最終更新日：2026年9月8日
gk
G検定 公式情報
試験概要・受験案内・最新情報は、JDLA公式ページで確認できます。
JDLA公式ページはじめてのG検定
AIの歴史、探索・推論、機械学習の全体像から順番に学びます。
学習開始機械学習・深層学習
教師あり学習、評価指標、ニューラルネットワーク、CNN・Transformerを整理します。
学習開始試験直前チェック
チートシートとひっかけ問題で、頻出論点を短時間で復習します。
学習開始サイト内検索
SG試験、G検定、DS検定の記事をキーワードで横断検索できます。
検索するまずどこから？
- はじめて：人工知能とは → 機械学習の概要 → ディープラーニングの概要
- 画像まわり：ディープラーニングの要素技術 → 応用例（物体検出・セグメンテーション）
- 試験直前：チートシート → ひっかけ問題集
目次
技術分野
人工知能とは
AIの分類・捉え方
知能・理解をめぐる議論
AIの限界・課題
人工知能をめぐる動向
AIブーム
古典AI・探索と知識表現
- 古典AIまとめ（探索・推論・知識表現）
- 探索と推論（探索問題・推論問題）
- 知識表現まとめ（フレーム・意味ネット・論理）
- STRIPS（計画問題）とは？G検定対策
- 古典AI vs 機械学習（最終比較チートシート）
専門家システム
機械学習・深層学習の発展と代表プロジェクト
- 多層パーセプトロン（MLP）でなぜXOR問題が解けるのか？G検定対策
- ネオコグニトロンからCNNへの進化の流れとは？G検定対策
- ILSVRC（ImageNet Large Scale Visual Recognition Challenge）とは？G検定対策
- 東ロボくんプロジェクトとは？【成果と限界｜G検定対策】
- ビッグデータとは？G検定対策
機械学習の概要
代表的な手法
学習の種類
- 教師あり学習とは？正解ラベルから予測する学習方法【G検定】
- 教師なし学習とは？ラベルなしで構造を見つける方法【G検定】
- 強化学習とは？報酬から方策を学ぶ方法【G検定】
- 機械学習の学習方式｜試験直前チェックリスト【G検定】
- 教師あり・教師なし・強化学習の違い｜ラベル・構造・報酬で比較【G検定】
教師あり学習
分類・回帰
アンサンブル学習
- アンサンブル学習とは？バギング・ブースティング・スタッキングの違い【G検定対策】
- バギングとは？Boostingとの違い【G検定対策】
- ランダムフォレストとは？バギングとの関係【G検定対策】
- ブースティングとは？AdaBoost・Gradient Boostingとの違い【G検定対策】
- 勾配ブースティング（Gradient Boosting）とは？G検定対策
時系列分析
- 定常性とは？なぜ差分するのか【G検定対策】
- AR / MA / ARMA / ARIMAの違いまとめ【G検定対策】
- ベクトル自己回帰モデル（VAR）とは？【G検定対策】
- VARとARIMAの違い｜多変量と単変量で切り分け【G検定対策】
教師なし学習
クラスタリング
- k-means法とは？教師なし学習とクラスタリングの基本【G検定対策】
- 階層型クラスタリングとは？凝集型・分割型【G検定対策】
- k-meansと階層型クラスタリングの違い【G検定頻出比較】
- デンドログラムとは？次元削減との違い【G検定】
- k-means法とk-NNの違いとは？名前ひっかけ完全対策【G検定頻出】
次元削減
- 主成分分析（PCA：Principal Component Analysis）とは？G検定対策
- SVD（特異値分解）とは？PCA・固有値分解との違い【G検定】
- PCAとSVDの関係とは？数式なしで比較【G検定対策】
- MDS（多次元尺度構成法）とは？G検定対策
- t-SNEとは？高次元データを可視化する次元削減手法【G検定】
- UMAPとは？t-SNEとの違い【G検定対策】
トピックモデル
強化学習
基礎概念
- 状態価値関数（State Value Function）とは？G検定対策
- 割引率（γ）とは？将来報酬をどう評価するか【G検定対策】
- 報酬成形（Reward Shaping）とは？【G検定対策】
- オンポリシーとオフポリシーの違い【G検定対策】
価値ベース・TD学習
方策勾配・Actor-Critic
- REINFORCEとは？（方策勾配法）G検定対策
- Actor–Critic とは？（オン／オフポリシーの位置づけ）【G検定対策】
- REINFORCEとActor-Criticの違いとは？G検定対策
