ニューラルネットワークというアルゴリズムがあり、『入力層』・『中間層』・『出力層』の３つに分かれるのですが、このうち『中間層』を多層化したものをディープラーニングと呼びます。機械学習のアルゴリズムの一つです。

画像認識分野で非常に高い性能を発揮します。理由は、畳み込みニューラルネットワークとReLU関数です。畳み込みニューラルネットワークにより、画像の特徴を適切に捉えることが出来るようになりました。ReLU関数では、誤差逆伝播法で微分が１になることから、勾配が消えなくなるという問題を解決しました。またそもそも計算量が低いため、活性化関数として非常に利用されています。

音声認識分野でも、音声の「あ」とか「い」とかの波形があるのですが、その波形を画像と見立て分類することで、素晴らしい性能を発揮しています。

ディープラーニングが流行った理由は、特徴量を自動抽出できるからです。従来の機械学習のアルゴリズムでは、人間がデータから特徴量の設計を行わなければいけませんでした。特徴量設計には、業務スキルと機械学習のスキルが求められ、１カ月くらい時間がかかります。この作業がゼロになったため、ディープラーニングはすごいという事になりました。

ただ、ディープラーニングの精度が他のアルゴリズムに優れているかどうかはまた別問題です。以前オープンデータ3000件を使った分類問題で、アルゴリズム別の比較実験をしましたが、決定木に精度で負けてました。データ量がせめて5000件はないとディープラーニングはまともな精度が出てきません。

まあそのうちディープラーニングのアルゴリズムも改良されて、少数データで画像分類以外でも性能が出てくるようになります。データサイエンティストがいらなくなる未来が、すぐそこまで来ています（やばいです）。

#scikit-learnから必要な関数をインポート
import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.metrics import confusion_matrix

#データの読み込み
data = np.loadtxt("neet.csv",delimiter=",", skiprows=1)

#特徴量データをXに、教師データをyに格納
X = data[:, 0:-1]
y = data[:, -1]

#学習データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

#ニューラルネットワークで学習と評価 
clf = MLPClassifier()
print cross_val_score(clf, X_train, y_train, cx=10)

#混合行列で評価
y_predict = clf.predirct(X_train)
print confusion_matrix(y_train, y_predict)