教師あり学習、教師なし学習、強化学習
MLにおける3つの主要な学習パラダイムを分類し、それぞれの具体的な用途を確認して、現実の問題を適切な学習タイプに対応付けます。
「教師あり学習、教師なし学習、強化学習」はCoddyKit上の無料Machine Learning Academyレッスンです。 これはレッスン2/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはMachine Learning Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 Machine Learning Academyコースには全4レッスンが含まれています。
このレッスンの一部はまだ翻訳されておらず、英語で表示されています。
Three Learning Paradigms Overview
ML isn't one technique but a family, split by the feedback they learn from. The big three: supervised, unsupervised, and reinforcement learning.
Supervised Learning: Learning with Labels
Supervised learning trains on examples that already have the right answer (a label). It powers most ML you use, for both classification and prediction.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Supervised Learning Use Cases
Supervised learning is everywhere: spam filters, medical diagnosis, credit scoring, and image recognition. In each, the model learns from past labeled examples.
Unsupervised Learning: Finding Hidden Structure
Unsupervised learning works with no labels at all. The algorithm explores the data and finds hidden structure on its own — most often by clustering.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsUnsupervised Learning Use Cases
Unsupervised learning shines when labels are too costly: grouping customers, spotting anomalies in network traffic, or finding topics across thousands of articles.
Reinforcement Learning: Learning by Doing
In reinforcement learning, an agent acts in an environment and earns rewards or penalties — learning the best strategy by trial and error, like training a dog. 🐕
Reinforcement Learning Use Cases
Reinforcement learning drives some famous wins: AlphaGo mastering Go through self-play, robots learning to walk, and agents learning to drive in simulation.
Self-Supervised Learning: A Fourth Paradigm
A modern twist is self-supervised learning: the data labels itself. Language models like BERT learn by predicting masked words in a sentence.
Matching Problems to Paradigms
To pick a paradigm, ask: do you have labels? Is the output a category or a number? Is learning reward-driven? A safe default is supervised learning.
Semi-Supervised Learning: Best of Both Worlds
Semi-supervised learning mixes a little labeled data with lots of unlabeled data — perfect when labeling is expensive but raw data is plentiful.
Scikit-learn API for All Paradigms
scikit-learn shines with one consistent API: create an estimator, call fit(), then predict() or transform(). Swapping algorithms takes barely any code.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Quick Check
Test your understanding of Machine Learning with Python concepts from this lesson.
Lesson Recap
Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.
よくある質問
「教師あり学習、教師なし学習、強化学習」レッスンは無料ですか？
はい。「教師あり学習、教師なし学習、強化学習」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、Machine Learning Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 Machine Learning Academyコースには全4レッスンが含まれています。
「教師あり学習、教師なし学習、強化学習」で何を学びますか？
MLにおける3つの主要な学習パラダイムを分類し、それぞれの具体的な用途を確認して、現実の問題を適切な学習タイプに対応付けます。 ブラウザで直接実行するハンズオンコードでMachine Learning Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
Machine Learning Academyを始めるのに経験は必要ですか？
事前経験は必要ありません。CoddyKitのMachine Learning Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン2/4です。
「教師あり学習、教師なし学習、強化学習」レッスンにはどのくらい時間がかかりますか？
ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このMachine Learning Academyレッスンでコードを書いて実行できますか？
はい。すべてのMachine Learning Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。
このコースのすべてのレッスン
- 従来のプログラミングと機械学習
- 教師あり学習、教師なし学習、強化学習
- MLのワークフロー：データから予測まで
- 実世界のML：用途と限界