AWS AI Practitioner の学習を始めると、最初に必ず出てくるのが
Machine Learning（機械学習）
Deep Learning（深層学習）
Generative AI（生成AI）
といった基本用語です。

さらに試験では、

監督学習
教師なし学習
強化学習
dataset
model
training
inference

といったキーワードも頻出です。

本記事では、これらの用語を試験対策向けに整理しつつ、実務でもイメージしやすい形でまとめます。

🎯 対象読者

AWS AI Practitioner を勉強中の方
AI の基本用語を整理したい方
機械学習と生成AIの違いが曖昧な方
試験頻出の基礎概念を先に押さえておきたい方

🧩 まずは全体像をつかむ

AI 関連の言葉は似ているようで、実は階層があります。

AI（人工知能）
└── Machine Learning（機械学習）
    └── Deep Learning（深層学習）
        └── Generative AI（生成AI の一部で使われることが多い）

ポイントは、これらがバラバラの概念ではなく、
大きなカテゴリの中に含まれているということです。

🤖 AI とは？

AI（Artificial Intelligence）は、
人間の知的な作業をコンピュータで実現しようとする考え方の総称です。

例えば、

画像を認識する
音声を理解する
文章を要約する
質問に答える
将来の傾向を予測する

といった処理は、すべて AI の領域に含まれます。

ただし、試験では単に「AI」という広い言葉よりも、
その中でも特に Machine Learning や Generative AI の理解が重視されます。

📘 Machine Learning（機械学習）とは？

Machine Learning は、
データからパターンを学習し、ルールを自動的に見つける技術です。

従来のプログラムでは、
人が条件やルールを細かく書く必要がありました。

しかし、機械学習では、

過去データ
正解データ
特徴量

などを使いながら、
コンピュータがデータの傾向を学び、予測や分類を行うようになります。

イメージ

例えば、メールを「迷惑メール / 通常メール」に分類したい場合、

件名
本文
送信元
含まれる単語

などのデータをもとに、
「どういうメールが迷惑メールになりやすいか」を学習します。

🧠 Deep Learning（深層学習）とは？

Deep Learning は、Machine Learning の一種です。

より正確に言うと、
ニューラルネットワークを多層化した機械学習手法のことです。

特徴

大量データに強い
画像・音声・自然言語に強い
複雑なパターンを学習しやすい

例えば、

画像認識
音声認識
自然言語処理
翻訳
生成AI

などでよく使われています。

ざっくりした違い

項目	Machine Learning	Deep Learning
関係	広いカテゴリ	その一部
特徴	比較的シンプルな学習も含む	多層ニューラルネットワークを使う
得意分野	分類、予測、回帰など	画像、音声、文章など複雑な処理

👉 試験では
Deep Learning は Machine Learning の一部
という関係を押さえておくことが大事です。

✨ Generative AI（生成AI）とは？

Generative AI は、
新しいコンテンツを生成する AI です。

例えば、

文章を作る
画像を作る
音声を作る
コードを作る
要約や翻訳を行う

といったことができます。

最近よく使われる ChatGPT のような仕組みも、生成AIの代表例です。

従来の機械学習との違い

従来の機械学習は、

分類する
予測する
判定する

といった使い方が中心でした。

一方、生成AIは、

新しい文章を作る
新しい画像を作る
質問に対して自然な回答を返す

といった、「作る」ことが大きな特徴です。

ポイント

項目	従来の機械学習	生成AI
主な目的	分類・予測・判定	新しい内容の生成
出力	ラベル、数値、予測結果	テキスト、画像、音声、コード
代表例	スパム判定、需要予測	ChatGPT、画像生成AI

