きかい‐がくしゅう〔‐ガクシフ〕【機械学習】
機械学習
【英】Machine learning
機械学習とは、言語やゲームなどをはじめとした人間の様々な知的活動の中で、人間が自然と行っているパターン認識や経験則を導き出したりするような活動を、コンピュータを使って実現するための技術や理論、またはソフトウェアなどの総称である。
通常、機械学習では一定数以上の訓練データを下にして、ナイーブベイズをはじめとした様々なアルゴリズムを用いて規則性や法則性などを学習させる。その後、テストコレクションに含まれるあらかじめ人間によって付与された正解と、機械学習の結果として出来上がったソフトウェアが導きだす正解とを比較して、精度や汎用性などを評価する。
機械学習に用いられる主なアルゴリズムとしては、最も単純で汎用的な「ナイーブ･ベイズ」、複数のルールなどに基づいた基準を構築する際などに用いられる「決定木」、クラスタリングなどで用いられることが多い「K-平均法」、サポート・ベクター・マシンなどに代表されるカーネル法、などがある。
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2024/07/14 07:58 UTC 版)
注釈
- ^ Machine learning and pattern recognition "can be viewed as two facets of the same field."[4]:vii
- ^ 人間の専門家が訓練例にラベル付けすることで提供されることが多いのでラベルとも呼ばれる。
- ^ 英: DataRobot
出典
- ^ “Machine Learning textbook”. www.cs.cmu.edu. 2020年5月28日閲覧。
- ^ Harnad, Stevan (2008), “The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence”, in Epstein, Robert; Peters, Grace, The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, pp. 23–66, ISBN 9781402067082
- ^ Mitchell, T. (1997). Machine Learning. McGraw Hill. pp. 2. ISBN 978-0-07-042807-2
- ^ #bishop2006
- ^ Friedman, Jerome H. (1998). “Data Mining and Statistics: What's the connection?”. Computing Science and Statistics 29 (1): 3–9.
- ^ Samuel, Arthur (1959). “Some Studies in Machine Learning Using the Game of Checkers”. IBM Journal of Research and Development 3 (3): 210–229. doi:10.1147/rd.33.0210.
- ^ 金森敬文『統計的学習理論』講談社〈機械学習プロフェッショナルシリーズ〉、2015年。ISBN 9784061529052。
- ^ "統計的機械学習理論と ボルツマン機械学習" 安田 宗樹. 山形大学
- ^ 上田. "統計的機械学習入門" NII. https://www.youtube.com/watch?v=wqb3k22toFY&t=478
- ^ Yoshua Bengio (2009). Learning Deep Architectures for AI. Now Publishers Inc.. p. 1–3. ISBN 978-1-60198-294-0
- ^ “Machine Learning Tool from Everlaw Finds Legal Evidence” (英語). Machine Learning Tool from Everlaw Finds Legal Evidence (2022年7月6日). 2023年12月9日閲覧。
- ^ Mattu, Jeff Larson,Julia Angwin,Lauren Kirchner,Surya. “How We Analyzed the COMPAS Recidivism Algorithm” (英語). ProPublica. 2023年12月9日閲覧。
- ^ 英: Pragmatic Chaos
- ^ "BelKor Home Page" research.att.com
- ^ a b c 本橋 2018, 1.3章「人工知能の利用用途」「人工知能の３つの役割」の冒頭付近。.
- ^ a b c d e 本橋 2018, 1.4章「認識の具体例」図1-4「画像認識の具体例」.
- ^ a b c 本橋 2018, 1.4章「認識の具体例」図1-5「音声入力の具体例」.
- ^ a b c 本橋 2018, 1.4章「認識の具体例」図1-6「文章解析・文章認識の具体例」.
- ^ a b c 本橋 2018, 1.4章「認識の具体例」図1-7「異常検知の具体例」.
- ^ 本橋 2018, 1.5章 「分析とは？」冒頭.
- ^ a b c d e 本橋 2018, 1.5章「分析の具体例」図1-8「数値の予測の具体例」.
- ^ a b c d 本橋 2018, 1.5章「分析の具体例」図1-9「イベントの発生の予測の具体例」.
- ^ a b c d e 本橋 2018, 1.6章「対処の具体例」図1-10「行動の最適化の具体例」.
- ^ a b c 本橋 2018, 1.6章「対処の具体例」図1-12「作業の具体化の具体例」.
- ^ a b c 本橋 2018, 1.6章「対処の具体例」図1-13「表現の生成の具体例」.
- ^ a b NYT v. Microsoft, OpenAI (1:23-cv-11195, 12/27/23)
- ^ Samantha Sonnet (2023). Nightshade: A Defensive Tool For Artists Against AI Art Generators (Report) (英語). AMT Lab, Carnegie Mellon University.
