人工知能、機械学習、ディープラーニング、データサイエンス

人工知能やデータサイエンスに不慣れな方であれば、これらの 4 つの用語を何度も目にしたことがあるはずです。これら 4 つの用語の意味を完全に理解していない場合は、この記事が役に立ちます。この記事では、それらの基本的な意味を知り、それらの違いを理解します。できるだけわかりやすく説明できるよう努力しますが、この記事を読み進めていくと、これらの用語が実際に何を意味するのかがわかるでしょう。では、早速最初のものから始めましょう。

[[382879]]

人工知能

人工知能（AI）とは、人間や動物に見られる自然な知能とは対照的に、機械の中に知的な動作を作り出すことを指します。人工知能を実装するには主に 2 つの方法があります。1 つはすべてのプログラミング ロジックをエンコードする従来のプログラミングを使用する方法であり、もう 1 つは機械学習を使用する方法です。現在、この目標を達成するための最も成功しているアプローチは機械学習、より具体的にはディープラーニングです。これについては、この記事でさらに詳しく説明します。まず、機械学習とは何かを見てみましょう。

機械学習

機械学習（ML）は人工知能の一部です。つまり、機械学習コードを書くときは常に、人工知能もコーディングしていることになります。機械学習は基本的に、特に従来のプログラミングと比較して、コンピューターをプログラミングする異なる方法です。このため、機械学習は「ソフトウェア 2.0」と呼ばれることもあります。

通常、ソフトウェアを作成する場合は、すべてのルールとすべてのプログラミング ロジックを定義し、さまざまな方法でコンピューターを明示的にプログラムできます。ただし、機械学習では、コンピューターを明示的にプログラムすることはありません。代わりに、機械学習モデルを作成し、適切なデータと目的を使用してそのモデルをトレーニングします。機械学習モデルをトレーニングすると、モデルは目的の結果を近似することを学習します。基本的に、機械学習では、コンピューターを明示的にプログラミングするのではなく、ソフトウェアを作成します。

機械学習におけるプログラミングのほとんどは、ユーザーが提供するデータによって実行されます。同じ機械学習モデルは（トレーニングに使用したデータに応じて）、皮膚がんの識別を学習したり、猫と犬を区別することを学習したりできます。

機械学習モデルが最初に作成されると、ほぼランダムな予測が始まり、モデルがトレーニングされるたびに、予測の誤りが少なくなるように学習し、最終的に最適なパフォーマンスに到達します。ランダムな予測から始まりますが、多くの場合、機械学習モデルは超人的なパフォーマンスを達成できます。基本的に、これは、特定のタスクにおいて、ロボットが人間と同等かそれ以上の成果を上げることができることを意味します。

現在、最も成功している機械学習のアプローチはディープラーニングと呼ばれています。

ディープラーニング

ディープラーニング (DL) は、ディープニューラルネットワークを活用する機械学習のサブセットです。

ちなみに、ニューラルネットワークが何であるかを知らなくても、機械学習とディープラーニングの違いを理解するために、ニューラルネットワークについてすべて学ぶ必要はありません。ニューラル ネットワークについてさらに詳しく知りたい場合は、より包括的な投稿があります。これらの記事の目的は、人工知能や機械学習などの一見複雑に見えるトピックを、一歩ずつ理解できるようにすることです。

先に進む前に、ニューラル ネットワークとは何かを簡単に見てみましょう。ニューラル ネットワークについて知っておくべきことの 1 つは、ニューラル ネットワーク レイヤーと呼ばれるレイヤーで作成されるということです。最初の層は入力層と呼ばれ、最後の層は出力層と呼ばれます。真ん中の層は隠し層と呼ばれます。ニューラル ネットワークの層の総数が 3 を超える場合、ディープ ニューラル ネットワークと呼ばれます。したがって、ニューラル ネットワークに 2 つの層しかない場合は、実際には機械学習を実行していることになります。ただし、3 つ以上のレイヤーがある場合は、機械学習に加えてディープラーニングも実行します。

ニューラル ネットワークの基本的な側面の 1 つは、いわゆる普遍近似定理を満たすことです。これは基本的に、十分なサイズとアーキテクチャがあれば、ニューラル ネットワークを使用して任意の関数を常に近似できることを意味します。つまり、すべてのルールとプログラミング ロジックを備えたソフトウェアを作成するのではなく、提供されたデータから学習して割り当てられたタスクを実行するニューラル ネットワークを作成します。たとえば、ニューラル ネットワークに猫と犬の画像を与え、ニューラル ネットワークに画像を分類させることができます。これを行うと、ネットワークは画像ピクセルと結果の分類の間のマッピングを作成します。当初、ネットワークはランダムな推測から開始しますが、より多くのデータでトレーニングされるにつれて、最終的にはピクセル値に基づいて猫と犬を区別することを学習します。

ちなみに、機械学習ではニューラルネットワーク以外の手法も使用できます。しかし、すべてではないにしても、そのほとんどが、その優れたパフォーマンスによりディープラーニング モデルに置き換えられています。機械学習と比較しても、ディープラーニングではソフトウェアの人間が作成した部分がますます多く削除されます。これは、機械学習に精通している場合でも、機械学習において、特徴の選択など、人間が行う必要がある大きな決定がいくつかあるためです。

データサイエンス

データ サイエンスとは、本質的には、統計的手法と機械学習手法を使用してデータを理解することです。データ サイエンティストであれば、新しいニューラル ネットワーク アーキテクチャについて考えることはないかもしれませんが、それを使用して保有するデータを分析して有意義な洞察を引き出すことができます。もちろん、この分析を実行するには、ランダムな統計を計算するだけでなく、実際のデータから意味のある実用的な洞察を実際に抽出するためのドメイン知識も必要です。

結論は

ご覧のとおり、これら 4 つはすべて相互に関連していますが、それぞれ独自の特徴を持っています。 AI から ML、そして DL への道は、人工知能を作成するための最も成功したアプローチの進化に似ています。一方、データ サイエンスは、主に分析の目的で、それらを実際の生活の中で使用または実装する方法です。

この記事がこれらの用語の主な違いを明確にするのに役立つことを願っています。ご不明な点がございましたら、コメント欄でお気軽にご質問ください。できるだけ早くご連絡させていただきます。ご質問にさらに詳しい説明が必要な場合は、別の投稿で説明できます。

オリジナルリンク:

https://medium.com/swlh/人工知能vs機械学習vsディープラーニングvsデータサイエンス-5d01381554fd