ディープラーニング VS 機械学習
AIとは?
人工知能は機械に目の認識能力をもたらすものだ。
その進化は思考したり、会話したり、画像を使ったりする。
この成果は遠い未来ではない。
AIには3つのレベルがある。
狭義のAI: 特定のタスクを人間よりもうまくこなすもの。現在の研究はここ。
汎用のAI: 人間の知性の再現。
超AI: 人間を打ち負かすAI
黎明期のAIはパターンマッチングやルールベースのエキスパートシステムだった。
機械学習とは?
機械学習はこれまでのところ、データ中のパターンを分析し、理解し、識別するための最良のツールである。機械学習の背後にある主要なアイデアの1つは、人間にとっては完全であるか不可能であるタスクを自動化するようにコンピュータを訓練できるということである。従来の分析から明らかに逸脱しているのは、機械学習は人間の介入を最小限に抑えて意思決定を行うことができるという点である。
機械学習では、データを使用して、入力と出力の関係を理解できるアルゴリズムを提供します。機械が学習を終えると,新しいデータ点の値またはクラスを予測できる。
ディープ・ラーニングとは?
ディープ・ラーニングは、脳内のニューロンのネットワークを模倣するコンピューター・ソフトウェアだ。これは機械学習のサブセットであり、ディープニューラルネットワークを利用することからディープラーニングと呼ばれる。マシンは、データから学習するために異なるレイヤーを使用します。モデルの深さは、モデル内のレイヤーの数によって表されます。ディープラーニングは、人工知能の分野における最新技術であり、ディープラーニングにおいては、ニューラルネットワークを介して学習フェーズが行われる。ニューラルネットワークは、層が互いに積み重ねられるアーキテクチャである。
機械学習のプロセス
オブジェクトを認識するプログラムを作成しようとしているとします。モデルをトレーニングするには、分類子を使用します。分類子は、オブジェクトの機能を使用して、そのオブジェクトが属するクラスを識別しようとします。
この例では、分類器は、画像が次のものであるかどうかを検出するように訓練される。
自転車
ボート
車
平面
上記の4つのオブジェクトは、分類子が認識する必要があるクラスです。分類子を構築するには、データを入力として持ち、ラベルを割り当てる必要があります。アルゴリズムはこれらのデータを取得し、パターンを見つけて、対応するクラスに分類します。
このタスクは、教師付き学習と呼ばれます。教師あり学習では、アルゴリズムに渡すトレーニング・データにラベルが含まれます。
アルゴリズムをトレーニングするには、いくつかの標準的な手順に従う必要があります。
データの収集
分級機を訓練する
予測を行う
最初のステップは必要であり、適切なデータを選択することでアルゴリズムが成功するか失敗するかが決まります。モデルをトレーニングするために選択するデータは、フィーチャと呼ばれます。オブジェクトの例では、フィーチャはイメージのピクセルです。
各イメージはデータの行で、各ピクセルは列です。イメージのサイズが28x28の場合、データセットには784列(28x28インチ)が含まれます。下の図では、各ピクチャはフィーチャベクトルに変換されています。ラベルは、イメージにどのオブジェクトが含まれているかをコンピュータに伝えます。
目的は,これらの訓練データを用いて対象のタイプを分類することである。最初の手順では、フィーチャ列を作成します。次に、モデルをトレーニングするアルゴリズムを選択します。訓練が行われると,モデルはどの絵がどの物体に対応するかを予測する。
その後,モデルを用いて新しい画像を予測することは容易である。新しいイメージがモデルに入力されるたびに、マシンはそれが属するクラスを予測します。たとえば、ラベルのないまったく新しいイメージがモデルを通過しているとします。人間にとって、車のイメージを描くのは簡単です。その機械は、画像が車であることを予測するために、その以前の知識を使用する。
ディープ・ラーニングのプロセス
深層学習では,学習フェーズはニューラルネットワークを介して行われる。ニューラルネットワークは、層が互いに積み重ねられるアーキテクチャである。
上と同じ画像の例を考えてみましょう。訓練セットは神経回路網に送られ
各入力はニューロンに入り、重みが掛けられます。乗算の結果は次のレイヤに流れ、入力になります。このプロセスは、ネットワークの各層について繰り返される。最後のレイヤには出力レイヤという名前が付けられます。;回帰タスクの実際の値と、分類タスクの各クラスの確率が提供されます。ニューラルネットワークは数学的アルゴリズムを用いて全ニューロンの重みを更新する。重みの値が現実に近い出力を与えるとき,ニューラルネットワークは完全に訓練される。例えば,十分に訓練されたニューラルネットワークは,従来のニューラルネットワークよりも高い精度で画像上の物体を認識できる。
ディープ・ラーニングを使った自動特徴抽出
データセットには、10~数百のフィーチャを含めることができます。システムは、これらの機能の関連性から学習します。ただし、すべての機能がアルゴリズムにとって意味があるわけではありません。機械学習の重要な部分は、システムに何かを学習させるための一連の関連する機能を見つけることである。
機械学習でこの部分を実行する1つの方法は、特徴抽出を使用することである。フィーチャ抽出は、既存のフィーチャを組み合わせて、より関連性の高いフィーチャセットを作成します。これは、PCA、T-SNE、または他の次元縮小アルゴリズムを用いて行うことができる。
例えば、画像処理では、開業医は、目、鼻、唇などの画像中の特徴を手動で抽出する必要がある。抽出された特徴は分類モデルに供給される。
ディープ・ラーニングは、特に畳み込みニューラルネットワークにおいて、この問題を解決する。ニューラルネットワークの第1層は、画像から細部を学習する。;次のレイヤーでは、これまでの知識を組み合わせて、より複雑な情報を作成します。畳み込みニューラルネットワークでは,フィルタを用いて特徴抽出を行う。ネットワークは、一致があるかどうか、すなわち、特徴の形状が画像の一部と同一であるかどうかを見るために、画像にフィルタを適用する。一致する場合、ネットワークはこのフィルタを使用します。したがって、特徴抽出のプロセスは自動的に行われる。
どんなときに機械学習かディープ・ラーニングを使うのか
機械学習では、ディープ・ラーニングよりも少ないデータでアルゴリズムをトレーニングできます。深層学習では、基礎となる構造を識別するために、広範で多様なデータセットが必要です。さらに、機械学習はより速く訓練されたモデルを提供する。最先端のディープラーニングのアーキテクチャでは、トレーニングに数日から1週間かかることがあります。ディープラーニングが機械学習より優れている点は、精度が高いことです。どのフィーチャがデータの最適な表現であるかを理解する必要はありません。;重要な特徴の選び方を学習しました。機械学習では、モデルに含める機能を自分で選択する必要があります。
翻訳作業はやっぱり勉強になるなぁ。