【G検定対策】AIを理解するためのロードマップ｜AI内部で何が起きているか
seo-webmaster
SEO・ウェブマスターブログ
【G検定対策】試験前に確認したいAI・機械学習・生成AIの重要用語まとめ
seo-webmaster
プロモーションが含まれています
G検定は、AIの基本用語から機械学習、ディープラーニング、画像認識、自然言語処理、生成AI、法律・倫理まで幅広く問われます。
試験前になると、ひとつずつ深く復習するよりも、重要用語を短く見直して「意味のつながり」を思い出すことが大切です。
この記事では、G検定で出やすい用語を分野ごとに整理し、試験前に確認しやすい一覧としてまとめます。
もっと詳細を確認したい方は最後にサイト内のリンクがありますので、そちらからご覧ください。
G検定の出題範囲は広いため、この記事ではすべての用語を網羅するのではなく、試験前に意味を思い出しておきたい重要な用語を中心に整理しています。
ジャンプするもくじ
G検定 重要用語まとめ
試験範囲に出てくる重要用語を短く整理した確認用の一覧で、試験前に知識を整理するための学習用まとめ です。
G検定は出題範囲が広いため、直前期にすべての解説記事を読み直すのは大変です。
そこで、用語を一覧で確認しながら、忘れている分野や混同しやすい言葉を見つける使い方が向いています。
| 使い方 | 目的 |
|---|---|
| 試験前日の確認 | 重要用語をざっと見直す |
| 苦手分野の発見 | 忘れている言葉を探す |
| 似た用語の整理 | 混同しやすい言葉を見分ける |
| 詳細記事への入口 | 気になる用語を深掘りする |
人工知能・機械学習の基本用語
まずは、AI全体の土台になる用語です。
ここがあいまいだと、ディープラーニングや生成AIの理解も崩れやすくなります。
| 用語 | 一言でいうと |
|---|---|
| 人工知能 | 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 |
| AI | 人工知能のこと |
| 機械学習 | データからルールやパターンを学ぶ方法 |
| ディープラーニング | 多層のニューラルネットワークを使う機械学習 |
| ルールベース | 人間がルールを決めて動かす方法 |
| エキスパートシステム | 専門家の知識をルール化したAI |
| 第一次AIブーム | 探索や推論が注目された時期 |
| 第二次AIブーム | エキスパートシステムが注目された時期 |
| 第三次AIブーム | 機械学習・ディープラーニングが注目された時期 |
| 探索 | 多くの選択肢から答えを探すこと |
| 推論 | 与えられた知識から結論を導くこと |
| 知識表現 | 知識をコンピュータで扱える形にすること |
| フレーム問題 | 関係ある情報だけを選ぶのが難しい問題 |
| シンボルグラウンディング問題 | 記号と現実の意味を結びつける難しさ |
| 強いAI | 人間のような意識や理解を持つAI |
| 弱いAI | 特定の作業をこなすAI |
| 汎用AI | 幅広い課題に対応できるAI |
| 特化型AI | 特定の目的に特化したAI |
| シンギュラリティ | AIが人間の知能を超えるとされる仮説 |
| ムーアの法則 | 半導体性能が一定期間で向上するという経験則 |
機械学習に関する用語
機械学習では、何を学習するのか、どのように予測するのかを整理することが大切です。
| 用語 | 一言でいうと |
|---|---|
| 教師あり学習 | 正解データを使って学習する方法 |
| 教師なし学習 | 正解なしでデータの構造を見つける方法 |
| 強化学習 | 報酬をもとに行動を改善する学習 |
| 分類 | データをカテゴリに分けること |
| 回帰 | 数値を予測すること |
| クラスタリング | 似たデータをグループに分けること |
| 次元削減 | 情報を保ちながら特徴量の数を減らすこと |
| 特徴量 | 予測に使うデータの特徴 |
| ラベル | 教師あり学習で使う正解 |
| 学習データ | モデルを学習させるためのデータ |
| テストデータ | 学習後の性能を確認するデータ |
