AIと機械学習とは？その違い、pythonでの作り方を徹底解説！

AIと機械学習は密接に関連しながらも、本質的に異なる概念です。AIは人間の知能を模倣するコンピューターシステム全般を指し、機械学習はデータから学習して予測・分類を行う具体的な手法を指します。


本記事では、AIと機械学習の根本的な違いを整理した上で、教師あり学習・教師なし学習・強化学習の3手法をPython実装例付きで解説します。さらに、ディープラーニングや生成AIとの関係も含めた全体像を示し、自社課題に最適な手法を選ぶための判断基準を提供します。

AIと機械学習の違い

AIと機械学習の違いは、AIが人間の知能を模倣するコンピューターシステム全般を指すのに対し、機械学習はデータから学習して予測や決定を行う特定の方法論や技術を指す点です。

AIと機械学習はしばしば混同されますが、AIは幅広い技術や理論を包括する概念で、機械学習が特定のタスクを知的に処理する能力を持つ手法と捉えることもできます。

以下は、AI、機械学習（マシンラーニング, ML）、深層学習（ディープラーニング）、生成AIの関係を図示しているので参考にして下さい。

AI、機械学習、深層学習、生成AIの関係

AIとは

AI（Artificial Intelligence、略称AI）は、機械が人間のように学習し、理解し、行動するためのテクノロジーとプロセスを指します。
AIの目標は、知覚、推論、学習能力、自然言語処理など、人間の知的行動を模倣することです。

AIには幅広い技術が含まれています。
基本的な「ルールベースのタスク自動化システム」から、自然言語処理や画像認識などの複雑なタスクを実行する高度なアプリケーションまで、さまざまな形態があります。

一般的に、AIは指定されたタスクについて、人間と同等もしくはそれ以上のパフォーマンスを発揮することを目指しています。

【関連記事】
➡️AIとは？その定義や日常・ビジネスでの活用事例をわかりやすく解説！

機械学習とは何か？

機械学習は、アルゴリズムと統計モデルを使用して、「明示的なプログラミングなしにタスクを実行するための、パターンや推論をデータから学習する人工知能（AI）の分野」です。

機械学習のシステムは、大量のデータを分析し、そのデータ内のパターンや規則性を見つけ出し、新しいデータに遭遇したときに予測や意思決定を行えます。

ディープラーニングとの関係

ディープラーニングは、機械学習の一領域であり、人間の脳の神経回路網に触発されたニューラルネットワークの学習アルゴリズムが用いられます。
これらのアルゴリズムは多層的な構造を持ち、データの抽象的な特徴を抽出する能力が非常に高いことが特徴です。ディープラーニングは、画像認識や自然言語処理といった複雑なタスクでその効果を発揮しています。

機械学習とディープラーニングはしばしば同義で使われることがありますが、ディープラーニングは「機械学習の技術セット内に存在する、より特化された分野」です。AI・機械学習・ディープラーニングの階層的な違いについては、NVIDIAの解説記事でも詳しく整理されています。

【関連記事】
➡️機械学習とディープラーニングの違いをわかりやすく解説！

機械学習の主要アルゴリズム

機械学習は多くのアルゴリズムを基礎にしており、それぞれが特定のタスクや問題に応じて設計されています。

これらのアルゴリズムは、大別すると教師あり学習、教師なし学習、強化学習にカテゴライズされることが多く、それぞれ異なるユースケースで利用されます。各手法の特徴と活用事例については、TRYETINGの比較記事も参考になります。

機械学習のアルゴリズム（教師あり学習、教師なし学習、強化学習）

【関連記事】
➡️機械学習の代表的な手法一覧！フローチャートを用いて選び方を解説

教師あり学習の説明

教師あり学習は、「回帰」と「分類」が含まれます。これらのアルゴリズムにラベル付けされた訓練データを提供し、そのデータからパターンを学習して新しい未知のデータに対して予測を行います。

