AIの仕組み
教師あり学習・教師なし学習・強化学習の違い（半教師あり学習も整理）
教師あり学習、教師なし学習、半教師あり学習、強化学習は、生成AIパスポートの公式シラバス第1章に、クラスタリング、次元削減とともにキーワードとして載っています。見分けるときの軸は、学習データにラベルがあるかどうかと、環境とのやり取りで学ぶかどうかの2つです。
このページは、公式シラバスの記載と、Google、IBM、AWSの公式資料の範囲で、4つの学習方法の違い、クラスタリングと次元削減の位置づけ、強化学習の用語を整理しています。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-08-31。
試験の出題範囲・実施要項は変動するため、受験前に公式情報を確認してください。
結論
- 教師あり学習は、特徴量と対応するラベルからモデルを学習する方法
- 教師なし学習は、通常ラベルのないデータから、パターンを見つける方法
- 半教師あり学習は、学習データの一部にだけラベルがある状態で学習する方法
- 強化学習は、環境と関わりながら、収益を最大化する方策を学習する方法
- クラスタリングは関連する例をまとめること、次元削減は特徴量の数を減らすこと
4つの学習方法の比較
学習に使うデータと、何を学ぶかで並べると、次の表のとおりです。右の列の例は、各社の公式資料に書かれているものだけを載せています。
| 学習方法 | 学習に使うもの | 資料の記載 | 資料にある例 |
|---|---|---|---|
| 教師あり学習 | ラベル付きのデータ | 特徴量と、それに対応するラベルからモデルを学習する。未知のデータの結果を予測するモデルを作る | スパムの判定、降水量の予測（Google）。リンゴとオレンジを分ける分類、事業の売上予測（IBM） |
| 教師なし学習 | ラベルなしのデータ | データセット（通常はラベルなし）から、パターンを見つけるようモデルを学習する | クラスタリング、次元削減（下の節） |
| 半教師あり学習 | ラベル付きとラベルなしの両方 | 学習データの一部にだけラベルがあり、残りにはない状態でモデルを学習する。IBMは、教師ありと教師なしの中間的な方法と述べる | このページの根拠にした資料に具体例の記載なし |
| 強化学習 | 環境とのやり取り | 環境と関わりながら、収益（報酬の合計）を最大化する最適な方策（ポリシー）を学習する | 建物内を移動して特定の部屋に着くロボット、購買者ごとの商品提案、クラウドのコスト最適化（AWS） |
ラベルの有無で3つ（教師あり、教師なし、半教師あり）を分け、強化学習は別の軸と覚えます。強化学習はラベル付きデータを使う方法ではなく、環境とのやり取りで方策を学ぶ方法です。
一次資料: Google for Developers「Machine Learning Glossary」、IBM「教師あり学習と教師なし学習」、AWS「強化学習とは」
クラスタリングと次元削減
シラバスのキーワードに並ぶクラスタリングと次元削減は、学習方法の名前ではなく、データに対する操作の名前です。
| 用語 | 資料の記載 |
|---|---|
| クラスタリング | 関連する例をまとめること。特に教師なし学習で使う（Google）。IBMは、ラベルなしデータを類似性や相違に基づいてグループ化するデータマイニング手法と述べる |
| 次元削減 | 特徴量の数を減らし、より少ない特徴量でデータセットを表す方法（IBM） |
Googleのk-meansの教材は、各点を最も近い中心（centroid）に割り当て、中心を各クラスタの点の平均位置に更新する手順を繰り返すと説明します。クラスタリングは、正解のラベルを使わずに、近い例を同じグループにまとめる操作です。
一次資料: Google for Developers「k-meansの概要」「Machine Learning Glossary」、IBM「次元削減」
強化学習の用語
強化学習の選択肢では、次の4つの語が組み合わさって出てきます。役割の違いを、資料の記載で確認します。
| 用語 | 資料の記載 |
|---|---|
| エージェント | 方策を使って、状態の間の移行から得られる期待収益を最大化する主体（Google） |
| 環境 | エージェントを含み、その状態を観察できる世界（Google） |
| 報酬 | 環境が定める、ある状態で行動した結果の数値（Google）。AWSは、正・負・ゼロの値とする |
| 方策（ポリシー） | エージェントが行動を選ぶための決まり。AWSは、試行錯誤で学ぶ戦略と説明する |
行動するのがエージェント、その結果を数値で返すのが環境、という向きで覚えます。報酬を決めるのは環境で、エージェントは報酬が大きくなる方策を探します。
一次資料: Google for Developers「Machine Learning Glossary」、AWS「強化学習とは」
選択肢の読み方
説明文が何を言っているかを、次の表のように言い換えて読みます。表は、このページの整理した読み方で、本試験の問題ではありません。
| 説明文 | 当てはまる用語 | 理由 |
|---|---|---|
| 正解のラベルが付いたデータから、未知のデータの結果を予測する | 教師あり学習 | ラベル付きの例が学習の前提 |
| ラベルのないデータから、似たもの同士をグループに分ける | 教師なし学習（クラスタリング） | ラベルなしで、パターンやまとまりを見つける |
| データの一部にだけラベルが付いていて、残りにはラベルがない | 半教師あり学習 | 一部にだけラベルがある状態で学習する |
| 試行錯誤しながら、報酬が大きくなる行動を学ぶ | 強化学習 | 収益を最大化する方策を、環境とのやり取りで学ぶ |
| 特徴量の数を減らして、少ない特徴量で表す | 次元削減 | ラベルの有無ではなく、特徴の数を減らす操作 |
シラバスのどこに出るか
| 場所 | 内容 |
|---|---|
| 2027年2月試験より適用のシラバス 第1章「AIの基礎と歴史」の機械学習の項目 | 学習項目に、教師あり学習、教師なし学習、強化学習、半教師あり学習、ノーフリーランチ定理が並び、詳細キーワードに、学習済みモデル、教師あり学習、分類、回帰、教師なし学習、クラスタリング、次元削減、強化学習、報酬、価値、方策、半教師あり学習が載る |
上の表は、2027年2月試験から適用される新シラバスの記載です。章立ての変更点は2027年2月試験の新シラバスのページで確認できます。
よくある質問
教師あり学習と教師なし学習の違いは何ですか？
学習に使うデータにラベルがあるかどうかです。教師あり学習は、特徴量と対応するラベルからモデルを学習します。教師なし学習は、通常ラベルのないデータセットからパターンを見つけます。
半教師あり学習は、教師あり学習と教師なし学習のどちらですか？
どちらか一方ではありません。学習データの一部にだけラベルがあり、残りにはない状態で学習する方法です。IBMは、教師ありと教師なしの中間的な方法と述べています。
クラスタリングは、教師あり学習ですか？
Googleは、クラスタリングを、関連する例をまとめることで、特に教師なし学習で使うと説明しています。ラベルを使わずに例をまとめる点が、教師あり学習との違いです。
強化学習は、ラベル付きデータで学習しますか？
強化学習の中心は、ラベルではなく、環境とのやり取りで得る収益です。Googleは、環境と関わりながら収益を最大化する方策を学習するアルゴリズム群と説明しています。
次元削減は、4つの学習方法のどれに入りますか？
次元削減は、学習方法の名前ではなく、特徴量の数を減らす操作です。IBMは、より少ない特徴量でデータセットを表す方法と説明しています。シラバスでも、教師あり学習などとは別のキーワードとして並んでいます。
