近年あらゆる分野で注目を集めているAI。
需要が急速に伸びつつあると同時に、機械学習について知りたい、さらには機械学習についてのスキルを身につけたいと思う方も多くいるのではないでしょうか。
そこで今回は、機械学習の基礎を記事で学んでいきましょう。
機械学習とは
AI技術の1つの分野である機械学習とは、機械自体が与えられたデータを基にして学習することです。学習の核となるデータを人間が設計した上で、データを入力値として機械に与えれば以降は機械自体が学習していくことを言います。データの情報量が多くなればなるほど機械学習の精度は上がっていくことが特徴です。
機械学習でよく使う「アルゴリズム」とは
機械学習では、データの入力値を基にして「機械学習アルゴリズム」という処理をします。処理後にデータの認識及び分類を行う事ができるようになるのです。機械学習は蓄積されたデータを元にしてのグループ分けや、またはデータのおすすめ表示などができます。過去のデータを元にして売り上げなどの将来分析をすることも可能です。そのほかに画像および音声認識や翻訳などの自然言語処理、画像などのデータの生成、自動運転などの状況判断もできます。
機械学習を行う方法
機械学習を行う際には、機械に対する学習方法が3つに分類されます。
まず1つ目は機械に正解を教える「教師あり学習」です。教師あり学習とは、機械に入力したデータに対して答えをあらかじめ機械に教えておくという学習方法です。2つ目の「教師なし学習」では、「教師あり学習」のように答えを機械に教えません。事前に機械に対して大量のデータを入力しておくだけで、後はそこから機械自体が特定のパターンを導き出すという学習方法です。
機械学習の3つめには「強化学習」があります。「強化学習」とは「教師なし学習」と同様機械に回答を教えることはせずに、機械自らで特定データを発見させる学習方法です。「教師なし学習」と異なる点は、学習に目標や課題を与え成果に応じて点数を付けるということです。点数をより多くとるためにはどのようにしたら最適であるかを機械自らが学んでいきます。
強化学習に関しては下記記事でも解説しています。
ちなみに機械学習ライブラリを活用すると、ゼロからプログラムを組み立てる必要がありません。事前に機械学習プログラミングをライブラリとしてまとめているので、複雑な処理も簡単に行う事ができるというメリットがあります。
機械学習の基本的な知識
今回は「教師あり学習」を前提とした機械学習の基礎知識をお伝えします。まず教師あり学習は大きく2つに分かれます。1つ目は回帰です。
回帰とは予測の結果が数値である事を指します。具体的には、「2000年の国内総生産は1013兆476億円」のように明確な数字で出る学習です。
そして2つ目は分類です。分類とは、回帰のように具体的な数値で学習するのではなく、予測の結果がクラスのものを言います。例えば何かの花を見せたときに、何の花であるかを分類できるようになる学習のことです。
機械学習を実際にやってみよう
機械学習を始める時には、まず機械にどの程度の精度で判断させたいのかを決めておきましょう。決めた後は、判断や予測に必要となるデータを集めてください。
集めたデータは「学習用データ」「テストデータ」に分類しておく必要があります。
機械学習のデータ収集方法
データを集める方法として、まずクローリングがあります。クローリングとは、URLを元にしてWEB上のデータをダウンロードする技術のことです。そのほかには、スクレイピングがあります。スクレイピングという技法は、ダウンロードしたWEBページから一部の情報のみを抽出して加工することです。APIを使用してデータを取得する時は、各サービスが公開している RESTful APIを使用すると良いでしょう。
収集したデータを整形してみよう
次に集めたデータを、データの種類やモデル作成作業に合わせて整形します。整形の方法は、まず特徴量の中に「抜け」があるデータを補完します。この際は抜けた部分に「平均値」および「0」を入力してください。画像データから特定のキャラなどを判別したい時にはトリミングやアノテーションデータ作成をしましょう。また文章の場合には、まず形態素解析によって分かち書きに変換します。そしてベクトル変換すれば、文章を数値として扱う事ができます。
モデルを使って機械学習させてみよう
