ニューラルネットワーク（NN）

ニューラルネットワークを理解する

ニューラルネットワークは、相互に接続されたノード（ニューロン）の層で構成される。これらの層には通常、生データを受け取る入力層、データを処理する1つ以上の隠れ層、分類や予測などの最終結果を生成する出力層が含まれる。ニューロン間の各接続には重みがあり、接続の重要性を示す。ニューロンは活性化関数を使用して入力を処理し、渡す出力信号を決定する。ネットワークは、一般的に勾配降下や バックプロパゲーションのようなアルゴリズムを使用する学習プロセス中に、予測と実際の目標値との誤差を最小化するために、これらの重みを調整することによって学習します。効果的なトレーニングに関するガイダンスについては、モデル・トレーニングのヒントをご覧ください。

ディープラーニングを採用したモデルは、基本的に多数の隠れ層を持つニューラルネットワークである（だから「ディープ」なのだ）。この深さにより、大規模なデータセットから非常に複雑なパターンや階層的な特徴を学習することができ、物体検出や 画像セグメンテーションのようなタスクに非常に効果的である。手作業による特徴設計を必要とする単純なMLモデルとは異なり、NNは画像やテキストのような非構造化データから関連する特徴を自動的に抽出することに優れている。

ニューラルネットワークの応用

ニューラルネットワークは驚くほど汎用性が高く、数多くの分野で応用されている。以下に2つの主な例を挙げる：

1. コンピュータ・ビジョン コンピュータ・ビジョン（CV）の分野では、NN、特にCNNのような特殊なタイプが、視覚情報を分析・解釈するために使用される。以下のような最先端のモデルがある。 Ultralytics YOLOのような最先端のモデルは、リアルタイムの物体検出、画像セグメンテーション、姿勢推定にディープ・ニューラル・ネットワークを活用し、自律走行から医療画像解析までのアプリケーションを可能にします。Ultralytics HUBのようなプラットフォームを使って、このようなモデルをトレーニングし、デプロイすることができます。
2. 自然言語処理：NNは自然言語処理（NLP）の基本であり、機械が人間の言語を理解し、生成することを可能にする。アプリケーションには、機械翻訳、感情分析、チャットボット開発などがある。BERTやさまざまなGPT モデルのようなモデルは、洗練されたニューラル・ネットワーク・アーキテクチャー、特にトランスフォーマーに基づいています。

ニューラルネットワークと類似概念

NNを関連するAIの概念と区別することは有益である：

• 人工知能（AI）：AIは、知的機械を創造する広範な分野である。NNは、学習能力を実現するためにAIの中で使用される特定の技術である。
• 機械学習（ML）：MLは、データから学習するアルゴリズムに焦点を当てたAIのサブセットである。NNはMLモデルの主要なクラスであり、特にディープラーニングにおいて支配的である。
• ディープラーニング（DL）：ディープラーニング（DL）とは、複雑なパターンをモデル化するために、特に多くのレイヤー（深層アーキテクチャ）を持つNNを使用するMLのサブフィールドである。すべてのディープラーニング・モデルはニューラルネットワークだが、すべてのニューラルネットワークがディープというわけではない。
• 畳み込みニューラルネットワーク（CNN）：CNNは、主に画像のようなグリッド状のデータを処理するために設計された特殊なタイプのNNであり、コンピュータビジョンのタスクに非常に効果的である。
• リカレント・ニューラル・ネットワーク（RNN）：RNNは、テキストや時系列のような逐次的なデータを扱うために設計されており、サイクルを形成する接続を持つことで、情報を持続させることができる。
• トランスフォーマー トランスフォーマーは、注意メカニズムに大きく依存した、より新しいアーキテクチャであり、多くのNLPタスクで最先端となっており、コンピュータビジョンでもますます使用されるようになっている。

要約すると、ニューラルネットワークは、機械がデータから複雑なパターンを学習することを可能にする、脳から着想を得た強力なモデルである。ディープラーニングの基本的な構成要素であり、コンピュータビジョンによる画像理解からNLPにおける言語処理まで、多様なAIアプリケーションの進歩を牽引している。