用語比較
自己教師あり学習と教師なし学習の違い｜予測対象と学習目的で見分ける（G検定）
どちらも人が付けた正解ラベルを前提にしません。違いは学習中の答えです。自己教師あり学習はデータ自身から予測対象を作り、教師なし学習はデータの構造やまとまりを探します。
BERTは文章の一部を隠して元のトークンを予測し、k-means法や主成分分析は正解クラスを当てずに構造を取り出します。設問では問題文の定義を優先してください。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。
- 公式一次資料と照合した内容
- 教師なし学習がG検定の範囲にあることはJDLAの現行シラバス、BERTがラベルなしテキストの一部を隠して元のトークンを予測することはBERT原論文で2026-11-10に照合しています。
- 編集部が学習用に整理した内容
- 入力データから予測対象を作るか、未知の構造やまとまりを取り出すかで見分ける手順と、分類体系によって境界が変わり得るという整理は編集部の学習上の整理です。
資格ごとの公式資料の一覧
自己教師あり学習と教師なし学習の要点
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
自己教師あり学習
ラベルなしデータの一部を隠すなどして、入力データ自身から予測対象を作る。BERTでは選んだトークンの元の語彙IDを文脈から予測する。
教師なし学習
正解ラベルを使わず、データの隠れた構造やまとまりを探す。G検定ではクラスタリングと次元削減が代表的な手がかりになる。
違いを表で確認
| 比較軸 | 自己教師あり学習 | 教師なし学習 |
|---|---|---|
| 人が付けた正解ラベル | 使わない | 使わない |
| 学習中の答え | 入力データから作る。隠す前のトークンなど、照合できる予測対象がある | 既知の正解クラスを当てない。データの構造やまとまりを取り出す |
| 主な目的 | 後段のタスクにも使える表現を事前学習する | 未知のまとまりを見つける、または少ない軸へ表現し直す |
| このページでの代表例 | BERTのマスク言語モデル | k-means法のクラスタリング、主成分分析の次元削減 |
| 問題文の手がかり | 隠した部分を予測、元の値を復元、事前学習 | クラスタ、類似したまとまり、次元削減、構造発見 |
| 結果の確かめ方 | 作った予測対象とモデルの出力を比べる | 正解ラベルとの一致ではなく、得られた構造や表現を目的に照らして読む |
公式一次資料と照合：G検定の一次資料で確認一次資料の一覧を見る
G検定の学習に使う書籍（Amazon）
PR
どこで迷っているかを切り分ける
人手ラベルがない学習をすべて教師なしと覚えた人
大分類だけを見ると両方ともラベルなしデータを使います。ただし、設問が自己教師あり学習を別に挙げる場合は、入力の一部から予測対象を作る仕組みまで確認します。『人がラベルを付けていない』だけでは二つを区別できません。
BERTを教師なしのクラスタリングだと思っている人
BERTの原論文では、入力の一部をマスクし、周囲の文脈から元の語彙IDを予測します。文章を似たグループへ分ける課題ではありません。マスク前の値が答えになるため、クラスタリングとは学習目標が違います。
事前学習と下流タスクを一つの段階だと思っている人
BERTはラベルなしデータで事前学習した後、ラベル付きの下流タスクでファインチューニングできます。設問が聞いているのが事前学習の仕組みか、下流タスクでの調整かを分けて読みます。
具体例で使い分ける
編集部の整理
例 1
BERTで隠したトークンを予測する
ラベルなし文章のトークンから予測対象を選び、周囲の文脈だけで元のトークンを当てる場面です。
- BERTの原論文は、ラベルなしテキストから双方向の表現を事前学習すると説明しています。
- マスク言語モデルでは入力の一部を隠し、隠す前の語彙IDを予測します。答えは別の人が付けるのではなく、元の入力から得られます。
- 未知のグループを作ったり、特徴量を少ない軸へ射影したりする課題ではありません。
結論: 入力データ自身から予測対象を作っているため、このページの区別では自己教師あり学習です。
例 2
ラベルなしの顧客データをk-means法で分ける
正解となる顧客区分を先に付けず、特徴の近さにもとづいて顧客を複数のまとまりへ分ける場面です。
- 各顧客について、当てるべき既知の正解クラスは用意されていません。
- 目的は隠した値の復元ではなく、データ内部のまとまりを見つけることです。
- G検定のシラバスでは教師なし学習が試験範囲にあり、クラスタリングはその代表タスクとして学びます。
結論: 正解ラベルなしで未知のまとまりを探すため、教師なし学習のクラスタリングです。
例 3
多数の特徴量を主成分へまとめる
正解カテゴリを予測せず、多数の特徴量を分散の大きい少数の軸へ表現し直す場面です。
- 出力は正解ラベルや、隠す前の入力値ではありません。
- データの構造を使って表現を圧縮する次元削減の課題です。
- 『予測対象を入力から作る』という自己教師あり学習の手がかりはありません。
結論: ラベルなしデータの構造を取り出すため、教師なし学習の次元削減です。
問題文から答えを選ぶ手順
編集部の整理：入力データから予測対象を作るか、未知の構造やまとまりを取り出すかで見分ける手順と、分類体系によって境界が変わり得るという整理は編集部の学習上の整理です。
- 1
人手ラベルの有無だけで決めない
どちらも人が付けた正解ラベルなしで成立するため、ここだけでは区別できません。次に学習中の答えを確認します。
- 2
入力から予測対象を作るかを見る
