G検定_完全統合版.pdf

G 検定学習スライド第1章人工知能（ AI ）とは定義・分類・研究の歴史をわかりやすく整理

この章で学ぶこと 01 02 03 04 AI の定義統一された定義はないが、知的な処理を機械で実現するもの強い AI
/ 弱い AI 汎用的な知能（強い）と特定タスク特化（弱い）の違い AI 効果実現された技術を「知能ではない」と感じる心理現象研究の歴史 3 度のブームと冬の時代を経て現在に至る流れ

1-1. 人工知能（ AI ）とは定義「人工知能」という言葉に統一された厳密な定義は存在しない。一般的には、人間が行う知的な活動（推論・判断・学習など）をコンピュータで実現する技術・研究分野を指す。ダートマス会議（ 1956
）チューリングテスト（ 1950 ）ジョン・マッカーシーが「 Artificial Intelligence 」を提唱。 AI 研究の公式な出発点。アラン・チューリングが提唱。機械が人間と区別できない会話ができれば「知能」とみなす。

強い AI と弱い AI ジョン・サール（ 1980 年）による分類弱い AI
強い AI Narrow AI / Weak AI Strong AI / AGI 特定のタスクに特化した AI 人間と同等の汎用的知能・画像認識・音声認識・翻訳・推薦システム・ゲーム AI （将棋・囲碁）・真の理解・意識を持つ・あらゆる知的タスクを処理・自己学習・適応が可能現在実用化されているほとんどすべての AI はこれ現在は未実現（研究目標・将来の夢）

AI 効果（ AI Effect ）新しい技術が実現され、その原理がわかると「それは単純な計算処理に過ぎず、本当の知能とは関係ない」と感じてしまう心理現象。例チェス・将棋
画像認識翻訳「ただの探索・計算だ」「パターンマッチングだ」「統計的な置換だ」

1-2. 人工知能研究の歴史 3 度のブームと冬の時代を繰り返してきた第1次ブーム第2次ブーム 1950s 〜
第3次ブーム 2010s 〜 1980s 1970s 1990s 冬の時代冬の時代第 1 次ブーム第 2 次ブーム第 3 次ブーム探索・推論トイ・プロブレム限界が見え冬へ知識表現エキスパートシステム機械学習ディープラーニング生成 AI （現在）

第 1 次 AI ブーム（ 1950 年代〜 1960 年代）キーワード：探索・推論
「探索」により問題の解を見つけ、「推論」で結論を導くアプローチが中心。迷路やパズルなど比較的単純な問題（トイ・プロブレム）で成果を上げた。成果チェス・チェッカーのプログラム、定理証明など限界実世界の複雑な問題には対応できなかった（組み合わせ爆発）結果期待が先行しすぎて失望 → 第 1 次 AI の冬へ

第 2 次 AI ブーム（ 1980 年代）キーワード：知識表現・エキスパートシステム専門家の知識をルールとしてコンピュータに与え、特定領域で人間並みの判断をさせる「エキスパートシステム」が実用化・商用化された。
成果・特徴限界と冬の時代・医療診断支援システム・設計・故障診断への応用・ルールベースで説明可能・特定ドメインで高い性能・知識の獲得がボトルネック・例外や曖昧さに弱い・ルールメンテナンスが困難・再び冬の時代へ

第 3 次 AI ブーム（ 2010 年代〜現在）キーワード：機械学習・ディープラーニング・生成 AI 大量データと計算能力の向上により、データから特徴を自動学習する
アプローチが主流に。画像認識の飛躍的向上がきっかけとなった。 2012 2016 2018 〜 2022 〜 AlexNet 画像認識で大勝利 AlphaGo 囲碁で世界チャンピオンに勝利 Transformer BERT ・ GPT の登場生成 AI ブーム ChatGPT など大規模言語モデル

AI ・機械学習・ディープラーニングの関係人工知能（ AI ）機械学習（ Machine Learning ）ディープラーニング
（深層学習）多層ニューラルネット

第 1 章まとめ 1 AI に統一定義はないが、「人間の知的活動を機械で実現する技術」と捉える 2 弱い AI
（特定タスク）が現状の主流。強い AI （汎用知能）は未実現 3 AI 効果：実現されると「知能ではない」と感じる心理現象に注意 4 歴史は 3 度のブーム。現在は第 3 次ブーム（ DL ・生成 AI ）の只中 5 関係性： AI ⊃ 機械学習 ⊃ ディープラーニング

次の章へ第2章人工知能をめぐる動向探索・推論 / 知識表現 / 機械学習・深層学習の流れを詳しく学びます

G 検定学習スライド第2章人工知能をめぐる動向探索・推論 / 知識表現・オントロジー / エキスパートシステム

この章で学ぶこと 01 02 03 04 探索・推論探索木、幅優先・深さ優先、ヒューリスティック知識表現・オントロジー意味ネットワーク、 is-a
/ part-of 、概念体系エキスパートシステム構成・推論方式・事例・知識獲得のボトルネック機械学習への転換第 2 次ブームの限界からデータ駆動へ

