第3章では、AIがどのようにして「学ぶのか」を扱います。

ここを一言で言うと、AIはデータからパターンを見つけて、予測する仕組みです。

ただし、この章は用語が多く、構造を知らないまま読み進めると混乱しやすい章でもあります。

そこでこのページでは、先に全体の流れを整理してから、重要テーマを順番に確認していきます。

🧭この章の読み方

第3章は、次の順番で読むと理解しやすくなります。

• ① 機械学習とは何か
• ② 学習の種類
• ③ 回帰と分類
• ④ 代表的な手法
• ⑤ モデル評価
• ⑥ 失敗と限界
• ⑦ 比較まとめ
• ⑧ 10秒説明まとめ
• ⑨ 引っかけ・誤解まとめ

「全体像 → 学び方 → 予測するもの → 手法 → 評価 → 失敗例 → 比較 → 再現 → 試験対策」の順で理解すると、第3章の内容がつながります。

🎯この章で目指す状態

この章の目標は、用語を暗記することではありません。

機械学習の流れを「10秒で説明できる状態」になることです。

• 機械学習とは何かを説明できる
• 教師あり・教師なし・強化学習の違いを言える
• 回帰と分類を区別できる
• 評価の考え方（正解率・適合率など）を説明できる
• 過学習とは何かを説明できる

