ディープラーニングとは

畳み込みニューラルネットワーク（CNN）

畳み込みニューラルネットワーク（Convolutional Neural Network: CNNまたはConvNet）とは、順伝播型ニューラルワークの一種で、画像や動画認識に広く使われている学習方法です。

一例として緊急時の情報を入手する緊急情報サービスには、画像認識の技術は欠かせない技術となります。CNNは、空間情報を捉える能力が非常に高く、画像認識分野では最も有効的な学習手法です。

リカレントニューラルネットワーク（RNN）

リカレントニューラルネットワーク（Recurrent Neural Network）または回帰型ニューラルネットワークとは、有向閉路（同方向の循環型サイクル）を持つニューラルネットワークのことであり、音声や言語など入力データの順序によって出力が変わる場合等の時系列の情報処理に適した学習方法です。RNNは、過去の情報入力から時系列データの要素や関係性を学習し正しい回答を導き出します。また自然言語処理分野では、非常に成果をあげていると言われています。

自然言語処理に長けているRNNは、Google翻訳の機械翻訳や音声認識などにも効果を発揮しています。

Generative Adversarial Networks（GAN）

Generative Adversarial Networks（GAN）敵対的生成ネットワーク は、2つのネットワークが相反した目的のもとに学習するネットワークモデルであり、教師なしの学習モデルです。
生成器（ジェネレータ）と識別器（ディスクリミネータ）で成り立ち、ディスクリミネータが損失関数の役目を担い識別します。GANは特に画像生成に優れていると考えらています。

GANは、質の低い画像データからでも高品質の画像を生成することを可能としています。また、文字や文章などのテキストデータからでも画像を生成することが可能と言われています。

Transformer（トランスフォーマー）

Transformer（トランスフォーマー） は、2017年に発表された深層学習モデルであり、主に自然言語処理 （NLP）の分野で使用されています。
自然言語などの時系列データを扱って翻訳やテキスト要約などのタスクを行うべく設計されているのは回帰型ニューラルネットワーク （RNN）と同様ですが、Transformer の場合、時系列データを逐次処理する必要がないという特徴があるため学習時間が短縮され大きな成果をあげています。

BERTやGPT-3などのモデルはTransformerをもとにつくられており、2020年にはDETRなど最新の物体検出モデルにも使われるようになっています。

G検定・E資格

ディープラーニングの総合知識を習得するためには、G検定（ジェネラリスト検定）をお勧めいたします。
G検定とは、「ディープラーニングの基礎知識を有し適切な活用方法を決定し、事業活用等に活かされる能力」があるか見極める検定です。
また、G検定と並びエンジニアに適した技術習得にはE資格もあります。
E資格は、「ディープラーニングを実装するエンジニア向けであり、ディープラーニングの理論を理解し適切な手法を選択して実装する能力や知識」を有しているか認定する資格です。

G検定・E資格の学習

ディープラーニングの総合知識を有するG検定やエンジニアに向けのE資格などの取得に向けた講座や、G検定・E資格に特化した学習本・学習動画を集めました。
参考にして頂けますようご紹介いたします。

画像認識　/　画像・映像解析

「画像認識」は、大量の画像データにどの様な物体が映っているのか特徴をつかみ、画像に写る物体を識別するパターン認識技術です。具体例では大量にある動物画像データから口や身体などの特徴をつかみだし、画像に写る物体を犬であると認識するなどの例があります。
また「画像・映像解析」では、画像・映像データを解析・分析しデータ内に写る画像の行動や特徴を検知して生成を行うものです。例えば、暗闇で人間の目では判別できない映像などを解析・分析を行い判別しやすく生成するなどがあります。

【画像認識等の活用例】

• 購入品を判定して精算を可能とする無人レジ
• ゴミの種類を判定し自動で分別
• 送電線や道路などを自動インフラ点検
• 居眠り運転を自動で検知
• 万引きを自動で検知
• 画像を自動ラベリング
• 自走運転を実現させる自動運転
• 医療現場で画像データを解析し悪性腫瘍を判定
• 画像やキャラクターを自動生成
• 古い写真を新しい高画質の写真に生成
• 飲料生産の工場で味の判定を自動で行い品質管理

自然言語処理

「自然言語処理」は、日常的に会話する言語や文章などのテキスト言語等自然言語を対象とした解析処理技術です。通常私たちが使用する自然言語には、別の意味を持つ同じ言語や文脈により意味が異なる言語などがあり曖昧さが含まれています。自然言語処理では、自然言語に含まれる曖昧さなどを解析処理等を行って明確にしてきます。

【自然言語処理の活用例】

• 小説や新聞などの文章を自動で校閲
• 多言語に対応した自動翻訳
• 見積書を自動作成
• 不適切なユーザーコメントを自動的に検知
• クレジットカードの不正取引を自動検知
• 手書きの文字や数字を識別し検出し文字おこし

異常検知

「異常検知」とは、大量のデータ内から他と異なる（異常）パターンやデータを特定し検出する技術のことで、機器の故障を知らせるなど多くの分野・業界で使用されています。

【異常検知の活用例】

• 食品工場における不良品を検知
• 農家等における出荷時の作物の異常を検出
• 空港等で異常行動を検知検出
• 機械の故障を検知
• SNS炎上を検知し防止
• 道路や護岸などの劣化などの異常を検知

予測

「予測」とは、データ内の時系列パターンを学習し予測する分析技術です。分析データから特定のパターン（傾向）を学習することで、未来に発生する可能性のある事象を予測します。例えば気象データを分析し天候の予測を行うなどがあります。

【予測の活用例】

• 広告のクリック数を予測
• 株価、先物、為替などの市場動向を予測
• インフルエンザの流行状況を予測
• 生産工場などで受注状況を予測
• 販売店などで売り上げを予測
• イベントなどの入場者数を予測
• 駅や空港などの混雑度を予測
• スポーツ等で勝敗を予測

レコメンデーション

「レコメンデーション」とは、大量のデータ内から対象者の嗜好を分析し有益な情報を提供する分析技術です。レコメンデーションは、多くの分野・業界に使用されWEB上の推奨エンジンやシステム等に活用されています。

• 購買履歴などの情報を基に嗜好に合せ自動でお勧めする商品を紹介
• スーパーなどで顧客の好みのワインをお勧め
• 空港などで好みに合わせた観光地を紹介
• 店舗運営等で顧客の導線データを分析しお勧めのレイアウト変更を提示
• 小売店等店舗内にてディスプレイに映す広告のを最適化