| 検証データ | モデル調整に使う確認用データ |
| 汎化 | 未知のデータにも対応できること |
| 過学習 | 学習データに合わせすぎること |
| 未学習 | 学習が足りず、十分に予測できない状態 |
| 正則化 | モデルが複雑になりすぎるのを抑える工夫 |
| ハイパーパラメータ | 学習前に人間が設定する値 |
| パラメータ | 学習によって調整される値 |
| モデル | データから学んだ予測の仕組み |
| アルゴリズム | 学習や予測を行う手順 |
教師あり学習の代表手法
| 用語 | 一言でいうと |
|---|---|
| 線形回帰 | 直線で数値を予測する方法 |
| ロジスティック回帰 | 分類に使われる回帰系の手法 |
| k近傍法 | 近くのデータを参考に分類する方法 |
| SVM | 境界線をうまく引いて分類する方法 |
| 決定木 | 条件分岐で予測する方法 |
| ランダムフォレスト | 複数の決定木を組み合わせる方法 |
| 勾配ブースティング | 弱いモデルを順に改善する方法 |
| 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 |
教師なし学習の代表手法
| 用語 | 一言でいうと |
|---|---|
| k-means | データをk個のグループに分ける方法 |
| 階層的クラスタリング | 階層構造でデータを分類する方法 |
| 主成分分析 | 情報を保ちながら軸を減らす方法 |
| PCA | 主成分分析のこと |
| t-SNE | 高次元データを可視化しやすくする方法 |
| 自己組織化マップ | 似たデータを近くに配置する方法 |
| アソシエーション分析 | 一緒に起きやすい関係を見つける方法 |
強化学習の代表用語
| 用語 | 一言でいうと |
|---|---|
| エージェント | 行動する主体 |
| 環境 | エージェントが行動する場 |
| 状態 | 現在の状況 |
| 行動 | エージェントが選ぶ動き |
| 報酬 | 行動の良し悪しを示す値 |
| 方策 | どの状態でどの行動を選ぶかのルール |
| 価値関数 | 将来得られる報酬の見込み |
| Q学習 | 行動の価値を学習する強化学習 |
| 探索 | 新しい行動を試すこと |
| 活用 | すでに良いとわかっている行動を選ぶこと |
| マルコフ決定過程 | 状態・行動・報酬で考える強化学習の枠組み |
ディープラーニングの基本用語
ディープラーニングでは、ニューラルネットワークの中で何が起きているかを整理します。
| 用語 | 一言でいうと |
|---|---|
| ニューラルネットワーク | ノードをつなげて予測するモデル |
| 入力層 | データを受け取る層 |
| 隠れ層 | 特徴を変換する層 |
| 出力層 | 予測結果を出す層 |
| ノード | 計算を行う単位 |
| ニューロン | ノードとほぼ同じ意味で使われる単位 |
| 重み | 入力の重要度を調整する値 |
| バイアス | 出力を調整するための値 |
| 活性化関数 | 出力を変換する関数 |
| ReLU | 負の値を0にする活性化関数 |
| シグモイド関数 | 出力を0〜1に変換する関数 |
| tanh | 出力を-1〜1に変換する関数 |
| ソフトマックス関数 | 複数クラスの確率に変換する関数 |
| 損失関数 | 予測と正解のズレを測る関数 |
| 勾配降下法 | 損失が小さくなる方向へ重みを更新する方法 |
| 学習率 | どれくらい重みを更新するかを決める値 |
| エポック | 学習データ全体を何回使ったか |
| バッチサイズ | 一度に使うデータ数 |
| ミニバッチ学習 | データを小分けにして学習する方法 |
| SGD | 少しずつデータを使って更新する最適化手法 |
| Adam | 学習を効率よく進めやすい最適化手法 |
| 誤差逆伝播法 | 誤差を後ろから前へ伝えて重みを調整する方法 |
| 勾配消失問題 | 前の層に勾配が伝わりにくくなる問題 |
| ドロップアウト | 一部のノードを無効化して過学習を抑える方法 |