- ^ "Directive (EU) 2019/790 of the European Parliament and of the Council of 17 April 2019 on copyright and related rights in the Digital Single Market and amending Directives 96/9/EC and 2001/29/EC (Text with EEA relevance.)". Act of 17 April 2019. The European Parliament & Council of the European Union. 条文の邦訳は公益社団法人著作権情報センターHPを参照。https://www.cric.or.jp/db/world/EU/EU_02a.html
- ^ a b “生成AIに関する各国の対応について”. 文化庁. 2024年1月10日閲覧。
- ^ “Proposal for a Regulation laying down harmonised rules on artificial intelligence”. EU. 2024年1月10日閲覧。
- ^ “「人工知能に関する調和の取れたルールを定める規則の提案」 （欧州委員会（2021年４月21日）） 本文・付属書（仮訳）”. 総務省. 2023年1月10日閲覧。
- ^ “Amendments adopted by the European Parliament on 14 June 2023 on the proposal for a regulation of the European Parliament and of the Council on laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) and amending certain Union legislative acts (COM(2021)0206 – C9-0146/2021 – 2021/0106(COD))(1)”. 2024年1月10日閲覧。
- ^ 「EU、AIを包括的に規制する法案で政治合意、生成型AIも規制対象に」『日本貿易振興機構（JETRO）』2023年12月13日。
- ^ “Europe within reach of landmark AI rules after nod from EU countries”. 2024年2月16日閲覧。
- ^ a b c d e f g h i j k l 潮海 2019, pp. 679–722.
- ^ a b Sobel 2017, pp. 45–97.
- ^ Sobel 2017, pp. 47–78.
- ^ a b c ジェーン・ギンズバーグ 2023.
- ^ 「AI companies have all kinds of arguments against paying for copyrighted content」『THE VERGE』2023年11月5日。
- ^ 『e Adobe Inc. Comments on the U.S. Copyright Office Notice of Inquiry and Request for Comments on Artificial Intelligence and Copyright』Adobe、October 30,2023。
- ^ 『Artificial Intelligence and Copyright』Google、October 30,2023。
- ^ 朝日新聞デジタル『アーティストの作品でAI訓練 「無断で複製された」米国で集団提訴』
- ^ “第９回 ミッドジャーニーなど画像生成AIを巡る著作権訴訟でクリエーターらの訴えが概ね棄却される | 研究員コラム | KDDI research atelier | KDDI総合研究所” (2023年11月30日). 2023年12月15日閲覧。
- ^ Andersen et al. v. Stability AI Ltd. (3:23-cv-00201 Amendament:11/30/23)
- ^ a b シラ・パールムッター 2023.
- ^ “U.S. Will Not Recognize Copyrights for AI-Generated Images” (英語). U.S. Will Not Recognize Copyrights for AI-Generated Images (2023年3月8日). 2023年12月1日閲覧。
- ^ a b “Microsoft Commits to Cover Copyright Violation Costs for GenAI Services” (英語). Microsoft Commits to Cover Copyright Violation Costs for GenAI Services (2023年9月13日). 2023年12月25日閲覧。
- ^ a b https://wired.jp/article/tiktok-universal-music-group-umg-remove-songs/
- ^ House, The White (2023年10月30日). “Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence” (英語). The White House. 2023年12月1日閲覧。
- ^ “Problematic White House AI Policy, Parked Cruise Robotaxis, and more” (英語). Problematic White House AI Policy, Parked Cruise Robotaxis, and more (2023年11月1日). 2023年12月1日閲覧。
- ^ “OpenAIが著作権侵害で法的請求が発生した場合にユーザーを守り発生費用を全額支払う「著作権シールド」を発表 - GIGAZINE”. gigazine.net (2023年11月7日). 2024年2月16日閲覧。
- ^ 文化庁著作権課 2019.
- ^ “著作権法 | e-Gov法令検索”. elaws.e-gov.go.jp. 2024年1月14日閲覧。
- ^ a b c “デジタル化・ネットワーク化の進展に対応した 柔軟な権利制限規定に関する基本的な考え方”. 2023年12月18日閲覧。
- ^ a b “令和5年度 著作権セミナー AIと著作権”. 2023年12月19日閲覧。
- ^ 上野達弘「情報解析と著作権──「機械学習パラダイス」としての日本」『人工知能』第36巻第6号、人工知能学会、2021年、745-74頁、doi:10.11517/jjsai.36.6_745。
- ^ 愛知靖之「AI生成物・機械学習と著作権法」『パテント』第73巻第8号、日本弁理士会、2020年、131-146頁。
- ^ “ビデオコピライトFAQ｜一般社団法人日本映像ソフト協会”. 一般社団法人日本映像ソフト協会. 2024年2月11日閲覧。
- ^ 中島 & 潮海 2019, p. 10.
