ディープ・ラーニング
概要と重要性
ディープ・ラーニングとは、音声認識、画像識別、予測など人間が行うようなタスクを実行できるようにコンピューターに学習させることを目的とした 機械学習 の一種です。コンピューターが分類、認識、検知、説明する能力を、データを使って改善することができます。現在、ディープ・ラーニングへの関心の高まりは、人工知能（AI）をめぐる話題に起因しています。
Siri、Cortana、ChatGPTのような日常的なシステムについて考えてみましょう。これらの一部は、ディープ・ラーニングによって支えられています。
ディープ・ラーニングの仕組み
ディープ・ラーニングは、アナリティクスで解決しようとする課題の提示方法に関する考えを一変させます。ディープ・ラーニングによって、データはコンピュータを通じてディープアルゴリズムによってトレーニングされ、処理のレイヤー（層）を使用してパターンを認識することができます。これにより、コンピュータ自体が学習することが可能になります。ディープ・ラーニングという言葉を聞いたことがない人は、この仕組みがどうなっているのか不思議に思うかもしれません。
例えば、パセリとコリアンダーを区別するツールを作成するとします。これらはまったく異なる2つのハーブです。機械学習では、ツールに特性を区別するための特徴を伝える必要があります。この場合は、その「リーフ（葉）」の種類になります。しかし、ディープ・ラーニングでは、機能はすでに ニューラルネットワーク によって特定されています。これはすべて、教師なしでの自動化された学習プロセスを通じて行われます。
ディープ・ラーニングは、新しいデータの到着に応じて適切に一般化し、適切に適応し、継続的に改善する予測システムを実現します。
動物保護のためのディープ・ラーニング
コンピュータはどのようにして画像を「見る」のでしょうか?SASアドバンストアナリティクス研究開発担当のシニアマネージャーであるジャレド・ピーターソン（Jared Peterson）は、ディープ・ラーニングニューラルネットワークが コンピュータビジョン の科学的基盤を成すものであることを示しています。
このディープ・ラーニングの例では、コンピュータープログラムが動物の足跡を解釈することを学習し、動物の保護に役立てることができるようになっています。
ディープ・ラーニングの進化
長年にわたり、人間と機械のインターフェイスは大きく進化してきました。マウスとキーボードは、ジェスチャー、スワイプ、タッチ、音声に置き換えられ、AI とディープ・ラーニングへの新たな関心をもたらしています。
今では、いくつもの技術発展がディープ・ラーニングの進化を後押ししています。
- 分析の改善により、ディープ・ラーニング手法のパフォーマンスが向上しました。
- 新しい機械学習アプローチにより、ディープ・ラーニングモデルの精度が向上しました。
- テキスト翻訳や画像分類などのアプリケーションに適した新しいクラスのニューラルネットワークが開発されました。
- モノのインターネット（IoT）のストリーミングデータ、ソーシャルメディアのテキストデータ、医師の臨床メモ、保険調査員の記録など、多数のレイヤ（層）が深く重なったニューラルネットワークを構築するのに十分な超大量のデータを利用できるようになっています。
- 分散 クラウドコンピューティング およびグラフィックスプロセッシングユニット（GPU）という2つの領域における発展のおかげで、信じられないほど高度なコンピューティングパワーを自在に操れるようになっています。こういったレベルのコンピューティング能力は、ディープ・ラーニングを通じてディープアルゴリズムをトレーニングするために必須となります。
ディープ・ラーニングがもたらす機会と応用用途
ディープ・ラーニングの問題を解決するためには、ディープ・ラーニングアルゴリズムの反復的な性質や層数の増加に伴う複雑さ、さらにはネットワークのトレーニングに必要な大量のデータに対応するため、豊富な計算能力が必要です。
ディープ・ラーニング手法の継続的改善と基礎となる情報パターンの変化に適応する能力は、より動的な動作を データアナリティクス に導入する機会をもたらします。
その可能性のひとつが、顧客アナリティクスのパーソナライズ化です。お気に入りのストリーミングサービスが過去の視聴履歴に基づいてユーザーが好きそうな番組のカスタマイズされたリストを作成するのは、その一例です。
