AI学習・教育

ニューラルネットワークとは？仕組みをわかりやすく解説 ChatGPTや画像生成AIが日常に溶け込んだ今、「ニューラルネットワーク」という言葉を耳にする機会はますます増えています。でも、「なんとなく脳の真似をしているらしい」以上のことはよくわからない……そんな方も多いのではないでしょうか。 この記事では、難しい数式をできるだけ使わずに、ニューラルネットワークの構造・動き・学習の仕組みを丁寧に解説します。AIの中身を理解することで、ツールの使い方もグッと変わってくるはずです。 ニューロン（神経細胞）とは何か？ ニューラルネットワークは、人間の脳にある**神経細胞（ニューロン）**の働きをモデル化したものです。ただし、生物学的に正確に再現しているわけではなく、「情報を受け取って、処理して、次に渡す」という基本的な動作だけを抽象化しています。 人工ニューロンの正体は「数値」 AIの世界でいうニューロンとは、実はただの0〜1の間の数値です。 値が0に近い → そのニューロンはほとんど「活性化していない」 値が1に近い → そのニューロンは「強く活性化している」 例えば手書き数字の「8」を認識するタスクを考えてみましょう。画像の各ピクセルの明るさ（0〜255）を0〜1にスケーリングした値が、最初の層のニューロンの値になります。28×28ピクセルの画像なら、784個のニューロンが入力層を形成するイメージです。 層（レイヤー）の役割：なぜ「深い」ネットワークが必要なのか ニューラルネットワークの特徴的な構造は、ニューロンが複数の層に分かれていることです。 3種類の層 入力層（Input Layer）：生のデータ（ピクセル値、音声波形など）を受け取る 隠れ層（Hidden Layer）：特徴を段階的に抽出・変換する。ここが「深さ」の本体 出力層（Output Layer）：最終的な予測や分類結果を出力する 「深さ」が生む抽象化の力 隠れ層を複数重ねることで、ネットワークは段階的に抽象度の高い特徴を学習できます。 第1層：ピクセルの明暗のパターン（エッジの方向など） 第2層：エッジが組み合わさった形（角、曲線） 第3層以降：より複雑なパーツ（目、鼻、耳など） この階層的な特徴抽出こそ、ディープラーニングが複雑なタスクをこなせる理由です。人間が「顔を認識する」ときも、似たような段階を無意識に踏んでいると考えられています。 重みとバイアス：ネットワークの「記憶」 ニューロン同士をつなぐ接続には、それぞれ**重み（Weight）という数値が割り当てられています。さらに各ニューロンにはバイアス（Bias）**という調整値もあります。 計算の仕組み 次の層のあるニューロンの値は、以下のように計算されます。 1 次のニューロンの値 = 活性化関数（前の層の全ニューロンの値 × 対応する重み の合計 + バイアス） 重み：前のニューロンの影響力の大きさ（負の値もあり） バイアス：「どのくらい活性化しやすいか」の閾値調整 活性化関数：計算結果を0〜1（シグモイド）や0以上（ReLU）に変換する関数 ReLUとシグモイド 現代のネットワークでは、シンプルで計算効率の良い**ReLU（Rectified Linear Unit）**が主流です。 1 2 ReLU(x) = max(0, x) → 入力が正なら入力値そのまま、負なら0 一方、古典的なシグモイド関数は出力を必ず0〜1に収めますが、深いネットワークでは「勾配消失問題」を引き起こしやすいため、今はあまり使われなくなっています。 学習とは何か：重みを最適化するプロセス ニューラルネットワークの「学習」とは、膨大な数の重みとバイアスの値を調整していく作業です。 学習の3ステップ 順伝播（Forward Propagation）：入力データをネットワークに通して出力を得る 損失の計算（Loss Calculation）：正解との差（誤差）を数値化する 逆伝播（Backpropagation）：誤差を逆向きに伝えながら、各重みをどう調整すべきか計算する これを大量のデータに対して繰り返すことで、ネットワークは徐々に正確な予測ができるようになります。 ...