この分野の代表的なアルゴリズムには、「線形回帰」「ロジスティック回帰」「サポートベクターマシン（SVM）」「決定木」「ランダムフォレスト」があります。

回帰分析の作り方

代表的な回帰分析の手法には、線形回帰、多項式回帰、リッジ回帰、ラッソ回帰などがあり、これらは様々なデータセットにおいて、関連する変数間の関係性をモデル化するのに用いられます。

今回は教師あり学習の一例としてよく用いられる回帰モデルの一つである線形回帰分析の手法を紹介したいと思います。

回帰の手法をより知りたい方は以下の記事を確認してください。

• 機械学習の回帰とは？分類との違いや主な種類、手法をわかりやすく解説

線形回帰分析の実例

回帰分析とは入力データから導き出された、連続的な出力値を得られるのが回帰分析です。

エアコンを例に考えてみます。部屋の温度を入力データとして用意し、出力ラベルにはエアコンの消費電力を設定してみます。
訓練データ（学習データ）の部屋の温度と消費電力の関係を学習することで、部屋の温度からその部屋のエアコンの消費電力を予測できます。

実際に線形回帰を用いて分析を行った結果は以下の通りです。

Regression line equation: y = 3.35x + 142.26

Google Colabノートブックも公開してあるので、ぜひご自身で試してみてください。

• 線形回帰モデル(Google Colab)

分類の説明

分類とは、入力データを事前に設定されたカテゴリに分けるプロセスです。
メールを例に考えてみます。メールの内容（テキスト）が入力データであり、出力ラベルは「スパム」または「非スパム」の2つのカテゴリーです。

訓練データを学習することで、新たなメールがスパムであるかそうでないかの分類ができます。

分類の実例

今回は、スパムメールを分類するためのナイーブベイズ分類器を用いたサンプルコードを紹介します。

訓練データのサンプルとして、スパムメールと非スパムメールの両方を含むメールのテキストを用意し、それらを「スパム=1」および「非スパム=0」としてラベル付けしました。
その後、データセットをトレーニングセットとテストセットに分割し、テキストデータを数値データに変換してから、ナイーブベイズ分類器で学習を行いました。

テストデータに対する予測の正確さは50%でした。

これではランダムな推測と同じ水準であり、このモデルが有効に機能しているとは言えませんので実際には、データ量、データの多様性、特徴抽出の方法を検討するなどの工夫が考えられます。

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# サンプルデータ
emails = [#以下は自由に変更可能です（サンプルではスパムのようなメールも含んでいます）
"Congratulations! You've won a $1,000 gift card. Click here to claim now.",
    "Hi friend, long time no see. Let's catch up soon!",
    "Limited time offer! Get 50% off on all products. Shop now.",
    "Are you available for a meeting tomorrow? Please let me know.",
    "You have been selected for an exclusive reward. Claim your prize now.",
    "Reminder: Your appointment is scheduled for 10 AM tomorrow.",
    "This is your final notice! Account will be closed unless immediate action is taken.",
    "Looking forward to our dinner next week. Let's finalize the place.",
]

# ラベル（スパム=1、非スパム=0）
labels = [1, 0, 1, 0, 1, 0, 1, 0]

# データセットをトレーニングセットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(emails, labels, test_size=0.25, random_state=42)

# テキストデータを数値データに変換
vectorizer = CountVectorizer()
X_train_counts = vectorizer.fit_transform(X_train)
X_test_counts = vectorizer.transform(X_test)

# ナイーブベイズ分類器をトレーニング
clf = MultinomialNB()
clf.fit(X_train_counts, y_train)

# テストデータで予測
y_pred = clf.predict(X_test_counts)

# 予測の正確さを評価
accuracy = accuracy_score(y_test, y_pred)
accuracy

教師なし学習の説明

教師なし学習では、ラベル付けされていないデータセットを扱います。この手法の目的は、データ内の隠れた構造やパターンを見つけ出すことです。

教師なし学習は、データのクラスタリングや次元削減といったタスクでよく使用されます。クラスタリングは、類似した特徴を持つデータポイントをグループ化するプロセスです。
次元削減は、データセットの複雑さを減らすために、より少ない変数でデータを表現する方法です。

