人工知能＋機械学習＋ディープラーニングの関係を理解するのに役立ちます

ビッグデータ人工知能技術は、応用レベルでは、機械学習、ニューラルネットワーク、ディープラーニングなどを含み、これらはすべて現代の人工知能の中核技術です。ビッグデータの文脈では、これらの技術は質的に向上しています。人工知能、機械学習、ディープラーニングの包含関係は、下の図に示されています。

基本的な概念の理解

1.機械学習

統計学習理論としても知られる機械学習は、人工知能の重要な分野です。データ分析を通じてデータパターンを取得し、そのパターンを適用して他の未知のデータを予測または判断します。機械学習は、データマイニング、自然言語処理、音声認識など、特に検索エンジンの分野で広く利用されてきました。

検索エンジンは人工知能技術の発展の先駆者です。百度は現在、人工知能企業としての地位を確立しており、捜狗の王小川氏も人工知能を未来と見ています。膨大な量のデータに対しては、機械学習の手法が非常に効果的です。具体的なアルゴリズムには、決定木、パーセプトロン、サポートベクターマシン、マルコフ連鎖、最近傍法などがあります。大規模ユーザーを抱える検索エンジン企業はビッグデータに最初に触れる企業であり、機械学習に対する需要は他の企業をはるかに上回っています。これらの企業が人工知能技術を使用する理由は、検索結果がより正確になり、ユーザーに直接回答を提供できるようになることを期待しているためです。

人工知能の発展は、「推論」から「知識」へ、「知識」から「学習」へと重要なプロセスを経ており、機械学習は人工知能への道のりで問題を解決してきました。機械学習は単一の科目ではなく、数学、コンピューターサイエンス、生物学などの複数の分野が交差する学際的な科目です。機械学習は現在、検索エンジンに利用されているだけでなく、生体認証、バイオメディカル研究、証券分析などの分野でも深く応用されており、良好な成果を上げています。

機械学習を別の観点から見ると、機械学習における「学習」とは、機械学習アルゴリズムが特定の次元に沿って最適化を試みることを意味します。これは、通常、機械学習アルゴリズムが、最も低いエラー率で予測の可能性を最大化しようとすることと理解できます。すべての機械学習アルゴリズムには学習目標があるため、エラー関数、損失関数、目的関数という 3 つの名前が付けられています。

プロジェクトやエンジニアリングで機械学習アルゴリズムを使用する場合、入力、出力、目的関数、最小エラー率を決定することで、アルゴリズムの役割と効果を評価できます。

機械学習アルゴリズムの入力と出力の場合、通常、最初のテスト入力と出力の対応する結果は間違っています。出力結果と入力の間に対応関係がある場合は、予想される出力結果と比較して推測の精度を測定し、その誤差を使用してアルゴリズムを修正できます。これは、教師あり学習の一般的な方法です。彼らは、エラー率が極端な値に達するまで、出力を推定し、推定プロセスのパラメータを変更し続けます。

2.ニューラルネットワーク

人工ニューラル ネットワークは、機械学習にとって重要なアルゴリズムであり、ディープラーニングの開発における基本的なアルゴリズムでもあります。そのアイデアはディープラーニングに影響を与え、ディープラーニングは人工知能における最も重要なテクノロジーの 1 つとなっています。

一般的に使用される手法であるニューラル ネットワークは、生物学的ニューラル ネットワークの構造と機能を模倣した数学モデルであり、適応型コンピューティング モデルでもあります。外部情報の変化を感知してシステムの内部構造を変更します。ニューラル ネットワークは多数のニューロンで構成され、それらが相互接続されて情報処理のための巨大なネットワークを形成します。何かを行う方法が複数ある場合、ニューラル ネットワークはどの方法が最適かを設計者に伝えます。

ニューラルネットワークの利点は、既存のデータを通じて自己学習、要約、一般化が可能で、推論してインテリジェントな認識システムを生み出すことができるシステムであり、人工知能技術の重要な基礎となることです。

3.ディープラーニング

ディープラーニングは機械学習の重要な分野であり、従来のニューラル ネットワークの重要な拡張です。ディープラーニングには、ディープニューラルネットワーク、畳み込みニューラルネットワーク、再帰ニューラルネットワークなど、さまざまなネットワーク構造があります。多層非線形ニューラルネットワークモデルとして、強力な学習能力を備えています。ビッグデータ、クラウドコンピューティング、GPU並列コンピューティングと組み合わせることで、グラフィックス、画像、視覚、音声などで優れた結果を達成し、従来の機械学習の結果をはるかに上回っています。そのため、ディープラーニングは人工知能の重要な前進であると一般に認識されています。 2016年3月、ディープラーニングをベースとした人工知能囲碁アプリ「AlphaGo」が囲碁の対局で人間の囲碁名人に勝利し、話題となった。

