全結合層
全結合層は、ニューラルネットワークにおいて前の層のすべてのニューロンと次の層のすべてのニューロンが結合している基本構造です。データの最終的な分類や回帰を行う重要な役割を持ち、多くの深層学習モデルの出力段で広く使われています。
ディープラーニングのAI用語一覧
364件ディープラーニングに関するAI用語を364件掲載しています。意味や使い方、関連用語を一覧から確認できます。
重み行列
重み行列とは、ニューラルネットワークにおいて入力データに対するパラメータ（重み）を2次元の格子状（行列）にまとめた数値データです。層と層の接続強度を数値として保持し、入力値と行列の積を計算することで、特徴量の抽出やデータの変換を行います。学習の過程で最適化され、モデルの予測精度を決定づける重要な要素です。
方策ネットワーク
方策ネットワークとは、強化学習においてエージェントが特定の状態に置かれた際に、次に取るべき行動の確率分布を出力するニューラルネットワークです。深層強化学習の中核技術であり、囲碁AI「AlphaGo」やロボット制御などの高度な意思決定タスクに広く応用されています。
損失関数
損失関数とは、AIの予測値と正解データのズレを数値化する数学的な関数のことです。この値が小さいほどAIの予測精度が高いと判断され、モデルのパラメータ調整や最適化を行うための基準として機械学習の学習プロセスにおいて不可欠な役割を果たします。
スクラッチ学習
スクラッチ学習とは、事前学習済みのモデルを使用せず、初期化された重みを持つニューラルネットワークなどに対して、独自のデータセットを用いてゼロから学習を行う手法です。特定用途への高い適性が期待できる反面、膨大な計算資源とデータ量が必要となります。
ハイパーパラメータ
ハイパーパラメータとは、機械学習モデルの訓練を開始する前に人間や外部アルゴリズムが事前に設定する調整用パラメータです。モデルの学習プロセスそのものや構造を制御する役割を持ち、学習率やバッチサイズ、エポック数などが代表例です。モデルがデータから自動的に獲得する通常のパラメータとは区別され、予測精度や学習速度を左右する極めて重要な要素です。
パラメータ
パラメータとは、AIや機械学習のモデルがデータから学習する過程で自動的に調整される内部の数値データです。主に重みとバイアスで構成され、入力データから適切な予測や判断を行うための計算式を形作ります。パラメータの数が増えるほどモデルの表現力が高まりますが、膨大な計算資源と広範な学習データが必要になります。
有効受容野
有効受容野とは、ニューラルネットワークの出力層の特定のニューロンが、入力画像やデータのどの範囲から強く影響を受けているかを示す領域です。理論上の受容野よりも狭い範囲に影響が集中する特性があり、モデルの動作理解や性能向上に重要な役割を果たします。
ニューラルネットワーク
ニューラルネットワークとは、人間の脳神経系（ニューロン）の構造をモデルにしたAI技術の基盤となる仕組みです。入力データを受け取り、複数の計算層で重み付けや変換処理を行うことで、画像認識や自然言語処理など複雑なパターンの学習と予測を可能にします。現代のディープラーニングを支える中心的な技術として、幅広い分野で活用されています。
事前学習
事前学習とは、AIモデルに特定のタスクを学習させる前段階として、大量のデータを用いて汎用的な知識やパターンを習得させるプロセスのことです。ディープラーニングや大規模言語モデルの開発において不可欠な手法であり、ゼロから学習させるよりも少ないデータと計算量で高精度なモデルを構築できる転移学習の基礎となっています。
RNN
RNN（Recurrent Neural Network）は、時系列データや自然言語などの順序を持つ情報を処理するために設計されたニューラルネットワークです。過去の出力を記憶しながら処理を進める点が特徴ですが、長距離の依存関係学習には勾配消失問題などの限界があります。
エポック
