初めに
G検定取得に向けて勉強を始めました。自分のOutputとして、同じ取得に向けて頑張ってる人の参考になればとまとめています。執筆開始時点のシラバスは2004_v1.3です。
第1章 人工知能とは
第2章 人工知能をめぐる動向
- 探索・推論（探索木、αβ法、モンテカルロ法など）
- 知識表現とエキスパートシステム（MYCIN、Cyc、オントロジーなど）
- 機械学習の登場と背景（ルールベースとの違い、応用例）
- ディープラーニングの発展（ImageNet、AlphaGo、生成AIまで）
第3章 機械学習の概要
- 教師あり学習（回帰・分類・SVM・決定木・ランダムフォレストなど）
- 教師なし学習（クラスタリング、次元削減、PCA、LDAなど）
- 強化学習（Q学習、SARSA、Actor-Criticなど）
- モデルの選択・評価（過学習、交差検証、混同行列、ROC・AUC、MSE/RMSE/MAE）
第4章 ディープラーニングの概要と要素技術
- ニューラルネットワーク基礎（パーセプトロン、CPU/GPU/TPU）
- 活性化関数（ReLU、sigmoid、softmax、勾配消失問題）
- 誤差関数（クロスエントロピー、KL情報量、Contrastive Lossなど）
- 正則化（L1/L2、ドロップアウト）
- 誤差逆伝播法（勾配消失・勾配爆発）
- 最適化手法（SGD、Adam、学習率調整、ハイパーパラメータ探索）
- 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）
第5章 ディープラーニングの応用
- 画像認識（CNN系、YOLO、ResNet、Vision Transformerなど）
- 自然言語処理（word2vec、BERT、GPT、LLM、ChatGPT）
- 音声処理（音声認識、WaveNet、CTC、話者識別など）
- 深層強化学習（DQN、A3C、AlphaStar、RLHFなど）
- データ生成（GAN、Diffusion、NeRFなど）
- 転移学習・ファインチューニング（事前学習モデル、破壊的忘却など）
- マルチモーダル（CLIP、DALL-E、基盤モデル）
- モデルの解釈性（SHAP、LIME、Grad-CAM、XAI）
- モデルの軽量化（蒸留、量子化、エッジAI）