ニューラルネットワークとは？仕組みを図解でわかりやすく解説 ChatGPTや画像生成AIなど、日常のあちこちでAIが活躍する時代になりました。しかし「ニューラルネットワーク」という言葉を聞いたとき、「なんとなく脳に似た仕組みらしい…」くらいにしか理解できていない方も多いのではないでしょうか？ この記事では、ニューラルネットワークの基本構造と学習の仕組みを、数式への苦手意識がある方でも理解できるよう、具体例を交えながらわかりやすく説明します。AIの動作原理を知ることで、ツールの使い方や限界についての理解も格段に深まりますよ。 ニューラルネットワークの「ニューロン」って何？ ニューラルネットワークの名前の由来は、人間の脳にある**神経細胞（ニューロン）**です。ただし、コンピュータ上のニューロンは生物学的なものとは異なり、非常にシンプルな数学的概念です。 ニューロン＝「0〜1の数値を持つ箱」 人工ニューロンとは、0から1の間の数値（活性化の度合い）を保持する器だと考えてください。 たとえば手書き数字の「3」を認識するとき： 入力ニューロン：画像の各ピクセルの明るさ（0=黒、1=白） その値が次の層へと伝わり、最終的に「これは3だ」という判断に至る ピクセルが28×28のグレースケール画像なら、784個の入力ニューロンが存在します。それぞれのニューロンが「どれくらい明るいか」という情報を持ち、それが後続の層に次々と伝播していくのです。 なぜ「層（レイヤー）」が必要なのか ニューラルネットワークの大きな特徴は、ニューロンが複数の層に分かれていることです。 3種類の層の役割 層の種類 役割 入力層 生データ（画像・テキストなど）を受け取る 隠れ層 データの特徴を段階的に抽象化する 出力層 最終的な予測・分類結果を出力する 層を重ねることで「概念の抽象化」が起きる 画像認識を例に取ると、各層が担う処理はおよそ以下のようになります： 第1層（低レベル特徴）：エッジや線の方向を検出 第2層（中レベル特徴）：エッジの組み合わせからパーツ（丸・角など）を認識 第3層（高レベル特徴）：パーツを組み合わせて物体（顔・文字など）を識別 このように、層を重ねるほどより抽象的な概念を学習できるのが、ディープラーニング（深層学習）が強力な理由です。単純なプログラムでは「エッジとは何か」をルールベースで記述する必要がありますが、ニューラルネットワークはデータから自動的にそのルールを獲得します。 学習を支える「重み」と「バイアス」 ニューロン同士のつながりには、それぞれ**重み（Weight）という数値が設定されています。加えて、各ニューロンにはバイアス（Bias）**という補正値も存在します。 重みとバイアスの役割 重み：「どの入力をどのくらい重視するか」を決める係数。正の値なら強調、負の値なら抑制。 バイアス：「どのくらい活性化しやすいか」の閾値調整。バイアスが大きいほど、少ない入力でも反応しやすくなる。 28×28の手書き数字認識ネットワーク（隠れ層を2層持つシンプルな構成）では、重みとバイアスの総数は約13,000個にも上ります。この膨大なパラメータを最適化するのが「学習」の本質です。 活性化関数：出力を「なめらか」にする仕組み 重みとバイアスを計算した後、その結果を活性化関数に通すことで、ニューロンの出力値が決まります。 代表的な活性化関数には以下の2種類があります： Sigmoid関数：出力を0〜1に圧縮する。古典的な選択肢だが、勾配消失問題が起きやすい。 ReLU（Rectified Linear Unit）：入力が正ならそのまま、負なら0にする。現代のネットワークで広く使われるシンプルで強力な関数。 1 2 3 4 5 6 ReLU(x) = max(0, x) 例: x = -3 → 出力: 0 x = 2 → 出力: 2 x = 5 → 出力: 5 ReLUは計算がシンプルで勾配消失が起きにくいため、深いネットワークの学習に非常に向いています。 ...

