昨今、AI (人工知能) 技術の導入も増え、AIへの関心が高まるとともに「機械学習」という言葉を耳にする機会も増えたのではないでしょうか？
本記事はその「機械学習」について詳しく解説します。
機械学習とは？
機械学習 (ML) とは、AI (人工知能) を支える機能の1つで、データの分析や解析からパターン (特徴) を見つける技術を指します。
簡単に言うと、人間や動物が自然と経験を通して学ぶように、機械でデータを解析することで学習させるデータ解析技術です。
たとえば、犬や猫の画像データから「これは犬」「これは猫」と判断できする際、人間はその見た目から犬や猫の特徴から判別しますよね。しかし、コンピュータではその判断は難しいです。そこで機械学習が活躍します。さまざまなアルゴリズムを用いて大量のデータから反復的に学習することで大量のデータを解析・分析することで特徴を見つけ出せるため、判別が可能になるのです。
機械学習は短時間で大量のデータから自動的に正確な結果を得られるという点で大きな注目を集めています。
機械学習と人工知能の関係性
そもそも AI (人工知能) とは、人間の知能に近い判断や分析ができるコンピュータの総称を指します。機械学習は人工知能を実現させるためのアプローチの1つとしてデータを解析することで特徴を見つけ出し、判断する機能です。つまり、機械学習はAIをより人間の知能に近い機能を持つ機械に近づける技術といえます。
機械学習と深層学習の関係性
自動運転技術にも活用されているディープラーニングですが、このディープラーニング (深層学習) も人工知能の機能の 1つで機械学習を発展させたものです。
たとえば、画像から猫か否かを判断する際、機械学習の場合、判断には耳やしっぽ、ひげなど、いくつもの着目点を指定しなくてはなりませんでした。
ですが、ディープラーニングではコンピュータが自動で着目点を見つけ出して判断できるのでデータ解析を効率よく行えます。
ニューラルネットワーク (人間の脳神経系のニューロンの数理モデル化を組み合わせたもの) を利用することでより深い学習を行えます。
まだまだ発展途上のディープラーニングですが、ディープラーニングで将棋や囲碁のルールを学習したコンピュータは、プロといい勝負になるほど、技術的な進歩を遂げており、今後も機械学習と同様に活躍が期待できるでしょう。
機械学習で使われる手法と活用事例
機械学習には教師あり学習、教師なし学習、強化学習の3種類があり、それぞれ手法が異なります。
教師あり学習
教師あり学習はあらかじめ正解を大量に与えておいて、学習することで、その分析データを基に正解を予測できるようにする手法を指します。
教師あり学習では、主に「クラス分類」と「回帰 (予測) 」を可能とします。
クラス分類
クラス分類とは、あらかじめ学習した教師データを基に分析するデータをカテゴライズする手法です。
顔認証機能もその1つで、機械に大量の「人の顔のデータ」を学習させることで、人と動物と車が映った画像の中から「人の顔」のみを判別できるようになります。
ほかにも、自動車のカメラやセンサで収集したデータを基に分析を行い、自動運転車の操作性を向上させるのにも利用されています。
回帰
連続する値の傾向から新規の値の予測を行う手法です。
過去のさまざまなデータに基づいて広告費にいくらかければ売り上げがどれくらい伸びるのかなどといったマーケティングに役立つ予想ができます。
教師なし学習
教師なし学習は、与えられたデータから正解を当てるのではなく、特徴を発見し、特徴を基に分類する手法で、多くのデータを与えるほど正解の精度を高められます。
教師あり学習と違い、正解がないため、データ間のつながりを推計していきます。
教師なし学習にはデータをグルーピングするクラスタリングが使われることが多いです。
クラスタリングとは、データを一定の規則で分けることです。「分類」に似ていますが、「分類」があくまで正解を与えられているのに対し、クラスタリングは、コンピュータが自ら共通するパターンを見つけ出すという点で違います。
代表例としてはネットショッピングにおけるレコメンド (おすすめ機能) 機能などがあります。これは、ユーザの過去の購買行動をもとにニーズを学習し、類似商品や関連商品をおすすめする機能です。
強化学習
強化学習は与えたデータを分析して判断した結果に対して報酬や罰を与えることでコンピュータ自身が試行錯誤を繰り返し、より精度を高めていく手法です。
人は失敗や成功を重ねることで成長しますが、強化学習も同じように、失敗や成功を繰り返すことで学習効率を上げます。
データを与えるという点で教師あり学習に似ていますが、教師あり学習との違いは明確な正解をないという点です。
たとえば、歩行ロボットに「歩行距離」に対して報酬を与えます。これにより、走行ロボットは歩行距離を延ばすために試行錯誤を繰り返すことで、最適な歩き方 (アルゴリズム、ルール) をより機能が向上します。
また、自動運転にも利用されています。自動運転車では、カメラ映像やセンサのデータから分析を行い、車の操作を判断します。この判断は人間でも難しいですよね。このような場合に強化学習が使われます。ほかにも囲碁や将棋などのゲーム用AIにも使われています。
自動運転技術も、この強化学習とディープラーニングを組み合わせたもので、強化学習で距離感覚やスピード感覚を学習します。
機械学習と統計学の違い
機械学習を理解するには、統計学との違いを理解する必要があります。機械学習は、機械が自動的に学習するものであるのに対し、統計学は、確率論に基づいてデータのルールやパターンが正しいか判断するものです。しかし、統計学でも、コンピュータが使用される機会も増え、明確に線を引くのは難しくなってきました。両者ともデータからルールやパターンを見つけ出し、モデルを構築するという点では同じですが、最大の違いは「目的」にあるといわれています。統計学の場合は、データの背景にあるルールを裏付ける「説明」を主目的としているのに対し、機械学習は「予測」を主目的としています。説明変数の違いから機械学習の方が、精度が上がる傾向があるためビッグデータに強いといわれています。
機械学習に用いるプログラミング言語
機械学習のプログラムを作る際に用いられるプログラミング言語はいくつかありますが、一般的なのは「Python」です。また、統計解析用に開発された「R言語」が使われることもあります。
実装が簡単で使いやすい「Python」
Python は機械学習のプログラムを記述するのにもよく使われます。プログラミング初心者の学習にも使われるほど易しい言語といわれる Python は、コンパイルの手間もかからないため、機械学習にも使われています。またフレームワークやライブラリが充実しており、実装が簡単です。
統計解析向けの「R言語」
統計解析言語として開発された R言語もまた機械学習に使われます。統計学的な処理に関しては R言語が優れていますが、専門知識も必要になります。また、統計解析以外のパッケージも少ないため、機械学習には Python がおすすめです。
