AI（人工知能）という言葉を聞くと、何を思い浮かべますか？多くの人が、人間のように考え、話すロボットを想像するかもしれません。それは間違いではありませんが、AIの世界はもっと広大です。

AIを大きな「料理」というジャンルだと考えてみましょう。その中には、「西洋料理」や「中華料理」といった様々な分野があります。同じように、AIという大きな枠組みの中に、機械学習（ML）というアプローチが存在します。そして、その機械学習というアプローチの中に、さらに「ディープラーニング」という特定の手法が含まれています。

つまり、関係性は次のようになります。

AI > 機械学習 > ディープラーニング

すべてのディープラーニングは機械学習であり、すべての機械学習はAIです。しかし、その逆は必ずしも正しくありません。AIには、機械学習以外の方法、例えば専門家の知識をルールとしてプログラムに書き込む「エキスパートシステム」のようなものも含まれます。

このコースでは、主に機械学習に焦点を当てます。なぜなら、現代のAI技術の多くが、この機械学習、特にディープラーニングによって飛躍的な進歩を遂げたからです。

機械学習モデルは、人間と同じように様々な方法で学習します。主に「教師あり学習」「教師なし学習」「強化学習」の3つのタイプに分けられます。

教師あり学習は、最も一般的です。これは「正解ラベル」が付いたデータを使ってモデルを訓練する方法です。例えば、たくさんの猫の写真（データ）に「これは猫です」というラベルを付けて学習させます。この訓練を経ることで、モデルは新しい写真を見せられたときに、それが猫かどうかを判断できるようになります。

教師なし学習では、正解ラベルがありません。モデルはデータの構造やパターンを自ら見つけ出そうとします。例えば、たくさんの顧客データを渡して、「似たような購買行動をするグループに分けてください」とお願いするようなケースです。ECサイトで「この商品を買った人はこんな商品も見ています」という推薦機能は、この一種です。

強化学習は、エージェント（学習する主体）が特定の環境で行動し、その結果得られる「報酬」を最大化するように学習する方法です。自動運転車がシミュレーション内で運転を練習し、ゴールにうまくたどり着けたらプラスの報酬、壁にぶつかったらマイナスの報酬を与え、最適な運転方法を学んでいくのがこの例です。囲碁で人間に勝利したAlphaGoも、この強化学習を使っていました。

機械学習、特に教師あり学習のタスクは、大きく「回帰」と「分類」の2つに分けられます。これは、何を予測したいかによって決まります。

例えば、家の広さや築年数、立地といったデータから「家の価格（例: $350,000）」を予測するのは回帰です。予測結果は連続した数値になります。

一方、メールの文章から「スパムメールか、そうでないか」の2種類に分けるのは分類です。また、手書きの数字の画像を見て「0から9のどれか」を当てるのも分類（多クラス分類）です。予測結果は、あらかじめ決められたカテゴリのいずれかになります。

これらの基本的な概念、つまりAIと機械学習、ディープラーニングの関係性、3つの学習方法、そして回帰と分類の違いを理解することが、Google Cloudのような高度なツールを使いこなすための第一歩です。これらの基礎知識があれば、自分が解決したい問題に対して、どの技術が最適なのかを見極めることができるようになります。