【G検定対策】ディープラーニングの概要の重要用語まとめ
seo-webmaster
G検定対策ブログ
【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
seo-webmaster
プロモーションが含まれています
このブログ内の記事をG検定の8分野に分類すると、自分がどの分野を理解できていて、どの分野を復習すべきか が見えやすくなります。
G検定は出題範囲が広いため、すべての記事を順番に読む必要はありません。
まずは苦手な分野を見つけ、その分野のまとめ記事で全体像を確認し、必要に応じて個別記事や予想問題で理解を深めるのがおすすめです。
特に、用語の意味があいまいな場合は「重要用語チェックシート」、似ている用語の違いで迷う場合は「混同しやすい用語チェックシート」を使うと、試験前の確認がしやすくなります。
G検定対策では、単語を暗記するだけではなく、
- どの分野の話なのか
- 何と混同しやすいのか
- どの記事を読めば理解できるのか
を整理することが大切です。
この8分野分類ページは、苦手分野から学び直すための入口として活用してください。
ジャンプするもくじ
この記事での分類ルール
この記事では、G検定の得点率で表示される分野に合わせて、このブログの記事を次の8つに分類しています。
- 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
なお、G検定の内容は分野をまたぐことがあります。
たとえば、評価指標は「機械学習の概要」と「数理・統計知識」の両方に関係します。
また、RAG や RLHF は「生成AIの応用」と「社会実装」の両方に関係します。
この記事では、読んでいる人が探しやすいように、各記事を もっとも関係が深い主分類 に配置しています。
この記事の位置
このページは、G検定の8分野ごとの記事を整理した入口ページです。
どの記事から読めばよいか迷ったときや、試験後の得点率を見て苦手分野を復習したいときに使えます。
イメージ図で表すと次の図の記事です。
8分野ごとのまとめ記事
この記事は8分野のまとめ記事ですが、もう一段階下の分野ごとのまとめ記事もあります。
イメージ図で表すと次の図の位置づけの記事です。イメージ図下のリンク表からご覧ください。
| 読む記事 | 確認できる内容 |
|---|---|
| 人工知能とは・動向まとめ | AIの定義／AIブームの歴史／探索・推論／知識表現／エキスパートシステム／AIの限界と議論 |
| 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／代表的な手法 |
| 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／CNN・RNN・Transformer |
| ディープラーニング要素技術まとめ | 活性化関数／損失関数／勾配降下法／学習率／SGD・Adam／正則化・ドロップアウト |
| 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／音声認識／生成AI／CNN・RNN・Transformerの対応関係 |
| AI社会実装まとめ | 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／モデル軽量化／AIガバナンス |
| AIに必要な数理・統計知識まとめ | 期待値・分散・標準偏差／相関係数・共分散／確率分布／条件付き確率・ベイズの定理／ベクトル・行列／微分／正規化・標準化／PCA／情報量・エントロピー |
| 法律・倫理・ガバナンスまとめ | 個人情報保護／著作権／契約／AI倫理／AIガバナンス／生成AIリスク |
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。
１．人工知能とは・人工知能をめぐる動向
この分野では、人工知能とは何か、AI技術がどのように発展してきたのか、G検定全体をどのように学習すればよいかを整理します。
AIの歴史や技術の流れを理解しておくと、機械学習・ディープラーニング・生成AIの位置づけが見えやすくなります。
この分野に分類する記事
まとめ記事
| 読む記事 | 確認できる内容 |
|---|---|
| 人工知能とは・動向まとめ | AIの定義／AIブームの歴史／探索・推論／知識表現／エキスパートシステム／AIの限界と議論 |
