タグ「深層学習」の記事一覧
-
Aiの基礎知識
深層学習の基礎と応用：画像認識から自動運転まで
近年、深層学習という言葉が注目を集めています。深層学習とは、ニューラルネットワークの一種であり、データの特徴を抽出することで高い精度を持つモデルを構築する手法です。本記事では、深層学習について、その歴史、アルゴリズム、応用、課題、そして未来について詳しく説明します。深層学習とは何か？深層学習は、人間の脳を模した人工ニューラルネットワークを使って、大量のデータから自動的にパターンを抽出し、高度な予測モデルを構築する技術です。その名前の通り、深層学習では、多層のニューロンが組み合わさって複雑なデータの表現を行います。深層学習は、その高い精度から、画像認識、音声認識、自然言語処理など、様々な分野で活用されており、特に近年のビッグデータ時代において注目されています。深層学習によって構築されたモデルは、高い精度で予測や分類を行うことができ、その応用分野はますます拡大しています。画像認識分野では、深層学習を用いた畳み込みニューラルネットワークが高い精度を発揮しています。例えば、自動運転技術においては、カメラやセンサーからのデータを基に、自動的に車両を制御するために深層学習が活用されています。音声認識分野でも、深層学習を用いたリカレントニューラルネットワークが高い精度を発揮しています。音声アシスタントなどにおいては、人間の声を高い精度で認識し、自然な対話を実現するために深層学習が利用されています。自然言語処理分野でも、深層学習を用いたリカレントニューラルネットワークが高い精度を発揮しています。例えば、テキスト分類や言語生成などの分野で活用され、自動翻訳システムなどの実現に役立っています。以上のように、深層学習は様々な分野で活用され、その精度と応用範囲の広さから、ますます注目を集めています。深層学習の歴史と進化深層学習の歴史は、1950年代から始まります。当初は、単純なニューラルネットワークが用いられましたが、多層のニューロンを持つニューラルネットワークが提案されたことにより、深層学習の基盤が築かれました。その後、1990年代には、畳み込みニューラルネットワーク (CNN)やリカレントニューラルネットワーク (RNN)といった深層学習のアルゴリズムが提案され、高い精度を発揮するようになりました。近年では、ディープラーニングという言葉で深層学習が一般的に知られるようになり、様々な分野で活用されています。ニューラルネットワークの概要ニューラルネットワークとは、人間の脳の神経細胞 (ニューロン) の構造を模した計算モデルです。ニューロン同士が相互に結合して、入力信号を受け取り、出力信号を発生させます。多層のニューロンが組み合わさることで、複雑なデータの表現が可能になります。ニューラルネットワークの種類ニューラルネットワークには、様々な種類があります。深層学習では、主に以下のような種類のニューラルネットワークが使われます。畳み込みニューラルネットワーク (CNN)画像認識などの分野でよく使われるニューラルネットワークです。畳み込み層とプーリング層という特殊な層を持ち、画像などの2次元データに対して高い精度を発揮します。リカレントニューラルネットワーク (RNN)時系列データなど、時系列的な情報を持つデータに対して使われるニューラルネットワークです。LSTMやGRUといった特殊な層を持ち、長期的な情報の記憶が可能になります。ディープベイズニューラルネットワーク (DBN)深層学習の中でも、特に確率的なモデルとして知られるニューラルネットワークです。隠れ層を持つベイズネットワークというモデルを基にしています。深層信念ネットワーク (DBN)深層学習の中でも、特に教師なし学習による特徴抽出が得意なニューラルネットワークです。多層の制限ボルツマンマシンというモデルを基にしています。オートエンコーダー主に次元削減や特徴抽出などに用いられるニューラルネットワークです。入力層と出力層が同じ構造を持ち、中間層でデータの圧縮と再構成を行います。深層学習の応用深層学習は、その高い精度から、様々な分野で活用されています。画像認識深層学習を用いた画像認識は、顔認識や車両認識などの分野で高い精度を発揮しています。