gk neural_network cheatsheet
G検定トップ
＞ ニューラルネットワーク総まとめ（チートシート）
まず結論
- ニューラルネットワークは「構造 × 学習 × 汎化」で整理する
- MLP / CNN / RNN は 扱うデータ構造の違い
- G検定では 用語の対応関係を即答できるか が勝負
直感的な全体像
ニューラルネットワークは、
「どんな形のデータを、どう学習し、どう失敗を防ぐか」
で整理すると一気に見通しが良くなります。
構造の整理（何を扱う？）
| モデル | 主な用途 | キーワード |
|---|---|---|
| パーセプトロン | 線形分類 | XOR不可 |
| MLP | 表形式データ | 全結合 |
| CNN | 画像・空間構造 | 畳み込み・重み共有 |
| RNN | 時系列・系列 | 内部状態 |
| LSTM | 長期依存 | ゲート・セル状態 |
| GRU | 軽量RNN | ゲート2つ |
学習の仕組み（どう学ぶ？）
基本フロー
- 順伝播（Forward）
- 誤差計算（Loss）
- 逆伝播（Backpropagation）
- 最適化（Optimizer）
活性化関数
| 使う場所 | 関数 | ポイント |
|---|---|---|
| 中間層 | ReLU系 | 勾配消失しにくい |
| 出力（二値） | Sigmoid | 確率 |
| 出力（多クラス） | Softmax | 和が1 |
最適化手法
| 手法 | 特徴 |
|---|---|
| SGD | 基本 |
| Momentum | 安定化 |
| Adam | 定番・実務向け |
汎化性能（失敗を防ぐ）
過学習対策
| 手法 | 目的 |
|---|---|
| L1 | 特徴選択 |
| L2 | 重み抑制 |
| Dropout | NN定番 |
| Early Stopping | 学習回数制御 |
バッチ系用語まとめ
| 用語 | 意味 |
|---|---|
| バッチ | 全データ |
| ミニバッチ | 小分け（主流） |
| エポック | データ周回数 |
| イテレーション | 更新回数 |
CNNひっかけ即答
- フィルタは 学習される
- プーリングは 学習されない
- 重み共有でパラメータ削減
RNNひっかけ即答
- 勾配消失・爆発が起きやすい
- LSTM / GRU は 勾配消失対策
- LSTM：ゲート3・セル状態あり
- GRU：ゲート2・セル状態なし
試験直前チェックリスト
- XORが解けない → パーセプトロン
- 画像 → CNN
- 時系列 → RNN / LSTM / GRU
- 多クラス分類 → Softmax
- 定番Optimizer → Adam
まとめ（本番直前）
- NNは 構造・学習・汎化 で整理
- モデル名と特徴を1対1で覚える
- 迷ったら「データの形」で判断
👉 この1ページを最後に見返せば、NN分野は盤石です。
🔗 関連記事
- CLIP（画像とテキストの対応付けモデル）とは？G検定対策
- PaLM（大規模言語モデル）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
- NISC・IPA・JPCERT/CC・CSIRTの違いまとめ【一発で切れるチートシート】
- TF-IDF・Word2Vec・BERTの違いとは？役割で整理するNLP基礎【G検定対策】
🏠 G検トップに戻る