第1章 · 説明ページ

学習した例で当たるだけでよいか

旅行写真で学習したモデルが、別の日の写真でも役立つかを確かめたい。入力が答えへ変わる仕組み、学習で調整する部分、初めての例での評価を順に見ると、「練習では当たった」の先に確かめることが分かります。

最初の節から読む ↓4つの節で順に学びます

この教材でできるようになること

層と重みの役割を説明し、予測と学習で変える部分を区別する。
学習用・検証用・テスト用を分け、過学習の兆候と対策を考える。
既存モデルの活用、追加学習、入力での例示を区別する。

この教材では、前の教材で学んだ内容を使います。読み直すときは、規則で決めるAIと、データから学ぶAIへ戻る ↑ / 何を教えるとAIは学べるのかへ戻る ↑

公式第1章「AIの基礎と歴史」の中項目「ニューラルネットワーク」。基本的な構造、学習、汎化、既存モデルの活用を扱います。図は仕組みを説明する模式図で、特定モデルの構成・性能を示しません。微分の計算や実装コードの習得を前提にしません。

読み方漫画と説明説明のみ

この教材の目次を開く

1. 入力から予測へ、何がつながっているか
2. 予測が外れたとき、学習で何を調整するか
- 損失は、学習の目的に沿って予測を評価する値
- 勾配を求め、重みなどを更新する
3. 初めての例でも使えるか、どう確かめるか
- 学習した例以外でも役立つことを確かめる
- 覚えすぎを抑える方法にも、条件がある
4. すでに学んだモデルを、別の用途へ生かせるか
- 学習済みの特徴などを、新しい課題へ使う
- 追加で重みを調整することと、入力の例示を分ける

回答はこのページを開いている間だけ保持します。別のページへ移動・再読み込みすると消えます。保存されるのは読み方の設定だけです。

「保存済みです。」と表示された回答は、同じブラウザーでこの教材を開き直すと復元できます。

1入力から予測へ、何がつながっているか

脳に似た名前の仕組みは、何を計算している？

この節で使う言葉：ニューラルネットワーク・層・重み・活性化関数・深層学習

この節の学習目標：入力・隠れ・出力の層と重みの役割を説明し、深層学習を機械学習の中へ位置付けられる。

友だちに渡す旅のアルバムを、出来事の順に並べたい二人。「海辺」という分類結果を見たハルは、山のあとに寄った海だと考え、写真を最後へ貼ろうとします。ミオは、山へ向かう前の朝にも海へ寄ったことを思い出します。この一枚はいつの写真でしょうか。貼る手を止め、モデルの計算と、写真を並べるための手がかりを確かめます。

まず入力から出力へ進む道を追い、その途中の計算と、学習で調整する値を分けます。

この海辺は、旅の最後？。1 / 2ページ。段は上から下へ、横に並ぶコマは右から左へ読みます。会話の文章版も下にあります。 — 漫画でつかむ続きは下へ ↓
この海辺は、旅の最後？
**この話で学ぶこと：**海辺という分類から、撮影時刻や旅行の順番まで分かるわけではない。

この海辺は、旅の最後？。2 / 2ページ。段は上から下へ、横に並ぶコマは右から左へ読みます。会話の文章版も下にあります。 — 漫画でつかむ続きは下へ ↓
この海辺は、旅の最後？
**この話で学ぶこと：**海辺という分類から、撮影時刻や旅行の順番まで分かるわけではない。

層を通して、入力を予測へ変える

ニューラルネットワークは、神経細胞のつながりに着想を得た、計算を行うモデルです。小さな計算の単位をニューロンやノードと呼び、つながりを通して値を受け渡します。人の脳そのものや、脳の働き全体を再現したものではありません。

ここでは、値が入力側から出力側へ進む基本的な構造を例にします。入力層は、写真を作る小さな点（画素）の色などの値を受け取り、途中の隠れ層（中間層）は計算した値を次へ渡し、出力層は分類などに使う結果を出します。隠れ層は「秘密の答えを保管する場所」という意味ではありません。

予測するときは、この道を入力から出力へ進みます。学習するときは、出した予測と正解などを比べ、つながりに関係する値を調整します。構造をたどることと、学習で値を変えることを分けて読みましょう。ニューラルネットワークには別の接続構造もあり、この図だけがすべての形ではありません。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 入力・隠れ・出力の層（別のタブで開く） ↗ / Google ニューラルネットワーク（別のタブで開く） ↗ / Google 機械学習用語集（別のタブで開く） ↗

重みで影響を調整し、活性化関数で値を変換する

重みは、受け取った値が次の計算へどれくらい影響するかを調整する値です。基本的なニューロンでは、入力へ重みを掛けて足し合わせ、バイアスという調整値も加えます。重みやバイアスはモデルが持つパラメータで、写真そのものや正解ラベルとは区別します。