細かい数式やアルゴリズムをすべて覚える必要はありません。

重要なのは、用語を単独で覚えるのではなく、流れの中で説明できることです。

この状態になれば、第3章の問題には十分対応できます。

🌳第3章の全体像（俯瞰）

第3章は、一言で言うとAIがどのように学び、どのように判断するかの仕組みを扱います。

ここでは細かい手法に入る前に、まず全体の流れを押さえます。

🧭全体の流れ

機械学習は、次の流れで進みます。

• ① データを集める
• ② 学び方を決める
• ③ パターンを学習する
• ④ 予測する
• ⑤ 正しいか評価する
• ⑥ 失敗から調整する（過学習など）

この流れを理解すると、第3章の内容はすべてつながります。

重要なのは、「学習 → 予測 → 評価 → 改善」までが一連の流れであることです。

① データを集める

機械学習では、まず学習の材料となるデータが必要です。

• 過去の売上データ
• メールと迷惑メールのラベル
• ユーザーの行動履歴

AIはデータがなければ学習できません。

② 学び方を決める

次に、どの方法で学習するかを決めます。

• 教師あり学習（答え付き）
• 教師なし学習（答えなし）
• 強化学習（行動と報酬）

問題の種類によって適した学び方が変わります。

③ パターンを学習する

集めたデータから、規則（ルール）を見つけます。

このとき使われるのが「モデル」です。

• 回帰（数値を予測する）
• 分類（種類を判定する）
• クラスタリング（グループ分けする）

AIはここで、人があらかじめ決めていないルールをデータから見つけ出します。

④ 予測する

学習したルールを使って、新しいデータに対して判断を行います。

• このメールは迷惑メールか
• 来月の売上はいくらか
• このユーザーはどのグループに属するか

この「未知データへの判断」が、機械学習の目的です。

⑤ 正しいか評価する

予測結果がどれだけ正しいかを確認します。

• 正解率
• 適合率・再現率
• 誤差（MSEなど）

評価は、学習に使っていないデータ（未知データ）で行うことが重要です。

⑥ 改善する（過学習への対応）

評価の結果が悪い場合は、モデルや学習方法を見直します。

代表的な失敗が「過学習」です。

訓練データに合わせすぎてしまい、新しいデータに対応できなくなる状態です。

このような問題を防ぐために、モデルの複雑さやデータの量を調整します。

詳細は後のセクションで扱います。

まとめ

第3章の流れは次の一文で表せます。

データから学び、未知データを予測し、評価して改善する

この流れを理解することで、個々の手法の役割がつながります。

学び方の種類｜AIはどうやって学ぶのか

機械学習では、データからどのようにルールを学ぶかによって学び方が分かれます。

主な学び方は次の3つです。

• 教師あり学習
• 教師なし学習
• 強化学習

この3つの違いを理解することが、第3章の出発点になります。

① 教師あり学習

入力データと正解（ラベル）をセットにして学習する方法です。

• 例：メール → 迷惑 / 通常
• 例：身長 → 体重

入力から正解を予測する関係を学習します。

特徴：正解があるため、予測精度を直接評価できる

最も一般的に使われる学習方法です。

② 教師なし学習

正解を与えずに、データの特徴や構造を見つける方法です。

• 例：顧客をタイプ別に分類する
• 例：似た商品をグループ化する

データの中にある共通点や違いを見つけることが目的です。

特徴：正解がないため、「何が正しいか」を定義するのが難しい

③ 強化学習

行動とその結果（報酬）をもとに、最適な行動を学ぶ方法です。

• 行動する
• 結果（報酬）を得る
• 良い行動を強化する

試行錯誤を繰り返しながら、より良い判断を学習します。

特徴：正解は与えられず、「結果の良さ」で学習する

ゲームや自動制御などで利用されます。

まとめ（学び方の違い）

• 教師あり：答え（ラベル）から学ぶ
• 教師なし：データの構造を見つける
• 強化学習：行動と結果（報酬）から学ぶ

これらは優劣ではなく、問題の種類に応じて使い分けます。

※試験では「どの学習方法を使うべきか」を問われることが多い

回帰と分類｜AIは何を予測するのか

教師あり学習では、入力データから答えを予測します。

ここで重要になるのが、予測する答えの種類です。

数値を予測する場合は回帰、種類を判定する場合は分類になります。

回帰とは

回帰は、連続した数値を予測する問題です。

• 来月の売上を予測する
• 明日の気温を予測する
• 身長から体重を予測する
• 家の価格を予測する

答えが数値（連続値）になるものが回帰です。

分類とは

分類は、データを種類ごとに仕分ける問題です。

• メールを迷惑メールか通常メールかに分ける
• 画像が犬か猫かを判定する
• レビューを好意的か否定的かに分ける
• 商品をカテゴリごとに分類する

答えがカテゴリ（離散値）になるものが分類です。

回帰と分類の違い

回帰＝数値予測 / 分類＝カテゴリ判定

回帰は数値を予測し、分類はカテゴリを判定します。

