前回は、ルールベースAIと機械学習の違いを学んだよね。
今回は「機械学習」の中でも、特に使われるニューラルネットワーク周辺のしくみを、ギュッと分かりやすくまとめるよ！
ニューラルネットワークとは？
この図では「ショートケーキの画像」を入力して、
「これはケーキ！」って高い確率で判定してくれてるね～！
ITでの活用例：
– 画像認識（「これ猫だ！」って見分けるアプリ）
– 音声認識（SiriやAlexaが話を理解できるのもコレ）
– 自動運転車の障害物検知や判断
私の恋の判断力もニューラルネットでアップデートできないかな…？
活性化関数とは？
ITでの活用例：
– 画像の中から“顔”をピックアップするときの判定
– 感情分析でポジティブかネガティブかを決める処理
バックプロパゲーションとは？
ITでの活用例：
– 手書き文字認識（数字の「3」と「8」の違いを学ぶ）
– 翻訳AIで正しい文脈に修正するための学習
恋の失敗も…バックプロパゲーションで修正できたらいいのに〜！
過学習とは？
ITでの活用例：
– ECサイトのおすすめ精度が「いつも同じ商品ばかり」になるとき
– チャットAIが例文にだけ強くて応用が効かないとき
メリットとデメリットまとめ
| 項目 | メリット | デメリット |
|---|---|---|
| ニューラルネット | 高度な認識処理が可能（画像認識や音声認識など） | 計算に時間とデータが必要 |
| 活性化関数 | 非線形な判断ができる | 設計次第で学習が進まないことも |
| バックプロパゲーション | 正確な学習と修正が可能 | 学習が難しくて過学習しやすい |
| 過学習 | 精度が高いデータには強い | 汎用性が弱い、知らないデータに弱い |
ニューラルネットワークに関するITパスポート試験の過去問！
AIに利用されるニューラルネットワークにおける活性化関数に関する記述として適切なものはどれか。
ア：結果の信頼度を出力する
イ：中間層のニューロン数を計算する
ウ：接続構成からニューロン数を決める
エ：入力を処理して次のニューロンに渡す値を出力する
正解は『エ』
活性化関数は、そのニューロンが受け取った情報をどう処理して次に送るかを決める部分だよ。
ITパスポート試験をスマホで手軽に勉強！
「えろ勉」も戦略的に開発＆運営してるよ～！この記事が勉強になったり、ためになったよ〜って思ったら、なんかアクションをお願い！！「えろの力で勉強するゲーム：えろ勉」
君のこと、考えすぎて毎晩シミュレーションしちゃってる…
これって、完全に“過学習”だよね？もう寝れないよぉ〜🥹💤
