IoT基礎 第6章の要点｜統計・機械学習・生成AI

第6章「IoTでデータを活用する」は6つの節とコラムで構成されます。表の学習ポイントは当サイトの独自の整理で、テキスト本文の要約ではありません。

機械学習の全体は機械学習とは、深層学習はディープラーニング、評価指標は適合率と再現率で詳しく扱っています。

第6章は、前半の統計と後半の機械学習が別々の話に見えがちですが、「データから傾向をつかみ、予測や判断に使う」という同じ目的の、手作業寄りと自動寄りの方法と捉えるとつながります。回帰分析は統計の手法であると同時に、機械学習の「回帰」タスクの出発点でもあります。

統計の用語は、小さな数字で手を動かすと定着します。たとえば「2、4、4、5、100」という5個のデータなら、平均値は23、中央値は4です。1つの外れ値で平均が大きく動く一方、中央値はほとんど変わらないことが実感できます。センサのデータには故障や通信の誤りによる外れ値が混ざりやすいため、IoTでこの違いが大切になる理由も説明できるようになります。

機械学習は、正解ラベルがあるかで教師あり・教師なしを分け、教師ありの中では答えがカテゴリか数値かで分類・回帰を分ける、という2段階で整理します。強化学習は「行動に対する報酬」で学ぶ、別の枠組みです。評価の考え方では、学習に使ったデータとは別のデータで性能を確かめること（過学習の防止）が基本になります。

生成AIは新しい話題で、仕組みよりも使い方の注意点が問われやすいと当サイトは考えています。誤った内容をもっともらしく出力する可能性、入力した情報の取扱い、著作権などの論点を、IPAのガイドラインなど一次資料で確認しておくと安心です。GANのコラムは、生成器と識別器の2つを競わせるという構造を一文で言えれば十分でしょう。

以下は当サイトの目安で、公式の推奨ではありません。

1. 16-1でデータ活用の流れを押さえる（約30分）
2. 26-2と6-3で統計の用語を手計算の小さな例で確かめる（約2時間）
3. 36-4で学習の種類と評価指標を表にする（約1.5時間）
4. 46-5と6-6、コラムで深層学習と生成AIの位置づけを読む（約1時間）
5. 5問題演習で確認する（約1時間）

合計で約6時間が目安です。統計が苦手な方は、5個程度の数字で平均・中央値・分散を実際に計算すると定義が定着します。問題形式で確かめたい方はIoT基礎の無料お試しも使えます。

5台のセンサの1日の稼働時間が 8、9、9、10、64（時間）だったとします。64は記録の誤りと思われる外れ値です。平均値は（8＋9＋9＋10＋64）÷5＝20時間となり実態より大きく出ますが、並べた真ん中の値である中央値は9時間で、外れ値の影響をほとんど受けません。1日は24時間なので、64時間という値自体がデータの前処理で見つけるべき誤りだと気づけることも大切です。

よくあるミスは、相関係数が高いことを「原因と結果の関係がある」と読んでしまうことです。アイスの売上と水難事故がともに増えるのは、気温という共通の要因によるもので、一方が他方の原因ではありません。

極端に大きな値が1つ混ざったデータで、その影響を最も受けにくい代表値はどれか。

1. 1平均値
2. 2中央値
3. 3合計値
4. 4最大値

正解：2。中央値は並べたときの真ん中の値なので、端の極端な値に左右されにくい性質があります。

1の平均値は外れ値に引っ張られます。3の合計値と4の最大値は、外れ値がそのまま結果に反映されます。

次のうち、教師なし学習の例として最も適切なものはどれか。

1. 1過去の気温と売上から明日の売上を予測する
2. 2ラベル付きの画像で犬と猫を見分けさせる
3. 3購買履歴から似た顧客をグループに分ける
4. 4報酬を最大にする行動を試行錯誤で覚える

正解：3。正解ラベルなしでデータの構造を見つけるクラスタリングは教師なし学習です。

2は正解ラベルを使う分類で教師あり学習です。1は数値を予測する回帰で、これも教師あり学習です。4は強化学習の説明です。

相関についての説明として、最も適切なものはどれか。

1. 1負の相関は2つの量に関係がないことを示す
2. 2相関係数が高ければ必ず因果関係がある
3. 3相関係数は0から100の範囲の百分率で示す
4. 4相関係数はマイナス1から1の範囲をとる

正解：4。相関係数は−1から1までの値をとり、絶対値が1に近いほど直線的な関係が強くなります。

2は相関と因果の混同です。3は範囲の誤りです。1は、負の相関は一方が増えると他方が減る関係で、無関係を示すのは0付近です。