【G検定｜理解型予想問題】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？
seo-webmaster
G検定対策ブログ
【G検定対策】全8分野の弱点チェック
seo-webmaster
プロモーションが含まれています
G検定の勉強を進めていると、「ひと通り学習したけれど、どの分野が苦手なのか分からない」、「次に何を復習すればよいのか迷う」と感じることがあります。
このページでは、G検定の出題範囲を8分野に分け、それぞれ5問ずつ、合計40問の弱点チェックを用意しました。
なぜ8分野？
G検定の結果は、8つの分野ごとの正解率がメールで送られてきます。その8分野に沿って分類しています。
単に合計点を見るための問題ではありません。間違えた問題から、用語の意味、似た技術との違い、仕組み、使用場面、関連技術とのつながりのうち、どこが曖昧なのかを確認します。
まずは全40問に取り組み、分野別の得点と間違えたテーマを記録してみてください。
診断結果から、次に確認したい分野まとめ、個別解説、理解型予想問題を見つけられます。
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
AIの定義、探索、エキスパートシステム、AIの限界、AIブームの流れを確認します。
問題①
人工知能に関する説明として、最も適切なものはどれか？
- A. 人工知能には、研究者の間で完全に統一された一つの定義がある
- B. 人工知能とは、人間と同じ外見を持つロボットだけを指す
- C. 人工知能の定義には複数の考え方があり、知的な処理をコンピュータで実現する技術などを指す
- D. 人工知能とは、あらかじめ登録された計算だけを高速に行う電卓を指す
- 正解・解説（クリックで開きます）
-
正解
C
解説：人工知能の捉え方
人工知能には、すべての研究者が合意する一つの定義があるわけではありません。
一般的には、認識、推論、学習、判断など、人間の知的活動に関係する処理をコンピュータで実現する技術や研究分野として捉えられます。
Aは、定義が完全に統一されている点が誤りです。
Bは、人工知能をロボットの外見と混同しています。
Dの電卓は、決められた計算を行いますが、それだけで人工知能を表すわけではありません。この問題で確認できること
人工知能の基本的な捉え方／AIとロボットの違い／AIの定義が一つではないこと
間違えた場合の復習先
「人工知能とは？｜AIの定義・強いAI・弱いAIをわかりやすく整理」
【G検定対策】人工知能とは？｜AIの定義・強いAI・弱いAIをわかりやすく整理
Q
問題②
迷路の入口から、最も少ない移動回数で到達できる出口を探したい。各移動のコストが同じ場合に適している探索手法はどれか？
- A. 深さ優先探索
- B. 幅優先探索
- C. Mini-Max法
- D. αβ法
- 正解・解説（クリックで開きます）
-
正解
B
解説：探索手法の使い分け
幅優先探索は、現在の位置から近い状態を順番に調べます。
各移動のコストが同じ場合、最初に見つかった解が最短経路になります。
Aの深さ優先探索は、一つの経路を奥まで調べるため、最初に見つかった解が最短とは限りません。
Cの Mini-Max法 とDの αβ法 は、主に対戦ゲームの探索に関係します。この問題で確認できること
幅優先探索と深さ優先探索の違い／最短経路との関係／ゲーム探索との違い
間違えた場合の復習先
「探索手法の違い｜幅優先探索・深さ優先探索・Mini-Max法・αβ法を整理」
【G検定対策】探索手法の違い｜幅優先探索・深さ優先探索・Mini-Max法・αβ法を整理
Q
問題③
専門家の判断を多数のルールとしてシステムへ登録したが、専門家から知識を聞き出して整理する作業に多くの時間がかかった。
この問題として最も適切なものはどれか？
- A. 知識獲得のボトルネック
- B. 勾配消失問題
- C. データリーケージ
- D. 次元の呪い
- 正解・解説（クリックで開きます）
-
正解
A
解説：エキスパートシステムの課題
知識獲得のボトルネックとは、専門家の知識を聞き出し、コンピュータで扱えるルールへ変換する作業が難しい問題です。
エキスパートシステムが注目された第二次AIブームで、代表的な課題となりました。
Bは深いニューラルネットワークなどで勾配が小さくなる問題です。
Cは、本番では利用できない情報が学習データに混ざる問題です。
Dは、特徴量の次元が増えることで学習や分析が難しくなる問題です。この問題で確認できること
エキスパートシステムの仕組み／知識獲得のボトルネック／第二次AIブームの限界
間違えた場合の復習先
【G検定対策】エキスパートシステムとは？｜専門家の知識を使って判断するAIをわかりやすく整理
【G検定対策】AIブームの歴史とは？｜第一次・第二次・第三次AIブームを流れで整理
Q
問題④
部屋を掃除するAIに対して、部屋にあるすべての物体と、行動によって変化する可能性を考慮させようとしたところ、確認すべき情報が膨大になった。
この問題に最も近いものはどれか？
- A. フレーム問題
- B. シンボルグラウンディング問題
- C. 過学習
- D. コールドスタート問題
- 正解・解説（クリックで開きます）
-
正解
A
解説：人工知能で議論される問題
フレーム問題は、現実世界で行動するときに、何が変化し、何が変化しないかをすべて考慮しようとすると、処理すべき情報が膨大になる問題です。
Bのシンボルグラウンディング問題は、記号と現実世界の意味をどのように結び付けるかという問題です。
Cは学習データに合わせすぎる問題です。
Dは、利用履歴などが少ないため推薦しにくい問題です。この問題で確認できること
フレーム問題の意味／シンボルグラウンディング問題との違い／AIの限界
間違えた場合の復習先
