Machine-learning-categories
機械学習-カテゴリー
機械学習は、次の見出しの下で広く分類されます-
上の図に示すように、機械学習は左から右に進化しました。
- 当初、研究者は教師あり学習から始めました。 これは、前述の住宅価格予測の場合です。
- これに続いて、教師なし学習が行われました。この場合、マシンは監視なしで独自に学習します。
- 科学者たちはさらに、機械が期待通りに仕事をしたときに機械に報酬を与えるのは良い考えであり、強化学習がやってきたことを発見しました。
- 非常にすぐに、最近利用可能なデータは非常に膨大になり、これまでに開発された従来の手法ではビッグデータの分析と予測の提供に失敗しました。
- このように、人間の脳がバイナリコンピューターで作成された人工ニューラルネットワーク（ANN）でシミュレートされるディープラーニングが行われました。
- マシンは、現在利用可能な高い計算能力と巨大なメモリリソースを使用して、独自に学習します。
- 現在、ディープラーニングがこれまで解決できなかった多くの問題を解決したことが確認されています。
- ディープラーニングネットワークに賞としてインセンティブを与えることで、この手法はさらに進化し、ついにディープ強化学習が登場します。
次に、これらの各カテゴリをさらに詳しく調べてみましょう。
教師あり学習
教師あり学習は、子供が歩くように訓練することに似ています。 子供が自分で歩くことを学ぶまで、子供の手を握り、足を前に出す方法を示し、デモンストレーションのために自分で歩くなどします。
回帰
同様に、教師あり学習の場合、コンピューターに具体的な既知の例を与えます。 与えられた特徴値x1の出力はy1、x2の場合はy2、x3の場合はy3などと言います。 このデータに基づいて、コンピューターにxとyの経験的関係を計算させます。
この方法で十分な数のデータポイントを使用してマシンをトレーニングしたら、マシンに特定のXのYを予測するように依頼します。 この与えられたXのYの実際の値を知っていると仮定すると、マシンの予測が正しいかどうかを推測できます。
したがって、既知のテストデータを使用して、マシンが学習したかどうかをテストします。 マシンが希望のレベルの精度（たとえば80〜90％）で予測を実行できることを確認したら、マシンのトレーニングを停止できます。
これで、マシンを安全に使用して未知のデータポイントの予測を実行したり、Yの実際の値がわからない特定のXのYを予測するようにマシンに依頼したりできます。 このトレーニングは、前に説明したリグレッションの下にあります。
分類
また、分類問題に機械学習技術を使用することもできます。 分類問題では、類似した性質のオブジェクトを単一のグループに分類します。 たとえば、100人の生徒のセットでは、身長に基づいて3つのグループ（短身、中身、長身）にグループ化することができます。 各生徒の身長を測定し、適切なグループに配置します。
これで、新しい生徒が入ってきたら、身長を測定して適切なグループに入れます。 回帰トレーニングの原則に従うことにより、マシンをトレーニングして、生徒の特徴（身長）に基づいて生徒を分類します。 マシンがグループの形成方法を学習すると、未知の新入生を正しく分類できます。 この場合も、テストデータを使用して、開発したモデルを実稼働する前に、マシンが分類の手法を学習したことを確認します。
教師あり学習は、AIが実際にその旅を始めた場所です。 この手法は、いくつかのケースで正常に適用されました。 マシンで手書き認識を行う際にこのモデルを使用しました。 教師あり学習用にいくつかのアルゴリズムが開発されています。 以下の章でそれらについて学びます。
教師なし学習
教師なし学習では、マシンにターゲット変数を指定せず、マシンに「Xについて教えてください」と尋ねます。 より具体的には、巨大なデータセットX、「Xで作成できる5つの最適なグループは何ですか？」、「Xで最も頻繁に発生する機能は？」などの質問をする場合があります。 このような質問に対する答えを得るには、戦略を推測するためにマシンが必要とするデータポイントの数が非常に多くなることを理解できます。 教師あり学習の場合、マシンは約数千のデータポイントでトレーニングできます。 ただし、教師なし学習の場合、学習のために合理的に受け入れられるデータポイントの数は数百万から始まります。 最近では、データは一般的に豊富に利用可能です。 データにはキュレーションが必要です。 ただし、ソーシャルエリアネットワークで継続的に流れるデータの量は、ほとんどの場合、データのキュレーションは不可能なタスクです。
次の図は、教師なし機械学習によって決定される黄色と赤色のドットの境界を示しています。 マシンが各黒点のクラスをかなり正確に決定できることがはっきりとわかります。
ソース：
https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png
教師なし学習は、顔検出、オブジェクト検出など、多くの最新のAIアプリケーションで大きな成功を収めています。
強化学習
ペットの犬を訓練することを検討してください。私たちはペットを訓練して、ボールを持ってきます。 一定の距離でボールを投げ、犬にそれを取り戻すように頼みます。 犬がこれを正しく行うたびに、私たちは犬に報酬を与えます。 ゆっくりと、犬は仕事を正しくすることで報酬が与えられることを知り、それから犬は将来毎回正しいやり方で仕事を始めます。 まさに、この概念は「強化」タイプの学習に適用されます。 この技術は当初、ゲームをプレイするマシン用に開発されました。 マシンには、ゲームの各段階で起こり得るすべての動きを分析するアルゴリズムが与えられます。 マシンは、動きの1つをランダムに選択できます。 動きが正しければ、マシンに報酬が与えられ、そうでなければペナルティーが科せられる可能性があります。 ゆっくりと、機械は正しい動きと間違った動きを区別し始め、何度か繰り返した後、より正確にゲームパズルを解くことを学びます。 マシンがますます多くのゲームをプレイするにつれて、ゲームに勝つ精度が向上します。
プロセス全体を次の図に示すことができます-
この機械学習の手法は、ラベル付きの入力/出力ペアを提供する必要がないという点で、教師あり学習とは異なります。 焦点は、新しいソリューションの探索と学習したソリューションの活用のバランスを見つけることにあります。
深層学習
深層学習は、人工ニューラルネットワーク（ANN）、より具体的には畳み込みニューラルネットワーク（CNN）に基づくモデルです。 深層ニューラルネットワーク、深層信念ネットワーク、リカレントニューラルネットワーク、畳み込みニューラルネットワークなど、深層学習で使用されるいくつかのアーキテクチャがあります。
これらのネットワークは、コンピュータービジョン、音声認識、自然言語処理、バイオインフォマティクス、薬物設計、医療画像分析、およびゲームの問題の解決にうまく適用されています。 ディープラーニングが積極的に適用される分野は他にもいくつかあります。 深層学習には膨大な処理能力と膨大なデータが必要であり、これらは一般的に最近では簡単に入手できます。
ディープラーニングについては、今後の章で詳しく説明します。
深層強化学習
深層強化学習（DRL）は、深層学習と強化学習の両方の手法を組み合わせたものです。 Qラーニングなどの強化学習アルゴリズムがディープラーニングと組み合わされて、強力なDRLモデルが作成されます。 この技術は、ロボット工学、ビデオゲーム、金融、ヘルスケアの分野で大きな成功を収めています。 DRLモデルを作成することで、以前は解決できなかった多くの問題が解決されました。 この分野では多くの研究が行われており、これは業界によって非常に積極的に追求されています。
これまで、さまざまな機械学習モデルの概要を説明してきましたが、次に、これらのモデルで使用可能なさまざまなアルゴリズムについてもう少し詳しく見てみましょう。