2-1. 探索・推論第 1 次 AI ブームの中心技術。「探索」で解を探し、「推論」で結論を導く。トイ・プロブレムでは成果を上げたが、組み合わせ爆発が限界となった。探索木 BFS
/ DFS ヒューリスティック状態をノード、操作を枝で表現し経路を探す幅優先は最短保証、深さ優先はメモリ効率見込みコストで有望経路を優先（ A* など）

ボードゲームでの探索 1 2 3 ミニマックス法相手も最適に動くと仮定し、最大利益と最小損失を交互に計算 αβ 法不利な枝を刈り、計算を大幅削減モンテカルロ木探索
ランダムシミュレーションで勝率の高い手を選ぶ（ AlphaGo でも活用）

2-2. 知識表現第 2 次 AI ブームの中心。コンピュータが知識を扱い推論できるようにする表現方法。意味ネットワークフレームプロダクション
システム概念をノード、関係をリンクで表現。 is-a / part-of が基本。属性と値をスロットで表現。デフォルト値や継承が可能。 IF-THEN ルールの集合。推論エンジンが適用。

オントロジーとは知識・概念を共有・活用しやすいように体系化するための方法論（およびその成果物である概念体系）語彙の意味と関係性を明確なルールで定義し、知識の再利用を可能にする。 is-a 「〜の一種」。性質が継承される。例：犬 is-a 哺乳類 part-of 「〜の一部」。性質は継承されない。例：エンジン
part-of 車 2 タイプヘビーウェイト（厳密・人手）とライトウェイト（実用重視）

エキスパートシステムとは専門家の知識をルールとしてコンピュータに組み込み、特定の専門領域で人間の専門家並みの判断・アドバイスを行うシステム。第 2 次 AI ブーム（ 1980 年代）を牽引した実用技術。
知識ベース推論エンジン説明機能専門家の知識を IF-THEN ルールなどで蓄積した部分知識ベースを使って結論を導く処理部分なぜその結論になったかを説明できる（説明可能性）

構成と推論の仕組み基本構成 ① 知識ベース専門家のルール・事実を格納 ② 推論エンジンルールを適用して結論を導出 ③ 作業メモリ
現在の状況・途中結果を保持 ④ ユーザーインターフェース質問・回答・説明のやり取り推論の方向前向き推論既知の事実からルールを適用し、結論へ向かって進む後ろ向き推論仮説（ゴール）から逆に、それを支える事実を探す両者を組み合わせる場合もある

プロダクションシステムとルール「 IF 条件 THEN 行動（結論）」の形式で知識を記述する。条件が満たされるとルールが発火し、結論や行動が導かれる。ルール例（医療診断のイメージ） IF 発熱がある
AND 咳がある AND 倦怠感がある THEN インフルエンザの可能性が高い IF インフルエンザの可能性が高い AND 発症から 48 時間以内 THEN 抗インフルエンザ薬の投与を推奨

代表的なエキスパートシステム MYCIN 血液感染症の診断と抗生物質の推奨。スタンフォード大学で開発。説明機能を備えた先駆的事例。 DENDRAL 有機化合物の構造推定。化学の専門知識をルール化。初期の成功例の一つ。 XCON / R1 DEC
社のコンピュータ構成設計。商用で大きな成功を収めた。その他故障診断、設計支援、金融審査、農業アドバイスなど、多くの専門領域で実用化。

利点と限界利点限界・専門家の知識を永続化・判断の一貫性・再現性・説明可能（なぜそう判断したか）・ 24 時間稼働・複製が容易・教育・訓練にも利用可能
・特定ドメインでは高い性能・知識獲得のボトルネック・例外・曖昧さに弱い（脆い）・ルールの矛盾・保守が困難・常識的知識の扱いが苦手・ドメインを超えた汎用性なし・環境変化への適応が遅い

知識獲得のボトルネックエキスパートシステムの最大の課題専門家の頭の中にある知識（特に暗黙知）を、ルールとして正確に引き出し形式化するのが極めて困難。これが構築コストを押し上げ、第 2 次 AI ブーム終焉の大きな要因となった。暗黙知の問題
抽出コスト専門家自身も言語化できないノウハウが多いインタビューやルール記述に膨大な時間と専門知識が必要保守の負担結果ルール追加・修正のたびに矛盾チェックが必要機械学習（データから自動学習）へのパラダイムシフトを促した

エキスパートシステム vs 機械学習観点エキスパートシステム機械学習知識の入れ方人手でルール記述データから自動学習説明可能性
高い（ルール追跡可）低い場合が多い例外への対応弱い（脆い）データ次第で柔軟構築コスト知識抽出がボトルネックデータ収集・学習が中心適用範囲狭い専門領域幅広いタスクに適用

第 2 章まとめ（エキスパートシステム重点） 1 エキスパートシステム＝専門家知識をルール化し特定領域で判断するシステム 2 構成：知識ベース＋推論エンジン（前向き／後ろ向き推論） 3 利点：説明可能・一貫性・永続化。限界：知識獲得のボトルネック・脆さ
4 MYCIN などの成功例がある一方、保守と知識抽出コストが課題に 5 ボトルネックが第 2 次ブーム終焉と、機械学習への転換を促した 6 現代でも説明可能性が求められる場面ではルールベースの考え方が残る