機械学習を本当に理解するための学び方【実践ガイド】 「機械学習を勉強したいけど、何から始めればいい？」「数式が難しくて挫折した」——こんな悩みを持つ人は多いはずです。 実は、機械学習の学習でつまずく最大の理由は、「何を学んでいるのか」の本質を誤解したまま進んでしまうことにあります。機械学習はただの統計ツールでも、魔法のアルゴリズムでもありません。それは「データからパターンを見つけ、意思決定を自動化する思考フレームワーク」です。 Georgia Tech のコンピューティング学部長 Charles Isbell 氏や Brown 大学の計算機科学者 Michael Littman 氏のような第一線の研究者・教育者が繰り返し強調するのは、「正しい問いの立て方」と「粘り強い探求心」の重要性です。本記事では、その哲学を軸に、機械学習を本当に身につけるための実践的な学習ロードマップを提案します。 機械学習は「統計」とどう違うのか？ 機械学習を学び始めると、「これって結局、統計じゃないの？」と感じる瞬間が必ず来ます。確かに、線形回帰も確率分布も統計学の概念です。しかし、両者には本質的な違いがあります。 統計学 vs 機械学習の思考の違い 観点 統計学 機械学習 目的 データを説明・推論する データから予測・自動化する アプローチ 仮説を立て検証する データにパターンを学ばせる 重視するもの 解釈可能性・因果関係 予測精度・汎化性能 機械学習が問うのは「なぜそうなるか」よりも「次に何が起きるか」です。この思考の転換を早い段階で意識できると、学習の方向性がぐっと明確になります。 初学者へのアドバイス: 統計の知識は必要ですが、目的は「統計を理解すること」ではなく「データから価値を引き出せるようになること」です。目的を見失わないようにしましょう。 データはアルゴリズムより重要である 「最新のディープラーニングモデルさえ使えば精度が上がる」と思っていませんか？これは機械学習学習者が陥りがちな大きな誤解です。 研究の世界でも実務の世界でも、データの質と量がモデルの性能を決定的に左右することが繰り返し示されています。 データが重要な理由 ゴミデータにはゴミの結果しか返らない（Garbage In, Garbage Out） ノイズだらけのデータに高度なモデルを適用しても過学習するだけ 適切なデータ量がなければ汎化できない 少量データでは正則化や転移学習などの工夫が必要になる データのバイアスがモデルのバイアスになる 偏ったデータで学習されたモデルは現実で差別的な判断をする可能性がある 実践的なデータ学習ステップ 1 2 3 4 ステップ1: データを可視化して「眺める」癖をつける ステップ2: 欠損値・外れ値の処理方法を複数パターン試す ステップ3: 特徴量エンジニアリングで新しい変数を作ってみる ステップ4: モデル変更前にデータ改善を先に試みる 技術的なアルゴリズムの勉強に時間を使う前に、データを探索・整形するスキル（EDA: 探索的データ分析） を徹底的に鍛えることを強くお勧めします。 挫折を活かす：困難が学びを深める 機械学習の学習は、教科書を読むだけでは決して身につきません。「わからない」「うまくいかない」という経験こそが、本当の理解への道を開きます。 一流の研究者や教育者が共通して語るのは、「決して満足しないこと（Never Be Satisfied）」が成長の鍵だということ。これは完璧主義を推奨しているのではなく、「現状に安住せず、常に問い続ける姿勢」を持つことの重要性です。 挫折を学びに変える3つの習慣 エラーメッセージを丁寧に読む ...

GPTをゼロから作って理解する完全ガイド ChatGPTを毎日使っているのに、「中身がどうなっているか全くわからない」という方は多いのではないでしょうか。ブラックボックスとして使うだけでは、プロンプトエンジニアリングの限界に気づかなかったり、AIツールの選定で迷ったりすることがあります。 OpenAIの元研究員で「nanoGPT」の作者でもあるAndrej Karpathyは、GPTをゼロからコードで実装する方法を丁寧に解説しています。本記事では、その学習アプローチをもとに、Transformerの核心を自分の手で実装しながら理解するためのロードマップをお届けします。 なぜ「作って理解する」アプローチが最強なのか AIの論文を読んでも、「なんとなくわかった気がする」で終わってしまう経験はありませんか？理論の理解だけでは、実際のモデル動作やトラブルシューティングには限界があります。 Karpathyが提唱する**「spelled out（手順を声に出して説明しながら実装する）」**アプローチの強みは次の3点です。 理解の穴を即座に発見できる：コードが動かない＝理解が不完全な箇所 直感的な数値感覚が身につく：テンソルの形状変化を目で追える 論文と実装のギャップを埋められる：「Attention is All You Need」の数式がコードに対応する 小さなモデルでも本物のGPTと同じ原理で動く点が、この学習法の最大のメリットです。 