ディープラーニングとは？機械学習との違いをやさしく解説

「ディープラーニングって、機械学習と何が違う?」
「ニューラルネットワークと、どう関係する?」
「『層が深い』って、どういう意味?」

従来の機械学習では、「どこに注目するか」を人が指定していました。ディープラーニングは、その注目点すら自分で見つけます。ディープラーニングとは、脳をまねた仕組みを何層も重ねて学習する、機械学習の手法です。この「自分で見どころを見つける」力の正体を、よくある誤解をほどきながら開きます。

「DL＝AI?」「層は深いほど良い?」「DLは万能?」——この3つの誤解を外すと、ディープラーニングの得意と苦手がくっきりします。G検定のディープラーニングの概要に効きます。

1 1. 人が教えるか、自分で見つけるか
2 2. 誤解その1「DL＝AI」
3 3. 誤解その2「層は深いほど良い」
4 4. 誤解その3「DLは何でも同じやり方」
5 5. G検定での問われ方と、選び分け
- 5.1 次のステップ

1. 人が教えるか、自分で見つけるか

ディープラーニングと従来の機械学習を分ける核心は、特徴量を自分で見つけられるかの一点です。特徴量とは、データの「どこに注目するか」という手がかり。猫の画像なら「耳の形」「ひげ」です。従来の機械学習では、この注目ポイントを人が設計していました。ディープラーニングは、大量のデータから注目すべき点を自分で探し出します。

たとえるなら、利き酒師です。「この銘柄は、酸味と香りのここを見なさい」と一つずつ教わるのが従来の機械学習。対して、膨大な量を飲み比べるうちに、言葉にしにくい違いまで舌が勝手に覚えていくのがディープラーニング。どこに注目すべきかを、経験そのものから体得します。

あなたが押さえるべきこの「特徴量の自動獲得」は、専門的には表現学習と呼ばれます。従来の機械学習が「人が設計した特徴量＋学習アルゴリズム」だったのに対し、ディープラーニングは特徴量の設計そのものを学習に含めます。だから、人が手がかりを言葉で説明しにくい画像・音声・言葉でも、高い精度を出せます。土台のニューラルネットワークはニューラルネットワークとはでまとめています。

2. 誤解その1「DL＝AI」

よくある誤解が、AI・機械学習・ディープラーニングを同じ意味で使うことです。3つは入れ子の関係にあります。図で位置を確かめてください。

あなたがまず握るべきは、この包含です。いちばん外がAI、その中の一手法が機械学習、さらにその中の一手法がディープラーニングです。ニューラルネットワークを深く（ディープに）重ねたものがディープラーニング、それは機械学習の一種。この入れ子を握れば、「DLはAIそのもの」「DLは機械学習の外にある別物」という誤解は消えます。大きなくくりの機械学習は機械学習とはで押さえられます。

「層を深くする」意味も、ここで腑に落ちます。層が浅いと単純なパターンしかとらえられません。層を重ねるほど、複雑で抽象的なパターンを段階的に学べる。画像なら、最初の層で「線や点」、次で「目や鼻」、深い層で「顔そのもの」へと組み上がります。深さは、抽象度を上げるための階段です。

3. 誤解その2「層は深いほど良い」

「とにかく深くすれば精度が上がる」も誤解です。特徴を自分で見つける力の代償として、ディープラーニングは大量の学習データと計算資源を要求します。データが少ない場面では、人が特徴量を設計する従来の機械学習のほうが、かえって良い結果を出すこともあります。

あなたが実務やG検定で判断するとき効くのが、この対比です。あなたの手元にデータがどれだけあるかで、選ぶべき道具が変わります。表で押さえてください。

観点	従来の機械学習	ディープラーニング
特徴量	人が設計する	自分で見つける（表現学習）
必要なデータ量	比較的少なくても動く	大量に要る
計算資源	軽め	重い（GPU等が要る）
向く場面	データが少ない・説明性が要る	画像・音声・言語など大量データ

使い分けの目印は「データが潤沢にあるか」です。画像や音声のように大量のデータがそろい、特徴を言葉で説明しにくい場面ではディープラーニング。データが少なく、なぜその判断かの説明が要る場面では従来の機械学習。深さは万能の魔法ではなく、データ量と引き換えに手に入れる力だと捉えてください。

4. 誤解その3「DLは何でも同じやり方」

最後の誤解が、「ディープラーニングは1つのやり方で何でもこなす」というもの。実際は、扱うデータの形に応じて手法を選びます。あなたが向き合うのが画像なのか文章なのかで、選ぶべき手法は変わります。代表的な2つを押さえましょう。

CNN（畳み込みニューラルネットワーク）: 画像の局所的な特徴（線・形）をとらえるのが得意
RNN（再帰型ニューラルネットワーク）: 前の入力を次に持ち越せるので、文章や音声など順番のあるデータが得意

近年の文章処理では、RNNに代わってTransformerという手法が主流になりました。生成AIや大規模言語モデルも、このディープラーニングが土台です。仕組みのつながりは LLMとはで深掘りできます。画像で広く使われるCNNは CNNとはでくわしく解説しています。学習の基本は誤差逆伝播法で、出した答えと正解のズレを出力側から入力側へ逆向きにたどり、各層の重みを少しずつ調整します。これを膨大なデータで繰り返し、ネットワーク全体を「正しく予測できる状態」へ近づけます。

2010年代にディープラーニングが性能を大きく伸ばしたことが、第3次AIブームのきっかけになりました。コンピュータの性能向上と、学習に使える大量データがそろったことが後押しです。いま身近にあるAIの多くが、この波の中の出来事だと捉えると、時代の流れがつかめます。

5. G検定での問われ方と、選び分け

G検定では、DLの位置づけ（入れ子）と、従来の機械学習との違いが問われます。あなたが握るべき選び分けは、「特徴量を人が設計するか、自動で獲得するか」「データは潤沢か」の2点です。

「従来の機械学習との最大の違いは」なら特徴量の自動獲得（表現学習）。「AI・機械学習・DLの関係は」なら入れ子。「画像に強い手法は」ならCNN、「系列データは」ならRNNやTransformer。ここまでほどいた3つの誤解が、そのまま引っかけの元です。DLをAIそのものとする選択肢、深ければ深いほど良いとする選択肢——どれも、握った軸で切れます。用語を単体で覚えるより、「NNを深く重ねた、特徴量を自分で見つける機械学習の一種」という一文で捉えるほうが、応用が利きます。

次のステップ

ディープラーニングがG検定のどこに位置づくかは、G検定の試験範囲と勉強法ガイドで概要の並びをたどると、学ぶ順番が定まります。

入れ子の関係や手法の使い分けは、問題で試すと定着します。G検定ディープラーニング基礎の問題集で、出題角度に手を慣らしておきましょう。