G検定試験出題範囲(シラバス 2024)
技術分野
1. 人工知能の定義
人工知能とは何かを具体例を用いて説明できる
人工知能を4つのレベルに分類し説明できる
- 単純な制御プログラム
- 古典的な人工知能
- 機械学習
- 深層学習
AI効果を説明できる
人工知能とロボットの違いを説明できる
キーワード: AI効果, エージェント, 人工知能, 機械学習, ディープラーニング
2. 人工知能分野で議論される問題
- 代表的な問題について説明できる
- 汎用的AIの実現可能性を議論できる
キーワード: シンギュラリティ, シンボルグラウンディング問題, 身体性, ダートマス会議, トイ・プロブレム, 知識獲得のボトルネック, チューリングテスト, 中国語の部屋, 強いAIと弱いAI, 統計的機械翻訳, フレーム問題, ルールベース機械翻訳, ローブナーコンテスト
3. 探索・推論
- 探索・推論の具体例を説明できる
- 代表的手法を説明できる
キーワード: αβ法, Mini-Max法, SHRDLU, STRIPS, 探索木, ハノイの塔, 幅優先探索, 深さ優先探索, ブルートフォース, モンテカルロ法
4. 知識表現とエキスパートシステム
- 知識表現とは何か説明できる
- エキスパートシステムとは何か説明できる
- 代表的研究や手法を理解する
キーワード: Cycプロジェクト, DENDRAL, is-a関係, has-a関係, part-of関係, Question-Answering, 意味ネットワーク, ELIZA, インタビューシステム, ウェブマイニング, オントロジー, セマンティックWeb, データマイニング, 東ロボくん, MYCIN, Watson
5. 機械学習
- 機械学習とは何か説明できる
- ルールベース手法との違い・メリデメを説明できる
- 注目される背景を説明できる
- 効果を発揮する場面を理解する
- 応用例を理解する
キーワード: 次元の呪い, スパムフィルタ, ビッグデータ, レコメンデーションエンジン, 統計的自然言語処理
6. ディープラーニング
- DLの歴史を説明できる
- 古典的MLとの違いを説明できる
- 応用例を理解する
キーワード: ImageNet, ILSVRC, LeNet, AlphaGo, 人間の神経回路, ネオコグニトロン, 生成AI
7. 教師あり学習
- 特徴量と教師データのペアが必要であることを理解
- 問題の種類を列挙・説明できる
- 代表的モデルの基本概念を理解
- データ・目的に応じてモデルを選択できる
- ビジネス応用例を説明できる
キーワード: アンサンブル学習, カーネル, カーネルトリック, 回帰問題, 決定木, 勾配ブースティング, SVM, 線形回帰, ARモデル, 単回帰分析, 重回帰分析, 多クラス分類, バギング, ブースティング, ブートストラップサンプリング, 分類問題, VARモデル, マージン最大化, ランダムフォレスト, ロジスティック回帰
8. 教師なし学習
- 特徴量のみで学習できることを理解
- 問題の種類を列挙・説明できる
- 代表的モデルの基本概念を理解
- データや目的に応じてモデルを選択できる
- ビジネス応用例を説明できる
キーワード: k-means, t-SNE, ウォード法, 協調フィルタリング, クラスタリング, コールドスタート問題, コンテンツベースフィルタリング, 次元削減, PCA, LDA, MDS, デンドログラム, SVD, トピックモデル
9. 強化学習
- 基本概念を理解する
- 教師あり/なしとの違いを説明できる
- 価値関数と方策の学習を理解する
- 代表的手法を理解する
- ビジネス応用例を説明できる
キーワード: Actor-Critic, ε-greedy, REINFORCE, Q学習, UCB方策, 行動価値関数, 状態価値関数, バンディットアルゴリズム, 方策勾配法, マルコフ決定過程, 割引率, SARSA
10. モデルの選択・評価
- モデル選択基準と評価方法を理解する
- 訓練誤差と汎化誤差の違いを説明できる
- 汎化性能を推定する方法を理解する
- 過学習など代表的現象を説明できる
- 適切な評価指標を選択できる
- 複雑さのメリデメを理解する
キーワード: k-分割交差検証, MSE, RMSE, MAE, ROC曲線, AUC, AIC, オッカムの剃刀, 過学習, 交差検証, 偽陽性・偽陰性, 真陽性・真陰性, 混同行列, 正解率, 適合率, 再現率, F値, 汎化性能, BIC, ホールドアウト検証
11. ニューラルネットワークとディープラーニング
- ニューラルネットワークの基礎知識を理解
- NNとDLの関係を説明できる
- 必要なデータ量・計算リソースを理解
- CPU / GPU / TPU の特徴を説明できる
キーワード: CPU, GPU, TPU, 隠れ層, 入力層, 出力層, 多層パーセプトロン, 単純パーセプトロン
12. 活性化関数
- 定義・使い分け・注意点を説明できる
- DLにおける役割を理解
キーワード: ReLU, Leaky ReLU, tanh, シグモイド, ソフトマックス, 勾配消失問題
13. 誤差関数
- 誤差関数の基礎を理解
- 適切な誤差関数を選択できる
キーワード: Contrastive Loss, Triplet Loss, KL情報量, 交差エントロピー, 平均二乗誤差関数
14. 正則化
- 正則化の目的を説明
- 代表的手法の特徴を理解
