機械学習とディープラーニングの違い
(GPTコピペ)
🧠 機械学習（Machine Learning, ML）
ざっくり：「データからルールを学ぶプログラムの仕組み」
特徴
人間が「特徴量（features）」を設計する必要がある。 例：画像分類なら「色ヒストグラム」「エッジの本数」とかを人が決めてあげる。
代表的な手法👉
- 決定木（if文の木みたいなルール）
- SVM（境界線をひくやつ）
- ランダムフォレスト
- 線形回帰・ロジスティック回帰
→ 強み：データが少なくてもわりといける。 → 弱み：特徴量設計が大変。
🤖 ディープラーニング（Deep Learning, DL）
ざっくり：「特徴量設計も自動でやってくれる機械学習の一種」
仕組み
- ニューラルネットワーク（多層のノード）が「特徴量の抽出」も「分類」も全部まとめてやる。
- 入力→隠れ層（たくさん）→出力 この「隠れ層が深い（deep）」から名前がついた。
応用例👉
- 画像認識（猫画像判定🐱✨）
- 音声認識（Siriとか）
- 翻訳（Google翻訳のニューラル翻訳）
- ChatGPTみたいな大規模言語モデルもここ！
→ 強み：めちゃ表現力が高い、特徴量設計が不要。 → 弱み：データと計算資源（GPUとか）が大量に必要。
✨ 違いを一言で！
- 機械学習：人間が「何を見ればいいか」考えてから学ばせる。
- ディープラーニング：データを丸ごと突っ込んで、AIが自動で「何を見ればいいか」も学ぶ。