| 事前学習 | あらかじめ大量データで学習しておくこと |
| ファインチューニング | 学習済みモデルを特定の課題向けに追加学習すること |
| 転移学習 | 学習済みモデルを別の課題に活用すること |
| データ拡張 | データを加工して学習データを増やしたように扱う方法 |
ニューラルネットワークの学習に関する用語
ここは混同しやすい分野です。
特に、損失関数・誤差逆伝播法・勾配降下法・学習率の役割を分けて覚えると整理しやすくなります。
| 用語 | 一言でいうと |
|---|---|
| 順伝播 | 入力から出力へ計算を進めること |
| 誤差 | 予測と正解のズレ |
| 損失 | 誤差を数値化したもの |
| 損失関数 | 間違いの大きさを測る関数 |
| 交差エントロピー誤差 | 分類でよく使う損失関数 |
| 平均二乗誤差 | 回帰でよく使う損失関数 |
| 誤差逆伝播法 | どこを直すべきか伝える方法 |
| 勾配 | 損失が増える方向を示す傾き |
| 勾配降下法 | 損失が小さくなる方向へ進む方法 |
| 学習率 | 一回でどれくらい進むかを決める値 |
| 最適化 | 損失が小さくなるように調整すること |
| 最適化手法 | 重みの更新方法 |
| SGD | ランダムに一部のデータを使って更新する方法 |
| ミニバッチSGD | 小さなまとまりのデータで更新する方法 |
| Momentum | 過去の更新方向を考慮する方法 |
| AdaGrad | パラメータごとに学習率を調整する方法 |
| RMSprop | AdaGradの学習率低下を改善した方法 |
| Adam | MomentumとRMSpropの考え方を組み合わせた方法 |
| 局所最適解 | 一部の範囲では良いが全体では最良でない解 |
| 鞍点 | 勾配が小さいが最適解ではない点 |
評価指標・過学習対策に関する用語
評価指標は、ただ「正解率を見る」だけではありません。
データの偏りや、見逃しを避けたいのか、誤判定を避けたいのかによって使う指標が変わります。
| 用語 | 一言でいうと |
|---|---|
| 混同行列 | 予測と実際の結果を表にしたもの |
| TP | 陽性を正しく陽性と予測 |
| FP | 陰性を誤って陽性と予測 |
| FN | 陽性を誤って陰性と予測 |
| TN | 陰性を正しく陰性と予測 |
| 精度 | 全体の正解率 |
| 適合率 | 陽性と予測した中で本当に陽性だった割合 |
| 再現率 | 実際の陽性をどれだけ拾えたか |
| F1値 | 適合率と再現率のバランス |
| ROC曲線 | 閾値を変えたときの性能を見る曲線 |
| AUC | ROC曲線の下の面積 |
| 交差検証 | データを分けて複数回評価する方法 |
| ホールドアウト法 | データを学習用と評価用に分ける方法 |
| k分割交差検証 | データをk個に分けて評価する方法 |
| 汎化性能 | 未知データへの対応力 |
| 過学習 | 学習データに合わせすぎること |
| 未学習 | モデルが十分に学べていないこと |
| バイアス | 正解からのズレ |
| 分散 | データによる予測のブレ |
| バイアス・バリアンストレードオフ | 単純すぎても複雑すぎても性能が落ちる関係 |
| 正則化 | モデルの複雑さを抑える方法 |
| L1正則化 | 不要な特徴量を0にしやすい正則化 |
| L2正則化 | 重みを小さく抑える正則化 |
| ドロップアウト | ノードの一部を無効化して過学習を抑える方法 |
| 早期終了 | 性能が悪化する前に学習を止める方法 |
| データ拡張 | データを増やしたように扱う方法 |
画像認識に関する用語
画像認識では、画像分類・物体検出・セグメンテーションの違いが特に重要です。
| 用語 | 一言でいうと |
|---|---|
| 画像認識 | 画像の内容をコンピュータが理解する技術 |
| 画像分類 | 画像全体が何かを判断すること |
| 物体検出 | 何がどこにあるかを検出すること |
| セグメンテーション | 画像を領域ごとに分けること |
| CNN | 画像認識でよく使われるニューラルネットワーク |