実装の全体像：7つのステップ GPTのスクラッチ実装は、大きく以下のステップで進みます。 ステップ1：データの準備とトークン化 まず、テキストデータ（たとえばシェイクスピア全集）を読み込み、文字レベルのトークン化を行います。 1 2 3 4 5 6 7 8 9 10 11 12 # テキストを読み込み、ユニークな文字の語彙を作成 with open('input.txt', 'r', encoding='utf-8') as f: text = f.read() chars = sorted(list(set(text))) vocab_size = len(chars) # 文字→整数、整数→文字の変換辞書 stoi = { ch:i for i,ch in enumerate(chars) } itos = { i:ch for i,ch in enumerate(chars) } encode = lambda s: [stoi[c] for c in s] decode = lambda l: ''.join([itos[i] for i in l]) ここで重要なのは、トークン化の粒度がモデルの語彙サイズと学習効率に直結するという点。実際のGPT-4はByte Pair Encoding（BPE）という手法で数万規模の語彙を扱っています。 ステップ2：バイグラムモデルで最初のベースラインを作る 最初からTransformerを実装するのではなく、まずバイグラム言語モデル（前の1文字だけを見て次の文字を予測する）をベースラインとして構築します。これにより、言語モデルの損失計算や生成ロジックの「型」を習得できます。 ステップ3：セルフアテンションの核心を実装する GPTの心臓部がセルフアテンションです。Karpathyは4段階で段階的に実装を発展させていきます。 for loopによる素朴な平均化（過去のトークンを単純平均） 行列積による高速化（同じ計算をベクトル演算で） Softmaxの導入（重みの正規化） Key・Query・Valueによる本物のアテンション 最終的なセルフアテンションの計算式は次のようになります。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 # 1ヘッドのセルフアテンション class Head(nn.Module): def __init__(self, head_size): super().__init__() self.key = nn.Linear(n_embd, head_size, bias=False) self.query = nn.Linear(n_embd, head_size, bias=False) self.value = nn.Linear(n_embd, head_size, bias=False) self.register_buffer('tril', torch.tril(torch.ones(block_size, block_size))) def forward(self, x): B, T, C = x.shape k = self.key(x) # (B, T, head_size) q = self.query(x) # (B, T, head_size) # アテンションスコアの計算（スケーリングあり） wei = q @ k.transpose(-2, -1) * k.shape[-1]**-0.5 wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf')) wei = F.softmax(wei, dim=-1) v = self.value(x) return wei @ v **「なぜsqrt(head_size)で割るのか？」**という疑問が生まれたら、それが深い理解への入口です。答えは「head_sizeが大きいとdot productの分散が増大し、softmaxが極端に尖ってしまうから」。こういった「なぜ？」をコードと数式で確認できるのが、スクラッチ実装の醍醐味です。 ...

ChatGPTで文章を生成したり、Google翻訳でスラスラと外国語を訳したりするとき、その裏側でどんな仕組みが動いているか気になったことはありませんか？ 現代のAI技術の多くは、**Transformer（トランスフォーマー）**と呼ばれるニューラルネットワークアーキテクチャを基盤にしています。GPT、BERT、T5——耳にしたことがある名前ばかりかもしれませんが、これらはすべてTransformerの「子孫」です。 この記事では「Transformerって名前は聞いたことがあるけど、中身はよくわからない」という方に向けて、その仕組みと実際の使われ方をわかりやすく解説します。 なぜTransformerが登場したのか——旧来技術の限界 Transformerが登場する以前、自然言語処理（NLP）の主役はRNN（再帰型ニューラルネットワーク）やLSTMでした。これらのモデルは文章を「左から右へ」順番に処理する仕組みで、ちょうど人間が音読するように単語を一つずつ読み進めます。 