前回基礎分野の「ディープラーニング」について学んだので、今回は「機械学習」について学びたいと思います。
人工知能（AI）の主要な分野
基礎分野
機械学習（Machine Learning）
データからパターンを学び、予測や分類を行うアルゴリズム
例: 顧客行動の予測（マーケティング）、医療診断の支援
ディープラーニング（Deep Learning）
ニューラルネットワークを基盤とした機械学習の一分野
例: 音声認識（Siri, Google Assistant）、画像認識（顔認識）
応用分野
応用分野一覧
自然言語処理（NLP:Natural Language Processing）
人間が使う言語の理解や生成を行う技術
例: 自動翻訳（Google翻訳、DeepL）、チャットボット（カスタマーサポート）、文章生成
ロボティクス（Robotics）
AIを活用した自律型ロボット
例: 医療用ロボット（手術支援ロボット）、工場の自動化（製造ライン）、自動運転車
コンピュータビジョン（Computer Vision）
画像や映像データを解析し、理解・分析する技術
例: 医療画像解析（がんの診断など）、監視カメラの顔認識（セキュリティシステム）
強化学習（Reinforcement Learning, RL）
トライ＆エラーを通じて最適な意思決定を学習
例: ゲームAI（囲碁、チェス）、投資ポートフォリオの最適化
エキスパートシステム（Expert Systems）
特定の分野における専門知識を活用して決定支援を行い、問題を解決するシステム
例: トラブルシューティング（ITサポート）、医療診断システム
生成AI（Generative AI）
新しいデータやコンテンツを生成するAI
例: テキスト生成（ChatGPT）、画像生成（MidJourney、DALL-E）
音声認識と音声合成
人間の言葉を理解し音声をテキストに変換（音声認識）したり、テキストを音声で出力（音声合成）する技術
例: 音声アシスタント（Alexa、Siri）、自動字幕生成
AI倫理と社会的影響
AIが引き起こす公平性、プライバシー、安全性などの倫理的問題や社会的影響を研究する分野
例: データプライバシーの保護、AIの社会的受容性の向上
機械学習とは
機械学習（ML:Machine Learning） とは「マシンラーニング」とも呼ばれており、データを分析させて学習・解析する人工知能（AI）の一分野です。
コンピュータが大量のデータを分析して、その中に規則性やパターンを見つけたり予測を行ったりするアルゴリズムを使用してデータを解析、自動的に学習して明示的なプログラムなしでタスクを実行できるようにし、経験に基づいてパフォーマンスを向上させます。
機械学習の特徴
-
データ駆動型
コンピュータに膨大なデータや複雑なパターンを与えて学習させることで、規則的やパターンを見つけ、人間が見逃しやすい複雑なパターンの発見が可能です。 -
高次元データの高速処理
大量の入力データを高速に処理できます。 -
自動化と適応
データをベースにアルゴリズムが最適なルールを生成し、新しいデータが入るたびにモデルを更新します。 -
予測と意思決定
過去のデータに基づいて未来の出来事を予測・判断したり、自動的に意思決定を行います。
機械学習の分類
機械学習には主に以下の3つの分類があります
教師あり学習（Supervised Learning）
教師あり学習 とは正解となる出力データが決まっている入力データを用いて学習モデルを構築する事で、入力データと出力データの関係を学習し新しいデータに対して予測を行います。
アルゴリズム例
- 線形回帰（Linear Regression）
- ロジスティック回帰（Logistic Regression）
- サポートベクターマシン（SVM）
- ランダムフォレスト（Random Forest）
応用例
- メールのスパム分類
- 売上予測
- 画像認識（猫と犬の分類）
「教師あり学習」について吉原一樹さんがアルゴリズムを詳しく書いていたので、知りたい方はこちらをご覧下さい
教師なし学習（Unsupervised Learning）
教師なし学習 とは正解がない出力データを与え、入力データから特徴となるデータの構造やパターンなどの法則性を学習します。
アルゴリズム例
- クラスタリング（K-means、階層クラスタリング）
- 主成分分析（PCA）
- オートエンコーダ
応用例
- マーケティングの顧客セグメンテーション
- 異常検知（不正取引の検出）
- データ可視化
「教師なし学習」についてAIsmiley編集部さんがアルゴリズムを詳しく書いていたので、知りたい方はこちらをご覧下さい
強化学習（Reinforcement Learning）
強化学習 とは動的な入力データを分析し、人工知能(AI)が試行錯誤しながら最適な行動や操作を決定して答えを見出す事で、長期的な成果を最大化するための最適な戦略を学びます。
アルゴリズム例
- 動的計画法(Dynamic Programming)
- 深層強化学習（Deep Reinforcement Learning）
応用例
- ゲームAI（AlphaGo）
- ロボット制御
- 自律運転車の経路選択
「強化学習」について吉原一樹さんがアルゴリズムを詳しく書いていたので、知りたい方はこちらをご覧下さい
機械学習の仕組み
機械学習では、以下のようなステップで構築されます。
1.データ収集
学習用データを集めます。
（例: テキスト、画像、数値データ）
2.データ前処理
入力データの欠損値の補完や正規化などを行い、モデルが学習しやすい形式に変換します。
3.アルゴリズム選択
問題に適したアルゴリズムを選択します。
（例: 線形回帰、決定木、ニューラルネットワーク）
4.モデル訓練（トレーニング）
トレーニングデータを用いてモデルを訓練し、最適なパラメータを学習します。
5.モデル評価
テストデータでモデルの性能を評価します。
（例: 精度、再現率）
6.予測と実行
訓練されたモデルを使って新しいデータを処理し、予測や意思決定を行います。
機械学習の応用例
-
画像処理
顔認識、物体検出、医療画像解析 -
自然言語処理
翻訳（Google翻訳）、感情分析（レビュー分析） -
音声認識
Siri、Google Assistant、音声入力システム -
金融
リスク評価、不正取引の検出 -
マーケティング
推薦システム（Amazon、Netflix）
最後に
人工知能(AI)があり、その一分野が機械学習。
さらにその一部がディープラーニングだということがわかりました。
イメージするとこの画像のようになります。
人工知能（AI）奥が深すぎますね。
数学の知識が足りなくて、アルゴリズムの例については説明出来るほどの理解は出来なかったので、別の方の記事を貼らせていただきました。