AI-900「機械学習の基本原則」の練習問題10問です。教師あり学習・教師なし学習、回帰・分類・クラスタリングの区別、学習データ・特徴量・ラベル、訓練と評価、Azure Machine Learning や自動機械学習（AutoML）の概観を出題します。解けなかった問題は、各問の解説末尾のリンクから対応する解説記事に進んでください。
ご注意：AI-900（Azure AI Fundamentals）は2026年6月30日に退役し、後継のAI-901へ移行する予定です（同じ「Azure AI Fundamentals」認定の新しい試験です）。これから受験する方は、最新の試験コードと出題範囲を Microsoft Learn 公式 でご確認ください。この問題集はAI-900向けの内容です。
Q1. 「教師あり学習」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
教師あり学習は、入力データとその正解（ラベル）がペアでそろったデータを使い、入力から正解を予測できるようにモデルを学習させる方法です。問題と答えがそろった問題集で練習するイメージに近く、売上の予測やメールの仕分けなどに広く使われます。
B は教師なし学習、C は強化学習の説明です。D は学習を行わないため、機械学習である教師あり学習とは異なります。
Q2. 正解ラベルのないデータを、似た傾向どうしのグループに自動でまとめる手法はどれですか？
回答
解説
正解は「B」です。
クラスタリングは、正解ラベルのないデータを、似た傾向をもつグループに自動でまとめる教師なし学習の代表的な手法です。たとえば顧客を購買傾向ごとに自然なまとまりに分けるときに使われます。あらかじめ「このグループ」と決めずに、データの傾向だけでまとめる点が特徴です。
A の回帰と C の分類は、いずれも正解ラベルを使う教師あり学習です。D も回帰の一部で、ラベルなしでまとめる手法とは異なります。
Q3. 過去のデータから、来月の売上金額のような「連続した数値」を予測する教師あり学習はどれですか？
回答
解説
正解は「C」です。
回帰は、売上金額や気温のように連続した数値を予測する教師あり学習です。「いくつになるか」という数の見積もりが目的で、過去のデータの傾向から先の値を読み取るイメージです。
A の分類は「合格か不合格か」のようにカテゴリを当てる手法、B のクラスタリングはラベルなしのグループ分け、D の次元削減はデータの特徴量を減らす手法で、いずれも数値そのものを予測する回帰とは異なります。
Q4. メールを「迷惑メール」か「通常メール」かに振り分けるように、あらかじめ決めたカテゴリのどれに当てはまるかを予測する教師あり学習はどれですか？
回答
解説
正解は「A」です。
分類は、「迷惑メールか通常メールか」「猫か犬か」のように、あらかじめ決めたカテゴリのどれに当てはまるかを予測する教師あり学習です。仕分けの答え（ラベル）がついた過去データで学び、新しいデータがどのグループに入るかを判定します。
B の回帰は連続した数値の予測、C のクラスタリングはラベルなしのグループ分け、D の強化学習は報酬を頼りに行動を学ぶ方法で、いずれも決まったカテゴリへの振り分けとは異なります。
Q5. 機械学習で「特徴量」が指すものとして、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
特徴量は、予測の手がかりとしてモデルに与える、入力データの個々の項目（変数）のことです。たとえば住宅価格を予測するなら「広さ」「駅からの距離」「築年数」などが特徴量にあたります。一方、予測したい答えである価格そのものはラベルと呼ばれ、両者は役割が異なります。
A は特徴量ではなくラベルの説明、B はデータ件数、C は学習時間の話で、いずれも特徴量とは異なります。
Q6. 教師あり学習でモデルに与える「ラベル」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
ラベルは、各データに付けられた「正解」の値で、モデルが予測の目標にするものです。たとえば過去の写真に「猫」「犬」と付けた答えがラベルにあたります。問題集でいう答えの部分にあたり、教師あり学習はこのラベルを手がかりに学びます。
A は予測の手がかりである特徴量の説明、C のファイル名や D の学習回数は、正解の値であるラベルとは関係がありません。
Q7. 学習に使ったデータではなく、別に取り分けておいたデータでモデルの性能を確かめる主な理由はどれですか？
回答
解説
正解は「A」です。
モデルを評価するときは、学習に使ったデータとは別に取り分けたデータ（テストデータ）で性能を確かめます。学習に使っていない未知のデータで試すことで、訓練データを丸暗記しただけではない本当の実力を測れます。過去問の答えを覚えただけでは本番で解けないのと同じ理由です。
B はデータを分けても総量は増えないため誤り、C のような決まりはなく、D のように時間が半分になるわけでもありません。
Q8. 「過学習（オーバーフィッティング）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
過学習（オーバーフィッティング）は、モデルが訓練データに当てはまりすぎて細かい特徴まで覚え込み、まだ見ていない未知のデータへの予測がかえって悪くなる状態です。過去問を丸暗記したせいで、少し違う本番の問題に対応できないのに似ています。未知のデータにもうまく対応できる力を汎化と呼びます。
A は理想的な状態、B は計算量の話、C は学習が進まない未学習（アンダーフィッティング）に近い説明で、いずれも過学習とは異なります。
Q9. Azure Machine Learning の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
Azure Machine Learningは、機械学習モデルの作成・学習（トレーニング）・デプロイ（公開）・管理までの一連の流れをまとめて支援する、Azure 上のクラウドサービスです。データの準備からモデルの運用まで、機械学習に必要な作業をひととおり進められる作業場のような役割を持ちます。
A の事務ツールや C のストレージ、D の人事評価ソフトは、機械学習の開発全体を支援するサービスという説明とは異なります。
Q10. 自動機械学習（AutoML）が自動で行ってくれる作業として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
自動機械学習（AutoML）は、データの前処理や、どのアルゴリズムを使うかの選択・調整（パラメータの試行）といった手間のかかる作業を自動で何通りも試し、データに適したモデルを見つけてくれる仕組みです。専門知識がまだ浅くても、よいモデル選びをAIが手伝ってくれるイメージです。
A のデータをゼロから作る、B の料金の値引き、D の通信速度の改善は、いずれも AutoML が行う作業ではありません。
試験全体の流れを俯瞰したい時は、AI-900（Azure AI Fundamentals）試験全体概要 に戻れます。
学習の全体像と次に進む分野は、AI-900 学習ロードマップ で確認できます。