次の章へ第3章機械学習の具体的手法教師あり・なし・強化学習、モデル評価などを学びます

G 検定学習スライド第3章機械学習の具体的手法機械学習モデル / 強化学習 / モデル評価（深掘り版）

この章で学ぶこと 01 02 03 04 教師あり学習モデル線形回帰・ロジスティック回帰・決定木・ RF ・ブースティング・ SVM
教師なし学習モデル k-means ・階層的クラスタリング・ PCA ・トピックモデル強化学習の基礎と手法 MDP ・ Q 学習・方策勾配・ Actor-Critic ・探索と活用モデル評価過学習・交差検証・混同行列・適合率・再現率・ F1 ・ AUC

機械学習の 3 つの学習形態教師あり学習教師なし学習強化学習 Supervised Unsupervised Reinforcement 入力＋正解ラベルで学習
回帰・分類ラベルなしで構造発見クラスタリング・次元削減報酬を手がかりに行動最適化エージェント × 環境

教師あり学習：回帰と分類回帰（ Regression ）分類（ Classification ）連続値を予測するカテゴリを予測する例：家賃・売上・気温・株価
例：スパム判定・病気有無・感情代表手法：・線形回帰 / 重回帰・リッジ・ Lasso 回帰・サポートベクター回帰 (SVR) ・決定木回帰・ RF 回帰代表手法：・ロジスティック回帰・決定木・ランダムフォレスト・勾配ブースティング・ SVM ・ k 近傍法

主要モデル① 線形系・木系線形回帰特徴量の線形結合で予測。単純・解釈しやすい。多重共線性に注意。ロジスティック回帰シグモイドで確率出力。 2 値分類の基本。多クラスは Softmax 拡
張。決定木条件分岐の木で判断。解釈性が高いが過学習しやすい。深さ制限が重要。ランダムフォレスト複数決定木の多数決（バギング）。汎化性能が高く実務でよく使われる。

主要モデル② ブースティング・ SVM AdaBoost 誤分類サンプルの重みを上げて弱い学習器を逐次的に強化。勾配ブースティング損失の勾配方向に木を追加。 XGBoost ・ LightGBM
が実務定番。 SVM マージン最大化で分類境界を求める。カーネルで非線形も扱える。カーネルトリック高次元へ写像せず内積計算のみで非線形分離を実現する技法。

教師なし学習モデル k-means 階層的クラスタリングクラスタ数 k を指定し、重心との距離でグループ分け。初期値依存あり。類似度に基づき木構造（デンドログラム）を構築。 k を
後から決められる。主成分分析 (PCA) トピックモデル (LDA) 分散最大の方向へ射影し次元削減。可視化・前処理に多用。文書を潜在トピックの混合として表現。文書分類・要約に利用。協調フィルタリング t-SNE / UMAP ユーザー間・アイテム間の類似度で推薦。コールドスタート問題に注意。高次元データを 2D/3D に埋め込み可視化。非線形な構造を保持。

強化学習の基本枠組みエージェントが環境と相互作用しながら、累積報酬を最大化する方策を学習する。教師ありのような正解ラベルはなく、「試行錯誤」と報酬フィードバックで学ぶ。エージェント環境状態 s 行動を選択し学習する主体相互作用する世界環境の現在の状況
行動 a 報酬 r 方策 π エージェントの選択行動のフィードバック状態→行動の写像

マルコフ決定過程と価値関数マルコフ決定過程（ MDP ）状態遷移が「現在の状態と行動のみ」に依存する枠組み。強化学習の数学的基礎。割引率 γ で将来報酬の現在価値を調整する。状態価値 V(s)
行動価値 Q(s,a) 最適方策ある状態から方策に従ったときの期待累積報酬ある状態で行動 a を取ったあとの期待累積報酬価値を最大化する方策。 Q* や V* から導出

強化学習の代表的手法 Q 学習 SARSA モデルフリー。行動価値 Q を更新し、最大 Q の行動を選ぶ。表形式や
DQN へ発展。実際に取った行動で Q を更新するオンポリシー手法。方策勾配法 Actor-Critic 方策をパラメータ化し、報酬期待値の勾配方向に更新。 REINFORCE など。行動を決める Actor と価値を評価する Critic を組み合わせる。探索と活用バンディット ε-greedy や UCB で、未知の行動を試すか既知の良い行動を取るかをバランス。状態を持たない単純な選択問題。推薦・広告配信でよく使われる。

過学習と未学習過学習（ Overfitting ）訓練データに過度に適合し、未知データで性能低下。対策：・正則化（ L1/L2 ）
・ Dropout ・早期終了・データ増強・交差検証・モデル複雑さの抑制未学習（ Underfitting ）モデルが単純すぎて訓練データすら表現できない。対策：・モデルの複雑さを上げる・特徴量を追加・学習時間を延ばす・正則化を弱める

