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、人間の脳の生物学的構造を模倣して情報を処理する、相互に接続されたノードからなる計算モデルである。 人間の脳の生物学的構造を模倣している。現代の 人工知能 ネットワークはデータから学習し、パターンを認識し、情報をclassify し、結果を予測することができる。一方 ニューラルネットワークは機械学習（ML）のサブセットである、 ニューラル・ネットワークは、複雑で非線形な関係をモデル化する能力によって差別化されており、次のような画期的な技術を支える原動力となっている。 のような画期的なテクノロジーを支えるエンジンとなっている。 生成AIや自律システムのような画期的なテクノロジーを支える原動力となっている。詳しくは 生物学的インスピレーションについては IBMによるニューラルネットワークの概要

ニューラルネットワークのアーキテクチャ

ニューラルネットワークの構造は、人工ニューロンと呼ばれるノードの層で構成されている。これらの層は 層は、一連の数学的変換を通して、入力から出力へのデータの流れを容易にする。

• 入力レイヤー：これは、ネットワークが未加工のデータを受け取るエントリー・ポイントである。 入力層: これはネットワークが生の学習データ、例えば画像からのピクセル値 またはデータセットからの数値特徴。
• 隠れ層：入力と出力の間に位置し、計算の大部分を行う。 計算を行う。隠れ層の各ニューロンは モデルの重みとバイアスを、受け取った入力に適用する。 ニューロンを「発火」させるか、信号を前進させるかを決めるには、以下のような活性化関数を使う。 活性化関数 ReLUまたは シグモイドなどの活性化関数が適用される。
• 出力層：最後のレイヤーは、分類ラベル（例：「猫」対「犬」）や連続値など、ネットワークの予測値を生成する。 (例えば、"cat" vs "dog"）または連続値。

学習」するために、ネットワークは以下のプロセスを使用する。 と呼ばれるプロセスを使用する。トレーニング中、ネットワークは 予測値と実際の正解を比較する。 損失関数バックプロパゲーション バックプロパゲーションと呼ばれるアルゴリズムが誤差勾配を計算します、 そして 確率的勾配降下(SGD) やAdam な最適化アルゴリズムが、複数のエポックにわたって誤差を最小化するように重みを調整する。 エポック。

ニューラルネットワークとディープラーニングの比較

ニューラルネットワークとディープラーニング（DL）を混同するのはよくあることだ。 ディープラーニング（DL）。主な違いは 複雑さと深さにある。浅い」ニューラルネットワークは、1つか2つの隠れ層しか持たないかもしれない。対照的に、ディープ 学習は、多数の隠れ層を持つ「深い」ニューラルネットワークを含み、モデルが階層的な特徴を自動的に学習することを可能にする。 特徴を自動的に学習することができる。この違いをより深く知るには、MIT Newsによるディープラーニングの説明をご覧ください。 MIT Newsによるディープ・ラーニングの説明をご覧ください。実際、すべてのディープ・ラーニング・モデルはニューラルネットワークであるが、すべてのニューラルネットワークがディープ・ラーニングに該当するわけではない。

実際のアプリケーション

ニューラル・ネットワークは、これまで人間の知性を必要としていた作業を自動化することで、事実上あらゆる産業でイノベーションを推進している。 イノベーションをもたらします。

1. コンピュータビジョンコンピュータビジョン コンピュータ・ビジョン（CV）の分野では と呼ばれる 畳み込みニューラルネットワーク(CNN) と呼ばれる特殊なネットワークが使用されている。例えば Ultralytics YOLO11は、ディープCNNアーキテクチャーを リアルタイム物体検出 アプリケーションを可能にする。 農業における作物モニタリングから 自律走行車の安全機能まで、幅広いアプリケーションを可能にする。
2. 自然言語処理：テキストや音声を含むタスクでは、以下のようなアーキテクチャが使用される。 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が主流である。これらのネットワークは 機械翻訳サービスやチャットボット コンテキストとシーケンスを理解する。これらのモデルが産業にどのような影響を与えるかは、以下の記事で見ることができる。 ヘルスケアのAIに関する記事で、これらのモデルが業界にどのような影響を与えているかを見ることができる。 医療メモの書き写しや患者記録の分析に役立っている。

実施例

最近のフレームワークでは、ニューラルネットワークを簡単にデプロイできる。以下のPython コードは、事前学習済みのニューラルネットワーク（特にYOLO11）をロードして を使用して、事前にトレーニングされたニューラルネットワーク（特にYOLO11）をロードし、画像上で推論を実行する方法を示します。 ultralytics パッケージで提供される。

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

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

ツールとエコシステム

ニューラルネットワークを構築するには、堅牢なソフトウェア・ライブラリが必要だ。 PyTorchと TensorFlowは、最も人気のある2つのオープンソース カスタム・アーキテクチャを設計するための広範なサポートを提供し、より高速なトレーニングのためにGPUアクセラレーションを利用することができます。 GPU アクセラレーションを利用した高速トレーニングが可能です。 合理化されたエクスペリエンスを求める人々には、Ultralytics Platform（2026年に完全ローンチ）があります。 は、データセットを管理するための包括的な環境を提供します、 YOLO11ようなモデルをトレーニングし、デプロイメントを処理するための包括的な環境を提供します。これらのネットワークを動かすハードウェアを理解するには、以下をご覧ください。 NVIDIA GPU コンピューティング・ガイドをご覧ください。