畳み込みニューラルネットワークを用いた手法がよく使われます。自然言語処理深層学習を用いた自然言語処理は、テキスト分類や言語生成などの分野で活用されています。リカレントニューラルネットワークを用いた手法がよく使われます。音声認識深層学習を用いた音声認識は、音声アシスタントなどの分野で高い精度を発揮しています。リカレントニューラルネットワークを用いた手法がよく使われます。自動運転自動運転技術の分野でも、深層学習が活用されています。カメラやセンサーからのデータを基に、自動的に車両を制御する技術が研究されています。その他の応用深層学習は、医療や金融、エンターテインメントなど、様々な分野で応用が広がっています。特に、ビッグデータ時代の到来により、深層学習の需要はますます高まっています。深層学習の課題と未来深層学習には、いくつかの課題があります。例えば、大量のデータが必要なこと、学習に時間がかかること、モデルの解釈性が低いことなどが挙げられます。しかし、これらの課題に対しても、研究者たちは様々な手法を模索しています。深層学習の未来については、ますます高い精度が求められる時代において、ますます注目されています。今後も、深層学習の応用分野はさらに拡大していくことが予想されています。まとめ本記事では、深層学習について、その歴史、アルゴリズム、応用、課題、そして未来について説明しました。深層学習は、その高い精度から、様々な分野で活用されており、今後もますます注目されることが予想されます。FAQs1.深層学習と機械学習の違いは何ですか？機械学習は、人間が設定したルールに基づいて、データからモデルを構築する手法です。一方、深層学習は、ニューラルネットワークを使って、データから自動的にモデルを構築する手法です。2.深層学習は、どのような分野で活用されていますか？深層学習は、画像認識、自然言語処理、音声認識、自動運転などの分野で活用されています。3.深層学習には、どのような課題がありますか？深層学習には、大量のデータが必要なこと、学習に時間がかかること、モデルの解釈性が低いことなどが課題として挙げられます。4.深層学習の将来性はどうなっていますか？深層学習は、ますます高い精度が求められる時代において、ますます注目されています。今後も、深層学習の応用分野はさらに拡大していくことが予想されています。5.深層学習を学ぶには、どのような知識が必要ですか？深層学習を学ぶには、数学、統計学、プログラミングなどの知識が必要です。また、深層学習のフレームワークやツールの使用経験も必要となります。
-
Aiトレンド・特集
Googleに活用されているAiとは？
Ai（人工知能）は、1950年代から研究が始まり近年ではAiロボットが開発されるなど、テクノロジーの話題においては欠かせない大きな存在となっています。そんなAiですが、意外と身近な存在でもあり私たちの生活に役立てられています。中でも、GoogleのAiサービスは誰でも無償で使うことができ、簡単にAiを体験することができます。そこで今回は、Googleを焦点におき、GoogleのAi活用についてご紹介していきます。Googleの市場Googleとは、インターネットの検索の中で代表的な検索エンジンの一つで、Googleの他にもYahoo!やBingなどがあります。Googleは、世界的にも認知度は高く、2018年の検索エンジンのマーケットシェアによると、他の検索エンジンを抑え全体の約7割の人がGoogleを使用していることが明らかになりました。また、米グーグルの親会社アルファベットが2020年4月に発表した、1～3月期の四半期決算は、広告収入などが堅調で、売り上げ高が前年比13％増の68億3600万ドル（約7300億円）、純利益は同3％増の68億3600万ドル（約7300億円）と、Googleの規模やシェアの大きさを物語っています。圧倒的な利用者数を持つGoogleですが、実は近年ではGoogleの中にもAiが活用されるようになってきているのです。それは、Googleを利用する皆さんは一度は利用したことがあるということになります。実は身近なところで知らぬ間にAiを利用していると考えると、気になりませんか。