| 人工知能と動向の重要用語 | 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 |
| G検定で覚えたいAI用語一覧 | AI・機械学習・ディープラーニング／学習の流れ／過学習対策／評価指標／生成AI／AI倫理・法律 |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| AI技術の進化 | one-hotからEmbedding／RNNからLSTM・Attention・Transformer／GPTからRAG・ファインチューニングへの流れ |
| 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／勾配降下法／学習率／評価 |
| 人工知能とは？ | AIの定義／AIとロボットの違い／機械学習・ディープラーニングとの関係／強いAI・弱いAI |
| 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／ディープラーニング・生成AIへの流れ |
| 知識表現とは？ | 人間の知識をAIで扱う考え方／第二次AIブーム／エキスパートシステム／知識獲得のボトルネック |
| エキスパートシステムとは？ | 専門家の知識をルール化するAI／第二次AIブーム／ルールベース／知識表現／機械学習との違い |
| 探索・推論とは？ | 候補から答えを探す探索／知識やルールから結論を導く推論／第一次AIブーム／トイプロブレム |
| 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 |
| 探索手法の違い | 幅優先探索／深さ優先探索／Mini-Max法／αβ法の違い |
この分野で意識したいポイント
この分野では、細かい用語を覚える前に、AI全体の流れ をつかむことが大切です。
特に、AIの歴史や技術の進化は、単なる年表として覚えるよりも「何の課題を解決するために次の技術が出てきたのか」という流れで見ると理解しやすくなります。
２．機械学習の概要
この分野では、機械学習の基本的な考え方を整理します。
教師あり学習、教師なし学習、強化学習、過学習、評価指標などは、G検定で非常に混同しやすいテーマです。ここを理解しておくと、ディープラーニングの理解にもつながります。
この分野に分類する記事
まとめ記事
| 読む記事 | 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／代表的な手法 |
| 機械学習の重要用語 | 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 |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| 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の関係／特徴量設計／教師あり・教師なし・強化学習との違い |
| 教師あり・教師なし・強化学習の違い | 正解ラベルで学ぶ／正解なしで構造を見る／報酬で行動を改善する |
| 教師あり学習と教師なし学習とは？ | 教師あり学習と教師なし学習の違い／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？ | 学習データに合わせすぎる状態／汎化性能／正則化／ドロップアウト／交差検証 |
| 評価指標の使い分け | 精度／適合率／再現率／F1値／混同行列／目的に応じた評価指標の選び方 |
| 精度・再現率・適合率とは？ | 全体の正解率／陽性予測の正しさ／見逃しにくさ／目的別の使い分け |
| 交差検証とは？ | データを分けて複数回評価する方法／汎化性能／過学習の見抜き方 |
| バイアスと分散とは？ | 正解からのズレ／データによるブレ／未学習・過学習／バイアスと分散のトレードオフ |
| アンサンブル学習とは？ | 複数モデルの組み合わせ／バギング／ブースティング／予測の安定化 |
| データ前処理とは？ | 欠損値／ノイズ／外れ値／表記ゆれ／データ品質／特徴量設計との違い |
| 特徴量設計とは？ | AIが学習しやすい特徴を作る考え方／データ前処理との違い／モデル性能への影響 |
| データリーケージとは？ | 本番で使えない情報の混入／特徴量設計との関係／過学習・汎化性能・交差検証との違い |
