ae-1. 人工知能の歴史， 種類，応用分野

1. 人工知能の歴史， 種類， 応用分野 （ディープラーニング，Python を使用） （全１５回） https://www.kkaneko.jp/cc/ae/index.html 金子邦彦 1

• https://www.kkaneko.jp/cc/ae/index.html

人工知能（AI）は，進歩し，身近もなっている 人工知能（AI）は，学習による上達の能力を持つ 2

人間と人工知能（AI）の協働 将来，人工知能（AI）の普及は進む． 「人工知能（AI）が人間の代わりに仕事をする」 ともいわれる． 社会，生活の変化は大きなものに 3

• 人工知能（AI）は，ある定まった仕組みで動く • コンピュータを利用 4

アウトライン 番号 項目 1-1 1-2 ニューラルネットワークの歴史 ニューラルネットワークの種類、応用分野 別資料 Python，Google アカウント，Google Colaboratory のノートブック，ライブラリとイ ンポート 各自、資料を読み返したり、課題に取り組んだりも行う 5

1-1. ニューラルネットワーク の歴史 6

神経細胞の全体（ニューロン） • 情報伝達，記憶，情報処理を行う 樹状突起 （入力） 軸索突起 （出力） 核 軸索 （伝達） • 人間の脳には，神経細胞が１００億から１０００ 憶あるといわれている 7

1900年頃: 神経系は，神経細胞の集まりと考えられ るように 1980年頃: 脳のどの部分がどのような機能を持つか を解明する脳機能マッピングが生きた脳でも 2010年頃: 異なる脳領域が密接に連携しての，認知， 行動，感情の様子が観察されるように 8

神経細胞の数（推定値） • カタツムリ 11,000 • ロブスター 100,000 • アリ 250,000 • カエル 16,000,000 • ハツカネズミ 71,000,000 • タコ 500,000,000 • ネコ 760,000,000 • ヒト 86,000,000,000 • アフリカゾウ 257,000,000,000 Wikipeida の記事: https://ja.wikipedia.org/wiki/%E5%8B%95%E7%89%A9%E3%81%AE%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%AD%E3%83%B3%E3 %81%AE%E6%95%B0%E3%81%AE%E4%B8%80%E8%A6%A7 より 9

ニューラルネットワークが目指すもの • 神経系の数理化，神経系の解明，コンピュータを 用いた神経系の模倣 • コンピュータによる機械学習の実現 • そして，実際の生物の神経系に限定せず，さまざ ま探求されることも． 10

機械学習 • 学習による上達の能力 • 訓練データを使用して，学習を行う 11

ニューラルネットワークの原理 ニューラルネットワークのユニットは，数理により 動く（不思議な仕組みで動くのではない） ① 入力は複数 ② 入力を重みづけし合計をとる ③ その合計から出力値を得る 0.3 × 0.1 -0.5 × 0.8 ⇒ 0.03 ⇒ -0.4 0.2 × -0.5 ⇒ -0.1 合計 -0.47 合計に 応じた出力値 0.3846 12

ニューラルネットワークの歴史 1940年代: ニューラルネットワークの誕生 1980年代: バックプロパゲーション，ボルツマンマ シン（機械学習の仕組み） 2010年代: 多層化，正規化，ReLU，ドロップアウト など，ニューラルネットワークの新技術 （機械学習の難問である勾配消失や過学習 の緩和） 13

1-2. ニューラルネットワーク の種類、応用分野 14

ニューラルネットワークの種類 ① 自己符号化（オートエンコーダ） データを低次元の符号にマッピング 学習：事前に、データを与えて学習 ② 分類や予測 あるデータから別のデータを導く 学習：事前に、データと正解（分類結果，予 測結果）のペアを与えて学習 15

自己符号化の考え方の応用例 画像復元 写真からの顔の３次元化 16

自己符号化（オートエンコード） 訓練データ コード 訓練データには含まれていな くても，現実にありえそうな データを符号化（コード化） 17

自己符号化（オートエンコーダ） 元データ 符号 （高次元） （低次元） 出力 （高次元） 出力が、元データと同じになるように学習 18

自己符号化 学習により、「現実にあり得るデータを生成できる能力 を獲得」と考えることもできる 訓練データ 現実にありえる データの範囲 19

分類、予測 データ 分類結果 予測結果 所定の結果が得られるようにに学習 （学習には、データの正解が必要） 20

分類の例 物体検知、セグメンテーションなどの画像認識 ＝ 画素や領域を AI で分類 21

分類 訓練データ それぞれの範囲を得 る 分類：何種類かに分類すること 22

ディープラーニングの応用分野 〇 自己符号化（オートエンコーダ） • 創作 • 合成 • 欠損の補充 • 翻訳 〇 分類や予測 • 単純な分類 • さまざまな認識や推論 • 画像認識，画像理解（画像分類，物体検知，セグメンテー ション） • 顔情報処理 • 姿勢推定 • 音声，音楽に関する認識 • 予測 23

別資料 Python 24

Python • プログラミング言語 • 「入門者に学習しやすい」とされる • 多数の拡張機能（外部プログラムのインポートに よる） 25

Google Colaboratory の利用 Python プログラムを，セルの中に入れておく． コードセル内のプログラムは，編集，実行可能． Python プログラム Python プログラム 実行結果 Python プログラム 26

Python のライブラリ • 標準ライブラリの充実．多数の算法（アルゴリズム）が網 羅されている． • 標準ライブラリのほか，多数のパッケージが有志らにより 制作，配布されている（標準ライブラリで足りない場合， 補える） • オブジェクト指向の機能を持つ． データや関数をオブジェクトとして扱えるだけでなく，モ ジュールもオブジェクトとして簡単に扱うことができる 27

標準ライブラリとその他のパッケージ インポート 自作の プログラム Python の標準機能として 備わっているパッケージ （標準ライブラリ） math import math import numpy numpy など import tensorflow インストール pip install tensorflow 有志らが制作， 配布している パッケージ tensorflow など Python は，パッケージが豊富であることも，人気の理由 28

Python の標準ライブラリ • 公式ドキュメント https://docs.python.org/ja/3/library/index.html • 組み込み関数，組み込み定数，組み込み型，組み込み例外， テキスト処理，バイナリデータ処理，データ型，数値と数 学，関数型プログラミング，ファイルとディレクトリ， データの永続化，デー圧縮とアーカイブ，ファイルフォー マット，暗号，オペレーティングシステム，並列実行，コ ンテキスト変数，ネットワーク通信とプロセス間通信，イ ンターネット上のデータ操作，HTMLとXML，インター ネットプロトコルとサービス，マルチメディアサービス， 国際化，プログラムのフレームワーク，グラフィカルユー ザインタフェース，開発ツール，デバッグとプロファイル， ソフトウエア・パッケージと配布，Pythonランタイムサー ビス，カスタム Python インタプリタ，モジュールのイン ポート，Python 言語サービス，各種サービス • 多くは「インポート」により使用する 29

• https://docs.python.org/ja/3/library/index.html