G検定 5.2 自然言語処理（word2vec、BERT、GPT、LLM、ChatGPT）
自然言語処理（NLP: Natural Language Processing）は、人間の言語をコンピュータに理解・生成させる技術です。ディープラーニングの進展により、機械翻訳、要約、質問応答、対話システムなどの性能が飛躍的に向上しました。...
G検定 G検定 5.1 画像認識（CNN系、YOLO、ResNet、Vision Transformerなど）
画像認識は、ディープラーニングが最も大きな成果を上げた分野の一つです。特に2012年の ImageNetコンテスト（ILSVRC） で登場した AlexNet を契機に、畳み込みニューラルネットワーク（CNN）が爆発的に発展しました。ここで...
G検定 4.7 要素技術（CNN、RNN、Attention、オートエンコーダ、データ拡張、スキップ結合など）
ディープラーニングの成功を支えるのは、多様な 要素技術（アーキテクチャや工夫） です。本節では代表的な構造や技術を整理し、試験によく出題される観点とともに解説します。CNN（畳み込みニューラルネットワーク）特徴画像処理に強いニューラルネット...
G検定 4.6 最適化手法（SGD、Adam、学習率調整、ハイパーパラメータ探索）
ディープラーニングの学習において、モデルの重みを更新するために利用されるのが 最適化手法（Optimization Methods） です。どのように勾配を利用して重みを更新するか、学習率をどう調整するか、ハイパーパラメータをどう選ぶかによ...
G検定 4.5 誤差逆伝播法（勾配消失・勾配爆発）
ニューラルネットワークを学習させる上で中核となるのが 誤差逆伝播法（Backpropagation, BP） です。これは、出力の誤差を逆方向に伝え、各重みを効率的に更新するアルゴリズムです。G検定では 仕組み・役割・問題点（勾配消失／勾配...
G検定 4.4 正則化（L1/L2、ドロップアウト）
機械学習・ディープラーニングの大きな課題のひとつが 過学習（Overfitting） です。過学習を防ぎ、モデルの汎化性能を高めるために使われる手法群を 正則化（Regularization） と呼びます。本節では代表的な正則化手法である ...
G検定 4.3 誤差関数（クロスエントロピー、KL情報量、Contrastive Lossなど）
ニューラルネットワークの学習において「どのように予測が正しいか／間違っているか」を数値化するのが 誤差関数（損失関数, Loss Function） です。誤差関数は「教師データと予測値の差」を定量化し、学習の方向を決める重要な役割を果たし...
G検定 4.2 活性化関数（ReLU、Sigmoid、Softmax、勾配消失問題）
ニューラルネットワークの各ノード（人工ニューロン）は「入力の重み付き和」を計算し、それを 活性化関数（Activation Function） に通して出力します。活性化関数はネットワークの「非線形性」を担う重要な役割を果たし、学習の性能に...
G検定 4.1 ニューラルネットワーク基礎（パーセプトロン、CPU/GPU/TPU）
ディープラーニングの中核を成すのが ニューラルネットワーク です。本節では、その基本構造である「パーセプトロン」から始め、現代の深層学習を支える計算基盤（CPU/GPU/TPU）までを整理します。ニューラルネットワークとは？定義生物の神経回...
G検定 3.4 ハイパーパラメータと汎化性能
機械学習では、単に学習させるだけでなく「どのモデルを選び、どのように評価するか」が極めて重要です。G検定では 過学習、交差検証、混同行列、ROC・AUC、誤差指標（MSE, RMSE, MAE） が頻出ポイントです。モデル選択の基本機械学習...