G検定への道 #09｜機械学習って、どうやって「学ぶ」の？
※これは、私的な学習記録です。
表現が自分流になっているところが多々あります。
第9講「AIは機械学習へ」
機械学習
今日は、これを見ていきます。
𓈒𓂂𓂃◌𓈒𓐍
ルールベースと機械学習
機械学習＝人間が判断ルールをすべて書くのではなく、データからパターンや規則性を学ばせる方法。
1.ルールベース
たとえば、スパムメールを判定するとします。
人間が、
「この単語が入っていたらスパム」
「この条件ならスパム」
と、一つずつ判断ルールを決めるのがルールベース。
一方、教師あり学習の例なら、
メール＋「スパム」
メール＋「正常」
という正解付きのデータを大量に使って、判定に役立つパターンをモデルに学ばせます。
ルールベース
→ 人間が判断ルールを作る
機械学習
→ データからモデルが判断に使うパターンを学ぶ
𓈒𓂂𓂃◌𓈒𓐍
分析と機械学習は違う
普段、私はnoteの記事データを見ながら、
「このシリーズは反応がいい」
「このタイプの記事はコメントが付きやすい」
と傾向を探しています。
では、これは機械学習なのか。
ここも分けて考えます。
データ分析では、データを調べて傾向や特徴を見つけます。
一方、機械学習では、データからモデルがパターンを学び、その学習結果を新しいデータの予測や分類などに利用します。
分析＝データを見て傾向をつかむ
機械学習＝データから学んで、次の判断に使う
𓈒𓂂𓂃◌𓈒𓐍
犬と猫を見分ける
ここからは、教師あり学習による画像分類を例にします。
人間が、
犬の画像 →「犬」
猫の画像 →「猫」
と正解ラベルを付けたデータを大量に用意します。
モデルはそのデータを使って学習し、初めて見る画像に対しても、
「これは犬の可能性が高い」
と分類できるようになります。
では、この「学習」では何をしているのか。
かなり単純化すると、
データを入れる
↓
モデルが予測する
↓
正解と比べる
↓
どれくらい間違ったかを見る
↓
間違いが減るようにモデル内部の数値を調整する
↓
繰り返す
という流れです。
ここで登場するのが、
特徴値
重み
パラメータ
この3つは、最初に関係を分けておくと分かりやすくなります。
𓈒𓂂𓂃◌𓈒𓐍
特徴値は、「見せられたもの」の数字
説明のために、画像の特徴をものすごく単純化します。
たとえば、
耳のとがり具合：0.9
鼻の長さ：0.2
のように表したとします。
これは、その画像について得られた特徴値です。
ゲームのキャラメイクなら、
目の大きさ：0.8
鼻の高さ：0.5
と、見た目をスライダーの数字で表すようなイメージ。
ここで大事なのは、
特徴値は、モデルのパラメータではない
ということ。
特徴値は、モデルに入力される側の情報です。
𓈒𓂂𓂃◌𓈒𓐍
重みは、「どれくらい重要視するか」
次は、重み。
私はゲームで考えました。
こんなキャラクターがいるとします。
かしこさ：10
力：40
すばやさ：50
このキャラクターに、
「魔法使いの適性があるか？」
を判定するとします。
魔法使いなら、
かしこさは、めちゃくちゃ重要。
力や素早さは、それほど重要ではないとします。
この、
「その項目を、判断にどれくらい強く反映させるか」
を表す数値が、重みです。
私の覚え方では、
重み＝判定するときの重要度。
魔法使いは賢さ命。
𓈒𓂂𓂃◌𓈒𓐍
じゃあ、パラメータって何？
ここで、3つの関係を整理します。
特徴値は、入力されたデータ側の数字。
重みは、モデルが判断するときに使う内部の数字。
では、パラメータとは何か。
答えは、
モデル内部にあり、学習によって調整される数値の総称。
そして重要なのが、
重み is-a パラメータ。
以前、意味ネットワークで習ったis-a。
「〜は、〜の一種」
です。
つまり、
重みは、パラメータの一種。
図にすると、
特徴値
＝入力されたデータの特徴を表す値
パラメータ
＝モデル内部にあり、学習によって調整される数値の総称
重み
＝パラメータの代表的な一種
となります。
重みとパラメータは、横に並ぶ別々のものではありません。
パラメータという大きな分類の中に、重みがある。
この関係でした。
以前覚えたis-aが、こんなところで再登場しました🤣
𓈒𓂂𓂃◌𓈒𓐍
機械学習の「学習」は何をしている？
ここまで整理すると、最初の図に戻れます。
機械学習では、大量の学習データを使います。モデルが予測し、正解と比べ、間違いが減るようにモデル内部の重みなどのパラメータを調整します。これを何度も繰り返します。
こうしてモデルは、データから判断に役立つパターンを学んでいきます。
つまり、
データをそのまま丸暗記するのではなく、データを使ってモデル内部の判断のしかたを調整していく。
これが、今回学んだ機械学習の「学習」です。
これまで記事で見てきたルールベースやエキスパートシステムでは、人間が知識や判断ルールを用意していました。
でも機械学習では、そこが変わります。
人間がルールを全部書くのではなく、データから学ばせる。
AIの歴史は、ここでまた大きく動きます。
𓈒𓂂𓂃◌𓈒𓐍
次回予告
人間が知識を与え、ルールを書き、判断のしかたを教えてきたAI。
そこから今度は、
データから学ぶAI
へ。
人間がすべての判断ルールを書かなくても、たくさんのデータからパターンを見つけ、次の判断に使っていく。
では、その「学ぶ」方法には、どんな違いがあるのでしょうか。
そして人間は、AIにどんなデータを渡し、何を覚えさせようとしたのか。
研究者たちの挑戦は、まだまだ続きます🤣
𓈒𓂂𓂃◌𓈒𓐍
✏️ 今日のまとめ
機械学習
データからパターンや規則性を学び、その学習結果を予測や分類などに利用する方法。
特徴値
入力されたデータの特徴を表す値。
重み
入力や特徴を、判断にどれくらい強く反映させるかを表す値。
パラメータ
モデル内部にあり、学習によって調整される数値の総称。
そして、
重み is-a パラメータ。
特徴値は入力側。
パラメータはモデル側。
重みは、そのパラメータの一種。
今回はここまで。
次は、機械学習がなぜ注目されるようになったのか、続きを見ていきます。
📚 G検定への道｜学習記録はこちら
AI家庭教師・圭と、毎日30分。
G検定に向けて学んだことを、自分の言葉で記録しています✍️
