「機械学習」「ディープラーニング」の違いとは?AIの基礎を簡単に解説

現在は、第三次AIブームと言われており、そのブームの中でもキーワードとなってよく出てくる言葉は「機械学習」「ディープラーニング」です。

しかし、「機械学習」と「ディープラーニング」は意味を混同されやすく、正確に理解している人は少ないです。

機械学習とディープラーニングは別物で、「ディープラーニング」が今回のAIブームの要となっています。

そんな、2つの意味の違いや、AIの仕組みを詳しく紹介していきます。

この機会に、しっかりと2つの言葉の違いを理解しておき、今後のAIの情報に対しての理解を進めましょう。

AIの仕組み「ディープラーニング」と「機械学習」の違いとは?

AIの仕組みとは、コンピュータ上に人間の脳をモデル化させたプログラム(ニューラルネットワーク)を作り、コンピュータに学習能力を持たせて、問題解決をさせるということです。

「ニューラルネットワーク」は人間の脳のシナプスのような構造をしており、そのシステムにデータを教え込ませることによって、「機械学習」や「ディープラーニング」の学習方法が可能になります。

それでは機械学習やディープラーニングとは何なのか?といったことを、簡単な例をあげてわかりやすく紹介していきます。

機械学習とは?

機械学習とは、上で解説した「ニューラルネットワーク」に読み込ませたいデータを読み込ませ、学習をさせることです。

例えば、Googleの検索エンジンにその仕組みが利用されています。

Googleでは「猫」と検索すると、Web上の猫の写真をたくさん検索して出してくれます。

さらに、写真だけでなく、猫のマスコットのついたマグカップや、猫を描いた落書きなども拾い出してくれます。

どうして写真だけではなく、マグカップや落書きも検出するのかというと、「特徴量」によるものです。

例えば、小さな子供に、猫を教える時は、耳の形やしっぽの長さ、全体的な大きさなど、「猫だと判断するために注目すべきポイント」を教えます。

その、猫の耳や大きさなど、注目すべきポイントのことを「特徴量」と言います。

機械学習では、人間がコンピューターにその「特徴量」を教えることをします。

その特徴量を元にして、自ら学習して、猫の写真を検索して表示することができることが機械学習の仕組みです。

機械学習はすでに50年前から存在しており、さまざまなシーンで利用されていましたが、次のディープラーニングが今回のブームに火をつけることになりました。

ディープラーニングとは?

https://markezine.jp/article/detail/29471

ディープラーニングは機械学習の一種で、機械学習をさらに進化させ使いやすくした学習方法です。

機械学習では、ニューラルネットワークに「特徴量」を教えてあげる必要があるのに対し、ディープラーニングでは、コンピューターが自分で「特徴量」を見つけ出すことができます

そのため、上の Google検索の例でいうと、猫の「特徴量」をニューラルネットワークに教えなくても、自ら特徴量を見つけ出し、猫の写真や関連する画像を検索してくれます。

このディープラーニングは、2012年に開発され「Googleの猫」と称されて、世界で話題になりました。

ディープラーニングが開発に成功したことは、最近のAIブームが起こったきっかけになっています。

さらに進んだ「深層強化学習」とは?

ディープラーニングからさらに進んだ技術として、深層強化学習という言葉があります。

深層強化学習とは、ディープラーニングと強化学習を組み合わせた学習方法です。

深層強化学習は、ざっくり説明すると、AIが勝てれば報酬ポイントやご褒美を上げるようにして、自分で考えて高得点を得るためにゲームを勉強することです。

例えばプロ棋士を破った将棋ソフトは、囲碁やチェスなどと同じようにディープラーニングと強化学習を組み合わせた深層強化学習を行っていました。

将棋ソフトは、棋士の特徴や戦術パターンを学習し、そこから自分で勝てる戦術を考えていくことができます。

将棋や囲碁だけでなく、テレビゲームなども、深層強化学習を使って人間のプロゲーマーに勝ったというニュース報道が多くされています。

まとめ

今回は、「機械学習」「ディープラーニング」「深層強化学習」について紹介しました。

AIに関しては、まだまだ実用化が始まったばかりということで、今後どんどん技術開発が進むことになります。

ぜひ、この機会にしっかりとAIについての情報をおさらいしておきましょう。

オススメの記事


コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください