0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

AIモデルの種類について〜機械学習からディープラーニングまで〜

0
Last updated at Posted at 2026-03-01

はじめに

AIモデルって一口に言っても「色々なアルゴリズムやモデルの名前が出てきて、全体像が掴めない…」って思うこと多々ありますよね。
この記事では、私自身の学習の整理も兼ねて、初学者の方に向けて「AIモデルの種類」をできるだけシンプルに、まとめてみました。(この記事はメモ程度としてあとで再投稿予定)

1. AI・機械学習・ディープラーニングの違い

モデルの種類に入る前に、よく混同されがちな3つの言葉の関係性を整理します。
これらは「包含関係」になっています。
image.png

  • AI(人工知能): 人間の知的な振る舞いをコンピュータで再現する技術の総称(一番広い概念)。
  • 機械学習(Machine Learning): AIの一分野。データからパターンやルールをコンピュータ自身に自動で学習させる手法。
  • ディープラーニング(深層学習): 機械学習の一分野。人間の脳神経回路を模した「ニューラルネットワーク」を多層にして、より複雑なデータを学習する手法。

とまあこんな感じの理解で十分だと思います。
ここからは、実務やコンペで主役となる「機械学習」と「ディープラーニング」のモデルについて解説します。

2. モデルの学習手法による分類

まずは、モデルがデータからどのように法則を学ぶのか、3つの大きなアプローチに分けられます。

① 教師あり学習(Supervised Learning)

「問題」と「正解(ラベル)」のセットを読み込ませて学習させる手法です。
実務やコンペティションで最もよく使われます。

  • 回帰(Regression): 連続する数値を予測します。
    具体例: 過去の気象データや血統データから、明日の気温やレースの走破タイムを予測。
  • 分類(Classification): データがどのカテゴリ(クラス)に属するかを予測します。
    具体例: 画像に写っているのが「犬」か「猫」か、あるいは対象が「勝つ」か「負ける」かを分類。

② 教師なし学習(Unsupervised Learning)

正解ラベルのないデータを読み込ませ、データ自身の構造や特徴、グループを見つけ出す手法です。

  • クラスタリング: 似た特徴を持つデータを自動でグループ分けします。
    具体例: 顧客の購買データから、似た傾向を持つ顧客層(セグメント)を抽出する。

  • 次元削減: データの重要な情報を保ったまま、情報量(次元)を圧縮して可視化や計算を楽にします。
    具体例:3Dの地球儀を2Dの世界地図にする。「世界地図」は、究極の次元削減。。

③ 強化学習(Reinforcement Learning)

AI(エージェント)が環境の中で試行錯誤し、最も報酬(スコア)が多くもらえる最適な行動を自ら学習していく手法です。

具体例: チェスや将棋などのゲームAI、ロボットの自動歩行制御など。

3. 代表的なアルゴリズムの種類

次に、扱うデータ(表形式、画像、テキストなど)に合わせて選ぶべき、代表的なアルゴリズムやアーキテクチャを紹介します。

伝統的な機械学習モデル(表形式データに強い)

データベースに保存されているような、Excelのような表形式の構造化データ(テーブルデータ)の予測において、現在でも非常に強力です。

  • 線形回帰 / ロジスティック回帰: 最も基礎的。結果に対する各データの影響度(解釈性)がわかりやすい。
  • 決定木(Decision Tree): 「Yes/No」の条件分岐のツリーを作って予測する直感的なモデル。
  • アンサンブル学習: 複数のモデル(主に決定木)を組み合わせて高い精度を出す手法。
    Random Forest(ランダムフォレスト) や、LightGBM、XGBoost といった勾配ブースティング系のモデルは、Kaggleなどのデータ分析コンペや、テーブルデータを使った実務の予測タスクで「とりあえずこれから試す」と言われるほど定番です。

ディープラーニングモデル(非構造化データに強い)

画像、音声、自然言語など、人間には直感的にわかってもコンピュータには扱いづらい非構造化データに圧倒的な強みを発揮します。

  • CNN(畳み込みニューラルネットワーク): 主に画像の認識や生成で活躍。画像の中から輪郭や特徴を抽出するのが得意です。
  • RNN / LSTM(再帰型ニューラルネットワーク): 過去の情報を記憶しながら処理を行うため、音声やテキストなどの時系列データ(順番に意味があるデータ)を扱うのに適しています。
  • Transformer(トランスフォーマー): 現在の生成AIブームのコアとなっている技術。文章の文脈を深く理解でき、ChatGPTなどの大規模言語モデル(LLM)の基盤です。Difyのような生成AI開発プラットフォームの裏側でも、このアーキテクチャから生まれたモデルたちが動いているようです。

まとめ

AIモデルには様々な種類がありますが、初学者のうちは以下の2ステップで考えるのがおすすめです。
1.どんなデータを使って、何をしたいのか(回帰?分類?クラスタリング?)を決める。
2.データの種類(表形式か、画像か、テキストか)に合わせて、定番のアルゴリズム(LightGBMやCNNなど)を選択する。

まずはLightGBMのような扱いやすいモデルを使って、身近なデータで予測モデルを作ってみると、理解が深まりそうですね!

0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?