| レコメンデーションとは？ | 協調フィルタリング／コンテンツベースフィルタリング／コールドスタート問題 |
予想問題
| 読む記事 | 確認できる内容 |
|---|---|
| 教師あり・教師なし・強化学習 | 正解ラベルあり／正解ラベルなし／報酬で学ぶ違い／具体例から学習方法を判断する問題 |
| 教師あり・教師なし・強化学習はなぜ混同する？ | AIが学ぶ方法の違い／正解・データ構造・報酬の整理／分類・クラスタリング・行動改善の区別 |
| 過学習・正則化・ドロップアウト | 過学習が起きる理由／正則化による複雑さの抑制／ドロップアウトによる過学習対策 |
| 適合率・再現率 | 適合率と再現率の基本／誤検出を減らす考え方／見逃しを減らす考え方／F1値との関係 |
| 適合率と再現率はなぜ混同する？ | 陽性予測の正しさと陽性の見逃しにくさの違い／医療・スパム判定などの具体例での使い分け |
| 損失関数と評価指標はなぜ混同する？ | 学習中に小さくする損失関数／学習後に性能を見る評価指標／目的と使うタイミングの違い |
| バイアスと分散 | バイアスが大きい状態／分散が大きい状態／未学習・過学習との関係／トレードオフの考え方 |
この分野で意識したいポイント
機械学習の概要では、まず「AIがデータからパターンを学ぶ」という基本を押さえることが重要です。
そのうえで、次のように整理すると混同しにくくなります。
教師あり学習
正解データを使う
教師なし学習
正解データなしで構造を見つける
強化学習
報酬をもとに行動を学ぶ
過学習
学習データに合わせすぎる
評価指標
モデルの良し悪しを見るもの
G検定では、「どの手法か」だけでなく、どの場面で使うのか が問われやすい分野です。
３．ディープラーニングの概要
この分野では、ニューラルネットワークやAIの学習の流れを整理します。
ディープラーニングは、単に「層が深いAI」と覚えるよりも
入力
↓
予測
↓
誤差
↓
修正
↓
再予測
という流れで理解するとわかりやすくなります。
この分野に分類する記事
まとめ記事
| 読む記事 | 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／CNN・RNN・Transformer |
| ディープラーニングの重要用語 | 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／過学習対策 |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| 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／評価指標 |
| AIはどうやって賢くなる？ | 入力から予測、間違い確認、修正、再予測までの流れ／重み更新／最適化 |
| 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の違い |
| AIはなぜ失敗する？ | データ不足／偏ったデータ／過学習／修正しすぎ・修正不足／評価方法の問題 |
| 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／予測の流れ／ディープラーニングとの関係 |
| 重みとは？ | どの情報をどれくらい重要視するか／重みの学習／バイアスとの違い／損失関数・勾配降下法との関係 |
| 誤差逆伝播法とは？ | 出力側の誤差を前の層へ伝える方法／順伝播と逆伝播／重みの修正／勾配降下法との関係 |
| 損失関数とは？ | 予測と正解のズレを数値化する関数／二乗誤差／交差エントロピー誤差／評価指標との違い |
| 勾配降下法とは？ | 損失が小さくなる方向へパラメータを更新する方法／勾配／学習率／SGDとの関係 |
| 学習率とは？ | 勾配降下法で進む一歩の大きさ／大きすぎる場合・小さすぎる場合／SGD・Adamとの関係 |
予想問題
| 読む記事 | 確認できる内容 |
|---|---|
| AI学習の流れ | 損失関数／勾配降下法／学習率／SGD・Adam／過学習対策／評価指標を流れで確認 |
| 損失関数・勾配降下法・学習率 | 間違いを測る損失関数／修正方向を探す勾配降下法／修正量を決める学習率 |
この分野で意識したいポイント
ディープラーニングの概要では、用語をバラバラに覚えると混乱しやすくなります。
たとえば、損失関数、勾配降下法、学習率、誤差逆伝播法は、それぞれ独立した用語ではなく、AIが学習するときの一連の流れに関係します。
