G検定 7.1 基本統計（平均・分散・標準偏差・相関係数）
統計学はAI・機械学習を理解するための基盤です。データの代表値やばらつき、データ間の関係性を把握することで、モデル設計や評価の基礎を固めることができます。平均（Mean）定義データの中心的な値を示す代表値。直感的理解「典型的な値」を表す。外...
G検定 G検定 6.2 データの収集・加工・分析（アノテーション、オープンデータセット、データリーケージ）
ディープラーニングの性能は データの質と量 に大きく依存します。そのため、データの収集・加工・分析はAIプロジェクトにおいて最も重要な工程のひとつです。ここでは、教師データの整備から公開データセットの活用、そして実務で注意すべき データリー...
G検定 6.1 プロジェクトの進め方（PoC、MLOps、CRISP-DM/ML）
ディープラーニングを実務に導入する際、研究段階の技術をそのまま活用することは難しい場合が多いです。そこで重要となるのが プロジェクト推進プロセス です。この節では、PoC → 実運用 → プロジェクト標準化 の流れを支える主要概念を整理しま...
G検定 5.9 モデルの軽量化（蒸留、量子化、エッジAI）
ディープラーニングモデルは年々巨大化し、性能は向上しましたが、同時に 計算資源・消費電力・推論時間 などの課題も深刻化しています。これに対処するアプローチが モデルの軽量化（Model Compression / Model Optimiz...
G検定 5.8 モデルの解釈性（SHAP、LIME、Grad-CAM、XAI）
ディープラーニングは高性能ですが、「なぜその予測をしたのか」 が分かりにくい「ブラックボックス問題」を抱えています。これに対処するのが モデルの解釈性（Interpretability） を高める技術、すなわち XAI（Explainabl...
G検定 5.7 マルチモーダル（CLIP、DALL·E、基盤モデル）
人間は「視覚・聴覚・言語」など複数の感覚を統合して世界を理解しています。ディープラーニングにおいても、画像やテキスト、音声といった複数の情報源を統合して処理する マルチモーダルAI が急速に発展しています。さらに、それを支える 基盤モデル（...
G検定 5.6 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）
ディープラーニングは高性能ですが、通常は 大量のデータと計算資源 が必要です。この制約を緩和し、少ないデータでも高い性能を発揮できる方法が 転移学習（Transfer Learning） と ファインチューニング（Fine-tuning） ...
G検定 5.5 データ生成（GAN、Diffusion、NeRFなど）
ディープラーニングは「認識」だけでなく、「生成」分野でも大きな進歩を遂げています。画像、音声、動画、3Dモデルの生成は、エンタメから医療、シミュレーションまで幅広く活用されています。本節では代表的な生成モデルとして GAN・拡散モデル・Ne...
G検定 5.4 深層強化学習（DQN、A3C、AlphaStar、RLHFなど）
強化学習は「環境と相互作用しながら報酬を最大化する学習方法」です。そこにディープラーニングを組み合わせたものを 深層強化学習（Deep Reinforcement Learning, DRL） と呼び、ゲームAIや自動運転、ロボティクスなど...
G検定 5.3 音声処理（音声認識、WaveNet、CTC、話者識別など）
音声処理は、人間の「声」を対象とするディープラーニング応用分野です。音声の波形データは連続値かつ時系列的な性質を持ち、テキストや画像とは異なる扱いが必要です。本節では、音声認識・生成・話者識別に関連する代表的技術を整理します。音声認識（Sp...