ディープラーニングは難しいのかそれとも簡単なのか

1. ディープラーニングとは？

ディープラーニングは、機械学習の小さなブランチであるニューラルネットワークアルゴリズムから派生しています。ディープラーニングは、複雑な構造を持つ複数の処理レイヤーを使用して、または多くの非線形変換を含む、高度に抽象化されたデータをモデル化しようとする一連のアルゴリズムに基づくものです。

ディープラーニングは、15年前にコンピューターが不可能だったことを実現するのに役立ちました。例えば、写真内の何千異なるオブジェクトの分類、画像のキャプションを自動的に作成、人間の声や手書きを真似、人ととコミュニケーション、さらには文学、映画、写真、音楽さえ作成することができます。

ディープラーニングは機械学習の一部であり、多くのアルゴリズムを含む非常に幅広く数学を多用する分野であり、各アルゴリズムには問題によって応用方法が違います。

・線形回帰;

・ロジスティック回帰;

・デシジョンツリーとランダムフォレスト;

・ナイーブベイズ;

・サポートベクターマシン;

・K最近傍法;

・主成分分析（PCA）;

・神経網;

　….。

2.では、ディープラーニングはどのように動いているか？

ディープラーニングは機械学習の１つの方法です。これにより、一連の入力に基づいて出力を予測できるAIをトレーニングできます。監察ありと監察なしの両方の方法をトレーニングに使用できます。

機械学習は、タスクを段階的に実行する方法をプログラミングするのを代わりに、コンピューターにタスクを実行するように教えるプロセスです。

トレーニングの最後に、機械学習システムはデータが与えられたときに正確に予測を行うことができるはずです。

例：自動運転車に、道路を横断する方法と、交通に参加するときの状況に対処する方法を教える

たとえば、車に道路を横断する方法を教えたい場合、従来は、左右を見る方法や、車や人が通り過ぎるのを待つ方法などを指示する一連のルールを車に与えます。一般的なディープラーニング、特に、安全に道を横断した人々の10,000本のビデオと、車にぶつけられる10,000本のビデオをコンピューターに見せて、それからコンピューターが自分で学習します。

3.どんなときにディープラーニングを使用するのか？

データが大量でほとんど構造化されていない場合です。

ディープラーニングアルゴリズムは、ビデオ、画像、音声録音、テキストなど、乱雑なデータを取得し、順序をそのデータに課し、予測を行うことができます。

ディープラーニングは、画期的な進歩とともにますます人気が高まっています。これらの大きな進歩は、音声アシスタントの設計から、グラフィックデザイン、都市交通分析で一般的に使用される自動運転車システム、ロボットが周囲の世界をよりよく理解するのに役立つ新しいデータの開発にまで及びます。ロボットとディープラーニングのトレンドは、多くの大手テクノロジー企業によって投資および開発されています。

ディープラーニングの発展とともに、人々は徐々に自分の生活をコントロールすることができます。ディープラーニングがもたらした応用を見てみましょう。

・自動車両アプリケーション;

・Siri / Alexa仮想アシスタント…

・画像のシミュレーションと認識：例えば、誰も知っているアプリケーションの1つは、Facebookです。これは、あなたとあなたの友人の画像を認識、自動的にタグを付けることができます。

4.初心者向けのディープラーニング学習手順

ディープラーニングについて学びたい人は以下の基本的な知識を知っておく必要があります。

・数学の知識：線形代数、微積分、統計的確率、グラフ理論。

・プログラミングの知識：関数、ループ。

・新しい知識を継続的に更新する認識を持つ

以下はオススメの手順です。

・基本的なPython：

Pythonで配列、マトリックス、numpyを使用する方法。

・機械学習と深層学習の問題：

線形回帰、SVM、パーセプトロン学習、入力と出力、およびいつ分類を使用すれば良いか？回帰を使用すれば良いか把握します。

・sklearnライブラリの使い方を学びましょう。

 sklearnだけで、機械学習の問題の70〜80％を実行できると思います。データが大きすぎるとディープラーニングで処理した方が良いです。

・CNN、RNN、LSTMなどのディープラーニングモデルを学びます。

スタンフォード大学のコンピュータビジョンまたはNLPのコースをおすすめです。

フレームワークでは、Tensorflow、Keras（Tensorflowに基づく）、またはPytorchを選択できます。

・Pandasを使用したデータ処理と、MatplotまたはSeabornを使用した分析を学びます。

・次に、自分をチャレンジするため問題または課題を探して試してください。学習は実践と密接に関連していることが重要だと思います。