分類の評価指標混同行列： TP / TN / FP / FN で予測結果を整理し、各種指標を計算する。
精度 Accuracy 適合率 Precision 再現率 Recall (TP+TN)/ 全体 TP/(TP+FP) TP/(TP+FN) F1 スコア ROC ・ AUC 交差検証適合率と再現率の調和平均閾値変化時の性能を可視化データを分割し汎化性能を推定

第 3 章まとめ 1 教師あり：回帰と分類。線形・木・ブースティング・ SVM が代表 2 教師なし：クラスタリングと次元削減。
k-means ・ PCA が基本 3 強化学習： MDP 上で価値や方策を学習。 Q 学習・方策勾配・ Actor-Critic 4 探索と活用のバランス、割引率が設計の鍵 5 過学習に注意。交差検証と複数指標でモデルを評価する

G 検定対策講座 #6 機械学習の基礎聞き流しで学ぶ G 検定対策講座データから規則性を学ぶ技術の全体像

本日の内容 01 02 03 04 機械学習とは何か定義と特徴機械学習を構成する 4 要素
データ・モデル・アルゴリズム・評価 3 つの学習形態教師あり / 教師なし / 強化学習まとめと試験ポイント G 検定で押さえるべき要点 G 検定対策講座 #6 | 機械学習の基礎 2/7

機械学習とは何か定義データから規則性やパターンを学習し、未知のデータに対して予測や分類を行う技術ルールベースとの違い人間がすべてのルールを書くのではなく、コンピュータがデータから自ら学ぶ第 2 次 AI
ブームの限界を克服エキスパートシステム中心のルールベース AI の限界を超える形で発展ディープラーニングの登場深層学習により実用性が飛躍的に向上し、現在の AI ブームの基盤に G 検定対策講座 #6 | 機械学習の基礎 3/7

機械学習を構成する 4 つの要素 1 データ 2 学習の材料となる情報数値・カテゴリ・テキスト・画像など 3
学習アルゴリズムどのように学習するかを決めるパラメータを更新する手法 G 検定対策講座 #6 | 機械学習の基礎モデル学習する仕組みそのもの入力から出力を予測する構造 4 評価どれだけ正しく学習できたか精度・損失などで測る 4/7

機械学習の 3 つの学習形態教師あり学習教師なし学習強化学習 Supervised Learning Unsupervised Learning
Reinforcement Learning • 正解ラベル付きデータで学習 • 正解ラベルなしで学習 • 報酬を手がかりに学習 • 入力と出力の対応関係を学ぶ • データの構造・パターンを発見 • エージェントが環境と相互作用 • 主な用途：分類・回帰 • 主な用途：クラスタリング・次元削減 • 主な用途：ゲーム・ロボット制御 G 検定対策講座 #6 | 機械学習の基礎 5/7

教師あり学習の基本特徴量と正解ラベルのペアから、入力→出力の対応関係を学習する手法回帰（ Regression ）分類（ Classification ）連続した数値を予測するあらかじめ決められたカテゴリに分ける
例例家賃予測・売上予測・気温予測・需要予測スパム判定・病気の有無・感情分析代表手法代表手法線形回帰 / 重回帰 / SVR などロジスティック回帰 / SVM / 決定木など G 検定対策講座 #6 | 機械学習の基礎 6/7

まとめ・試験ポイント機械学習の本質人間がルールを書くのではなく、データから規則性を学習する技術 4 つの構成要素データ・モデル・学習アルゴリズム・評価をセットで理解する 3 つの学習形態の違い教師あり（正解あり）／教師なし（正解なし）／強化学習（報酬）
教師あり学習の 2 分類回帰＝連続値予測、分類＝カテゴリ予測。用途と代表手法を区別できるように G 検定対策講座 #6 | 機械学習の基礎 7/7

G 検定対策講座 #7 教師あり学習の代表的な機械学習手法線形回帰・ロジスティック回帰を中心に徹底解説

本日の内容 01 02 03 04 教師あり学習の復習特徴量＋正解ラベルでパターンを学ぶ回帰と分類連続値予測 vs
カテゴリ予測線形回帰単回帰・重回帰・多重共線性ロジスティック回帰名前は回帰だが分類手法・確率出力 G 検定対策講座 #7 | 教師あり学習の代表的手法 2/8

教師あり学習の復習特徴量（入力データ） → 正解ラベル（教師データ） → 学習 → 未知データで
予測・分類具体例：犬・猫の画像分類 1. 犬の画像に「犬」という正解ラベルを付けて大量に学習させる 2. 猫の画像に「猫」という正解ラベルを付けて大量に学習させる 3. 未知の画像を入力すると「犬」か「猫」かを予測・分類する G 検定対策講座 #7 | 教師あり学習の代表的手法 3/8

回帰と分類回帰（ Regression ）分類（ Classification ）連続した数値を予測するカテゴリを予測する例
例・売上予測・株価予測・気温予測・需要予測・犬か猫か・スパムメール判定・病気の有無・クレジット不正検知代表手法：線形回帰代表手法：ロジスティック回帰 G 検定対策講座 #7 | 教師あり学習の代表的手法 4/8

