昨今、SNSやショッピングサイトなどのインターネットサービスは、私たちの生活に欠かせないものになりました。
そういったWebサービスの開発にはプログラミング言語が深くかかわっており、どの言語を使用して開発を行うかが重要です。
本記事では、Webサービスの開発にあたってのプログラミング言語の種類と、目的別の用途について紹介していきます。
目次
1.機械学習とは
機械学習とはAI技術の一つであり、データ分析に関する手法の一つです。「ML（Machine Learning）」とも呼ばれます。
膨大なデータからパターンや法則性を学習し、その結果をもとに入力データから人間の代わりに予測や判別を行う技術です。人間よりも大量のデータを処理することが可能であり、データの蓄積と分析精度の向上などを見込めるため、AIの要素技術として重宝されています。
機械学習において重要な要素は以下の通りです。
モデル
モデルとは入力データを学習内容をもとに分析し、結果を出力する仕組みを指します。
アルゴリズム
機械学習におけるアルゴリズムとはパターンや法則性を分析し、問題解決をするための手法のことです。
似た言葉に「深層学習（ディープラーニング）」がありますが、これは機械学習のアルゴリズムの一つになります。「ニューラルネットワーク」という手法を用いて、より人間の思考に近い形で学習と分析を行う仕組みです。
次章からは機械学習の種類とアルゴリズムについて解説していきます。
2.3種類の学習手法
機械学習の学習手法は大きく分けると「教師あり学習」「教師なし学習」「強化学習」の3種類です。それぞれに対応するアルゴリズムと用途があり、活用する際には重要な要素になります。
教師あり学習
3種類の学習手法の中で代表的なのが「教師あり学習」です。
教師あり学習は事前に入力と出力（正解）の両方のデータを用意した状態が前提となります。その入力と出力の両方から入力データの特徴やルールを学習する手法です。
用途としては「正しいか、間違いか」の判別や連続した値の「予測」に適しています。
教師あり学習に対応するアルゴリズムは連続するデータから数値を予測する「回帰」とデータをグループ分けする「分類」です。
教師なし学習
教師なし学習は教師あり学習から出力データをなくした状態で学習を行います。明確な正解があるわけではないため、学習するのはデータのパターンや構造です。
正解のない大量のデータから法則性や規則性を見つけるために使用されます。
大量のデータから重要データを抽出する「次元削減」と類似データのグループ化をする「クラスタリング」というアルゴリズムが代表的です。
強化学習
強化学習は他の2種類と違い、出力データからも学習します。人間から提示されるのは正解ではなく「目標」です。強化学習ではその目標に対して、トライアンドエラーで最適化された出力を出すために学習していきます。
出力の評価は人間が与えるか、センサなどの周辺機器からのフィードバックです。
用途には自動運転や歩行ロボット、チェス・将棋ロボットなどがあげられます。例えば、自動運転では「より安全に」、歩行ロボットでは「より倒れにくく」、チェス・将棋ロボットでは「より有効な一手を」といった内容です。
強化学習は「深層学習（ディープラーニング）」や「ニューラルネットワーク」などのアルゴリズムでより高精度の学習と出力が期待できます。
3.機械学習のアルゴリズム10選
ここで紹介するのは、AI技術の開発や導入をするにあたって把握するべき、一般的な機械学習のアルゴリズムです。前述の学習手法との関係性も含めて10種類を紹介していきます。
教師あり学習のアルゴリズム
①サポートベクターマシン
サポートベクターマシン（SVM）は2つのデータ群を分類する境界線・超平面を求めるアルゴリズムで、分類や回帰などを必要とする問題解決に使用されます。
このアルゴリズムの特徴は学習時のデータをグラフの座標のようにあらわすことです。それにより、その座標の集まりを最もうまく分割する線形関数（境界線・超平面）を導き出すことができます。ここで重要なのが「マージン最大化」という手法です。
マージン最大化とは分類するデータ点と境界線の距離（マージン）を最大化することで、与えられたデータの誤判別を減らすために用いられます。
この手法を用いることで少量のデータからでも正しく分類しやすくなります。
