機械学習について。
目次
AI・ディープラーニングの全体像
- 人工知能
- 機械学習
- ディープラーニングの基本・応用
- ディープラーニングの研究
- AIプロジェクト
- AI社会実装に伴う法律・倫理
機械学習の手法
機械学習の目的は、「学習データをコンピュータに学習させることで、法則・パターンを見つけ、それに基づき新しいデータを予測する」というもので、それを実現するための具体的手法として、以下があります。
- 教師あり学習
- 教師なし学習
- 半教師あり学習
- 強化学習
教師あり学習（Supervised Learning）
- 学習データ：「特徴量」+「正解ラベル」
- 特徴量と正解とを結ぶ関係性（パターン）を見出し、予測値を正解に近づけるよう学習していく
- 仕組みが理解しやすく、汎用的に利用されている
- 「分類問題（classification）」
→各データの所属カテゴリを推定するタスク（データ群の境界線を見出す） - 「回帰問題（Regression）」
→連続値を推定するタスク（最も誤差が少なく表現できる関数を見出す、過去から将来を推測する）
教師なし学習（Unsupervised Learning）
- 学習データ：「特徴量」
※正解ラベルなし - 「クラスタリング」・「次元削減」により、データが持つ「特性・構造」を見出すよう学習していく
- 特徴量を分析の軸としつつ、学習データそのものが持つ構造を見つけ出していく
- 「クラスタリング」→データをいくつかのクラスタに分ける（例：K-means法）
- 「次元削減」→データを低い次元に圧縮し、重要部分を際立たせていく（例：主成分分析）
半教師あり学習
- 「教師あり学習」＋「教師なし学習」
- 正解ラベルのついているデータと、正解ラベルのついていないデータとの両方を用いる
- 一部データの正解ラベルを用い、残りデータのラベルを事前に予測→すべてのデータを統合していく
- 正解ラベル付きデータを十分に用意できない場合
正解ラベルを付けるコストを削減したい場合 - 教師あり学習と比べると、精度は低くなってしまう
強化学習（Reinfocement Learning）
- 与えられた条件のもとに、エージェント（プレイヤー）が最大限の「報酬」を獲得すべく、行動を最適化していく
