ニューラルネットワーク（NN）

ニューラルネットワーク（NN）は、人間の脳の構造と機能にヒントを得た計算モデルである。ほとんどの深層学習（DL）モデルのバックボーンを形成し、現代の人工知能（AI）の基本概念である。NNは、相互に接続されたノード（ニューロン）の層を通して情報を処理することで、データのパターンを認識するように設計されている。この構造により、NNは膨大な量のデータから学習することができ、画像認識や 自然言語処理（NLP）のような複雑なタスクにおいて非常に強力なものとなる。

ニューラルネットワークの仕組み

ニューラルネットワークは、入力層、1つ以上の隠れ層、出力層の3つの主な層で構成される。各層にはニューロンが含まれ、そのニューロンは次の層のニューロンに接続される。

1. 入力層：この層は、画像のピクセルや文中の単語などの初期データを受け取る。
2. 隠れ層：入力と出力の間にある中間層。ここでほとんどの計算が行われる。各ニューロンは入力に数学的変換を加え、モデルの重みを学習し、ReLUや シグモイドのような活性化関数を学習して出力を決定する。複数の隠れ層を持つネットワークは「深い」ニューラルネットワークとして知られている。
3. 出力層：この最終層は、分類ラベルや予測値などの結果を生成する。

トレーニングとして知られる学習プロセスでは、ネットワークに大規模なデータセットを与える。ネットワークは予測を行い、実際の結果と比較し、損失関数を用いて誤差を計算する。その後、バックプロパゲーションと呼ばれるアルゴリズムを使って、接続の重みを調整し、何度も反復（エポック）してこの誤差を最小化する。このプロセスは、アダムのような最適化アルゴリズムによって導かれる。

ニューラルネットワークと関連概念

NNを他の関連用語と区別することは重要である：

• 機械学習とニューラルネットワークの比較 機械学習（ML）はAIの広い分野であり、NNはMLモデルの一種に過ぎない。他のMLモデルには、決定木や サポート・ベクトル・マシン（SVM）があり、これらはレイヤード・ニューロン・アーキテクチャを使用していない。
• ディープラーニングとニューラルネットワークの比較 ディープ・ラーニングはMLの一分野であり、特にディープ・ニューラル・ネットワーク（多数の隠れ層を持つNN）を使用する。したがって、すべてのディープ・ラーニング・システムはNNに基づいているが、隠れ層が1つしかない単純なNNは "ディープ "とはみなされないかもしれない。

ニューラルネットワークの種類と応用

ニューラルネットワークは驚くほど汎用性が高く、様々な特殊なアーキテクチャに応用されてきた。以下に2つの主要な例を挙げる：

1. コンピュータビジョン（CV）：畳み込みニューラルネットワーク(CNN)は、コンピュータ・ビジョンの主流です。

   • オブジェクト検出:Ultralytics YOLO11のようなモデルは、バウンディングボックスを使用して画像内のオブジェクトを識別し、位置を特定するためにCNNを使用します。これは、自動運転車のAIや AI主導の在庫管理などのアプリケーションに不可欠である。
   • 画像分割:NNは画像の各ピクセルを分類し、医療画像解析のようなタスクで詳細なシーン理解を可能にします。セグメンテーションのタスクについては、Ultralyticsのドキュメントを参照してください。

2. 自然言語処理（NLP）：リカレント・ニューラル・ネットワーク（RNN）やトランスフォーマーを含むNNは、機械が言語を処理する方法に革命をもたらした。

   • 機械翻訳:グーグル翻訳のようなサービスは、複雑なNNに依存し、言語間のテキストを驚くべき精度で自動的に翻訳する。
   • センチメント分析:IBMによるセンチメント分析の概要で説明されているように、企業はNNを使って顧客のレビューやソーシャルメディアのコメントを分析し、感情的なトーン（肯定的、否定的、中立的）を判断する。

ツールとフレームワーク

NNの開発は、強力なツールとフレームワークによってアクセスしやすくなっている。

• ライブラリ：PyTorchや TensorFlowのようなフレームワークは、NNの作成と学習に不可欠なビルディングブロックを提供する。詳しくはPyTorchや TensorFlowの公式サイトをご覧ください。
• プラットフォーム Ultralytics HUBは、YOLOモデルのトレーニング、データセットの管理、モデル展開プロセスの簡素化のための統合プラットフォームを提供します。
• 事前に訓練されたモデル：多くの研究者や開発者は、Hugging FaceのようなハブやUltralyticsエコシステム内で利用可能な、事前に訓練されたモデルから始めています。これらのモデルは多くの場合、特定のデータセット上で微調整を行うだけでよく、時間と計算リソースを大幅に節約できます。様々なYOLOモデルの比較はUltralyticsのドキュメントをご覧ください。