AIF-C01のDomain 1では、AI・ML・ディープラーニングといった基本用語を「定義できること」と「違いを説明できること」が前提として扱われやすいです。AWSの試験ガイドでも、AIやML、ディープラーニング、ニューラルネットワークなどの用語定義と、AI・ML・生成AI・ディープラーニングの違いを説明できることが目的として示されています。
この記事では、暗記に寄せすぎず「どう区別すると混乱しないか」を、具体例とセットで整理します。AWS公式の説明に沿って進めるので、学習の軸がブレにくくなるはずです。
AIF-C01対策で評価の高いUdemy講座をまとめて確認できます。👇
セール時は1,500円前後で購入できることもあります。
AI ML Deep Learningを最初に一枚で理解する
ここでは最短で全体像をつかみ、以降の説明を迷子にならずに読める状態にします。
まず大枠の関係はこれです。
- AIは一番広い概念
人間のような知的ふるまいをする仕組み全般を指す「傘」の言葉です。AWSもAIを幅広い概念として説明しています。 - MLはAIの一部
データから学習して、明示的にルールを書かなくても予測や分類ができるようにするアプローチです。AIの中でも「学習する」やり方がML。 - Deep LearningはMLの一部
MLの中でも、多層のニューラルネットワークを使う方法を指します。DLはMLの一種で、より大きなデータや計算資源が必要になりやすい、とAWSは整理しています。
よくある混乱は「AI＝ML」と思ってしまうことです。試験でも実務でも、AIという言葉は“学習しない手法”も含み得るため、AIとMLを同義に扱うと説明が崩れます。ここだけは最初に分けておくと安心です。
AIとは何かを試験向けの言葉で押さえる
AIをふわっとした流行語としてではなく、説明可能な言葉に落とし込みます。
AWSはAIを「機械を人間らしくするためのさまざまな戦略や技術の総称」といった広い概念として扱っています。ここがポイントで、AIは必ずしも機械学習だけではありません。
AIをイメージするための例
- ルールベース
例：条件分岐で「もしAならB」というルールを大量に書き、意思決定をさせる。これは「学習」ではないけれど、広義にはAIの一部として語られることがあります（分野や文脈により呼び方は揺れます）。 - 最適化や探索
例：最短経路探索、スケジューリング、ゲームの探索など。これも「データから学習する」こととは別系統です。 - 学習系のAI
ここにMLやDLが含まれます。
AIF-C01の学習上は、「AIという大きな枠があって、その一部にMLがある」という関係を言語化できれば十分戦えます。AWSの比較記事でも、MLはAIの一分野であり、AIにはML以外の手法も含むと整理されています。
機械学習とは何か 何を学習しているのかを具体例で理解する
ここではMLの核心である「学習」と「推論」を、言葉の使い分けごと整理します。
AWSはMLを、データから学び、明示的なプログラミングなしに予測や意思決定を可能にする手法として説明しています。つまり、ルールを人が書くのではなく、データから規則性を取り出すのが中心です。
学習と推論を区別できると、用語が一気に安定する
- 学習 トレーニング
モデルがパターンを身につける工程。正解ラベル付きデータで当てる練習をする、あるいは正解がないデータから構造を見つける、など。 - 推論 インファレンス
学習済みモデルに新しい入力を与えて、予測結果を出す工程。
この区別がつくと、たとえば「モデルを作る工程」と「モデルを使う工程」を混同しなくなります。AIF-C01のDomain 1でも、training and inferencing といった用語が目的に含まれています。
MLの代表的なタスクを、試験目線で押さえる
- 分類：迷惑メールかどうか、画像が犬か猫か
- 回帰：売上予測、需要予測
- クラスタリング：似た顧客のグルーピング
- 異常検知：不正利用の検知、機器の故障兆候検知
ここで大事なのは、MLは「魔法の箱」ではなく、目的に合うデータと評価があって初めて意味があるという感覚です。AIF-C01は実装者向けというより“基礎理解とユースケース理解”の側面が強いので、用語の定義と、どういう問題に向くかの整理が効きます。
MLが得意でない場面も言えるようにする
MLは万能ではありません。データが少ない、目的が曖昧、正解の定義がブレる、運用でデータ分布が変わる、といった状況では成果が出にくくなります。ここを理解していると、生成AIの話題に進んだときも「限界」や「適用範囲」を冷静に捉えられます。AWSの深層学習解説でも、MLやDLは主に予測やパターン認識に強いという整理が示されています。
