最終更新日:2026年9月25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
- チューリングテストとは?Imitation Gameと「知能」の評価【G検定対策】
- ローブナーコンテスト(Loebner Contest)とは?【G検定対策】
- 中国語の部屋(チューリングテストとの対比)とは?G検定対策
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【G検定対策】
- 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)
- 幅優先探索・深さ優先探索・A*の違い【G検定対策】
- STRIPS(計画問題)とは?G検定対策
- 古典AIと機械学習の違い|ルール・探索・データ学習【G検定】
専門家システム
- DENDRALとは?化学の分子構造を推定した初期エキスパートシステム【G検定】
- MYCINとは?感染症診断とCertainty Factor【G検定対策】
- エキスパートシステムの限界とは?知識獲得と保守のボトルネック【G検定】
機械学習・深層学習の発展と代表プロジェクト
- 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】
- 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
- 教師あり学習の代表手法まとめ|線形回帰・ロジスティック回帰・SVM・決定木【G検定】
- 線形回帰とは?最小二乗法と重回帰を整理【G検定対策】
- ロジスティック回帰とは?分類・シグモイド・logitを整理【G検定】
- SVMとは?最大マージン・サポートベクトル・カーネル法【G検定】
- 決定木とは?条件分岐・Gini不純度・過学習【G検定対策】
- k-NN(k近傍法)とは?k-meansとの違い【G検定対策】
- ナイーブベイズとは?条件付き独立と分類【G検定対策】
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とは?損失の負の勾配を逐次学習【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
- PCAとは?分散最大化・主成分・標準化との関係【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
推薦システム
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とは?Clippingで方策更新を抑える強化学習【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
- 特徴量選択とは?Filter・Wrapper・Embedded法の違い【G検定対策】
- 相互情報量(Mutual Information)とは?独立・相関との違い【G検定対策】
- 次元の呪いとは?特徴量が増えると何が難しい?【G検定対策】
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ダイバージェンスとは?2つの確率分布の違い【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】
- 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】
最適化手法
- 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?SGD・ミニバッチとの違い【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とは?Decay・Warmup・Cosineを整理【G検定】
- 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の違い【G検定比較】
- 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とは?畳み込み・局所受容野・重み共有【G検定対策】
- 畳み込み(Convolution)とは?フィルタと特徴マップ【G検定】
- プーリングとは?Max Pooling・Average Poolingの役割【G検定】
- Global Average Poolingとは?特徴マップ全体を1値へ要約【G検定】
- 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とは?隠れ状態とBPTTで系列を扱う仕組み【G検定対策】
- BPTTとは?RNNを時間方向へ展開する誤差逆伝播【G検定】
- LSTMとは?セル状態と3つのゲートで長期依存を扱う【G検定】
- LSTMのCECとは?Constant Error Carouselとゲートの役割【G検定】
- GRUとは?更新ゲート・リセットゲートとLSTMとの違い【G検定】
- RNN Encoder-Decoder(Seq2Seq)とは?固定長ベクトルとAttention【G検定】
- 教師強制とは?RNNで正解を次の入力にする理由【G検定】
- Attention(注意機構)とは?Query・Key・Valueを整理【G検定】
- Seq2Seq・Attention・Transformerの違い|何を解決した?【G検定】
- Elman Networkとは?隠れ状態をContextへ戻すRNN【G検定対策】
- Jordan Networkとは?出力側の情報を状態へ戻すRNN【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と非定常時系列|定常性を仮定しないことの意味【G検定対策】
トランスフォーマー (Transformer)
- Transformerとは?Self-AttentionとBERT・GPTの関係【G検定対策】
- TransformerのEncoder・Decoderとは?BERT・GPTとの関係【G検定】
- Self-Attentionとは?同じ系列のQ・K・Vを2語で追う【G検定】
- Multi-Head Attentionとは?複数の射影でAttentionを並列計算【G検定】
- 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に順序情報を与える【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
- VAE(変分オートエンコーダ)とは?潜在変数と再パラメータ化【G検定】
- 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|パディング・ストライドの計算【G検定】
- 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学習マップ|構成要素・特徴マップ・計算の確認先【G検定】
- CNNとTransformerの違い|畳み込みとAttentionで切り分け【G検定】
- 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|同じ画像の出力例【G検定】
- 画像系頻出用語 一気通貫チェック【G検定対策】
- 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】
- 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とは?2012年ImageNetと深層CNNの転機【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とは?残差接続と深層化の仕組み【G検定対策】