しかしこのアプローチには大きな弱点がありました。 長文が苦手: 文が長くなるほど、最初のほうの情報が「薄れて」しまう 並列処理ができない: 順番に処理するため、学習に時間がかかる 遠い単語の関係を捉えにくい: 「私は昨日、友人と映画館で映画を観た」のように、主語と述語が離れている場合に精度が落ちる 2017年、Googleの研究者たちが論文「Attention Is All You Need」を発表し、これらの問題を一気に解決するTransformerを世に送り出しました。 Transformerの核心——「自己注意機構（Self-Attention）」とは Transformerの最大の革新は**自己注意機構（Self-Attention Mechanism）**です。難しそうな名前ですが、考え方はシンプルです。 単語の「文脈的な重みづけ」を学習する 例えば、次の2つの文を考えてみましょう。 1 2 ① 「銀行に預金しに行った」 ② 「川の銀行（岸）を散歩した」 「銀行」という単語の意味は文脈によってまったく異なります。自己注意機構は、文中のすべての単語が互いにどれだけ関係しているかを計算し、文脈に応じた意味を動的に判断します。 処理の流れ（概念図） 各単語をベクトルに変換（埋め込み表現） Query・Key・Valueの3つの行列を生成 QueryとKeyの内積でスコアを計算（どの単語に「注目」するかを決定） Softmaxで正規化（注意の重みを0〜1に変換） 重みをValueに掛けて合算（文脈を考慮した表現を生成） これをすべての単語に対して同時並列で実行できるのがTransformerの強みです。RNNのように順番に処理する必要がないため、大規模なGPUクラスタを使った高速学習が可能になりました。 GPT・BERT・T5——それぞれ何が違うのか Transformerはその使い方によって、大きく2つのタイプに分かれます。 エンコーダー型：BERTに代表される理解特化モデル BERT（Bidirectional Encoder Representations from Transformers）はTransformerのエンコーダー部分を活用したモデルです。 テキストを双方向に読み込むため、文脈理解が非常に得意 文章分類、固有表現抽出、質問応答などのタスクに強い 「この文章はポジティブ？ネガティブ？」といった分析・理解タスクに向いている デコーダー型：GPTに代表される生成特化モデル GPT（Generative Pre-trained Transformer）はTransformerのデコーダー部分を活用したモデルです。 左から右へ次の単語を予測しながらテキストを生成 文章生成、要約、コード生成などが得意 ChatGPTはこのGPTシリーズを基盤に構築されている エンコーダー＋デコーダー型：T5・翻訳モデルなど T5や機械翻訳モデルは両方を組み合わせ、入力を理解してから出力を生成するタスク（翻訳・要約など）に使われます。 Transformerが変えた世界——実際の活用シーン Transformerベースのモデルは、すでに私たちの日常のあちこちで活躍しています。 ビジネスでの活用例 カスタマーサポートの自動化: 問い合わせ文の意図分類と自動回答生成 文書要約: 長い報告書や論文を数秒で要点まとめ コード補完: GitHub CopilotなどのAIコーディングアシスタント 多言語対応: リアルタイム翻訳・多言語コンテンツ生成 個人での活用例 ChatGPT / Claude: 文章作成、アイデア出し、学習補助 Google翻訳の高精度化: 以前より自然な翻訳が可能に 検索エンジンの精度向上: Googleの検索アルゴリズムにもBERTが組み込まれている Transformerを自分のアプリに組み込む——はじめの一歩 「Transformerを使ってみたい」と思った方に、実際に始めやすい方法を紹介します。 ...

AIを「使いこなす人」と「使われる人」の差はどこで生まれるのか ChatGPTやGeminiが普及した今、「AIを使っている」という人は急増しています。しかし、同じツールを使っているのに、なぜか生産性に大きな差が出る——そんな経験はないでしょうか。 その差のほとんどは、大規模言語モデル（LLM）の仕組みを理解しているかどうかと、プロンプトを設計する技術にあります。 Kaggleが提供する「5日間 Gen AI集中講座」のDay1は、まさにこの2つのテーマを正面から扱っています。世界最大のデータサイエンスコミュニティが無料で公開しているこのカリキュラムを軸に、AI活用の土台となる知識を整理していきましょう。 LLMの「中身」を知ると、AIへの接し方が変わる テキスト生成の裏側で何が起きているのか 大規模言語モデル（LLM: Large Language Model）は、膨大なテキストデータを学習することで「次に来る単語を予測する」能力を極限まで高めたモデルです。表面的には「質問に答えてくれるAI」に見えますが、その本質は確率的なテキスト補完エンジンです。 