ディープラーニングとは何か どんなときに強いのかを整理する
ここでは「DLはMLの上位互換」と誤解しないための整理をします。
AWSは、ディープラーニングは機械学習のサブセットで、より大きなデータや計算資源を必要としやすい一方、画像や音声、テキストなど複雑なパターン認識で力を発揮すると説明しています。
ニューラルネットワークとディープラーニングの関係
試験で混乱しやすいのがここです。
- ニューラルネットワーク：脳をヒントにした、層状のノードがつながるモデル構造
- ディープラーニング：多層のニューラルネットワークを使って学習させる分野や手法
AWSの比較記事でも、ディープラーニングの基盤技術としてニューラルネットワークが説明されています。つまり、ニューラルネットワークは“部品や技術”、ディープラーニングは“それを中心にした手法領域”として捉えると整理しやすいです。
DLが向きやすい具体例
- 画像認識：製品の外観検査、医用画像の補助
- 音声：音声認識、音声からの異常検知
- 自然言語：文章分類、要約、質問応答の土台
この辺りは「人が特徴量を手で作る」よりも、モデルが特徴を学び取るアプローチが強い場面で登場しやすい、と理解しておくとよいです。
DLはいつでも最適解ではない
DLは強力ですが、コストや運用の観点ではハードルが上がります。AWSも、DLはより多くのデータやインフラ要件が必要になりやすい点を挙げています。
試験向けに言うなら、次のような判断軸を持つと整理が楽です。
- 表形式データで、特徴量がわかりやすい → まずは従来のMLでも十分なことが多い
- 画像 音声 テキストなど非構造データが中心 → DLが選択肢に上がりやすい
- 小規模データで素早く検証したい → DLにこだわらず、段階的に選ぶ
AIF-C01では細かなアルゴリズム選定よりも、「なぜそう言えるか」を説明できる方が重要です。DLを“何でも解決する技術”として覚えるのではなく、「得意領域がある技術」として言い換えられるようにしておきましょう。
つまずきやすい用語の整理と学習の進め方
ここでは、試験対策で混乱が起きやすい言葉を短く整えて、学習の次アクションにつなげます。
生成AIとディープラーニングを混同しない
最近は生成AIが話題なので、つい「生成AI＝AIの全部」みたいに見えてしまいます。でもAWSは、生成AIはディープラーニングのニューラルネットワークをさらに発展させたもの、と位置づけています。つまり、生成AIはAIの一部であり、DLとも関係が深いけれど同義ではありません。
この整理ができると、AIF-C01のDomain 1からDomain 2への移動がスムーズになります。Domain 1で「AI ML DLの違い」を言えるようにしておくと、生成AIの説明が“上に積み上がる”感覚になるはずです。
モデル アルゴリズム 学習データの関係
- アルゴリズム：学習の手順や計算のやり方
- モデル：学習の結果として得られる“予測装置”
- 学習データ：モデルがパターンを覚えるための材料
この3点を分けて言えるだけで、説明がかなりクリアになります。AIF-C01の学習目的にも、モデルやアルゴリズムなどの用語定義が含まれています。
最短の学習ステップ
- この記事の関係整理を、声に出して説明してみる
「AIは広い概念、MLはその一部、DLはMLの一部」を自分の言葉で言えるかを確認します。 - AWSの試験ガイドのDomain 1目的を見て、用語を一つずつ埋める
自分が説明できない単語だけをピンポイントで補強すると、暗記地獄になりにくいです。 - 体系的な教材を一つ決めて、基礎を通しで学ぶ
断片的に調べるより、基礎用語からユースケースまで一連で整理できる教材の方が、理解がつながりやすいです。たとえばUdemyにもAIF-C01向けの試験対策コースがあり、Domain 1の範囲をまとまった流れで学べる例があります。
AIF-C01対策で評価の高いUdemy講座をまとめて確認できます。👇
セール時は1,500円前後で購入できることもあります。
まとめ
AIF-C01のDomain 1でまず安定させたいのは、AI・機械学習・ディープラーニングの「包含関係」と「役割の違い」です。AWS公式の整理に沿うと、AIは最も広い概念で、その中にデータから学習するMLがあり、さらにMLの一部として多層ニューラルネットワークを用いるディープラーニングがあります。
暗記で押し切るより、学習と推論の区別、MLが向くタスクの種類、DLが強いデータのタイプを「自分の言葉で説明できる」状態にするのが近道です。ここが固まると、生成AIの学習に進んだときも、何が新しくて何が土台なのかが見えやすくなります。
