超簡単に！人工知能（AI）と機械学習（ＭＬ）と深層学習（ＤＬ）の違いを解説！
超簡単に！人工知能（AI)と機械学習（ML)と深層学習（DL)の違いを解説！
「人工知能と機械学習、深層学習の違いって何？」ってよく聞かれます。
ググってみると
みたいな図が貼ってあって
こういう関係なんですよ～って教えてくれるところもあります。
ＡＩと機械学習と深層学習一体何が違うのか？
超簡単に解説します！！！！
まず言葉の整理からはじめましょう。
ＡＩ（artificial intelligence）＝人工知能
ＭＬ（Machine Leaning）＝機械学習
ＤＬ（Deep Leaning）＝深層学習＝ディープラーニング
になります！
大前提としてあるのは人工知能（ＡＩ）にも機械学習（ＭＬ）にも科学的明確な定義はないってことです。人によって解釈が分かれます。（だからややこしいとも言えます）
まずみんな大好きwikipediaでそれぞれ定義を見てみましょう。
じっくりでいいからある程度理解したい方にはおすすめです。
そこまで読みたくない！って人は引用部分を飛ばして
簡単に言うと～の部分だけ読めばいいと思います。
まずは人工知能（ＡＩ）とは
人工知能 （、英: artificial intelligence、AI）とは、「『計算（computation）』という概念と『コンピュータ（computer）』という道具を用いて『知能』を研究する計算機科学（computer science）の一分野」を指す語[1]。「言語の理解や推論、問題解決などの知的行動を人間に代わってコンピューターに行わせる技術」[2]、または、「計算機（コンピュータ）による知的な情報処理システムの設計や実現に関する研究分野」ともされる[3]。
簡単に言うと
「人間の知的能力をコンピュータ上で実現する」ってことです。
人間の知能能力にはいろいろありますよね。
認識、推論、言語運用、創造など。
それをコンピューターで実現させるのが人工知能（ＡＩ）です。
機械学習（ML)は
機械学習 （、英: machine learning）とは、人間が持つ学習にあたる仕組みを機械（特にコンピュータ）で実現する技術・手法の総称である。
簡単に言うと
「人間と同じような認知・判断を機械に行わせる人工知能の手法の一つ」ってことです。
特にwikipediaでは「学習の仕組みを機械で実現する」と書いてあり、その側面が強いです。
また、学習とは「過去の結果を用いて未来の結果を予測すること」だと考えてください。
なので、大量の過去データから未来のデータを予測することも機械学習の一種であると考えることができます。
例えば過去の売り上げデータから来年の売り上げを予測するとかですね。
その機械学習の手法として有名なものに深層学習（ＤＬ）＝ディープラーニングがあります。
ディープラーニングの日本語訳が深層学習なのでこれらは一緒のものです。
深層学習（ＤＬ）は
ディープラーニングまたは深層学習（しんそうがくしゅう、英: deep learning）とは、（狭義には4層以上[1][注釈 1]の）多層の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、英: deep neural network; DNN）による機械学習手法である[2]。
「多層のニューラルネットワーク」？
聞きなれない言葉だと思います。今回は流していいです笑
後日詳しい記事を上げるつもりです（後日がいつかとは言ってない）
簡単にいうと
「機械学習の方法の一つ」ってことです。
ではなぜここまで
「機械学習の方法の一種」である深層学習（ディープラーニング）が話題になっているか？
それは2012年に画像認識コンテストで
深層学習（ディープラーニング）を使ったモデルが
圧倒的な成果を上げたからです。
そしてこの手法が革新的だったからこそ大きな注目を浴びたのです。
どのように革新的だったのかというと
人間の脳神経の仕組みを応用して作られたのです！！！
人間の脳の仕組みは
ある特徴量が規定値を超えた時に抽象的な情報にまとめて情報伝達を行っているのです。
ちと難しいですね。
具体例で説明しましょう。
目の前の人の髪の毛の量がある一定量を超えた（この場合少ない）時に
この人はハゲている！という風に判断しているのです。 （ハゲの人スマン）
つまり、人間の脳はこの人は髪の毛が1000本あるからハゲてない！とかではなくて
なんとなく見た感じ（これまでの経験とかから）ハゲと定義できるだけの髪の量だなと判断したときにハゲだと認識しているということです。
今までは髪の毛が1000本以下の人はハゲ！みたいな形であらかじめコンピューターに入力しておく必要がありました。
しかし2000本以上髪の毛があってもハゲているように認識できる人もいれば
900本の人でもハゲていないと認識できる人もいました。
この認識の不一致を一気に解消の方向へもっていったのが深層学習（ディープラーニング）なのです。
つまり、コンピューターの判断基準がより人間に近づいたってことですね！
まとめると
人工知能（ＡＩ）は「人間の知的能力をコンピュータ上で実現する」
機械学習（ＭＬ）は「人間と同じような認知・判断を機械に行わせる人工知能の手法の一つ」
