機会学習とディープラーニング

 

機会学習とディープラーニング

 

AIなどを学習している人の重要なものとして、機会学習(マシーンラーニング)や深層学習(ディープラーニング)があります。これらには違いがありますが、ご存知でしょうか?
説明を持って違いを説明するよりも、まず結論を図で見てイメージした方が理解しやすいと思います。
下記の図を見て、全体のイメージを確認してください。

 

 

AIの中に機械学習、表現学習、ディープラーニングが含まれているというベン図で表すことのできる関係となっています。
つまりAIへのアプローチとして機械学習が用いられているのです。機会学習とはAIの手法の一つであり、さらに表現学習とは機械学習の手法の一つであり。ディープラーニングとは表現学習の手法の一つであるのです。

それではそれぞれのコンピュータの学習の違いについて簡単に説明します。このとき上の図を頭に入れて考えてみてください。

「機械学習:マシーンラーニング」
データからパターンを抽出し、コンピュータ自身が学習することです。それは例えば良性のがんと悪性のがんを区別することができたりします。
しかしこれを区別するには与えられたデータの表現に大きく依存します。医師が患者に含まれる情報(特徴量)をAIに教え、そこから相関性を学習し判断するように作られていた場合に、ただMRI画像を教えてもそこからは何も相関性を見つけることができず、区別することができません。
このようにどのような特徴量(表現)を使うか考える必要があります。例えば写真の中から車を抽出したいとします。その場合、車にはタイヤがあるので、それを特徴として表現しようと考えるかもしれません。しかし光で反射しているタイヤもあれば、陰に隠れているものもあるかもしれません。また横から見たタイヤもあれば、正面から見たタイヤも、さらにはタイヤの前に何か物があるかもしれません。このように何が表現として適切なのか考えることは大変なことです。そこで次の学習が出てきます。

「表現学習」
機械学習を使う際に、ある表現を決め、そこから予測結果を出します。その表現を人が決めるのではなく、コンピュータ自身が表現そのものを学習することです。
表現を学習することで、人の介入を最低限にし、さらに良好な結果になることが多いです。

表現学習の典型的な例として、自己符号化器(Autoencoder)があります。
これはあとで説明します。

「深層学習:ディープラーニング」
表現学習は変動の要因(例えば、車の画像が朝と夜で色が変わるなど)により、適切な特徴量を抽出することが非常に難しいです。
そこで深層学習によって、コンピュータは単純な概念から、より複雑な概念を構築することができます。

深層学習の典型的な例として、多層パーセプトロン(multilayer perception, MLP)があります。これもあとで説明します。

 

これらの学習を用いてAIを構成することができます。
次はAIを構成する大事な部分である機械学習を少し深く見ていくために「機械学習とは」を説明します。