30秒でわかる要点
多層のニューラルネットワークを用いた機械学習手法。特徴量の設計を人間が行う必要がなく、データから自動的に特徴を学習できる。画像認識、自然言語処理などで革新的な成果を上げている。
「ディープラーニング（深層学習）」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q1深層学習（ディープラーニング）が実用化される前に、機械学習が直面していた主な課題はどれか。
- 特徴量を手動で設計する必要があり、その過程が非常に労力がかかっていた
- 学習アルゴリズムの基本理論が存在しなかった
- コンピュータのメモリ容量の不足により、データを保存できなかった
- マルチコアプロセッサが存在しなかったため、並列処理が不可能だった
答えと解説を見る
正解：A
従来の機械学習では、生画像のような高次元データから有効な特徴を手動で抽出（特徴工学）する必要があった。この過程は領域知識を要求し、高度な技術力と経験を必要とした。ディープラーニングは自動的に特徴を学習することで、この課題を大きく軽減した。B、C、Dは不正確である。
Q2画像認識分野でディープラーニングが劇的な成功を収めるきっかけとなったのはどのコンペティションか。
- 2012年のImageNetコンペティションで、CNNが圧倒的な性能向上を示した
- 2008年のMNISTコンペティションで、ニューラルネットワークが完全達成した
- 2015年のCIFARコンペティションで、機械学習が初めて人間を上回った
- 2010年のPASCAL VOCコンペティションで、統計的手法が最高点を達成した
答えと解説を見る
正解：A
2012年のImageNetコンペティションでGeoffrey Hintonのチームが提出したAlexNetが、従来手法を大きく上回る性能を達成した。この勝利がディープラーニングブームの火付け役となり、その後のAI研究の方向性を決定づけた。B、C、Dの時期や内容は異なる。
Q3ディープラーニングが実用化された2010年代初期に、計算環境がもたらした最大の変化はどれか。
- GPU（Graphics Processing Unit）の並列処理能力により、大規模ニューラルネットワークの高速訓練が可能になった
- CPUの単純な高速化のみで十分だった
- データの保存方法が改善されただけ
- アルゴリズムの計算量が自動的に低下した
答えと解説を見る
正解：A
ディープラーニングの実用化を実現したのは、GPU演算環境の発展。GPUは行列演算に最適化されており、ニューラルネットワークの訓練を従来のCPU計算より100倍以上高速化。クラウドコンピューティングとの組み合わせで、大規模データの処理が可能に。B、C、Dはこの発展を説明していない。
深層学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
深層学習の練習問題を解く