- A2C / A3C とは？（Actor–Critic の実装差）【G検定対策】
- PPO（Proximal Policy Optimization）とは？【G検定対策】
バンディット
- 多腕バンディット（Multi-Armed Bandit）とは？【探索と活用｜G検定対策】
- ε-greedy方策（epsilon-greedy policy）とは？【G検定対策】
- UCB方策（Upper Confidence Bound）とは？【G検定対策】
発展・大規模化
確率分布・統計モデル
特徴量・前処理
スケーリング・変換
- 正規化（Normalization）とは？標準化・正則化との違い【G検定対策】
- 標準化（Standardization）とは？平均0・分散1で切り分ける【G検定】
- 白色化（Whitening）とは？無相関化＋分散1で切り分ける【G検定】
特徴量選択・高次元
モデルの選択・評価
分類の評価指標
- 分類の評価指標まとめ｜Accuracy・Precision・Recall・F1・ROC・PR【G検定】
- 混同行列とは？TP・TN・FP・FNを見分ける【G検定】
- Accuracy（正解率）とは？クラス不均衡の注意点【G検定対策】
- Precision（適合率）とは？FPとの関係で覚える【G検定】
- Recall（再現率）とは？見逃しを評価する指標【G検定対策】
- F1-scoreとは？PrecisionとRecallの調和平均【G検定】
- ROC曲線・AUCとは？TPRとFPRで分類性能を比較【G検定】
- Precision–Recall曲線とは？ROC曲線との違い【G検定対策】
回帰の評価指標
データ分割・交差検証
ハイパーパラメータ探索
- ハイパーパラメータとパラメータの違いとは？【G検定対策】
- グリッドサーチとランダムサーチとは？【G検定対策】
- ベイズ最適化とは？（グリッド・ランダムとの違い）【G検定対策】
- 交差検証とハイパーパラメータ探索の組み合わせ【G検定】
情報量規準（AIC・BIC）
よくあるつまずき（過学習など）
過学習・未学習・汎化
バイアス・バリアンス
- バイアスとバリアンスとは？未学習・過学習との違い【G検定対策】
- バイアス・バリアンス トレードオフとは？モデル複雑度との関係【G検定対策】
- 二重降下現象（Double Descent）とは？過学習との違い【G検定】
学習状態の診断・評価設計
ディープラーニングの概要
ニューラルネットワークとディープラーニング
- 単純パーセプトロンとは？線形分離とXORの限界【G検定対策】
- XOR問題とは？単純パーセプトロンで解けない理由【G検定対策】
- 多層パーセプトロン（MLP）とは？XORと非線形性【G検定対策】
- バッチ・ミニバッチ・エポックの違い【G検定対策】
- 勾配消失問題とは？原因と対策をシグモイド・RNNで整理【G検定】
- 勾配消失と勾配爆発の違い｜原因・対策で切り分け【G検定】
- GPGPUとは？（GPU汎用計算）G検定対策
誤差関数
- 損失関数（Loss / Cost / Objective）とは？【違いと使い分け｜G検定対策】
- 交差エントロピー誤差（Cross Entropy）とは？【G検定対策】
- KLダイバージェンス（Kullback-Leibler Divergence）とは？【G検定対策】
- Contrastive Loss（コントラスト損失）とは？【G検定対策】
- 交差エントロピーとKLダイバージェンスの違い【G検定頻出】
- Contrastive LossとTriplet Lossの違い【G検定対策】
正則化
- 正則化とは？過学習を抑えて汎化性能を高める考え方【G検定対策】
- L1・L2正則化とは？違いとバイアス・バリアンスの関係【G検定対策】
- Dropoutとは？学習時だけニューロンをランダムに無効化する過学習対策【G検定対策】
- Early Stoppingとは？検証性能で過学習を防ぐ【G検定対策】
最適化手法
- 最適化手法まとめ（SGD / Adam など）
- 勾配降下法（Gradient Descent）とは？学習率と更新方向【G検定】
- バッチ勾配降下法とは？【G検定対策】
- 確率的勾配降下法（SGD）とは？G検定対策
- ミニバッチ学習（Mini-batch Gradient Descent）とは？G検定対策
- モーメンタム（Momentum）とは？慣性で振動を抑える【G検定】
- AdaGradとは？勾配二乗を累積する最適化手法【G検定】
- RMSpropとは？勾配二乗の移動平均で調整【G検定】