エポックとは、機械学習やディープラーニングにおいて、訓練用データセット全体をモデルに1回学習させる単位のことです。データが1周学習されると「1エポック」とカウントされます。学習回数を適切に設定することで、AIモデルの予測精度を高めつつ、過学習や未学習を防ぐために重要なハイパーパラメータとして使用されます。
訓練済みモデル
訓練済みモデルとは、機械学習やディープラーニングのアルゴリズムに大量のデータを学習させ、予測や判断ができるようにパラメータを最適化した状態のAIプログラムのことです。
ソフトマックス関数
ソフトマックス関数とは、複数の数値を合計が1になる確率のような分布へと変換する活性化関数です。主にニューラルネットワークの出力層で使われ、多クラス分類問題において各クラスに属する確率を算出する際に重要な役割を果たします。
ReLU
ReLU（レルー）は、ディープラーニングのニューラルネットワークで広く用いられる活性化関数の一種です。入力値が0以下の場合は0を出力し、0を超える場合は入力をそのまま出力するという単純な計算ルールを持ちます。計算が非常に高速で、勾配消失問題を緩和できるため、現代の深層学習モデルにおいてデファクトスタンダードとして定着しています。
エンコーダ
エンコーダとは、入力されたデータをコンピュータが処理しやすい形や別の表現に変換する仕組みのことです。自然言語処理や画像認識などのAI分野で広く活用されており、データの意味や特徴を効率的に抽出する役割を担っています。
転移学習
転移学習とは、ある領域で学習した知識やモデルを別の関連する領域の学習に再利用する技術です。ゼロからモデルを構築する場合に比べて必要なデータ量や計算コストを大幅に削減でき、データが少ない課題でも高精度な予測を実現します。画像認識や自然言語処理などのディープラーニング領域で広く活用されています。
潜在空間
潜在空間とは、画像や文章などの複雑なデータを、AIが意味や特徴を捉えて圧縮・配置した数値表現の空間です。類似したデータが近い位置に集まるため、AIはデータの概念的な類似性を計算したり、滑らかな補間によって新しいデータを生成したりできます。画像生成AIや自然言語処理の基礎となる極めて重要な概念です。
行列演算
行列演算とは、複数の数値を格子状に並べた行列同士の足し算や掛け算などの計算のことです。AIやディープラーニングにおいて膨大なデータを効率的に処理するための基礎となる数学的手法であり、現代のAI技術を支える不可欠な要素となっています。
勾配クリッピング
勾配クリッピングは、ニューラルネットワークの学習時に発生する勾配爆発を防ぐため、算出された勾配の大きさに閾値を設けて制限する技術です。過度に大きな勾配を切り詰めることで、パラメータの更新を安定させ、学習を正常に収束させることができます。
並列処理
並列処理とは、コンピュータにおいて複数の計算を同時に実行する技術です。AIやディープラーニングの分野では、膨大な数のパラメータを持つニューラルネットワークの学習や推論を高速化するために、GPUなどのマルチコアプロセッサを用いた並列処理が不可欠となっています。限られた時間で大量のデータを処理するための基盤技術です。
重み
重みとは、人工知能や機械学習モデルにおいて、入力データの特徴が予測結果に与える影響の大きさを表す数値（パラメータ）です。学習の過程でデータをもとに調整され、AIの精度を決定づける重要な要素となります。重みの値が大きくなるほど、その入力情報が最終判断に及ぼす影響が強くなります。
敵対的生成ネットワーク
敵対的生成ネットワーク（GAN）は、生成器と識別器という2つのAIモデルを競い合わせることで、高精度な画像やデータを自動生成するディープラーニングの枠組みです。1人のアーティストと1人の鑑定士が競うように学習し、本物そっくりな偽物を作り出します。
画像分類
画像分類とは、入力された画像全体がどのようなカテゴリに属するかをコンピュータに判定させるAI技術です。例えば、写真に猫が映っているか犬が映っているかを自動で識別するタスクで広く使われており、画像認識の基本技術として多分野で活用されています。