深層学習（ＤＬ）は「機械学習の方法の一つ」
で、「より人間らしい判断ができる方法だよ！」ってことです。
最初のこの図はあっているのです！
おわかりいただけたでしょうか？
最後まで読んでいただきありがとうございました！
（面白かったらTwitterで気軽に「オモローｗ」とか絡んでいただけたらと思います。FF外とか全く気にしないので。）
書いてほしい記事みたいなのもTwitterで随時募集しています。
突然晩ご飯！みたいに突撃いきなり記事リクエスト！大歓迎です。
Twitter：@zack32319636
※補足
超簡単に説明したので厳密にはここが異なる！みたいなところもあるかと思いますし、人によって定義が異なる部分でもあります。
今回はわかりやすさを優先とさせていただいたのでご理解いただけたら幸いです。
超初心者向け！AIの種類解説！
超初心者向け！AIの種類解説！
実は！AIと一口に言っても様々な分野があります。
今、メディアではすべてAIと謳われているのでAIの中でもいろんな種類、手法があるんだよってことを伝えたくて簡単にカテゴライズしてみました。
その前にそもそもAIとは？
AIとは（aritificial intelligence)の略で人工知能です。
定義は所説様々ありますが、簡単に言うと「機械に考えさせて知性を持たせる方法」だと思ってください。
なんでAIを使うかっていうと色んなことを自動化させて人間が楽したいからです。（他にも理由はありますけどね）
超ざっくり！！！なんとなーくわかる！！！を目標に
主なAIの種類を具体例とともに７つご紹介したいと思います。
１．パターン認識系
おそらく今一番目に触れる機会の多い種類だと思います。
具体的には猫や犬の画像を認識して特徴を掴んでパターンを学んで
こういう場合は猫だな。こういう場合は犬だな。とか認識していくやつです。
有名な手法として機械学習のディープラーニング（深層学習）があります。
一度は耳にしたことがある方も多いのではないでしょうか。
2012年にとある画像認識大会で、このディープラーニングという手法が圧倒的な成果を出したので現在の第三次AIブームが巻き起こりました。
２．遺伝系
文字通りの遺伝的アルゴリズムを使って問題を解く種類。
プログラムを交配させて目的に応じたプログラムを作り出す。
例えば物理エンジンを使ってブランコの漕ぎ方を学習させるとかですね。
（ニコニコ動画などに動画がありますので興味ある方は見てみると面白いです）
３．論理系
簡単に言うと事実や規則性を学習させる種類です。数理論理学を使います。
例えば、言語の構文解析。
英語と日本語の翻訳するときにこれは主語、動詞、目的語だなって解析したり、
文章の意味を分析したりする種類です。
４．探索系
これもよく目にする種類だと思います。これもよく数理論理学を使います。
これは膨大な可能性をしらみつぶしに調べて最適解をたたき出すような学習です。
例えば、戦略ゲームとかでよく用いられます。
チェスや将棋、AlphaGoとかに使われたやつです。
５．知識表現系
理解するのが少し難しいです。
私たち人間が認識している情報や知識をコンピューターがわかりやすい形に効率よく表現するみたいな種類です。コンピューターがよりわかりやすい形に効率よく情報を表現できればより賢いシステムができるようになります。
例えば階層構造などを用いて表現したりするのがここに当てはまると思います。
６．計画系
最小コストで最大の結果が欲しい！って時に使う手法です。
例えば、会社の資金がこれくらいあって、広告をどの場所にうてば売上および利益を最大化できるのか？とかを考えるときに使います。
100億のうち70億をＴＶに、20億をwebに、5億をポスター、5億をイベントにすると売上がいちばんのびそうだ。みたいな感じです。
７．発見系
これはある特定の問題の最適解が知りたい！でも考えうる可能性をすべてを考えている暇がない！（数が多すぎて検討が現実的ではない）ってときに使われる方法です。
必ずしも最適解（ある問題における最も素晴らしい解答）とは限りませんが問題の解決法を選ぶために経験に基づいて推測していくといった方法です。
例えばみなさんが使っている検索エンジンなんかがこの方法で作られているはずです。
実際にはお互いに重なり合う部分も多く、組み合わせて使ったり、分けて考えるものではない！とする主張もあります。
ここではわかりやすさを重視してあえて分類させていただきました。
ＡＩエンジニアによっては得意な手法があったり、
解決したい問題によって得手不得手な種類があります。
一口にＡＩを使おうと考えるのではなくどの種類だとうまくいきそうか？を考えながら使っていきたいですね。
最後まで読んでいただきありがとうございました！
～おまけ～
ＡＩに使用される言語は主にPythonとＲの2強となっています。
フレームワークはたくさんあるのでお好みで使うといいと考えています。
※2019年8月1日時点での大まかな分類です。
ＡＩ分野は誕生したばかりなので日々発展が著しいです
これから枝分かれしたり新しい分野が誕生する可能性が大いにあります。
なんでいい男と付き合えないの！？確率の恐ろしい罠！～なんで世の中遊び人ばかりやねん～
なんでいい男と付き合えないの！？確率の恐ろしい罠！
