ルールベースAI
定義:人が事前に書いた条件と処理手順に従う方式。
具体例:「合計金額が1万円以上なら送料0円」と明示的に設定する。
ルールを人が書く点が、データから傾向を学ぶ機械学習との違い。
AIの仕組みを、名前の暗記から理解へ。
定義:人が事前に書いた条件と処理手順に従う方式。
具体例:「合計金額が1万円以上なら送料0円」と明示的に設定する。
ルールを人が書く点が、データから傾向を学ぶ機械学習との違い。
定義:データの規則性を学び、未知の入力について予測・分類などを行う技術。
具体例:過去の売上と天気から翌日の販売数を推定する。
条件をすべて手書きするルールベースとは学習の仕方が違う。
定義:正解ラベルを持つ例から、入力と正解の対応を学ぶ方法。
具体例:「迷惑メール/通常メール」と分類済みの文面を教材にする。
正解ラベルを与えない教師なし学習と混同しない。
定義:正解ラベルのないデータから特徴やまとまりを発見する方法。
具体例:購買履歴の似た顧客をグループ分けする。
「正解なしで何でも理解する」という意味ではない。
定義:行動と結果の報酬を利用し、行動方針を改善していく学習。
具体例:ゲーム内の行動に点数を付け、得点が高い動きを覚える。
正解ラベル付きの分類を学ぶ教師あり学習とは仕組みが違う。
定義:少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する。
具体例:100枚のラベル付き画像と多数の未分類画像を利用する。
教師あり・教師なしの単なる中間点という意味ではない。
定義:あらゆる課題で必ず最良となる万能な学習手法はないという考え方。
具体例:画像分類に強い方法が時系列予測にも常に最強とは限らない。
「どの手法も同じ精度」という主張ではない。
定義:多数の計算単位を層状に結び、重みを調整して入力と出力の関係を学ぶモデル。
具体例:写真の特徴を多層の計算で処理し犬と猫を分類する。
人間の脳をそのまま再現した機械ではない。
定義:ニューロンの計算結果に非線形な変換を与える関数。
具体例:各層に非線形性を入れ、単純な直線では表せない関係を学ぶ。
重みの値そのものを保存する役割ではない。
定義:予測と正解のずれの大きさを数値化する指標。
具体例:予測した価格と実際の価格の差を学習時に測る。
最終的な業務利益と同じ意味ではない。
定義:出力側の誤差情報を前の層に伝え、重みの更新に必要な勾配を計算する方法。
具体例:画像認識の誤差を各層へ伝えて改善点を計算する。
勾配降下法は、その勾配でパラメータを更新する手法。
定義:学習データにはよく合うが、新しいデータで成績が落ちる状態。
具体例:過去問の答えを丸暗記し、初見問題で解けなくなる。
学習が進んだこと自体を過学習とは呼ばない。
定義:モデルが複雑になり過ぎないよう制約を加え、汎化を助ける方法。
具体例:過剰に大きな重みへ罰則を与えて単純な解に寄せる。
学習データを必ず増やす手法ではない。
定義:別の課題で得た学習済みモデルの知識を新しい課題に利用する。
具体例:一般画像で学習したモデルを製品検査用に活用する。
ゼロからすべて学習する方法とは違う。
定義:画像などの局所的特徴を畳み込み演算で捉えるニューラルネットワーク。
具体例:写真の輪郭や模様を抽出して対象を分類する。
時系列データ向けのRNNと代表的な用途が異なる。
定義:前の時点の情報を次の処理へ渡し、系列データを扱うネットワーク。
具体例:文章を左から順に処理し、前の単語の情報を利用する。
CNNと同じく入力の位置関係を扱うが、構造と用途が違う。
定義:RNNの長期依存を扱いやすくするため、情報の保持と忘却を制御する仕組み。
具体例:文章の序盤で出た主語の情報を後段でも使う。
長い系列で学習が絶対に失敗しないわけではない。
定義:生成器と識別器を競わせながらデータ生成を学ぶモデル。
具体例:偽物の写真を作る側と見抜く側を同時に鍛える。
VAEは確率的な潜在表現を用いる別の生成モデル。
定義:データを潜在分布へ符号化し、そこから新しいデータを復元・生成するモデル。
具体例:顔画像を潜在空間に写し、似た特徴を持つ新しい顔を生成する。
GANのように生成器と識別器を競わせる方式ではない。
定義:探索・推論、知識ベース、機械学習・深層学習へ重点が移った研究史の整理。
具体例:エキスパートシステムは第二次、ディープラーニングは第三次の中心例。
各時代の技術が一斉に消えたわけではない。