| 畳み込み層 | 画像の特徴を取り出す層 |
| プーリング層 | 特徴を圧縮する層 |
| フィルタ | 画像から特徴を取り出すための小さな窓 |
| カーネル | フィルタとほぼ同じ意味で使われる |
| 特徴マップ | 畳み込みによって得られる特徴の集まり |
| パディング | 画像の周囲を埋める処理 |
| ストライド | フィルタを動かす幅 |
| AlexNet | 第三次AIブームのきっかけになった画像認識モデル |
| VGG | 小さなフィルタを重ねたCNNモデル |
| GoogLeNet | Inception構造を使ったモデル |
| ResNet | スキップ接続で深い層を学習しやすくしたモデル |
| R-CNN | 候補領域を使う物体検出モデル |
| Fast R-CNN | R-CNNを高速化したモデル |
| Faster R-CNN | 候補領域の抽出もネットワーク化したモデル |
| YOLO | 一段階で高速に物体検出するモデル |
| SSD | 複数スケールで物体検出する一段階検出モデル |
| FCN | 全結合層を畳み込み層に置き換えたセグメンテーションモデル |
| U-Net | 医療画像などで使われるセグメンテーションモデル |
| Mask R-CNN | 物体検出にマスク予測を加えたモデル |
| セマンティックセグメンテーション | 同じ種類をまとめて領域分割する方法 |
| インスタンスセグメンテーション | 同じ種類でも個体ごとに分ける方法 |
| パノプティックセグメンテーション | セマンティックとインスタンスを組み合わせる方法 |
自然言語処理・Transformerに関する用語
自然言語処理では、単語をそのまま扱うのではなく、数値ベクトルに変換して処理します。
近年はTransformer系の用語が特に重要です。
| 用語 | 一言でいうと |
|---|---|
| 自然言語処理 | 人間の言葉をコンピュータで扱う技術 |
| NLP | 自然言語処理のこと |
| 形態素解析 | 文を意味のある最小単位に分ける処理 |
| 構文解析 | 文の構造を分析する処理 |
| 意味解析 | 文の意味を分析する処理 |
| 文脈解析 | 前後の文脈を考慮する処理 |
| BoW | 単語の出現回数で文を表す方法 |
| TF-IDF | 重要な単語を重みづけする方法 |
| n-gram | 連続するn個の単語や文字を見る方法 |
| 単語埋め込み | 単語を数値ベクトルで表す方法 |
| Word2Vec | 単語の意味をベクトルで表す代表的手法 |
| 分散表現 | 意味を複数の数値で表す方法 |
| RNN | 系列データを扱うニューラルネットワーク |
| LSTM | 長期依存を扱いやすくしたRNN |
| GRU | LSTMを簡略化したRNN |
| Seq2Seq | 入力系列から出力系列を生成するモデル |
| Attention | 重要な部分に注目する仕組み |
| Self-Attention | 同じ系列内の単語同士の関係を見る仕組み |
| Multi-Head Attention | 複数の視点でAttentionを行う仕組み |
| Transformer | Attentionを中心にしたモデル |
| 位置エンコーディング | 単語の順番情報を加える仕組み |
| Encoder | 入力を理解する部分 |
| Decoder | 出力を生成する部分 |
| BERT | Encoderを使った双方向の言語モデル |
| GPT | Decoderを使った文章生成モデル |
| トークン | 文章を分割した単位 |
| トークナイザー | 文章をトークンに分ける処理 |
| Embedding | トークンや単語をベクトルに変換すること |
生成AI・LLMに関する用語
生成AIでは、LLM、RAG、ファインチューニング、RLHF、ハルシネーション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 |
|---|---|
| 生成AI | 文章・画像・音声などを生成するAI |