ディープ・ラーニング手法についての現在の焦点は、コグニティブコンピューティングへの応用です。しかし、データアナリティクスの従来の応用においても、大きな可能性があると考えられています。たとえば、時系列分析があります。
ディープ・ラーニングを適用できるもう1つの方法は、既存のアナリティカル操作をより効率的かつ合理化することです。最近、SASは音声からテキストへの変換においてディープニューラルネットワークを試験しました。ディープニューラルネットワークを適用すると、標準的な手法と比べて、単語誤り率が10%以上低下しました。ニューラルネットワークにより、データの前処理、特徴量エンジニアリング、モデリングの手順が約10ステップも短縮されました。目覚ましいパフォーマンスの向上と時間の節約は、パラダイムシフトにつながります。
今日の世界におけるディープ・ラーニング
ディープ・ラーニングは大きなインパクトをもたらしていますが、それはほんの始まりにすぎません。
ディープ・ラーニングとGAN：これらの関係
敵対的生成ネットワーク（GAN） は、機械学習アルゴリズムの一種です。敵対的生成ネットワーク（GAN）は、データ科学者がデータ量の多い深層学習モデル用の合成データを作成するのに役立ちます。合成データを使用することで、これまで実現不可能だった深層学習モデルの作成が可能になるため、これは非常に重要なことです。
SASにおけるディープ・ラーニングの活用事例
このステップバイステップのガイドでは、複数のニューラルネットワークのモデルを比較し、その使用方法を説明します。ディープ・ラーニングの技術と応用事例を紹介し、SAS がディープニューラルネットワークのモデル作成をどのようにサポートするかを紹介します。
ディープ・ラーニングを使用して画像を埋め込む方法
埋め込みモデルを適用すると、画像などの入力データの次元数が削減されます。埋め込みモデルの適用により、入力画像が低次元ベクトルに変換されるため、他のコンピュータビジョンのタスクでの使用が容易になります。重要なのは、類似した画像が類似したベクトルに変換されるようにモデルをトレーニングすることです。
ディープ・ラーニングの仕組み
ディープ・ラーニングは、アナリティクスで解決しようとする課題の提示方法に関する考えを一変させます。 この手法では、課題の解決方法をコンピューターに指示するのではなく、課題を自律的に解決できるようにコンピューターに学習させます。
特徴表現
ディープ・ラーニングは、特徴エンジニアリングから特徴表現へと移行する、モデル構築におけるパラダイムシフトです。
ディープ・ラーニングのレイヤ（層）
ディープ・ラーニングでは、既知の変数を使用して未知の変数を予測するのではなく、データのレイヤー（層）を調べてデータの潜在的な特徴を認識します。
ディープ・ラーニングの結果
ディープ・ラーニングは、新しいデータの到着に応じて適切に一般化し、適切に適応し、継続的に改善する予測システムを実現します。この手法では、人間がデータにモデルを当てはめるのではなく、データを用いた学習作業をソフトウェアに課すのです。
アナリティクスに対する従来のアプローチでは、既存のデータを用い、特徴エンジニアリングによって新しい変数を導き出し、適切と思われる分析モデルを選択した上で、最終的に、そのモデルのパラメータ（つまり未知の係数値）を推定します。このような手法で予測システムを構築することは可能ですが、完全性や正確性はモデルとその特徴のクオリティに大きく依存するため、なかなかうまく一般化することができません。例えば、特徴エンジニアリングで不正対策モデルを開発する場合は、何らかの変数セットを出発点とし、データ変換手法を用いてこれらの変数からモデルを導き出す方法が一般的でしょう。その結果、例えば3万個の変数に依存するモデルが得られたとすると、有意な変数とそうではない変数の選別などを通してモデルのシェイプアップも行わなければなりません。そして、新しいデータを追加するたびに、以上の全てを繰り返す必要があります。
ディープ・ラーニングによる新しいアプローチは、モデルの定式化と仕様を、層内の規則性からデータの潜在的な特徴を認識することを学習する階層的な特徴付け（またはレイヤ（層））に置き換えることです。
SASの高度なアナリティクス
ディープ・ラーニングはデータ・サイエンティストのツールキットに含まれる1つの手法にすぎません。 予測、テキスト分析、最適化など、その他の高度なアナリティクス手法についても、ぜひ詳細をご確認ください。
推奨資料
