ディープラーニング（Deep Learning／DL）は、多層のニューラルネットワークで複雑な特徴を学ぶ機械学習の一分野です。本記事はCNNの詳細ではなく、試験で問われる「なぜ深い層か」「いつ単純MLで十分か」「GPUとの関係」に焦点を当てます。
試験で問われる見方
○：ディープラーニングは機械学習の一分野で、多層NNが特徴（TF-004）。多層パーセプトロンは入力・隠れ・出力層を持つ（TF-053）。
×：DLは計算量が少なくGPUと無関係（TF-335）。大規模な行列演算のためGPU等が重要。
○：強力だが十分なデータ・計算資源・適切な設計・評価が必要。タスクによっては単純なMLの方が実用的な場合もある（TF-054）。
演習で確認する
ディープラーニングとは
「Deep」は隠れ層が多い（深い）ニューラルネットを指します。浅いNNでは表現しきれない画像のエッジ→形状→物体といった階層的特徴を、層を重ねることで自動獲得できます。
深い層の意味
各層は前層の出力を非線形変換し、より抽象度の高い表現へ写像します。画像ならピクセル→エッジ→パーツ→クラス、自然言語なら文字→語→文脈→意味、というイメージです。
層が増えると表現力は上がりますが、過学習や学習の不安定化のリスクも増えます。ドロップアウトや正則化、データ拡張などの対策がセットで問われます。
実用化の三条件
| 条件 | なぜ必要か |
|---|---|
| データ量 | パラメータが多いほど多様な例が必要 |
| 計算資源 | 学習は大量の行列演算（GPUが加速） |
| 設計・評価 | アーキテクチャ選定と汎化性能の検証 |
「DLなら常に最高精度」は誤り。データが少ない・解釈性が重要なタスクでは、決定木や線形モデルが選ばれることもあります。
代表アーキテクチャ
試験では名前と用途の対応がよく出ます。
- CNN — 画像認識（畳み込みで局所特徴）
- RNN / LSTM / GRU — 系列データ（時系列・文）
- Transformer — 自己注意機構。現代のLLMの基盤
- GAN・拡散モデル — 生成AI（Stable Diffusionなど）
よくある質問
ニューラルネットとディープラーニングの違いは？
ニューラルネットは計算モデル全般、ディープラーニングは層を深くしたNNを学習する手法・分野です。1〜2層のNNだけでは「ディープ」と呼ばないことが多いです。
推論時もGPUが必須？
学習ほどではありませんが、大規模モデルは推論でもGPUや専用チップが使われます。エッジ端末では軽量化技術が重要です。
生成AIはすべてDL？
現状の主要な生成AI（LLM、画像生成）はディープラーニングが中核です。ただし生成AIは「目的」（生成）、DLは「手法」の軸で、概念は交差します。