機械学習とディープラーニングの5つの主な違い

前回のシリーズの記事「機械学習とディープラーニングの違いは何でしょうか？」に続き、簡単に説明した後、今日は引き続き、この 2 つの違いについてさらに詳しく探っていきます。

[[384229]]

序文

機械学習が 1950 年代に発明された人工知能 (AI) の一種であることに気づいていない人がほとんどです。 1959 年、アーサー・サミュエルは、IBM コンピューターがチェッカーをプレイする時間が長くなるほど上達するという、最初のコンピューター学習プログラムを作成しました。時代は進み、現在では AI は単なる最先端技術ではなく、関連する仕事は高収入でやりがいのあるものになっています。機械学習エンジニアの需要は高く、データサイエンティストもソフトウェアエンジニアも機械学習の分野で必要なスキルを持っていません。企業には、両方の分野に精通しているものの、データ サイエンティストの仕事もソフトウェア エンジニアの仕事もできない専門家が必要です。このグループは機械学習エンジニアです。

「人工知能」、「機械学習」、「ディープラーニング」という用語は、多くの場合同じ意味で使用されますが、AI 分野でのキャリアを検討している場合は、それらの違いを理解することが重要です。

オックスフォード リビング ディクショナリーズによると、人工知能とは「視覚認識、音声認識、意思決定、言語間の翻訳など、通常は人間の知能を必要とするタスクを実行できるコンピュータ システムの理論と開発」です。AI コンピュータ システムは「インテリジェント」と呼ばれていますが、独自に学習できないものもあります。そこで機械学習とディープラーニングが登場します。

機械学習とディープラーニングとは一体何なのか、またその違いについて詳しく見ていきましょう。

機械学習とは何ですか?

機械学習では、コンピュータ システムは繰り返しプログラミングすることなく、入力されたデータから学習するようにプログラムされます。言い換えれば、彼らは助けを借りずにゲームをプレイするなどのタスクのパフォーマンスを継続的に向上させます。機械学習は芸術、科学、金融、医学などの分野で広く使用されています。機械に学習させるにはさまざまな方法があります。基本的な決定木のように単純なものもあれば、人工ニューラル ネットワークの複数の層を含む、はるかに複雑なものもあります。後者はディープラーニングで起こりますが、これについては後ほど説明します。

機械学習は、1959 年にアーサー サミュエルが開発した画期的なプログラム (今日の基準では比較的単純な検索ツリーを主な駆動力として使用) だけでなく、IBM コンピューターのチェッカーのプレイにおける継続的な改善によっても可能になりました。

インターネットのおかげで、膨大な量のデータが作成され、保存され、コンピュータ システムに供給されて「学習」に役立てられるようになりました。 Python を使用した機械学習は、今日最も人気のあるアプローチです。

ディープラーニングとは何ですか?

ディープラーニングは機械学習の次のフロンティアであり、最先端中の最先端であると考える人もいます。 Netflix を視聴する場合、一部のストリーミング音楽サービスでは、過去に聴いた曲や気に入った曲に基づいて視聴する曲をおすすめします。これらの能力はすべて、徹底的な学習に基づいています。 Google の音声認識および画像認識アルゴリズムもディープラーニングを使用しています。

機械学習が人工知能の一種とみなされるのと同様に、ディープラーニングも機械学習の一種とみなされることが多く、サブセットと呼ぶ人もいます。機械学習では予測モデルなどの単純な概念が使用されますが、ディープラーニングでは人間の思考や学習の方法を模倣するように設計された人工ニューラル ネットワークが使用されます。高校の生物学で、人間の脳の主要な細胞構成要素であり主要な計算要素はニューロンであり、それぞれの神経接続が小さなコンピューターのように機能することを学んだかもしれません。脳内のニューロンのネットワークは、視覚、感覚などのさまざまな入力を処理する役割を担っています。

機械学習と同様に、ディープラーニングのコンピュータ システムには依然としてデータが提供されますが、ディープラーニング システムが正確な結果を返すためには大量のデータを理解する必要があるため、情報は多くの場合、巨大なデータ セットの形式になります。次に、人工ニューラル ネットワークは、非常に複雑な数学的計算を伴う一連のバイナリの真偽の質問をデータに尋ね、得られた回答に基づいてデータを分類します。

