「機械学習」と「深層学習(ディープラーニング)」の違い

「機械学習」と「深層学習(ディープラーニング)」の違い

■「機械学習」とは

「機械学習」とは、世の中の特定の事象についてデータを解析し、その結果から学習して、判断や予測を行うためのアルゴリズムを使用する手法である。

機械学習では、特定のタスクを完了するための明確な手順について人がコーディングしたソフトウェアルーチンを必要としない。

「大量データ(数値、テキスト、画像、音声など)」と「タスクを実行する方法を学習できる能力を提供するアルゴリズム」に基づいて、マシンの「トレーニング」が行われ、ルールや知識を自ら学習し、「分類」する方法を自動的に習得できる。

使用事例としては、消費者の購買データを大量に学習することにより、「消費者の購入履歴」や「その消費者の年齢」などに適したオススメ商品を提示する機能などがある。

→AnalyticsNews　→機械学習とは

■「深層学習(ディープラーニング)」とは

ニューラルネットワーク技術

「ニューラルネットワーク」とは、人間の脳の生物学的ニューロン間相互接続の仕組みの理解から着想を得たものである。

「深層学習(ディープラーニング)」とは、ニューラルネットワークを用いた機械学習の手法の一つである。

生物学的な脳は、すべてのニューロンが特定の物理的範囲内にあるすべてのニューロンに接続できるが、人工ニューラルネットワークでは、データの伝達において、層/接続/方向が個別に定義される。

ニューラルネットワークを利用して、層とニューロンを大幅に拡大し、膨大なデータをシステムで処理することで、システムのトレーニングを行う。情報抽出の多階層化により、高い抽象化を実現できる。

「機械学習」よりも優れている点

「深層学習(ディープラーニング)」は、機械学習の機能に加えて、「分類するための軸を自ら発見できる」点を特徴としている。

「機械学習」の場合は、「分類するための軸(特徴量)」を人が教え込む必要があるため、そのためのコストと時間が膨大になる傾向があり、最大の問題点になっていた。

「深層学習(ディープラーニング)」とは、予測したいものに適した特徴量そのものを大量のデータから自動的に学習できるため、「機械学習」における最大の壁を崩すことができる可能性を持つ技術として期待されている。

高度なプログラミングスキルが必要

「深層学習(ディープラーニング)」は、自分で特徴量を見つけ出すことができる優れた技術だが、「見つけ出す特徴」については、プログラマーがアルゴリズムに指示を出す必要がある。

そのため、精度を上げる(ロバスト性を高める)ための高度なプログラミングスキルを必要とする。

高いコンピュータ処理能力が必要

「深層学習(ディープラーニング)」は、膨大な計算を必要とするため、非常に高性能で高速処理が可能なコンピュータの計算能力が重要になる。

応用事例

ディープラーニングを利用した画像認識技術では、人間の能力を超えるまでになっている。「MRIスキャンでの腫瘍分析」や「血液におけるがんの手掛かりの特定」などの功績を上げている。

また、Googleの「アルファ碁」は、囲碁のルールを学習し、「アルファ碁」自身との対局を何度も繰り返してトレーニングを行い、ニューラルネットワークを最適化することにより、人間に勝利するレベルに達した。

注目技術

人工知能(AI)の研究テーマのうち、「ディープラーニング」に関する学術研究が特に脚光を浴びている。

参考情報

→AnalyticsNews　→ディープラーニング(深層学習)とは

■「AI」「機械学習」「ディープラーニング」の包括的関係

「ディープラーニング」は「機械学習」に含まれ、「機械学習」は「AI」に含まれる。

このように、この3者は包括的な関係になっている。