機械学習は大きく教師あり学習・教師なし学習・強化学習の3つに分かれます。教師あり学習は正解ラベル付きのデータから入力と出力の関係を学び、数値を予測する回帰（売上予測など）と、カテゴリを当てる分類（離反する/しないなど）に使います。教師なし学習は正解ラベルなしでデータの構造を見つける手法で、クラスタリング（顧客セグメンテーション）や次元削減（主成分分析）が代表例です。強化学習は、エージェントが環境の中で行動し、得られる報酬を最大化する方策を試行錯誤で学ぶ手法で、配車ルートや在庫発注の最適化などに使われます。

代表的なアルゴリズムも押さえましょう。線形回帰は目的変数を説明変数の線形結合で表し、ロジスティック回帰は名前に「回帰」とありますが確率を出力する分類手法です。決定木は条件分岐の木で予測し、解釈しやすいのが長所です。複数のモデルを組み合わせるアンサンブル学習には、データを復元抽出して並列に学習させ多数決・平均をとるバギング（その代表がランダムフォレスト）、前のモデルの誤りを次のモデルが補うよう逐次学習するブースティング、複数モデルの出力を別のモデルに入力するスタッキングがあります。SVMはクラス間のマージンを最大化する境界を求め、カーネル法で非線形な境界も扱えます。k-means法は、あらかじめ決めたk個の中心に各データを割り当て、中心を更新することを繰り返すクラスタリング手法です。

特徴量（次元）が増えすぎると、データが空間内で疎になり学習が難しくなる現象を次元の呪いといいます。次元削減や特徴量選択はその対策になります。

分類モデルの評価は、予測と正解の組合せを数えた混同行列から始まります。陽性と予測して実際も陽性ならTP（真陽性）、陽性と予測したが実際は陰性ならFP（偽陽性）、陰性と予測したが実際は陽性ならFN（偽陰性）、陰性と予測して実際も陰性ならTN（真陰性）です。

ROC曲線は判定のしきい値を変えたときの偽陽性率（横軸）と真陽性率＝再現率（縦軸）を描いたもので、その下側の面積がAUCです。AUCが1に近いほど識別性能が高く、0.5はランダムな判定と同程度です。陽性が少ないデータでは、適合率と再現率で描くPR曲線も使われます。

モデルの良し悪しは、学習に使ったデータでの訓練誤差ではなく、未知データに対する汎化誤差で判断します。訓練誤差だけ小さく汎化誤差が大きい状態が過学習で、単純すぎるモデルは逆にバイアスが大きくなります（バイアス・バリアンスのトレードオフ）。評価方法には、データを学習用と検証用に一度だけ分けるホールドアウト検証と、データをk個に分割し検証用を入れ替えながらk回評価する交差検証があります。学習率や木の深さのように人が事前に設定する値をハイパーパラメータといい、候補の全組合せを試すグリッドサーチやランダムに試すランダムサーチで探索します。

運用面では、予測時点では本来得られない情報（将来の値や正解に直結する項目）が学習に混入するデータリーク（リーケージ）に注意が必要です。また、入力データの分布が本番で変化するデータドリフトや、それによってモデルの精度が劣化するモデルドリフトを監視し、再学習を計画します。

ニューラルネットワークは入力層・隠れ層・出力層から成り、隠れ層を多層にしたものがディープラーニングです。各層の出力には活性化関数（シグモイド、ReLUなど）がかかり、出力と正解との誤差を出力側から入力側へ伝えて重みを更新する誤差逆伝播法（バックプロパゲーション）で学習します。重みの更新には勾配降下法を使い、データを1件ずつ・少数ずつ使う確率的勾配降下法（SGD）やミニバッチ学習が一般的です。訓練データ全体を1回使い切る単位をエポック、重みを1回更新する単位をイテレーションと呼びます。層が深いと勾配が入力側でほとんど0になる勾配消失問題が起きやすく、ReLUなどの活性化関数の工夫で緩和します。

