ディープラーニング

多層のニューラルネットワークを用いた機械学習手法。大量のデータから高度な特徴表現を自動的に獲得できる。画像認識、自然言語処理、音声認識などで高い性能を発揮する。

中間層（隠れ層）を何層も重ねたニューラルネットワークを使う機械学習の手法。判断に必要な特徴量を人が設計しなくてもデータから自動で学習でき、画像認識、音声認識、自然言語処理などで高い精度を出す。学習には大量のデータと計算資源が要り、GPUなどで並列に計算する。

隠れ層を多数重ねたニューラルネットワーク（ディープニューラルネットワーク）を使う機械学習の手法で、深層学習ともいう。画像の画素や文章のトークンのような生に近いデータから、予測に有効な特徴を層ごとに段階的に自動で学習できるため、画像認識、音声認識、自然言語処理で従来の手法を大きく上回る精度を出した。大量の学習データとGPUなどの計算資源を必要とし、判断の根拠が分かりにくい。

多数の層を重ねたニューラルネットワークを用いる機械学習の手法。データから判断に役立つ特徴を、人が設計しなくても階層的に自動で獲得できる。大量のデータとGPUなどの計算資源を使って、画像認識、音声認識、自然言語処理、生成AIで高い性能を実現している。

大量のデータを用いてモデルの基本的な知識や特徴抽出能力を事前に学習させる工程。この後にファインチューニングを行うことで、特定のタスクに適応させることができる。

事前学習済みモデルの重みを、特定のタスクに合わせて微調整する手法。少量のデータで効率的に高精度なモデルを構築でき、転移学習の代表的な方法である。

あるタスクで学習したモデルの知識を、別の関連するタスクに転用する手法。学習データが少ない場合でも高精度なモデルを構築でき、学習時間の短縮にもつながる。

画像認識に特化したディープラーニングのモデル。畳み込み層とプーリング層を組み合わせて画像の局所的な特徴を抽出し、画像分類・物体検出・顔認識などに高い精度を発揮する。

時系列データや文章などの順序のあるデータの処理に適したディープラーニングのモデル。出力を次の入力にフィードバックする再帰構造を持ち、文章生成や音声認識などに利用される。

生成器（Generator）と識別器（Discriminator）の2つのネットワークを競わせて学習する生成モデル。生成器がリアルなデータを生成し、識別器がそれを見分ける過程で両者の性能が向上する。