線形回帰（ Linear Regression ）データ点の傾向を最もよく表す直線を引いて、入力から連続値を予測する最もシンプルなモデル単回帰分析重回帰分析説明変数が 1
つ説明変数が複数例：気温だけでアイスクリームの売上を予測例：気温＋湿度＋天候でアイスクリームの売上を予測 G 検定対策講座 #7 | 教師あり学習の代表的手法 5/8

多重共線性に注意多重共線性（ Multicollinearity ）説明変数同士の相関が高いと、かえって予測精度が悪化する現象。単に特徴量を増やせば良いわけではない。具体例気温と湿度
日本の夏は気温が高いと湿度も高い → 強い相関気温と天候晴れの日は気温が高い傾向 → 相関が高い場合あり対策相関の高い変数を整理し、質と量のバランスを取る G 検定対策講座 #7 | 教師あり学習の代表的手法 6/8

ロジスティック回帰重要ポイント：名前に「回帰」と付いているが、分類問題に使う手法出力ある事象が起きる確率を 0 〜 1 の範囲で予測閾値確率がある値（例：
0.5 ）以上なら「 1 」、未満なら「 0 」と判定。閾値はタスクに応じて変更可能使用関数シグモイド関数（ 2 クラス）・ソフトマックス関数（多クラス）活用例クレジット不正検知など、稀な事象では閾値を高く設定（例： 95% ）することも G 検定対策講座 #7 | 教師あり学習の代表的手法 7/8

まとめ・試験ポイント教師あり学習特徴量＋正解ラベルのペアからパターンを学習し、未知データを予測回帰 vs 分類回帰＝連続値予測（線形回帰）、分類＝カテゴリ予測（ロジスティック回帰）線形回帰直線で関係を表現。単回帰と重回帰がある。多重共線性に注意ロジスティック回帰
名前は回帰だが分類手法。確率を出力し、閾値でクラスを決定 G 検定対策講座 #7 | 教師あり学習の代表的手法 8/8

G 検定学習スライド第4章ディープラーニングの概要学習の仕組み・損失関数・最適化・活性化関数（深掘り版）

この章で学ぶこと 01 02 03 04 ニューラルネットワークの構造パーセプトロンから多層・深いネットワークへ学習の 4 ステップ
順伝播→損失→誤差逆伝播→パラメータ更新損失関数と最適化交差エントロピー・ SGD ・ Adam ・学習率活性化関数と勾配問題 ReLU ・勾配消失・爆発とその対策

ニューラルネットワークの基本入力に重みを掛けて足し合わせ、バイアスを加え、活性化関数を通して出力する。この単位（ニューロン）を層状に積み重ねたものがニューラルネットワーク。入力層中間層（隠れ層）出力層特徴量を受け取る特徴を変換・抽出。深いほど表現力↑ 最終予測を出力

ディープラーニング＝深い NN による表現学習特徴量を人手で設計する代わりに、データから階層的に特徴を自動学習する。浅い層で低次特徴（エッジ等）、深い層で高次特徴（物体部品等）を捉える。浅い NN 深い NN ブレークスルー
中間層が少ない。単純なパターン向き中間層が多い。複雑な特徴を段階的に抽出 2012 年 AlexNet 。 GPU と大量データが後押し

学習の 4 ステップ 1 2 3 4 順伝播（ Forward ）
入力から出力まで計算し、予測値を得る損失計算予測と正解のズレを損失関数で数値化誤差逆伝播（ Backprop ）損失を各重みに逆向きに伝播し勾配を計算パラメータ更新勾配降下法で重みを更新し損失を減らす

誤差逆伝播法（ Backpropagation ）連鎖律（ chain rule ）を使い、出力側から入力側へ勾配を効率的に計算する。各層の局所的な勾配を掛け合わせることで、深いネットワークでも学習可能になった。計算グラフ効率性
実装演算をノード、データの流れを辺で表現し、逆向きに微分を伝播パラメータ数に対して線形時間で全勾配を求められる自動微分（ Autograd ）がフレームワークで標準化

損失関数二乗誤差 (MSE) 交差エントロピーヒンジ損失回帰で標準。外れ値に敏感分類で標準。確率分布間の距離 SVM で使用。マージンを意識 Huber
損失 Focal Loss 選択のポイント外れ値に強い回帰用損失不均衡データ向け分類損失タスクとデータの性質に合わせる

最適化手法 SGD Momentum AdaGrad 確率的勾配降下。ノイズで局所解を脱出。学習率の調整が重要勾配の移動平均で加速。振動を抑えるパラメータごとに学習率を調整。疎な特徴に有効
RMSprop Adam 学習率スケジュール AdaGrad の学習率減衰を改善 Momentum ＋ RMSprop 。現在最も広く使われる学習の進行に合わせて学習率を減衰させる

