分類について理解する
機械学習の "分類" 手法を使用して、何かが属するカテゴリまたは "クラス" を予測できます。 分類機械学習モデルでは、"特徴" と呼ばれる一連の入力を使用して、考えられる各クラスの確率スコアが計算され、オブジェクトが属する可能性が最も高いクラスを示す "ラベル" が予測されます。
たとえば、花の特徴には、花びら、茎、がく片、および定量化可能なその他の特性の測定値を含めることができます。 機械学習モデルは、最も可能性が高い花の種 (クラス) を計算するアルゴリズムをこれらの測定値に適用することによってトレーニングできます。
画像の分類について理解する
"画像分類" は機械学習の手法であり、写真などの画像が分類の対象となります。
画像分類モデルを作成するには、特徴とそのラベルで構成されるデータが必要です。 既存のデータは、カテゴリ化された画像のセットです。 デジタル画像はピクセル値の配列で構成され、これらは既知の画像クラスに基づいてモデルをトレーニングするための特徴として使用されます。
モデルは、ピクセル値のパターンをクラス ラベルのセットと照合するようにトレーニングされます。 その後、モデルのトレーニングが完了したら、そのモデルを新しい特徴セットと共に使用して、不明なラベル値を予測することができます。
Azure の Custom Vision サービス
最新の画像分類ソリューションは、"畳み込みニューラル ネットワーク" (CNN) を利用して特定のクラスに対応するピクセルのパターンを明らかにする "ディープ ラーニング" 手法に基づいています。 効果的な CNN のトレーニングは、データ サイエンスと機械学習に関するかなりの専門知識を必要とする複雑なタスクです。
画像分類モデルのトレーニングに使用される一般的な手法は、Microsoft Azure の Azure AI Custom Vision サービスにカプセル化されています。これにより、ディープ ラーニング手法について最小限の知識で、モデルをトレーニングし、ソフトウェア サービスとして公開することが容易にできるようになっています。 Azure AI Custom Vision を使用して、画像分類モデルをトレーニングし、アプリケーションが使用するサービスとして展開することができます。