ディープ ラーニング、ML、AI の違いは何ですか？

ディープ ラーニングは ML の一種で、人工ニューラル ネットワークを使用して情報の処理と分析を行います。ニューラル ネットワークは、ディープ ラーニング アルゴリズム内で階層化された計算ノードで構成されています。各レイヤには、入力レイヤ、出力レイヤ、隠れレイヤが含まれています。ニューラル ネットワークにはトレーニング データが提供され、アルゴリズムが学習して精度を向上させられるようにします。ニューラル ネットワークに入力層と出力層に加えて複数の隠れ層が含まれている場合、そのネットワークはディープ ニューラル ネットワークと見なされ、ディープ ラーニングの基盤となります。

ディープラーニング アルゴリズムは、人間の脳の働きにヒントを得ており、特に大量の非構造化データを分析するのに優れています。ディープ ラーニングは、画像認識や音声認識、オブジェクト検出、自然言語処理など、今日私たちが AI と捉えている多くのタスクで使用されています。ディープ ラーニングは、データセット内の非線形かつ複雑な相関関係を把握できますが、ML よりも多くのトレーニング データとコンピューティング リソースが必要です。

ディープ ラーニングに使用される一般的なニューラル ネットワークには、次のようなものがあります。

• フィードフォワード ニューラル ネットワーク（FF）は最も古い形式のニューラル ネットワークの 1 つであり、出力が得られるまで、データは人工ニューロンのレイヤ間で一方向に流れます。
• 再帰型ニューラル ネットワーク（RNN）は、一般的に時系列データまたはシーケンスを含むデータを使用するという点でフィードフォワード ニューラル ネットワークとは異なります。再帰型ニューラル ネットワークは、現在のレイヤの出力に応じて、前のレイヤで発生した内容の「メモリ」があります。
• 長期 / 短期メモリ（LSTM）は、RNN の高度な形式で、メモリを使用して以前のレイヤで起こったことを「記憶」できます。
• 畳み込みニューラル ネットワーク（CNN）は、現代の AI で最も一般的なニューラル ネットワークの一部が含まれており、複数の異なるレイヤ（畳み込み層、プーリング層）を使用して、画像のさまざまな部分をフィルタしてから（全結合層で）画像をつなぎ合わせます。
• 敵対的生成ネットワーク（GAN）は、ゲームで 2 つのニューラル ネットワーク（「ジェネレータ」と「弁別子」）を相互に競合させ、最終的に出力の精度を高めます。

MLは AI の一種であり、明示的にプログラムされなくてもシステムが自律的に学習して改善できるようにします。ML アルゴリズムは、新しいデータがシステムに入力されたときにパターンとデータを認識し、予測を行うことで機能します。

ML では、通常、次のようなさまざまなモデルが使用されます。

教師あり学習は、ラベル付けされたトレーニング データ（構造化データ）を使用して特定の入力を出力にマッピングする ML モデルです。教師あり学習では、出力が既知（リンゴの写真の認識など）で、既知の出力のデータに基づいてモデルがトレーニングされます。簡単に言うと、リンゴの画像を認識するようアルゴリズムをトレーニングするには、リンゴのラベルが付いた画像をアルゴリズムに入力します。

現在使用されている最も一般的な教師あり学習アルゴリズムには次のようなものがあります。

• 線形回帰
• K 近傍法
• 単純ベイズ
• 多項式回帰
• ディシジョン ツリー

教師なし学習は、ラベルなしデータ（非構造化データ）を使用してパターンを学習する ML モデルです。教師あり学習とは異なり、出力は事前にはわかりません。そうではなく、アルゴリズムが人間によるインプットなし（したがって教師なし）のデータから学習し、属性に基づいてデータをグループに分類します。

現在使用されている最も一般的な教師なし学習アルゴリズムには次のようなものがあります。

• ファジィ平均法
• K 平均法クラスタリング
• 階層型クラスタリング
• 主成分分析
• 部分的最小二乗

半教師あり学習と呼ばれる混合アプローチの ML もよく使用され、そこでは一部のデータにのみラベル付けが行われます。半教師あり学習では、既知の結果を得るために、データを整理、構造化する方法をアルゴリズムが見つけ出す必要があります。たとえば、ML モはデルに最終結果がリンゴであると伝えられますが、リンゴとラベル付けされるのはトレーニング データの一部だけです。

強化学習は、一連の試行錯誤テストを通じて「実践しながら学ぶ」と言える ML モデルです。「エージェント」は、パフォーマンスが望ましい範囲内になるまで、フィードバック ループを通じて定義されたタスクの実行を学習します。エージェントは、タスクのパフォーマンスが高い場合はポジティブな強化が行われ、パフォーマンスが低い場合はネガティブな強化が行われます。

AI は、通常であれば人間の知性を必要とするような方法、あるいは人間が分析できない規模のデータを使用する方法で推論、学習、行動を行えるコンピュータとマシンの構築に関する科学分野です。AI は、コンピュータ サイエンス、データと分析、ソフトウェア エンジニアリング、さらには哲学など、多くの領域を含む大きな分野です。

ビジネスレベルでは、AI はデータ分析、予測と予報、自然言語処理、おすすめ、マシンの自動化、インテリジェントなデータ取得など、多くのユースケースがある一連のテクノロジーです。

これらの用語は関連していますが、明確な階層があります。ディープ ラーニングは ML の特殊なタイプであり、ML はより広範な AI の分野内の中核的な領域です。主な違いは、機能、複雑さ、特徴量エンジニアリングです。