人工知能技術の概要③

こんばんは。
今日も本書の内容について記載します。

ディープラーニングは人工知能技術のブレークスルー

~機械学習~

 第1次、第2次とブームが過ぎ去った後、ウェブの登場により、再びAIブームが訪れた。第3次AIブームの中で中心となった技術のひとつが「機械学習」。「機械学習」とは人工知能のプログラム自身が学習する仕組みである。ここでいう学習とは「分ける」という処理であり、「分ける」作業はすなわち、ある事象について判断しているといういことである。「機械学習」には大きく「教師あり学習」と「教師なし学習」に分けられる。

・教師あり学習
入力と正しい出力(分け方)がセットになった訓練データをあらかじめ用意して、ある入力が与えられたときに、正しい出力(分け方)ができるようにコンピュータに学習させる。

・教師なし学習
入力用のデータのみを与え、データに内在する構造をつかむために用いられる。データの中にある一定のパターンやルールを抽出することが目的。

機械学習の代表的な分類の仕方

①最近傍法
線を引くよりももっと素朴な方法で、文字通り「一番近い隣を使う」ことであり、一番近いデータのカテゴリーが当てはまる確率が高いはずだという仮説に基づいている。

②ナイーブベイズ法
確率に関する有名な定理である「ベイズの定理」を使って分ける方法で、データの特徴ごとにどのカテゴリに当てはめるのかを足し合わせていく。

③決定木
ある属性がある値に入っているかどうかで線引きする。複数の属性を組み合わせた条件をつくることができない。

④サポートベクターマシン
マージン(余白)を最大にするように分ける。精度は高く、よく用いられているが、大きなデータを対象としたときは計算に時間がかかってしまうという欠点がある。

⑤ニューラルネットワーク
上記①~④のように純粋に機械学習の分けるという「機能」をエレガントな方法で実現しようとしているのに対し、人間の脳神経回路をまねすることによって分けようというもの。学習する過程で重みづけを変化させ、最適な値を出力するように調整することで、精度を高めていく。

 

~ディープラーニング~

 ディープラーニングは人間が特徴量を設計するのではなく、コンピュータが自ら高次の特徴量を獲得する。第1次、第2次AIブーム、そして機械学習は人工知能の黎明期(約1960年)からの最初の10年~20年の間に技術基盤が出来ていた。しかし、ディープラーニングに代表される「特徴表現学習」は黎明期の革新的な発見・発明に匹敵するような大発明である。特徴表現をコンピュータ自ら作り出すことはそれくらい大きな飛躍。とはいえ、ディープラーニングによって人工知能が実現するというのは短絡的すぎる考えである。

 ディープラーニングとは多階層のニューラルネットワークであり、機械学習のニューラルネットワークを発展させた技術。従来の機械学習と大きく異なる点が2つあり、1つは1層ずつ階層ごとに学習していく点、もう1つは自己符号化器という情報圧縮器を用いること。

 実際ディープラーニングのアイデアに近いものは昔からある。しかし、得られる特徴量や概念の頑健性の構築にはマシンパワーが必要であり、10年以上前のマシンパワーでは実現困難であった。しかし、現在の飛躍的に高まったマシンパワーによってニューラルネットワークを多段にして、高次の特徴量を得ることが可能になってきたのである。

~以下、感想~

 私はディープラーニングは機械学習の中のひとつの技術だと思っておりましたが、本書では機械学習とディープラーニングの違いとディープラーニングのすごさについてとても詳しく書いてあり、勉強になりました。

しかし、現在世間をにぎわせているディープラーニングの技術自体も昔に考えられていて、マシンパワー不足から実現できずにいたということで、やっと時代が技術に追いついてきたということですね。いろいろな分野の技術が上がり、過去の技術が生きてくるということは今後もたくさんありそうですね。これは歴史を勉強すればいいアイデアが眠っているかもしれませんね・・・

まぁアイデア云々の前にひとまずは機械学習とディープラーニングを使いこなせるようにならないとですね・・・
機械学習の中でもいろいろな分け方があり、それぞれ適した使い方があるのでしょう。その辺勉強して使いこなせるようになりたいですね。

次回も本書の内容について書いていきたいと思います。

スポンサーリンク
広告1
広告1

シェアする

  • このエントリーをはてなブックマークに追加

フォローする

%d人のブロガーが「いいね」をつけました。