2026.05.31

【G検定対策】G検定で覚えたいAI用語一覧｜意味・違い・関連用語をわかりやすく整理

seo-webmaster

プロモーションが含まれています

G検定の学習では、AI・機械学習・ディープラーニング・生成AI・AI倫理など、たくさんの用語が登場します。

ひとつずつ覚えようとすると、似た言葉が多く、どこが違うのか分からなくなりやすいです。

特に、事前学習・転移学習・ファインチューニング、適合率・再現率、損失関数・評価指標のような用語は、言葉だけを暗記しても混同しやすい部分です。

この記事では、AIの学習をはじめたばかりの人向けに、G検定で覚えておきたいAI用語を分野別に整理します。

意味だけでなく、関連用語や違いもあわせて確認することで、点ではなく流れで理解できるようにしていきます。

記事内の用語がリンクになっている場合、サイト内の詳細記事へのリンクです。詳細が見たい方はリンクをクリックしてください。

現在、使いやすいようにリンク修正中です。ご了承ください。

ジャンプするもくじ

まずは全体像で見る
AIの基本用語
AIの学習に関する用語
過学習対策に関する用語
評価指標に関する用語
画像認識に関する用語
自然言語処理に関する用語
生成AIに関する用語
AI倫理・法律に関する用語
混同しやすい用語まとめ
G検定ではどう問われる？
用語は「点」ではなく「関係」で覚える
まとめ
関連記事・おすすめ記事

まずは全体像で見る

G検定の用語は、バラバラに覚えるよりも、分野ごとに分けて見ると整理しやすくなります。

分野	主な用語
AIの基本	AI 、機械学習、ディープラーニング、教師あり学習、教師なし学習、強化学習
AIの学習	損失関数、勾配降下法、学習率、SGD 、ミニバッチ、Adam
過学習対策	過学習、正則化、ドロップアウト、交差検証、データ拡張
評価指標	精度、適合率、再現率、F1値（※）
画像認識	CNN 、画像分類、物体検出、セグメンテーション、転移学習
自然言語処理	トークン、単語埋め込み、Seq2Seq、Attention、Transformer
生成AI	LLM、GPT、BERT、事前学習、ファインチューニング、RAG 、RLHF、アライメント
AI倫理・法律	ハルシネーション、著作権、個人情報保護、アルゴリズムバイアス、説明可能AI（XAI）、AIガバナンス、ディープフェイク

※：適合率と再現率のバランス

用語を覚えるときは「どの分野の言葉なのか」を先に確認すると、混同しにくくなります。

AIの基本用語

AIの基本用語は、G検定の土台になります。ここを曖昧にしたまま進むと、あとでディープラーニングや生成AIの用語が分かりにくくなります。

用語	一言でいうと	関連用語
AI	人間の知的な働きをコンピュータで実現しようとする技術	機械学習、ディープラーニング
機械学習	データからパターンを学ぶ方法	教師あり学習、教師なし学習、強化学習
ディープラーニング	ニューラルネットワークを深くした機械学習の方法	CNN、RNN、Transformer
教師あり学習	正解データを使って学習する方法	分類、回帰
教師なし学習	正解データなしでデータの構造を見つける方法	クラスタリング、次元削減
強化学習	行動と報酬をもとに学習する方法	エージェント、報酬

AI・機械学習・ディープラーニングは、同じ意味ではありません。
大きな枠としてAIがあり、その中に機械学習があり、さらにその中にディープラーニングがあります。

AIの学習に関する用語

AIの学習では、予測して、間違いを確認し、少しずつ修正していく流れが重要です。

用語	一言でいうと	見るポイント
ニューラルネットワーク	人間の神経回路を参考にしたモデル	入力層・中間層・出力層
重み	AIがどこを重要視するかを決める値	学習で調整される
損失関数	予測と正解のズレを数値化するもの	学習中に使う
勾配降下法	損失を小さくする方向へ重みを調整する方法	最適解の模索
学習率	どのくらい大きく修正するかを決める値	大きすぎても小さすぎても問題
SGD（確率的勾配降下法）	データの一部を使って少しずつ学習する方法	全データではなく、一部のデータで重みを更新する
ミニバッチ	データを小さなまとまりに分けて学習する方法	効率と安定性のバランス
Adam	学習率を調整しながら効率よく学習する最適化手法	勾配降下法の発展

