態は、学習不足と過学習の中間にあり、機械学習で目指すべきゴールとされます。
ノイズのいず★★☆
ノイズとは、機械学習においてデータに含まれる、本質的なパターンとは関係のないランダムな変動やばらつき、誤りのことです。測定時の誤差や入力ミス、たまたま混じった余計な情報などが該当します。モデルがノイズまで学習してしまうと、訓練データには合っていても未知のデータに対応できない過学習の原因になります。
アーリーストッピングあーりーすとっぴんぐ★★★
アーリーストッピングとは、過学習を防ぐための手法の一つで、データの一部を検証用として取り分けておき、学習の途中で定期的にモデルの性能を確認しながら、最も良いタイミングで学習を打ち切る方法です。学習のし過ぎを防ぐことで、未知のデータにも対応できる汎化した状態のモデルを得られます。
正則化せいそくか★★★
正則化とは、機械学習で過学習を防ぐための手法の一つで、モデルが複雑になりすぎないように制約をかけることで、訓練データの細かなノイズまで覚え込むのを防ぐ方法です。具体的には、モデルのパラメータの大きさなどを制限し、適切な量の情報だけを学ぶようにすることで、未知のデータへの対応力を保ちます。
ドロップアウトどろっぷあうと★★★
ドロップアウトとは、ニューラルネットワークの過学習を防ぐ手法の一つで、学習の際に中間層（隠れ層）の人工ニューロンの一部をランダムに選んで一時的に無効化し、その出力を学習に使わないようにする方法です。特定のニューロンに頼りすぎる偏りを防ぐことで、モデルの汎化能力を高める効果があります。
パラメータぱらめーた★★★
パラメータとは、機械学習のモデルがデータから学習することで自動的に決まっていく内部の数値のことです。ニューラルネットワークでは、ニューロン同士のつながりの強さを表す重みなどが該当します。パラメータが多いほどモデルはより多くの情報を学べる一方、多すぎると過学習を起こしやすくなります。
ハイパーパラメータはいぱーぱらめーた★★★
ハイパーパラメータとは、機械学習のモデルが学習を始める前に、人が手動で設定・調整する値のことです。学習の速さ、学習を繰り返す回数、モデルの層の数などが代表例で、これを調整することで、モデルの複雑さや学習の進み方をコントロールできます。データから自動的に決まるパラメータとは区別されます。
損失関数そんしつかんすう★★☆
損失関数とは、機械学習のモデルが出した答えと正解とのずれがどれくらい大きいかを、一つの数値で表すための計算式のことです。この数値（損失）が小さいほどモデルの答えが正解に近いことを意味します。学習では、損失ができるだけ小さくなる方向へパラメータを調整していくため、学習の目標を示す物差しの役割を果たします。
転移学習てんいがくしゅう★★★
転移学習とは、ある問題を解くために学習させたモデルの知識（学習済みの重みなど）を、別の関連する問題に当てはめて活用する手法です。一から学習し直す必要がないため、少ないデータや短い時間でも高い性能を得やすくなります。学習した内容を応用・再利用できる点が大きな特徴です。
前処理まえしょり★★☆
前処理とは、集めたデータをそのまま学習に使うのではなく、モデルが扱いやすく学習しやすい形に整える工程のことです。画像データでは、サイズをそろえるリサイズ、値の範囲をそろえる正規化、データを水増しするデータ拡張などが代表的な手法です。前処理の良し悪しは、モデルの性能を大きく左右します。
正規化せいきか★★☆
正規化とは、データの前処理の一つで、項目ごとにばらばらな値の範囲や単位（尺度）を一定の基準にそろえ、モデルが学習しやすくするための処理です。たとえば0〜255の値をとる画像の色の数値を0〜1の範囲に変換するのが典型例です。公式テキストでは、画像データの前処理としてリサイズやデータ拡張と並んで挙げられています。
データ拡張でーたかくちょう★★☆
データ拡張とは、手元にあるデータに回転や反転、色の変更、ノイズの追加などの加工を施して、少しずつ異なる新しいデータを作り出し、学習データの量を増やす手法です。オーグメンテーションやデータの水増しとも呼ばれます。データを集め直さなくても、モデルに幅広いパターンを学ばせることができます。
データセットでーたせっと★★☆
データセットとは、AIが学習したり評価されたりするときに使う、目的に沿って集められ整理されたデータのまとまりのことです。画像とラベルの組、文章の集まり、音声データなど、形式はさまざまです。GPTシリーズはインターネット上の膨大なテキストからなる大規模なデータセットで学習しており、その規模が性能を大きく左右します。
モデルの評価もでるのひょうか★★☆
モデルの評価とは、学習や調整を終えたAIモデルが、どの程度正しく役に立つ結果を出せるかを確かめる工程のことです。公式テキストではファインチューニングの3ステップの最後として位置づけられ、学習に使ったものとは別の新しいデータセットで性能を測ることで、未知のデータへの対応力（汎化性能）を確認します。