- WideResNet(幅を広げたResNet)とは?G検定対策
- DenseNetとは?Dense ConnectionとResNetとの違い【G検定対策】
- SENet(Squeeze-and-Excitation Network)とは?G検定対策
- MobileNetとは?Depthwise Separable Convolutionで軽量化【G検定】
- MnasNetとは?AutoMLで設計されたモバイル向けCNN【G検定対策】
- EfficientNetとは?Compound Scalingで深さ・幅・解像度を調整【G検定】
- Vision Transformer(ViT)とは?画像パッチとCNNの違い【G検定】
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|YOLO・SSD・R-CNN系の違い【G検定】
- SSDとは?Default Boxを使う1段階物体検出【G検定対策】
- Faster R-CNNとは?RPNを使う2段階物体検出【G検定対策】
- YOLOとは?1段階物体検出とFaster R-CNNとの違い【G検定】
- R-CNN・Fast R-CNNの違いとは?Faster R-CNNまでの流れ【G検定】
- FPNとは?マルチスケール特徴を作るFeature Pyramid Network【G検定】
- FPN・SSD・YOLOの違いとは?物体検出の役割で整理【G検定】
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とU-Netの違い|Decoderへの情報の渡し方【G検定】
- 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|スペクトログラム・フォルマント・MFCC【G検定】
- 音色とMFCCの関係|スペクトル包絡をどう表す?【G検定】
- フォルマントとは?(音声スペクトルのピーク)【G検定対策】
- 音素(phoneme)とは?音声・形態素との違い【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・静的表現・文脈表現・生成で整理【G検定】
- 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
- Attention・Transformer・BERTの関係とは?【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】
- 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の使い分け|特徴量の単位で比較【G検定】
Transformer・言語モデル
- BERTとは?Transformer Encoder・MLM・双方向文脈【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Transformer Encoderを使う?RNNとの違い【G検定】
- GPTとは?自己回帰・次トークン予測とDecoder型Transformer【G検定】
- BERTとGPTの違い【比較チートシート|G検定対策】
- LLM(大規模言語モデル)とは?Transformer・GPTとの違い【G検定】
- 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・PER【G検定】
- 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とは?分散Actorと優先度付き経験再生【G検定対策】
- DQNとPolicy Gradientの違い|Q値か方策か【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(敵対的生成ネットワーク)とは?GeneratorとDiscriminator【G検定】
- GAN派生モデルまとめ|DCGAN・Conditional GAN・Pix2Pix・CycleGAN【G検定】
- DCGANとは?GANにCNNを導入した画像生成モデル【G検定】
- Conditional GAN(条件付きGAN)とは?Pix2Pixとの関係【G検定対策】
- Pix2Pixとは?ペア画像を使う条件付き画像変換【G検定対策】
- CycleGANとは?ペアなし画像変換とCycle Consistency【G検定】
- 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
- 自己教師あり学習とは?データ自身から学習信号を作る【G検定対策】
- 事前学習・ファインチューニング・転移学習の違い【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】
基盤モデル・生成AI
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とは?画像・テキストをFew-shotで扱うマルチモーダルモデル【G検定】
- PaLM-Eとは?ロボットのセンサ情報を言語モデルへ統合【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
- モデル圧縮まとめ|Pruning・Quantization・Knowledge Distillation【G検定】
- Pruningとは?構造化・非構造化剪定の違い【G検定対策】
- Quantization(量子化)とは?INT8・PTQ・QAT【G検定対策】
- Knowledge Distillation(知識蒸留)とは?TeacherとStudent【G検定】
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)
- DevOpsとは?MLOpsとの違い【G検定対策】
- MLOpsとは?DevOps・CRISP-ML(Q)との違い【G検定対策】
- MLOpsの流れとは?開発・デプロイ・監視・改善【G検定対策】
- データドリフトとコンセプトドリフトの違い【G検定対策】
エッジ・クラウド
AIに必要な数理・統計知識
- 確率・統計まとめ|期待値・分散・分布・ベイズ・MLE/MAP【G検定】
- 期待値と分散とは?平均とばらつきを整理【G検定対策】
- 共分散と相関係数の違い【G検定対策】
- 正規分布とは?平均・分散・標準化を整理【G検定対策】
- ベイズの定理とは?事前確率・尤度・事後確率【G検定対策】
- 最尤推定(MLE)とは?尤度を最大にするパラメータ推定【G検定】
- MAP推定とは?MLE・ベイズ推論との違い【G検定対策】
- 線形代数の基礎|ベクトル・行列・固有値をG検定向けに整理
- G検定の数理・統計まとめ|確率・分布・相関の判断基準
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
透明性
民主主義
環境保護
労働政策
その他の重要な価値
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
- データポイズニング攻撃とは?学習データを汚染する攻撃【G検定】
- データ窃取攻撃(Data Extraction Attack)とは?【G検定対策】
- メンバーシップ推論攻撃とは?学習データに含まれたかを推定【G検定対策】
- Backdoor Poisoningとは?トリガーで特定挙動を起こす攻撃【G検定】
推論時の攻撃
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】
- AI三大ブームまとめ|第一次・第二次・第三次を切り分ける【G検定】
- G検定 概念系チートシート|古典AI・機械学習・深層学習を切り分ける