【G検定対策】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・チューリングテスト・中国語の部屋を整理
Q
問題⑤
AIブームと中心となった技術の組み合わせとして、最も適切なものはどれか？
- A. 第一次AIブーム ＝ 探索・推論
第二次AIブーム ＝ 知識表現・エキスパートシステム
第三次AIブーム ＝ 機械学習・ディープラーニング - B. 第一次AIブーム ＝ ディープラーニング
第二次AIブーム ＝ 探索
第三次AIブーム ＝ エキスパートシステム - C. 第一次AIブーム ＝ 生成AI
第二次AIブーム ＝ ロボット
第三次AIブーム ＝ 電卓 - D. 第一次AIブーム ＝ MLOps
第二次AIブーム ＝ エッジAI
第三次AIブーム ＝ PoC
- 正解・解説（クリックで開きます）
-
正解
A
解説：AIブームの流れ
第一次AIブームでは探索と推論、第二次AIブームでは知識表現とエキスパートシステム、第三次AIブームでは機械学習とディープラーニングが中心となりました。
重要なのは、名称だけでなく、各時代に何ができるようになり、何が限界となったかをつなげて理解することです。この問題で確認できること
三つのAIブーム／中心技術の変化／探索・知識・学習の流れ
間違えた場合の復習先
「AIブームの歴史とは？」と「AIは何の問題を解決して進化したのか？」
【G検定対策】AIブームの歴史とは？｜第一次・第二次・第三次AIブームを流れで整理
【G検定対策】AIは「何の問題を解決して進化した」のか？流れでわかるAI技術の進化
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 人工知能の定義 |
| 問題② | 探索手法の使い分け |
| 問題③ | エキスパートシステム |
| 問題④ | AIの限界と議論 |
| 問題⑤ | AIブームの歴史 |
2．機械学習の概要
学習方法、分類・回帰、代表的なアルゴリズム、モデル評価、評価指標を確認します。
問題①
商品の購入履歴だけを使い、似た購買傾向を持つ利用者を複数のグループに分けたい。正解となるグループは事前に与えられていない。
この学習方法として最も適切なものはどれか？
- A. 教師あり学習
- B. 教師なし学習
- C. 強化学習
- D. 転移学習
- 正解・解説（クリックで開きます）
-
正解
B
解説：学習方法の違い
正解ラベルがないデータから、似た特徴を持つグループを見つけるため、教師なし学習が適しています。
Aの教師あり学習では、入力と正解ラベルの組み合わせを使います。
Cの強化学習では、行動と報酬を通じて方策を改善します。
Dの転移学習は、別の課題で学習したモデルを活用する方法です。
この問題で確認できること
教師あり・教師なし・強化学習の違い／クラスタリング／正解ラベルの有無
間違えた場合の復習先
【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
Q
問題②
住宅の広さ、築年数、駅からの距離を使い、住宅の販売価格を数値として予測したい。
この課題として最も適切なものはどれか？
- A. 分類
- B. 回帰
- C. クラスタリング
- D. 次元削減
- 正解・解説（クリックで開きます）
-
正解
B
解説：分類と回帰の違い
価格のような連続した数値を予測する課題は回帰です。
Aの分類は、迷惑メールかどうかなど、カテゴリーを予測します。
Cは、似たデータをグループに分けます。
Dは、データの特徴量を減らします。この問題で確認できること
分類と回帰の違い／予測結果の形式／教師あり学習との関係
間違えた場合の復習先
【G検定対策】教師あり学習と教師なし学習とは？｜分類・回帰・クラスタリングの違いを整理
Q
問題③
ランダムフォレストの説明として、最も適切なものはどれか？
- A. 一つの決定木を可能な限り深くする方法
- B. 複数の決定木を作り、その予測をまとめる方法
- C. データを代表点に近いグループへ分ける方法
- D. データを高次元空間へ写して境界線を引く方法
- 正解・解説（クリックで開きます）
-
正解
B
解説：決定木とランダムフォレスト
ランダムフォレストは、異なるデータや特徴量を使って複数の決定木を作り、その予測を多数決や平均でまとめます。
一つの決定木より予測が安定し、過学習を抑えやすくなることがあります。
Cは k-means法、Dは SVM に関係する説明です。この問題で確認できること
決定木とランダムフォレストの関係／アンサンブル学習／予測の安定化
間違えた場合の復習先
「決定木・ランダムフォレストとは？」と「アンサンブル学習とは？」
【G検定対策】決定木・ランダムフォレストとは？｜木構造で判断し、複数の木で予測を安定させる考え方を整理
【G検定対策】アンサンブル学習とは？｜なぜ複数のAIを組み合わせるのか？
Q
問題④
同じデータの分け方だけでモデルを評価すると、偶然その分け方に適していた可能性がある。データの分け方を変えながら複数回評価したい。
最も適切な方法はどれか？
- A. 交差検証
- B. データ拡張
- C. 勾配降下法
- D. 正規化
- 正解・解説（クリックで開きます）
-
正解
A
解説：モデルを評価する方法
交差検証は、データを複数に分割し、学習用と検証用の役割を入れ替えながら複数回評価する方法です。
一度の分割だけに依存せず、モデルの性能を確認できます。
Bは学習データのバリエーションを増やす方法です。
Cは損失を小さくするための最適化方法です。
Dは値のスケールなどを整える処理です。この問題で確認できること
交差検証の目的／学習データと検証データ／モデル選択
間違えた場合の復習先
「交差検証とは？」
【G検定対策】交差検証（クロスバリデーション）とは？わかりやすく整理
Q
問題⑤
病気の可能性がある人を検査で見つける際、実際に病気である人を見逃すことをできるだけ減らしたい。
特に重視したい評価指標はどれか。
