ディープラーニングとは？データマイニング・エキスパートシステムとの違い【基本情報技術者試験】

まず結論

ディープラーニングとは、多層のニューラルネットワークなどを使って、データから複雑な特徴やパターンを学習する機械学習の手法です。

基本情報技術者試験では、次の言葉が出てきたらディープラーニングを強く疑います。

多層
ニューラルネットワーク
中間層
特徴を学習
大量の画像・音声データ
認識・分類

覚える一文はこれです。

多層のニューラルネットワークで、大量のデータから複雑な特徴を学習するのがディープラーニング。

このページでは、機械学習の中でも、多層ニューラルネットワークで特徴を学習するディープラーニングに絞って扱います。機械学習全体の基本や従来型プログラムとの違いは、機械学習とは？を参照してください。

直感的な説明

通常のニューラルネットワークは、入力から出力までの間にある中間層を使って情報を処理します。

ディープラーニングでは、この中間層を深く重ねます。

入力
 ↓
中間層
 ↓
中間層
 ↓
中間層
 ↓
出力

層を重ねることで、単純な特徴から、より複雑な特徴へ段階的に表現できるようになります。

例えば画像なら、イメージとしては次のように考えられます。

線や輪郭
↓
形の組合せ
↓
物体らしい特徴
↓
分類結果

自動車の画像認識なら、大量の画像を学習して、歩行者と車などを識別する用途が代表例です。

ただし、人間の脳をそのまま再現しているわけではありません。

試験では「脳神経回路を参考にしたニューラルネットワークを多層化したもの」という説明が出ることがありますが、判断の中心は 多層ニューラルネットワークとデータからの学習 です。

定義・仕組み

ディープラーニングは、機械学習の一分野です。

大まかな関係は次のように整理できます。

人工知能（AI）
└─ 機械学習
   └─ ディープラーニング

ニューラルネットワーク

ニューラルネットワークは、複数の計算単位をつないで、入力から出力を求めるモデルです。

基本的には、

入力層
中間層
出力層

で構成されます。

ディープラーニング

ディープラーニングでは、中間層を複数重ねた深いネットワークを使います。

中間層が深い
→ 複雑な特徴やパターンを表現しやすい

大量のデータと計算資源を使って学習することで、画像認識、音声認識、自然言語処理などに利用されています。

FEでは、CNNやTransformerなどの詳細構造まで深く追うより、まず 「多層ニューラルネットワークを使い、データから特徴を学ぶ」 と判断できることを優先します。

このテーマは、データサイエンティストに必要な3つの力の記事にある「データサイエンス力」とも関係します。

公式の出題範囲やシラバスは、IPA：基本情報技術者試験から確認できます。

科目Aでどう出る？

科目Aでは、似たAI・データ分析用語の説明から正しいものを選ぶ問題だけでなく、実際の機器やサービスの事例から、ディープラーニングを使っているものを選ぶ問題もあります。

最初に、次の判断軸を使います。

キーワード	判断する用語・技術
多層ニューラルネットワーク	ディープラーニング
大量画像から特徴を学習して識別	ディープラーニング
大量データから規則・傾向を発見	データマイニング
専門家の知識をルール化して推論	エキスパートシステム
センサ値を検知して決められた処理を実行	センサ制御
通信回線でソフトウェアを更新	通信・OTA更新

