Python機械学習完全入門【2026年版】｜scikit-learn・TensorFlow・PyTorchで始めるAI開発

機械学習・AIの分野でPythonは圧倒的なシェアを持つ言語です。2026年現在、エンジニアとしてのキャリアアップや副業・フリーランス案件獲得において、機械学習の基礎知識は大きな武器になります。

本記事では、Pythonで機械学習を始めるために必要な知識を体系的に解説します。プログラミング初心者の方でも理解できるよう、実際のコード例を交えながら丁寧に説明します。

機械学習とは？基礎概念を理解しよう

機械学習（Machine Learning）とは、大量のデータからコンピューターが自動的にパターンを学習し、予測・分類・判断を行う技術です。人間が明示的にルールを書かなくても、データから自律的に学習できるのが特徴です。

機械学習の種類

• 教師あり学習：正解ラベル付きデータで学習（分類・回帰）
• 教師なし学習：ラベルなしデータからパターン発見（クラスタリング・次元削減）
• 強化学習：報酬・罰則で学習（ゲームAI・ロボット制御）

Pythonの機械学習環境構築

# 必要なライブラリのインストール
pip install numpy pandas scikit-learn matplotlib seaborn
pip install tensorflow  # または pip install torch（PyTorch）

# Jupyter Notebookのインストール（推奨）
pip install jupyter

scikit-learnで始める機械学習

scikit-learnはPythonで最も広く使われている機械学習ライブラリです。豊富なアルゴリズム・シンプルなAPIで初心者にも扱いやすく設計されています。

分類問題の例：Irisデータセット

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

# データの読み込み
iris = load_iris()
X, y = iris.data, iris.target

# 訓練データとテストデータに分割（80:20）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# ランダムフォレストモデルの訓練
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 予測と評価
y_pred = model.predict(X_test)
print(f"精度: {accuracy_score(y_test, y_pred):.4f}")
print(classification_report(y_test, y_pred, target_names=iris.target_names))

回帰問題の例：住宅価格予測

import pandas as pd
from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

# データの読み込み
housing = fetch_california_housing()
X = pd.DataFrame(housing.data, columns=housing.feature_names)
y = housing.target

# 特徴量の標準化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# データ分割と学習
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2)
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

# 評価
y_pred = lr_model.predict(X_test)
print(f"R²スコア: {r2_score(y_test, y_pred):.4f}")
print(f"RMSE: {np.sqrt(mean_squared_error(y_test, y_pred)):.4f}")

ディープラーニング：TensorFlow/Kerasの基礎

ディープラーニングはニューラルネットワークを多層化した手法で、画像認識・自然言語処理などで特に威力を発揮します。TensorFlow/Kerasはその実装をシンプルにするフレームワークです。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# シンプルなニューラルネットワークの構築
model = keras.Sequential([
    layers.Dense(128, activation='relu', input_shape=(4,)),
    layers.Dropout(0.3),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.3),
    layers.Dense(3, activation='softmax')  # 3クラス分類
])

# コンパイル
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 訓練
history = model.fit(
    X_train, y_train,
    epochs=50,
    batch_size=32,
    validation_split=0.2,
    verbose=1
)

# 評価
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"テスト精度: {test_acc:.4f}")

PyTorchによる機械学習

PyTorchは研究者・エンジニアに非常に人気の高いフレームワークです。動的計算グラフによるデバッグのしやすさ、Pythonらしいコーディングスタイルが特徴です。

import torch
import torch.nn as nn
import torch.optim as optim

# ニューラルネットワークの定義
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(4, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 3)
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(0.3)
    
    def forward(self, x):
        x = self.dropout(self.relu(self.fc1(x)))
        x = self.dropout(self.relu(self.fc2(x)))
        return self.fc3(x)

# モデルの初期化と訓練
model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

機械学習エンジニアへのキャリアパス

機械学習・AIエンジニアの市場価値は年々高まっています。2026年現在、機械学習エンジニアの平均年収は800〜1,200万円程度（経験者）に達しており、スキルを持つエンジニアの需要は引き続き旺盛です。

おすすめ学習ロードマップ

• ステップ1：Python基礎（2週間〜1ヶ月）
• ステップ2：数学基礎（線形代数・微積分・確率統計）（1〜2ヶ月）
• ステップ3：scikit-learnで機械学習基礎（1〜2ヶ月）
• ステップ4：ディープラーニング（TensorFlow or PyTorch）（2〜3ヶ月）
• ステップ5：実プロジェクト・Kaggleコンペ参加（継続）

まとめ

Pythonと機械学習の組み合わせは、2026年においても最強のスキルセットの一つです。scikit-learn・TensorFlow・PyTorchをそれぞれ学びながら、実際のデータを使ってプロジェクトを積み上げていきましょう。

機械学習エンジニアを目指す方には、Kaggle（機械学習コンペサイト）への参加を強くおすすめします。実践的なスキルが身につき、ポートフォリオとしても非常に有効です。