機械学習（ML）

MLと関連用語の区別

MLを理解するということは、MLがこの分野の他の重要な概念とどのように関連しているかを知ることでもある：

• 人工知能（AI）：AIとは、知的な振る舞いができる機械を作るという幅広い概念である。MLは、AIを実現するための最も顕著で成功したアプローチである。AIは包括的な目標であるが、MLはシステムが学習し適応するための実践的な方法論である。
• ディープラーニング（DL）：ディープラーニングは、複雑な多層ニューラルネットワーク（NN）を使用するMLの専門的なサブフィールドであり、しばしばディープニューラルネットワークと呼ばれる。ディープラーニングは、画像、音声、テキストなどの複雑なデータを扱う上で大きなブレークスルーをもたらし、最先端の視覚モデルのほとんどを支えている。
• データマイニング：どちらもデータを分析する分野だが、その目的は異なる。SASのような業界リーダーによって定義されたデータマイニングは、大規模なデータセットから未知のパターンを発見し、人間が利用するための洞察を生み出すことに重点を置いている。対照的に、MLはパターンを使って予測モデルを構築し、新しい未知のデータに対して自律的な判断を下すことができる。

機械学習の種類

MLモデルは通常、データからの学習方法に基づいて分類される：

• 教師あり学習：最も一般的なタイプで、モデルは入力と出力のペアからなるラベル付きデータから学習する。目標は、新しい入力に対する出力を予測できるマッピング関数を学習することである。画像分類やスパム検出が典型的な例である。
• 教師なし学習：モデルはラベル付けされていないデータを与えられ、データポイントをクラスタにグループ化するなど、パターンや本質的な構造を自ら見つけなければならない。異常検知や顧客セグメンテーションが一般的なユースケースである。
• 強化学習：エージェントは環境との相互作用によって学習する。累積報酬を最大化することを目標に、望ましい行動には報酬を、望ましくない行動にはペナルティを与える。このアプローチは、ロボット工学や戦略的ゲームプレイで広く使われている。

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、姿勢推定などのタスクは、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ます。Ultralytics YOLOのような最先端のモデルは、ML技術、特にディープラーニングを活用し、リアルタイムアプリケーションで高い精度と速度を達成しています。

MLが実際に使われている例を2つ紹介しよう：

1. 医療画像解析： ヘルスケアのためのAIでは、脳腫瘍データセットのようなデータセットで訓練されたMLモデルがMRIやCTスキャンを解析し、潜在的な異常を検出して輪郭を描くことができる。これにより、放射線科医が気になる部分を強調表示し、より迅速で正確な診断につなげることができる。National Institute of Biomedical Imaging and Bioengineering (NIBIB)のような組織は、このようなアプリケーションを積極的に模索している。
2. 自律走行車：自動運転車は、カメラ、LiDAR、レーダーからのデータをリアルタイムで処理するために、一連のMLモデルを使用する。自動車用AIでは、これらのモデルを使用して、他の車両、歩行者、交通標識などのオブジェクトを検出・分類し、自動車が安全に環境をナビゲートできるようにします。NVIDIAのDRIVEのような技術プラットフォームは、強力なML機能を中心に構築されています。

ツールとフレームワーク

MLモデルの開発とデプロイは、豊富なツールのエコシステムによってサポートされている。PyTorch（PyTorchの公式サイトを参照）やTensorFlow（TensorFlowのホームページを参照）のようなフレームワークは、ニューラルネットワークを作成するために不可欠なビルディングブロックを提供する。

Ultralytics HUBのようなプラットフォームは、データセットの管理やカスタムモデルのトレーニングから、モデルのデプロイメントや MLOpsによるモニタリングまで、ワークフロー全体を効率化する統合環境を提供します。効果的なモデルを作成するには、慎重にハイパーパラメータをチューニングし、パフォーマンス指標を深く理解する必要があります。