続いてモデルを使って学習します。モデルとは簡単に言うと関数のことで、入力データから出力データに変換するためのものです。手順としては、まず取得したデータから、予測結果の要因となるであろうデータの構造を整理および分析します。そこから一定の自由度を与えたモデルを作成し、学習用データで予測モデルを作成します。
ライブラリは専門知識が必要となりますが、ある程度簡単なライブラリもあります。具体的には、python用の機械学習系ならscikit-learnで、python用の統計学系ならばstatsmodelsです。ビッグデータの分散処理用である機械学習系ライブラリ提供ならば、Spark MLlibとなります。高精度のアンサンブル学習モデルを作成できるライブラリは、XGBoostです。
理解してきたらテストデータで予測をしてみよう
次にテストデータで予測を行います。この際には作成したモデルを使用してください。その後テストデータの予測が、どの程度当たっているかを検証します。このときは各モデルにあった評価尺度を使って検証するようにしましょう。
ちなみに検証で求めるデータが出なかった場合は、一度戻って考え直すと良いでしょう。具体的には、まず「データを集める」か「データを整形する」、もしくは「モデルを作って学習」に戻ってください。何度も戻って繰り返しながら何が原因だったのかを検証します。
ハイパーパラメータの場合
学習データをモデルにフィットさせるとき、モデルによってはハイパーパラメータもあります。
ハイパーパラメータは人の手で数値を決めなくてはいけないので、学習によって決定することはありません。ハイパーパラメータを決定する方法は、グリッドサーチとランダムサーチがあります。ハイパーパラメータの範囲を決めてから、均等に区切って全ての組み合わせを試すことをグリッドサーチと言い、ある分布にハイパーパラメータが従い、その中で無作為に組み合わせを試す方法をランダムサーチと言います。
機械学習を独学で学習するための便利な知識
機械学習を学ぶためには、事前に心構えや機械学習に関する情報を得ておくことも大切です。
機械学習は理解に時間がかかるため、学習途中で挫折しやすい傾向があります。
まずは機械学習を用いる事でできること、例えばクラスタリングや将来を予測する回帰などを知っておくことです。
そのほかにも機械学習における3つの学習方法、「教師あり学習」「教師なし学習」「強化学習」についても予め理解しておきましょう。
機械学習をセミナーで学習する
機械学習を深く学ぶならセミナーを利用するという方法もあります。機械学習は高度な学習であるために、専門知識を持った講師から学ぶ方法が一番適していると言えます。セミナーでは機械学習の応用までの学習ができるので、機械学習を深く身につけることが可能です。
オンラインでOK！強化学習プログラミングセミナー
強化学習プログラミングセミナーは、「強化学習の実装スキルを習得したい」「ビジネス上必要な機械学習の知識を身につけたい」「より実践的なプログラミングを学びたい」そんな方に最適なセミナーです。日本のAI権威である東京大学の松原教授と慶応大学の栗原教授が監修しているので、東大・慶大レベルの講義を受けることができます。
企業でも個人でも申し込む事ができる当セミナーは、学習機関の目安は3か月、講座は全12回となっています。1回の講座は動画視聴による講義を受けたのち課題を解き、その後解説を見て正解を導きだすまでがセットです。全12回を終了した時点で修了証が発行されます。課題と解説を繰り返すことによって、理解が深まり知識が定着できるという点が当スクーリングの特徴です。
Pythonを利用したAIエンジニア育成講座
Pythonを利用したAIエンジニア育成講座は、eラーニングで自宅や会社でも気軽に学べるAI講座です。
言語を利用してもっと高度な機械学習を学びたい方はこちらも検討してみてください。
機械学習を記事で学ぼうについてまとめ
今回は、機械学習についての基本的な知識をご紹介しました。機械学習は今後さらに進化していくであろう、そして需要も急速に増えていくであろうと予測されています。同時に機械学習を学びたい人も非常に増え始めたことから、人気が高まり始めた学習分野でもあります。機械学習に興味がある人は、まず今回のような記事を使って基礎知識を得ておくと良いかもしれませんね。