～なんで世の中遊び人ばかりやねん～
本当に男性は「遊び人」ばかりなのか？
～とある飲み会～
また浮気された！！！
彼氏がほんとクズばっかりなんだよね！
私なんて3人続けて浮気で別れた！！！
どこかに紳士的かつイケメンで誠実な男性はいないの？
男なんて全員浮気する生き物なんだ！！！
結論「男はみんな浮気する！」
ちょっと待ってええええええええええ！
「男は浮気するクズばかり！」
んー・・・・本当にそうなのか？少し算数使って考えよう。
ということで
（世界一暇なので）データサイエンティストが数学的に！なるべくわかりやすく！
本当に男性は遊び人ばかりなのか！？
を簡単なモデルを使って考察！
１．男性のタイプを考える
２．男性タイプの割合を考える
３．女性から見た時の男性のタイプの割合を考える
の３つのSTEPで考えていきます！
STEP１ 男性のタイプを考える
まず男性は3タイプに分けられると仮定します。
１.遊び人な男（めっちゃモテる）
２.誠実な男（それなりにモテる）
３.残念な男（ほぼモテない）
１の遊び人は多くの女性とお付き合いして、浮気をするとします。
２の誠実な男性は素敵な人で浮気しないとします。
３の残念な男性は、、、浮気できないほどモテないです笑。
それぞれ数字で表すと平均で
１の遊び男は1年に10人と付き合う
２の誠実男は4年に1人と付き合う
３の残念男は20年に1人と付き合う
と仮定しましょう。
（２や３は彼女がいない期間もあると思いますし）
考えやすいように同じ20年に換算すると
１の遊び人は20年に200人と付き合う （すげぇ数だなｗ）
２の誠実男は20年に5人と付き合う
３の残念男は20年に1人と付き合う
ここでそれぞれのタイプが「1人当たり20年間でお付き合いできる女性数」が決まりました。
あとで使うのでかる～く頭に置いといてください。
STEP2 男性のタイプの割合を考える
「男性からの見た男性のタイプ」割合を
１の遊び男が10％
２の誠実男が60％
３の残念男が30％
と仮定します。
つまり10人いたら、遊び人が1人、誠実が6人、残念が3人ってことです。
もう少し人数を増やして1000人の男性がいたとして
それぞれ付き合う数を調べてみましょう。
１の遊び人は 10％ なので 100人。
２の誠実男は 60％ なので 600人。
３の残念男は 30％ なので 300人。
ここまでOKですか？
そしたらこれにSTEP１で出した
「1人当たり20年間でお付き合いできる女性数」をかけます
１の遊び人は 100人 × 200人 ＝20000人
２の誠実男は 600人 × 5人 ＝3000人
３の残念男は 300人 × 1人 ＝300人
合計20年間に
23300人の女性が1000人の男性とお付き合いしたことになります。
STEP３ 女性から見た時の男性のタイプの割合を考える
ここで考えるべきことは
男性から観測できる男性のタイプと
女性から観測できる男性のタイプとは
異なるってことです！！！
簡単にいうと女性側からお付き合いした男性のタイプ割合を見ると
付き合った女性数の内訳
１の遊び人20000人
２の誠実男 3000人
３の残念男 300人
合計 23300人
23300人中20000人が１の遊び人なので。。。
割合にして約86％！！！！！
え？嘘やろ！！！
最初のSTEP１では10人に1人しか遊び人がおらんって言うたやんか！
どんなトリックを使ったやんや！！！！！
これだと10人中8～9人が遊び人じゃないか！！！！
これは数字のトリックで、１の遊び人は1人当たりお付き合いする人数が圧倒的に多い
ので女性側から見ると遊び人ばかりに当たってしまうように見えるのです。
２の誠実な男性割合は23300人中3000人なので約13％
３の残念な男性割合は23300人中300人なので約1％
まとめると
１の遊び人20000人 約86％
２の誠実男 3000人 約13％
３の残念男 300人 約 1％
合計 23300人 約100％
OH～～～MY GOD!!!!!!
劇的ビフ〇ーアフ〇ーもびっくりの結果です。
これがなんで私には誠実な男性と付き合えないの？のトリックです。
この仮説モデルの場合、１の遊び人からアプローチされるのを待って付き合うよりも
２の誠実な男性（もしくは３の残念な男性）に自らアプローチしたほうが遊ばれずに済むのではないかなと。
もちろん、現実的には女性からアプローチをすることもありますし、男性の割合も違ってきます。遊び人のアプローチを好んで選んで遊ばれるような女性ばかりでもないです。
しかしこうやって数字を使って考えることで物事を客観的に見れるようになりますよってことですね。（一番伝えたいのココね。ココ。）
「あ～そっかぁ～１の遊び人はアプローチしている人が多いからこちら側（女性から）見ると遊び人ばかりに見えるのね。
２のイケメンで誠実な人見つけて自分からアプローチしたほうが良さそうね。」
ってことです。
最後まで読んでくれてありがとうございます！
あなたに素敵なパートナーが見つかりますように！
（そして浮気ばかりする男は滅べ）
次回！
合コン必勝戦略！？
～アプローチする方が有利？それともアプローチされる方が有利？～
statisticsworld.hatenadiary.com
