エポックとは、機械学習、特にニューラルネットワークの学習プロセスにおいて重要な概念である。これは、学習データセット全体を1回通過することを指す。1回のエポックの間に、機械学習アルゴリズムは各データポイントを処理し、モデルの重みを調整して誤差を最小化し、予測を洗練させる。エポックという概念は、モデルがどのようにデータから学習し、時間とともに改善していくかを理解するための基本である。
エポックは学習の深さと幅を決定するため、モデル学習において重要な役割を果たす。モデルのトレーニングでは、データをただ記憶するのではなく、意味のあるパターンを確実に学習するために、一般的に複数のエポックを必要とします。選択するエポック数はモデルの精度とパフォーマンスに大きく影響し、アンダーフィットとオーバーフィッティングのバランスをとることができます。これらの概念についてさらに学ぶには、Ultralytics オーバーフィッティングと アンダーフィッティングのページをご覧ください。
エポックはイテレーションと混同されがちだが、両者はスケールが異なる。反復とは、バッチと呼ばれるデータのサブセットを処理した後、モデルのパラメータを1回だけ更新することを指す。したがって、1つのエポック中に複数の反復が発生し、それぞれが処理されたバッチに基づいてモデルを更新する。バッチ処理の詳細については、バッチサイズの用語解説ページをご覧ください。
適切なエポック数を選択することは非常に重要である。エポック数が少なすぎるとモデルの学習が不十分となり、多すぎるとオーバーフィッティングになる可能性がある。早期停止などのテクニックは、学習を停止する最適なポイントを特定するのに役立ちます。
自動運転テクノロジー企業は、道路標識を認識し、障害物を検知し、複雑な環境をナビゲートするモデルをトレーニングする際、エポックを多用する。エポックを重ねるごとにモデルの精度が向上し、リアルタイムの意思決定能力が向上します。自動運転におけるAIアプリケーションの詳細をご覧ください。
ヘルスケアでは、腫瘍の検出やX線の分析などのタスクのために、モデルは医療画像のパターンを学習するために何度もエポックを繰り返す。よく訓練されたモデルは、診断精度を大幅に向上させ、より信頼性の高い患者の転帰につながります。AIがヘルスケア診断にどのような変革をもたらすかについては、「ヘルスケアにおけるAI」のページをご覧ください。
エポックは、機械学習における反復学習プロセスに不可欠なもので、学習データセットを何回完全に循環させるかのベンチマークとして機能する。エポックを重ねるごとに、モデルは基礎となるデータを理解し予測することに習熟し、エポックは効果的なAIモデル学習の基礎となる。お客様のプロジェクトにエポックを概念的に統合するには、Ultralytics HUBで合理化されたモデルトレーニング機能をご検討ください。
