機械学習 入門
What is Machine Learning?
入門（プログラミング経験者向け）
この章について
入門では、機械学習の全体像を把握する。「学習」とは何か、なぜデータから学習できるのか、どのような種類の問題があるのかを理解する。数式は最小限にとどめ、直感的な理解を優先する。Python 環境を整え、簡単な例を動かすところまでが目標である。
前提知識
- Python の基本（変数、関数、ループ）
- 高校数学（関数、グラフ）
- データを扱った経験があると望ましい
目次
主要な概念
機械学習の定義（Mitchell, 1997）
「コンピュータプログラムが、あるタスク T と性能指標 P に関して、経験 E から学習するとは、E によって T における P が改善されることをいう。」
教師あり学習
入力 $x$ と出力 $y$ のペア $\{(x_i, y_i)\}$ が与えられ、未知の入力に対する出力を予測する関数 $f: x \mapsto y$ を学習する。
汎化
訓練データだけでなく、未知のデータに対しても良い性能を発揮する能力。機械学習の最も重要な目標。
過学習（オーバーフィッティング）
訓練データに適合しすぎて、未知のデータへの汎化性能が低下する現象。モデルが複雑すぎるときに起きやすい。
このレベルで理解できること
問題の定式化
「この問題は回帰か分類か」「教師ありか教師なしか」を判断できるようになる。
データの重要性
データの量と質が学習性能を左右することを理解。「ゴミを入れればゴミが出る」。
バイアスとバリアンス
モデルの複雑さと性能のトレードオフを直感的に理解。
実装の第一歩
scikit-learn を使った基本的な機械学習パイプラインを実行できる。
学習のポイント
- 概念を先に：数式より先に「何をしているか」を理解する
- 手を動かす：コードを実行し、結果を観察する
- 可視化：データとモデルをグラフで確認する習慣をつける
- 失敗を経験：過学習を実際に起こしてみる
よくある質問
Q. 機械学習とは何ですか？
コンピュータがデータからパターンを自動的に発見し、未知のデータに対して予測を行う技術である。従来のプログラミングでは人間がルールを書くが、機械学習ではデータと正解からコンピュータが自らルール（モデル）を学習する。
Q. 機械学習にはどのような種類がありますか？
大きく3つに分類される。正解付きデータから学ぶ「教師あり学習」、正解なしでパターンを発見する「教師なし学習」、試行錯誤で最適な行動を学ぶ「強化学習」である。さらに深層学習や生成AIなどの発展的な手法もある。
Q. 機械学習を始めるには何が必要ですか？
Pythonの基本的な知識と高校数学の理解があれば始められる。環境としてはNumPy、Pandas、Matplotlib、scikit-learnなどのライブラリと、Jupyter Notebookを用意するのが一般的である。本入門シリーズでは環境構築から最初の機械学習プログラムの実行までを順を追って解説している。
参考資料
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
- 機械学習 — Wikipedia
- 教師あり学習 — Wikipedia
- 教師なし学習 — Wikipedia
- 強化学習 — Wikipedia