2026.08.15

G検定対策の記事一覧｜全8分野に分類してまとめて確認

seo-webmaster

プロモーションが含まれています

G検定対策ブログの記事を、G検定の出題範囲に沿って全8分野に分類しました。

分野ごとに解説記事や理解型予想問題、弱点チェックを一覧で確認できます。

苦手分野の復習や、次に読む記事を探すときに活用してください。

ジャンプするもくじ

1．人工知能とは・人工知能をめぐる動向
2．機械学習の概要
3．ディープラーニングの概要
4．ディープラーニングの要素技術
5．ディープラーニングの応用例
6．AIの社会実装に向けて
7．AIに必要な数理・統計知識
8．AIに関する法律と契約・AI倫理・AIガバナンス

1．人工知能とは・人工知能をめぐる動向

記事	確認できる内容
人工知能とは・人工知能をめぐる動向まとめ	AIの定義／AIブーム／探索・推論／知識表現／エキスパートシステム／AIの限界
人工知能とは・動向の重要用語まとめ	強いAI・弱いAI／AIブーム／探索・推論／知識表現／フレーム問題／シンボルグラウンディング問題
人工知能とは？	AIの定義／強いAI・弱いAI／AIとロボット／機械学習・ディープラーニングとの関係
AIブームの歴史とは？	第一次AIブーム／第二次AIブーム／第三次AIブーム／AIの冬／技術発展の流れ
探索・推論とは？	探索／推論／第一次AIブーム／トイプロブレム／答えを探す・結論を導く違い
探索手法の違い	幅優先探索／深さ優先探索／Mini-Max法／αβ法
知識表現とは？	知識表現／第二次AIブーム／ルールベース／エキスパートシステム／知識獲得
エキスパートシステムとは？	知識ベース／推論エンジン／ルールベース／知識獲得のボトルネック
AIの限界と議論とは？	フレーム問題／シンボルグラウンディング問題／身体性／チューリングテスト／中国語の部屋
AI技術の進化	過去の技術の課題／新しい技術の工夫／RNN・Attention・Transformer／生成AIへの流れ
AI内部の理解ロードマップ	AIの学習の流れ／ニューラルネットワーク／重み／損失関数／最適化／評価
人工知能とは・動向の弱点チェック	AIの定義／探索／エキスパートシステム／AIの限界／AIブーム

2．機械学習の概要

記事	確認できる内容
機械学習の概要まとめ	教師あり学習／教師なし学習／強化学習／分類／回帰／クラスタリング／代表手法
機械学習の重要用語まとめ	モデル・アルゴリズム／学習方法／データ分割／過学習／汎化性能／評価指標
機械学習とディープラーニングの違い	AI／機械学習／ディープラーニング／特徴量／学習方法との違い
教師あり・教師なし・強化学習の違い	正解ラベル／パターン発見／報酬／3つの学習方法の違い
教師あり学習と教師なし学習とは？	教師あり学習／教師なし学習／分類／回帰／クラスタリング／次元削減
教師あり学習の代表アルゴリズム	ロジスティック回帰／k近傍法／SVM／決定木／ランダムフォレスト／勾配ブースティング
教師なし学習の代表手法	クラスタリング／k-means／階層的クラスタリング／次元削減／PCA
強化学習とは？	エージェント／環境／状態／行動／報酬／方策／価値関数／Q学習
過学習とは？	過学習／汎化性能／未知データ／正則化／ドロップアウト／交差検証
評価指標の使い分け方は？	精度／適合率／再現率／F1値／混同行列／評価指標の使い分け
精度・再現率・適合率とは？	精度／適合率／再現率／誤検出／見逃し／目的別の使い分け
交差検証とは？	データ分割／学習データ／検証データ／汎化性能／過学習
バイアスと分散とは？	バイアス／分散／未学習／過学習／バイアス・分散トレードオフ
アンサンブル学習とは？	複数モデル／バギング／ブースティング／予測の安定化
クラスタリングとは？	教師なし学習／グループ化／類似データ／k-means／PCA
k-means法とは？	クラスタ中心／クラスタ数k／グループ分け／初期値／正規化
決定木・ランダムフォレストとは？	決定木／条件分岐／ランダムフォレスト／複数の木／過学習
SVMとは？	境界線／マージン／サポートベクター／カーネル法／分類
レコメンデーションとは？	協調フィルタリング／コンテンツベース／推薦／コールドスタート問題
教師あり・教師なし・強化学習｜理解型予想問題	正解ラベル／教師なし学習／報酬／具体例から学習方法を判断
教師あり学習・教師なし学習・強化学習はなぜ混同する？	教師あり学習／教師なし学習／強化学習／分類／クラスタリング／行動改善
過学習・正則化・ドロップアウト	過学習／モデルの複雑さ／正則化／ドロップアウト／汎化性能
適合率・再現率｜理解型予想問題	適合率／再現率／誤検出／見逃し／F1値
適合率と再現率はなぜ混同する？	陽性予測の正しさ／見逃しにくさ／適合率／再現率／使い分け
損失関数と評価指標はなぜ混同する？	損失関数／評価指標／学習中／学習後／役割の違い
バイアスと分散｜理解型予想問題	バイアス／分散／未学習／過学習／トレードオフ
機械学習の概要の弱点チェック	学習方法／分類・回帰／決定木・ランダムフォレスト／交差検証／評価指標

