Lesson 2　機械学習やディープラーニングには、どんな手法があるの？：機械学習＆ディープラーニング入門（概要編）（1/3 ページ）

藍博士とマナブの会話から機械学習とディープラーニングの基礎の基礎を学ぼう。機械学習を始めるための最低限の基礎用語から、ディープラーニングの代表的な学習方法と代表的なアルゴリズムまでをできるだけシンプルに紹介する。

連載目次

登場人物紹介

深井藍（ふかい・あい） 博士

最新の人工知能技術を応用して、次世代の人型ロボット（アンドロイド）を開発するのが仕事。試行錯誤の末にやっと開発できたのがマナブ（01号）である。
責任感が強く頑固で読書家だが、ドラマ好きで、超天然な一面もあるアラサー リケ女。
ちなみに藍が使っているタブレットには、マナブの学習状況をチェックできる機能だけでなく、万が一の安全対策としてマナブの暴走を制御するための「秘密機能」が搭載されているという。

マナブ（01号）

現実社会の学習を進めるため、藍博士と24時間生活を共にしている次世代アンドロイド、0歳。
見るもの聞くものすべてに興味津々。藍が好きなテレビドラマとお笑い番組からも学習しているため、うわすべりな知識から勘違いな行動を取ったり、大阪風のボケをかましたりすることもある。
この物語の主人公。エンジニアスキルはあるけど機械学習やディープラーニングについてまだ何も知らない。

マナブ、ディープラーニングを基礎から学び始める😋

図1　パンケーキ

うわ、めっちゃボリュームある〜！ 美味しそう。早く食べたい。藍先生、美味しそうなお店を知ってるなぁ。甘い物好きだね。

職場の友達がスイーツ好きで、その影響かな。うふふ。しかも前にテレビでやってた深夜ドラマ『さぼリーマン甘太朗』全話もブルーレイで買って持ってるしね。

何それwww

（やばい、口が滑った……）

―― マナブのサンバイザーには、動画検索して映像を見るための機能が搭載されている ――

動画検索して見てみよっと。んーーーーーーー！！？ 何これぶっ飛びすぎやろwww

（ヤバい！ ヤバい！ ヤバい！ 趣味がばれてしまう！）

―― パニックになった藍は無意識のうちにマナブのサンバイザーの秘密ボタンを連打してしまった ――

＜サンバイザー暗黒モード*1、始動＞

😱うわー。なんでや、なんでや、何も悪いことしてないっつーのに〜〜。しかもしょっぱなからやん。

（しばらくこのままにして忘れさせようかな……と思ったけど良心が痛む）ごめん、ごめん。解除するね。

＜サンバイザー暗黒モード、解除＞

かんたろ……

あ！ そうそう、今日は機械学習の話をする約束だったね。

そやで！（目がキラキラ）

（しめしめ、忘れたな。機械学習に興味津々で助かったわ）

機械学習における手法／アルゴリズム／学習済みのモデルはここが違う

昨日、

機械学習の手法（その中身となる計算方法がアルゴリズム）の一つにディープラーニングがある。
……
ディープラーニングで学習して実現できるようになった各機能――その中身である「学習済みモデル」……

と、さらっと説明したよね？ 「手法」「アルゴリズム」「モデル」という単語は全部似ている気がして何が違うのかがよく分からなかったよ。

確かにそこは、今後の説明のためにも、いったん整理しておいた方がいいね。ここからは、徐々に学術的な話が入って少し難しくなるから、覚悟して頑張って付いてきてね。

*2【解説しよう】線形回帰／非線形回帰

　線形回帰（Linear regression）のイメージを説明すると、「データの1つ1つの値を点としてプロットしたグラフ上で、それに近似（フィット）する直線を引くこと」と同じと言える（図2の左）（詳しくは後述）。ちなみに、非線形回帰（Nonlinear regression）のイメージは「曲線を引くこと」と同じと言える（図2の右）。

図2　線形回帰と非線形回帰

「モデル」を説明的に丁寧に言うと「学習が済んだモデル」という理解でいいのかな？

まーそういうことだね。本来のモデルの意味は「入力を与えると、何らかの処理後の出力を返すもの」のことなんだけど、機械学習においては、アルゴリズムを活用して学習した結果として「出来上がったもの」がその「モデル」ということになる。なので例えば「サポートベクターマシン（SVM）」のアルゴリズムで学習したものは「SVMモデル」と呼ばれたりするね。

それでニューラルネットワークやディープラーニングでは「学習済みモデル」（もしくは「学習モデル」）と呼ぶんだよね？

そう。それ以外にも、その中身であるネットワークに着目して「ネットワークモデル（Network model）」とも呼ばれることがあるね。ただし現実には、もっとルーズに「アルゴリズム」や「手法」のことも「モデル」と表現されることもあるから、そのあたりは文脈によって判断するしかないよ。

図3　アルゴリズムとモデル（ニューラルネットワーク手法による機械学習の場合）

ところでスルーしてたけど、例に挙がった「線形回帰」の y＝ax＋b が、なんで学習したら y＝2x−1 になるの？

図4を見てみて。まず学習用のトレーニングデータ（Training data、訓練データ）をXY座標のグラフに点としてプロットしたとするわね。そのすべての点データに最も近似（フィット）する y＝ax＋b の線を引こうとすると、 a や b のパラメーターがおのずと決まってくるでしょう？ そうやって決まったのが y＝2x−1 で、これがモデルになるの。ちなみに機械学習の課題はおおむね、この例のように「トレーニングデータに近似する線を引いてください」という問題に置き換えることができるの。

図4　機械学習の課題≒「トレーニングデータに近似する線を引いてください」という問題

ふ〜ん、分かったような、分からないような……

では身近なもので例えてみようか。例えばジャンケンって、人によって癖があるよね。ある友達の癖を学習して、勝ちパターンの戦略モデルを構築することは、機械学習に近いのよ。具体的には、その友達が普段どういう手を出しているかを観察してデータを蓄積していけば、

「2回連続勝利する戦略＝1回目はaの手＋2回目はbの手」

という計算式アルゴリズムにおける勝ちパターンの戦略モデルが見えてくるよね。例えば友達が「1回目はチョキ、2回目はグーを出すことが多い」という「データ」があれば、それに勝てるようなaとbを求めていくと、

「2回連続勝利する戦略＝1回目はグー＋2回目はパー」

という勝ちパターンの戦略モデルが構築されるでしょう。こんな感じでモデルを構築していくのが機械学習における学習なんだよ。

確かにそういう戦略モデルを自分も立ててる！ これは学習していっているということなんだね。

機械学習の学習と推論

学習したモデルは、実践で使うことになるよね。これに関しては以下のような用語があるので覚えておいてね。

OK。ジャンケンの過去データから勝ちパターンを学習して、実践では勝ちパターンによってジャンケンの次の手を推論する、というふうに言えばいいのかな？

そんな感じ。推論はそれほど難しくないので、次回説明するね。今日は学習について、もう少し掘り下げていこう。