機械学習とディープラーニングの違い

機械学習

機械学習は、人が規則を1つずつ書く代わりに、データから規則性を学ばせる技術の総称です。人工知能を実現する方法の1つで、正解付きのデータから学ぶ教師あり学習、正解のないデータの構造を見つける教師なし学習、報酬を手がかりに行動を学ぶ強化学習に分かれます。

ディープラーニングが広まる前の手法では、データのどこに注目するか（特徴量）を人が決めて入力するのが一般的でした。たとえば中古車の価格を予測するなら、走行距離や年式を特徴量として選び、線形回帰や決定木で学習させます。特徴量の良しあしが精度を大きく左右するため、対象分野の知識が欠かせません。一方で、モデルが比較的単純なので、少ないデータでも学習でき、判断の根拠も説明しやすい傾向があります。

ディープラーニング

ディープラーニングは、ニューラルネットワークの層を深く重ねた機械学習の手法です。画像なら、入力に近い層が線や色の変化を、深い層がそれらを組み合わせた部品や形をとらえ、特徴量そのものを学習の中で獲得します。人が特徴量を設計しにくい画像、音声、文章で、従来の手法を大きく上回る精度を出しました。

ただし、性能を引き出すには、多くの場合、大量のデータとGPUなどの計算資源が必要です。なぜその予測になったのかを説明しにくい、ブラックボックスの課題もあります。

どちらを使うか

ディープラーニングは機械学習の一部ですが、新しいほうが常に優れているわけではありません。実務では、表形式の売上データの予測には勾配ブースティングなどの従来の手法が、画像の検査や音声の書き起こしにはディープラーニングが選ばれることが多くあります。データの種類と量、根拠を説明する必要があるかどうかで使い分けます。