AIF-C01：AWS Certified AI Practitioner AI と機械学習の基礎 問15
AI と機械学習の基礎／AI/ML/深層学習の基本概念と用語ロボットやゲーム AI が、試行錯誤しながら「良い結果には報酬、悪い結果には罰」を受け取り、累積報酬を最大化する行動方針を学習していく機械学習の種類はどれですか。
当サイトのオリジナル問題（AIF-C01：AWS Certified AI Practitionerの出題範囲「AI と機械学習の基礎」に対応。実際の試験問題ではありません）
- A教師あり学習
- B教師なし学習
- C半教師あり学習
- D強化学習
正解：D
解説
強化学習は、エージェントが環境と相互作用し、行動の結果として得られる報酬（と罰）を手がかりに、累積報酬を最大化する方策を試行錯誤で学習する手法です。教師あり学習は正解ラベル付きデータ、教師なし学習はラベルなしデータの構造発見、半教師あり学習は両者の中間で、いずれも報酬に基づく試行錯誤の学習ではありません。
下線の用語は 用語集 で意味を確認できます。
選択肢ごとの解説
- A誤り。教師あり学習は正解ラベル付きデータから学習する手法で、報酬に基づく試行錯誤ではありません。
- B誤り。教師なし学習はラベルなしデータの構造（クラスタ等）を見つける手法です。
- C誤り。半教師あり学習はラベルあり・なしを併用する手法で、報酬による学習ではありません。
- D正しい。報酬・罰を手がかりに累積報酬を最大化する方策を学ぶのが強化学習です。