ITパスポート 令和3年度 問20：基礎理論に関する問題

答えは b です。

機械学習とは、コンピュータがたくさんのお手本を見て「自分で特徴をつかむ」ことです。

果物の写真を大量に見せると、コンピュータが「リンゴってこういう形・色だな」と自分で気づいていく（b）。これがまさに機械学習です。

👉 覚え方：機械学習＝「大量のお手本から、自分で特徴を学ぶ」。

ほかの選択肢：a の虹彩認証や c の指紋認証は、本人かどうかを"照合する"仕組みで、学習しているわけではありません／d は質問に会話で答えるチャットボットの話。どれも「自分で特徴を学ぶ」ところがないので、機械学習の例としてはピッタリではありません。

なぜこれが正解か

正解は b。機械学習は、大量のデータを入力するとコンピュータ自身がデータの特徴やパターンを自動的に抽出・学習する技術。果物の写真を大量に与えてコンピュータが特徴を自動抽出する事例は、まさに機械学習（特に特徴を自動獲得するディープラーニング）に該当する。

各選択肢の解説

• a 虹彩による認証：あらかじめ登録した虹彩と照合する生体認証。学習が主目的ではない。
• c 指紋によるロック解除：同じく登録データと照合する生体認証。
• d 文字入力に会話形式で応答：問合せ対応のチャットボット（対話システム）の事例。

覚え方・ひっかけ注意

機械学習のキーワードは「大量のデータ＋自動で特徴抽出」。a・c は認証（照合）、d は対話という別技術。「自分で特徴を学んでいるか？」を判断軸にすると識別しやすい。

理論的背景：機械学習の分類と学習メカニズム

機械学習は大きく教師あり学習・教師なし学習・強化学習の3種類に分類される。本問の「果物の写真を大量に与えて特徴を自動抽出」は教師あり学習（ラベル付き訓練データで学習）の典型例で、特に深層学習（ディープラーニング）の「特徴表現の自動学習（表現学習）」を示している。従来の機械学習では人間が手動で特徴量（色・形・テクスチャ等）を設計（特徴量エンジニアリング）する必要があったが、CNNを代表とするディープラーニングは畳み込み演算を通して生データ（ピクセル）から階層的に特徴を自動学習する。AlexNet（2012年）がImageNet競合でトップ精度を達成したことで、画像認識分野における深層学習の優位性が確立された。

生体認証との技術的な区別

選択肢a（虹彩認証）とc（指紋認証）は生体認証（バイオメトリクス）で、事前登録したテンプレートと入力データの照合が本質的な処理。内部に機械学習を含む実装（虹彩パターンの照合にCNNを使う等）は存在するが、問いが問う「コンピュータが大量データから特徴を自動学習した事例」としては不適切。認証システムは「1:1照合（本人かどうか）」または「1:N識別（誰かを特定する）」を目的とし、学習による汎化性能の向上を主目的としない点でbと本質的に異なる。

実務での使われ方

画像認識（CNN）は製造業の外観検査・医療診断（病理画像・X線・MRI）・自動運転の物体検出・セキュリティカメラの侵入検知に実用化。果物認識の商用事例としてはスーパーのセルフレジ（品目を自動認識して価格を出す）・農業での収穫ロボット（熟度判定・選別）がある。転移学習（大規模データセットで事前学習済みのモデルを少量データで微調整）により、少ない自社データでも高精度な認識モデルを構築できるため、製造現場での活用が急速に広まっている。

上位資格への接続

基本情報技術者では機械学習の3分類・CNN/RNN/LSTM の構造的違い・過学習と正則化（ドロップアウト・データ拡張）・訓練/検証/テストデータの分割目的・交差検証・混同行列（精度・再現率・F値）が問われる。応用情報以上ではXAI（説明可能AI）・フェアネス（AIバイアス）・フェデレーテッドラーニング・モデルの継続的学習（MLOps）まで踏み込む。

選択肢の発展補足

選択肢dのチャットボットは、ルールベース（キーワードマッチング）型と機械学習ベース（NLP/トランスフォーマー）型がある。現代のLLM（GPT-4・Claude等）は Transformer アーキテクチャに基づく大規模機械学習の産物であり、「チャットボット自体は機械学習の事例ではないか」という疑問が生じ得るが、本問の焦点は「コンピュータが大量データから自動で特徴抽出する事例」であり、「大量の果物写真→特徴自動学習」という明確な学習プロセスを示しているbが最も適切な事例として選ばれる。