【Python応用】Pythonと機械学習-機械学習の概要-

ここでは、機械学習について概要を解説しています。

この記事の対象

INDEX

機械学習とは

経験からの学習により自動で改善するコンピューターアルゴリズムもしくはその研究領域で、人工知能の一種であるとみなされている。
Wikipedia-機械学習

Wikipediaだと上記のように記述されています。

すっきりとした言い方をすると「人間の学習能力と同様の機能を統計情報に基づいてコンピュータ上で実現しようとする技術」だと言えます。

機械学習で実現可能なこととして、以下の5つに分類できます。

項目	内容
分類(classfication)	与えられデータを分類 ex)写真での猫と犬の判定
回帰(regression)	過去の実績から未来の値を予測 ex)株価の予測、天気・気温の予測
クラスタリング(clustering)	データを特徴別の集合に分類　ex)ECサイトなどの顧客情報の分析
推薦(recommendation)	データの関連情報を出力 ex)ネットショッピングなどのおすすめ
次元数削減(dimensionality reduction)	特徴データ以外の削減 ex)大量のデータのグラフ化

ただし、これらを実現する上で重要な要素があります。

1つ目は「大量のデータ」があることです。2つ目に「データ処理速度」です。

前者はデータがなければ機械学習が不可能なことは容易に想像がつくと思います。後者は予測や分析などの判定に時間がかかってしまったら意味がないからです。

しかし、一昔前と比べると、現代は高度情報化社会のためデータ量が少ないなんてことはないです。また、コンピュータの高性能化によって処理速度も向上しているので、問題はありません。

現代だからこそ、実現可能だと言えるのが機械学習です。

機械学習が応用されている先として大きく3つあります。

項目	内容
画像解析	物体の分類、判定 ex)顔認証
音声解析	音から文字に出力、音の特徴量の抽出 ex)スマートスピーカー、生産ラインの異常音検知
テキスト解析	テキストの分類、特徴抽出と構文解析 ex)迷惑メールの判定、自動翻訳

機械学習の種類として3つあります。特徴は以下の通りです。

項目	内容
教師あり学習(Supervised learning)	データと正解に基づく、未知のデータに対しての予測 ex)分類、予測
教師なし学習(Unsupervised learning)	正解データなしで、未知のデータから規則性を抽出 ex)クラスタリング、次元削減
強化学習(Reinforcement learning)	部分的な正解を基にデータから最適解を導く ex)価値の最大化(AlphaGoなど)

機械学習で使用されるアルゴリズムを簡単にまとめました。

項目	内容
線形回帰	統計分析の基本としてよく用いられている理論
決定木	「する」「しない」の問題解決を木構造にして判断する方法
ランダムフォレスト	多くの決定木を用いて、平均あるいは多数決を取る時に使用されるもの
ロジスティック回帰	多変量解析の一種であり、ある因子から判明していない結果を予測したい時に使用されるもの
SVM	教師あり学習モデルであり、異なるクラスを境界線で明確に分ける方法
ナイーブベイズ(単純ベイズ分類器)	教師あり学習モデルであり、確率論の定理であるベイズの定理を基にしたアルゴリズム
k近傍法(k-NN)	既に答えがわかっている問題を教師あり学習していく手法
k平均法	教師なし学習モデルで使用され、類似するものをクラスタに分類する手法
アソシエーション分析	買い物などでよく一緒に買われているものの関連性や割合を抽出する方法
ニューラルネットワーク(NN)	人の脳神経系ニューロンを数理モデル化したアルゴリズム

項目	内容
scikit-learnを用いた機械学習	「scikit-learn(サイキット・ラーン)」とは機械学習のフレームワークの1つです。リンク先では「scikit-learn」についてサンプルコードを用いて解説しています。
Kerasを用いた機械学習	リンク先では「Keras」についてサンプルコードを用いて解説しています。
形態素解析	リンク先では「形態素解析」についてサンプルコードを用いて解説しています。
OpenCVを用いた機械学習	リンク先では「OpenCV」についてサンプルコードを用いて解説しています。