※試験ポイント：ロジスティック回帰は「回帰」という名前だが分類問題に使う

なぜこの違いが重要なのか

回帰と分類では、使う手法や評価方法が変わります。

• 回帰：予測した数値のズレを見る（誤差）
• 分類：どれだけ正しく仕分けできたかを見る（正解率など）

まず「何を予測したいのか」を見極めることが重要です。

代表的な手法｜AIはどうやって予測するのか

機械学習では、問題に応じてさまざまな手法（モデル）が使われます。

重要なのは、名前ではなく仕組みと使いどころで理解することです。

ここでは、代表的な手法を「何をする方法か」が分かるように整理します。

これらの手法は、回帰や分類などの問題に応じて使い分けられます。

多くの手法は回帰・分類の両方に応用できるが、用途が限定される手法もある

教師あり学習の手法（予測を行う）

線形回帰

データに最も合う直線を引いて、数値を予測する手法です。売上や価格など、答えが数字になる問題で使います。

ロジスティック回帰

確率をもとに分類を行う手法です。名前に「回帰」とありますが、分類問題で使う点に注意します。

出力は確率であり、その値をもとに分類を行います。

決定木 / ランダムフォレスト

決定木は条件分岐で判断する手法です。ランダムフォレストは複数の決定木を組み合わせ、多数決のように判断します。

ランダムフォレストやブースティングは「アンサンブル学習」と呼ばれ、複数のモデルを組み合わせて精度を向上させる手法です。

SVM

データを最もきれいに分ける境界を見つける手法です。クラス間の余白（マージン）を最大にするのが特徴です。

ブースティング

前のモデルの誤りを重点的に学習して精度を高める手法です。

教師なし学習の手法（構造を見つける）

クラスタリング（k-means）

似ているデータをグループに分ける手法です。k-meansでは、あらかじめ決めた数のグループに分類します。

主成分分析（PCA）

情報を保ったままデータの次元を減らす手法です。データを圧縮して扱いやすくします。

協調フィルタリング

似ているユーザーの行動からおすすめを行う手法です。

強化学習の手法（行動を最適化する）

バンディットアルゴリズム

「探索」と「活用」のバランスを取りながら最適な行動を選ぶ手法です。

価値関数（Q値）

行動の良さを数値で評価する仕組みです。

方策

どの行動を選ぶかを決めるルールです。

手法は「何を予測するか（回帰・分類・構造）」で選ぶ

モデル評価｜AIの判断は正しいのか

機械学習は、予測するだけでは不十分です。

その予測が正しいかを判断する必要があります。

この判断を行うのが「モデル評価」です。

🌳まず結論

• ① データの分け方
• ② 評価指標

この2つをセットで理解することが重要です。

① データの分け方

モデルの性能は、未知のデータで評価する必要があります。

• 訓練データ：モデルの学習に使う
• テストデータ：性能の評価に使う

学習に使ったデータで評価してはいけません。

ホールドアウト検証

データを一度だけ分割して評価する方法です。

k分割交差検証

データを複数回に分けて評価し、結果のばらつきを抑える方法です。

② 評価指標

評価方法は、問題の種類によって異なります。

回帰の評価（数値予測）

• MSE：誤差の二乗平均
• RMSE：誤差を元の単位で表す
• MAE：誤差の絶対値平均

予測値と実測値のズレが小さいほど良いモデルです。

分類の評価（カテゴリ判定）

• 正解率（accuracy）：全体でどれだけ当たったか

ただし、正解率だけでは不十分な場合があります。

混同行列（TP・FP・TN・FN）

分類の評価では、予測結果を「当たり方」と「外し方」に分けて考えます。

• TP（真陽性）：正例を正例と予測できた
• FP（偽陽性）：負例を正例と誤って予測した
• TN（真陰性）：負例を負例と予測できた
• FN（偽陰性）：正例を負例と誤って予測した

評価指標（適合率・再現率）

• 適合率（Precision）：予測した中で正しかった割合
• 再現率（Recall）：実際の正解をどれだけ当てたか

この2つはトレードオフの関係にあります。

評価指標の計算式

• 適合率（Precision）＝ TP / (TP + FP)
• 再現率（Recall）＝ TP / (TP + FN)
• F値（F1）＝ 2 × (適合率 × 再現率) / (適合率 + 再現率)

試験では、混同行列の数値からこれらを計算させる問題が出題されます。

ROC・AUC

モデル全体の分類性能を評価する指標です。

AUCは1に近いほど性能が高いことを示します。

🎯チェックポイント

ミニチェック（理解確認）

• 適合率と再現率の違いを説明できるか？
• なぜ正解率だけでは不十分な場合があるか？
• 回帰と分類の評価方法の違いは何か？

• 評価は必ず未知データで行う
• 正解率だけでは評価できない場合がある
• 適合率と再現率はトレードオフ
• 回帰は誤差で評価する
• 分類は正解率だけでなく適合率・再現率を見る
• 目的に応じて指標を使い分ける

