この映像補助教材はディープラーニングの仕組み vol.2と共通になっております。

ここからは２ページに渡ってディープラーニングの仕組みについて紹介していくよ！
アルゴリズムやその働きについてぺろっと理解していこう！

ディープラーニングはざっくり表すとAIの学習方法の一つです。 AIの学習方法には機械学習（マシンラーニング）という方法があります。機械学習はデータを学習するときに、一定のパターンやルールを見つけ出し、 次回同じような課題に直面した時に以前見つけたパターンやルールを用いることでより良い予測や判断を出すことができるシステムです。 そしてディープラーニングとは機械学習の１つに含まれています。具体的な違いはニューラルネットワークをつかった機械学習かどうかという点にあります。
(以下AIとの関係図)

という訳で次はディープラーニングの学習ベース「ニューラルネットワーク」について解説します。

ニューラルネットワークとは、その言葉の「neural/神経的な」という意味からも分かるように、人間の神経のような構造をしたネットワークのことです。 ニューラルネットワークには「形式ニューロン」と呼ばれる関数が集まって出来ています。 これを使って計算をしたいとき過程が大きく分けて３つに分かれています。それぞれ「入力層」、「出力層」、「中間層」となりこれらが重なることでとても複雑な計算を可能としているのです。。

ニューラルネットワークにおける学習方法は３つあります。ここでは「教師あり学習」、「教師なし学習」、「強化学習」の ３つの特徴について一つずつ紹介していきます

教師あり学習

教師あり学習とは、人間が事前に用意した正解データをもとにAIに学習させる方法です。 教師あり学習ではトレーニングデータや教師データと呼ばれる正解となる学習データを利用します。 つまり、正解・不正解が明確な問題の解決に利用できる学習方法なのです。ちなみにディープラーニングは基本的に教師あり学習を発展させたものになります

教師なし学習

教師なし学習とは学習データに正解を与えない状態で学習させる学習手法です。 学習データに正解を与える「教師あり学習」と対をなす学習手法となっています。 教師あり学習とは違い回帰や分類の問題には対応できません。正解となる学習データも無いので教師なし学習の学習結果の精度は 低下する傾向があります。

強化学習

強化学習とは、AIが自ら試行錯誤を繰り返し、最適な行動をするように学習する技術です。 強化学習では人間や一部の動物が学習するように、コンピューターが報酬を得ることを目的として 行動し学習します。コンピューターは自身の行動によって得られる報酬が最大化するように学習します。

微分可能な変換を繋げて作られた計算グラフになります。 下の図のような、円であらわされたノード(node)に値が入っていて ノードとノードがエッジ(edge)で繋がれているようなものと考えます。
この図でいうノードの縦方向の集まりのことを層(layer)と呼びます。

上の図から、左側から最初の層を入力層(input layer)、間の層を中間層(middle layer)、最後の層を出力層(output layer)といいます。
上のニューラルネットワークでは、入力層、中間層、出力層がそれぞれ１つずつあるので、合計３層の構造になっています。
複数の中間層を待たせれば、さらに多層のニューラルネットワークとすることができます。

形式ニューロンが最初に情報を受け取るのが入力層です。 たとえば、手書きで「0」と書かれた画像を形式ニューロンに認識させる場合、入力層では画像の 1ピクセルを入力値として受け取ります。 入力層で受け取った情報は、ニューロン同士の結合の強度に応じて、優先順位が決定される仕組みです

入力層から情報を受け継ぎ、さまざまな計算を行うのが中間層です。 中間層が多いほど複雑な分析ができ、中間層が3層以上あるニューラルネットワークをディープラーニングと呼びます。 中間層の数に決まりはなく、扱う情報にあわせた任意での設定が可能です。 なお、中間層は、隠れ層と呼ばれる場合もあります。

入力層と中間層で重みをかけ、活性化関数で処理された値が示されるのが出力層です。 たとえば、手書きで書かれた「0」と書かれた画像について、何が書かれているか判断した結果が出力されます。