次項からGoogleがAiに力をいれるようになった要因と、Google内で利用されるAiについて詳しく解説して参ります。Googleは世界の中でもAi活用が進んでいる？現在、第3次Aiブームの真っ只中であり、「ディーププラーニング（深層学習）と呼ばれる時代に私たちはいます。これは、カナダのトロント大学のジェフリー・ヒントン教授によって考案されたもので、人間が自然に行うタスクをコンピューターに学習させる機械学習の一つです。・GoogleがAiに傾倒した一因GoogleはITを中心に幅広く事業に取り組んでおり、その中でもAiに力を入れています。GoogleがAi研究に力を入れている理由には、ハードウェアの性能の限界を見出したことが一因です。10年ほど前に比べると、CPU（中央処理装置）やGPU（画像処理装置）の性能は格段に向上したのですが、日常生活上の利用となるとオーバースペック（性能が高すぎる）が生じ、その結果、CPU（中央処理装置）工場の見込みがなくなり、ハードウェアよりソフトウェアにシフトチェンジする必要が出てきました。ここからGoogleのAiファーストが始まります。・Googleは世界でもAiを牽引Googleは、世界的にも有名な人材を抱えており、中でも「Andrew Ng」や「GeoFFrey Everest Hinton」は、自動運転の技術や音声認識・検索エンジンなどGoogleのAiに大きく関わってきた人物です。そして、近年話題となった「アルファ碁」もまた、GoogleのDeepMindで開発されたものです。「アルファ碁」とは、2016年に開発したプログラム『Alpha』が人間のプロ囲碁棋士を始めて破ったことで、大きなニュースとなりました。その他、開発者向けのAi技術提供も積極的に進められおり、GoogleのAiがクラウド上から利用できることで、世界のさまざまな企業にもGoogleのAiが組み込まれるほです。以上のことから、Ai活用においては世界から見てもトップクラスであり、優位性を保ち続けてきていることが分かります。では、世界的にもトップクラスであるGoogleのAiには、どういったものがあるのでしょう。次項でご紹介致します。各所に利用されるGoogleのAi日常に役立つものが多いGoogleのAi。それによって、私たちの生活がどんどん便利になってきています。早速、GoogleのAiとはどのものがあるのか以下5つをご紹介していきます。・Aiで翻訳「Google Transliterate」・Aiで地図検索「Googleマップ」・Aiが日常をサポート「GoogleHome」・Aiが予約代行「GoogleDuplx」・Aiで探す「この曲は何」・Aiで翻訳「Google Transliterate」「Google Transliterate」とは、テキストの翻訳やWebページからの翻訳も可能なサービスであり、脳神経細胞（ニュートラルネットワーク）を学習モデルにし、ディープラーニンングをAi翻訳に導入したものです。60ヵ国もの母国語から選ぶことができ、2006年に開始され、1日に1400億語以上の翻訳が月5億人以上のユーザーによって使われています。・Aiで地図検索「Googleマップ」「Googleマップ」とは、Aiの機械学習機能を利用して、スマホやパソコンで目的地までの距離や、スポットなどを検索できるサービスです。「Googleマップ」の利用者は、2020年5月が最も多く4717万人と、日常的に利用されていることが分かります。その他にも、グルメや渋滞の予測など16ものサービスを行っています。・日常をサポート「GoogleHome」「GoogleHome」とは、テレビCMなどで「OKGoogle」や「ねぇGoogle」とAiスピーカーに話しかけ話題にもなりました。これは、スピーカーに話しかけ、Aiが音声認識で声に反応し、ニュースや天気予報・音楽といった情報を提供してくれる、といったものです。例えば、お子さんのお世話をしている最中に、「近くの小児科を教えて！」とたずねたり、その日の気温などすぐに知ることができるので上着を追加したり、まさにかゆいところに手が届き、何かをしながら情報を知りたい方にぴったりです。