機械学習とは？意味・種類・仕組みと原論文6本（2026年10月時点）

ひとことで言うと

機械学習（ML、Machine Learning）は、データからモデル（予測をするためのソフトウェア）を学ばせて、予測やコンテンツの生成に使う方法だ。Google の機械学習の入門講座は、モデルと呼ばれるソフトウェアをトレーニングし、有用な予測を行ったりデータからコンテンツを生成したりするプロセスと説明している。

身近な例は迷惑メールの判定だ。Google の入門講座は、正解を含む大量のデータで学んだモデルが予測を行えると説明し、その使い道の例に、メールが迷惑メールかどうかの予測を挙げている。

仕組み

Google の入門講座は雨の量を予測するアプリを例にしている。従来の方法では、大気と地表の物理を表す式を作り、膨大な量の流体力学の方程式を計算する。機械学習では、大量の気象データをモデルに与え、モデルが気象のパターンと雨の量の数学的な関係を学ぶ。正解のあるデータで学ぶ「教師あり学習」の流れは次のとおりだ。

データを集める。モデルが予測に使う値を特徴量、予測させたい答えをラベルと呼ぶ。雨の例なら、気象のデータが特徴量で、雨の量がラベルだ。
トレーニング（学習）する。ラベル付きの例を含むデータセットをモデルに与え、モデルを構成する数値（パラメータ）の最適な値を決める。
評価する。学習したモデルを評価し、どの程度学べたかを判断する。
推論する。評価の結果に納得したら、ラベルのない新しいデータに対して予測させる。

Google の入門講座は機械学習のシステムを、予測やコンテンツの作り方で次の4つに分けている。

教師あり学習：正解を含む大量のデータで学び、予測する。数値を予測する「回帰」（雨の量など）と、あるものがカテゴリに属するかを予測する「分類」（迷惑メールかどうか、写真に猫が写っているかなど）が代表的な使い方だ。
教師なし学習：データの中の意味のあるパターンを見つける。似たデータをグループに分ける「クラスタリング」は、グループの種類を人が決めない点で分類と違う。
強化学習：環境の中での行動に応じて報酬か罰を受け取り、報酬が最も多くなる戦略（ポリシー）を作る。ロボットの移動や、囲碁の AlphaGo に使われている。
生成AI：入力からテキスト、画像、音声、動画などのコンテンツを作る。

表で見る最新の状況

上の「学び方の種類ごとの論文6本」は、TRAIL の研究記事から、機械学習の学び方の種類ごとに論文を6本選んで並べたものだ。論文の内容は2026年10月24日に arXiv の要旨ページで確かめた。

ResNet（2015年12月）：画像を分類するモデル。層の数は最大152だ。複数の ResNet を組み合わせたものが ImageNet のテストで誤り率3.57%を記録し、ILSVRC 2015 の分類部門で1位になった。
CatBoost（2017年6月）：表の形のデータで使う勾配ブースティング（弱いモデルを学ばせて、全体のモデルの品質を少しずつ上げる学習の方法）の道具。カテゴリの値を扱う新しい処理を提案した。
AlphaZero（2017年12月）：強化学習の例。ゲームの規則のほかに知識を与えず、自分どうしの対局で学び、24時間以内にチェス、将棋、囲碁で人を超える強さに達した。
SimCLR（2020年2月）：正解のラベルを使わずに画像の特徴を学ぶ方法。ImageNet のラベルの1%だけで追加の学習をして、上位5候補の正解率85.8%を記録した。
GPT-3（2020年5月）：1,750億のパラメータを持つ言語モデル。課題ごとの追加の学習をせず、文章で課題と少数の例を示すだけで課題に取り組んだ。
TabPFN-2.5（2025年11月）：表の形のデータの予測に使う基盤モデル。最大5万件のデータと2,000の特徴量を想定して作られた。

TRAIL の研究記事から選んだ6本では、2020年以降の3本のうち SimCLR と GPT-3 は正解のラベルを大量に用意しない学び方や使い方を扱っている。SimCLR はラベルを使わない学習、GPT-3 は追加の学習をしない使い方だ。TabPFN-2.5 は、合成の課題で事前に学習したモデルに、新しい表の学習用の例を入力として渡して予測させる。