この計算結果を次へ渡す前に変換する働きが活性化関数です。例えばReLUは、負の値を0にし、0以上の値はそのまま出します。活性化関数にはほかの種類もあります。「ニューロンをオンかオフにするだけ」と一つの動作に決め付けません。

一つの計算をつなげてみます。入力2に重み0.5を掛けると1。バイアス－2を加えると－1です。この値をReLUへ渡すと、負なので出力は0になります。「掛けて足す計算」と「活性化関数による変換」を順に追う、小さな例です。

非線形の活性化関数を組み合わせることで、単なる比例や足し算だけでは表せない関係も扱えるようになります。線形の計算だけを何層重ねても、全体としては線形の関係のままです。層を増やすだけで、必ず複雑な関係を学べるわけではありません。どの値を、どの計算へ渡すかが構造の役割です。

例えば、入力を2倍し、さらに3倍して1を足すだけなら、全体は「入力を6倍して1を足す」という一本の直線の関係で表せます。一方、ReLUへ－1・0・1を入れると、出力は0・0・1です。負の側は0で止まり、正の側は入力に合わせて増えるので、0のところで関係が折れ曲がります。このような変換を挟むことが、直線で表す計算だけを重ねる場合との違いです。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 活性化関数（別のタブで開く） ↗ / Google モデルの重みの用語（別のタブで開く） ↗

深層学習は、複数の隠れ層を使う学習

深層学習（ディープラーニング）は、複数の隠れ層を持つニューラルネットワークを使う機械学習です。入力に近い層から、さらに計算を重ねた特徴の表し方を学ぶ例があります。AIの方法の中に機械学習、その中に深層学習があります。

「深い」は主に層の重なりを指し、人間のように深く考えることを保証する言葉ではありません。層を増やしたときの性能は、データ、学習の条件、目的に合う評価で確かめます。すべてのAIがニューラルネットワークを使うとも、すべての機械学習が深層学習とも言えません。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 深層モデルの用語（別のタブで開く） ↗ / Google 誤差逆伝播（別のタブで開く） ↗

入力から予測へ：層とつながりを見る。図と同じ情報を直下の文章で確認できます。 — 入力から予測へ：層とつながりを見る

別の場面でたどる：所要時間を予測する

距離や荷物量などを入力し、途中の層で計算して、出力を配達の所要時間の予測に使うモデルを考えます。入力の「距離」を変えるのと、距離に関わる「重み」を学習で変えるのは別です。モデルを使う人が新しい距離を入力しただけで、重みまで更新したことにはなりません。

ここで持ち帰ること

層は入力から結果までの計算をつなぎ、重みはその影響を調整します。複数の隠れ層を使う深層学習も、機械学習の一つです。

条件を見て、自分で確かめる

確認 1 · 1つ選ぶ基本的なニューラルネットワークで、写真の入力から分類の結果を出す流れを説明している。層と重みの役割として適切なのはどれか。

1 2 3 4

1隠れ層は、学習で使った写真の正解を一覧で保存する場所である。2重みは、新しく入力する写真のカテゴリ名そのものである。3出力層が先に正解を受け取り、その後で入力層が写真を受け取る。4入力層から途中の層を通して計算し、重みは次の計算への影響を調整する。

確認 2 · 適切なものをすべて選ぶニューラルネットワークと深層学習について、適切な説明をすべて選べ。

1 2 3 4

1複数の隠れ層を使う深層学習は、機械学習の一つである。2活性化関数を使わず線形の計算だけを重ねれば、層の数だけで非線形の関係を表せる。3神経細胞のつながりに着想を得ているが、人の脳全体の再現とは区別する。4「深い」という名称は、人間と同じ理解や思考があることを表す。

言葉にしてみる（採点なし）

所要時間を予測するモデルで、入力の距離を10kmから20kmへ変えました。これは重みを学習で更新したことですか。入力・重み・出力の役割を使って説明してください。

解説と考え方を読む

距離は今回渡す入力です。重みはモデルの計算に使う値で、入力を替える操作と学習で更新する操作は別です。学習済みの重みなどを使って計算した結果を、所要時間の予測へ使います。

層を通して、入力を予測へ変えるへ戻る ↑重みで影響を調整し、活性化関数で値を変換するへ戻る ↑

2予測が外れたとき、学習で何を調整するか

新しい入力を渡すだけで、モデルは学習し直す？

この節で使う言葉：損失関数・勾配・誤差逆伝播法・勾配降下法・学習済みモデル

この節の学習目標：予測・損失・勾配・重み更新の役割を区別し、入力を替える利用と学習を分けて説明できる。

旅行写真を分類する体験で、海辺の写真が「山」と予測されました。同じ写真を入れ直しても、結果は変わりません。入力するだけの操作と、モデルを学習し直す操作は何が違うのでしょうか。二人は学習の順序を確認します。別に取っておいた写真を入力し、その予測を人の正解と照合します。一枚の一致から、さらに別の写真の確認へ進みます。

