人工知能（AI）の体系的理解

やかん 

人工知能（AI）
├── ルールベースシステム（Rule-Based Systems）
│   ├── 専門家システム（Expert Systems）
│   ├── チューリングテスト（Turing Test）
│   └── チャットボット（Chatbots）
│       ├── ルールベースチャットボット（Rule-Based Chatbots）
│       └── AIベースチャットボット（AI-Based Chatbots）
├── 機械学習（ML）
│   ├── 教師あり学習（Supervised Learning）
│   │   ├── 分類（Classification）
│   │   │   ├── ロジスティック回帰（Logistic Regression）
│   │   │   ├── サポートベクターマシン（SVM）
│   │   │   ├── k-近傍法（k-NN）
│   │   │   └── 決定木（Decision Trees）
│   │   ├── 回帰（Regression）
│   │   │   ├── 線形回帰（Linear Regression）
│   │   │   ├── 多項式回帰（Polynomial Regression）
│   │   │   └── リッジ回帰（Ridge Regression）
│   │   └── 時系列予測（Time Series Forecasting）
│   │       ├── ARIMAモデル
│   │       └── LSTMモデル
│   ├── 教師なし学習（Unsupervised Learning）
│   │   ├── クラスタリング（Clustering）
│   │   │   ├── k-平均法（k-Means）
│   │   │   ├── 階層的クラスタリング（Hierarchical Clustering）
│   │   │   └── DBSCAN
│   │   ├── 次元削減（Dimensionality Reduction）
│   │   │   ├── 主成分分析（PCA）
│   │   │   ├── t-SNE
│   │   │   └── UMAP
│   │   └── 異常検知（Anomaly Detection）
│   │       ├── 変分自己符号化器（VAE）
│   │       ├── アイソレーションフォレスト（Isolation Forest）
│   │       └── 1-クラスSVM（One-Class SVM）
│   ├── 強化学習（Reinforcement Learning）
│   │   ├── Q学習（Q-Learning）
│   │   ├── 深層強化学習（Deep Reinforcement Learning）
│   │   │   ├── DQN（Deep Q-Network）
│   │   │   ├── PPO（Proximal Policy Optimization）
│   │   │   └── A3C（Asynchronous Advantage Actor-Critic）
│   │   └── マルチエージェントシステム（Multi-Agent Systems）
│   │       └── 協調型強化学習（Cooperative Reinforcement Learning）
│   ├── 深層学習（Deep Learning, DL）
│   │   ├── ニューラルネットワーク（Neural Networks）
│   │   │   ├── 多層パーセプトロン（MLP）
│   │   │   └── 自己符号化器（Autoencoders）
│   │   ├── 畳み込みニューラルネットワーク（CNN）
│   │   │   ├── 画像分類（Image Classification）
│   │   │   ├── 物体検出（Object Detection）
│   │   │   ├── セグメンテーション（Segmentation）
│   │   │   └── 生成モデル（Generative Models）
│   │   ├── リカレントニューラルネットワーク（RNN）
│   │   │   ├── 長短期記憶（LSTM）
│   │   │   ├── ゲート付きリカレントユニット（GRU）
│   │   │   └── 双方向RNN（Bi-directional RNN）
│   │   └── トランスフォーマー（Transformer）
│   │       ├── BERT
│   │       ├── GPT-4
│   │       └── T5
│   ├── グラフ理論とネットワーク分析（Graph Theory and Network Analysis）
│   │   ├── グラフニューラルネットワーク（GNN）
│   │   └── ソーシャルネットワーク分析（Social Network Analysis）
│   └── 異常検知（Anomaly Detection）
│       ├── 時系列異常検知（Time Series Anomaly Detection）
│       └── ネットワーク異常検知（Network Anomaly Detection）
├── 自然言語処理（NLP）
│   ├── テキスト生成（Text Generation）
│   │   ├── GPT-4
│   │   └── LSTMベースモデル
│   ├── 機械翻訳（Machine Translation）
│   │   ├── Google翻訳
│   │   └── 神経機械翻訳（NMT）
│   ├── 質問応答（Question Answering）
│   │   ├── BERTベースモデル
│   │   └── GPT-4ベースモデル
│   └── 感情分析（Sentiment Analysis）
│       ├── 辞書ベース手法（Lexicon-Based Methods）
│       └── 機械学習ベース手法（Machine Learning-Based Methods）
├── コンピュータビジョン（Computer Vision）
│   ├── 画像分類（Image Classification）
│   │   ├── CNNベースモデル
│   │   └── ResNet
│   ├── 物体検出（Object Detection）
│   │   ├── YOLO（You Only Look Once）
│   │   └── Faster R-CNN
│   ├── 画像生成（Image Generation）
│   │   ├── GANs（生成対向ネットワーク）
│   │   │   ├── DCGAN
│   │   │   └── StyleGAN
│   │   └── VAE（変分オートエンコーダー）
│   └── 映像解析（Video Analysis）
│       ├── 動作認識（Action Recognition）
│       └── 映像要約（Video Summarization）
├── ロボティクス（Robotics）
│   ├── 自律ロボット（Autonomous Robots）
│   │   ├── 自動運転車（Self-Driving Cars）
│   │   ├── ドローン（Drones）
│   │   └── 探査ロボット（Exploration Robots）
│   ├── 産業用ロボット（Industrial Robots）
│   │   ├── アームロボット（Robot Arms）
│   │   ├── 自動搬送ロボット（Automated Guided Vehicles, AGVs）
│   │   └── 自律移動ロボット（Autonomous Mobile Robots, AMRs）
│   └── サービスロボット（Service Robots）
│       ├── ホームアシスタント（Home Assistants）
│       └── 医療アシスタント（Medical Assistants）
└── エージェントシステム（Agent Systems）
    ├── マルチエージェントシステム（Multi-Agent Systems）
    │   ├── 分散協調型エージェント（Distributed Cooperative Agents）
    │   └── 分散競合型エージェント（Distributed Competitive Agents）
    ├── 自律エージェント（Autonomous Agents）
    │   ├── 移動エージェント（Mobile Agents）
    │   └── 定置型エージェント（Stationary Agents）
    └── 分散人工知能（Distributed AI）
        ├── クラウドベースAI（Cloud-Based AI）
        └── エッジAI（Edge AI）