- AdaDeltaとは？AdaGradの弱点を補う最適化手法【G検定】
- Adamとは？1次・2次モーメントで更新【G検定】
- AdaBoundとは？動的な学習率境界を使う最適化手法【G検定】
- AMSBoundとは？AMSGradからSGDへ近づく最適化手法【G検定】
- 学習率スケジューリング（Learning Rate Scheduling）
- 最適化手法まとめ｜SGD・Momentum・AdaGrad・RMSprop・Adam【G検定】
- G検定ひっかけ最適化問題10問｜SGD・Momentum・Adamほか
誤差逆伝播法（Backpropagation）
- 連鎖律（Chain Rule）とは？誤差逆伝播との関係【G検定対策】
- 誤差逆伝播法（Backpropagation）とは？連鎖律との関係【G検定】
- 信用割当問題（Credit Assignment Problem）とは？G検定対策
活性化関数
- 活性化関数とは？ReLU・Sigmoid・tanh・Softmaxを切り分け【G検定】
- シグモイド関数（Sigmoid Function）とは？【G検定対策】
- Leaky ReLU（リーキーReLU）
- ReLU / Leaky ReLU / PReLU（比較チートシート）
- ソフトマックス関数（Softmax）とは？G検定対策
- 活性化関数の微分とは？勾配消失との関係【G検定対策】
ディープラーニングの要素技術
ネットワークの構成要素
- CNN（畳み込みニューラルネットワーク）
- 畳み込み（Convolution）
- プーリング（Pooling）
- グローバルアベレージプーリング（Global Average Pooling）
- Atrous（Dilated）Convolutionとは？受容野を広げる仕組み【G検定】
- Pooling・Stride・Dilated Convolution の違い
- Atrous ConvolutionとPoolingの違い【G検定】
- CNN代表モデルまとめ（LeNet / AlexNet / VGG / ResNet）
- Instance Normalizationとは？画像ごと・チャネルごとに正規化【G検定】
- BatchNorm・LayerNorm・InstanceNormの違い【G検定】
リカレントニューラルネットワーク (RNN)
- RNN（再帰型ニューラルネットワーク）
- BPTT（時間方向の誤差逆伝播）とは？G検定対策
- LSTM（長短期記憶）
- LSTMの内部構造（CECと学習アルゴリズムの切り分け）
- GRU（Gated Recurrent Unit）
- エンコーダ・デコーダ（Encoder-Decoder）
- RNNエンコーダ・デコーダ（Seq2Seq）とは？【G検定対策】
- 教師強制（Teacher Forcing）とは？正解を次の入力に使う学習手法【G検定対策】
- Attention（注意機構）
- Seq2SeqからTransformerへの進化【Attention登場の理由】
- エルマンネットワークとは？RNNの基本構造【G検定対策】
- ジョルダンネットワークとは？Elman Networkとの違いを整理【G検定対策】
- ジョルダンネットワークとElmanネットワークの違いとは？【RNN比較｜G検定対策】
- LSTMはなぜ非定常データを扱えるのか？【G検定対策】
トランスフォーマー (Transformer)
- Transformer（概要）
- Transformerの全体構造（Encoder / Decoder）とは？【BERT・GPTとの関係｜G検定対策】
- Attention機構（Self-Attention）とは？【文脈理解の仕組み｜G検定対策】
- Multi-Head Attentionとは？複数視点で関係性を学ぶ仕組み【G検定対策】
- Source-Target Attentionとは？エンコーダ参照の注意機構【G検定】
- 位置エンコーディングとは？Transformerの順序情報【G検定】
オートエンコーダ
基本・派生モデル
- オートエンコーダまとめ（AE / CAE / DAE / VAE）とは？G検定対策
- DAE（デノイジングオートエンコーダ）とは？ノイズ除去で特徴を学ぶ仕組み【G検定対策】
- CAE（畳み込みオートエンコーダ）とは？G検定対策
- 変分オートエンコーダ（VAE）とは？【生成モデルの基本｜G検定対策】
- β-VAE・infoVAE・VQ-VAEの違い【G検定頻出比較】
- VQ-VAEとは？【G検定】