代表的なアルゴリズムには、k平均法、階層的クラスタリング、主成分分析（PCA）、t-SNEなどがあります。

教師なし学習の実例

サンプルはKMeansクラスタリングを用いたコードです。サンプルデータは、3つのクラスタ中心を持つ300のデータポイントで構成されています。

KMeansアルゴリズムを使用してデータセットにフィットさせ、各データポイントにクラスタラベルを割り当てました。

また、クラスタの中心点も取得しています。

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

# サンプルデータ生成 (クラスタ数: 3)
X, _ = make_blobs(n_samples=300, centers=3, cluster_std=0.60, random_state=0)

# KMeansクラスタリングのモデルを作成 (クラスタ数: 3)
kmeans = KMeans(n_clusters=3)

# モデルにデータをフィットさせクラスタリングを実行
kmeans.fit(X)

# 各データポイントのクラスタラベルを取得
labels = kmeans.labels_

# クラスタ中心点を取得
centroids = kmeans.cluster_centers_

labels, centroids

強化学習

強化学習は、エージェントが環境と相互作用しながら最適な行動を学習するプロセスです。
この手法では、エージェントは行動の結果として与えられる報酬を最大化するように学習します。

強化学習は、シミュレーションされた環境やゲーム、ロボティクスなど、意思決定を必要とする複雑な問題に適用されます。

代表的な強化学習のアルゴリズムには、Q学習、SARSA、ディープQネットワーク（DQN）、ポリシーグラディエント法などがあります。

これらのアルゴリズムは、エージェントが最適な方策（ポリシー）を見つけ出すのを助け、より良い選択を行うことを学びます。

強化学習の実例

サンプルコードでは4x4のグリッドワールドでQ学習アルゴリズムを実装しました。この環境では、各セルが状態を表し、エージェントは上、右、下、左の4つの行動から選択できます。ゴールに到達すると報酬が与えられます。

import numpy as np

# 環境設定: 4x4グリッドワールド
grid_size = 4
n_states = grid_size ** 2  # 状態数
n_actions = 4  # 行動数: 上[0], 右[1], 下[2], 左[3]

# 報酬設定: ゴールに到達すると+1、それ以外は0
rewards = np.zeros(n_states)
rewards[n_states - 1] = 1  # ゴールの位置に報酬設定

# 行動による状態遷移確率
transition_probabilities = np.zeros((n_states, n_actions, n_states))

# グリッドワールドの状態遷移確率を設定
for state in range(n_states):
    row = state // grid_size
    col = state % grid_size
    for action in range(n_actions):
        if action == 0:  # 上
            next_state = state if row == 0 else state - grid_size
        elif action == 1:  # 右
            next_state = state if col == (grid_size - 1) else state + 1
        elif action == 2:  # 下
            next_state = state if row == (grid_size - 1) else state + grid_size
        else:  # 左
            next_state = state if col == 0 else state - 1
        transition_probabilities[state, action, next_state] = 1

# Q学習パラメータ
learning_rate = 0.1
discount_factor = 0.9
n_episodes = 1000

# Q値の初期化
Q_values = np.zeros((n_states, n_actions))

# Q学習アルゴリズム
for episode in range(n_episodes):
    state = np.random.randint(0, n_states)  # 初期状態
    while state != n_states - 1:  # ゴールに到達するまで続ける
        action = np.random.choice(n_actions)  # 行動選択（ランダム）
        next_state = np.argmax(transition_probabilities[state, action])  # 状態遷移
        reward = rewards[next_state]  # 報酬の取得
        # Q値の更新
        Q_values[state, action] += learning_rate * (reward + discount_factor * np.max(Q_values[next_state]) - Q_values[state, action])
        state = next_state  # 状態更新