・Aiが予約代行「GoogleDuplx」「GoogleDuplx」とは、Aiがレストランやホテルなどの予約を人間の代わりに行ってくれるサービスす。残念ながら日本でのサービスはまだ始まってはいませんが、これは、Aiの音声認識とその内容を分析した上で、応答している仕組みです。利用手順は、「OK Google」でスマホで好みのお店をアクセスし、音声によってAiと予約日や予約時間・人数の詳細確認を音声にてやり取りをした後、Aiが実際に予約の電話を入れてくれる、というものです。そして、約10分後くらいにＧmailにて予約の詳細をお知らせしてくれます。実際にレストランにて、このAiの予約をとった方は、少し違和感があったものの、自然な流れでやり取りができていた、とコメントしています。今後、日本でのサービス開始が楽しみですし、テクロノジーの進化に驚かされるサービスです。・Aiで探す「この曲は何」2020年10月15日、Googleは新しい音声機能サービスを展開しました。例えば、「あの曲なんだったかな？」と思う時はありませんか？そのような場合に、スマホに向かって鼻歌を10～15秒歌うと、Aiが可能性の高い候補から複数の曲を探し出す、というものです。これは、Aiにスタジオ録音だけでなく、鼻歌や口笛などさまざまなメロディーを認識できるよう、Aiにトレーニングをさせた機械学習によって、世界中の音楽から一番近いメロディーを探し出します。現段階のところ、iosでは英語のみでAndroidでは20言語に対応しています。このように、Aiを導入することであらゆる可能性が膨らみ、日常生活が便利になったり、楽しみながら活用できるものへと変わりました。今後も、どのようなものが展開されていくのか注目され続けていくことでしょう。まとめ従来の技術では不可能だったレベルのパーフォーマンスも、ディープラーニング（深層学習）が加わることで、私たちにとって身近な存在になっているAi。概要でも触れたように、このディープラーニング（深層学習）は、大量の画像やテキスト・音声データなどを学習していくことで、人間の認識度も超えることもあると言われています。今後、どこまでAiの技術は進歩していくのか、目が離せません。本記事では、GoogleやGoogleのAi活用などについてご紹介致しました。Aiは、意外と私たちの身近な存在であるということがお分かり頂けたかと思います。Aiに興味を持たれた方や、Aiについて少し知りたい情報などありましたら、Aiチョイスを参考にされてみるのも良いでしょう。
-
Aiトレンド・特集
Amazonが開発したAiツール『CodeGuru』とは？
自動でコードレビューをしてくれるサービス「CodeGuru」が話題になっています。機械学習を利用したAIツールで、アプリケーションの最適化、負荷の原因になっているコード行の特定、ソースコードの品質向上、CPU使用率削減などを行ってくれます。Amazon Web Services（以下AWS）から一般提供が開始されたことで、アプリケーション開発者の間で注目を集めています。コストも時間もかかりがちなコードレビューが自動化できれば、アプリケーション開発がかなり楽になるでしょう。そこで今回は、AWSのAIツール『CodeGuru』について、解説していきたいと思います。コードレビューやコストパフォーマンス向上にお悩みの方は、ぜひ目を通してみてください！ AmazonのAIツール『CodeGuru』とは？米国時間の6月29日、Amazon Web Services（以下AWS）は「CodeGuru」の一般提供を開始しました。CodeGuruとは、コード品質の改善や、バグや問題防止のためのレコメンデーションAIを搭載した開発者向けツールです。機械学習による最適なパフォーマンスや、コストの最適化、コードレビューの自動化サービスを提供してくれるサービスです。コードの問題を検出して修正方法を示す「Amazon CodeGuru Reviewer」と、アプリケーションの性能最適化を支援してくれる「Amazon CodeGuru Profiler」という二つの機能があります。