したがって、病名と病気の症状、その治療法や、治療に関するさまざまな言語的説明の語彙を抽出し、それらの関連の近さ遠さなどを関連づけれ ば、病いに関する意味論的ネットワーク（illness semantic network, semantic network of illness）が描けることは、想像に難くない。これらのネットワークは、それぞれの社会集団、歴史（時間的経緯）、当事者あるいは治療者などによって 微妙な変化があるが、ひとつの社会、ひとつの文化の中では、類似する項目を多くみつけることができよう。

■ディープラーニングにおける哺乳動物のカテゴリー分けのシミュ レーション

"Deep learning (also known as deep structured learning, hierarchical learning or deep machine learning) is the study of artificial neural networks and related machine learning algorithms that contain more than one hidden layer," BY DEEP LEARNIG by Wiki

な おこの記事にはコメンタリーが"This article may contain an excessive amount of intricate detail that may only interest a specific audience"とある。人間のラーニングは機械のラーニングのようにはどうも「公平無私」ではないようだ！（半分、ジョーク）

ディー プラーニングへの「人間の理解」のキモは、ニューラルネットワークにおける、パーセプトロンの働きである：「ニューラルネットワークにおいて重要なのは、 この パーセプトロンが大量に取り付けられ、優先度設定が使えば使うほどより正確に洗練されていく、ネットワーク化された装置と言う部分なのです」（Stone Washer's Journal, http://stonewashersjournal.com/2015/03/05/deeplearning1/2/）

作 図は、３つの入力だが、４つの入力からなるパーセプトロンを考えてみる。「恒温の有無」「肺呼吸の有無」「胎生の有無」「足の有無」の弁別を考えてみ る。通常の哺乳類はすべてを満たすので４点。しかし、鯨は、このパーセプトロンは足がないと判断してしまうので、３点となる。鳥もまた胎生の有無で３点と なる。この判断の誤りを是正するためには、点数の重みづけを変えてみればよい。恒温３点、肺呼吸１点、胎生３点、足１点とする。５点以上で、哺乳類とする と、この得点配分だと、鯨は６点となり、めでたく哺乳類入りする。ただし、この一次のパーセプトロンを、多数繋げ、優先度の配分を使えば使うほどあげてい くとすると、よりニューラルネットワークに近いものができ、学習も可能になると考えるのが、人工知能におけるディープラーニングの考え方の基本である。 （Stone Washer's Journal, http://stonewashersjournal.com/2015/03/05/deeplearning1/2/）

ディープ・ラーニングとは「パラメーター化され多モジュールを相互接続したネットワーク（グラフ）に適用される学習方法の総称。学習では、勾配 降下法をつかってモジュールのパラメーターを修正する。通常、勾配は誤差逆伝播法によって得られる。多層ニューラルネットワークの訓練は、ディーブラーニ ングの一例である」（ルカン 2021:376）。

●コンピュータにおける意味論分析

Let’s Build A Simple Interpreter. Part 13: Semantic Analysis.

リンク

• ︎CO*-DESIGN 用語集▶ハイパーテキスト︎▶︎︎▶︎▶︎︎▶︎▶︎︎▶︎▶︎︎▶︎▶︎
  

文献

• 脳 : 回路網のなかの精神 : ニューラルネットが描く地図 / M.シュピッツァ ー著 ; 村井俊哉, 山岸洋訳. -- 新曜社, 2001
• Semantic Network by Wiki
• ディープラーニング学習する機械 : ヤン・ルカン、人工知能を語る  / Yann LeCun著 ; 小川浩一訳, 講談社 , 2021.

■その他の情報