②決定木
決定木はツリー構造（樹形図）を使用して分類や回帰を行う手法です。入力データが持つ特徴からフローチャートのように「yes/no」で分岐させます。それを複数の組み合わせで行い、出力データまで詳細に分類していく構造です。
決定木は目的が分類では「分類木」、回帰では「回帰木」と呼ばれることもあるため、覚えておきましょう。
この手法では二者択一の分岐が行われるため、データがどのように分類されたかがわかりやすく、学習に間違えがあった際などに修正がしやすいのがメリットです。
③ランダムフォレスト
ランダムフォレストは複数の決定木を使用し、多数決のような形式で判定を行うアルゴリズムになります。ランダムに作成した異なる条件分岐を持つ複数の決定木にデータを入力して、結果を総合的に判断する手法です。
決定木単体の場合よりも多いパターンの分岐があることでより高精度な分類や回帰を行えます。
④ロジスティック回帰
ロジスティック回帰は分類（主に二項分類や多項分類）で使用されるアルゴリズムです。学習で得た独自の変数セットをもとにあるイベントが成立する確率を計算します。
例えば、選挙の投票に関するデータを学習させ、その人物が選挙で「投票する」「投票しない」という分類で考えてみましょう。入力された人物データから投票する確率が50%以上の場合は「投票する」に、50%以下の場合は「投票しない」に分類されます。
⑤k近傍法（kNN法）
k近傍法（kNN法）はデータの特徴を数値化し、それに近い数値を持つデータ群を同じグループだと分類するアルゴリズムです。学習において数値化とグループ分けがされたデータがある状態で与えられたデータにより近い数値データを多く持つグループに分類していきます。
これが使用されるのはパターンや規則性がわかっているシンプルな分類です。シンプルな方法ですが、データが多いとデータ容量と分析時間のコストが高くなるという欠点があります。
⑥ナイーブベイズ
ナイーブベイズは、入力データが属する確率が最も高いグループに分類するベイズの定理をもとにした手法です。文章などの自然言語などの分類で使用され、特定キーワードや単語の出現率から、フィルタリングなどに使用されます。
この手法の欠点は分析に使用する特徴が独立している必要があるという点です。その代わりに計算が速く、大量のデータへの対応も可能であるという魅力があります。
教師なし学習のアルゴリズム
⑦k平均法（k-means）
k平均法（k-means）は有名なクラスタリングアルゴリズムの1つです。類似の特徴を持つデータ群を、指定したグループ数でランダムに割り当てます。各グループの中心点を算出し、各データを各グループの中心点と最も近いグループに再割り当てする仕組みです。
シンプルではありますが、ランダムなグループ分けを行うために各中心点が近くなり、分類ができなくなるという欠点があります。
⑧主成分分析
主成分分析は、次元削減の1種で、多次元の特徴を持つデータ群を要約し、次元数を最小化するアルゴリズムです。大量データの関係性を調査する際に活用され、データ分析の時間短縮につながります。3次元以下にデータを要約できれば簡単なグラフで視覚的に表現できるのも魅力です。
その他のアルゴリズム
⑨ニューラルネットワーク
ニューラルネットワークとは、人間の脳で情報処理を行う神経系であるニューロンの仕組みを参考にしたアルゴリズムになります。人間の脳は、ニューロンが複数接続しあって電気信号を交換することで複雑な思考が可能です。ニューラルネットワークでは「入力層」「中間層」「出力層」での多層での情報処理をすることによって実現しています。
対応する学習手法は「教師あり学習」「教師なし学習」「強化学習」のすべてです。
段階的に分析と評価を行うことでより精度の高い出力や抽象的な事象の分析に活用できます。
⑩ディープラーニング
ディープラーニングは、ニューラルネットワークの中間層をより深い階層構造にすることで学習や出力をより高い精度で行うために作られたアルゴリズムです。数百層での構成や各層との接続方式などを考案することでより複雑な問題解決に活用されています。
これも「教師あり学習」「教師なし学習」「強化学習」のすべてで活用可能です。
関連記事
機械学習と深層学習（ディープラーニング）の違い｜基礎から活用例をわかりやすく紹介