- A. 適合率
- B. 再現率
- C. 平均二乗誤差
- D. シルエット係数
- 正解・解説（クリックで開きます）
-
正解
B
解説：適合率と再現率
再現率は、実際に陽性であるもののうち、どれだけ陽性として検出できたかを表します。
見逃しである偽陰性を減らしたい場合に重視されます。
Aの適合率は、陽性と予測したもののうち、実際に陽性だった割合です。
Cは主に回帰などの誤差、Dはクラスタリングの評価に関係します。この問題で確認できること
再現率と適合率の違い／偽陰性／目的に応じた評価指標
間違えた場合の復習先
「評価指標の使い分け方は？」と「適合率と再現率はなぜ混同する？」
【G検定対策】評価指標の使い分け方は？わかりやすく整理
【G検定｜理解型予想問題】適合率と再現率はなぜ混同する？
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 学習方法の違い |
| 問題② | 分類と回帰 |
| 問題③ | 代表的なアルゴリズム |
| 問題④ | モデルの選択・評価 |
| 問題⑤ | 評価指標の使い分け |
3．ディープラーニングの概要
活性化関数、損失関数、誤差逆伝播法、最適化、過学習対策を確認します。
問題①
ニューラルネットワークで活性化関数を使用する主な理由として、最も適切なものはどれか？
- A. ネットワークへ非線形性を加えるため
- B. 正解ラベルを自動的に作るため
- C. 学習データを暗号化するため
- D. モデルの評価指標を決めるため
- 正解・解説（クリックで開きます）
-
正解
A
解説：活性化関数の役割
活性化関数は、ニューロンの出力を変換し、ネットワークへ非線形性を加えます。
活性化関数がなく線形変換だけを重ねた場合、層を増やしても全体として一つの線形変換と同じような表現になります。この問題で確認できること
活性化関数の役割／非線形性／ニューラルネットワークの表現力
間違えた場合の復習先
「活性化関数とは？」
【G検定対策】活性化関数とは？わかりやすく整理
Q
問題②
損失関数と評価指標の関係として、最も適切なものはどれか。
- A. 損失関数は学習時に重みを更新する基準となり、評価指標はモデルの性能を人が確認するために使われる
- B. 損失関数と評価指標は、必ず同じ式を使用する
- C. 損失関数は学習後にだけ使い、評価指標は学習中にだけ使う
- D. 損失関数は正解ラベルを作り、評価指標は特徴量を作る
- 正解・解説（クリックで開きます）
-
正解
A
解説：損失関数と評価指標
損失関数は、予測と正解のズレを数値化し、学習時の重み更新に使われます。
評価指標は、精度、適合率、再現率など、モデルが目的に対してどの程度よいかを確認するために使います。
両者が同じ値になる場合もありますが、必ず同じではありません。この問題で確認できること
損失関数と評価指標の違い／学習と評価／重み更新との関係
間違えた場合の復習先
【G検定｜理解型予想問題】損失関数と評価指標はなぜ混同する？
Q
問題③
誤差逆伝播法の説明として、最も適切なものはどれか？
- A. 出力側で生じた誤差を入力側へ伝え、各重みが損失へ与えた影響を求める
- B. 入力データを複数のグループへ分ける
- C. ニューロンをランダムに削除してモデルを小さくする
- D. 学習済みモデルを端末へ配置する
- 正解・解説（クリックで開きます）
-
正解
A
解説：誤差逆伝播法
誤差逆伝播法は、出力側から入力側へ誤差の影響を伝え、各重みに対する損失の勾配を計算する方法です。
求めた勾配を使い、勾配降下法などで重みを更新します。この問題で確認できること
誤差逆伝播法の役割／勾配／損失関数と重み更新の流れ
間違えた場合の復習先
【G検定対策】誤差逆伝播法とは？AIの反省会…
【G検定対策】重みとは？｜AIが「どこを重要視するか？」を決める仕組みをわかりやすく整理
Q
問題④
学習率を極端に大きく設定した場合に起こりやすいことはどれか？
- A. 重みの更新幅が大きくなり、損失の小さい地点を通り過ぎて学習が安定しない
- B. 重みがまったく更新されなくなる
- C. 正解ラベルが自動的に増える
- D. 学習データが検証データへ変換される
- 正解・解説（クリックで開きます）
-
正解
A
解説：学習率の設定
学習率は、勾配をもとに重みをどの程度更新するかを決めます。
大きすぎると最適な値の周辺を行き来したり、損失が増加したりして、学習が安定しないことがあります。
小さすぎる場合は、学習の進行が遅くなる可能性があります。この問題で確認できること
学習率の意味／勾配降下法／更新幅と学習の安定性
間違えた場合の復習先
【G検定対策】学習率とは？わかりやすく整理
【G検定対策】勾配降下法とは？わかりやすく整理
Q
問題⑤
訓練データに対する性能は高いが、未知のデータに対する性能が低い。
この状態への対策として適切でないものはどれか？
- A. ドロップアウトを使う
- B. 正則化を使う
- C. データ拡張を行う
- D. 訓練データだけにさらに細かく合わせる
- 正解・解説（クリックで開きます）
-
正解
D
解説：過学習への対策
訓練データに合わせすぎて未知のデータへ対応できない状態は過学習です。
ドロップアウト、正則化、データ拡張などは、過学習を抑える代表的な方法です。
訓練データだけにさらに細かく合わせると、過学習が強まる可能性があります。この問題で確認できること
過学習の状態／正則化／ドロップアウト／データ拡張
間違えた場合の復習先
【G検定｜理解型予想問題】過学習・正則化・ドロップアウト
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 活性化関数 |
| 問題② | 損失と評価 |
| 問題③ | 誤差逆伝播法 |
| 問題④ | 最適化と学習率 |
| 問題⑤ | 過学習対策 |
4. ディープラーニングの要素技術