- ^ DataRobot: https://www.datarobot.com
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/03/26 00:11 UTC 版)
「機械学習」も参照 機械学習と圧縮の間には密接な関係がある。ある系列の完全な履歴を入力として事後確率を予測するシステムは（出力分布に対して算術符号を使用することで）最適なデータ圧縮に利用でき、一方最適な圧縮器は（履歴から最もうまく圧縮するシンボルを見つけることで）予測に利用できる。この等価性を利用して、データ圧縮は「一般知能」(general intelligence) を評価するベンチマークとして使われてきた。
※この「機械学習」の解説は、「データ圧縮」の解説の一部です。
「機械学習」を含む「データ圧縮」の記事については、「データ圧縮」の概要を参照ください。
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/06/05 03:22 UTC 版)
かつては、手作業で評価関数が作られていたが、Bonanzaの開発者保木邦仁は、機械学習によって評価関数を作成した。これによりこれまでの他のソフトが見落としていた（あるいは開発者が軽視していた）指し手に高い評価を与えることが可能となった。この「評価関数のパラメータの自動生成」は「ボナンザ・メソッド」と呼ばれ、コンピュータ将棋史上最大のブレイクスルーの一つと見なされている。 2009年に開催された第19回世界コンピュータ将棋選手権では、決勝に進出した8ソフトの内、シードの激指とYSSを除く6ソフトが「ボナンザ・メソッド」を採用した。この結果、激指は2勝5敗、YSSは1勝6敗と惨敗し、翌年の選手権では「ボナンザ・メソッド」を採用した。 機械学習には、過去のプロ棋士の対戦棋譜からの教師あり学習と自己対戦による強化学習がありえるが、2015年頃まではプロ棋士の棋譜を用いた教師あり学習が主流であった。教師あり学習の場合、プロ棋士の手を再現するというのが機械学習のテーマとなる。ミスの少なさ、読み手数の長さでプロ棋士を超えようとしている。教師あり学習の欠点として、入玉模様など過去のプロ棋士の対戦棋譜にあまり出てこないパターンが弱くなる問題がある。 かつてはプロ棋士の対戦棋譜が学習用教材として用いられていたが、自己対戦棋譜による強化に成功したNineDayFeverの登場以降、コンピュータ同士の対戦棋譜が重視されるようになっている。2016年以降はプロ棋士の棋譜を使わず、自ら棋譜を生成し数億～数十億局面から浅い探索での評価値を深い探索での評価値に近づけるように学習するNineDayFeverの強化学習が一般的になり、入玉の評価も大幅に改善された。
※この「機械学習」の解説は、「コンピュータ将棋」の解説の一部です。
「機械学習」を含む「コンピュータ将棋」の記事については、「コンピュータ将棋」の概要を参照ください。
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2021/09/18 06:54 UTC 版)
indiexpoはプレイヤーの評価やコメントなどの活動に基づいて、個人に合わせたゲームをおすすめする機能があります。 インディーパッド 2017年にはindiepadというタイトルのAndroidアプリがリリースされ、スマートフォンをゲームパッドとして使って、indiexpoで公開されているゲームをプレーできるようになりました。これにより、Constructコミュニティーで多くの支持を得ました。 このシステムの特徴は、開発者にとっての実装の単純さです。実際にはゲームを修正する必要はありません。ゲームをサイトにアップロードするときにこの機能を有効に設定するだけです。 ローカルのマルチプレイヤーセッションに表示され、最大4人の同時プレーが楽しめます。
※この「機械学習」の解説は、「indiexpo」の解説の一部です。
「機械学習」を含む「indiexpo」の記事については、「indiexpo」の概要を参照ください。
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/05/16 10:21 UTC 版)
「ニワトリのヒナの雌雄鑑別」の記事における「機械学習」の解説
機械学習によって鑑別する手法が開発中だが、まだ精度が不十分で実用化には至っていない。
※この「機械学習」の解説は、「ニワトリのヒナの雌雄鑑別」の解説の一部です。
「機械学習」を含む「ニワトリのヒナの雌雄鑑別」の記事については、「ニワトリのヒナの雌雄鑑別」の概要を参照ください。
機械学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2019/12/01 22:34 UTC 版)
機械学習の分野では過学習（overtraining）とも呼ばれる。過剰適合の概念は機械学習でも重要である。通常、学習アルゴリズムは一連の訓練データを使って訓練される。つまり、典型的な入力データとその際の既知の出力結果を与える。学習者はそれによって、訓練データでは示されなかった他の例についても正しい出力を返すことができるようになると期待される。しかし、学習期間が長すぎたり、訓練データが典型的なものでなかった場合、学習者は訓練データの特定のランダムな（本来学習させたい特徴とは無関係な）特徴にまで適合してしまう。このような過剰適合の過程では、訓練データについての性能は向上するが、それ以外のデータでは逆に結果が悪くなる。
※この「機械学習」の解説は、「過剰適合」の解説の一部です。
「機械学習」を含む「過剰適合」の記事については、「過剰適合」の概要を参照ください。
機械学習と同じ種類の言葉
- 機械学習のページへのリンク
