| English | 意味 |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | 機械学習 |
| deep learning/diːp ˈlɜːnɪŋ/ | ディープラーニング |
| graph/ɡræf/ | グラフ |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | ニューラルネットワーク |
| nodes/nəʊdz/ | ノード |
| edges/ˈedʒɪz/ | エッジ |
| minimax/ˈmɪnɪmæks/ | 極小化最大 |
| weight/weɪt/ | 重み付け |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | アクティベーション関数 |
| hidden layers/ˈhɪdn ˈleɪəz/ | 隠れ層 |
何を見るべきかを教えられずに見ることを学んだプログラム
- 2012年、あるチームは猫の見た目に関するルールを一度も与えられたことがないプログラムを画像認識コンテストに出場させました。数百万枚のラベル付き写真を示されただけですが、プログラム自体がルールを導き出しました。
- このプログラムは、すべての手動プログラミングによるエントリーのエラー率を半分に減らしました。3年以内に分野全体がルール記述を放棄しました。
- この逆転現象がこのトピックの主題です。「どうすればコンピュータに猫が何かを教えられるか」ではなく、「コンピュータは例からどうやってそれを見出すのか」です。
- このLessonは機械学習とディープラーニングが何を意味するか、グラフがAI問題を探索問題に変換する方法、そして人工ニューラルネットワークが実際に計算することを示しています。
AI、機械学習、ディープラーニング
- 人工知能（AI） は広範な目標です：視覚、音声、翻訳、運転など、通常は人間の知能が必要なタスクを行うシステムです。
- 機械学習 はこれを主導するアプローチです：段階的にプログラムされるのではなく、データからパターンを学習するアルゴリズムです。
- ディープラーニング は、多くの層を持つニューラルネットワークを用いる機械学習です。2010年代以降、分野をリードしています。なぜなら、設計された特徴量なしに、生データ、ピクセル、音声、テキストから直接学習するからです。
- これらは包含関係にあります：ディープラーニングは機械学習の一部であり、機械学習はAIの一部です。
3つの円、3つの競合相手ではありません
Machine learning means an algorithm that:
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
ML learns from data; deep learning is ML using multi-layer neural networks.
How do AI, machine learning and deep learning relate?
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks.
グラフ、そしてなぜ多くのAIが探索であるか
- グラフは、辺によって結合されたノードの集合です。ノードは状態、場所、概念を表し、辺は移動、道路、関係を表します。
- 経路探索：道路網はグラフであり、ルートの見つけ方はDijkstra法やA*を用いたグラフ探索です。
- ゲームプレイ：盤上のすべての配置がノード、合法的な手が辺となります。したがって、ゲームは木構造となり、各プレイヤーが最善の手を取るという前提でminimaxが探索します。
- 知識表現：意味網はノードとして概念、辺として関係を保持します。幅優先探索と深さ優先探索はこれらを探索するための標準的なツールです。
In AI, a graph consists of:
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge.
worked example: 問題をグラフとしてモデル化
- ある配送会社が2つの町間の最短ルートを求めています。これがどのようにグラフとして表現されるかを説明してください。
- 各町はノード、各道は2つのノードを結ぶ辺です。辺には重みが付与され、距離または所要時間となります。
- 問題は「重みの合計が最小となる2つのノード間のパスを見つけること」になり、これがDijkstra法によって解決されます。
- ノード、辺、重みの意味を具体的に述べます。「単にグラフである」とだけ答える場合、得点はゼロです。
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select all that apply.
難易度 2/5 · 140 コイン + 今日初回完了時に小ボーナス付与
Places are nodes and connections are edges. Saying what the weights represent is the third mark.
人工ニューロン
- 人工ニューロンは複数の入力を受けます。各入力を重みで掛け合わせ、バイアスを加算し、総和を非線形活性化関数に通して出力を生成します。
- 重みがネットワークが学習する部分です。活性化関数は、ネットワークが直線以外のものを表現可能にするために必要です。これがない場合、いくつの層があっても単一の線形式に収縮してしまいます。
掛け算、足し算、そして曲げる
Put the steps inside one artificial neuron in order.
難易度 3/5 · 200 コイン + 今日初回完了時に小ボーナス付与
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula.
層、そして「ディープ」の含义
- ニューロンは層状に配置されています。入力層がデータを受け取ります。1つ以上の隠れ層が内部パターンを学習します。出力層が答え、クラス、あるいは数値を生成します。
- 隠れ層が多いネットワークをディープネットワークと呼び、そのようなネットワークの学習をディープラーニングといいます。
- 隠れ層が重要な理由：画像ネットワークでは、初期の層がエッジを、中位の層が形状を、後期の層が物体を学習します。この階層構造は誰かが設計したわけではなく、学習によって生成されたものです。
入力、隠れ層、出力、そして学習はそれらの間の重みに宿る
Tap the parts of a neural network
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts.
Match each part of a neural network to its role.
難易度 2/5 · 140 コイン + 今日初回完了時に小ボーナス付与
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights.
A neural network is called "deep" when it has many hidden layers, and each neuron takes a weighted sum of its inputs (plus a bias) before applying an activation function.
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning.
A neural network is called "deep" when it has:
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
Many hidden layers make a deep neural network; training one is deep learning.
During training, the values adjusted inside a neural network are its ____.
難易度 1/5 · 100 コイン + 今日初回完了時に小ボーナス付与
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights.
worked example: ニューロンが計算を行う仕組み
- 単一の人工ニューロン内で何が起こるか説明しなさい。 [3]
- 各入力は独自の重みで掛けられ、その積はバイアスとともに合計される。
- その総和は非線形であるアクティベーション関数を通過する。
- その結果がニューロンの出力となり、次の層のニューロンの入力となる。重みとバイアスは、トレーニング中に調整される値である。
見落としやすいポイント
- 機械学習はデータからパターンを学習します。「段階的にプログラムされた」わけでもなく、魔法でもありません。何が学ばれているかを述べよ。
- 「ディープ」とは「非常に賢い」や「非常に大きい」ではなく、多くの隠れ層があることを意味する。
- グラフとはノードとエッジであり、グラフに関する回答では、この問題においてそれぞれが何を表すかを明記しなければならない。
- 重みこそがトレーニングによって変化させる対象である。アクティベーション関数とアーキテクチャは設計者が選択する。
理解できましたか
- AIは目標であり、機械学習は書かれたルールに従うのではなくデータからパターンを学習し、ディープラーニングは多層のニューラルネットワークを持つ機械学習である。
- ノードとエッジのグラフにより、経路探索、ゲームプレイ、知識表現が探索問題に変換され、Dijkstra法、A*アルゴリズム、ミニ-max法、幅優先探索、深さ優先探索などが用いられる。
- 人工ニューロンは入力に重みを掛けてバイアスを加え、非線形のアクティベーション関数を適用する。
- 層は入力、隠れ層、出力として機能し、ディープは隠れ層が多いことを示し、学習は重みに宿る。