大まかには、次のように整理できます。
損失関数
どれくらい間違えたかを数値化する
誤差逆伝播法
間違いを後ろから前へ伝える
勾配降下法
誤差が小さくなる方向へ修正する
学習率
どれくらい大きく修正するかを決める
G検定では「何をする役割なのか」で見分けることが重要です。
４．ディープラーニングの要素技術
この分野では、ディープラーニングを構成する具体的な技術を整理します。
CNN、RNN、Transformer、Attention、活性化関数、最適化手法などは、G検定でも出題されやすい重要テーマです。
この分野に分類する記事
まとめ記事
| 読む記事 | 確認できる内容 |
|---|---|
| ディープラーニング要素技術まとめ | 活性化関数／損失関数／勾配降下法／学習率／SGD・Adam／正則化・ドロップアウト |
| ディープラーニング要素技術の重要用語 | 活性化関数／損失関数／最適化手法／正規化・標準化／CNN要素技術／Attention・Transformer |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| CNN・RNN・Transformerの違い | CNNは画像／RNNは時系列／Transformerは単語同士の関係を扱うモデルとして整理 |
| 活性化関数とは？ | 入力値の変換／非線形性／ニューラルネットワークで複雑な特徴を表現する仕組み |
| ドロップアウトとは？ | 一部のニューロンを無効化する過学習対策／正則化との関係／汎化性能の改善 |
| 正則化とは？ | モデルを複雑にしすぎない工夫／過学習対策／L1正則化・L2正則化／ドロップアウトとの関係 |
| Adamとは？ | 勾配降下法を効率よく進める最適化手法／モーメンタム／RMSProp／学習率調整 |
| ミニバッチ学習とは？ | データを小さなまとまりに分けて学習する方法／バッチ学習・SGDとの違い／計算効率と安定性 |
| SGDとは？ | 一部のデータを使って重みを更新する方法／勾配降下法との関係／ミニバッチ学習・Adamとの違い |
| 勾配消失問題とは？ | 深いネットワークで勾配が小さくなり学習しにくくなる問題／RNN・LSTM・活性化関数との関係 |
| Attentionとは？ | 重要な情報に注目する仕組み／Seq2Seqの弱点改善／Transformerで重要になった理由 |
| Attention・Self-Attention・Multi-Head Attention | 外部情報に注目するAttention／同じ系列内を見るSelf-Attention／複数視点で見るMulti-Head Attention |
| Seq2Seqとは？ | 入力系列を出力系列に変換する仕組み／Encoder・Decoder／Attention・Transformerへの流れ |
| Encoder・Decoderとは？ | 入力を理解するEncoder／出力を生成するDecoder／Seq2Seq・Transformerとの関係 |
| 位置エンコーディングとは？ | Transformerに単語の順番情報を加える仕組み／Self-Attentionだけでは順序を扱いにくい理由 |
| Transformerとは？ | Self-Attentionを使って文全体の関係を捉えるモデル／並列処理／GPT・生成AIとの関係 |
| モデル軽量化とは？ | AIを小さく速く動かす工夫／エッジAI／量子化・蒸留・プルーニングなどの考え方 |
| オートエンコーダとは？ | 入力を圧縮して復元するニューラルネットワーク／エンコーダ・デコーダ／次元削減・異常検知 |
| VAEとは？ | 潜在表現を確率的に扱う生成モデル／オートエンコーダとの違い／GANとの比較 |
| GANとは？ | 生成器と識別器を競わせる生成モデル／本物らしいデータ生成／VAE・拡散モデルとの違い |
| クラスタリングとは？ | 正解ラベルなしで似たデータをグループに分ける手法／教師なし学習／k-means・PCAとの関係 |
| k-means法とは？ | クラスタ中心に近いデータをグループ化する手法／クラスタ数k／初期値・正規化の注意点 |
| 決定木・ランダムフォレストとは？ | 条件分岐で判断する決定木／複数の木で予測を安定させるランダムフォレスト／過学習との関係 |
| SVMとは？ | 境界線とマージンでデータを分類する手法／サポートベクター／カーネル法との関係 |
