|
===================================== 〔語彙分解〕的な部分一致の検索結果は以下の通りです。 ・ 深層 ： [しんそう] 【名詞】 1. depths 2. deep level ・ ニューラルネットワーク ： [にゅーらるねっとわーく] (n) neural network, (n) neural network ・ ー ： [ちょうおん] (n) long vowel mark (usually only used in katakana) ・ ワーク ： [わーく] 【名詞】 1. work 2. (n) work
ディープラーニング、深層学習（）とは、多層構造のニューラルネットワーク（ディープニューラルネットワーク、）の機械学習の事。汎用的なAI、いわゆる強いAIの実現が期待されている。概念・手法は1980年前後からあったが、2010年代に画像認識などから急速に盛り上がり、三度目の人工知能ブームと言われる。第三次ブーム以後は、機械学習は単なる流行を超えて社会インフラとして広く定着して行った。コグニティブコンピューティングの核となる技術でもある。 == 概要 == ディープラーニングは、ニューラルネットワークの多層化、特に3層以上のものに対し、1990年代に進められた脳、特に視覚野の研究や、「たった一つの学習理論（）」、ブルーノ・オルスホーゼンによるスパース・コーディング理論を基にしたアルゴリズムが実装されたものを指す。 これに画像などのデータを入力すると、情報が第1層からより深くへ伝達されるうちに、各層で学習が繰り返される。この過程で、これまでは画像や音声などそれぞれのデータの研究者、技術者が手動で設定していた特徴量が自動で計算される。これは、人間の脳の構造をソフトウェア的に模倣し、人間が関与せずに学習を進める、いわゆる無教師学習の一つである。 特徴量とは、問題の解決に必要な本質的な変数であったり、特定の概念を特徴づける変数である。この特徴量を発見できれば、あらゆる問題の解決につながったり、パターン認識精度の向上や、フレーム問題の解決につながったりすると期待されている。この階層的な特徴量の学習が、ディープラーニングが従来の機械学習と決定的に異なる点である。 しかし、ディープラーニング・システムが何故特定の特徴量を導くことができるのかは、解明されていない。 この技術は、画像認識や音声認識等の分野に活用される。2012年には、Googleの開発したグーグル・ブレインが、猫の概念を学習することに成功した。 これはAI研究に関する大きなブレイクスルーであり、学習方法に関する技術的な革新である、と松尾豊（東京大学准教授）は指摘している。 元々はジェフリー・ヒントンらの開発したディープラーニングは層が直列されたシンプルな構造をしていたが、現在のアルゴリズムは複数に分岐していたりループ構造を持ったりするなどグラフ構造が複雑化している。そのため、基本技術をまとめて複雑なグラフ構造を簡単に実現できるようにしたフレームワークも公開されている。 抄文引用元・出典: フリー百科事典『 ウィキペディア（Wikipedia）』 ■ウィキペディアで「ディープラーニング」の詳細全文を読む スポンサード リンク
|