機械学習（ML）は、私たちが使用する特に重要なテクノロジーのいくつかを支えており、 多岐にわたります。このコースでは コンセプトについて説明します
ML は問題を解決し、複雑な質問に答え、 説明します。ML は天候の予測、移動時間の推定、 文章の予測入力、記事の要約、記事の自動生成、 未知の画像を生成できるようにもなります
簡単に言うと、ML とは、 トレーニングと呼ばれるソフトウェアです。 モデルを使って、 予測を行ったり、コンテンツを生成したり 分析できます
たとえば、降雨量を予測するアプリを作成するとします。私たちは 従来のアプローチと ML アプローチのどちらを使用するかを 検討します従来の 地球の大気圏を物理学に基づいて 流体力学の膨大な方程式を計算します。これは、 非常に困難です
ML アプローチを使用すると、ML モデルに膨大な量の気象データを与えることができます。 ML モデルが最終的に学習と 降水量の異なる気象パターンを検出しました次に、kubectl の 現在の気象データをモデル化し、雨の量を予測します。
理解度をチェックする
ML システムの種類
ML システムはその方法に基づいて、次の 1 つ以上のカテゴリに分類されます。 予測やコンテンツの生成の方法を学習します。
- 教師あり学習
- 教師なし学習
- 強化学習
- 生成 AI
教師あり学習
教師あり学習 モデルは、正しい答えを持つデータを大量に入手した後に予測を行うことができる データ内の要素間の関連性を 正解を生成します。これは、新しい教材を学習する生徒が 問題と解答の両方を含む古い試験を勉強していました。生徒が 古い試験で十分なトレーニングを受けていれば、生徒は新しい試験を受ける準備が整っていることになります。 これらの ML システムは「教師あり」人間が ML システムに与えるという意味で、 既知の正しい結果を 返すことができます
教師あり学習の最も一般的な 2 つのユースケースは、回帰と あります。
回帰
回帰モデルは、 できます。たとえば、雨の降る量を予測する気象モデルは、 インチまたはミリメートルは回帰モデルです。
下の表で、回帰モデルのその他の例をご覧ください。
| シナリオ | 考えられる入力データ | 数値予測 |
|---|---|---|
| 住宅の将来価格 | 面積、郵便番号、寝室と浴室の数、ロットの大きさ 住宅ローンの金利、固定資産税、工事費、 この地域で販売されている住宅数 | 住宅の価格。 |
| 将来の乗車時間 | 過去の交通状況（スマートフォンから収集した センサー、配車サービス、その他のナビゲーション アプリ）、 目的地、天気情報などです | 目的地に到着するまでの時間（分と秒）。 |
分類
分類モデルによる予測 何かが特定のカテゴリに属する可能性を表す回帰モデルとは異なり その出力が数値である場合、分類モデルは、 特定のカテゴリに属するものか どうかを確認しますたとえば 分類モデルを使用して、スパムか写真かを予測 猫が登場するということです。
分類モデルは、バイナリ分類とバイナリ分類の 2 つのグループに分けられます。
使用します。バイナリ分類モデルでは、
2 つの値のみを含むクラス。たとえば、出力するモデルは、
rain または no rain。マルチクラス分類モデルでは、
出力が出力できるモデルなど、2 つ以上の値を含む
rain、hail、snow、sleet のいずれか。
理解度をチェックする
教師なし学習
教師なし学習 正しいデータが含まれないデータを与えて予測を行う 答えます。教師なし学習モデルの目標は、教師あり学習における パターンを認識できます。言い換えると、モデルから学習内容に 独自のルールを推測する必要があります。
一般的に用いられる教師なし学習モデルでは、 クラスタリング。モデルがデータポイントを見つける 境界を区切る要素です。
図 1. 類似したデータポイントをクラスタリングする ML モデル。
図 2. 自然な境界を持つクラスタのグループ。
クラスタリングは分類と異なり、カテゴリは定義されない できます。たとえば、教師なしモデルでは、モデルに基づいて気象データセットをクラスタ化できます。 季節を定義するセグメントが表示されます。その後、 データセットに対する理解に基づいてこれらのクラスタに名前を付けます。
図 3. 類似した気象パターンをクラスタリングする ML モデル。
図 4. 雪、みぞれ、 降水確率は 80%です
理解度をチェックする
強化学習