1. ルールベースシステム（Rule-Based Systems）

1.1 専門家システム（Expert Systems）

専門家システムは、特定の領域における専門知識を模倣するために使用される。医療診断システム、故障診断システム、金融アドバイザーシステムなどがある。

1.2 チューリングテスト（Turing Test）

チューリングテストは、コンピュータが人間と区別できないほどの知能を持つかを評価するテスト。

1.3 チャットボット（Chatbots）

チャットボットは、ユーザーと自動で対話するシステムである。ルールベースチャットボットとAIベースチャットボットの2種類がある。

2. 機械学習（ML）

2.1 教師あり学習（Supervised Learning）

教師あり学習はラベル付きデータを使用してモデルを訓練する。

2.1.1 分類（Classification）

  • ロジスティック回帰（Logistic Regression）: 二値分類に使用される線形モデル。シグモイド関数を用いて出力を確率として解釈する。

  • サポートベクターマシン（SVM）: 境界線（ハイパープレーン）を最適化してデータを分類するモデル。カーネル法を用いて非線形問題にも対応。

  • k-近傍法（k-NN）: 新しいデータポイントを既知のデータポイントの中で最も近いk個の点に基づいて分類する。

  • 決定木（Decision Trees）: データの特徴に基づいて意思決定ルールを構築し、データを分類するツリー構造のモデル。

2.1.2 回帰（Regression）

  • 線形回帰（Linear Regression）: 連続的な目標変数を予測するために、入力変数と出力変数の間の線形関係をモデル化する。

  • 多項式回帰（Polynomial Regression）: 線形回帰の拡張で、入力変数と出力変数の間の非線形関係を多項式としてモデル化する。

  • リッジ回帰（Ridge Regression）: 線形回帰にL2正則化を加え、過学習を防ぐ。

2.1.3 時系列予測（Time Series Forecasting）

  • ARIMAモデル: 自己回帰（AR）と移動平均（MA）の成分を組み合わせた時系列予測モデル。差分（I）を取り入れて非定常時系列にも対応。

  • LSTMモデル: 長短期記憶（LSTM）ネットワークを用いて、長い依存関係を持つ時系列データを予測する。

2.2 教師なし学習（Unsupervised Learning）

教師なし学習はラベルなしデータを使用してデータのパターンを発見する。

2.2.1 クラスタリング（Clustering）

  • k-平均法（k-Means）: データをk個のクラスターに分割し、各クラスターの中心を最小化する。

  • 階層的クラスタリング（Hierarchical Clustering）: データを階層的にクラスタリングし、デンドログラムを用いて可視化する。

  • DBSCAN: 密度に基づくクラスタリング手法で、任意の形状のクラスターを検出し、ノイズも扱える。

2.2.2 次元削減（Dimensionality Reduction）

  • 主成分分析（PCA）: データの分散を最大化する方向にデータを射影し、次元を削減する。

  • t-SNE: 高次元データを2次元または3次元に低次元化し、データの構造を視覚化する。

  • UMAP: 高次元データの低次元表現を学習し、データのクラスタリングや可視化に使用する。

2.2.3 異常検知（Anomaly Detection）

  • 変分自己符号化器（VAE）: データの生成モデルとして使用され、異常データの検出に利用。

  • アイソレーションフォレスト（Isolation Forest）: データポイントをランダムに分割し、異常値を特定する。

  • 1-クラスSVM（One-Class SVM）: 正常データの境界を学習し、異常データを検出する。

2.3 強化学習（Reinforcement Learning）

強化学習はエージェントが環境と相互作用し、報酬を最大化するための行動を学習する。

2.3.1 Q学習（Q-Learning）

状態と行動のペアに対して価値を割り当て、その価値を最大化する行動を選択する。

2.3.2 深層強化学習（Deep Reinforcement Learning）