一部を隠して元の値を当てる、次の要素を予測するなど、入力データから照合できる答えを作るなら自己教師あり学習を疑います。
- 3
構造発見かを確認する
未知のまとまり、クラスタ、少ない軸への表現、次元削減が目的なら教師なし学習です。
- 4
事前学習と後段を分ける
ラベルなしデータで表現を事前学習し、後からラベル付きデータでファインチューニングする場合は、どの段階について問われているかを読みます。
試験での見分け方
編集部の整理
- 1人がラベルを付けていないという共通点だけでは区別しない。
- 2入力データから照合できる予測対象を作るなら、自己教師あり学習を疑う。
- 3未知のまとまりを作るなら、教師なし学習のクラスタリング。
- 4少ない軸へ表現し直すなら、教師なし学習の次元削減。
- 5事前学習とファインチューニングを別の段階として読む。
- 6資料によって分類の置き方が異なり得るため、設問に書かれた定義を優先する。
誤答しやすい選択肢
ラベルなしなら必ず教師なし学習と答える
修正: 入力の一部から予測対象を作る説明があれば、自己教師あり学習を別の選択肢として確認します。
自己教師あり学習では答えが存在しないと考える
修正: 人が付けた答えはありませんが、隠す前の値などを入力から作り、モデルの出力と照合します。
BERTのマスク予測をクラスタリングと考える
修正: BERTは隠したトークンの元の語彙IDを予測します。データを未知のまとまりへ分ける課題ではありません。
主成分分析も隠した特徴量を復元すると覚える
修正: 主成分分析は分散を説明する少数の軸へ表現し直す次元削減です。予測対象を作る説明とは分けます。
事前学習とファインチューニングを同じデータで行うと思う
修正: BERTはラベルなしデータで事前学習でき、下流タスクではラベル付きデータで全パラメータをファインチューニングできます。
確認問題
Q1ラベルなし文章の一部を隠し、元のトークンを予測する学習は？
答え: 自己教師あり学習
答えを人が付けず、隠す前の入力から予測対象を作っているためです。BERTのマスク言語モデルが例です。
Q2正解グループを与えず、似たデータをk個のまとまりへ分ける学習は？
答え: 教師なし学習のクラスタリング
入力から答えを作って予測するのではなく、ラベルなしデータのまとまりを見つけています。
Q3多数の特徴量を少数の主成分へ表現し直す学習は？
答え: 教師なし学習の次元削減
正解ラベルや復元対象を当てるのではなく、データの構造を少数の軸で表します。
Q4BERTの事前学習後、ラベル付きの質問応答データで調整する段階は？
答え: 下流タスクでのファインチューニング
ラベルなしデータで行う事前学習とは別の段階です。設問がどの段階を聞いているかを確認します。
到達チェック
- 自己教師あり学習と教師なし学習の共通点を、人手ラベルを前提にしないことから説明できる
- 自己教師あり学習の予測対象が入力データ自身から作られると説明できる
- BERTのマスク予測とk-means法のクラスタリングを学習目的で区別できる
- クラスタリングと次元削減を教師なし学習の代表タスクとして説明できる
- 事前学習と下流タスクのファインチューニングを別段階として読める
関連ページで確認する
同じ資格で次に知りたいこと
- Permutation ImportanceとSHAPの違い｜特徴量の重要度を測る2つの方法（G検定）
Permutation ImportanceとSHAPの違いを、重要度の測り方、見る範囲（モデル全体か1つの予測か）、使うデータ、相関する特徴量の注意点で比較。G検定の説明可能AI（XAI）で問われる見分け方と確認問題まで、scikit-learn公式文書とSHAP論文で照合して整理します。
- 意味ネットワークとオントロジーの違い（G検定）
意味ネットワークとオントロジーの違いを、概念をつなぐ表し方と分野の概念を定義する考え方という役割、is-a関係・part-of関係、Cycプロジェクトとの位置づけで整理。G検定の確認問題つき。
- DPOとRLHFの違い｜報酬モデルと強化学習を使うかで見分ける（G検定）
DPO（Direct Preference Optimization）とRLHFの違いを、報酬モデルの有無、強化学習の使用、学習中のサンプリング、学習手順の複雑さで比較。どちらも人間の好みに言語モデルを合わせる方法です。G検定のRLHFの理解に役立つ見分け方と確認問題を、DPO原論文で照合して整理します。
よくある質問
Q自己教師あり学習と教師なし学習の最大の違いは？
このページでは、入力データから照合できる予測対象を作るかで区別します。自己教師あり学習は隠す前の値などを答えにし、教師なし学習のクラスタリングや次元削減はラベルなしデータの構造を取り出します。
Q自己教師あり学習は教師なし学習の一種ですか？
人手ラベルを使わない大分類では含めて説明されることがあります。一方、予測対象をデータ自身から作る点を強調して別に扱う説明もあります。設問が示す定義を優先してください。
QBERTのどこが自己教師ありですか？
ラベルなし文章の一部を隠し、隠す前の元のトークンを予測する点です。予測対象を人が付けず、入力データ自身から作れます。
Qk-means法は自己教師あり学習ですか？
このページの区別では教師なし学習です。正解グループを先に与えず、データの近さにもとづいて未知のまとまりを作ります。
QG検定のシラバスに自己教師あり学習はありますか？
当サイトが確認した現行シラバスの見出しには、教師あり学習・教師なし学習・強化学習があり、自己教師あり学習の語はありません。このページは教師なし学習と事前学習の理解を補う比較です。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: AI資格ドリル編集部（運営者情報を見る）