活性化関数非線形変換を加え表現力を持たせる。線形のままだと多層でも単層と等価になる。シグモイド tanh ReLU 0 〜 1 。勾配消失しやすい -1
〜 1 。中心化される max(0,x) 。現在の主流 Leaky ReLU Softmax GELU / Swish 負領域にも小さな勾配多クラス出力層で使用 Transformer などで採用

勾配消失・勾配爆発とその対策勾配消失深い層で勾配がほぼ 0 になり学習が進まない。対策：・ ReLU 系の活性化関数・残差接続（
ResNet ）・適切な重み初期化・ Batch Normalization ・ LSTM/GRU のゲート勾配爆発勾配が大きくなりすぎて学習が不安定。対策：・勾配クリッピング・適切な学習率・正規化層の利用・重み初期化の工夫

第 4 章まとめ 1 NN は重み付け＋活性化の積み重ね。深いほど表現力が高い 2 学習は順伝播→損失→逆伝播→更新の繰り返し 3
損失関数はタスクに合わせ、最適化は Adam が標準的 4 活性化は ReLU が主流。勾配消失・爆発への対策が深い学習の鍵 5 Batch Norm ・残差接続・適切な初期化が安定学習を支える

G 検定学習スライド第5章ディープラーニングの要素技術 CNN / Transformer / 正規化・正則化
/ 転移学習（深掘り版）

この章で学ぶこと 01 02 03 04 CNN （画像認識の基盤）畳み込み・プーリング・代表アーキテクチャ系列モデルと Transformer
RNN/LSTM から Self-Attention へ正規化・正則化・データ拡張 Batch Norm ・ Dropout ・ Augmentation 転移学習事前学習モデルの活用とファインチューニング

CNN の基本構造画像などの格子状データに特化。局所的な特徴を捉え、平行移動に強い。パラメータ共有により全結合より大幅に少ないパラメータで学習できる。畳み込み層プーリング層全結合層フィルタで局所特徴を抽出。エッジ・テクスチャ・部品など空間サイズを縮小。最大プーリ
ングが一般的。位置ずれに強くする最終的な分類・回帰を行う。近年は GAP に置き換えることも

CNN の代表的アーキテクチャ AlexNet (2012) VGG ImageNet で大勝利。 ReLU ・ Dropout
・ GPU 学習を普及させた小さな 3x3 畳み込みを深く積む設計。構造が単純で理解しやすい GoogLeNet / Inception ResNet 複数サイズのフィルタを並列に使う Inception モジュール残差接続で超深いネットワークの学習を可能に。勾配消失を緩和 EfficientNet Vision Transformer 深さ・幅・解像度をバランス良くスケール。効率と精度を両立画像をパッチ分割し Transformer で処理。大規模で CNN を超える場合も

系列モデルの進化 RNN LSTM GRU 過去の情報を隠れ状態で保持。長い系列で勾配消失が問題になる入力・忘却・出力ゲートで長期依存を学習。勾配消失を大幅に緩和 LSTM を簡略化したゲート付き
RNN 。パラメータが少なく速い Seq2Seq Attention Transformer Encoder-Decoder 構造。機械翻訳などで入力系列→出力系列を変換入力のどこに注目するかを学習。長い系列でも重要な情報を直接参照 Self-Attention のみで構成。並列計算が可能で大規模学習に適する

Transformer と Self-Attention 各トークンが他の全トークンとの関連度（ Attention ）を計算し、重要な情報を集約する。 Query / Key /
Value の 3 つのベクトルで計算。 Multi-Head で複数の観点を同時に捉える。位置エンコーディング Encoder / Decoder 大規模化順序情報を明示的に埋め込む（ RNN と違い構造に順序がないため）理解側と生成側。 BERT は Encoder 、 GPT は Decoder 寄りパラメータ数とデータ量のスケールで性能が向上（スケーリング則）

正規化・正則化・データ拡張 Batch Normalization Layer Normalization Dropout ミニバッチ内で正規化。学習を安定・高速化。内部共変量シフトを抑制サンプル内で正規化。 Transformer
で標準的に使用学習時にランダムにユニットを無効化。過学習を抑制データ拡張 Weight Decay Early Stopping 回転・反転・切り抜き・色変換などでデータを水増し重みの L2 ペナルティ。大きすぎる重みを抑える検証損失が悪化し始めたら学習を止める

転移学習とファインチューニング大規模データで事前学習したモデルを、別タスクに流用する。データが少ないタスクでも高い性能を得やすく、実用上極めて重要。特徴抽出学習済みモデルの中間出力を特徴量として使い、後ろに簡単な分類器を付けるファインチューニング学習済み重みを初期値として、対象タスクのデータで全体または一部を再学習代表例
ImageNet→ 医療画像、 BERT→ 文書分類、 GPT→ 指示チューニング（ Instruction Tuning ）

第 5 章まとめ 1 CNN は畳み込みとプーリングで画像の局所特徴を効率的に学習する 2 ResNet の残差接続が深いネットワークの学習を可能にした
3 系列は RNN/LSTM から、現在は Transformer （ Self-Attention ）が主流 4 Batch Norm ・ Dropout ・データ拡張で学習を安定・汎化させる 5 転移学習により、少量データでも高性能なモデルを構築できる

