もう少し詳しく
すべての判断ルールを人が書く代わりに、例となるデータを使ってモデルを調整します。学習したモデルが、新しい入力にも役立つ規則性を身につけることを目指します。
機械学習は、明示的なルールをすべて記述することが難しい課題を扱うために発展しました。分類・回帰・クラスタリングなどの方法を課題に合わせ、学習データと評価データを分けて汎化性能を確かめます。
HISTORY
開発された年代と歴史
この用語を大きな流れで見ると、1950年代〜に発展してきました。
- 1959Arthur Samuelが、チェッカーの経験から性能を改善する研究を「machine learning」と表現。
- 1980〜90年代統計的学習、決定木、サポートベクターマシンなどが発展。
- 2010年代〜大量データとGPUを使う深層学習が多くの課題で主流になった。
キーマン・関わった研究者
Arthur Samuel、Vladimir Vapnik、Tom Mitchell
技術の変遷
人手ルール → 統計モデル → 深層学習・基盤モデル
理解のポイント
- 人が判断ルールをすべて指定する代わりに、データの例から予測に役立つパターンを学びます。
- 学習に使ったデータでの成績よりも、学習に使っていないデータへ対応できるかが重要です。
- 運用先のデータが学習時と違う場合は、以前の評価が良くても予測が外れやすくなります。
たとえば、こんな場面で
過去の売上や曜日のデータから、翌日の来店人数を予測する仕組みを作ります。
覚えておきたいこと
学習データの偏りや、運用時の環境の変化によって、予測の精度は変わります。