ディープラーニングは、画像処理、音声認識、生体認証などの分野で広く利用されており、業界から高い評価を受けています。これにより、ディープラーニングは継続的に発展し、人工知能の発展を加速させることができました。

ディープラーニングと機械学習の関係

これまで、機械学習の手法は浅い​​構造がほとんどでした。非線形処理手法を使用しても、こうした浅い構造の深さはそれほど深くないことがよくありました。この状況は、ここ 10 年ほどで変化しました。コンピューティング能力の向上に伴い、コンピューティングの深さも増加しています。

機械学習における一般的な浅い構造には、ガウス混合モデル、サポートベクターマシン、最大エントロピーモデル、ロジスティック回帰、多層パーセプトロンなどがあります。実践から繰り返し分かっていることは、浅い構造は単純な問題を解決するのには効果的ですが、音声やビデオなどの複雑で変化しやすい問題に対処するには効果が低いということです。

ディープラーニングの基礎研究はニューラルネットワークに端を発しています。最も一般的なニューラル ネットワークは、フィードフォワード ニューラル ネットワークです。複数の隠し層がある場合は、ディープ ニューラル ネットワークと呼ぶことができます。ディープニューラルネットワークは、問題解決効果を大幅に向上させることができます。現在のトレーニングプロセスには強力なコンピューティングパワーが必要ですが、GPUと分散コンピューティングの助けを借りれば、効果を確保しながらコンピューティング効率を効果的に向上させることができます。

ディープラーニングは、次のようなあらゆる種類のデータを処理できます。

（１）音。主に音声認識、音声合成、音声シミュレーションなどを目的としています。

（２）テキスト自然言語処理、自然言語生成などが含まれます。

（３）画像画像分類、画像ターゲット検出、画像セマンティックセグメンテーションなどを含むコンピュータービジョンの分野を対象としています。

（４）時系列主にデータセンシングや関連イベント分析などのサブフィールドです。

（５）ビデオ主にビデオコンテンツの理解、インテリジェントビデオ広告などの分野。

ディープラーニングは、データの分類、クラスタリング、予測分析の実行など、ほぼすべての機械対応の問題を解決できます。

（１）分類：例えば、スパムメールと非スパムメールをアーカイブする。

（２）クラスタリング：例えば、類似度の高い文書をアーカイブする。

（３）予報：例えば、過去の気象データや最近の気象の変化に基づいて、今後１週間の気象状況を予測する。

ディープラーニングは、前述の画像、ビデオ、音声、テキストなどの非構造化データに非常に適しています。画像はピクセルの組み合わせであり、メッセージは単語の組み合わせです。これらのデータは、一般的なリレーショナル データベースの行と列に整理されていないため、浅い機械学習手法を使用して特徴分析を実行することは比較的困難です。ディープラーニングの一般的な使用例には、感情分析、画像分類、予測分析、推奨システム、異常検出などがあります。

ディープラーニングと人工知能の関係

冒頭の包含図から、ディープラーニングは機械学習のサブセットであり、機械学習は人工知能のサブセットであることがわかります。したがって、ディープラーニングは人工知能のサブ技術分野です。

インテリジェントプログラムとは、一連の条件判断によって形成される、広く普及しているコンピュータのインテリジェントプログラムです。しかし、このようなインテリジェントプログラムは理解しやすいものが多いため、現在の人工知能とは言えません。人工知能は、データを詳細に分析することです。結果を推論するプロセスは人間がすぐに推論することはできず、コンピューターの支援が必要です。ディープラーニングは、コンピューターの助けを借りて完成される、より優れた人工知能技術です。

機械学習は人工知能の技術分野であるため、ルールエンジン、エキスパートシステム、進化アルゴリズムなど、人工知能の分野に属していても機械学習の分野には属さないアルゴリズムやモデルが常に存在します。それらはすべて人工知能の技術システムに属していますが、機械学習には属していません。

ディープラーニングは人工知能技術のサブセットです。ディープニューラルネットワークは、画像認識、音声認識、推奨システムなど、一連の重要な分野でさまざまな指標を更新し続けており、人間の認知の範囲を超えています。ディープマインドが開発した有名な人工知能プログラム「アルファ碁」は、2016年に囲碁元世界チャンピオンのイ・セドルを破りました。これもディープラーニング技術がさまざまな分野に影響を与えるシナリオの1つです。

ディープラーニングの「ディープ」は、一般的にニューラル ネットワークの層の数を指す技術用語です。浅いネットワークにはいわゆる隠し層が 1 つありますが、深いネットワークには隠し層が複数あります。一般的な単純なデータ機能の場合、それらはネットワークの 1 つのレイヤーから次のレイヤーに渡され、マッピング関係によって表されますが、ディープ ニューラル ネットワークの階層構造では、より複雑なデータ マッピング関係を表現して、より複雑な機能を表すことができます。人工知能が直面する問題も、多段階データの複雑な特性を持っているため、ディープラーニングはさまざまな業界のいくつかの複雑な問題を効果的に解決します。