ニューラルネットワーク（Neural Network）

🧠

ニューラルネットワークとは

ニューラルネットワークとは、人間の脳の神経細胞（ニューロン）のつながりをまねた、データから自動でパターンを学ぶ計算モデルのことです。たくさんの小さな計算ユニット（＝ノード）を層状に並べ、それらを「重み」でつないで情報を伝えていきます。

身近な例で考えると、会社の決裁の流れに似ています。担当者（入力層）が集めた情報を、課長たち（中間層）がそれぞれの判断基準で重み付けして整理し、最後に部長（出力層）が一つの結論を出す、というイメージです。重要視する情報ほど大きな「重み」がかかります。

上のツールで入力 x₁・x₂ のスライダーを動かすと、中間層の各ノードの値と最終出力 y が 連動して変化します。ノードをつなぐ線の色（緑＝正、赤＝負）と太さ（＝重みの大きさ）にも注目してください。

🔗

ノードと重みの役割

ネットワークはノード（＝1つの計算ユニット）と、それらをつなぐ重み（＝つながりの強さを表す数値）でできています。各ノードがやることは単純で、次の3つだけです。

・重み付き和：入ってくる値それぞれに重みを掛けて合計する（Σ(wᵢxᵢ)）
・バイアス b を足す：合計に下駄をはかせて、反応しやすさを調整する
・活性化関数 f に通す：その結果を変換して次の層へ渡す

重みが学習の主役です。最初はでたらめな重みからスタートし、正解とのズレ（誤差）が小さくなるよう少しずつ重みを調整します。これが「学習」の正体です。重みが大きい入力ほど結論に強く影響し、重みが負だと「その入力が増えるほど結論を下げる」という逆向きの効果になります（上の図の赤い線）。

📌

機械学習の中での位置づけ

ニューラルネットワークは、機械学習の手法の一つです。位置づけを整理すると「AI（人工知能）の中に機械学習があり、そのさらに中にニューラルネットワークがある」という入れ子の関係になります。

なぜニューラルネットワークが注目されるかというと、層を深く重ねる（＝ディープラーニング＝深層学習）ことで、画像認識や音声認識など「他の手法では難しかった複雑な問題」を解けるようになったからです。

ディープラーニング（Deep Learning）とは、中間層（隠れ層）を何十層・何百層と深く重ねたニューラルネットワークのことを指します。「深い（deep）」ネットワークだからディープラーニングと呼ばれています。画像生成AI・ChatGPTなどの最新AIも、ディープラーニングを土台にしています。

📌

学習とは重みを調整すること

ニューラルネットワークの「学習」とは、ひと言で言えば「重みを少しずつ調整して誤差を小さくしていく繰り返し作業」です。

なぜ重みを調整するかというと、最初はすべての重みが適当（ランダム）な値なので、出力が正解と大きくズレているからです。正解と出力の差（誤差）を計算し、誤差が小さくなる方向に重みを少しだけ変えます。これを大量のデータで何度も繰り返すと、重みが最適な値に近づいていきます。

この「誤差を出力から入力の方向へさかのぼりながら、各重みにどれだけ責任があるかを計算して修正する」仕組みを誤差逆伝播（バックプロパゲーション）と呼びます。上のビジュアライザーで x₁・x₂ を変えると出力が変わるのが「前向きの計算」で、その逆方向に誤差を伝えて重みを更新するのが「学習」のステップです。

📈

活性化関数の役割

活性化関数とは、ノードの計算結果（重み付き和 + バイアス）を、次の層に渡す前に変換する関数のことです。これがあることで、ニューラルネットは「直線では表せない複雑な関係」を学べるようになります。

なぜ必要かというと、活性化関数がないと層をいくら重ねても結局「ただの足し算・掛け算（線形変換）」にしかならず、複雑な判断ができないからです。神経細胞が一定の刺激を超えたときだけ「発火」するように、非線形な変換を加えることで表現力が一気に高まります。代表的な関数は次の3つです。

シグモイド: f(x) = 1 / (1 + e^-x) → 0〜1
ReLU: f(x) = max(0, x) → 0以上
tanh: f(x) = tanh(x) → -1〜1

・シグモイド：出力を確率のように 0〜1 に収める。古くから使われる
・ReLU：負を 0、正はそのまま。計算が軽く、深いネットワークで主流
・tanh：-1〜1 に収め、シグモイドより中心が 0 で扱いやすい

上のツールで活性化関数を切り替えると、同じ入力でも各ノードの出力と最終出力 y が変わります。「活性化関数＝非線形性を与えるもの」「ReLU が深層学習でよく使われる」という点を押さえておくとよいでしょう。