SORTING GAME

学習方式の仕分けゲーム

次々に出てくる課題カードを、教師あり・教師なし・強化学習の3つの箱へドラッグしてください。制限時間内に何枚さばけるか。

残り時間60
コンボ×1.0
スコア0
正解 / 判定0 / 0
🏷️

教師あり学習

正解ラベル付きのデータから、入力と正解の対応を学ぶ

🔍

教師なし学習

正解のないデータから、構造やまとまりを見つける

🎮

強化学習

行動して得た報酬を手がかりに、よい方策を学ぶ

60秒

切り分けの手順

迷ったときは、次の2問を順に答えてください。ほとんどの課題はこれだけで決まります。

Q1
正解ラベルがあるか
→
ある
教師あり学習
Q2
行動して報酬を得るか
→
得る
強化学習
→
得ない
教師なし学習

間違えやすいポイント

「データはある」＝教師あり、ではない データがあっても、そこに予測すべき正解の列がなければ教師なしです。顧客データからセグメントを見つけるのは教師なし。
異常検知は場合による 過去の異常にラベルが付いていれば教師あり（分類）。ラベルがなく「正常から外れたもの」を探すなら教師なしです。
報酬は「遅れて」来る 強化学習の特徴は、1手ごとに正解が示されないこと。一連の行動の後にまとめて結果が分かる場合が典型です。
推薦システムはどちらもある クリック率を予測するなら教師あり。似た商品をまとめるなら教師なし。どの商品を出すか試行錯誤で最適化するなら強化学習です。

3方式の比較

教師あり教師なし強化学習
入力特徴量＋正解特徴量のみ状態
出力予測値・クラスグループ・低次元表現行動（方策）
学習の手がかり正解との誤差データの構造報酬
評価精度・誤差解釈のしやすさ累積報酬
代表例回帰・分類クラスタリング・次元削減Q学習・方策勾配
データの用意ラベル付けが高コストそのまま使える環境（試行の場）が必要

4つ目の分類：自己教師あり学習

近年は自己教師あり学習という枠も重要です。 文章の一部を隠して当てさせる、画像の一部を復元させるなど、 データ自身から正解を自動生成して学習します。 人手のラベルが要らないので教師なしに近い一方、 「正解を当てる」という学習の形は教師ありと同じです。 BERTやGPTの事前学習がこれにあたり、大規模言語モデルを可能にしました。

詳しい解説を見る

3つの学習方式：何を手がかりに学ぶかの違い

機械学習の分類でいちばん大事なのは、アルゴリズムの名前ではなく 「モデルは何を手がかりに自分の間違いを知るのか」という点です。 教師あり学習は正解との差、教師なし学習はデータ自身の構造、強化学習は環境から返る報酬。 この3つで、必要なデータも、評価方法も、実務での準備の重さもまったく変わります。

教師あり学習：ラベルというコスト

最も成果が出しやすく、実務で使われる大半がこれです。 ただし前提として、正解ラベルの付いたデータが必要になります。 画像に物体の位置を描き込む、문書にカテゴリを振る、過去の取引に不正かどうかを記録する。 この作業は人手であり、プロジェクトのコストの大半を占めることも珍しくありません。 「機械学習をやりたい」という相談で最初に確認すべきなのは、モデルの選択ではなく 正解ラベルが手に入るかです。

教師なし学習：正解がないから評価も難しい

ラベルが不要なぶん導入は容易ですが、評価が難しいという裏返しの問題があります。 クラスタリングで顧客を5つに分けたとして、その分け方が「正しい」かを判定する客観的な基準がありません。 結局は、業務担当者が見て納得できるか、施策に使えるかで判断することになります。 そのため教師なし学習は、単独で完結させるより、 得られた構造を人間が解釈して次の意思決定につなげる使い方が主になります。

強化学習：試行錯誤できる環境が要る

強化学習が他の2つと決定的に違うのは、データが最初から存在しないことです。 エージェントが行動して初めてデータが生まれます。 そのため、何度でも失敗できる環境——シミュレータやゲーム——が必要になります。 囲碁やビデオゲームで先に成果が出たのは、環境が完全に再現でき、 何百万回でも試行できたからです。 実世界のロボットや医療では失敗のコストが高く、この点が導入の障壁になっています。 報酬設計の難しさも独特で、報酬の定義を誤ると、 設計者の意図しない抜け道を見つけて報酬だけを稼ぐ挙動を学習してしまいます。

つまずいたとき

「正解ラベルがあるか」「報酬を受けて行動するか」の2問を順に確認すれば、3種類は切り分けられます。 データがあることと、正解があることは違う——ここだけ押さえておいてください。