Q_values

AIの代表的な活用事例

AIおよび機械学習は日々急激に進化しています。ここでは人々を驚かせた事例を紹介します。

生成AIの代表的なサービスである「ChatGPT」

OpenAIのChatGPTの画面

2023年にはChatGPTが出現し、誰でも気軽にAIと対話できるようになりました。

対話の方法も当初はチャットのみでしたが、音声、画像、動画などのマルチモーダル機能が搭載され、新たな生成物を生み出せるようになっています。

【関連記事】
➡️ChatGPTとは？その機能や日本語での使い方を徹底解説！

生成AIの代表的なサービスである「Midjourney」

2022年にはMidjourneyが登場し、テキストから画像を生成できるようになりました。
Midjourneyは、ユーザーが入力したテキストプロンプトに基づいて、独自のスタイルで画像を生成するAIツールです。これにより、アーティストやデザイナーは新しいアイデアを視覚化し、創造的なプロセスを加速させられます。

• Midjourney(ミッドジャーニー)とは？使い方や料金、商用利用について解説！

深層強化学習を利用した「AlphaGo」

2016年、当時世界最強の囲碁棋士であったイ・セドル氏に囲碁AIである「AlphaGo」が5番勝負で4-1で勝利するという事態が起こりました。

グーグル傘下のDeepMind社によって開発された人工知能（AI）が、最強の棋士を倒したという事実に世論が驚いたのを覚えています。
もともと囲碁においてAIが人間に勝てないと言われていましたが、この事態によってAIがヒトを超える技術的特異点の到来を感じざるを得なくなりました。

https://youtu.be/WXuK6gekU1Y?si=hTRzFXBM4nH0Dke-

AI技術の体系理解から組織のAI活用構想を深める

AIと機械学習の違いを理解することは、自社に必要なAI技術を見極め、導入計画を立てる上での基礎になります。

AI総合研究所では、Microsoft環境でのAI業務自動化を段階的に進める実践ガイド（220ページ）を無料で提供しています。機械学習やディープラーニングを業務に適用する際のPoC設計から全社展開まで、部門別のBefore/After付きで解説しています。

AI総合研究所が、AI技術の体系的な理解を組織の業務自動化構想へ発展させる支援を行います。

【無料DL】AI業務自動化ガイド（220P）

Microsoft環境でのAI活用を徹底解説

Microsoft環境でのAI業務自動化・AIエージェント活用の完全ガイドです。Microsoft環境でのAI業務自動化の段階設計を詳しく解説します。

▶ 無料でダウンロード

まとめ

本記事では、AIと機械学習の違いからディープラーニング・生成AIまで、AI技術の全体像を体系的に解説しました。

この記事で得られる3つの価値は以下の通りです。

• AIと機械学習の関係性の理解
  AIは人間の知能を模倣する技術の総称であり、機械学習はその中でデータからパターンを学習する具体的手法です。「AI導入」ではなく「どの機械学習手法が自社課題に最適か」という視点で検討を進められます。

• 3つの学習手法の使い分け基準
  教師あり学習（回帰・分類）、教師なし学習（クラスタリング）、強化学習という3手法の特性と適用場面を整理しました。ラベル付きデータの有無や解決したい課題の性質に応じて、最適な手法を選択できます。

• ディープラーニング・生成AIとの位置づけ
  ディープラーニングは機械学習の特化分野であり、生成AI（ChatGPT・Midjourney等）はその発展形です。用途に応じて従来の機械学習と使い分けることで、コスト効率と精度のバランスを取れます。

まずは自社の課題を「予測・分類・クラスタリング・生成」のどれに該当するか整理し、本記事で紹介したPython実装例を参考に小規模なPoCから始めてみてください。AIと機械学習の階層的な関係や最新動向については、エクサウィザーズのAI解説も参考になります。