機械学習と深層学習の違い、メリット・デメリット、その関連性

昨今、ビジネスにおいては機械学習が多くの場面で用いられるようになってきました。同時に深層学習を使ったサービスや製品も多く世に出始めています。うまく活用すれば事業活動を豊かにできる可能性を秘めている機械学習と深層学習ですが、この２つの学習方法の違いをよくわかっていないという方も多いのではないでしょうか。

本記事では、機械学習と深層学習（ディープラーニング）の違いについて、アルゴリズムの種類や活用シーンも踏まえながらご紹介していきます。

AI、機械学習、深層学習の関係性

機械学習と深層学習（ディープラーニング）の違いについて解説していきたいと思いますが、この二つの違いを知るためには、最初に、それぞれの関係性、そしてAIについて理解を深める必要があります。

人工知能（AI）とは、コンピュータが人間のように思考や学習する技術全般を指します。その一環として生まれたのが機械学習です。機械学習は、AIが大量のデータからパターンを学習し、未知のデータに対する予測を行うための方法論です。

深層学習は機械学習の一部で、ニューラルネットワーク（人間の脳の神経回路網を模倣したモデル）を多層化し、より複雑なパターンを抽出できるようにしたものです。深層学習は画像認識や自然言語処理など、従来の機械学習では難しかったタスクに対して高いパフォーマンスを発揮します。

深層学習については「ディープラーニングとは？その仕組みや実用例をわかりやすく紹介」でも解説していますので、合わせてご覧ください。

機械学習と深層学習の違いとは

ここからは具体的な両者の違いについて解説していきたいと思います。

機械学習は、コンピュータに大量のデータを与え、そのデータから規則やパターンを学習させる技術です。

機械学習は、人間がデータの特徴を判断するという特徴があります。どのような学習をしていくかについては構築者が決定し学習と分析の効率化を図っていくため、深層学習よりは学習に時間がかかりません。

一方で深層学習は機械学習の一手法で、人間の脳の神経回路網を模倣した深層ニューラルネットワークを用いて、複雑なパターンや抽象的な概念を学習します。大量のデータと計算資源を必要とする分、人間の認識能力に近い高精度な予測が可能です。

何を学ぶべきなのかも機械が判断するため、人間にとって抽象的な問題の解決を効率化していけます。ただし学習には大量のデータが必要で、学習を効率よく進めるには高い処理能力を持つコンピュータが必要不可欠です。

機械学習におけるアルゴリズムの種類

機械学習のアルゴリズムは主に3つのカテゴリーに分けられます。教師あり学習、教師なし学習、そして強化学習です。これらはそれぞれ、異なる問題解決や予測モデルの生成に使われます。

教師あり学習

教師あり学習は、入力データとそれに対応する正解データ（ラベル）から規則性を学び、新たなデータに対する予測を行います。例えば、スパムメールの分類や画像内の物体認識などがあります。

線形回帰

２次元空間に分布したデータを要約して直線を当てはめる手法が線形回帰です。店舗の売り上げ予測や賃貸物件の賃料予測など多くの分野に適用できます。

ロジスティック回帰

いくつかの要因から２値の結果が起こる確率を求めるのがロジスティック回帰です。２値とは、テストの合格・不合格のように答えが２つしかない値のことを指します。勉強時間、部活入部の有無、スマホ操作時間からのテスト合格率算出や、各種生活習慣からがんの罹患率算出などに応用されます。

サポートベクターマシン（SVM）

あるデータの集まりを２つに分類しておき、入力されたデータがどちらのグループに属するかを判別するのがサポートベクターマシンです。ある製品が不良品かどうかの判別や、株価予測などに利用されます。

決定木

物事の判別や意思決定などのための木構造データや図のことが決定木です。根（ルート）から枝分かれする形で分岐が伸びていき、末端には結果や結論が用意されています。

特に事柄の分類をしたい場合は「分類木」と呼ばれ、値の予測をする時は「回帰木」と呼ばれます。経路決定や顧客の料金設定など、さまざまな物事に適用できることが特徴です。

ランダムフォレスト

あるデータの集合からいくつかのデータを選択してデータグループを複数作り、そのデータグループをもとにグループごとの決定木を作って予測結果の平均を取り、予測を実施するのがランダムフォレストです。各データグループの内容はそれぞれ異なるように選択するため、グループごとに異なる決定木が生成されます。人間が書いた数字の認識や人間の態勢認識などに利用されています。

ナイーブベイズ

あるデータがどのカテゴリに属するかを確率的に求めるアルゴリズムです。電車の混雑状況や、津波・地震などの災害予測、レコメンド、スパムメール判断などに利用されます。

教師なし学習

教師なし学習は、正解データなしに、データの内在する構造やパターンを見つけるための手法です。主な利用例として、クラスタリングや異常検出などがあります。

k-means/k-means++

最初にデータが散らばっている２次元の座標上で、ランダムに点をいくつか（k個）配置し、各データから最も近い点でデータをグルーピングします。続いて点を各グループの中心（各データの座標の平均）になるように再設定し、グルーピングと中心再設定を結果が変わらなくなるまで繰り返すという手法がk-meansです。主にECサイトにおいて特定の顧客属性に対する製品レコメンドに利用されています。k-means++ は最初の各点の距離がそれぞれ最も遠くなるようにデータの中から点を選ぶことでk-meansの分類精度を上げた手法です。

