AI・機械学習とは？基礎から生成AI・MLOpsまで体系的に解説

はじめに

AI・機械学習を学ぼうとすると、基礎的な学習方式からデータの準備、モデル評価、生成AI、運用まで幅広い知識が出てきます。個別の用語から読み始めると、何を先に理解すべきか迷いやすい分野です。

このページでは、AI・機械学習の知識を8つのカテゴリに整理し、おすすめの学習順序と関連記事をまとめます。初めて学ぶ人は上から順に、知りたい分野が決まっている人は必要なカテゴリから読み進められます。

AI（人工知能）は、人が知的に行う認識、判断、予測、生成などをコンピュータで実現する技術や考え方の総称です。機械学習はその中で、データから規則や傾向を学び、予測や分類などに利用する代表的な方法です。

AI・機械学習を体系的に理解するには、モデルの名前だけを覚えるのではなく、学習方式、学習データ、モデル、評価、応用分野、運用までをつなげて捉えることが重要です。このHubでは、その流れに沿って知識を整理します。

AI・機械学習は、次の8カテゴリに分けると全体像を把握しやすくなります。基礎から始め、データ、モデル、評価、応用、運用へ進む構造です。

機械学習を学ぶ最初の段階では、どのような学び方があり、予測したい答えによって問題の種類がどう変わるかを整理します。教師あり学習と教師なし学習、回帰と分類、分類とクラスタリングの違いを押さえると、その後の手法を位置づけやすくなります。

機械学習では、モデルだけでなく学習に使うデータの質や表現が結果を左右します。このカテゴリでは、データの質と量、アノテーション、標準化、特徴量エンジニアリング、次元が増えたときの問題を通じて、モデルへ渡すデータを整える考え方を学びます。

データの準備ができたら、目的に合うモデルやアルゴリズムを理解します。ここでは、クラスタリング、決定木を組み合わせるアンサンブル学習、レコメンドの代表的な考え方などを通じて、手法ごとの役割と違いを整理します。

モデルは作るだけでなく、未知のデータに対して適切に働くかを評価する必要があります。このカテゴリでは、過学習、データ分割、代表的な分類指標、ROC曲線とAUC、モデルの説明可能性を学び、結果をどのように確かめるかを整理します。

ディープラーニングを理解するには、まずニューラルネットワークの基本構造を押さえることが重要です。そのうえで、多層のネットワークを使うディープラーニングがどのような場面で活用されるのかを学びます。

文章や言語を扱うAIでは、テキストを整え、文章の構造を解析し、モデルへ入力するまでの流れを理解することが土台になります。その先に、生成AIやLLMの活用、ハルシネーションへの対応、コードやダミーデータの生成といった実践的な知識があります。

AIが扱うデータは文章だけではありません。このカテゴリでは、画像・動画・音声などのモダリティ、ファイル形式、前処理、画像認識、画像生成AI、音声認識までをつなげ、データ形式ごとの特徴と処理の考え方を学びます。

モデルを実際に使い続ける段階では、開発の効率化と運用後の管理が重要になります。AutoMLやクラウドサービスによる開発支援から、MLOps、データドリフト、モデル監視、AIOpsまでを順に学び、AIを継続的に運用する考え方を整理します。

同じものではありません。AIは認識、判断、予測、生成などをコンピュータで実現する広い技術分野を指し、機械学習はその中でデータから規則や傾向を学ぶ代表的な方法です。

最初は、教師あり学習と教師なし学習などの学習方式と、回帰・分類といった問題の種類から始めると理解しやすくなります。その後、学習データの準備、モデル、評価へ進むと、機械学習の基本的な流れをつなげて理解できます。

必ずしも全カテゴリを順番に読む必要はありません。生成AIの利用が目的なら「自然言語処理・生成AI」から始められます。ただし、モデルが学ぶデータや評価の考え方を知っておくと、出力の特徴や限界を理解しやすくなります。

AI・機械学習は、学習方式、データ、モデル、評価、ディープラーニング、自然言語処理・生成AI、画像・音声、運用という流れで整理すると、広い分野でも全体像をつかみやすくなります。

まずは基礎から順に学び、目的が決まったら必要なカテゴリへ進んでください。このHubを起点に関連記事をたどることで、個別の知識をAI・機械学習全体の中に位置づけながら学べます。