| LLM | 大量の文章で学習した大規模言語モデル |
| 大規模言語モデル | 次の単語を予測するように学習した巨大な言語モデル |
| GPT | 文章生成に強いTransformer系モデル |
| プロンプト | 生成AIへの指示文 |
| プロンプトエンジニアリング | よい出力を得るために指示を工夫すること |
| ハルシネーション | もっともらしい誤情報を出す現象 |
| RAG | 外部情報を検索して回答に利用する仕組み |
| 検索拡張生成 | RAGのこと |
| 事前学習 | 大量データであらかじめ学習すること |
| ファインチューニング | 特定用途向けに追加学習すること |
| RLHF | 人間のフィードバックを使って調整する方法 |
| アライメント | AIの出力を人間の意図や価値観に合わせること |
| 基盤モデル | さまざまな用途に使える大規模モデル |
| マルチモーダルAI | 文章・画像・音声など複数の形式を扱うAI |
| 拡散モデル | ノイズから画像などを生成するモデル |
| GAN | 生成器と識別器を競わせて学習するモデル |
| VAE | データを潜在空間に圧縮して生成するモデル |
| 潜在空間 | データの特徴を圧縮して表した空間 |
| ゼロショット学習 | 例を与えずにタスクを解かせる方法 |
| ワンショット学習 | 1つの例を与えてタスクを解かせる方法 |
| フューショット学習 | 少数の例を与えてタスクを解かせる方法 |
| インコンテキスト学習 | プロンプト内の例からその場で解き方を合わせること |
| Chain of Thought | 段階的に考えるよう促す手法 |
| Temperature | 出力のランダム性を調整する値 |
AI倫理・法律・ガバナンスに関する用語
G検定では、技術だけでなく、AIを社会で使うときのリスクやルールも問われます。
| 用語 | 一言でいうと |
|---|---|
| AI倫理 | AIを安全・公平に使うための考え方 |
| AIガバナンス | AIを管理・運用するための仕組み |
| 説明可能AI | AIの判断理由を説明できるようにする考え方 |
| XAI | 説明可能AIのこと |
| アルゴリズムバイアス | AIの判断に偏りが生じること |
| 公平性 | 特定の人や集団に不利益が偏らないこと |
| 透明性 | 判断の仕組みや利用目的がわかること |
| アカウンタビリティ | 説明責任のこと |
| プライバシー | 個人情報や私生活を守る権利 |
| 個人情報保護 | 個人を識別できる情報を適切に扱うこと |
| 要配慮個人情報 | 特に慎重な扱いが必要な個人情報 |
| 匿名加工情報 | 個人を特定できないよう加工した情報 |
| 仮名加工情報 | 他の情報と照合しないと個人を特定できない情報 |
| 著作権 | 作品を作った人の権利 |
| 著作者人格権 | 作者の人格的利益を守る権利 |
| 著作財産権 | 作品の利用による利益を守る権利 |
| 学習データ | AIの学習に使われるデータ |
| オプトアウト | 利用を拒否する意思表示 |
| ディープフェイク | 本物のような偽画像・偽動画・偽音声 |
| フェイクニュース | 事実ではない情報をニュースのように見せるもの |
| フィルターバブル | 自分に近い情報ばかり表示される状態 |
| エコーチェンバー | 似た意見が反響し合い、偏りが強まる状態 |
| トラスト | AIや情報を信頼できる状態 |
| セキュリティ | 攻撃や不正利用から守ること |
| プロンプトインジェクション | 悪意ある指示でAIの挙動を変えようとする攻撃 |
| データ漏えい | 情報が外部に流出すること |
G検定ではどう問われる？
G検定では、用語の丸暗記だけでなく、似た言葉の違いやどの場面で使うかが問われやすいです。
特に注意したいのは、次のような組み合わせです。
| 混同しやすい用語 | 見分け方 |
|---|---|
| 機械学習とディープラーニング | ディープラーニングは機械学習の一部 |
| 教師あり学習と教師なし学習 | 正解ラベルがあるかどうか |
