機械学習（ML）

コアコンセプト

機械学習の背後にある中心的な考え方は、入力データを処理し、所望の出力を生成するために学習することができるアルゴリズムの作成と使用です。この学習プロセスには通常、大規模なデータセットをアルゴリズムに投入することが含まれ、その後アルゴリズムが内部パラメータを調整してエラーを最小化したり、予測や分類の精度を最大化したりする。効果的なMLは、多くの場合、入力データが学習アルゴリズムに適していることを確認するための徹底的なデータ前処理に依存する。最終的な目標は、機械が複雑な問題を解決したり、正確な予測を自律的に行えるようにすることである。

機械学習の種類

機械学習は通常、いくつかの主要なタイプに分類され、それぞれ異なる種類のタスクやデータに適している：

• 教師あり学習：モデルはラベル付けされたデータから学習し、各データ・ポイントには既知の入力と出力がある。これは回帰や画像分類のようなタスクによく使われる。
• 教師なし学習：あらかじめ定義された出力なしに、ラベル付けされていないデータのパターンや構造を識別するモデル。クラスタリングや次元削減などの手法がある。詳細については、教師なし学習の概要をご覧ください。
• 強化学習：エージェントは、環境での試行錯誤を通じて報酬信号を最大化しようとすることで、一連の決定を行うことを学習する。背景については強化学習の概要を参照のこと。

実世界での応用

機械学習は、数え切れないほどの領域でイノベーションを推進している。以下はその顕著な例である：

• ヘルスケアMLアルゴリズムは、医師がスキャン画像から腫瘍を特定するなど、病気の診断を支援するための医療画像解析に使用されている。
• 輸送と小売：MLは自律走行車の機能を強化し、小売業では需要予測やよりスマートな小売在庫管理のためのAIなどのアプリケーションを通じてオペレーションを最適化します。詳しくは、小売業におけるAIの概要をご覧ください。

AIとコンピュータ・ビジョンにおける関連性

機械学習は、現代のAIの基礎となる柱であり、特にコンピュータ・ビジョン（CV）の分野で大きな変革をもたらしている。物体検出、画像分割、顔認識などのタスクは、視覚情報を解釈し理解するためにMLモデルに大きく依存している。以下のような最先端のモデル Ultralytics YOLOのような最先端のモデルは、高い精度と速度を達成するためにML技術を活用しています。フレームワーク PyTorchやUltralytics HUBのようなプラットフォームは、これらの高度なMLモデルの開発、トレーニング、展開に必要なツールを提供します。

ディープラーニングとの関係

ディープラーニング（Deep Learning：DL）は、機械学習（Machine Learning）の中の専門的なサブ分野である。データ中の複雑なパターンをモデル化するために、複数の層（ディープアーキテクチャ）を持つニューラルネットワーク（NN）を使用することに焦点を当てている。ディープラーニングは、特に画像、テキスト、音声のような非構造化データを扱う分野において、手作業による特徴設計なしに階層的な特徴を自動的に学習できるため、MLの能力を大幅に向上させます。ニューラルネットワークの基礎については、こちらのNeural Networks Explainedoverviewをご覧ください。Ultralytics開発したものを含む多くの高度なコンピュータビジョンモデルは、ディープラーニングの原理に基づいています。