はじめに
こんにちは、ぽめたです。
AI資格の「E資格」の勉強記録をブログ記事にしていこう思います。
今回は勉強記録の第１回目です。
初回ということもあり、ディープラーニングの導入について概要をまとめました。
ディープラーニングの導入
人工知能と機械学習との関係
そもそもディープラーニングって何？というお話からです。
まずはディープラーニングを語る上で外せない人工知能と機械学習との関係を振り返ります。
下の図は人工知能 （Artificial Intelligence） 、機械学習 （Machine Learning ） 、ディープラーニング （DeepLearning ） の関係を表しています。
ディープラーニングは機械学習の一種で、機械学習は人工知能の一種です。
要するにこれらは 包含関係になっているわけですね。
人工知能は1950年代には登場していました。
すいぶん古くから人工知能はあったんですね～！驚きです！
ただし当時の人工知能は簡単なトイ・プロブレム（おもちゃの問題）は解けても現実の問題は解けないものでした。
その後1980年代になると機械学習の技術が進歩します。
機械学習は 「明示的にプログラムしなくても学習する能力をコンピュータに与える研究分野 」と定義されています。
機械学習は「注目すべきデータの特徴」を表す特徴量が性能に大きく影響します。
ディープラーニング以前の機械学習では特徴量は人手で設計する必要があり、良い特徴量を作るには職人技のような専門的なスキルが必要でした。
2010年代に入ると インターネットの普及 、ビッグデータの活用、GPUの進化などの理由からディープラーニングが急速に発展しています。
これまでの機械学習と異なり、 ディープラーニングでは特徴量を人工知能自ら学習することができます。
特徴量を自動的に抽出することにより、これまでの機械学習では困難であった画像認識や音声認識などの複雑なタスクをこなせるようになりました。
このような理由からディープラーニングは社会に大きな変革をもたらす汎用技術だといわれていますね！
機械学習の分類
次に機械学習の分類についてみてみます。
ディープラーニングも機械学習の一種なので同様の分類となります。
機械学習は大きく3つの手法に分かれます。
- 教師あり学習
- 教師なし学習
- 強化学習
教師あり学習は、データに正解ラベル（教師）を付与して学習する手法です。回帰や分類ができます。
教師なし学習は、正解ラベル（教師）が無い、つまり教師なしで学習します。データの特徴を抽出するクラスタリングや次元圧縮ができます。
そして強化学習は、試行錯誤を繰り返しながら適切な行動ができるよう学習する手法となります。応用例としては囲碁AIのAlphaGoが話題となりましたね。
機械学習のモデル
機械学習についてもう少し掘り下げます。
ここでは簡単のため教師あり学習で説明していきます。
機械学習において頭脳の役割を果たすものをモデルといいます。
モデルは入力データを受け取って結果を予測します。
ここで入力データに対して正しい結果を予測できるモデルは「精度」が良いといえます。
逆に間違った結果を予測するモデルは「精度」が悪いといえます。
次の図を見てください。
動物の画像を分類するモデルの簡単な例で示しています。
この例では入力データがねこの画像です。（ねこに見えないかもしれませんがねこです！）
モデルは入力データを受け取って「ねこ」と予測しています。
この例では正しく予測できていますね。
モデルの精度が悪いと、ねこの画像を入力しても、「ねこ」とは予測されず「いぬ」など他の動物と予測されてしまいます。
この入出力の関係は入力を$x$、モデルによる変換$f$、予測結果を$y$とすると、
$$y = f(x)$$ と表すことができます。
xがfによってxに変換されるということですね。
ちなみに、入力データxは説明変数（入力変数）、予測結果yは目的変数（出力変数）ともいいます。
ディープラーニングの場合、このモデルはニューラルネットワークとなります。
ディープラーニングの学習とは？
ディープラーニングは予測結果と教師データ（正しい結果）をもとにコストを算出します。
コストは損失や誤差とも呼ばれます。
このコストはモデルの入力データとパラメータからあらわされるので、コスト関数で表現できます。
ディープラーニングの学習ではこのコスト関数が最小化することが目的です。
コスト関数が最小化するとは、予測結果が正しい結果と同じ結果を返すモデル、つまり精度のよいモデルを作ることを意味します。
コスト関数を最小化するためには、コストを求めたあと、コストが小さくなるようにモデルのパラメータθを更新します。
ディープラーニングの学習とは、このパラメータ更新を幾度にも繰り返すことで行われます。
