基本情報

機械学習とディープラーニングの関係を解説!それぞれの特徴やニューラルネットワークについても紹介

  • このエントリーをはてなブックマークに追加
  • LINEで送る

「機械学習」や「ディープラーニング」はデータサイエンスではよく聞く用語で、近年は社会的にも注目を浴びている分野です。

本記事ではこれらに関して説明し、それぞれの関係性が理解できるよう解説します。

機械学習もディープラーニングも人工知能の一手法

最初にこれらの関係を整理しておきます(図1)。

図1:ディープラーニングは機械学習手法の一種

いずれも人工知能という広い概念に包含される手法で、ディープラーニングは機械学習をさらに技術的に進めた手法をいいます。

つまり機械学習の一種です。

以下でこれらの特徴を説明していきます。

機械学習ではデータを与えなければならない

機械学習は、一般的なコンピュータプログラムに比べると自律性が高く、データを与えることで自ら法則やパターンを見出せます。

常に一定の処理しかできないのではなく、学習を経て、状況に応じた最適な答えを導き出せるのです。

ただ、がむしゃらに多くのデータを与えても適切な学習は行われません。

予測の手掛かりとして使える、特微量の準備が重要です。

生のデータをただ放り込むだけで高精度なモデルは得られないため、人間がある程度手助けをしてあげなくてはなりません。

例えば以下のような加工を要します。

  • 外れ値や欠損値の削除
  • データの補填・補正
  • データの結合・分割・集計
  • 文字列データのダミー数値化

そのため、作業者に負担がかかってしまいます。

自動翻訳や音声認識など、実用化も進む技術ではありますが、課題も多く残る手法なのです。

ディープラーニングではデータも自ら抽出

続いてディープラーニングを見ていきましょう。

こちらは機械学習よりさらに高い自律性を有する手法をいいます。

従来の課題を解決するため、そしてより自動化された意思決定を行うために活用されます。

最も大きな違いは、特微量をデータから自ら抽出できる点にあります。

より人間の思考に近づいているといえるでしょう。

データの加工を行う手間が、他の手法に比べると少なくて済みます。

具体的なイメージを掴むため、図2を用います。

図2: 画像認識におけるディープラーニングと従来の機械学習の違い

図2が表すのは、犬と猫を画像から区別するというタスクです。

機械学習だと、画像の特徴を数値で表し、学習データとして準備しなければなりません。

輪郭や明暗、耳の形、ひげの角度などといった特徴を人間が細かく設定しなければならず、作業量が多い上に、小さな領域に着目すると人間でも判別が難しいという問題に直面します。

これに対しディープラーニングであれば、犬/猫のラベル付けを行った画像を多数用意し、モデルにフィードするだけで足ります。

すべて自ら認識、整理してくれ、法則やパターンを見出してくれます

実はこの技術は近年登場したわけではなく、何十年も前から研究されていました。

しかしインターネットの普及に伴いデータの収集が容易になったこと、デバイスの処理性能が向上したことなどが後押しとなり、一気に実用化が加速したのです。

ニューラルネットワークにより実現

上の仕組みを実現するには「ニューラルネットワーク」というアルゴリズムが使われます。

これは人間の脳内にある神経回路を数式的なモデルで表現したものです。

要は深い層からなるネットワーク構造で、データに対し多数の組み合わせパターンで学習を進めるものを言います。

下の概念図を見てみましょう(図3)。

図3: ニューラルネットワーク(ディープラーニング)の概念図

「入力層」と「中間層」、「出力層」の3つの層があることが分かります。

入力層と出力層はその名の通り、それぞれデータを受け取る層と予測結果を出力する層のことです。

これらの層に挟まれた中間層は、答えを導くために、入力データから特徴量を少しずつ導出する役割を果たします。

図3では、深く構成された層が多数の経路で繋がれており、データの様々な組み合わせを重ねることで正解を導く、ということが表されています。

この分野は非常に奥が深いですし、今後も伸びていく分野とも考えられています。

本記事では簡単に説明しましたが、興味のある方はより深く学習し、様々な領域で応用すると良いでしょう。

20日間無料で講義を体験!