したがって、機械学習とディープラーニングはどちらも人工知能の一般的なカテゴリに分類され、どちらもデータ入力から「学習」しますが、両者の間にはいくつかの重要な違いがあります。

機械学習とディープラーニングの 5 つの主な違い

1 人間の介入

人間がデータの種類 (ピクセル値、形状、方向など) に基づいてアプリケーションの機能を識別し、手動でコーディングする必要がある機械学習システムとは異なり、ディープラーニング システムは、人間の追加の介入なしにこれらの機能を学習しようとします。顔認識プログラムを例にとると、プログラムは最初に顔のエッジと線を検出して認識することを学習し、次に顔のより重要な部分を学習し、最後に顔の全体的な表現を学習します。これを行うために必要なデータの量は膨大であり、時間が経ちプログラム自体がトレーニングされるにつれて、正しい答え（つまり、顔を正確に識別する）を得る確率が高まります。このトレーニングは、人間の脳の働きに似たニューラル ネットワークを使用して行われ、人がプログラムを再コーディングする必要はありません。

2 ハードウェア

ディープラーニング システムでは、処理するデータの量と、使用するアルゴリズムに含まれる数学的計算の複雑さのため、より単純な機械学習システムよりも強力なハードウェアが必要になります。ディープラーニングに使用されるハードウェアの 1 つは、グラフィックス プロセッシング ユニット (GPU) です。機械学習プログラムはローエンドのマシンでも実行でき、それほど多くの計算能力を必要としません。

3. 時間

ご想像のとおり、ディープラーニング システムは大規模なデータセットを必要とし、非常に多くのパラメーターと複雑な数式を伴うため、トレーニングに長い時間がかかります。機械学習には数秒から数時間かかる場合がありますが、ディープラーニングには数時間から数週間かかる場合があります。

4つの方法

機械学習で使用されるアルゴリズムは、データを部分的に解析し、それらの部分を組み合わせて結果または解決策に到達する傾向があります。ディープラーニング システムは、問題やシナリオ全体を一挙に解決できます。たとえば、プログラムで画像内の特定のオブジェクト（たとえば、そのオブジェクトが何であるか、駐車場の車のナンバープレートのどこにあるか）を認識する場合、機械学習を通じて、最初にオブジェクト検出、次にオブジェクト認識という 2 つのステップを完了する必要があります。しかし、ディープラーニング プログラムでは、画像を入力し、トレーニングを通じて、プログラムは画像内で識別されたオブジェクトとその位置を一度に学習します。

5 アプリケーション

上記の他のすべての違いを考慮すると、機械学習とディープラーニング システムが異なるアプリケーションに使用されることがわかったかもしれません。使用目的: 基本的な機械学習アプリケーションには、予測プログラム (たとえば、株式市場の価格や次のハリケーンがいつどこに上陸するかの予測)、スパムメールの識別子、医療患者向けのエビデンスに基づいた治療計画を設計するプログラムなどがあります。

Netflix、音楽ストリーミングサービス、顔認識など、上記で述べた例の他に、ディープラーニングの最もよく知られている応用例の 1 つは自動運転です。これらのプログラムは、多層ニューラル ネットワークを使用して、回避すべき物体を決定し、信号を認識し、いつ加速または減速すべきかを判断します。

機械学習とディープラーニングの今後の動向

機械学習とディープラーニングの未来には無限の可能性があります。製造業だけでなく、私たちの日常生活を向上させるために、ますます多くのロボットが使用されています。ディープラーニングによって医師ががんを早期に予測または検出し、人命を救うことができるようになるため、ヘルスケア業界も変革する可能性があります。金融分野では、機械学習とディープラーニングにより、企業や個人がコストを節約し、より賢く投資し、リソースをより効率的に割り当てることができます。

そして、これら 3 つの分野は、機械学習とディープラーニングの将来のトレンドの始まりにすぎません。改善の余地がまだたくさんあるのですが、それは私たちの想像力の中にまだひらめきがあるだけです。