2026a 第08回:AI基礎

台風のためオンライン開講です

出席はZoomの参加者名簿で取得します。表示名を学籍番号 + 氏名としてください

小テストは前回のオンライン時同様、来週２件まとめて実施します

Alan Turing

チューリングテスト ... 機械は人間のようにふるまえるか？ (=知能の評価)

チューリング完全 ... その仕組みはあらゆる計算ができるか？ (=計算能力の性質)

条件分岐、繰り返し、自由に使えるメモリがあること等

最近の汎用プログラミング言語は皆チューリング完全

電卓は非チューリング完全

AI進化の歴史

SVM・ランダムフォレスト、ニューラルネット・ディープラーニング、トランスフォーマーの違いを再整理

前提条件

タスク：犬と猫の画像判別

table: AI進化の歴史

段階 手法 解き方 特徴量の定義者

1. SVM・ランダムフォレスト 人間が「耳の形」等を数値化して渡す 人間

2. ニューラルネット・ディープラーニング 機械がピクセルから勝手に特徴を覚える 機械

3. トランスフォーマー 画像のどこに注目するかも機械が決める 注目先も機械

1. SVMとランダムフォレスト

人間が「耳の先のとがり具合」を計算する関数と、大量の犬別・猫別サンプルデータを用意

機械は、その特徴空間で最適な境界線（区切り方）を見つける

2. ニューラルネット・ディープラーニング

人間は大量の「犬別・猫別」サンプルデータを用意

機械が自ら様々な計算を試しながら、特徴自体を自ら見出していく

線や色の境目 → 目・鼻・耳 → 顔の配置…

3. トランスフォーマー

第二世代で画像によく使われた方式（CNN）は、近所のピクセルをまとめて見るのが得意で、離れた場所どうしの関係を直接見るのは苦手

第三世代では「画像全体を俯瞰して評価し、離れた要素同士の関係性」も一発で評価できるように

「左上の耳と右下の尻尾」の関係性を評価できる

データ・特徴量・モデル・損失

「特徴量」

不動産投資の場合 … 賃料、床面積、築年数だけでなく「学校からの距離」「開発計画の有無」など

よい「特徴量」の特定が良い学習につながる

教師あり学習の「正解」について

迷惑メールのような「yes/no (binary)」なパターンだけではない

株価価格予測も「直前にこのようなトレンドがあって、次はこうなった」という正解と言える

課題