ディープラーニングの要素技術について理解を確認します。
問題①
画像認識で使われる畳み込み層の説明として、最も適切なものはどれか？
- A. 画像全体の情報を1つの値にまとめる
- B. 小さなフィルタを移動させながら局所的な特徴を取り出す
- C. ニューロンをランダムに無効化して過学習を抑える
- D. データの値を平均0、標準偏差1に変換する
- 正解・解説（クリックで開きます）
-
正解
B
解説：畳み込み層の役割
み込み層は、画像上で小さなフィルタを移動させながら、線、輪郭、模様などの局所的な特徴を取り出します。
Aは、主にグローバル平均プーリングなどの説明です。
Cは、ドロップアウトの説明です。
Dは、標準化や正規化層に関係する説明です。この問題で確認できること
- 畳み込み層の基本的な役割
- フィルタと特徴マップの関係
- プーリングやドロップアウトとの違い
間違えた場合の復習先
【G検定対策】CNNの畳み込み・プーリングとは？｜画像認識で特徴を取り出す仕組みをわかりやすく整理
Q
問題②
バッチ正規化とレイヤー正規化の違いとして、最も適切なものはどれか？
- A. バッチ正規化はミニバッチ内の同じ特徴量を基準にし、レイヤー正規化は1つのデータ内の特徴量を基準にする
- B. バッチ正規化は画像専用で、レイヤー正規化は音声専用である
- C. バッチ正規化は過学習を完全に防ぎ、レイヤー正規化は勾配消失を完全に防ぐ
- D. バッチ正規化は入力データにだけ使われ、レイヤー正規化は出力データにだけ使われる
- 正解・解説（クリックで開きます）
-
正解
A
解説：バッチ正規化とレイヤー正規化の違い
バッチ正規化は、ミニバッチ内にある同じ特徴量の平均や分散を利用して値を整えます。
レイヤー正規化は、基本的に1つのデータ内にある複数の特徴量を基準にして値を整えます。
Bのように、利用対象が画像と音声で明確に分かれているわけではありません。
Cの「完全に防ぐ」は誤りです。どちらも学習を安定させる方法ですが、あらゆる問題を解決するものではありません。
Dも誤りです。入力だけ、出力だけという区別ではありません。この問題で確認できること
- バッチ正規化の基準
- レイヤー正規化の基準
- 正規化層とデータ前処理の違い
間違えた場合の復習先
【G検定対策】バッチ正規化・レイヤー正規化とは？｜正規化層の役割と違いを整理
Q
問題③
深いニューラルネットワークで、ある層への入力を後方の層へ直接加え、出力を次のように計算する構造がある。
出力 ＝ 変換後の値 ＋ 元の入力
この構造の目的として、最も適切なものはどれか？
- A. 入力画像のサイズを必ず半分にする
- B. 勾配や情報を後方の層まで伝わりやすくする
- C. 学習データの正解ラベルを自動で作成する
- D. 複数のモデルによる予測結果を平均する
- 正解・解説（クリックで開きます）
-
正解
B
解説：スキップ結合が使われる理由
スキップ結合は、層による変換結果に元の入力を加える構造です。
情報や勾配が深い層まで伝わる経路を作り、非常に深いニューラルネットワークを学習しやすくします。ResNet で使われる代表的な構造です。
Aは、ストライドやプーリングによる縮小に関係する説明です。
Cは、アノテーションや自己教師あり学習などに関係します。
Dは、アンサンブル学習の説明です。この問題で確認できること
- スキップ結合の構造
- ResNetとの関係
- 勾配消失問題とのつながり
間違えた場合の復習先
「スキップ結合・ResNetとは？」と「勾配消失問題とは？」
【G検定対策】スキップ結合・ResNetとは？｜深いニューラルネットワークを学習しやすくする仕組みを整理
【G検定対策】勾配消失問題とは？なぜAIは深くすると学習しにくくなるのか
Q
問題④
系列データに含まれる長期的な関係を扱いやすくしながら、LSTMよりも構造を簡略化するため、更新ゲートとリセットゲートを使用するモデルはどれか？
- A. 単純な RNN
- B. LSTM
- C. GRU
- D. CNN
- 正解・解説（クリックで開きます）
-
正解
C
解説：LSTMとGRUの使い分け
GRU は、更新ゲートとリセットゲートを使って情報を制御するモデルです。
LSTM と同様に長期的な関係を扱いやすくしながら、LSTM よりもゲート構造が簡略化されています。
Aの単純な RNN は、長い系列では過去の情報を保持しにくいことがあります。
Bの LSTM は、入力ゲート、忘却ゲート、出力ゲートとセル状態を使います。
Dの CNN は、主に画像などの局所的な特徴を扱う構造です。この問題で確認できること
- RNN・LSTM・GRUの違い
- LSTMとGRUのゲート構造
- 長期依存関係と勾配消失問題
間違えた場合の復習先
【G検定｜理解型予想問題】RNN・LSTM・GRUはなぜ混同する？
Q
問題⑤
Attention、Self-Attention、Multi-Head Attention の関係として、最も適切なものはどれか？
- A. Attentionは重要な情報へ重みを付け、Self-Attentionは同じ系列内の要素同士の関係を計算し、Multi-Head Attentionは複数のAttentionを並行して計算する
- B. Attentionは画像専用、Self-Attentionは音声専用、Multi-Head Attentionは数値データ専用である
- C. Self-Attentionは単語を順番に1つずつ処理し、Multi-Head Attentionは長期記憶をセル状態に保存する
- D. Attentionはニューラルネットワークの重みを更新し、Self-Attentionは損失を計算し、Multi-Head Attentionは過学習を防ぐ
- 正解・解説（クリックで開きます）
-
正解
A
解説：Attention関連技術のつながり
