機械学習とは

機械学習とは、コンピュータがデータを分析・解析して、パターンや特徴を見つけ出す技術一般のことを指します。機械学習によって発見したパターンや特徴を利用して、コンピュータが物事の予測や、分類、判定などができるようになります。

機械学習の分類（アルゴリズム）

機械学習には、学習のためのいくつかのアルゴリズムがあります。

教師有り学習

教師有り学習とは、「データ」と「物事の判定結果や答え」の定義を、予め用意してコンピュータに学習させる機械学習のアルゴリズムです。ここでの教師とは、データと、そのデータから人間が判定・予測できる結果、または過去に発生した事実を指します。

典型的な例では、手書き文字の画像と、画像に書かれた文字のテキストを、1セットのデータとして学習させるような使い方をします。この場合、コンピュータは、文字の判定と答え合わせを反復して行い、文字の判定確立を高めます。

教師無し学習

教師無し学習とは、教師となる結果や事実が存在しないデータの学習を行う機械学習のアルゴリズムです。このアルゴリズムは、データを解析して、データの構造や特徴を発見することを、主な目的としています。このアルゴリズムは、マーケティングなどの分野でよく利用され、よくある解説例として、「おむつを購入した人は、ビールも買う傾向にある」というような、一見すると無関係なデータの関係性を発見する機械学習システムを作るのに利用できます。

強化学習

強化学習は、コンピュータの学習・判定結果に対して報酬を与え、最良の判定を導きだすアルゴリズムです。このアルゴリズムは、ロボットの分野などでよく利用されます。

例えば、シミュレーター上で、コンピュータに人間型のロボットを歩かせるという強化学習の研究があります。コンピュータには、人間の関節の各箇所の可動域などのデータが渡され、その範囲で体をどう動かすかを決定します。決定によって、前に進むことができれば報酬が与えられ、その方法が良い方法だということを学習します。

また、後ろに戻ったり、前に進めないような状況（転ぶ・穴に落ちる・壁にぶつかる）になった場合には、報酬がマイナスされ、間違った方法ということを学習します。これを反復して繰り替えすことで、コンピュータはロボットを上手く前に進めることができるようになります。

予測モデルと学習技法

予測モデルとは、データの特徴と解析・判定方法を表す式のことです。機械学習での学習結果は、この予測モデルという形で利用できるようになります。つまり機械学習とは、予測モデルを作るための技術と言い換えることができます。

データと利用目的に対して適切な予測モデルを作るためには、用途にあった学習技法を使う必要があります。有名な技法として、次のような技法があります。

• 線形回帰
• ロジスティック回帰
• サポートベクターマシーン
• 決定木
• ランダムフォレスト
• パーセプトロン
• K近傍法

また近年注目されているディープラーニング(深層学習)も、機械学習の技法の一種です。

機械学習を取り巻く環境

機械学習の分野は、近年の技術革新と共に発展しています。ハードディスクの低コスト化や、クラウド環境の利用によって、大量データを保存して扱えるようになりました。

また、機械学習のためにはコンピュータによる膨大な反復処理が必要になります。その処理には、既存のCPUでは性能が不足します。そのため、より機械学習の演算に適したGPUが利用されるようになっています。さらに、1台のGPUで処理しきれない場合は、さらに機械学習を分散して行うための基盤が必要になります。そのため、機械学習を行うために、新しいクラウド・コンテナ技術や分散処理技術が生まれています。

デージーネットの取り組み

上記のように機械学習では、機械学習を行うための基盤が重要になります。デージーネットでは、機械学習のためのプログラムライブラリの設定や、コンテナを扱うためのDocker/Kubernetesなどの基盤の構築を行っています。