- オートエンコーダ（AE）と変分オートエンコーダ（VAE）の違いとは？【G検定対策】
異常検知
- 異常検知でAE（オートエンコーダ）を使う理由とは？【G検定頻出】
- VAEを異常検知に使うと何が違う？AEとの比較【G検定対策】
- 異常検知4手法の比較｜AE・VAE・Isolation Forestほか【G検定】
ディープラーニングの応用例
画像認識
ネオコグニトロンとLeNet
- ネオコグニトロンとは？【G検定対策】
- LeNetとは？【G検定対策】
- CNNの畳み込み層の出力サイズ
- CNN計算問題まとめ｜出力サイズ・パラメータ数【G検定】
- CNN 計算ひっかけ問題集（出力サイズ・パラメータ数）
- Pooling層の計算ひっかけ問題集（出力サイズ）
- CNN総まとめ｜畳み込み・重み共有・プーリングを整理【G検定】
- CNN vs Transformer（G検定対策）
- ResNet・DenseNet・EfficientNet 比較（G検定対策）
- 画像タスク総まとめ（分類・検出・セグメンテーション）
- インスタンスセグメンテーションとは？（物体検出・セマンティックとの違い）【G検定対策】
- 物体検出・セマンティック・インスタンスの違い【3点比較チート｜G検定対策】
- 物体検出とセグメンテーションの違い【G検定体系図】
- Vision Transformer（ViT）とは？CNNとの違い【G検定対策】
- 画像系頻出用語 一気通貫チェック【G検定対策】
- 畳み込みニューラルネットワーク（CNN）における畳み込み処理
- CNN全体のサイズ遷移まとめ（入力→出力）
- 画像のオープンデータセットまとめ
データ拡張
- Brightness（明るさ調整）とは？【データ拡張｜G検定対策】
- Contrast・Saturation・Hueの違い【G検定】
- RandAugmentとは？AutoAugmentとの違い【画像データ拡張｜G検定対策】
- 画像データ拡張の比較【G検定】
- データ拡張と正規化の違い｜入力を変えるか、値を整えるか【G検定】
- 正則化・データ拡張・正規化の違いとは？作用する場所で比較【G検定対策】
- Random Flipとは？左右反転データ拡張の基本【G検定対策】
- Random CropとRandom Translationの違いとは？【画像データ拡張｜G検定対策】
- CutMixとは？画像を切って混ぜるデータ拡張【G検定対策】
- 画像データ拡張まとめ｜位置・色・消去・混合で整理【G検定】
- Rotation / Flip / Crop とは？（幾何変換系データ拡張）【G検定対策】
物体認識タスク
- AlexNet（ディープラーニング革命の起点）とは？G検定対策
- VGG（Very Deep CNN）とは？G検定対策
- GoogLeNet（Inception）とは？G検定対策
- ResNet（残差接続）とは？G検定対策
- WideResNet（幅を広げたResNet）とは？G検定対策
- DenseNet（高密度接続CNN）とは？G検定対策
- SENet（Squeeze-and-Excitation Network）とは？G検定対策
- MobileNet（軽量CNN）とは？G検定対策
- MnasNetとは？AutoMLで設計されたモバイル向けCNN【G検定対策】
- EfficientNet（Compound Scaling による高効率CNN）
物体検出タスク
- 物体検出（Object Detection）とは？分類・セグメンテーションとの違い【G検定対策】
- 物体検出モデル総まとめ（SSD / YOLO / R-CNN系）
- SSD（Single Shot MultiBox Detector）
- Faster R-CNN
- YOLO（You Only Look Once）
- R-CNN / Fast R-CNN
- FPN（Feature Pyramid Network）とは？G検定対策
- FPN・SSD・YOLOの違いとは？【物体検出まとめ】G検定対策
セグメンテーションタスク
- FCN（Fully Convolutional Network）
- SegNetとは？プーリング位置で復元するセグメンテーションモデル【G検定】
- U-Net（セマンティックセグメンテーション）
- SegNet vs U-Net 比較チートシート【G検定頻出】
- セマンティックセグメンテーション系まとめ（FCN / U-Net / SegNet）
- DeepLab vs U-Net vs Mask R-CNN（役割比較）G検定対策