2019年12月、ラスベガスで開催された「AWS re:Invent 2019」において、すでにサービス自体は発表されていました。Amazonにおける数十万の内部プロジェクト、GitHub上の1万以上のオープンソースプロジェクトのコードをベースにして、機械学習を行ったモデルを用いてコード分析が行われます。開発したアプリケーションを、サーバー上で利用するための一連の作業は「デプロイ」と呼ばれています。一般的にデプロイ後のアプリケーション監視に十分な開発者を見つけるのは、非常に困難だとされています。またバグやパフォーマンスの問題が発生しない保証もありません。しかしCodeGuruなら、既存の統合開発環境（IDE）と統合して、人気の高いオープンソースプロジェクト1万以上ののAIアルゴリズムを利用することが可能です。書かれているコードを評価するコンポーネントで、これまで困難でコストがかかるとされていた問題を解決してくれます。CodeGuruの登場により、今後のアプリケーション開発は、かなり楽に行えるようになるでしょう。 AIツール『CodeGuru』にできることCodeGuruには、以下の二つの機能があります。 CodeGuru Reviewer「CodeGuru Reviewer」は、コードレビューの自動化や、コードの問題検出を行ってくれる機能です。コードレビューの自動化においては、AWSが今まで培ってきた技術力や機械学習を用いて、コードレビューを行ってくれます。主に以下のような、本番での問題につながる可能性が高い問題点にフラグを立ててくれるでしょう。・ベストプラクティスからの逸脱を検出・ページネーションの欠落を検出・バッチ処理でのエラー処理 などソースコードのプルリクエストを自動的に分析することで、重要な問題を発見。コードの欠陥を解決する推奨事項も提示してくれます。たとえば以下のような事柄の発見や、解決方法を提案してくれるでしょう。・スレッドセーフの問題・サニタイズされていない入力・資格情報など機密データの不適切な処理・リソースリークのチェック などまたコード内のAWS APIとSDKの使用状況についてコードレビューし、最新のAWSの機能を利用しているかも判断してくれます。これにより、ベストプラクティスを常に最新の状態に保つことが可能となるでしょう。CodeGuru Reviewerがサポートする言語は、2020年7月時点でJavaのみとなっています。CodeGuru Profiler「CodeGuru Profiler」では、オブジェクトの過剰な再現、非効率なライブラリの使用、過剰なロギングといった問題における推奨事項を提供してくれる機能です。本番環境で実行しているアプリケーションの、さまざまな節約可能な部分を発見できるようになります。アプリケーションのCPU使用率と遅延特性を分析して、もっとも実行コストがかかっているコードの行を検出してくれます。またアプリケーションのパフォーマンス問題も自動的に識別。CPU仕様率、計算コスト削減、性能改善の方法なども提示してくれるでしょう。 これらの分析結果はグラフとして可視化されるので、ユーザーはどの点を改善すべきか簡単に把握できます。推奨事項の中には、非効率なコードを実行し続けることによるコストの見積もりも含まれています。2020年7月時点でのサポートは、Javaおよびその他のJVM言語となっています。 『CodeGuru』のメリット「CodeGuru」を使用するメリットについて見ていきましょう。コストがかかりすぎている部分を発見できるコードとアプリケーションが効率的であればあるほど、実行コストは減少していきます。CodeGuruを使用すれば、アプリケーションの節約可能な部分が簡単に発見できるようになります。パフォーマンスの問題、修正方法、推奨事項、非効率なコード実行にかかるコストの見積もりを提供してくれます。また修正に優先順位をつけることも可能なので、非常に便利だと言えるでしょう。パフォーマンスの最適化が可能AWS Lambda、Amazon EC2、Amazon ECS、AWS Fargate、AWS Elastic Beanstalk、オンプレミスで実行するあらゆるアプリケーションプロファイラーエージェントをJVMに添付EC2、コンテナ、オンプレミスアプリケーションLambdaをインスタンス化する場合には、1行の変更でLambdaコード内にエージェントが添付されます。