👉 試験では
「Generative AI は新しいコンテンツを生成する」
という点がよく問われます。

🏷 学習方式の分類

Machine Learning は、学習方法によっていくつかに分けられます。
AWS AI Practitioner で特に重要なのは、以下の3つです。

1️⃣ 監督学習（Supervised Learning）

監督学習は、
正解ラベル付きのデータを使って学習する方法です。

例えば、

「このメールは迷惑メール」
「この画像は猫」
「この顧客は解約した」

のように、あらかじめ答えが付いているデータを使います。

用途例

メールの分類
画像分類
売上予測
離脱予測

ポイント

👉 正解付きデータがある
これが最大の特徴です。

2️⃣ 教師なし学習（Unsupervised Learning）

教師なし学習は、
正解ラベルのないデータからパターンや構造を見つける方法です。

例えば、

顧客を似た傾向ごとにグループ化する
異常なデータを見つける
データの隠れた特徴を発見する

といった用途があります。

用途例

クラスタリング
異常検知
データの傾向分析

ポイント

👉 正解ラベルがない
その代わり、データ同士の類似性や構造を見つけます。

3️⃣ 強化学習（Reinforcement Learning）

強化学習は、
行動に対する報酬をもとに、よりよい選択を学習する方法です。

AI が何か行動をした結果、

良い結果 → 報酬
悪い結果 → 低評価や罰

という形で学習を進めていきます。

用途例

ゲームAI
ロボット制御
最適ルート探索
自動制御

ポイント

👉 試行錯誤しながら、最も良い行動を学ぶ
というのが強化学習の考え方です。

📦 試験頻出の基本用語

ここからは、AWS AI Practitioner でよく出る基本用語を整理します。

dataset とは？

dataset は、
学習や評価に使うデータの集まりです。

例えば、

顧客情報の一覧
商品画像の集合
過去の売上データ
文章データのセット

などが dataset です。

ポイント

AI モデルは、何もない状態から賢くなるわけではなく、
dataset を使って学習することで性能を高めます。

model とは？

model は、
データから学習した結果を持つ仕組みです。

簡単に言えば、
「学習済みの判断ロジック」や「予測器」のようなものです。

例えば、

この文章はポジティブかネガティブか
この画像は犬か猫か
この質問にどう答えるか

といった判断を行うのが model です。

training とは？

training は、
dataset を使って model を学習させることです。

この段階で AI は、データのパターンや関係性を学びます。

イメージ

dataset を与える
学習する
model ができる

という流れです。

dataset → training → model

inference とは？

inference は、
学習済み model を使って新しい入力に対して結果を出すことです。

例えば、

新しいメールを迷惑メールか判定する
新しい画像を分類する
ユーザーの質問に答える

などが inference です。

イメージ

新しい入力 → model → 推論結果

ポイント

training = 学習する工程
inference = 学習済みモデルを使う工程

この違いは試験でもかなり重要です。

🧠 ここは特に覚えたいポイント

試験対策として、以下は特に整理しておくと強いです。

覚え方 1

Machine Learning = データから学ぶ
Deep Learning = ML の一種で、より複雑な学習が得意
Generative AI = 新しいコンテンツを生成する

覚え方 2

監督学習 = 正解あり
教師なし学習 = 正解なし
強化学習 = 報酬をもとに学ぶ

覚え方 3

dataset = データの集まり
model = 学習結果を持つ仕組み
training = 学習させること
inference = 学習済みモデルで答えを出すこと

💡 実務目線の補足

実務で AI を扱う場合も、この基礎理解は非常に重要です。

例えば、
「AI を導入したい」という話があったときでも、

それは分類の問題なのか
予測の問題なのか
生成AIの方が向いているのか
どんな dataset が必要なのか
training が必要なのか、既存モデルで inference だけで足りるのか

といった判断が必要になります。

つまり、これらの基礎概念は
試験のためだけではなく、実務で考える土台にもなります。

✅ まとめ

今回整理したポイントは以下の通りです。

Machine Learning は、データから学ぶ技術
Deep Learning は、Machine Learning の一種
Generative AI は、新しいコンテンツを生成する AI
監督学習は正解あり、教師なし学習は正解なし、強化学習は報酬ベース
dataset / model / training / inference は高頻出の基本用語

このあたりは AWS AI Practitioner の中でもかなり基本かつ重要なので、
まずは言葉の意味を曖昧にせず、しっかり押さえておくのがおすすめです。

📌 次回予告

次回は、AWS AI Practitioner でもよく出てくる

LLM（大規模言語モデル）
Prompt Engineering
Hallucination
RAG

といった、生成AIまわりの重要キーワードを整理していきます。