  • DQN（Deep Q-Network）: 深層ニューラルネットワークを用いてQ値を近似する。

  • PPO（Proximal Policy Optimization）: ポリシーを最適化する手法で、収束が安定しやすい。

  • A3C（Asynchronous Advantage Actor-Critic）: 複数のエージェントが並行して学習し、全体のパフォーマンスを向上させる。

2.3.3 マルチエージェントシステム（Multi-Agent Systems）

  • 協調型強化学習（Cooperative Reinforcement Learning）: 複数のエージェントが協力してタスクを遂行する。

2.4 深層学習（Deep Learning, DL）

深層学習は多層ニューラルネットワークを使用してデータから学習する。

2.4.1 ニューラルネットワーク（Neural Networks）

  • 多層パーセプトロン（MLP）: 複数の層を持つフィードフォワードニューラルネットワーク。

  • 自己符号化器（Autoencoders）: データの圧縮と再構成を行うニューラルネットワーク。

2.4.2 畳み込みニューラルネットワーク（CNN）

  • 画像分類（Image Classification）: 畳み込み層を用いて画像データを分類する。

  • 物体検出（Object Detection）: 画像内の物体を検出し、位置を特定する。

  • セグメンテーション（Segmentation）: 画像をピクセル単位で分類する。

  • 生成モデル（Generative Models）: 新しいデータを生成するためのモデル。

2.4.3 リカレントニューラルネットワーク（RNN）

  • 長短期記憶（LSTM）: 長い依存関係を持つデータを処理する。

  • ゲート付きリカレントユニット（GRU）: LSTMの簡略版で、計算効率が高い。

  • 双方向RNN（Bi-directional RNN）: 順方向と逆方向の両方でデータを処理する。

2.4.4 トランスフォーマー（Transformer）

  • BERT: 双方向エンコーダーを用いた言語モデル。

  • GPT-4: 自己回帰型の言語モデル。

  • T5: テキスト変換タスクに特化したモデル。

2.5 グラフ理論とネットワーク分析（Graph Theory and Network Analysis）

  • グラフニューラルネットワーク（GNN）: グラフデータを扱うニューラルネットワーク。

  • ソーシャルネットワーク分析（Social Network Analysis）: ソーシャルネットワーク内の関係を分析する。

2.6 異常検知（Anomaly Detection）

  • 時系列異常検知（Time Series Anomaly Detection）: 時系列データの異常を検出する。

  • ネットワーク異常検知（Network Anomaly Detection）: ネットワークトラフィックの異常を検出する。

3. 自然言語処理（NLP）

3.1 テキスト生成（Text Generation）

  • GPT-4: 自然なテキストを生成する大規模言語モデル。

  • LSTMベースモデル: 時系列データに基づいてテキストを生成する。

3.2 機械翻訳（Machine Translation）

  • Google翻訳: 多言語間のテキスト翻訳を行うサービス。

  • 神経機械翻訳（NMT）: ニューラルネットワークを用いた高度な翻訳技術。

3.3 質問応答（Question Answering）

  • BERTベースモデル: 高精度な質問応答を行うための言語モデル。

  • GPT-4ベースモデル: 自然な対話を生成するための言語モデル。

3.4 感情分析（Sentiment Analysis）

  • 辞書ベース手法（Lexicon-Based Methods）: 事前定義された辞書を使用して感情を分析する。

  • 機械学習ベース手法（Machine Learning-Based Methods）: 機械学習アルゴリズムを用いてテキストの感情を解析する。

4. コンピュータビジョン（Computer Vision）