ディープラーニング

多層
ニューラルネットワーク
特徴を学習
大量データ
画像・音声
認識・分類

が手掛かりです。

データマイニング

データマイニングは、大量のデータから有用な規則・傾向・関係などを見つけることを目的とします。

大量データ
未知の規則
傾向を発見
パターンを見つける

が手掛かりです。

ディープラーニングはデータ分析に使われることがありますが、

ディープラーニング
→ 学習モデル・手法

データマイニング
→ データから知識や規則を発見する目的・活動

と切り分けます。

エキスパートシステム

エキスパートシステムは、専門家の知識をルールとして表し、推論によって結論を導くシステムです。

IF 条件 THEN 結論
専門家の知識
知識ベース
推論
ルール

が手掛かりです。

FEでは、

データから学習する
→ 機械学習・ディープラーニング寄り

人が知識をルールとして与える
→ エキスパートシステム寄り

と考えると切り分けやすくなります。

車載機器の事例でどう見分ける？

車載機器の問題では、機能が高度そうだからといって、すぐにディープラーニングと判断しないことが重要です。

例えば、次のように切り分けます。

加速度センサで衝突を検知
→ センサ制御

大量の画像を学習して歩行者と車を識別
→ ディープラーニング

アイドリングストップで燃費を改善
→ 制御技術

通信回線で地図やソフトウェアを更新
→ 通信・OTA更新

決め手は、「大量のデータから学習して認識性能を高めているか」です。

どんな場面で使う？

画像認識

画像の中に何が写っているかを分類したり、物体を検出したりする場面で使われます。

車載カメラの画像から、歩行者、車、標識などを識別する用途も代表例です。

音声認識

音声データから発話内容を認識する処理に利用されます。

自然言語処理

文章の分類、翻訳、文章生成などの処理に利用されます。

FEでは個々のモデルを暗記するより、

大量データ
＋
学習
＋
認識・分類
→ ディープラーニングを疑う

という判断軸を持つ方が重要です。

よくある誤解・混同

高度な自動制御ならディープラーニング？

違います。

センサの値を読み取り、あらかじめ決められた条件で動作するだけなら、通常は制御処理です。

センサで検知
→ 条件判定
→ 決められた処理

という流れだけでは、ディープラーニングとは判断できません。

通信機能があるならAI？

違います。

通信回線を使ってソフトウェアや地図を更新することは、通信機能やOTA更新の説明です。

通信して更新
→ 通信技術

データから学習して認識
→ ディープラーニング

と切り分けます。

多層なら何でもディープラーニング

「多層」という言葉だけではなく、ニューラルネットワークや機械学習の文脈かを確認します。

多層ニューラルネットワーク
→ ディープラーニング

が判断の基本です。

ディープラーニングとデータマイニングは同じ

違います。

モデルにデータを学習させる
→ ディープラーニング

大量データから有用な規則や傾向を発見する
→ データマイニング

データマイニングのために機械学習を利用することはありますが、用語の役割は同じではありません。

エキスパートシステムもデータから自動学習する

試験では、エキスパートシステムは 専門家の知識をルールとして与え、推論するもの と整理します。

学習データから特徴を獲得
→ 機械学習

知識をルールで表現
→ エキスパートシステム

ディープラーニングは人間の脳をそのまま再現している

違います。

ニューラルネットワークは神経系から着想を得ていますが、人間の脳そのものを再現する技術ではありません。

試験では、細かな生物学的対応より 多層ニューラルネットワーク を判断軸にします。

確認問題（基本情報技術者試験対策）

次のうち、ディープラーニングを活用した例として最も適切なものはどれか。

ア. センサで衝撃を検知し、一定条件を超えたときに安全装置を作動させる
イ. 大量の画像を学習し、歩行者と車を識別する精度を高める
ウ. エンジン停止条件を判定してアイドリングストップを行う
エ. 通信回線を使って地図データを更新する

▶ クリックして答えと解説を見る（ここを開く）

正解：イ

大量の画像から特徴を学習し、認識や分類の精度を高める処理は、ディープラーニングの代表的な活用例です。

アはセンサ制御の説明です。
ウは制御技術の説明です。
エは通信・OTA更新の説明です。

まとめ（試験直前用）

ディープラーニングは機械学習の一分野
「多層＋ニューラルネットワーク」が重要なキーワード
大量のデータから特徴やパターンを学習する
画像・音声・文章などの認識や分類で使われる
高度な機能でも、単なるセンサ制御や通信ならディープラーニングとは限らない
大量データから規則・傾向を発見するならデータマイニング
専門家の知識をルール化して推論するならエキスパートシステム

大量データ＋学習＋認識
→ ディープラーニング

センサ値＋条件判定
→ 制御

通信して更新
→ 通信・OTA

FEでは「学習して認識するのか、決められた条件で動くのか」を見る。

🔗 関連記事

🏠 基本情報技術者トップに戻る