| 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／正規化・標準化／正則化 |
| スキップ結合・ResNetとは？ | スキップ結合／ResNet／残差学習／勾配消失問題／CNN・画像認識 |
予想問題
| 読む記事 | 確認できる内容 |
|---|---|
| CNN・RNN・Transformer | CNNは画像／RNNは時系列／Transformerは自然言語・生成AIで重要になる理由を問題で確認 |
| 活性化関数 | ニューラルネットワークに非線形性を加える役割／代表的な活性化関数／出力層での使い分け |
| SGD・ミニバッチ・Adam | 一部データで更新するSGD／小さなまとまりで学習するミニバッチ／効率よく更新するAdam |
| 生成AIの仕組み | 事前学習／ファインチューニング／RLHF／RAG／アライメントの違いと混同しやすいポイント |
この分野で意識したいポイント
ディープラーニングの要素技術は、G検定の中でも特に用語が多い分野です。
そのため、単語の意味を暗記するよりも「何の課題を解決するための技術か」で整理すると理解しやすくなります。
たとえば
CNN
画像の特徴を捉えやすい
RNN
系列データを扱う
Transformer
Attentionを使って文脈を扱う
Dropout
過学習を抑える
Adam
学習を効率よく進める最適化手法
というように、役割で整理するのがおすすめです。
５．ディープラーニングの応用例
この分野では、ディープラーニングが実際にどのように応用されているかを整理します。
特に近年のG検定では、生成AI、LLM、GPT、RAG、ファインチューニング、RLHF など、生成AI関連のテーマが重要になっています。
この分野に分類する記事
まとめ記事
| 読む記事 | 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／音声認識／生成AI／CNN・RNN・Transformerの対応関係 |
| ディープラーニング応用例の重要用語 | 画像認識／自然言語処理／音声処理／生成AI／推薦・異常検知／医療・自動運転 |
| 生成モデルまとめ | 生成モデル／識別モデルとの違い／GAN・VAE・拡散モデル／生成AI・マルチモーダルAIとの関係 |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| GPTとは？ | Transformerとの関係／ChatGPTとの違い／LLMとの位置関係／次単語予測／ハルシネーション |
| LLMとは？ | 大規模言語モデル／GPTとの違い／Transformerとの関係／文章生成・要約・翻訳への活用 |
| RAGとは？ | 外部情報を参照して回答を補う仕組み／検索と生成の組み合わせ／ファインチューニングとの違い |
| ファインチューニングとは？ | 事前学習済みモデルを特定目的に合わせて追加学習する方法／専門化／RAG・RLHFとの違い |
| 事前学習とは？ | 大量データで基礎力を身につける学習／LLMの土台作り／ファインチューニングとの関係 |
| 自己教師あり学習とは？ | データ自身から正解を作って学ぶ方法／事前学習との関係／生成AIで重要になる理由 |
| Zero-shot・One-shot・Few-shot学習 | 例なし／1つの例／少数の例でタスクに対応する考え方／プロンプトでの使い分け |
| BERTとは？ | 文脈理解に強いTransformer系モデル／GPTとの違い／Encoder型モデル／穴埋め学習 |
| 単語埋め込みとは？ | 単語の意味をベクトルで表す方法／単語同士の近さ／自然言語処理との関係 |
| トークンとは？ | 文章をAIが扱いやすい単位に分ける仕組み／単語・文字・サブワード／LLMの入力処理 |
| 生成AIの仕組み | 事前学習／ファインチューニング／RLHF／RAG／アライメントを流れで整理 |
| ハルシネーションとは？ | AIがもっともらしく間違える理由／次単語予測／生成AIの限界／RAG・確認の重要性 |
| RLHFとは？ | 人間のフィードバックで回答傾向を調整する方法／好ましい回答への調整／アライメントとの関係 |
| アライメントとは？ | AIを人間の意図や価値観に沿わせる考え方／安全性／RLHFとの関係／生成AIリスク |
| セグメンテーションとは？ | 画像をピクセル単位・領域単位で分ける技術／画像分類・物体検出との違い |
