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 アルゴリズム内に階層化された計算ノードで構成されます。各レイヤには、入力レイヤ、出力レイヤ、隠れ層が含まれます。ニューラル ネットワークにはトレーニング データが入力され、アルゴリズムの学習と精度の向上に役立ちます。ニューラル ネットワークが 3 つ以上のレイヤで構成される場合、そのネットワークは「深い」つまりディープ ラーニングとなります。

ディープ ラーニング アルゴリズムは人間の脳の仕組みにヒントを得て、論理構造を持つデータの分析に使用されます。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 ラーニングでは、データセット内で非線形の複雑な相関関係を作成できますが、機械学習よりも多くのトレーニング データと計算リソースが必要になります。

ディープ ラーニングに使用される一般的なタイプのニューラル 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。

大まかに言うと、ML では教師あり、教師なし、強化学習という 3 種類のモデルがよく使用されます。

教師あり学習 は、ラベル付きのトレーニング 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
• 多項式回帰
• 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。たとえば、リンゴとバナナの画像が与えられた場合、アルゴリズムはどの写真がリンゴで、どの写真がバナナかを自動的に分類します。教師なし学習は、記述モデリングとパターン マッチングを得意とします。

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。強化学習の一例として、Google の研究者が囲碁ゲームをプレイするための強化学習アルゴリズムを教えた際のケースが挙げられます。このモデルは囲碁のルールについて事前知識を持たず、単に駒をランダムに動かし、アルゴリズムがトレーニングされるにつれて最良の結果を「学習」していきました。ついには、ML モデルが人間の棋士を打ち負かすレベルに達しました。

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。

AI 全般について議論する際に、AI、ML、ディープ ラーニングは、しばしば同義語で使用されます。これらの用語には相関関係がありますが、同じ意味で使われることはありません。

AI は幅広い分野であるのに対し、ML は、特にプログラミングしなくても機械が学習できるようにする AI の応用例です。ML はディシジョン ツリーや線形回帰などの単純な方法でデータから知識を抽出する手段として使用されるのに対し、ディープ ラーニングは人工ニューラル ネットワークに見られるより高度な方法を使用します。

ディープ ラーニングでは、データセットの特徴が自動的に抽出されるため、人間の介入が少なくて済みます。一方、より単純な ML 手法では、多くの場合エンジニアがデータの特徴と分類子を手動で特定し、それに応じてアルゴリズムを調整する必要があります。基本的に、ディープ ラーニングは自身のエラーから学習できるのに対し、ML は人間の介入を必要とします。

また、ディープ ラーニングには ML よりもはるかに多くのデータが必要とするため、非常に多くのコンピューティング能力が必要になります。ML は通常、CPU を実行しているサーバーで実行できますが、ディープ ラーニングでは GPU などのより堅牢なチップが必要になることがよくあります。