備忘録として学習した内容を記していきます。
#(1)AIと機械学習、ディープラーニングの関係性について
AIとはArtificial Intelligence(人工知能)の略であり、人間のような情報を処理を行えるようにしたもの(簡単にいうならロボット)
知覚情報や与えられた情報を数値化し、それを処理するものが機械学習。つまりAIをAIたらしめるものにするのが機械学習。
機械学習の中にディープラーニングなどの手法がある。
したがって大まかに言えばAI(人工知能)<機械学習<ディープラーニング。
#(2)機械学習の種類について
機械学習には様々な手法があり行いたいものによって使い分けが必要です。
主に3つに分けることができます。
###教師あり学習
教師あり学習とは学習するデータが既に存在しており、そのデータを解析した結果を用いて未知の値を評価するものです。
例えば、季節によるアイスクリームの売り上げ予想(来月はどのくらい売れるか、など)
一番身近なものかと思います。
教師あり学習はまた「回帰」「分類」が代表的です。
・回帰：先ほどのアイククリームの例のような連続する数値からの予想をするもの
・分類とはあるデータがどの分類に分けることができるかを処理するものになります。
例としては身長、体重などの具体的数値から男女を分類する、などが挙げられます。
###教師なし学習
教師なし学習とは教師がない、つまり与えられるデータの答えをなしに複数の未知データからその特徴を掴む学習をさせて分類する手法です。
例えば筆跡の認識(同じ人が書いたものを見つける)などです。
googleが2012年に猫を見つけ出すAIを開発し話題になりましたがこれはこの教師なし学習を用いたものです。
子供が生活していくうちにだんだんいろいろなことを覚えていくのと同じイメージです。
こちらは主に「クラスタリング」「次元削減」に代表されます。
・クラスタリング：先ほど述べたような正解のないデータから共通する特徴をもつグループを見つけるもの
・次元削減：高次元のものを扱う際に次元を減らすことでデータをより理解しやすいものにする(低次元にする)もの。
掴みにくいですが、必要なデータのみで分類すること、と言えます。
これを行うことで教師あり学習の精度をあげることができたり、計算速度を向上させたりすることができます。
###強化学習
データがないもしくはほとんどないものに対しての学習となります。
例としてはお掃除ロボット。部屋の大きさやものの配置などはそれぞれで最初は何もデータがない状態から学習を行い、最終的にその部屋を効率よく掃除するようにプログラムされています。
またAlpha Goが世界一の棋士を負かしたことで有名になった手法です。
#最後に
次回は実際に単回帰分析を行ってみたいと思います。
今後の展開としてはコーディング、エラー処理などのプログラミング関連だけでなく、神経科学と結びつけたものも投稿していきます。