| セグメンテーション代表モデル | FCN／U-Net／Mask R-CNNの違い／領域分割／医療画像・自動運転との関係 |
| 物体検出とは？ | 画像分類・物体検出・セグメンテーションの違い／位置と種類を見つける考え方 |
| 物体検出の代表モデル | R-CNN／YOLO／SSDの違い／候補領域／高速な物体検出／画像認識との関係 |
| 画像認識の歴史 | 画像認識の発展／CNN／AlexNet／物体検出・セグメンテーションへの流れ |
| 転移学習とは？ | 学習済みモデルを別の課題に活用する方法／少ないデータでの学習／ファインチューニングとの関係 |
| データ拡張とは？ | 画像の回転・反転・明るさ変更などで見え方を増やす工夫／過学習対策／汎化性能 |
| マルチモーダルAIとは？ | 画像・文章・音声など複数の情報を組み合わせて扱うAI／生成AI・基盤モデルとの関係 |
| 音声処理とは？ | 音声データ／音声認識／音声合成／スペクトログラム／CNN・RNN・Transformerとの関係 |
| 拡散モデルとは？ | ノイズ追加／逆拡散／DDPM／GAN・VAEとの違い |
予想問題
| 読む記事 | 確認できる内容 |
|---|---|
| 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／Zero-shot・One-shot・Few-shot／ハルシネーション |
この分野で意識したいポイント
生成AI関連の用語は、かなり混同しやすい分野です。
特に、次のような違いは押さえておきたいところです。
事前学習
基礎力を作る
ファインチューニング
目的に合わせる
RLHF
人間の評価で調整する
アライメント
人間の意図に沿わせる
RAG
外部情報で補う
ハルシネーション
もっともらしい誤情報を出す
G検定では、生成AIの用語を単独で問うだけでなく、役割の違いや混同しやすい組み合わせとして問われる可能性があります。
６．AIの社会実装に向けて
この分野では、AIを実際の社会やビジネスで使うときに必要な考え方を整理します。
AIは精度が高ければよいというものではありません。説明可能性、安全性、運用、リスク管理なども重要になります。
この分野に分類する記事
まとめ記事
| 読む記事 | 確認できる内容 |
|---|---|
| AI社会実装まとめ | 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／モデル軽量化／AIガバナンス |
| AI社会実装の重要用語 | PoC／MLOps／データ品質／説明可能性／公平性／プライバシー／セキュリティ／AIガバナンス |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| 説明可能AI（XAI）とは？ | AIの判断理由／ブラックボックス問題／透明性／説明責任／バイアス確認／AIガバナンスとの関係 |
| 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／生成AIを安全に使う考え方 |
| AIガバナンスとは？ | AIを安全に活用するためのルール作り／リスク管理／人間による確認／継続的な見直し |
| MLOpsとは？ | AIモデルの継続的な運用・改善／開発と運用の連携／モデル監視／再学習／本番運用 |
| エッジAIとは？ | 端末側でAIを動かす仕組み／クラウドAIとの違い／リアルタイム処理／通信量・プライバシーへの影響 |
| アノテーションとは？ | AIに正解データを教える作業／ラベリング／教師あり学習／画像・文章・音声データへの付与 |
| モデル軽量化とは？ | AIを小さく速く動かす工夫／エッジAI／量子化／蒸留／プルーニング／推論速度の改善 |
| データ品質とは？ | AIの性能を左右するデータの良し悪し／欠損値／外れ値／偏り／一貫性／データ前処理との関係 |
| データ前処理とは？ | 欠損値・外れ値・表記ゆれの処理／正規化・標準化／学習しやすいデータに整える作業 |
この分野で意識したいポイント
AIの社会実装では、技術そのものだけでなく、AIを安全に使うための仕組み が重要になります。
たとえば、AIの判断理由がわからないと、問題が起きたときに説明が難しくなります。また、生成AIを使う場合は、ハルシネーション、著作権、個人情報、バイアスなどのリスクにも注意が必要です。
この分野は、法律・倫理分野ともつながりが強いです。