3．ディープラーニングの概要

記事	確認できる内容
ディープラーニングの概要まとめ	ニューラルネットワーク／学習の流れ／損失関数／勾配降下法／過学習／代表モデル
ディープラーニングの重要用語まとめ	入力層・隠れ層・出力層／重み／バイアス／活性化関数／損失関数／最適化
AIはどうやって学習する？	予測／損失関数／勾配降下法／学習率／SGD・Adam／過学習対策
AIはどうやって賢くなる？	入力／予測／間違いの確認／重み更新／最適化／再予測
AIはどう評価される？	精度／適合率／再現率／F1値／汎化性能／損失関数と評価指標
AIはなぜ失敗する？	データ不足／データの偏り／過学習／学習率／評価方法／失敗の流れ
ニューラルネットワークとは？	入力層／隠れ層／出力層／重み／活性化関数／ディープラーニング
重みとは？	情報の重要度／重みの学習／バイアス／損失関数／勾配降下法
誤差逆伝播法とは？	順伝播／逆伝播／誤差／重みの修正／勾配降下法
損失関数とは？	予測と正解のズレ／二乗誤差／交差エントロピー／学習で小さくする値
勾配降下法とは？	勾配／損失の最小化／重み更新／学習率／SGD
学習率とは？	重みの更新量／大きすぎる学習率／小さすぎる学習率／最適化
AI学習の流れ｜理解型予想問題	入力／予測／損失関数／勾配降下法／学習率／過学習対策／評価
損失関数・勾配降下法・学習率	間違いを測る／修正方向を決める／修正量を決める／重み更新
ディープラーニングの概要の弱点チェック	活性化関数／損失と評価／誤差逆伝播法／学習率／過学習対策

