基本情報 平成31年度 春期 問4：テクノロジ系に関する問題

答えは c です。

教師あり学習は、「これは犬、これは猫」と正解を教えてコンピュータに学習させる方法です。

テストの答え合わせと同じで、「合ってる」「間違ってる」を伝えれば、コンピュータは少しずつ賢くなって、知らないデータでも判定できるようになります。

👉 覚え方：教師あり＝先生（正解ラベル）あり。

ほかの選択肢：a 点数で学習＝強化学習（ゲームAIみたい）／b 過去の挙動から推論＝レコメンド系／d 正解なしでグループ分け＝教師なし学習。

なぜこれが正解か

正解は c。教師あり学習（Supervised Learning）は、入力データに正解ラベルを付けた訓練データを用いて、未知データの正解を予測できるよう学習する手法。問題文の「正解を提示／誤りを指摘して未知データの正誤を得る」がまさに定義。

各選択肢の解説

• a：行動への報酬で方策学習＝強化学習（Reinforcement Learning）。AlphaGoやロボティクスで活用。
• b：挙動データから次行動を推論：頻度ベースの推論で、機械学習の一部だが教師あり学習の定義ではない。
• d：正解なしで統計的にクラスタリング＝教師なし学習（Unsupervised Learning）。

覚え方・ひっかけ注意

機械学習の3分類：

• 教師あり：ラベル付きデータ。分類（Classification）／回帰（Regression）
• 教師なし：ラベルなし。クラスタリング／次元削減
• 強化学習：報酬最大化。行動学習

「正解を与える＝教師あり」が最も判別しやすいキーワード。

理論的背景

教師あり学習は、入力 x と教師信号 y のペア (x, y) から関数 f: X→Y を推定する問題。分類（カテゴリ予測）と回帰（連続値予測）に大別。代表アルゴリズム：

• 線形回帰・ロジスティック回帰：基本モデル、解釈性高い
• 決定木・ランダムフォレスト・XGBoost／LightGBM：表形式データで強力
• SVM（サポートベクターマシン）：マージン最大化
• ニューラルネットワーク・深層学習：画像・音声・自然言語処理
• k近傍法（k-NN）：シンプルだが計算コスト高

損失関数（交差エントロピー、MSE、Huber）を最小化するよう勾配降下法等で最適化する。

実務での使われ方

• 画像認識：CNN、ResNet、EfficientNet、ViTで物体検出・セグメンテーション
• 自然言語処理：BERT、GPT系のファインチューニング（分類・抽出）
• 需要予測・与信スコアリング・故障予測：表形式データでXGBoost等
• 医療画像診断・自動運転：教師ラベル付与のアノテーションコストが課題
• 半教師あり／自己教師あり学習：ラベル付きデータが少ない場合の発展手法

評価指標

• 分類：Accuracy、Precision、Recall、F1、ROC-AUC、PR-AUC
• 回帰：MAE、RMSE、R²、MAPE
• 過学習（Overfitting）対策：交差検証、正則化（L1/L2）、ドロップアウト、Early Stopping、データ拡張

試験での位置づけ

基本情報のAI分野で必出。応用情報・データサイエンティスト系資格では具体的アルゴリズム、評価指標、特徴量エンジニアリング、説明可能AI（XAI／SHAP／LIME）まで踏み込む。生成AI時代の前提知識として重要度上昇中。

選択肢の発展補足

強化学習はQ学習、SARSA、Policy Gradient、Actor-Critic、PPO、DQNなどの手法群。AlphaGo、自動運転、ロボット制御、LLMのRLHF（人間フィードバック強化学習）で利用される。教師なし学習はk-means、階層クラスタリング、DBSCAN、主成分分析（PCA）、t-SNE、UMAP、オートエンコーダ等。最近の生成AI（GPT、Stable Diffusion）は自己教師あり学習で大量無ラベルデータから学習する点で、3分類の境界が再編されつつある。