G 検定学習スライド第6章ディープラーニングの応用例画像認識 / NLP / 生成モデル
/ 深層強化学習（深掘り版）

この章で学ぶこと 01 02 03 04 画像認識の応用分類・検出・セグメンテーションの違いと代表手法自然言語処理の応用翻訳・対話から LLM
・基盤モデルへ生成モデル VAE ・ GAN ・ Diffusion Model 深層強化学習の応用オフライン RL ・ sim2real ・残差 RL ・世界モデル

画像認識の主要タスク画像分類物体検出画像全体を 1 つのカテゴリに分類（犬 / 猫、疾患の有無など）物体の位置（バウンディングボックス）とクラスを
推定 YOLO / Faster R-CNN セマンティックセグメンテーションインスタンスセグメンテーション画素ごとにクラスを割り当て自動運転の道路・歩行者認識など同じクラスの個体を区別して分割 Mask R-CNN

自然言語処理の応用機械翻訳文書分類・感情分析質問応答・対話 Encoder-Decoder / Transformer 。日英などレビュー極性、スパム検出、トピッ
ク分類検索型・生成型。チャットボット、サポート要約・情報抽出大規模言語モデル埋め込み長文から要点抽出、固有表現認識 GPT ・ BERT ・ Llama 。基盤モデルとして多タスク対応単語・文をベクトル化。類似度計算・検索に利用

大規模言語モデル（ LLM ）のポイント事前学習ファインチューニングプロンプト大規模コーパスで次トークン予測などを学習し、一般的な言語能力を獲得特定タスクや指示追従のために追加
学習（ Instruction Tuning 、 RLHF ）入力の与え方で出力を制御。 Fewshot 、 Chain-of-Thought など基盤モデル幻觉（ Hallucination ）トークン・文脈長多様な下流タスクに転用可能な大規模モデルの総称事実と異なる内容を生成する問題。検証・根拠提示が課題処理単位と一度に扱える長さ。長い文脈への対応が進む

生成モデルの 3 大アプローチ VAE GAN Diffusion Model 潜在空間を確率分布として学習。再構成誤差と正規化のバランス。滑らかな潜在空間が特徴
Generator と Discriminator を競わせて高品質サンプルを生成。訓練の不安定さが課題ノイズを徐々に加える拡散と、除去する逆拡散。品質が高く現在の画像生成の主流

GAN の発展と Diffusion DCGAN CNN を採用した GAN 。高解像度画像生成を可能にした Pix2Pix ペア画像を用いた画像変換（線画→カラー、昼→夜など）
CycleGAN ペアなしでドメイン変換。変換→再変換の一貫性を学習 Diffusion Model 拡散過程と逆拡散。学習は拡散、生成は逆拡散のみ。品質が高い

深層強化学習の応用領域ゲーム AI ロボット制御 AlphaGo / AlphaZero 。人間チャンピオンを超える性能操作・移動・把持。
sim2real が重要推薦・広告自動運転バンディットやオフライン RL で最適化意思決定・制御の一部に活用研究が進む

オフライン強化学習と模倣学習実環境での試行錯誤を避け、事前収集データから方策を学習する枠組み。安全性が重要なロボット制御や、ログデータが豊富な Web サービスで期待される。模倣学習オフライン強化学習人間のデモンストレーション（直接操作・ VR
など）から方策を学習する。最適とみなして真似る。固定データセットからより良い方策を学習。報酬付き遷移データを使い、デモが最適とは限らない点で模倣学習と異なる。

sim2real とドメインランダマイゼーションシミュレータで学習した方策を実世界に転移する設定（ sim2real ）。現実世界との差異（リアリティギャップ）が性能低下の原因になる。リアリティギャップシミュレータと実世界の物理・見た目の差ドメインランダマイゼーション幾何・摩擦・光源・テクスチャなどをランダム化した複数環境で学習
し、頑健な方策を獲得 OpenAI の例 5 本指ハンドでルービックキューブ。追加の実世界学習なしで転移に成功（ 2019 ）

残差強化学習と世界モデル残差強化学習既存の制御モジュールの出力と最適方策の「差分」を強化学習で学ぶ。サンプル効率・安全性に有利。例： TossingBot 物体を箱に投げ入れる。運動方程式ベースの制御を残差で調整。
世界モデル環境の予測モデルを明示的に学習し、方策学習に活用する枠組み。モデルベース RL の一種。サンプル効率の向上が期待される。モデルフリーとの対比が重要。

第 6 章まとめ 1 画像：分類・検出・セグメンテーション。用途に応じてタスクを選ぶ 2 NLP ：翻訳・対話から LLM
・基盤モデルへ。プロンプトとチューニングが重要 3 生成： VAE / GAN / Diffusion 。 Diffusion が現在の画像生成の主流 4 深層 RL ：オフライン RL ・ sim2real ・残差 RL ・世界モデルが実用の鍵 5 応用は要素技術の組み合わせで実現される