4．ディープラーニングの要素技術

記事	確認できる内容
ディープラーニングの要素技術まとめ	活性化関数／損失関数／最適化／正則化／正規化層／CNN・RNN・Transformer
ディープラーニングの要素技術の重要用語まとめ	活性化関数／最適化／正規化層／CNN／RNN／Attention／Transformer
CNN・RNN・Transformerの違い	CNN／RNN／Transformer／画像／系列データ／Attention
CNNの畳み込み・プーリングとは？	CNN／畳み込み層／フィルタ／特徴マップ／プーリング
LSTM・GRUとは？	RNN／LSTM／GRU／長期依存関係／ゲート／勾配消失問題
活性化関数とは？	非線形性／ReLU／シグモイド関数／ソフトマックス関数／ニューラルネットワーク
ドロップアウトとは？	ニューロンの無効化／過学習対策／正則化／汎化性能
正則化とは？	過学習対策／L1正則化／L2正則化／モデルの複雑さ／ドロップアウト
Adamとは？	最適化／モーメンタム／RMSProp／学習率／重み更新
ミニバッチ学習とは？	ミニバッチ／バッチ学習／SGD／データ分割／重み更新
SGDとは？	確率的勾配降下法／データの一部／重み更新／ミニバッチ／Adam
勾配消失問題とは？	勾配消失／深いネットワーク／RNN／LSTM／活性化関数
バッチ正規化・レイヤー正規化とは？	バッチ正規化／レイヤー正規化／正規化層／CNN／Transformer
スキップ結合・ResNetとは？	スキップ結合／ResNet／残差学習／勾配消失／CNN
Attentionとは？	重要な情報への注目／系列データ／Seq2Seq／Transformer
Attention・Self-Attention・Multi-Head Attentionの違い	Attention／Self-Attention／Multi-Head Attention／Query・Key・Value
Seq2Seqとは？	系列変換／Encoder／Decoder／Attention／Transformer
Encoder・Decoderとは？	Encoder／Decoder／入力の変換／出力生成／Seq2Seq／Transformer
位置エンコーディングとは？	単語の順番／位置情報／Self-Attention／Transformer
Transformerとは？	Self-Attention／並列処理／系列データ／自然言語処理／GPT
SGD・ミニバッチ・Adam	SGD／ミニバッチ学習／Adam／最適化／重み更新
活性化関数｜理解型予想問題	ReLU／シグモイド関数／ソフトマックス関数／使い分け
正規化・標準化・正則化・バッチ正規化・レイヤー正規化はなぜ混同する？	正規化／標準化／正則化／バッチ正規化／レイヤー正規化
畳み込み・プーリング・ストライド・パディングはなぜ混同する？	畳み込み／プーリング／ストライド／パディング／出力サイズ
Attention・Self-Attention・Multi-Head Attentionはなぜ混同する？	Attention／Self-Attention／Multi-Head Attention／Query・Key・Value
CNN・RNN・Transformer｜理解型予想問題	CNN／RNN／Transformer／画像／系列データ／Attention
RNN・LSTM・GRUはなぜ混同する？	RNN／LSTM／GRU／ゲート構造／セル状態／長期依存関係
ディープラーニングの要素技術の弱点チェック	畳み込み層／正規化層／スキップ結合／RNN・LSTM・GRU／Attention

