こんにちは、ぽめた（@pometa0507）です。社会人エンジニアとして働く傍ら、AI資格の「E資格」取得に向けてディープラーニングの勉強をしています。E資格とは、日本ディープラーニング協会（略称：JDLA）が認定するAIエンジニア向け資格です。

今回から、E資格の勉強中に学んだ内容を記事としてまとめる連載を開始します！E資格を受験される方のおさらいや、E資格に興味のある方の参考となれば幸いです。Day1では、ディープラーニングの導入に向けた概要をまとめました。

※E資格について詳しく知りたい方はこちら
▶　エンジニア向けAI資格「E資格」の概要と勉強内容

人工知能・機械学習・ディープラーニングの関係

まずは、そもそもディープラーニングとは何か？について述べます。ディープラーニングを語る上で外せないのは、人工知能と機械学習との関係性です。

下の図は人工知能 （Artificial Intelligence） 、機械学習 （Machine Learning） 、ディープラーニング （Deep Learning） の関係を表しています。

ディープラーニングは機械学習の一種で、機械学習は人工知能の一種です。要するに、これらは包含関係となっているわけです。

歴史にも少し触れておきます。

人工知能は1950年代に登場していました。すいぶん古くから人工知能はあったんですね。ただし、当時の人工知能は、簡単なトイ・プロブレム（おもちゃの問題）は解けても現実の問題は解けませんでした。

その後、1980年代になると機械学習の技術が進歩します。機械学習は 「明示的にプログラムしなくても学習する能力をコンピュータに与える研究分野」と定義されています。

さらに、2010年代に入ると、インターネットの普及 、ビッグデータの活用、GPUの進化などの理由から、ディープラーニングが急速に発展していきます。

ディープラーニングは機械学習を発展させた技術で、人間の脳神経を模倣してモデル化した「ニューラルネットワーク」を多層にしたものです。「深層学習」とも呼ばれていますね。

従来の機械学習とディープラーニングの決定的な違い

続いて、従来の機械学習とディープラーニングの決定的な違いについて述べます。その違いとは、 ずばり特徴量の設計手法です。

特徴量とは、「注目すべきデータの特徴」 を表したものです。特徴量は、機械学習うの性能に大きく影響します。

ディープラーニング以前の機械学習では、特徴量を人手で設計する必要があり、良い特徴量を作るには職人技のような専門的なスキルが必要でした。

一方、ディープラーニングでは、従来の機械学習とは異なり特徴量を自動的に抽出することができます！特徴量を自動的に抽出することで、従来の機械学習では困難であった画像認識や音声認識などの複雑なタスクもこなせるようになったわけですね。

機械学習の3つの分類