深層学習（DL）

ディープラーニング（DL）は、機械学習（ML）の革新的なサブセットである。 機械学習（ML）の革新的なサブセットである。 ディープラーニング（DL）とは、機械学習（ML）の革新的なサブセットであり、コンピュータが経験から学習し、世界を概念の階層で理解することを可能にする。人間の脳の生物学的構造 人間の脳の生物学的構造にヒントを得たDLは、ニューラルネットワーク（NN）として知られる複雑な多層アーキテクチャを利用する。 ニューラル・ネットワーク（NN）と呼ばれる複雑な多層アーキテクチャを利用する。 データを処理する。ルールを定義するために人間の介入を必要とすることが多い従来のアルゴリズムとは異なり、DLモデルは以下のことを自動的に行う。 特徴抽出を行い 画像の単純なエッジからテキストの複雑な意味まで、複雑なパターンを識別する。この能力により DLは、人工知能(AI) 人工知能（AI） 特に コンピュータビジョン（CV）や 自然言語処理（NLP）のような分野である。

ディープラーニングの仕組み

ディープラーニングの「ディープ」とは、ニューラルネットワーク内の隠れ層の数を指す。単純な ネットワークは1層か2層かもしれないが、ディープ・モデルは何十層、何百層にもなる。各層はノード、つまり ニューロンで構成され モデルの重みと ReLUやシグモイドなどの活性化関数を用いて入力データを処理する。 学習段階では、モデルはラベル付けされたデータセット ラベル付けされたデータセットにさらされ エラーを最小化するために内部パラメータを調整する。

この調整は バックプロパゲーションと呼ばれる処理によって達成される。 を計算する。最適化アルゴリズム 最適化アルゴリズム、典型的には 勾配降下と呼ばれる最適化アルゴリズムが、精度を向上させるために重みを更新する。 を更新する。何度も反復（エポック）することで、ネットワークは入力と出力を高い精度で対応付けることを学習する。 ネットワークは、入力と出力を高い精度で対応付けることを学習する。 学習データから「学習」する。

ディープラーニングと機械学習の比較

DLはMLの一部ではあるが、両者はデータへのアプローチにおいて大きく異なる。伝統的なML手法は、多くの場合 手動の特徴工学に頼ることが多い。 従来のML手法は、手作業による特徴エンジニアリングに依存することが多い。例えば 画像認識の場合、専門家は detect 書くかもしれない。

対照的に、ディープラーニング・モデルはこれらの特徴を自動的に学習する。A 一般的なDLアーキテクチャである畳み込みニューラルネットワーク（CNN）は、第1層でエッジをdetect し、第2層で形状を検出し、より深い層で車や顔などの認識可能な物体を検出するように学習する。 より深い層では、車や顔のような認識可能なオブジェクトを検出する。これにより、手作業による特徴抽出が不要になり、DL はビッグデータと共に効果的に拡張できる。

実際のアプリケーション

ディープラーニングの多用途性により、多くの業界で採用されている。

1. 自律走行車： 自動運転車はリアルタイムの知覚をDLに依存している。以下のようなモデル Ultralytics YOLO11のようなモデルが 歩行者、車両、信号を瞬時に識別する このアプリケーションは、安全なナビゲーションや交通信号の重要な判断に役立ちます。このアプリケーションは、安全なナビゲーションのための重要な意思決定に役立ちます。 このアプリケーションは、安全なナビゲーションのための重要な判断に役立ちます。
2. 医療画像解析： 医療分野では、DLは医療スキャンを高感度で分析することで医師を支援する。アルゴリズムにより 腫瘍検出 MRIの腫瘍検出を容易にしたり、眼球スキャンで糖尿病性網膜症を特定したりします。詳細は 詳しくは、DLがどのように ヘルスケアにおけるAI

Ultralytics実装

推論用のディープラーニング・モデルの実装は、最新のライブラリを使えば簡単だ。以下は YOLO11 モデルを使用して、画像内のオブジェクトをdetect する例です。

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

ツールとエコシステム

DLモデルの開発には、堅牢なソフトウェアフレームワークとハードウェアが必要です。

• フレームワーク：最も人気のあるオープンソースのライブラリは以下の通り。 PyTorchMetaによって開発された TensorFlowGoogleある。これらのプラットフォームは これらのプラットフォームは、ニューラルネットワークの設計とトレーニングのためのビルディング・ブロックを提供する。
• ハードウェアディープ・ネットワークのトレーニングには重い行列計算が必要で、GPUを使うことで高速化できる。 GPU。ハードウェア ハードウェア NVIDIAなどのハードウェアが、効率的な処理のための標準となっている。
• プラットフォーム来るべきUltralytics Platformは、以下のようなUltralytics ライフサイクル全体を管理するための包括的な環境を提供する。 データセットのアノテーションから データセットのアノテーションから モデルのデプロイまで、DLのライフサイクル全体を管理する包括的な環境を提供します。 開発者と企業のワークフローを合理化します。

この分野をより広く理解するためには、次のようなリソースがあります。 MIT Deep Learningのドキュメントや IBM's guide to AIといったリソースがある。 を参照されたい。