AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

正解

A. 半教師あり学習

半教師あり学習（Semi-supervised Learning）は、少量のラベル付きデータと大量のラベルなしデータを組み合わせて1 つのモデルを学習させる手法です。
不正検出は「不正」というラベルを付けた事例をそろえるコストが高く、ラベルなしの取引ログは大量にあるという典型的な場面で、まさに半教師あり学習が使われます。
問題文の「教師あり学習と教師なし学習の両方を適用」「ラベルなし → ラベル付きの順に学習」という記述と定義が完全に一致するため、これが正解です。

B. ディープラーニング

ディープラーニングは、多層のニューラルネットワークを使うモデルの構造（アルゴリズム）を指す言葉であり、学習データにラベルがあるかどうかという分類軸とは別の軸です。
ディープラーニングは教師あり・教師なし・半教師ありのいずれの学習にも使えるため、「ラベルの有無をどう使うか」を問う本問の答えにはなりません。

C. 自己教師あり学習

自己教師あり学習（Self-supervised Learning）は、ラベルなしデータから疑似的なラベル（教師信号）を自動生成して学習する手法です（例：文章の一部を隠して当てさせる）。
あくまで人手のラベル付きデータを使わない点が特徴で、問題文のように明示的なラベル付きデータで学習する工程は含みません。
「ラベルなしデータから始める」という点だけを見ると紛らわしいですが、ラベル付きデータの併用が明記されている本問では不適です。

D. 転移学習

転移学習（Transfer Learning）は、あるタスクで学習済みのモデルを、別の関連タスクに再利用する手法です。
着目点は「学習済みモデルの流用」であって、ラベルの有無ではありません。
問題文には既存の学習済みモデルを別タスクへ転用するという記述がないため、このカテゴリには分類できません。

正解への思考ルート

問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。

要件	判断ポイント
教師あり学習と教師なし学習の両方を適用している	ラベルあり・ラベルなしの両方のデータを使う学習カテゴリを探す →選択肢（A）が正解
まず大量のラベルなしデータで学習する	ラベルなしデータの活用だけを見ると自己教師あり学習も候補に見える →選択肢（A・C）は候補
その後、少量のラベル付きデータで学習する	人手のラベルを併用する時点で自己教師あり学習ではない。半教師あり学習の定義そのもの →選択肢（C）を消す
問われているのは「機械学習のカテゴリ」	ディープラーニングはモデル構造の話、転移学習は学習済みモデルの流用の話で、いずれもラベルの使い方の分類ではない →選択肢（B・D）を消す

ひっかけポイント

• 「ラベルなしデータで学習」だけを拾うと自己教師あり学習（C）に引き寄せられる。決め手は「その後ラベル付きデータでも学習する」の一文で、人手のラベルを併用する時点で半教師あり学習
• 不正検出＝高度な AI というイメージからディープラーニング（B）を選びがちだが、ディープラーニングはラベルの有無とは別の分類軸（モデル構造）であり、設問の問い（カテゴリ）に答えていない
• 「2 段階で学習する」＝「別タスクのモデルを持ち込む転移学習（D）」ではない。転移学習は事前学習済みモデルを別タスクへ流用することが要件で、本問にはその記述がない
• 半教師あり学習が使われる理由はラベル付けのコスト。不正・欠陥・医療画像など「正解ラベルを付けるのが高価」なドメインが出てきたら半教師ありを疑う

出題バリエーション

同じ知識が本番では条件を変えて出題されます。

問題文がこう変わったら	正解はこう変わる
「ラベルなしデータのみを使い、正常な取引パターンから外れた取引を検出したい」	教師なし学習（異常検知）が正解軸に。Amazon SageMaker の Random Cut Forest などが登場する。
「すべてのデータにラベルが付いており、不正／正常を予測したい」	教師あり学習（分類）が正解に。
「事前学習済みの画像モデルを自社の欠陥画像データで再学習したい」	転移学習（ファインチューニング）が正解軸に。
「エージェントが試行錯誤し、報酬を最大化する行動を学習する」	強化学習が正解に。カテゴリ 4 分類（教師あり／教師なし／半教師あり／強化学習）で整理しておく。