目次
はじめに
1, 2年ほど前から【AI（人工知能）】という言葉をよく耳にするようになりました。
テレビやネットでもこの言葉を聞かない日は無いくらいに流行ってます。
なぜここまで流行しているかというと、おそらく応用分野が広く特にビジネスへのインパクトが期待されているからでしょう。
何となくすごそうな技術だからエンジニアに限らず色々な方が学んでみたい人も増えてきました。
しかし、大半の人が数日（早い人は数時間）で挫折します。
私も何度も挫折してますし、今も日々挫折の毎日です。
ということで、本記事では下記を目的とします。
「AI（人工知能）について、基礎的な知識を体系的に知りたい」
という人向けに、この分野の歴史や専門用語の紹介をしていきます。
この記事の特徴として、Deep learningについてはあえて解説しません。
理由は先述したように、Deep learningを知る前に知らなければならないことがたくさんあり、むしろそっちの方が基礎で、現在のビジネスシーンでも多く活用されているからです。
Deep learningについてもっと勉強していきたい方は下記の記事もオススメです。
・フルタイムで働きながらCoursera ディープラーニング講座（1～4コース）を一ヶ月で受講した話
スポンサーリンク
初心者はいったん「Deep learning」は忘れよう
最近のAIブーム火付け役は間違いなく「Deep learning」によるブレークスルーが発端です。
ただ、この「Deep learning」という言葉が独り歩きしてしまって、初心者は「Deep learning」さえ学べば、ビジネスシーンで成果出せる！って思ってしまいがちです。
人によっては「AI＝Deep learning」と勘違いしている人もいます。
そして勉強し始めてその分野の広さや数学的な考えに圧倒されて挫折します。
ということで、よくある挫折理由はいきなり「Deep learning」から勉強し始めることです。
後ほど詳しく説明しますが「Deep learning」も大きな括りでいうと機械学習という分野の一つです。
その機械学習がよくわからずにいきなり「Deep learning」に手を出してもそりゃあ挫折しますよね。柔道もやったことない人がいきなり高度な寝技を習得しようとしてるのと同じです。
初心者が勉強する方法として、いったん「Deep learning」を忘れることをオススメします。
流行っているのに忘れるの？って思うかもしれません。
しかし、もう少し基礎的な知識が体系的に身についてから手を出したほうが結果的に挫折せずに学ぶことが出来るようになります。
では、AI（人工知能）・機械学習についてみてみましょう。
AI（人工知能）とは
AI（人工知能）の定義は実は結構曖昧です。
何をもってAI（人工知能）とするかは専門家の間ですら実は意見が分かれています。
ここではAIの定義について議論するつもりは無いので、すごく簡単に言うと、
「人間の代わりにコンピュータを使って何かしらの計算をする技術」ということになります。
そしてAIの分野実は古くから存在していて、1950年代にまでさかのぼります。
その頃にAI（人工知能）という言葉が誕生したと言われています。
要するにAIは概念的な言葉で、この後に記述する機械学習といった技術分野を包括しているイメージと考えてもらってよいと思います。
イメージとしては下記の図になります。
機械学習とは
では、機械学習とは何かというと、
「データから機械（コンピュータ）自身でその振る舞いを学習させるための技術」です。
小難しく聞こえますが、ようするにコンピュータに何かのデータを与えてパターンやルールを見つけ出して推論させるということです。
更に機械学習は以下の三つの大別されます。
そしてこれら三つの分野ももう少し専門的に言うと、数理最適化技術によって支えられています。
この記事では最適化技術については記述しませんが、興味ある人はググってみてください。
・教師あり学習（Supervised learning）
・教師なし学習（Unsupervised learning）
・強化学習（Reinforcement learning）
また、強化学習も進歩が著しい分野の一つらしいですが、実社会への適用という意味では、少なくとも現時点においては限定的かつ私自身もまだまだ勉強途中なので詳細については触れません。
教師あり学習（Supervised learning）とは
「原因（入力）と結果（出力）の関係性を学習すること」です。
人間が事前にデータとそのデータの特徴を紐づけて（これを特徴量エンジニアリングとも呼びます）、未知のデータ入ってきたときに、そのデータどこに分類されるかもしくは数値を予測します。
教師あり学習の活用法として、大きく分けて二つあります。
・分類タスク
分類とは、あるデータをカテゴリー分けするということです。
例えばある画像を入力したときに、その画像は犬なのか猫なのかをカテゴリー分けしたりするタスクです。
実社会でよくあるケースとして下記が考えられます。
①解約会員予測
②退職者予測
③周辺環境の予測（部屋に人がいるのかいないのか？等）
・回帰タスク
回帰とは、正解データを数値で予測することです。
実社会でよくあるケースとして下記が考えられます。
①株価予測
②物件価格予測
③広告パフォーマンス予測
教師なし学習（Unsupervised learning）とは
「正解となるデータを与えずに、入力データの規則性やパターンから新しい表現を獲得（発見）すること」です。
AIをよく知らない人はたまに、「教師なし学習は人工知能っぽいですね！」と言ったりする方がいますが、データの裏側に隠れている規則性をどのように発見していくかということだけの違いなので、特段、教師なし学習の方が優れている技術というわけではありません。
そう言われてもまだピンとこない人もいると思いますので、簡単な例を挙げます。
バイクの種類別予測を教師なし学習で学習させると想定します。
その時に入力させるデータとして、真っ先に考えるのは下記のようなデータではないでしょうか。
・車重
・車高
・車長
・エンジン出力
これらのデータからバイクの種類を教師なし学習でカテゴリー分けします。
どうでしょう？
特段、教師なし学習が優れていると感じましたか？
多くの人は感じなかったと思います。
ようするにどのようにデータの規則性を発見するか、手法の違いなだけなのです。
まとめ
本記事では、AI（人工知能）について紹介し、機械学習の概要について説明をしてきました。
特に初学者はDeep learningを一度忘れてそれ以外の基礎となる部分を先に学習した方が挫折しにくくなることをオススメしました。
初学者が勉強の取っ掛かりとしてオススメの書籍は以下のようなものが良いかと思います。
私もこれらの本からまずはスタートしました。
体系的な知識を得るにはベストな書籍です。
イラストで学ぶ 人工知能概論 (ＫＳ情報科学専門書)
ビジネスパーソンのための 決定版 人工知能 超入門 週刊東洋経済
参考サイト
・機械学習とかDeep Learningを学ぶ前に知っておくべき基礎の基礎
スポンサーリンク
