機械学習
英語では
Machine Learning（略して ML）
- Machine … 機械、コンピュータ
- Learning … 学習すること
人が決めるのは「どこに着目するか」
白書は、ニンジンとジャガイモを見分ける例でこう説明しています。
あらかじめ人間がコンピューターに「色に着目する」という指示を与えることで、より円滑にニンジンとジャガイモの識別が可能となる
— 総務省『令和元年版 情報通信白書』
この「何に着目するか」を特徴量と呼びます。従来型の機械学習では、ここを人が設計します。
新人に仕事を教える2つのやり方です。
手順書を渡すのが通常のプログラム。良い例と悪い例を大量に見せて「違いが分かるようになって」と言うのが機械学習です。後者は手順書に書けない判断もできるようになりますが、なぜそう判断したのか説明しにくいという性質も一緒についてきます。
ディープラーニングとの違い
まず関係を押さえます。深層学習（ディープラーニング）は機械学習の一部です。
深層学習は、あくまでも機械学習の手法の一つであるが、このように特徴量を人間が指示することなく自ら作り出す点が大きなブレークスルーであるとされる
— 総務省『令和元年版 情報通信白書』
AWSも「ディープラーニングはすべて機械学習である」と記述しています。したがって「機械学習 vs ディープラーニング」と対比されるときの「機械学習」は、正確には**従来型の機械学習（深層学習以外の手法）**を指しています。
| | 従来型の機械学習 | ディープラーニング | | --- | --- | --- | | 関係 | 大きい枠 | その中の手法の一つ | | 特徴量 | 人間が指示する | 自ら作り出す（人の作業がゼロになるわけではない） | | 得意なデータ | 構造化データ（表・数値） | 非構造化データ（画像・音声・文章） | | 必要なデータ量 | 特徴量1つあたり約50〜100件 | 特徴量1つあたり数千件から | | 理由の説明 | 比較的しやすい | しにくい | | 計算資源 | 相対的に少ない | 多くの計算資源を要する。実務ではGPU等で高速化される |
違いを1文で言うなら：「どこを見ればいいか」を人が指示するのが従来型の機械学習、それも機械が自ら作り出すのがディープラーニング。
データ量について、正直に書いておきます
「機械学習は数千行、ディープラーニングは数万行」といった行数の基準を示した公的資料・公式ドキュメントは、調べた範囲では見つかりませんでした。 上の表の数字はAWSの「特徴量1つあたり」の目安です。教科書では別の単位（カテゴリ1つあたり約5,000件、2016年時点の経験則）が示されています。単位が違うので、行数に換算して比べることはできません。
新しいほうが常に良いわけではありません
査読付きの研究で、中規模（約1万件）の表形式データでは、木ベースのモデル（XGBoostやランダムフォレスト）が深層学習を上回るという結果が報告されています。十分にチューニングした上での比較です。
また、判断理由の説明が求められる場面では、モデルの選び方自体が変わります。NISTは、医療診断・融資審査・量刑勧告などを「説明が重要になる場面」として挙げ、決定木や回帰モデルを**「それ自体が説明になっているモデル」**の例として示しています。
ただし同じ文書は、「精度と解釈性はトレードオフである」という見方に対する反論も併記しています。つまり、どちらが優れているかは場面によります。