過学習対策には、重みの大きさに罰則を加える正則化（L1正則化は不要な重みを0にしやすく特徴量選択の効果、L2正則化は重みを全体的に小さくする）や、学習中にランダムにノードを無効化するドロップアウトがあります。大量データで事前学習したモデルを別タスクに流用するのが転移学習、その重みを追加データで再調整するのがファインチューニングです。追加学習で以前に学んだ内容を失ってしまう現象は破滅的忘却と呼ばれます。

大きなモデルを実運用しやすくする軽量化には、重要度の低い重みや結合を削るプルーニング（枝刈り）、大きな教師モデルの出力をまねて小さな生徒モデルを学習させる蒸留、重みを少ないビット数で表現する量子化があります。

大規模言語モデル（LLM）は、大量のテキストを使い、次に来るトークンを予測するといった自己教師あり学習で事前学習したTransformerベースのモデルです。文章はトークンという単位に分割して処理され、一度に入力・参照できるトークン数の上限がコンテキストウィンドウです。事前学習後、指示に従うよう調整するインストラクションチューニングや、人の評価をもとに好ましい応答へ近づけるRLHF（人間のフィードバックによる強化学習）によって、人間の意図や価値観に沿わせるアラインメントを行います。

LLMは重みを更新しなくても、プロンプト内に示した指示や例から振る舞いを変えられます。これをコンテキスト内学習（In-Context Learning）といい、例を示さないゼロショット、少数の例を示すフューショットがあります。社内文書など、モデルが学習していない知識を使わせたい場合は、質問に関連する文書を検索してプロンプトに加え、それを根拠に回答させるRAG（検索拡張生成）が有効です。RAGは最新情報への対応や根拠の提示に役立ちますが、回答品質は検索で取り出す文書の質（分割の仕方、検索精度）に大きく左右されます。

生成AIの出力には、事実と異なる内容をもっともらしく生成するハルシネーションのリスクがあります。科目Bでは、業務課題に対して生成AIの適用可能性を判断し、プロンプト・参照情報・ツール連携を設計し、出力を妥当性・有用性・根拠の明確さの観点で評価・改善するスキルが問われます（シラバス 2-4）。テキスト・画像・音声などを組み合わせて扱うマルチモーダルも活用領域の一つです。

AIエージェントは、LLMなどが目的に向けて自ら計画を立て、外部ツールを呼び出しながら複数ステップの作業を進める仕組みです。代表的な設計パターンに、推論（Reason）と行動（Act）を交互に繰り返し、ツールの実行結果を見て次の行動を決めるReActや、先に全体計画を立ててから実行するPlan-and-Executeなどがあります。思考を段階的に書き出させるCoT（Chain of Thought）や、複数の思考の分岐を探索するToT（Tree of Thought）は推論の質を高める工夫です。

エージェントが外部システムを使うための仕組みとして、モデルが呼び出すべき関数と引数を構造化して出力するFunction Calling、AIアプリケーションと外部のツール・データソースを接続するためのプロトコルであるMCP（Model Context Protocol）、エージェント同士が連携するためのプロトコルであるA2A（Agent2Agent Protocol）があります。必要な情報を必要な量だけモデルに渡すよう、プロンプト・参照情報・記憶・ツール結果を設計することをコンテキストエンジニアリングといいます。

自律性にはアシスト型・半自律型・自律型があり、自律性が高いほど、重要な操作の最終承認や例外処理に人間をどう関与させるかの設計が重要です。不適切な入力や有害・不正確な出力を防ぐガードレールは、入力時と出力時の両方に設け、安全性・倫理・法令遵守を確保します。

AI倫理の枠組みとしては、日本の人間中心のAI社会原則（基本理念：人間の尊厳、多様性と包摂、持続性）、事業者向けのAI事業者ガイドライン、米国NISTのAI RMF（AI Risk Management Framework）、AIのマネジメントシステム規格ISO/IEC 42001などが挙げられます。科目B（2-5）では、安全性・公平性・プライバシーなどの観点から倫理的リスクを特定し、設計から運用までのルールやレビュー観点を整理して、継続的に評価・改善するスキルが問われます。