最終更新日：2026年8月21日
gk machine_learning cheatsheet
まず結論
教師あり・教師なし・強化学習は、学習時に何を手掛かりとして与えるかを見ると切り分けやすくなります。
| 学習方法 | 学習時の主な手掛かり | 何を学ぶ？ | 判断ワード |
|---|---|---|---|
| 教師あり学習 | 入力＋正解ラベル | 入力と正解の対応 | 分類・回帰・ラベル |
| 教師なし学習 | 正解ラベルを使わないデータ | 構造・まとまり・表現 | クラスタリング・次元削減 |
| 強化学習 | 状態・行動・報酬 | 累積報酬を高める方策 | 行動・報酬・環境 |
G検定では、まず次の3語で切ります。
ラベル → 教師あり、構造 → 教師なし、報酬 → 強化学習
直感的な説明
勉強に例えると、違いは次のようになります。
- 教師あり学習：答え付きの問題集で、問題と答えの対応を学ぶ
- 教師なし学習：答えのないデータを見て、似たものや特徴的な構造を探す
- 強化学習：行動して得点を受け取り、長期的に得点が高くなる動き方を学ぶ
ポイントは、教師なし学習と強化学習のどちらも「正解ラベルを直接与えない」ことがある一方で、強化学習には報酬という評価信号があることです。
正解ラベルを使う
→ 教師あり学習
正解ラベルを使わず、データの構造を探す
→ 教師なし学習
行動の結果として報酬を受け取る
→ 強化学習
定義・仕組み
教師あり学習（Supervised Learning）
入力データと正解ラベルの組を使って、入力から正解を予測する関係を学習します。
代表的なタスクは次の2つです。
- 分類：カテゴリを予測する
- 回帰：連続する数値を予測する
詳しくは、教師あり学習で整理しています。
教師なし学習（Unsupervised Learning）
学習時に正解ラベルを使わず、データの中にあるまとまり・分布・低次元構造などを見つけます。
代表的なタスクは次のとおりです。
- クラスタリング：似たデータをグループ化する
- 次元削減：情報を保ちながら特徴を少ない軸で表す
詳しくは、教師なし学習で整理しています。
強化学習（Reinforcement Learning）
エージェントが環境の状態に応じて行動し、その結果として受け取る報酬を手掛かりに、将来を含む累積報酬を高める方策を学習します。
代表的な手法には、Q学習、DQN、方策勾配法などがあります。
詳しくは、強化学習で整理しています。
いつ使う？（得意・不得意）
| 学習方法 | 得意なこと | 苦手・注意点 |
|---|---|---|
| 教師あり学習 | 正解付きデータから予測・分類 | ラベル作成に手間がかかる |
| 教師なし学習 | データの構造把握・グループ化・可視化 | 結果の解釈が必要になりやすい |
| 強化学習 | 制御・戦略・逐次的な意思決定 | 試行錯誤に多くの経験が必要になりやすい |
「どれが優れているか」ではなく、得たいものと利用できるフィードバックが違うと考えます。
G検定ひっかけポイント
1. 「ラベルがない」だけで教師なし学習と決めない
強化学習も、通常は正解ラベルを直接与えません。
ラベルなし
＋
構造を探す
→ 教師なし学習
ラベルなし
＋
行動と報酬
→ 強化学習
2. 教師なし学習は「正解が存在しない」とは限らない
試験では、学習時に正解ラベルを使わないことが判断ポイントです。正解情報が別に用意できるデータであっても、それを学習に使わなければ教師なし学習として扱えます。
3. モデル名だけで学習方式を決めない
ニューラルネットワークなどのモデルは、学習のさせ方によって複数の枠組みで利用できます。
ニューラルネットワーク
→ 必ず教師あり学習、ではない
4. 異常検知は必ず教師なし学習、ではない
異常検知は教師なしで行うことも多いですが、ラベル付きデータを使う教師あり方式もあります。タスク名だけではなく、学習時に何を与えるかを確認します。
正誤を切る判断基準
- 分類・回帰・正解ラベル → 教師あり
- クラスタリング・次元削減・構造発見 → 教師なし
- 状態・行動・報酬・方策 → 強化学習
まとめ（試験直前用）
- 教師あり：正解ラベルを使う
- 教師なし：正解ラベルを使わず構造を探す
- 強化学習：行動の結果として報酬を受け取り、累積報酬を高める
- 「ラベルなし」だけで教師なしと決めない
- ラベル／構造／報酬で即切る
基本情報技術者試験（FE）向けの短い切り分けは、教師あり・教師なし・強化学習の違い【基本情報技術者試験】で確認できます。