G検定トップ
＞ ニューラルネットワーク最終チートシート（試験直前）
まず結論（これだけ覚える）
- データの形でモデルを選ぶ
- 学習は「誤差逆伝播 × 最適化手法」
- 失敗（過学習・勾配問題）には定番の対策がある
モデル選択 即答表（超重要）
| データの形 |
使うモデル |
即答キーワード |
| 線形分離 |
パーセプトロン |
XOR不可 |
| 表形式 |
MLP |
全結合・非線形 |
| 画像 |
CNN |
畳み込み・重み共有 |
| 時系列 |
RNN |
内部状態 |
| 長期依存 |
LSTM |
ゲート3・セル状態 |
| 軽量RNN |
GRU |
ゲート2 |
| 系列全体 |
Transformer |
Self-Attention |
学習の仕組み（どう学ぶ？）
基本フロー
- 順伝播（Forward）
- 損失計算（Loss）
- 誤差逆伝播（Backpropagation）
- 最適化（Optimizer）
活性化関数 即答
| 使う場所 |
関数 |
ひとこと |
| パーセプトロン |
Step |
微分不可 |
| 中間層 |
ReLU |
主流・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 即答
| 手法 |
覚え方 |
| SGD |
基本 |
| Momentum |
SGD安定化 |
| Adam |
定番（まずこれ） |
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 |
| Data Augmentation |
データ不足対策 |
バッチ系用語 即答
| 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 即答ゾーン
- フィルタ（カーネル）は 学習される
- プーリングは 学習されない
- 重み共有 → パラメータ削減
- 位置ズレに強い
RNN 即答ゾーン
- 勾配消失・勾配爆発が起きやすい
- 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
- Attention：どこに注目するかを学習
- Q / K / V が基本
- Self-Attention：同一系列内の関係
- Transformer：RNNを使わない系列モデル
- 並列計算・長期依存に強い
Embedding / Word2Vec 即答
- Embedding：意味を持つベクトル表現
- One-Hotより低次元・意味を保持
- Word2Vec：自己教師あり学習
- CBOW：高速・全体的意味
- Skip-gram：低頻度語に強い
試験直前チェックリスト
- XOR → パーセプトロン不可
- 画像 → CNN
- 時系列 → RNN / LSTM / GRU
- 多クラス分類 → Softmax
- Optimizer迷ったら → Adam
最後に（本番直前）
- 迷ったら データの形 に戻る
- モデル名と役割を1対1で思い出す
- この1ページを最後に見る
👉 ニューラルネットワーク分野はこれで完成です。
🔗 関連記事