2022-10-23

ディープラーニング

ディープラーニングとは

ディープラーニングは、機械学習の一分野で、複雑なデータのパターンや構造をモデル化するために、多層ニューラルネットワークの開発を行います。人間の脳の構造と機能を模倣することにより、ディープラーニングアルゴリズムはデータから自動的に特徴を学習し、手動での特徴抽出の必要性を排除することができます。

ニューロンは以下のように描写できます。

ニューロンモデルでは、「重み」、「バイアス」、「活性化関数」の概念が重要な要素です。

ニューロンの出力は、以下の式で決定されます。

y = f({\sum\limits_{k=1}^{n}{x_k}{w_k} + b})

$y$ ：ニューロンの出力
$f$ ：活性化関数であり、入力と重みに基づいてニューロンの出力を決定
$\sum\limits_{k=1}^{n}{x_k}{w_k}$ ：入力（ $x_k$ ）とそれに対応する重み（ $w_k$ ）の加重和。 $\sum$ は、全ての入力（ $k=1$ から $k=n$ ）にわたって、各入力と対応する重みの積を合計することを示す
$b$ ：バイアス項であり、ニューロンの興奮性を調整

この式は、人工ニューラルネットワークのニューロンが入力データを処理するプロセスを表します。ニューロンは入力の重み付和をとり、バイアス項を加え、活性化関数を適用して最終的な出力（ $y$ ）を生成します。この出力は、ニューラルネットワークの後続層の他のニューロンに渡すことができます。

ニューラルネットワークは、通常は層状に配置された相互接続されたニューロンの集合です。1つの層にある各ニューロンは、次の層にある他のニューロンに接続します。

ニューラルネットワークには、入力層、1つ以上の隠れ層、出力層が含まれます。

入力層
入力層のニューロンは最初に情報を受け取ります。
隠れ層
これらの層は、入力層で受け取った複雑なデータを処理し、出力層で処理できるように単純化します。隠れ層の数は、処理する情報の複雑さによって異なります。ただし、ニューロン数と隠れ層の数を増やすことは、必要なデータ、メモリ、および演算を増やす可能性があります。
出力層
出力層は、活性化関数によって処理され、入力層と隠れ層の重みによって重み付けられた値を生成します。

ニューラルネットワークでは、各ノード（ニューロン）が他のノードに接続され、重みと閾値が関連付けられています。ノードの出力が特定の閾値を超えると、ノードが活性化され、データがネットワークの次の層に送信されます。そうでなければ、データは転送されません。

ディープラーニングは、複雑なパターンをモデル化する能力を持っているため、さまざまな分野で広範な応用があります。画像処理、音声認識、自然言語処理の範囲を超えて、多数の他の産業や分野に触れています。ディープラーニングの応用例には、以下のものがあります。