ディープラーニング

ディープラーニングとは

ディープラーニング(深層学習)は、[[ニューラルネットワーク]] を何層にも深く重ねて学習させる手法です。[[機械学習の基礎]] で学ぶ機械学習の一分野ですが、画像・音声・文章のような複雑なデータで劇的な成果を上げたことで、現在のAIブームの中心になりました。

「深い(ディープ)」とは、入力と出力の間にある中間層(隠れ層)が多いことを指します。層を重ねるほど、単純な特徴(線や色)から複雑な特徴(顔や物体)まで、段階的に捉えられるようになります。

従来の機械学習との違い

最大の違いは、特徴量を人が設計するかどうかです。

たとえば猫の画像認識なら、従来は「耳の形」「ヒゲの本数」などの特徴を人が定義していました。ディープラーニングは大量の画像から「猫らしさ」の特徴を自動で見つけ出します。

学習を支える3つの要素

ディープラーニングが2010年代に急発展した背景には、次の3つがそろったことがあります。

• 大量のデータ — インターネットの普及で学習用データが手に入りやすくなった
• 計算資源 — GPU により大規模な並列計算が現実的になった
• アルゴリズムの進歩 — 学習を安定させる技術や [[Transformer]] などの新しい構造が登場した

初学者向けポイント

• ディープラーニングは魔法ではなく、[[機械学習の基礎]] の延長線上にある技術です。まず機械学習の全体像を押さえると理解が速くなります
• [[生成AI・LLM]] や [[画像生成AI]]、[[コンピュータビジョン]] は、いずれもディープラーニングの応用です
• 学習には大量のデータと計算資源が必要なため、実務では学習済みモデルを利用することから始めるのが一般的です

関連技術とのつながり

• [[機械学習の基礎]] — ディープラーニングは機械学習の一分野
• [[ニューラルネットワーク]] — ディープラーニングの基本構造。多層化したものが深層学習
• [[Transformer]] — ディープラーニングの代表的なアーキテクチャで、LLM の土台
• [[コンピュータビジョン]] — ディープラーニングが最初に大きな成果を上げた応用分野
• [[生成AI・LLM]] — 大規模なディープラーニングモデルの代表例

Q: ディープラーニングの「深い」が指しているものはどれ?
- [x] 中間層(隠れ層)が多いこと
- [ ] 学習時間が長いこと
- [ ] データの意味を深く理解していること
解説: 入力と出力の間の中間層を多く重ねた構造を「深い」と呼びます。層を重ねるほど複雑な特徴を段階的に捉えられます。

Q: 従来の機械学習と比べたディープラーニングの特徴はどれ?
- [ ] 特徴量を人が細かく設計する必要がある
- [x] 特徴量をデータから自動で学習する
- [ ] 少量のデータでも精度が出やすい
解説: ディープラーニングは特徴量の設計を自動化した点が画期的でした。その代わり大量のデータと計算資源が必要です。

Q: ディープラーニングが2010年代に急発展した背景に含まれないものはどれ?
- [ ] GPU による計算資源の充実
- [ ] 学習用データが大量に手に入るようになったこと
- [x] 特徴量を人が設計する技術が成熟したこと
解説: 発展を支えたのはデータ・計算資源・アルゴリズムの3要素です。特徴量の手動設計はむしろ不要になりました。