【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
G検定対策ブログ
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
| 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 |
重要用語・混同しやすい用語チェックシート
G検定で重要な用語をチェックシートとしてまとめました。
G検定で混同しやすい用語をチェックシートとしてまとめました。
公式テキスト・おすすめ問題集
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
※：1回目の受験の際、定番と言われている黒い問題集も購入しましたが、本番とは乖離している印象でした。
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。