- モデル特性に応じて選択できる
キーワード: L0, L1, L2 正則化, ドロップアウト, ラッソ回帰, リッジ回帰
15. 誤差逆伝播法
- 概要を説明
- 勾配消失・爆発などの問題を理解
キーワード: 勾配消失, 勾配爆発, 信用割当問題, 連鎖律
16. 最適化手法
- 勾配降下法の概要・課題と解決法を理解
- 計算効率化の方法を説明
- ハイパーパラメータ調整法を理解
キーワード: SGD, Adam, RMSprop, AdaGrad, AdaDelta, AdaBound, AMSBound, 学習率, モーメンタム, バッチ学習, ミニバッチ学習, グリッドサーチ, ランダムサーチ, 早期終了, 大域最適解, ノーフリーランチ定理
17. 全結合層
- 全結合層の概要を理解
- パラメータ数を理解
- DLにおける役割を説明できる
キーワード: 重み, 線形関数
18. 畳み込み層
- 基礎知識を理解
- 全結合層との違いを説明
- 役割を説明
- パラメータ数を理解
- 適用可能なデータ特性を理解
キーワード: 畳み込み操作, CNN, 特徴マップ, カーネル, ストライド, パディング, フィルタ, Atrous Convolution, Dilated Convolution, Depthwise Separable Convolution
19. 正規化層
- 基礎知識を理解
- 代表的手法を理解
- 学習における役割を説明
キーワード: バッチ正規化, レイヤー正規化, グループ正規化, インスタンス正規化
20. プーリング層
- 基礎知識を理解
- 代表的操作を理解
- 学習における役割を説明
キーワード: 最大値プーリング, 平均値プーリング, グローバルアベレージプーリング (GAP), 不変性の獲得
21. スキップ結合
- 概要を理解
- 役割を説明
- ResNetの概要を理解
キーワード: ResNet
22. 回帰結合層
- 概要を理解
- RNNを理解
- 時系列データ適用を説明
- 学習方法を理解
- 課題と解決法を説明
キーワード: RNN, LSTM, GRU, BPTT, エルマンネットワーク, ジョルダンネットワーク, 双方向RNN, 勾配消失問題, 勾配爆発問題, 教師強制, ゲート機構, 時系列データ
23. Attention
- 基礎知識を理解
- 役割を説明
- RNNの問題点をどう解決するか説明
- Transformerを理解
- Self-Attention / Encoder-Decoder Attentionを理解
キーワード: Attention, Self-Attention, Multi-Head Attention, Transformer, Seq2Seq, Source-Target Attention, 位置エンコーディング, Key, Query, Value
24. オートエンコーダ
- 概要を理解
- 役割を説明
- 代表的な亜種を理解
キーワード: VAE, VQ-VAE, info VAE, β-VAE, 積層オートエンコーダ, 変分オートエンコーダ, 次元削減, 事前学習
25. データ拡張
- 基礎知識を理解
- 代表的手法を理解
- DLにおける役割を説明
- タスクやデータに応じて選択できる
キーワード: Contrast, Brightness, Crop, Rotate, Random Flip, CutMix, Mixup, Cutout, RandAugment, Random Erasing, noising, paraphrasing
26. 画像認識
- タスクの種類と概要を理解
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: AlexNet, VGG, GoogLeNet, ResNet, DenseNet, Wide ResNet, SENet, EfficientNet, MobileNet, MnasNet, NAS, FCN, SegNet, PSPNet, U-Net, DeepLab, FPN, Mask R-CNN, Faster R-CNN, Fast R-CNN, SSD, YOLO, Vision Transformer, OpenPose, 一般物体認識, 物体検出, 物体識別, 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, パノプティックセグメンテーション, 姿勢推定
27. 自然言語処理
- タスクの種類と概要を理解
- 特徴表現と手法を理解
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: n-gram, BoW, TF-IDF, word2vec, CBOW, Skip-gram, 分散表現, 文書要約, 感情分析, 機械翻訳, 統計的機械翻訳, 構文解析, 形態素解析, 質問応答, 情報検索, ワンホットベクトル, 単語埋め込み, BERT, GPT-n, ChatGPT, ELMo, fastText, PaLM, GLUE, Seq2Seq, CEC, 大規模言語モデル (LLM)
28. 音声処理
- タスクの種類と概要を理解
- 特徴表現と手法を理解
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: 音声認識, 音声合成, 音声生成, 音韻, 音素, FFT, スペクトル包絡, PCM, MFCC, メル尺度, フォルマント, フォルマント周波数, A-D変換, WaveNet, HMM, CTC, 話者識別, 感情分析