- PSPNet（ピラミッドシーンパースネットワーク）とは？G検定対策
- パノプティックセグメンテーション（Panoptic Segmentation）とは？G検定対策
- DeepLab（セマンティックセグメンテーション）とは？G検定対策
姿勢推定タスク
マルチタスク学習
- Mask R-CNN（インスタンスセグメンテーション）とは？G検定対策
- Ellipse R-CNN（楕円物体検出）とは？G検定対策
- マルチタスク学習（Multi-task Learning）とは？【G検定対策】
音声処理
デジタル化・前処理
音響特徴・音素
- 音声特徴量まとめ（フォルマント / MFCC / スペクトログラム）【G検定対策】
- 音色の違い（MFCC）
- フォルマントとは？（音声スペクトルのピーク）【G検定対策】
- 音韻（phoneme）とは？【G検定対策】
音声認識・系列モデル
自然言語処理
- NLP全体マップ｜頻度・意味・文脈・生成で整理【G検定対策】
- Bag of Words（BoW）とは？【文章の数値化手法｜G検定対策】
- 分散表現とは？One-hot・TF-IDFとの違い【G検定対策】
- 局所表現と分散表現の違いとは？G検定対策
- Embedding と ELMo・BERT の違いとは？G検定対策
- Attention・Transformer・BERTの関係とは？【仕組みで整理｜G検定対策】
- Word2Vec・FastText・GloVeの違いとは？単語分散表現の整理【G検定対策】
基礎・前処理
- 形態素解析・構文解析・意味解析の違い｜解析レベルで比較【G検定対策】
- 形態素解析（Morphological Analysis）とは？【G検定対策】
- 固定表現とは？慣用句・定型表現をひとまとまりで扱う【G検定対策】
- N-gramとは？文字・単語の連続列で整理【G検定対策】
- TF-IDFとは？【単語の重要度指標｜G検定対策】
分散表現
- Embedding層とは？単語IDをベクトルへ変換【G検定対策】
- One-hotとEmbeddingの違いとは？【G検定対策】
- Embedding / Word2Vec
- Word2Vec（CBOW / Skip-gram）とは？【分散表現の基本｜G検定対策】
- CBOWとは？周囲の単語から中心語を予測【G検定対策】
- Skip-gramとは？中心語から周囲の単語を予測【G検定対策】
- CBOWとSkip-gramの違い｜予測方向で比較【G検定対策】
- Word2VecとBERTの違いとは？静的表現と文脈表現【G検定対策】
- TF-IDF・Word2Vec・BERTの違いとは？【G検定対策】
Transformer・言語モデル
- BERT（双方向Transformer）とは？G検定対策
- MLMとは？BERTのマスク言語モデルを整理【G検定】
- BERTはなぜRNNではなくTransformerなのか？G検定対策
- GPT（自己回帰モデル）とは？G検定対策
- BERTとGPTの違い【比較チートシート｜G検定対策】
- PaLMとは？Pathwaysで学習した大規模言語モデル【G検定】
- RLHFとは？人間の選好からモデルを調整【G検定対策】
タスク・評価
- 感情分析（Sentiment Analysis）とは？【NLP基本タスク｜G検定対策】
- Paraphrasing（言い換え）とは？意味を保って表現を変える【G検定対策】
- SQuADとは？抽出型質問応答データセット【G検定対策】
- GLUEとは？NLPの評価ベンチマーク【G検定】
深層強化学習
DQN・改良手法
- DQN（Deep Q-Network）とは？Experience ReplayとTarget Network【G検定対策】
- デュエリングネットワーク（Dueling Network）とは？【G検定対策】
- DQN改良手法まとめ（Double / Dueling / Noisy / Prioritized）【G検定対策】
- Noisy Netsとは？重みにノイズを入れて探索する強化学習手法【G検定】
- Rainbow（強化学習アルゴリズム）とは？【G検定対策】
- APE-X（Distributed Prioritized Experience Replay）とは？【G検定対策】
- DQNとPolicy Gradientの違い【強化学習体系図・G検定対策】
代表エージェント・プロジェクト
- Agent57とは？Atari 57ゲームを攻略した深層強化学習【G検定対策】
- OpenAI Fiveとは？Dota 2特化AI【G検定対策】
