AI: AI とは何か？

AI（人工知能）
├── 機械学習（ML）
│   ├── 教師あり学習
│   ├── 教師なし学習
│   └── 強化学習
├── 深層学習（DL）
│   ├── CNN（コンピュータビジョン）
│   ├── RNN / Transformer（NLP）
│   └── GAN / Diffusion（生成）
├── 自然言語処理（NLP）
├── コンピュータビジョン（CV）
└── ロボティクス

# 従来のアプローチ：ルールを自分で書く
def is_spam_traditional(email):
    """ルールベースの迷惑メール検出"""
    spam_keywords = ["free", "winner", "click here", "urgent"]
    for keyword in spam_keywords:
        if keyword in email.lower():
            return True
    return False

# AI アプローチ：機械がデータからルールを学習
# from sklearn.naive_bayes import MultinomialNB
# model = MultinomialNB()
# model.fit(training_emails, training_labels)  # 機械がルールを学習
# prediction = model.predict(new_email)         # 機械が学習したルールを適用

# 例：データセットの読み込みと確認
import pandas as pd

# CSV データセット（住宅価格など）を読み込む
df = pd.DataFrame({
    'area_sqm': [50, 80, 120, 65, 200, 90],
    'rooms': [2, 3, 4, 2, 5, 3],
    'location_score': [7, 8, 6, 9, 5, 7],
    'price_usd': [150000, 280000, 350000, 220000, 500000, 260000]
})

print(df.describe())

       area_sqm    rooms  location_score     price_usd
count    6.000000  6.00000        6.000000  6.000000e+00
mean    84.166667  3.16667        7.000000  2.933333e+05
std     51.968585  1.16905        1.414214  1.196533e+05
min     50.000000  2.00000        5.000000  1.500000e+05
max    200.000000  5.00000        9.000000  5.000000e+05

アルゴリズム + データ → 学習 → モデル

例：
線形回帰 + 住宅価格データ → 学習 → 価格予測モデル
（学習済み重み：price = 2500 * area + 15000 * rooms - 5000）

# 例：アプリへの AI 追加は数行のコード
# （OpenAI API キーが必要。第 10 回で扱う）

# from openai import OpenAI
# client = OpenAI(api_key="your-api-key")
# 
# response = client.chat.completions.create(
#     model="gpt-4o-mini",
#     messages=[
#         {"role": "system", "content": "You are a helpful coding assistant."},
#         {"role": "user", "content": "Explain recursion in Python in 2 sentences."}
#     ]
# )
# print(response.choices[0].message.content)

# ============================================
# 比較：ルールベース vs 機械学習
# タスク：迷惑メール検出
# ============================================

# --- アプローチ 1：従来のルールベース・プログラム ---
def is_spam_rules(email_text):
    """手書きのルールで迷惑メールを検出"""
    spam_words = ["free", "winner", "click", "urgent", "congratulations"]
    spam_count = sum(1 for word in spam_words if word in email_text.lower())
    return spam_count >= 2  # 任意のしきい値

# --- アプローチ 2：機械学習（シミュレーション）---
# 実際のコードでは、数千通のラベル付きメールでモデルを学習させる。
# ここでは学習済みモデルの振る舞いをシミュレートする。
def is_spam_ml(email_text):
    """学習済み ML モデルで迷惑メールを検出（シミュレーション）"""
    # 実際のモデルは次のようなパターンを学習する：
    # - すべて大文字の件名 → おそらく迷惑メール
    # - 複数の感嘆符 → おそらく迷惑メール
    # - 特定の送信ドメイン → おそらく迷惑メール
    # - 人間には思いつかない単語の組み合わせ
    learned_spam_score = 0.85  # シミュレートした確信度
    return learned_spam_score > 0.5

# --- 両方のアプローチをテスト ---
test_emails = [
    "Congratulations! You are our lucky winner! Click here to claim your FREE prize!",
    "Hey, can we reschedule tomorrow's meeting to 3 PM?",
    "URGENT: Your account will be closed! Click here immediately!",
]

print("=== ルールベース vs ML 迷惑メール検出 ===")
for email in test_emails:
    rule_result = is_spam_rules(email)
    ml_result = is_spam_ml(email)
    print(f"Email: {email[:60]}...")
    print(f"  ルールベース: {'迷惑メール' if rule_result else '通常メール'}")
    print(f"  ML モデル:   {'迷惑メール' if ml_result else '通常メール'}")
    print()

=== ルールベース vs ML 迷惑メール検出 ===
Email: Congratulations! You are our lucky winner! Click here to cl...
  ルールベース: 迷惑メール
  ML モデル:   迷惑メール

Email: Hey, can we reschedule tomorrow's meeting to 3 PM?...
  ルールベース: 通常メール
  ML モデル:   迷惑メール

Email: URGENT: Your account will be closed! Click here immediately!...
  ルールベース: 迷惑メール
  ML モデル:   迷惑メール