予測を正解などと比べ、損失を計算し、重みをどう変えるかの手掛かりを求めて、更新する順に見ます。

入れ直すだけでは、学習にならない。1 / 2ページ。段は上から下へ、横に並ぶコマは右から左へ読みます。会話の文章版も下にあります。 — 漫画でつかむ続きは下へ ↓
入れ直すだけでは、学習にならない
**この話で学ぶこと：**同じ写真を入れ直す操作と、正解を使ってモデルを学習し直す操作は違う。

入れ直すだけでは、学習にならない。2 / 2ページ。段は上から下へ、横に並ぶコマは右から左へ読みます。会話の文章版も下にあります。 — 漫画でつかむ続きは下へ ↓
入れ直すだけでは、学習にならない
**この話で学ぶこと：**同じ写真を入れ直す操作と、正解を使ってモデルを学習し直す操作は違う。

損失は、学習の目的に沿って予測を評価する値

損失（loss）は、学習の目的に照らして、予測のずれや誤りを評価する数値です。その値を求める決まりが損失関数です。教師あり学習なら、予測と正解を使って計算する例があります。分類と数値の予測では、目的に合う損失関数を選びます。

例えば気温を予測する課題で、正解20℃に対して24℃と予測した場合、差の4℃を使った評価を考えられます。二乗誤差なら4×4＝16です。この例の値は、写真分類にそのまま使う数値ではありません。損失の値と、正解率の％は別のものです。

学習では損失を小さくすることを目指しますが、学習用データの損失が小さいだけで、新しい例でもよいとは言えません。損失を何のデータで計算したか、実際の目的に合う評価かを一緒に確認します。新しい例での評価は、次の節で詳しく見ます。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 機械学習用語集（別のタブで開く） ↗ / Google 誤差逆伝播（別のタブで開く） ↗

勾配を求め、重みなどを更新する

勾配は、重みなどを少し変えたときに損失がどちらへ、どれくらい変わるかを表す手掛かりです。ニューラルネットワークの誤差逆伝播法（バックプロパゲーション）は、出力側の損失から計算をさかのぼり、各パラメータに関する勾配を効率よく求める方法です。入力の写真を逆向きに流して元に戻す処理ではありません。

勾配降下法は、求めた勾配を使い、損失を小さくする方向へパラメータを調整する方法です。更新の大きさには学習率が関係します。勾配を計算する処理と、その値を使って重みを更新する処理は役割が違います。一度の更新で、すべての例の損失が減ったり、最良の値に到達したりする保証はありません。

学習中のモデルは、こうした更新を繰り返します。学習済みモデルを利用するときは、通常、学習済みのパラメータを使って新しい入力の予測を計算します。写真や指示文を替えて結果が変わっても、それだけで重みが更新されたとは言えません。実際に追加学習を行ったかを確かめます。

手掛かりから更新へ進む小さな例です。「予測＝重み×入力」という単純なモデルで、入力1・正解2・重み0とします。予測は0、二乗誤差の損失は（0－2）²＝4です。この点の勾配を計算すると－4になります。負なのは、この付近では重みを少し増やすと損失が小さくなる向きだからです。たとえば重み0.1なら損失は3.61、重み－0.1なら4.41です。ここでは勾配の計算結果を受け取り、学習率を0.1として「元の重み－学習率×勾配」で更新すると、0－0.1×（－4）＝0.4です。負の値を引くので、重みは0から0.4へ増えます。

更新後の予測は0.4、損失は（0.4－2）²＝2.56となり、この例では4より小さくなりました。勾配を求めた時点と、重みを0.4へ変えた時点は別です。学習率0.05なら最初の更新先は0.2になり、更新幅も変わります。これは一つの重みだけの説明用モデルで、写真分類の実際の計算や、毎回の改善を保証する例ではありません。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / PyTorch 勾配計算とパラメータ更新（別のタブで開く） ↗ / Google 誤差逆伝播（別のタブで開く） ↗ / Google モデルの用語（別のタブで開く） ↗

予測・損失・勾配・更新を分ける。図と同じ情報を直下の文章で確認できます。 — 予測・損失・勾配・更新を分ける

別の場面で比べる：依頼文の書き直し

文章などの内容をつくるAIを生成AIと呼びます。生成AIへの依頼を「3行で要約して」と書き直すと、短い答えになりました。これは新しい入力による利用の例です。「短い答えを出した」という結果から、その場で重みを追加学習したとは判断できません。学習の説明では、どの例と目的を使い、どのパラメータを更新したかを確認します。