この分野では、損失関数・勾配降下法・学習率の関係が特に重要です。

損失関数でズレを見つけ、勾配降下法で修正し、学習率で修正幅を決める、という流れで整理すると理解しやすくなります。

過学習対策に関する用語

過学習とは、学習データに合わせすぎて、新しいデータに弱くなる状態です。G検定では、過学習を防ぐ工夫もよく問われます。

用語	一言でいうと	工夫する場所
過学習	学習データに合わせすぎること	モデル全体
汎化	未知のデータにも対応できること	学習の目的
正則化	複雑になりすぎないように制限する方法	モデル側
ドロップアウト	一部のニューロンを無効化して学習する方法	モデル側
交差検証	データを分けて性能を確認する方法	評価方法
データ拡張	データの見え方を増やす方法	データ側

過学習対策では、データ側の工夫か、モデル側の工夫か、評価方法の工夫かで分けると整理しやすくなります。

評価指標に関する用語

AIの評価では、単に「正解率が高いか」だけでは判断できない場合があります。特に、医療・不正検知・異常検知のように、見逃しや誤検出が問題になる場面では、適合率や再現率が重要になります。

用語	一言でいうと	見るポイント
精度	全体のうち、どれだけ正解したか	全体の正解率
適合率	陽性と予測したもののうち、どれだけ正解か	間違って拾いたくない
再現率	本当の陽性をどれだけ見つけられたか	見逃したくない
F1値	適合率と再現率のバランスを見る指標	バランス重視

適合率と再現率は、G検定でも混同しやすい用語です。

適合率は「予測した中身の正しさ」、再現率は「本来見つけるべきものを見つけた割合」と整理すると分かりやすくなります。

画像認識に関する用語

画像認識では、画像全体を見るのか、物体の位置を見るのか、領域ごとに分けるのかで用語が変わります。

用語	一言でいうと	見るポイント
CNN	画像の特徴を見つけるのが得意なニューラルネットワーク	画像認識
画像分類	画像全体が何かを判断する	全体を見る
物体検出	画像の中のどこに何があるかを判断する	位置を見る
セグメンテーション	画像を領域ごとに分ける	領域を見る
転移学習	学習済みモデルを別の課題に活用する	学習済みモデル
データ拡張	画像の見え方を増やす	データ側の工夫

画像分類・物体検出・セグメンテーションは、次のように整理できます。

用語	見る範囲
画像分類	画像全体
物体検出	物体の位置
セグメンテーション	領域単位

この3つは、画像認識分野で特に混同しやすい用語です。

自然言語処理に関する用語

自然言語処理は、文章をコンピュータで扱う技術です。生成AIやLLMの理解にもつながります。

用語	一言でいうと	補足
自然言語処理	人間の言葉をコンピュータで扱う技術	NLPとも呼ばれる
トークン	文章を細かく分けた単位	単語、文字、サブワード
単語埋め込み	単語を数値ベクトルで表す方法	Embeddingとも呼ばれる
Seq2Seq	入力系列から出力系列を作るモデル	翻訳、要約などで使われる
Attention	重要な部分に注目する仕組み	Transformer理解につながる
Self-Attention	同じ文の中で単語同士の関係を見る仕組み	Attentionの一種
Multi-Head Attention	複数の視点で関係を見る仕組み	Self-Attentionを複数並べるイメージ
位置エンコーディング	単語の順番をモデルに伝える仕組み	Transformerで重要

自然言語処理では、文章をどう分けるか、どう意味を数値にするか、どう単語同士の関係を見るかが重要です。

生成AIに関する用語

生成AIでは、文章や画像など、新しいコンテンツを作る仕組みが中心になります。G検定では、LLM・GPT・BERT・RAG・RLHF・アライメントなどの関係を整理しておくと理解しやすくなります。

用語	一言でいうと	見るポイント
生成AI	新しい文章・画像・音声などを作るAI	作るAI
LLM	大量の文章で学習した大規模言語モデル	言語モデル
GPT	次の単語を予測しながら文章を生成するモデル	生成が得意
BERT	文の前後関係を見て意味を理解するモデル	理解が得意
事前学習	先に大量データで基礎力を身につける段階	先に学ぶ
ファインチューニング	目的に合わせて追加調整する方法	追加調整
RAG	外部情報を使って回答を補う仕組み	検索＋生成
RLHF	人間の評価を使って回答を調整する方法	人間の好みに近づける
アライメント	AIを人間の意図に沿わせる考え方	安全性・意図

生成AIの用語は、何をしている段階なのかで分けると理解しやすくなります。

段階	関係する用語
先に大量データで学ぶ	事前学習
目的に合わせて調整する	ファインチューニング
人間の評価で調整する	RLHF
外部情報を使う	RAG
人間の意図に沿わせる	アライメント