コードの問題を本番稼働前に発見できるCodeGuruは、AWSが何十年に渡り蓄積した知識と技術に基づいたトレーニングが実行されています。コードレビューの場合、GitHub、GitHub Enterprise、Bitbucket Cloud、AWS CodeCommitなどにコードをコミット。Amazon CodeGuru Reviewerが既存のコードベースを分析して発見しにくいバグ、重大なコードの問題などを高い精度で識別してくれるでしょう。それらの問題を修正する方法も提供し、連続するコードレビューのベースラインを作成してくれます。異常の早期検出と通知が可能Amazon CodeGuru Profilerは、パフォーマンスの異常を自動的に検出してくれます。異常が検出された場合、10分以内に指定先へと通知が送信されます。早期検出と通知により、本番環境で問題が深刻化する前に防止できるでしょう。ユーザーへ影響を与える前に、修正するための十分な時間が得られます。 『CodeGuru』のデメリット「CodeGuru」を使用する上での問題点についても紹介させていただきます。プロファイルできるアプリケーションの種類が限られている2020年7月現在、プロファイルできるアプリケーションの種類は限定されています。Amazon CodeGuru Profilerは以下のアプリケーションで動作するので、留意しておいてください。・Amazon EC2、Amazon ECS、Amazon EKSで実行されるコンテナー化されたアプリケーション・AWS Fargateで実行されるサーバーレスアプリケーションでホストされるアプリケーション対応リージョンが限定されている2020年7月現在、AWS コンソールで表示が確認できたのは以下のリージョンです。・アジアパシフィック (シドニー)・欧州 (アイルランド)・米国西部 (オレゴン)・米国東部 (バージニア北部)・米国東部 (オハイオ)このように現時点では国外リージョンとなっていますが、AWSコンソールからは利用できるようになっています。 まとめ今回はAWSが提供開始したAIツール「CodeGuru」について解説しました。CodeGuruはコードレビューの自動化や、コードの問題検出、実行コストの削減などを行ってくれます。今まで困難とされていたことがお手軽に行えるようになるので、今回の一般提供開始は非常に注目を集めています。Amazonによると社内では8万件のアプリケーションの最適化に利用され、数千万ドルの節約につながったとされています。現在は国外リージョンとなっていますが、今後の動向からは目が離せません。新たな情報が発信され次第、本サイトでも情報を提供していきたいと思います。
-
Aiの基礎知識
【機会学習とは】3種類の学習方法や使い分け、5つのアルゴリズムにも注目！
Apple製品の代名詞と言えば、やはり「iPhone(アイフォン)」ですよね。このiPhoneですが、「Siri(シリ)」による音声コントロールに始まり、顔認証技術の「Face ID(フェイスアイディー)」や、指紋認証システムの「Touch ID(タッチアイディー)」など、実はAiの技術を結晶した製品だということをご存知でしょうか。今回は、Aiにおける基礎知識として「機械学習」にスポットをあてて、その種類やそれぞれの学習アルゴリズムなどについてをわかりやすく解説し、Siriが私たちの顔や声を正確に認識できる謎に迫っていきましょう。機械学習とはAiは、入力された膨大なデータを瞬時に学習・分析することで、それらのデータ群に内在する共通項や規則性を発見し、最適な回答を見つけ出したり、カテゴリ別に分けることなどを得意としています。こうしたAiによる一連の学習活動を「機械学習」と呼び、この機械学習には、入力するデータのタイプや環境状況に応じて、主に3つの種類が存在します。機械学習の3つの種類①教師あり学習教師と言うと学校の先生などをイメージするかもしれませんが、Aiの分野における教師とは「正しいデータ(＝以下、正解データ)」を意味する言葉となります。