4.1 画像分類（Image Classification）

  • CNNベースモデル: 畳み込みニューラルネットワークを用いて画像を分類する。

  • ResNet: 深いニューラルネットワーク構造を持つ画像分類モデル。

4.2 物体検出（Object Detection）

  • YOLO（You Only Look Once）: 高速かつ正確な物体検出モデル。

  • Faster R-CNN: 高精度な物体検出を行うモデル。

4.3 画像生成（Image Generation）

  • GANs（生成対向ネットワーク）: 新しい画像を生成するためのモデル。

    • DCGAN: 深層畳み込み生成対向ネットワーク。

    • StyleGAN: 高品質な画像生成を行うGAN。

  • VAE（変分オートエンコーダー）: データの生成と異常検知に使用されるモデル。

4.4 映像解析（Video Analysis）

  • 動作認識（Action Recognition）: 動画内の動作を認識する。

  • 映像要約（Video Summarization）: 動画の重要な部分を抽出して要約する。

5. ロボティクス（Robotics）

5.1 自律ロボット（Autonomous Robots）

自律的に動作するロボット。以下のような応用がある：

  • 自動運転車（Self-Driving Cars）: 自律的に運転を行う車両。

  • ドローン（Drones）: 自律的に飛行する無人航空機。

  • 探査ロボット（Exploration Robots）: 未知の環境を探索するロボット。

5.2 産業用ロボット（Industrial Robots）

産業用ロボットは産業用途で使用されるロボット。以下のような応用がある：

  • アームロボット（Robot Arms）: 製造や組み立て作業を行うロボットアーム。

  • 自動搬送ロボット（Automated Guided Vehicles, AGVs）: 自律的に物品を搬送するロボット。

  • 自律移動ロボット（Autonomous Mobile Robots, AMRs）: 高度なナビゲーション能力を持ち、自律的に移動し作業を行うロボット。

5.3 サービスロボット（Service Robots）

サービス提供を目的としたロボット。以下のような応用がある：

  • ホームアシスタント（Home Assistants）: 家庭内で様々な支援を行うロボット。

  • 医療アシスタント（Medical Assistants）: 医療現場で支援を行うロボット。

6. エージェントシステム（Agent Systems）

6.1 マルチエージェントシステム（Multi-Agent Systems）

マルチエージェントシステムは、複数のエージェントが協力または競争しながらタスクを遂行するシステム。

6.1.1 分散協調型エージェント（Distributed Cooperative Agents）

分散協調型エージェントは、共同で目標を達成するために相互に協力し合う。

6.1.2 分散競合型エージェント（Distributed Competitive Agents）

分散競合型エージェントは、競争関係にあるエージェントが各自の目標を達成するために行動する。

6.2 自律エージェント（Autonomous Agents）

自律エージェントは、自律的に行動し、環境と相互作用するエージェント。

6.2.1 移動エージェント（Mobile Agents）

移動エージェントは、ネットワークを移動しながらタスクを遂行するエージェント。

6.2.2 定置型エージェント（Stationary Agents）

定置型エージェントは、特定の場所に固定されてタスクを遂行するエージェント。

6.3 分散人工知能（Distributed AI）

分散人工知能は、複数のAIシステムが分散環境で協調して動作するシステム。

6.3.1 クラウドベースAI（Cloud-Based AI）

クラウドベースAIは、クラウド環境でAIモデルをホストし、スケーラブルに計算リソースを利用する。

6.3.2 エッジAI（Edge AI）

エッジAIは、デバイス上でAIモデルを実行し、リアルタイムのデータ処理と低遅延の応答を実現する。


この記事が気に入ったらサポートをしてみませんか？