Attention は、入力の中から重要な情報へ重みを付ける考え方です。
Self-Attention は、同じ系列に含まれる要素同士の関係を計算します。文章であれば、各単語がほかの単語とどの程度関係しているかを求めます。
Multi-Head Attention は、複数の Attention を並行して計算し、異なる観点から関係を捉える仕組みです。
Bのような用途別の区分ではありません。
Cの前半はRNN的な処理、後半はLSTMのセル状態に近い説明です。
Dは、損失関数、最適化、正則化などを混同した説明です。
この問題で確認できること
- Attentionの基本的な役割
- Self-Attentionとの違い
- Multi-Head Attentionとのつながり
- Transformerとの関係
間違えた場合の復習先
「Attention・Self-Attention・Multi-Head Attentionはなぜ混同する？」
【G検定｜理解型予想問題】Attention・Self-Attention・Multi-Head Attentionはなぜ混同する？
Q
診断
| 問題 | 確認する理解 |
|---|---|
| 問題① | 基本的な意味 |
| 問題② | 似た技術の違い |
| 問題③ | 技術が必要な理由と仕組み |
| 問題④ | 条件から技術を選ぶ力 |
| 問題⑤ | 関連技術のつながり |
5．ディープラーニングの応用例
画像認識、自然言語処理、音声処理、生成モデル、転移学習・マルチモーダルを確認します。
問題①
道路画像に写る歩行者について、歩行者ごとに位置を四角い枠で示したい。
最も適切な技術はどれか？
- A. 画像分類
- B. 物体検出
- C. セマンティックセグメンテーション
- D. 画像生成
- 正解・解説（クリックで開きます）
-
正解
B
解説：画像認識タスクの違い
物体検出は、画像内に何があるかに加え、どこにあるかをバウンディングボックスなどで示します。
画像分類は、画像全体が何を表すかを判断します。
セマンティックセグメンテーションは、画素単位でカテゴリーを分けます。この問題で確認できること
画像分類・物体検出・セグメンテーションの違い／出力形式／利用目的
間違えた場合の復習先
【G検定｜理解型予想問題】画像分類・物体検出・セグメンテーションはなぜ混同する？
Q
問題②
文章を生成AIへ入力する前に、文章を単語や文字などの小さな単位に分け、その単位を数値ベクトルへ変換した。
処理の組み合わせとして最も適切なものはどれか？
- A. トークン化と埋め込み
- B. プーリングと正規化
- C. 物体検出とセグメンテーション
- D. アノテーションとモデル軽量化
- 正解・解説（クリックで開きます）
-
正解
A
解説：自然言語処理の流れ
文章を処理単位へ分けることをトークン化と呼びます。
各トークンを意味や関係を扱える数値のまとまりへ変換する考え方が埋め込みです。この問題で確認できること
トークンと埋め込み／文章を数値として扱う流れ／自然言語処理
間違えた場合の復習先
【G検定対策】トークンとは？｜AIが文章を「細かく分けて理解する仕組み」
【G検定対策】単語埋め込み（Embedding）とは？
Q
問題③
人が話した内容をテキストへ変換する処理はどれか？
- A. 音声認識
- B. 音声合成
- C. 画像分類
- D. 機械翻訳
- 正解・解説（クリックで開きます）
-
正解：音声認識と音声合成
A
解説
音声認識は、音声データから話された内容を認識し、文字などへ変換します。
音声合成は、文章などから人工的な音声を生成する処理です。この問題で確認できること
音声認識と音声合成の違い／入力と出力／音声処理の基本
間違えた場合の復習先
「音声処理とは？」
【G検定対策】音声処理とは？｜音声認識・音声データ・ディープラーニングとの関係を整理
Q
問題④
ランダムなノイズから生成を開始し、段階的にノイズを取り除くことで画像を作るモデルはどれか？
- A. オートエンコーダ
- B. GAN
- C. 拡散モデル
- D. 決定木
- 正解・解説（クリックで開きます）
-
正解
C
解説：生成モデルの違い
拡散モデルは、データへノイズを加える過程を学び、その逆向きにノイズを取り除くことで新しいデータを生成します。
GAN は生成器と識別器を競わせます。
VAE は潜在空間の確率分布からデータを生成します。
この問題で確認できること
拡散モデルの生成過程／GAN・VAE との違い／ノイズ除去
間違えた場合の復習先
【G検定対策】生成モデルまとめ｜GAN・VAE・拡散モデル・生成AIの関係を整理
【G検定対策】拡散モデルとは？｜ノイズを取り除きながら画像を生成する考え方を整理
Q
問題⑤
画像と文章の組み合わせを扱う学習済みモデルを、自社の商品画像検索へ適応させたい。
関係が深い技術の組み合わせはどれか？
- A. マルチモーダルAIとファインチューニング
- B. 幅優先探索とMini-Max法
- C. 標準偏差と共分散
- D. 著作権法と独占禁止法
- 正解・解説（クリックで開きます）
-
正解
A
解説：複数技術のつながり
画像と文章など、異なる種類のデータを組み合わせて扱うAIはマルチモーダルAIです。
学習済みモデルを特定の目的へ追加学習して適応させる方法がファインチューニングです。
この問題で確認できること
マルチモーダルAI／学習済みモデルの活用／転移学習・ファインチューニング
間違えた場合の復習先
「マルチモーダルAIとは？」と「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？」
【G検定対策】マルチモーダルAIとは？｜画像・文章・音声を組み合わせて扱うAIをわかりやすく整理
【G検定｜理解型予想問題】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？
