去年のアルファGO以来、AI、正確には機械学習にはどんどん注目が集まっています。
機械学習の、deep learningの手法はとても人気があります。
自分もこの分野にはとても興味があるので、色々本やビデオを見て、勉強しています。
この勉強筆記は、自分が勉強中に理解したことを綴って、皆とシェアしていきます。
deep learningという手法は皆も聞いたことがあると思います、でもdeep learningの中のdeepはどういう意味だと思いますか？
まずはじめに、deep learningとは、ニューラルネットワークという手法に基づいて構築されたものです。ニューラルネットワークがどのようなものかは次に説明します。
普通のニューラルネットワークは、入力 －＞ ニューラル層 －＞ 出力 という構造です。
最初、ニューラル層は１層しかないです。
でも、この簡単な構造は、問題があります。
最大の問題は、表現力不足です。（この部分の具体的説明は今後書きます）
だから、研究者の皆さんは、この簡単な構造を改善しています。
最初の考え方は、出力関数を改善することです。
複雑な出力関数を利用すると、効果がありましたが、でもまだまだです。
もう一つ考え方は、ニューラル層を追加することです。
これは、現代のニューラルネットワークです。
一層ニューラル層なら、一回の抽象しかできないです。
でも複数層のニューラル層あれば、抽象能力は大きく上がって、モデルの勉強能力は大きくなります。
例えば、音声認識の問題であれば、もし一層のニューラル層なら、多分音声を文字に転職するのみしかできないです。でも複数層のニューラル層があるなら、これだけじゃなく、文字の意味とか、感情とかも認識できます。
これが複数層のニューラル層の威力です。
実際、deep learningのdeepは、ニューラル層のdeepの意味です（層の数量）。
当然ですが、単にニューラル層を追加するだけでは駄目です。
研究者達はこの思想について、色々なモデルを開発しました。
今回はここまでです。
続きは、次回ブログに書きます。
Deep learning勉強筆記２はこちら
中国広東省出身、京都オフィス勤務のエンジニア。機械学習に興味がある。京都大学留学生として来日して以来、京都の住みやすさが気に入っている。