29. 深層強化学習
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: DQN, Double DQN, Rainbow, Dueling Network, A3C, PPO, APE-X, Agent57, OpenAI Five, AlphaStar, ノイジーネットワーク, 状態表現学習, sim2real, ドメインランダマイゼーション, オフライン強化学習, 残差強化学習, 報酬成形, RLHF, MARL, 連続値制御
30. データ生成
- タスクの種類と概要を理解
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: GAN, DCGAN, Pix2Pix, CycleGAN, Diffusion Model, NeRF, 音声生成, 画像生成, 文章生成
31. 転移学習・ファインチューニング
- 基礎知識を理解
- 効果を発揮する場面を理解
- 成功事例モデルを理解
キーワード: 転移学習, ファインチューニング, Few-shot, One-shot, 半教師あり学習, 自己教師あり学習, 事前学習, 事前学習済みモデル, 破壊的忘却
32. マルチモーダル
- タスクの種類と概要を理解
- 代表的モデルを理解
- 実世界での活用を理解
キーワード: CLIP, DALL-E, Flamingo, Unified-IO, Visual Question Answering, Image Captioning, Text-to-Image, マルチタスク学習, 基盤モデル, Zero-shot
33. モデルの解釈性
- 解釈性が必要な背景を理解
- ユースケースを理解
- 代表的手法を理解
キーワード: CAM, Grad-CAM, LIME, SHAP, Permutation Importance, XAI (説明可能AI)
34. モデルの軽量化
- 軽量化が必要な背景を理解
- ユースケースを理解
- 代表的手法を理解
キーワード: 蒸留, プルーニング, モデル圧縮, 量子化, エッジAI, 宝くじ仮説
法律・倫理分野
AIに関する法律と契約
1. 個人情報保護法
- 個人情報・匿名加工情報・仮名加工情報を理解
- GDPRとの関係を把握
キーワード: GDPR, 個人データ, 匿名加工情報, 仮名加工情報, 要配慮個人情報, 委託, 利用目的
2. 著作権法
- AI生成物の著作権成否を理解
- ライセンス・利用規約を把握
キーワード: 創作性, 著作物, AI生成物, 著作権侵害, 著作権法30条4, 利用規約
3. 特許法
- 特許権と著作権のすみ分けを理解
- 発明・新規性・進歩性を把握
キーワード: 発明, 新規性, 進歩性, 知的財産権, 職務発明, 特許権
4. 不正競争防止法
- 営業秘密の三要件を理解
- 限定提供データを理解
キーワード: 営業秘密, 限定提供データ
5. 独占禁止法
- 公正競争阻害性を理解
キーワード: 競争制限, 公正競争阻害性
6. AI開発委託契約
- 各フェーズの契約関係を理解
- 知財の帰属や利用条件を把握
キーワード: AI・データ利用契約ガイドライン, NDA, 請負契約, 準委任契約, 精度保証, PoC, 保守契約
7. AIサービス提供契約
- SaaS型特有の契約条項を理解
キーワード: SaaS, データ利用権, 利用規約, 精度保証
AI倫理・AIガバナンス
8. 国内外のガイドライン
- ソフトロー・ハードローやリスクベースアプローチを理解
キーワード: AI倫理, AIガバナンス, 価値原則, ソフトロー, ハードロー, リスクベースアプローチ
9. プライバシー
- データ収集段階・推論段階の問題を理解
- プライバシー保護策を説明できる
キーワード: プライバシー・バイ・デザイン, カメラ画像利活用ガイドブック
10. 公平性
- アルゴリズムバイアスやデータ偏りを理解
キーワード: 公平性の定義, サンプリングバイアス, センシティブ属性, 代理変数
11. 安全性とセキュリティ
- 攻撃例と対応策を理解
キーワード: Adversarial Attack, データ汚染, モデル窃取, セキュリティ・バイ・デザイン
12. 悪用
- ディープフェイク・フェイクニュースの影響と対応策を理解
キーワード: ディープフェイク, フェイクニュース
13. 透明性
- 説明可能性とブラックボックス問題を理解
キーワード: 説明可能性, データの来歴, ブラックボックス
14. 民主主義
- AIが民主主義に与える影響を理解
キーワード: エコーチェンバー, フィルターバブル, フェイクニュース
15. 環境保護
- モデル学習の電力消費や気候変動の議論を理解
キーワード: 気候変動, 電力消費
16. 労働政策
- AIが雇用やスキルに与える影響を理解
キーワード: AIとの協働, スキル喪失, 労働力不足
17. その他の重要な価値
- インクルージョン、軍事利用、自律性などを理解
キーワード: インクルージョン, 軍事利用, 死者への敬意, 人間の自律性
18. AIガバナンス
- 倫理アセスメント・人間の関与・モニタリングを理解
キーワード: AIポリシー, 倫理アセスメント, ダイバーシティ, 監査, 再現性, トレーサビリティ