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 画像認識 |
| 問題② | 自然言語処理 |
| 問題③ | 音声処理 |
| 問題④ | データ生成 |
| 問題⑤ | 転移学習・マルチモーダル |
6．AIの社会実装に向けて
PoC、データリーケージ、データ品質、アノテーション、MLOpsを確認します。
問題①
企業がAIを本格導入する前に、小規模なデータと限定的な環境を使って、技術的に実現できるか、期待する効果が得られそうかを確認した。
この取り組みはどれか？
- A. PoC
- B. MLOps
- C. ファインチューニング
- D. 正規化
- 正解・解説（クリックで開きます）
-
正解：PoCの目的
A
解説
PoC は、本格開発や導入の前に、アイデアや技術の実現可能性を小規模に検証する取り組みです。
単にモデルの精度を見るだけでなく、業務上の価値、必要なデータ、費用なども確認します。この問題で確認できること
PoC の目的／本格導入との違い／技術面と事業面の検証
間違えた場合の復習先
「PoCとは？」
【G検定対策】PoCとは？｜AI導入前に効果を検証する考え方をわかりやすく整理
Q
問題②
商品の解約を予測するモデルを作る際、解約した後にだけ記録される「解約処理完了日」を学習データへ含めた。
この問題として最も適切なものはどれか？
- A. データリーケージ
- B. データ拡張
- C. 正則化
- D. アノテーション
- 正解・解説（クリックで開きます）
-
正解：データリーケージ
A
解説
予測時点では利用できない未来の情報が学習データへ混ざると、実際には使えない情報を使って予測することになります。
学習時の評価が不自然に高くても、本番では性能が低下する可能性があります。公式テキストでは「データリーク」と記載されていますが、G検定シラバスでは「データリーケージ」とあるのでここでは「データリーケージ」とします。
この問題で確認できること
データリーケージ／予測時点／本番で利用できる情報
間違えた場合の復習先
【G検定対策】データリーケージとは？｜本番で使えない情報が混ざる問題をわかりやすく整理
Q
問題③
入力データの一部で、年齢が「25」、「二十五」、「250」のように異なる形式や不自然な値で記録されていた。
最初に確認すべきものはどれか？
- A. データ品質と前処理
- B. モデルの層を増やすこと
- C. 学習率を最大にすること
- D. 生成モデルへ変更すること
- 正解・解説（クリックで開きます）
-
正解
A
解説：データ品質
表記の不統一、欠損値、重複、異常値などは、モデルの学習前に確認する必要があります。
モデルを複雑にしても、元のデータに問題があれば、適切な学習結果を得にくくなります。この問題で確認できること
データ品質／データ前処理／モデルより先にデータを確認する考え方
間違えた場合の復習先
【G検定対策】データ品質とは？｜AIの性能を左右するデータの良し悪しをわかりやすく整理
【G検定対策】データ前処理とは？｜AIが学習しやすいデータに整える作業をわかりやすく整理
Q
問題④
物体検出モデルの学習データを作るため、画像内の自動車を四角い枠で囲み、「自動車」というラベルを付けた。
この作業はどれか？
- A. アノテーション
- B. 正規化
- C. 蒸留
- D. 交差検証
- 正解・解説（クリックで開きます）
-
正解
A
解説：アノテーション
アノテーションは、画像、文章、音声などのデータへ正解情報や意味情報を付与する作業です。
物体検出では、対象物の種類と位置を示す枠などを付けます。この問題で確認できること
アノテーションの役割／教師あり学習／物体検出用データ
間違えた場合の復習先
【G検定対策】アノテーションとは？｜AIに正解データを教える作業をわかりやすく整理
Q
問題⑤
AIモデルをサービスへ導入した後、入力データの変化によって精度が低下していないかを監視し、必要に応じて再学習と再配布を行いたい。
関係が深い考え方はどれか？
- A. MLOps
- B. k-means法
- C. 情報量
- D. Mini-Max法
- 正解・解説（クリックで開きます）
-
正解
A
解説：導入後の運用
MLOpsは、機械学習モデルの開発、導入、監視、再学習、更新などを継続的に行うための考え方や仕組みです。
AIは一度作れば終わりではなく、本番環境で性能を確認しながら改善する必要があります。この問題で確認できること
MLOps／モデル監視／再学習／継続的な運用
間違えた場合の復習先
【G検定対策】MLOpsとは？｜AIモデルを継続的に運用・改善する考え方をわかりやすく整理
【G検定対策】AIの社会実装に向けてまとめ｜PoC・MLOps・データ品質・運用までつなげて理解する
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | AIプロジェクトの進め方 |
| 問題② | データリーケージ |
| 問題③ | データ品質・前処理 |
| 問題④ | アノテーション |
| 問題⑤ | 導入後の運用 |
7．AIに必要な数理・統計知識
条件付き確率、ベイズの定理、期待値、標準偏差、情報量を確認します。
問題①
ある利用者が「商品Aを購入した」という条件のもとで、「商品Bも購入する確率」を考えたい。
この確率はどれか？
- A. 条件付き確率
- B. 分散
- C. 共分散
- D. エントロピー
- 正解・解説（クリックで開きます）
-
正解
A
解説：条件付き確率
条件付き確率は、ある条件が成立しているときに、別の事象が起こる確率です。
この場合は、「商品Aを購入した」という条件のもとで、商品Bも購入する確率を考えています。この問題で確認できること
条件付き確率／条件と結果／通常の確率との違い
間違えた場合の復習先
【G検定対策】条件付き確率とは？｜ある条件のもとで起こる確率をわかりやすく整理
