本を読んでいて、機械学習・ディープラーニング・強化学習の違いが明確に記述されていましたので、メモ代わりに。
#機械学習
・統計的な方法論
・柔軟性のない機械に、人間並みの柔軟性を持たせるために必要なもの。それがビックデータ。
・教師データ＝元データ
→これは機械では作れないので、人間が作る必要がある。
→精度を高めるためには、万単位、億単位でのデータが必要。
・コンピュータが与えられたデータを繰り返し学習することが、機械学習。
→データの中にあるパターンや経験則、そしてその重要度を自律的に認識する。
・特微量をどう設計するか。特微量が現実世界をうまく反映していれば、判定精度は上がるが、そうでなければデータを増やしても精度は上がらない。
#ディープラーニング（深層学習）
・熟練のようなエキスパートが特微量を設計していた機械学習の効率を画期的に飛躍させたのがディープラーニング（深層学習）。
・どの特徴に目を付けるべきか自体を、機械に検討させる。
・単純な総和ではなく、特微量をいくつか組み合わせて、「丸い」とか、「放射状」ばどのやや抽象的な概念を表し、それがどのように含まれているか何段階で判断することで、直感頼みだった特微量の設計が自動で最適化することができるようになった。
・一定の枠組み（フレーム）の中で、十分な量の教師データを準備すると、これまで人間が手作りで試行錯誤していた部分も含めてAIがデータに基づき調整することで、伝統的機械学習に比べて、低コストでそれと同等か上回る正解率に達しやすい。
#強化学習
・教師データなしに完全に機械に任せることができる課題に最適。
・目的や目標と制約条件が記述できる課題には、最適化がうまくいく。
#最後に
順としては、
機械学習＞ディープラーニング（深層学習）＞強化学習
の順でAIとしての性能が高い感じですね。