機械学習と生成AI・ディープラーニングの違い

3つの言葉は、範囲の大きさが違う。Google の入門講座は生成AIを機械学習のシステムの種類の1つに数えている。

	機械学習	ディープラーニング（ディープモデル）	生成AI
Google の説明	入力データからモデルをトレーニングするプログラムまたはシステム（用語集）	複数の隠れ層を含むニューラルネットワーク（用語集の「ディープモデル」）	ユーザーの入力からコンテンツを作るモデルの一種（入門講座）
何を指すか	データからモデルを学ばせる方法の全体	機械学習で使うモデルのうち、隠れ層が複数あるもの	機械学習のシステムのうち、コンテンツを作るもの
出力の例	雨の量、迷惑メールかどうか	画像の分類（ResNet）	文章、画像、音声、動画

隠れ層はニューラルネットワークのうち、入力の層（特徴量）と出力の層（予測）の間にある層のことだ。Google の用語集は隠れ層を1つ以上含むモデルをニューラルネットワークと呼ぶ。

仕事でどう関係するか

予測したいものを「数値」か「分類」かで整理するとき

たとえば、来月の注文数のように数値を当てたいなら回帰、問い合わせが解約の相談かどうかを当てたいなら分類になる。どちらに当たるかが決まると、集めるべきラベル（過去の注文数、過去の問い合わせの種類）も決まる。

手元のデータが学習に使えるかを見積もるとき

教師あり学習では、正解の付いたデータが必要だ。Google の講座は、学習に使ったデータが実際のデータを適切に表していないと、過学習（学習データに合わせすぎて新しいデータで正しく予測できない状態）が起きると書いている。たとえば、ある1店舗の売上だけで学んだモデルを全店舗に使うと、この条件に当たるおそれがある。

表計算のデータで予測を試すとき

売上や在庫のような行と列の表は、CatBoost のような勾配ブースティングや、TabPFN-2.5 のような表データ向けの基盤モデルで扱える。生成AIのチャットに相談する場合は、たとえば次のように目的と表の形を伝える。

プロンプト

過去2年分の店舗ごとの月次売上の表があります（約5,000行、列は店舗、月、売上、販促の有無、気温）。
来月の売上を予測したいです。
これは回帰と分類のどちらに当たるか、学習用と評価用にデータをどう分けるべきかを教えてください。

生成AIのツールと従来の機械学習を使い分けるとき

Google の入門講座の分け方に当てはめると、作りたいものが文章や画像なら生成AI、数値やカテゴリの予測なら教師あり学習の回帰や分類に当たる。GPT-3 の論文はファインチューニング（追加の学習）をせずに文章で例を示すだけで課題に取り組めることを示した。自社のデータで決まった数値を予測するなら、そのデータで学ばせたモデルを評価してから使う。

注意点と限界

モデルの良し悪しは、学習に使っていない新しいデータで測る。Google の講座は、モデルの価値を測るのは新しいデータでの予測の精度だと書いている。
学習を繰り返すうちに、学習用のデータ（トレーニングセット）では損失（予測の誤差）が減るか横ばいになるのに、検証用のデータでは増えていく。Google の講座はこれを過学習のしるしとしている。
モデルが複雑すぎることも過学習の原因になる。
学習データには人の偏り（バイアス）が入ることがある。Google の講座は、モデルを本番で使う前に学習データを監査し、予測の偏りを評価することが重要だとしている。
論文の数字は、それぞれの論文が使ったデータと条件での結果だ。自社のデータで同じ精度が出るとは限らない。

よくある質問

機械学習とは何か、簡単に言うと

データからモデルを学ばせ、予測やコンテンツの生成に使う方法だ。モデルはデータの中の関係を学ぶ。Google の入門講座は雨の量の予測や迷惑メールの判定を例に挙げている。

機械学習にはどんな種類があるか

Google の入門講座は教師あり学習、教師なし学習、強化学習、生成AIの4つに分けている。正解のデータで学ぶのが教師あり学習、パターンを見つけるのが教師なし学習、報酬で学ぶのが強化学習、コンテンツを作るのが生成AIだ。

機械学習とディープラーニングの違いは何か

機械学習はデータからモデルを学ばせる方法の全体を指す。ディープラーニングで使うディープモデルは、Google の用語集では複数の隠れ層を含むニューラルネットワークのことで、機械学習で使うモデルの形の1つだ。

生成AIは機械学習に含まれるか

含まれる。Google の入門講座は生成AIを機械学習のシステムの種類の1つとして、教師あり学習などと並べている。

過学習とは何か

モデルが学習データに合わせすぎて、新しいデータで正しく予測できなくなることだ。Google の講座は、学習データが実際のデータを適切に表していないことと、モデルが複雑すぎることを原因に挙げている。