AIにできること・できないことは？AIに仕事が代替される？その他活用事例を解説
4.機械学習とPython
機械学習の実装において、Pythonは頻繁に使用されます。
Pythonが用いられる理由は下記のとおりです。
「scikit-learn」「TensorFlow」「Keras」など機械学習関連のライブラリが豊富
初心者でも理解しやすいシンプルな構文
ライブラリやフレームワークによりマルチプラットフォームに対応
これらの理由からPythonは高度なアルゴリズムも実装が容易で、前処理や分析、評価などの開発もスムーズに進められます。また、シンプルな構文のため、開発やメンテナンスなどのあらゆる面でコストの削減と効率化が可能です。
効率的な機械学習の検証や導入を考えるのであれば、Pythonの基礎も学んでおくとよいでしょう。
関連記事
PythonでAI開発！【初心者向け】ライブラリの紹介学習のヒント、未来展望など解説
AIエンジニアとはどんな仕事？年収や向いている人の特徴なども解説！
5.機械学習でできること・活用事例
機械学習が活用されている分野には以下のものがあります。
データ分析
データ予測
画像の認識、処理
文章や文字など自然言語の処理
上記の内容について、詳しくみていきましょう。
データ分析
概要：
与えられた対象のデータをまとめ、整理を行い、そこから要点や傾向などの価値のある情報を取得する処理です。教師あり学習の分類や教師なし学習の次元削減などを活用して構築されます。
活用例：
おすすめ機能
ショッピングサイトの閲覧や購入の記録をもとに「あなたへのおすすめ」「一緒にいかがですか」などのおススメをする機能です。
マーケティング
現在の市場のニーズやトレンドの情報を分析して、次に行う戦略を考案するために必要な情報を分析します。
データ予測
概要：
蓄積された過去のデータをもとに将来的におこる事象のパターンや傾向を予測する処理です。基本的には教師あり学習の回帰や強化学習などを活用して構築されます。
活用例：
傾向予測
販売店での過去の販売データから、在庫の管理や仕入れの予測や過去の気候データから、一週間の天気予報などに活用することが可能です。
故障予測
工場や生産設備などで過去に発生した事故や故障のデータをもとに、事故や故障の発生を事前に予測し、防止や点検の効率化を図れます。
画像の認識・処理
概要：
画像から物体や景色などから特徴的な要素を抽出し、画像の補正、編集を行う処理です。
活用例：
カメラのサポート機能
顔や物体を認識してピントやフォーカスを自動で補正する機能が有名です。それ以外にも画像から特定要素の削除やズームの際の補正などにも活用されています。
自動運転や運転サポート機能
周りの状況をカメラによって認識し、最適なルートに応じた操作を行うための機能や、駐車の際にガイドラインを表示するなどの機能です。
文章や文字など自然言語の処理
概要：
もともとある文章から特定の情報を抽出したり、人が話した言語から文字情報を利用する処理です。教師あり学習のナイーブベイズなどを使用して実現されたりします。
活用例：
音声アシスタント
SiriやGoogleアシスタントといった話しかけた内容でスマートフォンやタブレットの操作を行う機能です。
カスタマーサポート
人間の代わりにAIがチャットや電話での対応を行ってくれるシステムになります。これによりコールセンターや窓口の有無に関係なく24時間対応が可能です。
文字の変換、予測
普段何気なく使用している文字の入力にも活用されています。よく使用する文字や漢字を予測してサポートが可能です。また、文章の要約作成や自動返信も登場しています。
メールフィルター
ある特定の文字や不規則な文字の羅列などからスパムメールなどを分類する機能です。
上記の組み合わせやディープラーニングにより、医療現場での診察や治療、公共機関でのアナウンスなどにも活用されています。
関連記事
AIエンジニアの平均年収は？海外での年収や年収1000万・2000万達成のポイントを解説
6.まとめ
本記事では機械学習の種類とアルゴリズムを中心に紹介してまいりました。
機械学習にやってもらいたい作業に応じて、学習や開発に対するコストはさまざまです。状況に合わせて、効率よく活用するための情報をしっかり整理していきましょう。
本記事が皆様にとって少しでもお役に立てますと幸いです。