７．AIに必要な数理・統計知識
この分野では、AIを理解するために必要な数理・統計の考え方を整理します。
G検定では、難しい計算問題よりも、数理・統計の考え方がAIのどの部分に関係しているかを問われることが多いです。
この分野に分類する記事
まとめ記事
| 読む記事 | 確認できる内容 |
|---|---|
| AIに必要な数理・統計知識まとめ | 期待値・分散・標準偏差／相関係数・共分散／確率分布／条件付き確率・ベイズの定理／ベクトル・行列／微分／正規化・標準化／PCA／情報量・エントロピー |
| 数理・統計の重要用語 | 確率／統計／平均値・中央値・最頻値／分散・標準偏差／相関・共分散／確率分布／ベクトル・行列／微分・勾配／情報理論 |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| 損失関数とは？ | 予測と正解のズレ／二乗誤差／交差エントロピー誤差／勾配降下法・評価指標との違い |
| 勾配降下法とは？ | 損失を小さくする方向へ重みを更新する方法／勾配／学習率／SGDとの関係 |
| 学習率とは？ | 重みをどれくらい動かすかを決める値／大きすぎる場合・小さすぎる場合／最適化との関係 |
| 評価指標の使い分け | 精度／適合率／再現率／F1値／混同行列／目的に応じた評価指標の選び方 |
| 精度・再現率・適合率とは？ | 全体の正解率／陽性予測の正しさ／陽性の見逃しにくさ／F1値との関係 |
| バイアスと分散とは？ | 正解からのズレ／データによるブレ／未学習・過学習／バイアスと分散のトレードオフ |
| 相関係数・偏相関係数・共分散・分散 | データのばらつき／2つのデータの関係／第三の要因を取り除く考え方／相関と因果の違い |
| 期待値・分散・標準偏差とは？ | 平均的な値／ばらつきの大きさ／標準偏差／AIの予測・評価との関係 |
| 確率分布とは？ | 確率変数／離散型・連続型／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？ | データを数値のまとまりとして扱う考え方／特徴量／重み／単語埋め込み／ニューラルネットワークとの関係 |
| 微分とは？ | 少し変えたときの変化／勾配降下法／損失を小さくする方向／重みの更新 |
| 条件付き確率とは？ | ある条件のもとで起こる確率／P(A|B)とP(B|A)の違い／ベイズの定理との関係 |
| ベイズの定理とは？ | 観測された情報から可能性を更新する考え方／条件付き確率／ナイーブベイズ／分類・推論との関係 |
| 正規化・標準化とは？ | 値の範囲をそろえる正規化／平均や標準偏差をもとにそろえる標準化／正則化との違い |
| 次元削減・PCAとは？ | 特徴量を減らす考え方／主成分分析／可視化／ノイズ低減／計算量削減／過学習防止 |
| 情報量・エントロピーとは？ | 珍しさを表す情報量／不確かさを表すエントロピー／分類・決定木・交差エントロピーとの関係 |
| 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／損失関数／VAE |
補足
上記の記事は、すでに別分野にも分類できるテーマです。
ただし、数理・統計知識として学び直す場合にも重要な記事なので、この分野でも関連テーマとして押さえておく価値があります。
特に重要なのは、次の考え方です。
損失関数
誤差を数値化する
勾配降下法
誤差を小さくする方向へ進む
学習率
修正幅を決める
適合率・再現率
評価の観点を分ける
バイアスと分散
単純すぎるモデルと複雑すぎるモデルの問題を整理する
この分野で意識したいポイント
数理・統計分野は、計算そのものよりも、AIのどの場面で使われる考え方なのか を理解することが重要です。
G検定では、数学的な細かい導出よりも
- 何を測っているのか
- 何を調整しているのか
- どの指標を使うべきか
が問われやすくなります。
８．AIに関する法律と契約・AI倫理・AIガバナンス
この分野では、AIに関する法律、契約、倫理、ガバナンス、リスクを整理します。
生成AIの普及により、著作権、個人情報保護、バイアス、ディープフェイク、AIガバナンスなどの重要性が高まっています。
この分野に分類する記事
まとめ記事
| 読む記事 | 確認できる内容 |
|---|---|