強化学習 モデルは報酬を受け取り、 環境内で実行されたアクションに基づくペナルティ強化 Google の学習システムは、ポリシーを は、報酬を最大化するための最適な戦略を定義します。
強化学習は、歩行などのタスクを行うようロボットをトレーニングする ソフトウェア プログラムなど、 AlphaGo 囲い込むことができます。
生成 AI
生成 AI はモデルのクラス コンテンツを作成します。たとえば、生成 AI は、 独自の画像、楽曲、ジョーク記事の要約 タスクの実行方法や写真の編集方法を説明できます。
生成 AI は、さまざまな入力を受け取り、 テキスト、画像、音声、動画などですまた、モデルを組み合わせて、 できます。たとえば、モデルは画像を入力として受け取り、 または、画像とテキストを入力として受け取り、出力として動画を作成します。
生成モデルは、入力と出力によって説明できます。入力と出力は通常、 「入力のタイプ」から「出力のタイプ」に変換できます。たとえば、次の例は部分的な 生成モデルの入力と出力のリスト:
- Text-to-text（テキストからテキスト）
- Text-to-image（テキストから画像）
- Text-to-video（テキストから動画）
- テキストからコードへの変換
- テキスト読み上げ
- 画像とテキストから画像
次の表に、生成モデルの例、その入力、 出力の例を以下に示します。
| モデル | 入力 | 出力例 |
|---|---|---|
| Text-to-text（テキストからテキスト） | ルマンレースを考案したのは誰？ |
ルマン 24 時間レースは、Automobile Club de l'Ouest によって設立された。
（ACO）は 1906 年に設立された自動車メーカーです。第 1 レースが
1923 年 5 月 26 日と 27 日にサルテ・サーキットで、13.426 キロメートルの距離が
フランスのルマン町近くにある、（8.345 km）のサーキット。
このレースは元々、ACO と ACO を広く普及させることを
サルザ地域。 出典: Bard |
| Text-to-image（テキストから画像） | 入り口から流れるエイリアンのタコが新聞を読んでいる。 |
 出典: Imagen |
| Text-to-video（テキストから動画） | 写真のようにリアルなテディベアがサンフランシスコの海で泳いでいます。 テディベアが水中に沈む。テディベアが下を泳いでいる 水面に色とりどりの魚が立ちます。パンダクマが水中を泳いでいます。 |
 出典: Phenaki |
| テキストからコードへの変換 | 数値のリストをループして素数を出力する Python ループを作成します。 |
for number in numbers:
# Check if the number is prime.
is_prime = True
for i in range(2, number):
if number % i == 0:
is_prime = False
break
# If the number is prime, print it.
if is_prime:
print(number)
出典: Bard |
| 画像からテキストへの変換 |  |
これはフラミンゴです。カリブ海に生息しています。 <ph type="x-smartling-placeholder"></ph> ソース: Google DeepMind |
生成 AI の仕組み大まかに言うと、生成モデルは 類似した新しいデータを生成することを目標としています。生成 次のようなものです。
- 人の行動や行動を観察して他者を模倣する方法を学んでいるコメディアン 話し方
- 多くのことを勉強して、特定のスタイルの絵を描くアーティスト そのスタイルの絵画
- 音楽を聴いて特定の音楽グループの響きを学べるバンドをカバー そのグループの音楽がたくさん
ユニークでクリエイティブな出力を生成するために、生成モデルは最初にトレーニングされる 教師なしアプローチを使用します。教師なしアプローチでは、モデルは、学習したデータから 基づきます。モデルは、教師あり学習または教師ありモデルを使って ある可能性のあるタスクに関連する特定のデータに対する強化学習を たとえば、記事の要約や写真の編集などが要求されます。
生成 AI は急速に進化しているテクノロジーで、絶えず新しいユースケースがある 検出されます。たとえば、生成モデルは企業が 目障りな背景を自動的に削除して、e コマースの商品画像 低解像度画像の品質向上などです