GAN

GANは、Generative Adversarial Networkの略で、敵対的生成ネットワークと訳します。その名の通り生成者と判定者の敵対的な判別を混合させることで学習が進められます。例えば画像認識にあたっては、生成者が生成した画像か、それとも訓練データかを判定者が判定することによって画像認識の学習が進められます。最終的には生成者が生成した画像が本物と見分けがつかなくなるレベルまで学習を進めます。自動着色アプリや画像の自動生成APIなどはGANによって構築されています。

強化学習

強化学習は、エージェントが行動を選択し、その結果による報酬を最大化する学習方法です。チェスや囲碁などのゲームAI、自動運転技術などに用いられます。

Monte Carlo Tree Search (MCTS)

MCTSは囲碁やチェスなどのゲームAIにおいて頻繁に使用されています。これは、可能な行動の組み合わせを探索するためのアルゴリズムで、未来の状態をランダムにシミュレーションして最善の行動を推定します。特に囲碁AIのAlphaGoでは、深層学習とMCTSを組み合わせることで人間のトッププレーヤーを破る性能を達成しました。

Deep Q-Network (DQN)

DQNは、環境との相互作用から学習することで、複雑なタスクを解決する能力を持ちます。Atariゲームでの成功を経て、より複雑な問題、特に自動運転などにも応用されています。

AlphaZero / MuZero

AlphaZeroは、MCTSと深層学習を組み合わせ、ゲームのルールのみを与えられて自己対局により学習することで、囲碁、チェス、将棋などで超一流プレーヤーを超えるレベルに達しました。MuZeroはAlphaZeroを一般化し、ゲームのルールを知らない状態から学習する能力を持つことから、より広範なタスクに適用可能となります。

深層学習

深層学習のアルゴリズムについても紹介していきます。

単純パーセプトロン

単純パーセプトロンは、２つの値を入力すると０か１を出力します。２つの値をそれぞれ重み付けして入力し、「バイアス」と呼ばれる１の出力度合調整値を適用して出力します。最近では広く使われるようになったニューラルネットワークの元となるアルゴリズムです。

Deep Neural Network（ DNN）

先ほど説明した単純パーセプトロンを並列に並べて層とし、その層を何重にも重ねたアルゴリズムがDNN。ニューラルネットワークの一種です。その層は学習内容によって何百、何千にも及ぶことがあり、層を重ねるほど複雑な情報に対応できるようになっていきます。多様なタスク（音声認識、自然言語処理、画像分類など）に対して広く使用されています。

Convolutional Neural Network（CNN）

特に画像やビデオのようなグリッド状のデータに対するタスクで優れたパフォーマンスを示すニューラルネットワークです。画像から特徴量と呼ばれる画像の特徴を示す値を算出し、それを「畳み込む（Convolution）」ことによって計算量を圧縮し、さらに画像を判別する精度を上げたアルゴリズムがCNNです。画像認識の分野において広く用いられています。

Recurrent Neural Network（RNN）

DNNを拡張して時系列データにも対応できるようにしたのがRNNです。データのトレンドや周期を分析して予測に適用していけます。音声認識や自然言語処理などに使用されています。

アンサンブル学習

特殊な例として、複数のアルゴリズムを組み合わせる「アンサンブル学習」と呼ばれる形態もあります。

Boosting

学習したAIモデルがうまく予測をできなかった際に、学習データに重みをつけてモデルを再学習する手法です。AIモデルをブーストしていくイメージから名前が付けられました。
決定木とBoostingの考え方を併用したXGBoostや、誤分類したデータに大きな重みを与えるAdaBoostなどの種類があります

アンサンブル学習

• Boosting
• Adaboost 

複数のアルゴリズムを組み合わせて1つのAIを構築するアルゴリズムです。 

使用されるアルゴリズムの組み合わせによって、さまざまな事例に応用されています。 

深層学習では、ニューラルネットワークのCNNがよく用いられます。 

深層学習の活用例とメリット

深層学習のメリットとは

深層学習の最大のメリットは、その抜群の予測性能と、複雑な問題に対する解決能力にあります。大量のデータから特徴を抽出し、高精度な予測を行うことが可能で、これにより人間が行うには時間と労力を要するタスクを自動化したり、人間の認知を超越した解析を実現したりできます。また、複雑な問題に対しても深層学習は多層のニューラルネットワークにより、隠れたパターンや関連性を抽出し、解決へと導きます。

