最終更新日:2026年9月25日
gk cheatsheet
まず結論
代表的な違いは、
- 古典AI → 探索・推論・知識表現など、明示的な構造を使う
- 機械学習 → データからパターン・パラメータを学ぶ
ことです。
ただし、実際のAIシステムでは両方を組み合わせることもあります。
直感的な説明
古典AI
「どう考えるか」を状態・規則・知識として表現して解きます。
機械学習
多数の例から、入力と出力の関係を学びます。
定義・仕組み
| 観点 | 古典AI | 機械学習 |
|---|---|---|
| 中心 | 探索・推論・知識表現 | データからの学習 |
| 知識 | 明示的に表現することが多い | パラメータに暗黙的に表れることが多い |
| 代表例 | A*、エキスパートシステム | 回帰、SVM、ニューラルネット |
いつ使う?(得意・不得意)
- 明確なルール・制約 → 古典的手法が扱いやすい場合がある
- 大量データから複雑なパターン → 機械学習が有効な場合がある
一方、ハイブリッドなシステムもあります。
G検定ひっかけポイント
古典AIはデータを使わない?
❌ データを一切利用しない
⭕ 中心は明示的な探索・推論・知識表現
機械学習はルールを使わない?
❌ 人間が設定した仮定・特徴量・損失・制約は不要
⭕ 学習規則や設計は人が与える
まとめ(試験直前用)
- 古典AI=探索・推論・知識表現
- 機械学習=データから学習
- 明示的知識 vs 学習されたパラメータが代表的違い
- 完全に排他的ではない
- 絶対二分法で覚えない