| 分類と回帰 | カテゴリを予測するか、数値を予測するか |
| クラスタリングと分類 | 正解ラベルなしで分けるか、正解ありで分けるか |
| 画像分類と物体検出 | 画像全体を見るか、位置も見るか |
| 物体検出とセグメンテーション | 四角い枠か、領域ごとの分割か |
| RNNとTransformer | 順番に処理するか、Attentionで関係を見るか |
| 事前学習とファインチューニング | 先に広く学ぶか、後で特定用途に合わせるか |
| RAGとファインチューニング | 外部情報を検索するか、モデルを追加学習するか |
| 適合率と再現率 | 誤判定を減らすか、見逃しを減らすか |
| 正則化とドロップアウト | 複雑さを抑えるか、ノード依存を減らすか |
| XAIとAIガバナンス | 判断理由の説明か、管理体制の仕組みか |
試験前は、ひとつの用語だけを見るよりも、対になる言葉とセットで確認する のがおすすめです。
まとめ
G検定は出題範囲が広いため、試験前には重要用語を短く見直せる一覧が役立ちます。特に、AIの基本、機械学習、ディープラーニング、画像認識、自然言語処理、生成AI、法律・倫理はそれぞれ独立しているように見えて、実際にはつながっています。
用語を確認するときは、単語だけを暗記するのではなく、「何と何が違うのか」、「どの場面で使うのか」、「どの分野につながるのか」を意識すると、G検定の問題にも対応しやすくなります。
試験前の確認だけでなく、苦手分野を見つけるためのチェックリストとしても活用してください。
関連記事・おすすめ記事
用語の意味をもう少し詳しく確認したい場合は、関連する解説記事もあわせて確認しておきましょう。
G検定の出題範囲を全体で整理したい場合は、8分野に分けたまとめ記事も確認しておきましょう。
関連記事
【G検定対策】G検定整理記事を8分野で分類｜苦手分野から学べる記事一覧
どの順番で学習すればよいか迷う場合は、G検定対策の学習ロードマップも参考になります。
関連記事
【G検定対策】理解ロードマップ
機械学習とディープラーニングの関係があいまいな場合は、違いを整理した記事で確認しておきましょう。
関連記事
【G検定対策】機械学習とディープラーニングの違いをわかりやすく整理｜教師あり・教師なしも解説
学習方法の違いを整理したい場合は、教師あり学習・教師なし学習・強化学習の比較記事も役立ちます。
関連記事
【G検定対策】教師あり学習・教師なし学習・強化学習の違いをわかりやすく整理
ディープラーニングの代表モデルを整理したい場合は、CNN・RNN・Transformerの違いも確認しておきましょう。
関連記事
【G検定対策】CNN・RNN・Transformerの違いをわかりやすく整理
AlexNet、VGG、GoogLeNet、ResNetなどの流れを確認したい場合は、画像認識の歴史の記事がおすすめです。
関連記事
【G検定対策】画像認識の歴史を流れで整理
生成AIの用語とあわせて、ハルシネーションや著作権などのリスクも整理しておきましょう。
関連記事
【G検定対策】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・ディープフェイクを整理
技術用語だけでなく、AI倫理・法律・ガバナンスの考え方も試験前に確認しておくと安心です。
関連記事
【G検定対策】AI倫理・AI法律とは？AI時代に必要な考え方をわかりやすく整理
1回目不合格でした。不合格だった原因を分析しました。
こちらもおすすめ
【不合格体験談】G検定に落ちた原因｜「成功体験」と「過学習」が落とし穴
公式テキスト
Amazonで確認
楽天市場で確認
合格時に使用した問題集
Amazonで確認
楽天市場で確認
書いている人
このブログの運営者です。文系出身です。SEO検定1級、ウェブマスター検定1級を取得しました。ブログ運営には「AIの活用は必須」と思いG検定を取得しました。G検定は簡単といわれがちですが1回目は不合格でした。その失敗経験を元に、これから受験する方の助けになればとできるだけわかりやすくG検定対策は解説しています。間違い等あればご指摘いただければ幸いです。