AI倫理・法律に関する用語

AIを社会で使うときは、性能だけでなく、リスクやルールも重要になります。G検定では、AI倫理・法律・ガバナンスの用語も押さえておきたい分野です。

用語	一言でいうと	見るポイント
ハルシネーション	AIがもっともらしい誤情報を出すこと	事実性
著作権	作品の利用や権利に関するルール	学習データ・生成物
個人情報保護	個人を識別できる情報を守る考え方	入力情報・顔・声
アルゴリズムバイアス	AIの判断が偏る問題	データの偏り
説明可能AI（XAI）	AIの判断理由を説明しやすくする考え方	透明性
AIガバナンス	AIを安全に管理・運用する仕組み	組織的な管理
ディープフェイク	本物らしい偽コンテンツを作る技術	偽情報

この分野では、技術そのものよりも、AIを使うことで何が問題になるのかを意識すると理解しやすくなります。

混同しやすい用語まとめ

G検定では、似た用語の違いを問われることがあります。意味を丸暗記するよりも、見分ける軸を持っておくことが大切です。

混同しやすい用語	見分け方
AI / 機械学習 / ディープラーニング	大きな枠の違いで見る
教師あり学習 / 教師なし学習 / 強化学習	正解データ・構造発見・報酬で見る
損失関数 / 評価指標	学習中に使うか、学習後に見るか
適合率 / 再現率	間違って拾いたくないか、見逃したくないか
正則化 / ドロップアウト	複雑さを抑えるか、一部を無効化するか
データ拡張 / 転移学習	データ側の工夫か、モデル側の工夫か
事前学習 / 転移学習	先に学ぶ段階か、別の課題に使う考え方か
転移学習 / ファインチューニング	活用する考え方か、追加調整する方法か
GPT / BERT	生成が得意か、文脈理解が得意か
RAG / ファインチューニング	外部情報を使うか、モデルを追加調整するか
ハルシネーション / ディープフェイク	誤情報の回答か、偽コンテンツか
説明可能AI（XAI） / AIガバナンス	判断理由の説明か、AI活用全体の管理か

G検定ではどう問われる？

G検定では、用語の定義だけでなく、似た用語の違いやどの場面で使うのかが問われやすいです。

たとえば、次のような形です。

問われやすいポイント	見るべき軸
教師あり学習・教師なし学習・強化学習の違い	正解データ・報酬の有無
損失関数と評価指標の違い	学習中か、評価時か
再現率と適合率の違い	誤検出を避けるか、見逃しを避けるか
過学習対策の違い	データ側・モデル側・評価方法
画像分類・物体検出・セグメンテーションの違い	全体・位置・領域
事前学習・転移学習・ファインチューニングの違い	学ぶ・使う・調整する
RAG ・RLHF・アライメントの違い	外部情報・人間の評価・人間の意図

用語を見たときに、「これは何のための言葉か」を考えると、選択肢で迷いにくくなります。

用語は「点」ではなく「関係」で覚える

G検定の学習では、用語を1つずつ覚えるだけでは限界があります。

たとえば、転移学習だけを覚えても、事前学習・ファインチューニング・データ拡張との違いが分からないと、問題文で迷いやすくなります。

同じように、適合率だけを覚えても、再現率との違いが分からないと、どちらを選べばよいか判断しにくくなります。

そのため、用語は次のように整理すると理解しやすくなります。

覚え方	例
分野で覚える	画像認識、自然言語処理、生成AI
流れで覚える	入力、予測、誤差、修正、評価
違いで覚える	適合率と再現率、事前学習と転移学習
目的で覚える	過学習を防ぐ、回答を補う、リスクを管理する

用語を「単語」としてではなく、関係の中で見ることが大切です。

まとめ

G検定では、多くのAI用語が登場します。すべてを丸暗記しようとすると、似た言葉が混ざりやすくなります。

特に、AIの学習をはじめたばかりの人は、用語の意味だけでなく、どの分野の言葉なのか、何のために使うのか、どの用語と混同しやすいのかをセットで整理することが大切です。

最後に、重要な見分け方をまとめます。

見るポイント	代表的な用語
AIの大きな分類	AI 、機械学習、ディープラーニング
学習方法	教師あり学習、教師なし学習、強化学習
学習の流れ	損失関数、勾配降下法、学習率
過学習対策	正則化、ドロップアウト、データ拡張、交差検証
評価	精度、適合率、再現率、F1値（※）
画像認識	CNN、画像分類、物体検出、セグメンテーション
自然言語処理	トークン、単語埋め込み、Attention、Transformer
生成AI	LLM、GPT、BERT、RAG、RLHF、アライメント
AI倫理・法律	ハルシネーション、著作権、個人情報保護、説明可能AI（XAI）、AIガバナンス