- AlphaGoとAlphaStarの違い【比較チートシート｜G検定対策】
- DQN・AlphaGo・AlphaStar・Agent57の違い【G検定対策】
- AlphaGo・AlphaGo Zero・AlphaZero・OpenAI Five・AlphaStar比較【G検定】
Sim-to-Real
データ生成
GAN・派生モデル
- GANの派生モデルまとめ
- DCGAN（Deep Convolutional GAN）
- Conditional GAN（条件付きGAN）とは？Pix2Pixとの関係【G検定対策】
- Pix2Pix（画像変換モデル）とは？G検定対策
- CycleGAN（Pix2Pixとの違い）とは？G検定対策
- GANとConditional GANの違いとは？【1ページ比較・G検定対策】
- GANは異常検知に使える？【超ひっかけ整理｜G検定対策】
拡散モデル
生成モデル比較
転移学習・ファインチューニング
事前学習・少数例学習
- 自己教師あり学習（Self-Supervised Learning）とは？疑似ラベルで学ぶ仕組み【G検定対策】
- 事前学習とファインチューニングは何が違う？転移学習との関係【G検定対策】
- Few-shot学習とは？少量データで学ぶ仕組み【G検定対策】
- One-shot学習とは？1例だけで未知クラスを識別【G検定対策】
- Few-shot・Zero-shot・転移学習の違い【少量データ学習の整理｜G検定対策】
継続学習・忘却
- 継続学習（Continual Learning）とは？破壊的忘却と対策まとめ【G検定対策】
- 破壊的忘却（Catastrophic Forgetting）とは？【連続学習の落とし穴｜G検定対策】
- 破壊的忘却を防ぐ方法とは？EWCとリプレイ手法【G検定対策】
- 正の転移・負の転移・破壊的忘却の違いとは？【G検定頻出まとめ】
マルチモーダル
基礎・全体像
画像と言語の表現・理解
汎用マルチモーダルモデル
- Flamingo（マルチモーダルFew-shotモデル）とは？G検定対策
- PaLM-E（環境対応マルチモーダルモデル）とは？G検定対策
- Unified-IO（統一入出力マルチモーダルモデル）とは？G検定対策
代表タスク・生成
モデルの解釈性
基礎・全体像
特徴量の重要度・寄与
画像モデルの可視化
比較・使い分け
ひっかけ問題
モデルの軽量化
モデル圧縮の基本・手法
関連理論・仮説
AIの社会実装に向けて
プロジェクト全体・役割
プロセス・方法論
- CRISP-DMとは？6フェーズと機械学習パイプラインとの違い【G検定対策】
- CRISP-ML(Q)とは？CRISP-DMとの違い【G検定対策】
- CRISP-DM・CRISP-ML(Q)・機械学習パイプラインの違い【G検定対策】
開発・運用（MLOps）
エッジ・クラウド
AIに必要な数理・統計知識
法律・倫理分野
AIの法律と倫理
AIに関する法律と契約
AI倫理・ガバナンス
基礎・原則
ガバナンス・評価
公平性・包摂性
- AIの公平性とバイアス（Fairness）とは？G検定対策
- インクルージョン（包摂性）とは？AI開発で重視される社会的視点【G検定対策】
- ダイバーシティ＆インクルージョンとは？（AI開発における責任）【G検定対策】
安全性・ロバスト性
プライバシー・個人情報保護
基礎・法制度
個人データの加工・提供
- 個人情報保護法まとめ｜仮名加工情報・匿名加工情報【G検定対策】
- 仮名加工情報とは？匿名加工情報との違い【G検定対策】
- 匿名加工情報とは？仮名加工情報との違い【G検定対策】
- 個人データの第三者提供とは？委託との違い【G検定対策】
GDPRの本人権利
保護設計・技術
AIセキュリティ・プライバシー攻撃
学習データを狙う攻撃
モデルを狙う攻撃
比較・まとめ
知的財産・データ利用
- 限定提供データとは？（不正競争防止法）【G検定対策】
- AI技術の特許とは？特許対象になる・ならない境界【G検定対策】
- AIと著作権法とは？学習段階・生成利用段階を整理【G検定対策】
- 不正競争防止法とは？営業秘密・限定提供データを整理【G検定対策】
社会的影響・悪用
偽・誤情報と合成コンテンツ
推薦・情報環境への影響
自動化・自律化の社会的リスク
試験対策
チートシート（試験直前）
- 探索と機械学習の違い（どっちを使う？）
- AI哲学4概念まとめ（オッカム・ノーフリーランチ・みにくいアヒルの子・フレーム問題）【G検定対策】
- ニューラルネットワーク総まとめ｜構造・学習・汎化で整理【G検定】