G 検定学習スライド第7章 AI の社会実装に向けてプロジェクト計画から運用・評価までの実践的視点

この章で学ぶこと 01 02 03 04 AI プロジェクトの進め方企画・要件定義から運用までの流れデータの収集と品質学習データの重要性と注意点
実装・運用・評価 PoC から本番、継続的改善組織・人材の視点必要な役割と推進体制

AI プロジェクトの典型的な流れ 1 企画・課題設定ビジネス課題を明確化し、 AI で解けるか判断 2 データ収集・準備必要なデータを集め、品質を確認・整形
3 モデル構築・ PoC 試作して有効性を検証（概念実証） 4 本開発・実装本番システムへの組み込み 5 運用・監視・改善性能監視と継続的な再学習・改善

データの重要性「 Garbage In, Garbage Out 」— データの質がモデルの上限を決める。量だけでなく、代表性・正確性・最新性・バイアスの少なさが重要。量
質多様性プライバシー十分なサンプル数。稀なケースもカバーラベルの正確さ、欠損・ノイズの扱い実運用の分布を反映しているか個人情報・機密の適切な取り扱い

PoC から本番運用へ PoC で確認すべきこと本番で必要なこと・技術的に解けるか・期待する精度が出るか・データは十分か・ビジネス価値があるか・運用コストは許容範囲か
・倫理・法的リスクは？・性能監視とドリフト検知・再学習の仕組み・説明可能性の確保・障害時のフォールバック・セキュリティ対策・継続的な評価指標の追跡

組織と人材ビジネス側データサイエンティスト ML エンジニア課題設定、価値判断、要件定義モデル設計・実験・評価学習基盤・デプロイ・運用ドメイン専門家法務・倫理
経営・推進ラベル付け、妥当性判断規制対応、リスク評価方針決定、リソース配分

第 7 章まとめ 1 課題設定→データ→ PoC→ 実装→運用の流れを意識する 2 データの質がモデル性能の上限を決める
3 PoC で技術・ビジネス・リスクを多面的に検証する 4 本番では監視・再学習・説明可能性が不可欠 5 多様な役割の連携が社会実装を成功させる

次の章へ第8章 AI の法律と倫理プライバシー・公平性・説明責任など、責任ある AI の視点を学びます

G 検定学習スライド第8章 AI の法律と倫理プライバシー・公平性・説明責任・規制のポイント

この章で学ぶこと 01 02 03 04 AI 倫理の基本原則公平性・透明性・説明責任・プライバシーバイアスと公平性データ・アルゴリズムに潜む偏り
プライバシーとデータ保護個人情報・ GDPR ・国内法の視点規制・ガイドライン国内外の動向と実務上の注意点

AI 倫理の基本的な観点公平性透明性説明責任特定の属性で不当に差別しない。結果の偏りを監視・是正どのように判断したかを説明できること。ブラックボックス化を避ける誰が責任を負うかを明確に。事故・
誤判断時の対応プライバシー安全性人間中心個人データの適切な収集・利用・保管。同意と最小化意図しない動作や悪用への対策。堅牢性の確保最終判断は人間が行う設計。過度な自動化を避ける

バイアスと公平性学習データや設計に含まれる偏りが、モデルの判断にそのまま反映される。採用・融資・医療など、人の権利に関わる領域では特に注意が必要。データバイアスアルゴリズムバイアス評価バイアス対策例収集段階で特定集団が過少・過多に含まれるモデル構造や目的関数が
偏りを増幅する評価指標やテストデータが偏っている多様なデータ、公平性指標、人によるレビュー

プライバシーとデータ保護個人情報保護法 GDPR データ最小化日本の基本法。個人データの取り扱いに関する義務 EU 一般データ保護規則。域外適用あり。厳格な同意・権利必要な範囲・期間のみ収集・保持す
る原則匿名化・仮名化同意の取得セキュリティ個人を特定できない形に加工して利用目的を明示し、適切な同意を得る漏洩防止の技術的・組織的措置

規制・ガイドラインの動向 EU AI Act 日本の AI 指針著作権リスクベース規制。高リスク AI
に厳格な義務人間中心の AI 社会原則、事業者向けガイドライン学習データの扱い、生成物の権利関係が議論中説明可能な AI 責任ある AI 継続的な学習判断根拠を説明できる技術・プロセスの重要性開発から運用まで倫理を組み込む実践法制度・社会規範は変化し続ける

第 8 章まとめ 1 公平性・透明性・説明責任・プライバシーが倫理の柱 2 バイアスはデータ・アルゴリズム・評価の各段階で生じうる 3 個人情報保護法・
GDPR などデータ保護規制を遵守する 4 EU AI Act などリスクベース規制が世界的に進展中 5 技術だけでなく、組織・プロセス・文化で責任ある AI を実現する

全章完了 G 検定学習スライド第 1 章〜第 8 章引き続き練習問題や過去問で知識を定着させていきましょう

G検定_完全統合版.pdf

G検定_完全統合版.pdf

Featured

Transcript