機械学習とは — ルールを書くから、データから学ぶへ

迷惑メールを見分けるルールを、全部 if 文で書けるでしょうか？機械学習は「人がルールを書く」のをやめて、データから規則を機械に見つけさせるという発想の転換です。3つの動くデモで、その核心を絵でつかみます。

1. ルールを書く vs データから学ぶ

「ミカンとリンゴを、重さと甘さで自動で見分けたい」としましょう。従来のプログラミングでは、人間が境界線（ルール）を考えて書きます。機械学習では、ラベル付きのデータを見せて境界線そのものを機械に探させます。

まずスライダーで自分の手で境界線を引いて、正解率をどこまで上げられるか試してください。次に「学習開始」を押すと、コンピュータがデータだけを頼りに境界線を自動で見つけます。

分類ルールを「手で書く」 vs 「学習させる」

境界線の傾き

境界線の高さ

オレンジ＝ミカン、赤＝リンゴ。白い輪＝いま間違って分類されている果物。スライダーを動かすと手動モード、「学習開始」を押すと自動学習モードに切り替わり、境界線がデータに合わせてヌルヌル動きます。

従来のプログラム：ルール＋データ → 答え
機械学習：データ＋答え → ルール（モデル） 入力と答えの例をたくさん見せて、あいだの「ルール」を機械に見つけさせる。見つかったルールのかたまりを「モデル」と呼ぶ

POINT — 機械学習の定義機械学習とは、ルールを明示的にプログラムしなくても、データ（経験）から性能を改善していく仕組みのこと。境界線が「人の頭の中」からではなく「データ」から出てくるのがポイント。

「データから学ぶ」といっても、何が与えられるかで学び方は大きく3つに分かれます。ボタンで切り替えて、それぞれの「学んでいる瞬間」を見比べてください。

3つの学習パラダイムを見比べる

教師あり＝正解ラベル付きの点に合わせて境界線が引かれる。教師なし＝ラベルのない点が自動で3つのグループに色分けされていく（k-means法）。強化学習＝エージェント（水色の丸）が★の報酬を目指して試行錯誤し、エピソードを重ねるほど歩数が減っていく。

流派	与えられるもの	学ぶこと	身近な例
教師あり学習	入力と正解ラベルのペア	入力 → 答えの対応関係	迷惑メール判定、価格予測
教師なし学習	入力だけ（正解なし）	データに潜む構造・グループ	顧客のグループ分け
強化学習	行動の結果に対する報酬	報酬を最大にする行動方針	ゲームAI、ロボット制御

学習の正体は統計です。データが少ないと、たまたまの偶然に振り回されて予測が毎回バラバラになります。データが増えるほど予測は安定し、まだ見たことのない入力に対しても当たるようになります。

下のデモは「時間帯からお店の混雑度を予測する」例です。データ数 N のスライダーを動かして、予測曲線のばらつき（赤いバー）がどう変わるか見てください。

データ量と予測の安定性 — 8回学習し直して比べる

データの数 N

細い青線＝少しずつ違うデータで8回学習した予測曲線。オレンジ＝その平均、水色の点線＝真の関係、白い小さな点＝学習データ（1回分）。赤いバー＝3つの「未知の時間帯」での予測のばらつき。N を増やすと8本の曲線がそろい、未知の点でも予測が安定します。

注意 — データの量と質がすべて機械学習の性能はアルゴリズムよりもまずデータで決まる。少なすぎれば偶然を丸暗記し、偏っていれば偏ったルールを学ぶ。「ゴミを入れればゴミが出る」は機械学習の鉄則。

一歩先へ — 「汎化」という最重要キーワード学習データで当たるのは当たり前。本当の目標は見たことのない新しいデータで当てる力＝汎化。丸暗記（過学習）と汎化の綱引きは、レッスン4「過学習と正則化」でたっぷり動かして学ぶ。