ディープラーニング（Deep Learning）
1. 解説
ディープラーニング（深層学習）とは、人間の脳の神経回路を模した「ニューラルネットワーク」を多層に重ねることで、データに含まれる複雑なパターンや特徴を学習する機械学習の一手法です。
最大の特徴は、データから「どこに注目すべきか（特徴量）」をAI自身が自動で学習する点にあります。これを専門用語で「表現学習（Representation Learning）」と呼び、これが第3次AIブームを引き起こした核心的な技術革新です。
従来の機械学習との決定的な違い
G検定では「特徴量の扱い」の違いが最重要ポイントです。
| 比較項目 | 従来の機械学習 | ディープラーニング |
|---|---|---|
| 特徴量の抽出 | 人間が設計する （特徴量エンジニアリング） 例：「猫の耳の形」に着目させる |
AIが自動で獲得する （表現学習） 例：画像データから「耳」や「目」の特徴を自力で見つける |
| 構造 | 比較的シンプル | 多層構造（ディープ） 入力層・隠れ層（多数）・出力層 |
| 必要なデータ量 | 比較的少なくて済む場合がある | 大量のデータが必要 計算コストも高い（GPUが必要） |
代表的なモデル（アルゴリズム）
扱うデータの種類によって、得意なネットワーク構造が異なります。
- CNN（畳み込みニューラルネットワーク）：
画像認識が得意。「畳み込み層」と「プーリング層」を用いて画像の特徴を抽出します。 - RNN（再帰型ニューラルネットワーク）：
時系列データ（音声、自然言語、株価など）が得意。過去の情報を記憶しながら処理します。 - Transformer（トランスフォーマー）：
RNNの弱点を克服し、自然言語処理（翻訳や生成AI）で圧倒的な性能を発揮する最新モデル。「Attention機構」が鍵。
2. G検定対策
出題ポイント
- 用語の定義：「ディープラーニング ＝ 機械学習の一部 ＝ AIの一部」という包含関係。
- 表現学習（Representation Learning）：データから特徴表現を自動的に学習すること。これがディープラーニングの本質です。
- DNN（Deep Neural Network）：隠れ層（中間層）を2層以上重ねた多層のニューラルネットワークの総称。
ひっかけ対策・注意点
- ブラックボックス問題：
特徴量を自動で学習するため、「なぜその答えになったのか」を人間が解釈・説明するのが難しいという課題（解釈性・説明可能性(XAI)の欠如）があります。 - 過学習（Overfitting）：
層を深くしすぎたり、学習させすぎたりすると、訓練データのみに適合してしまい、未知のデータに対応できなくなる現象が起こりやすくなります。 - 「層が深ければ深いほど良い」わけではない：
層が深すぎると学習がうまく進まない問題（勾配消失問題など）が発生するため、適切な調整技術が必要です。