5．ディープラーニングの応用例

記事	確認できる内容
ディープラーニングの応用例まとめ	画像認識／自然言語処理／音声処理／生成AI／転移学習／マルチモーダルAI
ディープラーニングの応用例の重要用語まとめ	画像認識／自然言語処理／音声処理／生成AI／推薦／異常検知
生成モデルまとめ	生成モデル／識別モデル／オートエンコーダ／VAE／GAN／拡散モデル
オートエンコーダとは？	Encoder／Decoder／圧縮／復元／潜在表現／異常検知
VAEとは？	VAE／潜在表現／確率分布／オートエンコーダ／生成モデル
GANとは？	生成器／識別器／敵対的学習／画像生成／VAE・拡散モデルとの違い
拡散モデルとは？	ノイズ追加／逆拡散／DDPM／画像生成／GAN・VAEとの違い
GPTとは？	GPT／Transformer／LLM／次単語予測／文章生成
LLMとは？	大規模言語モデル／GPT／Transformer／文章生成／要約／翻訳
BERTとは？	BERT／Encoder／文脈理解／穴埋め学習／GPTとの違い
単語埋め込みとは？	Embedding／ベクトル／分散表現／単語の意味／自然言語処理
トークンとは？	トークン／トークン化／単語・文字・サブワード／LLMの入力
事前学習とは？	事前学習／大量データ／基礎能力／自己教師あり学習／ファインチューニング
自己教師あり学習とは？	自己教師あり学習／データ自身から正解を作る／事前学習／生成AI
Zero-shot・One-shot・Few-shot学習とは？	Zero-shot／One-shot／Few-shot／例示／プロンプト
生成AIの仕組み	事前学習／ファインチューニング／RLHF／RAG／アライメント
ファインチューニングとは？	学習済みモデル／追加学習／専門化／事前学習／RAGとの違い
RAGとは？	外部情報／検索／生成／知識補完／ファインチューニングとの違い
RLHFとは？	人間のフィードバック／報酬／回答傾向の調整／アライメント
アライメントとは？	人間の意図／価値観／安全性／RLHF／生成AI
ハルシネーションとは？	もっともらしい誤情報／次単語予測／生成AIの限界／RAG
セグメンテーションとは？	セグメンテーション／画素／領域／画像分類／物体検出
セグメンテーションの代表モデル	FCN／U-Net／Mask R-CNN／セマンティック／インスタンス
物体検出とは？	画像分類／物体検出／セグメンテーション／バウンディングボックス
物体検出の代表モデル	R-CNN／YOLO／SSD／候補領域／高速物体検出
画像認識の歴史	画像認識／CNN／AlexNet／物体検出／セグメンテーション
転移学習とは？	学習済みモデル／別タスクへの活用／少量データ／ファインチューニング
データ拡張とは？	回転／反転／明るさ変更／学習データの拡張／過学習対策
マルチモーダルAIとは？	画像／文章／音声／複数モダリティ／生成AI
音声処理とは？	音声認識／音声合成／スペクトログラム／CNN・RNN・Transformer
生成AIの仕組み｜理解型予想問題	事前学習／ファインチューニング／RLHF／RAG／アライメント
生成モデルはなぜ混同する？	オートエンコーダ／VAE／GAN／拡散モデル／生成方法の違い
画像分類・物体検出・セグメンテーションはなぜ混同する？	画像全体／物体の位置／領域／バウンディングボックス／セグメンテーション
転移学習・ファインチューニング・特徴抽出はなぜ混同する？	学習済みモデル／重みの固定／重みの更新／特徴抽出／分類層
ディープラーニングの応用例の弱点チェック	画像認識／自然言語処理／音声処理／拡散モデル／マルチモーダル・ファインチューニング

6．AIの社会実装に向けて

記事	確認できる内容
AIの社会実装に向けてまとめ	PoC／MLOps／データ品質／データ前処理／特徴量設計／データリーケージ／エッジAI
AIの社会実装の重要用語まとめ	PoC／MLOps／データ品質／信頼性／安全性／運用／リスク管理
PoCとは？	本格導入前の検証／実現可能性／費用対効果／業務効果／導入判断
データ品質とは？	欠損値／外れ値／偏り／一貫性／学習データの品質
データ前処理とは？	欠損値／ノイズ／外れ値／表記ゆれ／正規化・標準化／学習前の処理
特徴量設計とは？	特徴量／学習しやすい情報／データ前処理との違い／モデル性能
データリーケージとは？	本番で使えない情報／情報漏洩／学習データ／汎化性能／評価
アノテーションとは？	ラベル付け／教師あり学習／正解データ／画像・文章・音声
MLOpsとは？	モデル運用／監視／再学習／継続的改善／開発と運用
エッジAIとは？	端末側の推論／クラウドAI／リアルタイム処理／通信量／プライバシー
モデル軽量化とは？	量子化／蒸留／プルーニング／推論速度／エッジAI
AIの社会実装の弱点チェック	PoC／データリーケージ／データ品質・前処理／アノテーション／MLOps

