機械学習（ML）

機械学習（ML）は、明示的にプログラムされなくてもコンピューターが学習できる能力を与える人工知能（AI）のサブフィールドです。アーサー・サミュエルのような先駆者によって最初に定義されたMLアルゴリズムは、過去のデータを使用してパターンを識別し、予測を行い、より多くの情報に触れるにつれて時間の経過とともにパフォーマンスを向上させます。開発者がタスクのために静的なコードを作成することに頼る代わりに、MLモデルはトレーニングされたデータから直接独自のロジックを学習します。この適応能力により、MLは今日の最も洗練されたテクノロジーの多くを推進する原動力となっています。

MLと関連用語との区別

MLを理解することは、この分野における他の重要な概念との関連性を知ることも意味します。

• 人工知能（AI）: AIとは、知的行動が可能な機械を作り出すという広範な概念です。機械学習（ML）は、AIを実現するための最も卓越した成功を収めているアプローチです。AIが包括的な目標である一方、MLはシステムが学習し適応することを可能にする実践的な方法論です。
• 深層学習（DL）: 深層学習は、複雑な多層ニューラルネットワーク（NN）、多くの場合、深層ニューラルネットワークと呼ばれるものを使用する、MLの特殊なサブフィールドです。DLは、画像、音声、テキストなどの複雑なデータを処理する上で大きな躍進を遂げており、最先端のビジョンモデルのほとんどを強化しています。
• データマイニング: どちらの分野もデータを分析しますが、その目標は異なります。SASのような業界リーダーによって定義されているように、データマイニングは、大規模なデータセット内の以前に未知のパターンを発見し、人間が利用できる洞察を生成することに焦点を当てています。対照的に、MLはパターンを使用して、新しい、未知のデータに対して自律的な意思決定を行うことができる予測モデルを構築します。

機械学習の種類

MLモデルは通常、データからの学習方法に基づいて分類されます。

• Supervised Learning: 最も一般的なタイプで、モデルは入力と出力のペアで構成されるラベル付きデータから学習します。目標は、新しい入力に対する出力を予測できるマッピング関数を学習することです。画像分類とスパム検出は、古典的な例です。
• 教師なし学習: モデルはラベルなしのデータを与えられ、データポイントをクラスタにグループ化するなど、パターンまたは内在的な構造を独自に見つける必要があります。異常検知と顧客セグメンテーションは一般的なユースケースです。
• 強化学習: エージェントは環境との相互作用を通じて学習します。望ましい行動には報酬が与えられ、望ましくない行動にはペナルティが科せられ、累積報酬を最大化することを目指します。このアプローチは、ロボティクスや戦略的なゲームで広く使用されています。

AIとコンピュータビジョンにおける関連性

機械学習は、現代のAIの基礎となる柱であり、特にコンピュータビジョン（CV）の分野で変革をもたらしています。物体検出、画像セグメンテーション、ポーズ推定などのタスクは、視覚情報を解釈して理解するためにMLモデルに大きく依存しています。Ultralytics YOLOのような最先端のモデルは、ML技術、特に深層学習を活用して、リアルタイムアプリケーションで高い精度と速度を実現しています。

MLが実際に活用されている2つの例を以下に示します。

1. 医用画像解析: ヘルスケア AI において、脳腫瘍データセット のようなデータセットで学習された ML モデルは、MRI や CT スキャンを解析して、潜在的な異常を検出し、その範囲を示すことができます。これにより、放射線科医が注意すべき領域を特定し、より迅速かつ正確な診断につながります。米国国立医用生体工学研究所 (NIBIB) のような機関が、これらの応用を積極的に研究しています。
2. 自動運転車: 自動運転車は、カメラ、LiDAR、レーダーからのデータをリアルタイムで処理するために、一連のMLモデルを使用します。自動車向けAIにおいて、これらのモデルは、他の車両、歩行者、交通標識などのオブジェクトを検出し、分類するために使用され、車両が安全に環境をナビゲートできるようにします。NVIDIAのDRIVEのようなテクノロジープラットフォームは、強力なML機能を基盤として構築されています。

ツールとフレームワーク

MLモデルの開発とデプロイは、豊富なツールエコシステムによってサポートされています。PyTorch（PyTorchの公式サイトをご覧ください）やTensorFlow（TensorFlowのホームページをご覧ください）のようなフレームワークは、ニューラルネットワークを作成するための基本的な構成要素を提供します。

Ultralytics HUBのようなプラットフォームは、データセットの管理やカスタムモデルのトレーニングから、モデルのデプロイ、MLOpsによる監視まで、ワークフロー全体を効率化する統合環境を提供します。効果的なモデルを作成するには、慎重なハイパーパラメータ調整とパフォーマンス指標の深い理解が不可欠です。