| 法律・倫理・ガバナンスまとめ | 個人情報保護／著作権／契約／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 | 個人情報・プライバシー／著作権・生成AI／契約／公平性・透明性／説明可能性／AIリスク／AIガバナンス |
解説記事
| 読む記事 | 確認できる内容 |
|---|---|
| AI倫理・AI法律とは？ | AI倫理／AI法律／誤情報／著作権／個人情報／バイアス／フェイク画像／安全なAI活用 |
| 著作権と生成AIとは？ | 学習データと著作権／AI生成物の権利／既存作品との類似／公開・商用利用時の注意点 |
| アルゴリズムバイアスとは？ | AIの不公平な判断／学習データの偏り／公平性／差別・偏見のリスク／AI倫理との関係 |
| ディープフェイクとは？ | AIで作られた偽画像・偽動画・偽音声／なりすまし／偽情報／生成AI時代のリスク |
| PoCとは？ | AI導入前の効果検証／本格導入前の確認／実現可能性／費用対効果／失敗リスクの低減 |
| 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 |
予想問題
| 読む記事 | 確認できる内容 |
|---|---|
| AI倫理・法律・ガバナンス | 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／ディープフェイク／XAI／AIガバナンス |
この分野で意識したいポイント
法律・倫理・ガバナンスの分野では、用語の意味だけでなく、なぜその問題が起きるのか、どのようなリスクにつながるのか を理解することが重要です。
たとえば
著作権
：
学習データや生成物に関係する
個人情報保護
：
入力情報や顔・声・識別情報に関係する
アルゴリズムバイアス
：
不公平な判断につながる
ディープフェイク
：
偽情報やなりすましにつながる
AIガバナンス
：
AIを安全に使うための管理体制
というように、リスクの種類 で整理すると理解しやすくなります。
まとめ
作成済みの記事をG検定の8分野に分類すると、サイト全体の強みと不足している部分が見えやすくなります。
現在の記事群は、機械学習、ディープラーニング、生成AI、法律・倫理の分野がかなり充実しています。特に、生成AIの仕組みやAI倫理・ガバナンスは、個別記事だけでなくカテゴリ記事としてまとめる価値が高い状態です。
今後は、個別記事をさらに増やすだけでなく、分野別カテゴリ記事 を作ることで、読者が自分の苦手分野から学び直しやすくなります。
G検定対策では、単語を暗記するだけではなく
- どの分野の話なのか
- 何と混同しやすいのか
- どの記事を読めば理解できるのか
を整理することが大切です。
その意味で、今回の8分野分類は、今後の内部リンク設計やカテゴリ記事作成の土台になります。
関連記事・おすすめ記事
G検定は出題範囲が広いため、すべてを順番に読むよりも、苦手な分野から確認する のもおすすめです。
まずは各分野の代表記事から読むと、全体像をつかみやすくなります。
| 読む記事 | 確認できる内容 |
|---|---|
| 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の関係／教師あり・教師なし・強化学習との違い／特徴量設計 |
| 教師あり・教師なし・強化学習の違い | 正解ラベルあり／正解ラベルなし／報酬で学ぶ違い／分類・回帰・クラスタリングとの関係 |
| 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の基本構造 |
| CNN・RNN・Transformerの違い | CNNは画像／RNNは時系列／Transformerは文章・生成AIで重要になる理由 |
| Transformerとは？ | Self-Attention／単語同士の関係／並列処理／自然言語処理・生成AIとの関係 |
| ディープラーニングの応用例とは？ | 画像認識／自然言語処理／音声認識／生成AI／CNN・RNN・Transformerとの対応関係 |
| AI倫理・AI法律とは？ | AI倫理と法律の違い／個人情報／著作権／公平性／透明性／説明責任 |
| 生成AIリスクまとめ | ハルシネーション／著作権／個人情報／アルゴリズムバイアス／ディープフェイク／安全な生成AI活用 |
| 理解型予想問題まとめ | 混同しやすい用語／予想問題／分野別チェック |
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。
