【AIの基礎を学ぶ（9）機械学習（ML）】

2024年7月15日 09:00

皆さん、こんにちは、JapanStep（ジャパンステップ）です。
いつもJapanStep（ジャパンステップ）公式note、MetaStep（メタステップ）をお読み頂き、ありがとうございます。

ミニコラム「AIの基礎を学ぶ」ですが、多くの「スキ」を頂いていて、大変嬉しく思っています（やる気をもって更新頑張れています！）。

さて、本日のテーマは「機械学習（Machine Learning＝LM）」です。機械学習は、コンピュータにとにかくたくさんのデータを与え、そこから規則性や類似性、相関性を見つけ出すことで、問題を解決する仕組みです。

プログラムで1つずつ指示するのではなく、データでの学習を繰り返し「モデル」をつくります。「モデル」は、入力されたデータに対して結果を導き出す仕組みのことです。

学習を繰り返すことで「モデル」の精度が上がる、と言われています。

機械学習で作成した「モデル」の代表的な用途としては、「分類（与えられたデータを分類する）」「回帰（過去の実績から未知の値を予測する）」「推薦（ユーザの嗜好を予測し、興味を持ちそうな商品を推薦する）」「クラスタリング（類似性をもとに与えられたデータをグループ化）」「次元削減（データの特徴的傾向をできるだけ残しながら総量を減らす）」があります。

これらのモデルは、迷惑メールの判定（分類）や、ECサイトでの商品のレコメンド（推薦）、顧客情報の分析（クラスタリング）などに活用されています。

機械学習はAIの学習方法によって「①教師あり学習」「②教師なし学習」「③強化学習」に類別されています。

「①教師あり学習」は、例えばAIに「猫」の画像を覚えさせるとして、たくさんの「猫」の画像を入力し、その画像に符合する「正解ラベル」を出力としてAIに覚えさせます。AIは、たくさんの画像から猫の耳や目、足といった特徴を学習し、新しい画像に対しても、「猫だ」と判断するモデルを構築していくわけです。この学習には、「分類」「回帰」というアルゴリズムが使われています。

「②教師なし」学習は、正解ラベルがついていないデータを機会に学習させる方法です。教師なしはデータの中に潜んでいる構造やパターンを発見するのに適していると言われています。主な手法には「クラスタリング」「次元削減」があります。

新たな洞察を得られるという点ではメリットがありますが、「①教師あり学習」と比較すると精度が落ちると言われていた、他の機械学習と併用すると良いとされています。

「③強化学習」は、ある環境で下した行動選択をの良し悪しに基づき、意思決定を最適化させるAIの学習技術です。これらの学習技術は、それぞれまだまだ掘ることができるテーマなので、また別の機会に。

本日もお読み頂き、ありがとうございました。
スキやフォローを頂けると、さらにやる気に満ち溢れますので、応援お願いします！

JapanStep（ジャパンステップ）ついてのお問い合わせは、運営会社クロスアーキテクツの公式HPお問い合わせフォームよりご連絡ください。

Web3・メタバースのビジネス活用を応援するWEBマガジン「MetaStep（メタステップ）」でもAIに関する記事をたくさんお届けしていますので、是非ご覧くださいね。

では、また次の記事でお会いしましょう。