7．AIに必要な数理・統計知識

記事	確認できる内容
AIに必要な数理・統計知識まとめ	確率／統計／期待値／分散／ベクトル・行列／微分／確率分布／情報理論
数理・統計の重要用語まとめ	確率／平均／分散／標準偏差／相関／確率分布／線形代数／微分／情報量
相関係数・偏相関係数・共分散・分散とは？	分散／共分散／相関係数／偏相関係数／相関と因果
期待値・分散・標準偏差とは？	期待値／平均／分散／標準偏差／ばらつき
確率分布とは？	確率変数／ベルヌーイ分布／二項分布／正規分布／ポアソン分布
ベクトル・行列とは？	ベクトル／行列／特徴量／重み／単語埋め込み／ニューラルネットワーク
微分とは？	変化率／勾配／勾配降下法／損失の最小化／重み更新
条件付き確率とは？	条件付き確率／P(A\|B)／P(B\|A)／ベイズの定理
ベイズの定理とは？	事前確率／尤度／事後確率／条件付き確率／ナイーブベイズ
正規化・標準化とは？	値の範囲／平均0／標準偏差1／データのスケール／前処理
次元削減・PCAとは？	特徴量削減／主成分分析／可視化／ノイズ低減／計算量削減
情報量・エントロピーとは？	情報量／確率／不確かさ／エントロピー／決定木
KLダイバージェンス・交差エントロピーとは？	エントロピー／交差エントロピー／KLダイバージェンス／確率分布／VAE
確率・条件付き確率・ベイズの定理はなぜ混同する？	確率／条件付き確率／事前確率／尤度／事後確率／ベイズの定理
期待値・分散・標準偏差はなぜ混同する？	期待値／平均／分散／標準偏差／ばらつき／単位
エントロピー・交差エントロピー・KLダイバージェンスはなぜ混同する？	1つの分布の不確かさ／正解と予測の食い違い／2つの分布のズレ
数理・統計の弱点チェック	条件付き確率／ベイズの定理／期待値／分散・標準偏差／情報量

8．AIに関する法律と契約・AI倫理・AIガバナンス

記事	確認できる内容
法律・契約・倫理・ガバナンスまとめ	法律／契約／個人情報／著作権／AI倫理／AIガバナンス／生成AIリスク
法律・倫理・ガバナンスの重要用語まとめ	個人情報／プライバシー／著作権／契約／公平性／透明性／説明可能性／ガバナンス
AI倫理・AI法律とは？	AI倫理／法律／著作権／個人情報／公平性／透明性／安全なAI活用
個人情報保護とAIとは？	個人情報／プライバシー／利用目的／学習データ／入力情報／安全管理
著作権と生成AIとは？	学習データ／著作権／AI生成物／既存作品との類似／商用利用
説明可能AI（XAI）とは？	判断理由／ブラックボックス／説明可能性／透明性／説明責任
アルゴリズムバイアスとは？	公平性／学習データの偏り／不公平な判断／差別／AI倫理
ディープフェイクとは？	偽画像／偽動画／偽音声／なりすまし／偽情報
AIガバナンスとは？	組織的管理／責任体制／リスク管理／人間による確認／継続的な見直し
生成AIリスクまとめ	ハルシネーション／著作権／個人情報／バイアス／ディープフェイク
国内外のAIガイドラインとは？	AIガイドライン／AI規制／AIガバナンス／リスク管理／安全なAI活用
AI倫理・法律・ガバナンス｜生成AIリスクはなぜ混同する？	ハルシネーション／著作権／個人情報／バイアス／ディープフェイク
生成AIリスク｜ハルシネーション・著作権・個人情報・バイアスはなぜ混同する？	ハルシネーション／ディープフェイク／著作権／個人情報／バイアス／XAI
法律・契約・倫理・ガバナンスはなぜ混同する？	法律／契約／倫理／AIガバナンス／著作権／個人情報／XAI
法律・契約・倫理・ガバナンスの弱点チェック	法律・契約・倫理・ガバナンス／個人情報／AI開発契約／公平性／説明可能性