コンピュータに対して大量のデータと一緒に正解データを入力することで、コンピュータは入力データと正解データそれぞれのデータの特徴を読み取ります。この学習を繰り返すことで、コンピュータは入力されたデータのうち「どのデータが誤りで、どのデータが正しいか」を正確に判断できるようになるのです。②教師なし学習教師なし学習とは、先ほどの教師あり学習とは異なり、膨大な正解データの分析を必要としない入力データのみの学習パターンになります。正解データを学習しない代わりに、膨大な入力データそれぞれが持つ構造や特徴を分析し、カテゴリ別にグループ分けを行ったり、要素の簡略化を行ったりします。入力されたデータに対してコンピュータ自身がそれぞれのデータの共通項や規則性を見つけ出し、カテゴリ別に分けていく学習パターンです。③強化学習強化学習とは、簡単に言うと「コンピュータがとる行動の方針を最適化する仕組み」を学ぶという、トライ&エラー型の学習手法になります。コンピュータが良い行動をとると高い報酬を、逆に悪い行動をとると低い報酬を与えるよう行動の結果ごとに報酬の値を設定し、その報酬を「最大化」するように機械は試行錯誤を行ってくれるため、コンピュータ自身が自分の学習を強化していくことで精度を上げていくという仕組みになります。さらに現在では、この強化学習と「ディープラーニング(深層学習)」という学習手法を組み合わせた「深層強化学習(DQN)」が、強化学習の中でも主流となっています。囲碁の世界チャンピオンを倒した囲碁Ai「AlphaGO(アルファゴー)」にも、この深層強化学習が活用されています。機械学習における『教師あり学習』と『教師なし学習』の使い分け教師あり学習は、入力データと正解データをセットで読み込ませるため、ある特定の画像やテキストなどを判別する際に役立ちます。例えば、がん患者の大小さまざまな細胞画像を正解データとすることで、受診者の細胞を正確に判別することが可能になるため、がんの早期発見や早期治療に役立ちます。対して教師なし学習は、正解となるデータが存在しないため、膨大な数のデータをそれぞれの共通項に分類したり、規則性に沿ってカテゴライズする際に重宝します。これは、企業の保持している顧客データなどのビッグデータに応用することで、顧客のニーズやユーザー行動の分析が可能になるため生産性の向上に繋げることができます。このように、教師あり学習と教師なし学習それぞれにメリットとデメリットが存在するため、導入の際にはAiの利用用途を吟味した上で検討しましょう。機械学習で利用されるアルゴリズム上述した3種類の機械学習手法ですが、その中でもさらに細かいアルゴリズムによる分類が存在します。ここからは、機械学習の際に用いられる、主なアルゴリズム5つを確認していきましょう。分類(＝教師あり学習)教師あり学習の一つで、「分析したい入力データが属するカテゴリーやクラスが何なのか」を判定する手法。回帰(＝教師あり学習)教師あり学習の一つで、「売り上げや成長率といった数量を扱う場合の学習方法」で、過去の顧客データから新規顧客が今後どのくらい訪れるのかなどを予測することができます。クラスタリング(＝教師なし学習)教師なし学習の一つで、「類似するデータ同士を機能やカテゴリごとに分けて集める」という、回帰の教師なしバージョンのような学習手法です。次元削減(＝教師なし学習)教師なし学習の一つで、機械学習でも特徴量が不必要に多すぎると、いわゆる「次元の呪い」という現象が起こり、精度が悪くなることがあることから、データの次元(特徴量の数)を減らす手法になります。異常検知機械の故障やデータ分析の外れ値などのコンピュータ数値における異常を検知・推測する際に利用する手法です。■まとめ一口に機械学習とは言っても、Aiの利用目的や導入先の環境などによって適切な学習方法や採用すべきアルゴリズムは異なります。Aiの導入を検討されている場合、まずは導入の前に、自身のAi活用の目的をしっかりと確認することが重要です。そもそもAiには「何ができて何ができないのか」を深く理解することで、導入による無駄な工数の発生やリスクを回避することにも繋がるでしょう。