ニューラルネットワーク（Neural Network）の仕組みを、初心者〜中級者向けにわかりやすくまとめます。
1. 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）を模倣した機械学習モデル。 大量のデータからパターンやルールを自動で学習し、予測や分類を行う。主な用途：
- 画像認識（猫か犬か？）
- 音声認識
- 自然言語処理（翻訳、チャットボット）
- 株価予測 など
2. 基本構造（構成要素）
① ニューロン（ノード）
- 入力を受け取り、計算して出力する単位
- 生物の神経細胞に似せている
② 層（Layer）の種類
- 入力層（Input Layer）：データを入れるところ
- 隠れ層（Hidden Layers）：特徴を抽出・加工する中間層（これが多いほど「深い」＝Deep Learning）
- 出力層（Output Layer）：最終的な答えを出す
③ 重み（Weight）とバイアス（Bias）
- 各入力に掛けられる「重要度」の数値＝重み（w）
- 足し算のズレを調整する定数＝バイアス（b）
- これらが学習で最適化される
④ 活性化関数（Activation Function）ニューロンの出力を「発火させるかしないか」を決める非線形関数。 代表的なもの：
- ReLU（Rectified Linear Unit）：max(0, x) → 今一番使われている
- シグモイド（Sigmoid）：0〜1の確率出力によく使用（二値分類）
- tanh（ハイパボリックタンジェント）
- Softmax：複数クラスの確率に変換（出力層でよく使用）
3. 順伝播（Forward Propagation）
入力 → 隠れ層 → 出力 の流れで計算していくプロセス例（1つのニューロンでの計算）：
z = w1*x1 + w2*x2 + ... + b
a = ReLU(z) または sigmoid(z) などこれを層ごとに繰り返す。
4. 学習の仕組み（どうやって賢くなるか）
① 損失関数（Loss Function）予測と正解のズレを数値化したもの
- 回帰：平均二乗誤差（MSE）
- 分類：クロスエントロピー誤差
② 逆伝播（Backpropagation）損失を小さくするために、「どこが悪かったか」を後ろから計算して伝える → 重みとバイアスを少しずつ調整
③ 最適化アルゴリズム（Optimizer）重みをどう更新するか
- SGD（確率的勾配降下法）
- Adam（現在最も使われている、高速で安定）
④ エポック（Epoch）データ全体を1周学習すること。これを何十〜何百回と繰り返す
5. 代表的なニューラルネットワークの種類
| 種類 | 特徴・用途 |
|---|---|
| 全結合ニューラルネット（MLP） | 基本形。画像以外の表データなどに使用 |
| 畳み込みニューラルネット（CNN） | 画像認識に特化（ResNet, EfficientNetなど） |
| 再帰的ニューラルネット（RNN） | 時系列・文章（LSTM, GRUが改良版） |
| Transformer | 現在のNLPの主流（BERT, GPT, Llamaなど） |
| オートエンコーダー | データを圧縮・復元（異常検知などに使用） |
6. 学習のコツ・注意点
- 過学習（Overfitting）：訓練データに特化しすぎて未知のデータで性能が出ない → Dropout、正則化、データ拡張で防ぐ
- 勾配消失/爆発：深いネットワークで起きやすい → ReLUやBatch Normalizationで軽減
- データ量：ディープラーニングは大量のデータが必要
まとめの図（イメージ）
入力層 隠れ層1 隠れ層2 出力層
o ----w---- o ----w---- o ----w---- o（予測）
o ----w---- o ----w---- o o
o o o
（特徴） （抽象的な特徴） （最終回答）
←←← 逆伝播で重みを更新これが基本的な仕組みです！ 最近はTransformerがほぼ全ての分野を席巻していますが、基礎は今でもこの「重み付き和＋活性化関数＋逆伝播」がベースです。
