解説

ディープラーニング（深層学習）は、人間の脳神経回路（ニューロン）の仕組みを模したニューラルネットワークを多層に重ねた機械学習手法です。入力層と出力層の間に多数の中間層（隠れ層）を持ち、各層が前の層の出力を受けて段階的に特徴を抽出していくことで、従来は人間が設計していた特徴量を自動的に学習できる点が最大の特徴です。層を深くするほど、単純な特徴の組合せからより抽象的で複雑な概念を表現でき、複雑な非線形の判断境界を獲得できます。画像認識・音声認識・自然言語処理などで高い精度を発揮し、第3次AIブームの中核技術となりました。選択肢aは「人間の脳神経回路のように多層の処理を重ねることによって複雑な判断をできるようにする」とあり、多層ニューラルネットワークによる深層学習の本質を正確に述べているため正解です。誤差逆伝播法によって各層の重みを調整し、大量の訓練データから自動で特徴表現を獲得していく仕組みである点も押さえておきましょう。

なぜ他の選択肢は違うのか

選択肢 イ

「想定値から大きく外れた例外を取り除きながら分析を繰り返す」は外れ値処理やデータクレンジングに近い説明で、ディープラーニングの定義ではありません。深層学習はむしろ大量のデータから自動で特徴を学習する手法であり、例外を取り除く前処理を繰り返すこととは目的も仕組みも異なります。多層ニューラルネットワークという核心要素にも触れていません。

選択肢 ウ

「三段論法、統計的手法やパターン認識手法を組み合わせる」という記述は、推論や統計を併用する一般的なデータ分析の説明であり、多層ニューラルネットワークという深層学習の核心を欠いています。とりわけ三段論法（演繹推論）はルールに基づく記号的な処理であり、データから特徴を学習するディープラーニングの仕組みとは無関係です。

選択肢 エ

「知識がルールに従って表現され、演繹手法を利用した推論によって結論を導く」はルールベースのエキスパートシステム（記号的AI）の説明です。人間が明示的に与えたルールと推論エンジンを用いる点で、訓練データから自動的に特徴と判断基準を学習するディープラーニングとは正反対のアプローチであり、当てはまりません。

解くときのポイント

ディープラーニング＝多層ニューラルネットワークで特徴量を自動学習。対比語：エキスパートシステム（ルールベース・演繹）、データマイニング（相関・規則の発見）。「脳神経回路を模した多層」というキーワードで判別する。