Q
問題②
迷惑メールに特定の単語が含まれる確率と、通常メールにその単語が含まれる確率を使い、その単語を含むメールが迷惑メールである確率を更新したい。
関係が深いものはどれか？
- A. ベイズの定理
- B. 標準偏差
- C. 微分
- D. 行列の転置
- 正解・解説（クリックで開きます）
-
正解
A
解説：ベイズの定理
ベイズの定理は、ある結果が観測されたときに、原因となる事象の確率を更新するために使われます。
迷惑メール判定では、単語などの観測情報から迷惑メールである可能性を考える例があります。この問題で確認できること
ベイズの定理／条件付き確率／観測後の確率更新
間違えた場合の復習先
【G検定対策】ベイズの定理とは？｜条件付き確率とAIの推論をわかりやすく整理
Q
問題③
くじを1回引くと、2分の1の確率で100円を受け取り、2分の1の確率で0円となる。
受け取る金額の期待値はいくらか？
- A. 0円
- B. 25円
- C. 50円
- D. 100円
- 正解・解説（クリックで開きます）
-
正解
C
解説：期待値
期待値は、それぞれの結果に、その結果が起こる確率を掛けて合計します。
100円 × 0.5 ＋ 0円 × 0.5 ＝ 50円
期待値は、毎回必ず受け取れる金額ではなく、同じ試行を多数回行った場合の平均的な結果を表します。この問題で確認できること
期待値の意味／確率を考慮した平均／期待値と実際の結果の違い
間違えた場合の復習先
【G検定対策】期待値・分散・標準偏差とは？｜データの平均的な値とばらつきをわかりやすく整理
Q
問題④
商品の価格のばらつきを、元の価格と同じ「円」という単位で表したい。
最も適切なものはどれか？
- A. 分散
- B. 標準偏差
- C. 相関係数
- D. 確率密度
- 正解・解説（クリックで開きます）
-
正解
B
解説：分散と標準偏差
標準偏差は分散の平方根であり、元のデータと同じ単位でばらつきを表せます。
価格が円であれば、標準偏差も円です。
分散の単位は、元の単位を二乗したものになります。この問題で確認できること
分散と標準偏差の違い／単位／ばらつき
間違えた場合の復習先
【G検定｜理解型予想問題】期待値・分散・標準偏差はなぜ混同する？
Q
問題⑤
次のうち、一般的に最も大きな情報量を持つ出来事はどれか？
- A. ほぼ確実に起こる出来事
- B. 2回に1回程度起こる出来事
- C. めったに起こらない出来事
- D. 必ず起こる出来事
- 正解・解説（クリックで開きます）
-
正解
C
解説：情報量と確率
情報量は、起こる確率が低い出来事ほど大きくなります。
めったに起こらない出来事が起きたときほど、驚きや新しい情報が大きいと考えます。
必ず起こる出来事は、起きても新しい情報がほとんどありません。この問題で確認できること
情報量／確率との関係／エントロピーにつながる考え方
間違えた場合の復習先
「情報量・エントロピーとは？」と「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？」
【G検定対策】情報量・エントロピーとは？｜AIで使われる不確かさの考え方を整理
【G検定｜理解型予想問題】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？
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 条件付き確率 |
| 問題② | ベイズの定理 |
| 問題③ | 期待値 |
| 問題④ | 分散・標準偏差 |
| 問題⑤ | 情報量・エントロピー |
8．AIに関する法律・契約・倫理・ガバナンス
法律・契約・倫理・ガバナンスの違い、個人情報、契約、公平性、組織的な管理を確認します。
問題①
AIサービスを利用する組織が、責任者、審査手順、利用できるデータ、事故発生時の対応方法を定め、継続的に管理する仕組みを作った。
最も適切なものはどれか？
- A. AIガバナンス
- B. 著作権
- C. ファインチューニング
- D. データ拡張
- 正解・解説（クリックで開きます）
-
正解
A
解説：法律・契約・倫理・ガバナンス
AIガバナンスは、AIを安全かつ適切に活用するため、組織としてルール、責任、手順、監視体制などを整える考え方です。
法律は社会全体で守るべきルール、契約は当事者間の取り決め、倫理は望ましい行動を考える基準です。この問題で確認できること
法律・契約・倫理・ガバナンスの違い／組織的な管理／責任体制
間違えた場合の復習先
「AIに関する法律・契約・倫理・ガバナンスはなぜ混同する？」
【G検定｜理解型予想問題】AIに関する法律・契約・倫理・ガバナンス｜著作権・個人情報・AI倫理・AIガバナンスはなぜ混同する？
Q
問題②
顧客データをAIの学習に利用する計画を立てた。最初に行う対応として最も適切なものはどれか？
- A. 利用目的や取得方法、利用できる範囲を確認する
- B. 精度が高くなるなら無条件ですべて利用する
- C. データを複製すれば個人情報ではなくなる
- D. AIが使う場合は個人情報の確認が不要になる
- 正解・解説（クリックで開きます）
-
正解
A
解説：個人情報の取り扱い
個人に関係する情報を扱う場合は、利用目的、取得方法、本人への説明、利用範囲、安全管理などを確認する必要があります。
AIに利用するという理由だけで、個人情報に関するルールが不要になるわけではありません。この問題で確認できること
個人情報／利用目的／AI利用でも必要なデータ管理
間違えた場合の復習先
【G検定対策】個人情報保護とAIとは？｜AI活用でなぜプライバシーが重要になるのか
Q
問題③
外部企業へAI開発を委託する際、契約で事前に明確にしておく内容として適切でないものはどれか？
- A. 学習データを利用できる範囲
- B. 成果物や知的財産の取り扱い
