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、生のデータ（画像のピクセル値や文中の単語など）を受け取る入力層、計算によってデータを処理する1つ以上の隠れ層、分類ラベルや予測値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は「重み」を持ち、これはネットワークの計算における接続の重要性を示す数値である。

ニューロンは、ReLUや シグモイドのような活性化関数を使用して、結合された入力を処理する。ネットワークは、通常教師あり学習でラベル付けされたサンプルを使って、学習プロセス中にこれらの重みを調整することで「学習」する。勾配降下や バックプロパゲーション・アルゴリズムのようなアルゴリズムは、ネットワークの予測値と実際の目標値との差を測定する損失関数を最小化するために、繰り返し重みを調整するために一般的に使用される。効果的なモデルトレーニングには、注意深いハイパーパラメータのチューニングと、モデルトレーニングのヒントなどのガイドに概説されている戦略が必要になることがよくあります。

ディープラーニング（DL）を採用したモデルは、基本的に複数の隠れ層を持つNN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 インスタンス分割のようなタスクに非常に効果的である。線形回帰や サポートベクターマシン(SVM)のような、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生の非構造化データから自動的に特徴抽出を行うことに優れています。

ニューラルネットワークの種類と違い

上記の基本構造は一般的に適用されるが、いくつかの特殊なNNアーキテクチャが存在する：

• 畳み込みニューラルネットワーク（CNN）：画像のようなグリッド状のデータに特に有効。畳み込み層を使って特徴の空間的階層を学習する。多くの物体検出アーキテクチャはCNNをバックボーンとして活用している。
• リカレント・ニューラル・ネットワーク（RNN）：テキストや時系列などのシーケンシャルなデータ用に設計されており、有向サイクルを形成する接続を特徴としている。LSTMのような変種が一般的。
• トランスフォーマー：当初はNLPタスクのために開発されたが、自己注意メカニズムに大きく依存し、視覚（Vision Transformer (ViT)）を含むさまざまな領域で目覚ましい性能を示している。

NNは、決定木や k-最近傍（KNN）のような従来のアルゴリズムとは大きく異なり、異なる原理で動作するため、大規模な前処理を行わない画像のような高次元で複雑なデータには適していないことが多い。

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（CV）：NN、特にCNNは、CVの大きな進歩の原動力となっている。CNNは次のような用途に使用される：

   • 画像の分類：画像全体にラベルを割り当てる（例：猫や犬を識別する）。
   • オブジェクトの検出： バウンディングボックスを使用した画像内のオブジェクトの特定と位置決め。 Ultralytics YOLOのようなモデル YOLO11.これは、自動運転車のAIや AIによる在庫管理のようなアプリケーションにとって極めて重要である。
   • 画像分割：画像の各ピクセルを分類することで、医療画像解析のようなタスクのための詳細なシーン理解を可能にします。Ultralytics ドキュメンテーションでセグメンテーションタスクをご覧ください。

2. 自然言語処理（NLP）：RNNやトランスフォーマーを含むNNは、機械が人間の言語を理解し生成する方法に革命をもたらした。アプリケーションには以下が含まれる：

   • 機械翻訳：テキストをある言語から別の言語に自動的に翻訳すること（Google 翻訳など）。
   • センチメント分析：テキストの背後にある感情的なトーン（肯定的、否定的、中立的）を決定する。
   • テキスト生成：人間のようなテキストを作成し、BERT モデルやGPTモデルなどのモデルに基づいてチャットボットやコンテンツ作成ツールを強化する。

ツールとフレームワーク

NNの開発と導入は、さまざまな強力なディープラーニングツールやフレームワークによって促進されている：

• ライブラリ：以下のようなフレームワーク PyTorchや TensorFlowなどのフレームワークは、NNの学習に必要なコアとなるビルディングブロックと自動微分機能を提供する。Kerasは、TensorFlowよく使用される高レベルのAPIを提供する。
• プラットフォーム Ultralytics HUBは、YOLO モデルのトレーニング、データセットの管理、モデル展開プロセスの合理化のためのプラットフォームを提供します。
• モデル：のような事前に訓練されたモデル Ultralytics YOLOファミリーのような事前学習済みモデルは、様々なCVタスクのための強力な出発点を提供し、多くの場合、特定のデータセット上での微調整のみを必要とします。様々なYOLO モデルの比較は、弊社のドキュメントでご覧いただけます。

AIやMLに携わる人にとって、NNを理解することは極めて重要である。NNは、ヘルスケアにおけるAIから 農業におけるAIに至るまで、様々な業界における多くの最先端ソリューションの基盤を形成しているからだ。