重要なポイントを3つ押さえておきましょう： トークンという単位で文章を処理する：LLMは単語ではなく「トークン」という小さな単位でテキストを認識します。日本語は英語よりもトークン消費が多くなる傾向があり、これがコストやレスポンス速度に影響します。 コンテキストウィンドウに収まる情報しか参照できない：一度に処理できるテキスト量（コンテキストウィンドウ）には上限があります。長い会話や大量のドキュメントを扱う際は、この制約を意識した設計が必要です。 確率的な出力なので、毎回同じ答えが返るとは限らない：「Temperature」などのパラメータで出力の多様性をコントロールできます。 代表的なLLMアーキテクチャの系譜 現在主流のLLMはほぼすべて、2017年にGoogleが発表したTransformerアーキテクチャをベースにしています。GPT-4、Gemini、Claude、LLaMAなど、名前は異なっても根幹の仕組みは共通しています。 この背景を知ることで、「なぜこのAIはこう答えるのか」という直感が育ち、より効果的なプロンプト設計ができるようになります。 プロンプトエンジニアリングは「AIへの話しかけ方」の技術 なぜプロンプトの質がこれほど重要なのか LLMは、入力（プロンプト）に対して最も「もっともらしい」続きを生成します。つまり、プロンプトの質がそのまま出力の質を決定するのです。 同じ質問でも、以下のように書き方を変えるだけで出力が劇的に変わります： 粗いプロンプト例： 1 マーケティングについて教えて 精度の高いプロンプト例： 1 2 3 4 あなたはB2B SaaS企業のマーケティング戦略の専門家です。 月間予算50万円の中小企業向けに、リード獲得を最大化するための コンテンツマーケティング戦略を、優先順位をつけて3つ提案してください。 各施策には実施期間の目安と期待できるKPIも含めてください。 実践で使えるプロンプト設計の基本パターン Kaggleの講座でも紹介されている主要な手法を実践レベルで解説します。 ① ゼロショット・プロンプティング 例を一切与えず、直接タスクを指示する最もシンプルな方法。簡単なタスクや、AIが十分な知識を持つ領域で有効です。 ② フューショット・プロンプティング 2〜5個の例（Example）を示してからタスクを依頼する方法。出力フォーマットや文体を揃えたい場合に特に効果的です。 1 2 3 4 5 6 7 8 9 10 11 12 13 以下の形式で商品レビューを要約してください。 例1: 入力: 「配送が早くて満足。ただし説明書が分かりにくい」 要約: ✅ 配送スピード / ⚠️ 説明書の分かりにくさ 例2: 入力: 「品質は最高だが値段が高い」 要約: ✅ 品質 / ⚠️ 価格 本番: 入力: 「デザインはおしゃれだが耐久性に不安がある」 要約: ③ Chain-of-Thought（思考の連鎖）プロンプティング 「ステップごとに考えてください」「理由を説明しながら答えてください」と指示することで、LLMの論理的推論能力を引き出す手法。複雑な問題解決や数学的な推論に特に効果的です。 ...

「AIって結局何なの？」その混乱を今日終わらせる 「AI」「機械学習」「ディープラーニング」「コンピュータビジョン」——ニュースやSNSで毎日のように飛び交うこれらの言葉、なんとなく聞いたことはあるけれど、実際の違いや関係性がよくわからない、という方は多いのではないでしょうか。 実は、この「なんとなく知っている状態」こそが、AIを正しく活用する上での最大の障壁です。概念の全体像を掴めば、ChatGPTや画像生成AI、業務効率化ツールなどを目的に合わせて使いこなす力が格段に上がります。 本記事では、人工知能（AI）の全体像を階層的に整理し、各技術がどのように関係しているかをわかりやすく解説します。 AIの「入れ子構造」を理解する AI関連の用語が混乱を招く最大の理由は、それぞれが**包含関係（入れ子構造）**にあるにもかかわらず、同列に語られることが多いからです。 以下の図をイメージしてください： 1 2 3 4 5 6 7 8 9 10 ┌─────────────────────────────┐ │ 人工知能（AI） │ │ ┌───────────────────────┐ │ │ │ 機械学習（ML） │ │ │ │ ┌─────────────────┐ │ │ │ │ │ ディープラーニング │ │ │ │ │ │ （DL） │ │ │ │ │ └─────────────────┘ │ │ │ └───────────────────────┘ │ └─────────────────────────────┘ AI（人工知能）：最も広い概念。人間の知的活動をコンピュータで再現しようとする取り組み全般 機械学習（ML）：AIの一手法。データから自動的にパターンを学習する技術 ディープラーニング（DL）：機械学習の一種。人間の脳神経回路を模した多層構造で学習する つまり「ディープラーニングはAIの一部」であり、「AIがすべてディープラーニングなわけではない」のです。 ...