- C. 精度の評価方法や検収条件
- D. 契約内容を決めず、完成後にすべて話し合うこと
- 正解・解説（クリックで開きます）
-
正解
D
解説：AI開発委託契約
AI開発では、データの利用範囲、成果物の権利、役割分担、精度の評価方法、検収条件、秘密保持などを事前に整理することが重要です。
AIは期待する性能を事前に完全保証しにくい場合があるため、評価方法や責任範囲を明確にする必要があります。この問題で確認できること
AI開発委託契約／データ・成果物・検収／法律と契約の違い
間違えた場合の復習先
「AIに関する法律と契約・AI倫理・AIガバナンスの重要用語まとめ」
【G検定対策】AIに関する法律と契約・AI倫理・AIガバナンスの重要用語まとめ
Q
問題④
採用AIの評価結果を確認すると、能力とは直接関係のない特定の属性を持つ人が、不利に評価される傾向があった。
特に確認すべき問題はどれか？
- A. 公平性とアルゴリズムバイアス
- B. モデル軽量化
- C. 勾配消失
- D. データ拡張
- 正解・解説（クリックで開きます）
-
正解
A
解説：公平性
学習データやモデルの設計によって、特定の集団が不当に不利になる場合、公平性やアルゴリズムバイアスの問題が考えられます。
平均的な精度だけでなく、集団ごとの結果や誤り方も確認する必要があります。この問題で確認できること
公平性／アルゴリズムバイアス／精度だけでは不十分なこと
間違えた場合の復習先
【G検定対策】アルゴリズムバイアスとは？｜AI倫理で問題になる「不公平な判断」をわかりやすく整理
Q
問題⑤
金融機関がAIによる審査結果を利用しているが、利用者から「なぜこの結果になったのか」と質問されても説明できなかった。
特に関係が深い課題はどれか？
- A. 透明性と説明可能性
- B. データ圧縮
- C. クラスタリング
- D. 音声合成
- 正解・解説（クリックで開きます）
-
正解
A
解説：透明性と説明可能性
AIの判断理由や利用方法を説明できない場合、透明性や説明可能性の問題があります。
すべての内部計算を完全に説明することだけでなく、どのようなデータを使い、どのような目的で判断し、誰が責任を持つかを示すことも重要です。
この問題で確認できること
透明性／説明可能AI／AIガバナンスとのつながり
間違えた場合の復習先
【G検定対策】説明可能AI（XAI）とは？｜AIの判断理由がなぜ重要なのか
【G検定対策】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をわかりやすく整理
Q
診断
| 間違えた問題 | 考えられる弱点 |
|---|---|
| 問題① | 法律・契約・倫理・ガバナンスの違い |
| 問題② | 個人情報 |
| 問題③ | AI開発契約 |
| 問題④ | 公平性・バイアス |
| 問題⑤ | 透明性・説明可能性 |
全8分野共通の一次判定
各分野について、正解数を記録します。
| 正解数 | 一次判定 | 次の対応 |
|---|---|---|
| 5問 | 現時点では大きな弱点は見つからない | 難易度の高い理解型予想問題へ進む |
| 3～4問 | 一部の理解が曖昧 | 間違えた問題に対応する記事を確認する |
| 0～2問 | 分野全体の復習を推奨 | 分野まとめから全体像を確認する |
この結果は、合格可能性を判定するものではありません。
5問のうち何問正解したかだけではなく、どの問題を間違えたかを確認し、復習するテーマを見つけるために使用します。
診断結果の見方
意味の問題を間違えた
用語の基本的な役割から確認します。
分野まとめ
↓
個別解説
↓
基本問題
違いの問題を間違えた
似ている用語を比較する理解型予想問題を確認します。
個別解説
↓
比較表
↓
理解型予想問題
仕組みの問題を間違えた
技術名だけでなく、入力、処理、出力の流れを確認します。
何を入力するか
↓
どのように処理するか
↓
何を出力するか
使用場面の問題を間違えた
技術の定義ではなく、どのような目的で使うかを整理します。
解決したい問題
↓
必要な出力
↓
適切な技術
つながりの問題を間違えた
関連技術を個別に暗記せず、登場した理由や前後関係を確認します。
以前の技術の課題
↓
新しい技術の工夫
↓
改善されたこと
まとめ
このページでは、G検定の全8分野から5問ずつ、合計40問を使って理解が曖昧な分野を確認しました。
ただし、合計点や分野別の正解数だけで、G検定の合格可能性を判断することはできません。大切なのは、何問間違えたかだけでなく、どのような問題を間違えたかを見ることです。
用語の意味を間違えた場合は個別解説、似た用語の違いで迷った場合は理解型予想問題、技術の流れやつながりが曖昧な場合は分野まとめや理解ロードマップから確認してみてください。
全8分野の問題を解く
↓
分野別の得点を記録する
↓
間違えたテーマを確認する
↓
対応する解説記事で復習する
G検定では、用語を個別に暗記するだけでなく、意味、違い、仕組み、使用場面、技術同士のつながりを整理することが重要です。
今回見つかった弱点をそのままにせず、対応する記事へ戻って理解を補い、もう一度問題を解いて確認してみましょう。
関連記事・おすすめ記事
| おすすめ記事 | 確認できる内容 |
|---|---|
| 重要用語まとめ8分野 | G検定の全8分野／分野別の重要用語／出題範囲の全体像 |
| G検定の理解ロードマップ | 学習する順番／分野同士のつながり／苦手分野の補い方 |
| 理解型予想問題まとめ | 混同しやすい用語／意味・違い・使い分け／問題による理解確認 |
| G検定で覚えたいAI用語一覧 | AI用語の意味／似ている用語の違い／関連用語 |
| G検定対策の目的別入口 | 初心者向け学習／苦手分野の復習／試験直前の確認 |
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。
