ディープラーニング

多数の中間層（隠れ層）を持つニューラルネットワークを用いた機械学習の手法。画像認識・音声認識・自然言語処理などで高い性能を発揮し、AIの発展を牽引している。

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。

生物の神経回路網を模倣した計算モデル。入力層、隠れ層、出力層からなり、各ノード間の結合の重みを学習によって調整する。ディープラーニングの基礎となる技術。

ニューラルネットワークの学習アルゴリズム。出力の誤差を出力層から入力層へ逆方向に伝播させ、各結合の重みを更新する。誤差逆伝播法とも呼ばれ、勾配降下法と組み合わせて使用される。

ニューラルネットワークの各ノードで入力の加重和に適用する非線形関数。シグモイド関数、ReLU（Rectified Linear Unit）、ソフトマックス関数などが代表的。非線形変換により複雑なパターンの学習を可能にする。

画像認識に特化したニューラルネットワーク。畳み込み層で画像の局所的な特徴を抽出し、プーリング層でデータを縮小する構造を持つ。CNNと略され、物体検出や画像分類に高い性能を示す。

時系列データや自然言語など順序性のあるデータを扱うニューラルネットワーク。前の時点の出力を次の時点の入力にフィードバックする再帰的な構造を持つ。RNNと略される。

学習データの確率分布を学習し、新しいデータを生成できるモデル。GAN（敵対的生成ネットワーク）や拡散モデルが代表的。画像生成、文章生成などに応用される。