これらの能力により、深層学習は各種の産業分野で広範な応用が可能となっています。特に、医療、防犯、農業などの領域でそのメリットが顕著に現れています。

活用例1.病院やクリニックなどでの診察補助

深層学習は医療現場で診断支援ツールとして使用されています。MRIやCTなどの画像データから病変部位を高精度に検出したり、遺伝子データから疾患のリスクを予測したりすることが可能です。これにより、医師の診断精度と効率が向上します。

活用例2.防犯

防犯カメラ映像の解析にも深層学習は活用されています。人や車両の行動をリアルタイムで分析し、異常行動を自動的に検出することができます。これにより、早期の犯罪防止に寄与しています。

活用例3.農業の作物栽培

深層学習は農業の作物栽培にも利用されています。ドローンによる空撮画像を解析し、作物の成長状況や病気の発生を高精度に予測します。これにより、必要なところに必要なだけの肥料や農薬を使用する、精密農業を実現します。

深層学習と機械学習のデメリットと対策

深層学習と機械学習はメリットの大きい有用なツールではありますが、メリットがあれば一定のデメリットがあるものです。一つずつ紹介していきます。

大量のデータと計算リソースを必要とする

まず、深層学習の最大の課題は「大量のデータと計算リソースを必要とすること」です。少ないデータで学習を行うと、そのデータだけに過度に適応してしまいます。つまり、新しく入ってくるデータに対してはうまく対応できなくなるのです。そのため、大規模なデータセットを使用することで様々なデータを学ぶ必要があります。新しいデータにも対応できるようにするには、大量のデータが必要不可欠です。

モデルがどう答えを導き出したかが傍目ではわからない

その他のデメリットとしては、「モデルがどう答えを導き出したかが傍目ではわからない」ことが挙げられます。特に深層学習は動きが非常に複雑なため、ブラックボックス化しており、どのように予測が行われているのかを理解することは困難です。この問題には、モデルの解釈しやすさに重点をおいたアルゴリズムの選択や、シャプリー値やLIMEといった解釈可能なAI手法を用いるといった対策があります。

以上のようなデメリットを理解し、適切な対策をとることが重要です。

深層学習の実装：Pythonとディープラーニングライブラリの紹介

深層学習の実装には様々なプログラミング言語が利用されますが、Pythonが最も広く使われています。その理由としては、Pythonが読みやすく、初心者にも親しみやすい言語であること、また多種多様な科学計算やデータ分析のライブラリが存在することが挙げられます。

深層学習の具体的な実装には、Pythonのディープラーニングライブラリが利用されます。主要なライブラリとしては、TensorFlow、Keras、PyTorchなどがあります。

TensorFlow

TensorFlowは、Googleが開発したオープンソースのライブラリで、柔軟性とスケーラビリティに優れています。

Keras

一方、KerasはTensorFlow上で動作する高レベルのAPIで、シンプルで直感的なAPIが特徴です。

PyTorch

PyTorchはFacebookが開発したライブラリで、Pythonの書きやすさを活かしつつ、強力な機能を提供しています。動的な計算グラフが特徴で、デバッグが容易であると言われています。

これらのライブラリの選択は、目的や好みによる部分も多いですが、どれも深層学習を行う上で必要な機能を備えています。

Pythonが機械学習に選ばれる理由、各ライブラリに関しては「機械学習でPythonが選ばれる理由は？できることやライブラリも解説」でより詳しく解説しています。合わせてご覧ください。

機械学習や深層学習用のPC選びのポイント

機械学習や深層学習を行うPCを選ぶ際には、以下の要素を考慮すると良いでしょう。

• CPU: 高速なCPUは学習時間を短縮します。また、マルチコアのCPUは複数のタスクを同時に行う能力があります。
• GPU: 深層学習では大量の並列計算が行われますので、GPUが非常に重要です。スペックの高いものを選びましょう。CUDAに対応したNVIDIAのGPUが推奨されます。GPUメモリも重要で、深いネットワークを扱う場合はより多くのメモリが必要です。
• RAM: データをメモリに保持するため、可能な限り大容量のRAMを搭載することが推奨されます。
• ストレージ: SSDはHDDよりも高速な読み書きが可能なため、大量のデータを扱う場合にはSSDを選ぶと良いでしょう。

これらを踏まえ、具体的な仕様は予算や具体的な要求（どの程度のデータを扱うのか、どれくらいの学習時間が許容できるのかなど）に応じて選択します。

機械学習用PCの具体的なスペックについては「機械学習に最適なPCとは？必要なスペックやおすすめPCについても紹介」の記事をご参照ください。

まとめ

本記事では、人工知能（AI）の一部門である機械学習と深層学習について説明しました。機械学習と深層学習の違い、各々の主要な学習手法、深層学習の活用例とそのメリット、そして両者のデメリットと対策について解説しました。

機械学習と深層学習は日々進化を続ける技術領域です。今後も最新の動向を把握しながら、自分のニーズに適した知識と技術を身につけていきましょう。