📝
AIの主な学習手法についてまとめる - 2023.01.19更新
本稿の目的
- 人工知能（AI：Artificial Intelligence）についての自分の考えを整理したい。
- 人工知能（AI：Artificial Intelligence）という言葉でなく、具体的な手法を使って問題にアプローチできる人の理解の手助けをしたい。
本稿で意識したこと
- 必要最低限の情報をまとめること
- それぞれがどのような手法で、どのようなシーンで効果的かを記すこと
- それぞれの手法の限界について触れること
大きな分類
AIの学習手法は、大きく分けて4つと考えればよさそう。
- 教師あり学習
- 教師なし学習
- 強化学習
- ディープラーニング
各論
それぞれの手法の特徴についてまとめる。
1. 教師あり学習
- 機械に正解のデータ（「教師データ」）を与えた上で機械に学習をさせる手法.
- あらかじめ正解が分かっている分析に役立つ.
- 特に、正解と不正解の判定定義がしやすい問題解決に向く.
- 多数のデータを学習させれることで、正解の分からないデータセットを学習に基づいて予測できるようになる.
2. 教師なし学習
- 教師あり学習とは違い, 正解のデータを与えずに機械に学習をさせる手法.
- 教師なし学習では, 正解・不正解の判断を行わない.
- 機械がアルゴリズムを介して構造や特徴を分析する.
- 対象データに対する類似度の高いグループごとへの分類や, 人間が気付かないようなルールまたは傾向を見つけ出すことができる.
- 分析の結果を, 教師あり学習に用いるための"正解データ"として活用することができる.
3. 強化学習
- 機械（エージェント）の行動ごとに報酬を定め, 試行回数を重ねる手法.
- 望ましい行動には大きな報酬を, そうでもない行動には少ない報酬を, 望ましくない行動には負の報酬を与える.
- 機械（エージェント）はより多くの報酬がもらえるよう試行錯誤を繰り返す.
- 機械（エージェント）は, 得られた評価を参考にしながら最終的な報酬を最大化させる（望ましい行動をとるようになる）.
4. ディープラーニング
- 深層学習とも呼ばれる.
- 機械学習をさらに多層構造化させたもの.
- 膨大なデータから得られた情報をもとに最適解を出す.
- 深層学習（ディープラーニング）により, 複雑なデータの解析精度が向上したり, 汎用性を高めたりすることが可能.
- 十分なデータがあれば, 機械は人間の力なしにディープラーニングだけでタスクをこなすことができる.
終わりに
上記の内容など人工知能について理解する上で基礎となる情報については、逐次アップデートしていきたいと思っています。
ChatGPTにもAIの学習方法について質問してみたので、また新しく記事で紹介させていただきます。
Discussion