評価は「未知データ × 適切な指標」で行う

例：

• 病気検出：見逃しを防ぐ → 再現率重視
• スパム判定：誤判定を防ぐ → 適合率重視

失敗と限界｜なぜAIは間違えるのか

機械学習は万能ではありません。

モデルがうまく動かない原因を理解することは、評価と同じくらい重要です。

🌳まず結論

• 過学習：覚えすぎて失敗する
• 汎化：未知データに対応する力
• モデル選択：複雑さのバランスが重要

「ちょうどよい学習」が最も重要です。

① 過学習とは

訓練データに適合しすぎてしまい、新しいデータに対応できない状態です。

• 特定のデータだけ覚えてしまう
• 応用が効かない

未知データに弱くなることが問題です。

なぜ起きるのか

• モデルが複雑すぎる
• データが少ない
• ノイズまで学習してしまう

② 汎化とは

未知のデータに対しても正しく予測できる能力です。

機械学習の本来の目的は、この汎化性能を高めることにあります。

③ モデルの複雑さ

モデルには表現の複雑さがあり、性能に大きく影響します。

• 単純：表現力が低い（学習不足）
• 複雑：表現力が高い（過学習のリスク）

重要なのはバランスです。

④ オッカムの剃刀

必要以上に複雑なモデルを避け、シンプルなモデルを優先する考え方です。

同じ性能なら、より単純なモデルを選びます。

⑤ モデル選択（AIC・BIC）

モデルの良さを「当てはまり」と「複雑さ」の両面から評価する指標です。

• AIC：複雑さにペナルティを与える
• BIC：データ数も考慮してより厳しく評価する

複雑すぎるモデルは自動的に不利になります。

パラメータとハイパーパラメータ

• パラメータ：学習によって自動で決まる値（重みなど）
• ハイパーパラメータ：人が事前に設定する値（kの数、木の深さなど）

ハイパーパラメータの設定は、過学習やモデル性能に大きく影響します。

🎯まとめ

良いモデルとは、訓練データだけでなく未知データでも正しく予測できるモデルです。

比較まとめ｜違いを整理する

10秒説明まとめ｜第3章を言葉で再現する

第3章の内容を、短い言葉で再現できる形に整理します。

基本構造

• 機械学習：データからパターンを学習し予測する仕組み
• 流れ：データ → 学習 → 予測 → 評価

学び方

• 教師あり学習：正解ラベルを用いて学習する
• 教師なし学習：ラベルなしで構造を見つける
• 強化学習：報酬を最大化する行動を学習する

問題設定

• 回帰：連続値を予測する
• 分類：カテゴリを予測する

代表手法

• 線形回帰：直線で予測する
• ロジスティック回帰：確率で分類する（分類問題で使用）
• 決定木：条件分岐で判断する
• クラスタリング：類似データをまとめる

評価

• 評価は未知データで行う
• 回帰：誤差（MSEなど）で評価する
• 分類：正解率だけでなく適合率・再現率で評価する
• 適合率：当てた中の正確さ
• 再現率：見逃さない力

失敗と限界

• 過学習：訓練データに適合しすぎる状態
• 汎化：未知データにも通用する性質
• モデルは複雑すぎても単純すぎてもいけない

最終まとめ（最重要）

機械学習は、データから学習し、未知データを予測し、その結果を評価して改善する仕組み

👉 この一文が口で言えれば、第3章は理解できています。

引っかけ・誤解まとめ｜試験で狙われるポイント

第3章では、「用語の意味のズレ」を狙った問題が多く出題されます。

👉 正しい知識を知るだけでなく、誤った選択肢を見抜く力が重要です。

• 誤解：ロジスティック回帰は回帰である
  
  理由：名称に「回帰」が含まれるため
  
  正解：分類問題に用いる手法（確率により判定する）
• 誤解：正解率が高ければ良いモデルである
  
  理由：全体の正答率のみで判断してしまうため
  
  正解：不均衡データでは適合率・再現率を併用する必要がある
• 誤解：評価は訓練データで行えばよい
  
  理由：学習結果をそのまま評価してしまうため
  
  正解：未知データ（テストデータ）で評価する必要がある
• 誤解：適合率と再現率は同じ意味である
  
  理由：どちらも「正しさ」に見えるため
  
  正解：適合率は予測の正確さ、再現率は見逃しの少なさを表す
• 誤解：回帰と分類は同じ評価方法でよい
  
  理由：どちらも予測問題であるため
  
  正解：回帰は誤差、分類は分類指標で評価する
• 誤解：モデルは複雑なほど良い
  
  理由：精度が上がると考えやすいため
  
  正解：複雑すぎると過学習となり汎化性能が低下する
• 誤解：教師なし学習は簡単である
  
  理由：正解がないため単純に見えるため
  
  正解：評価が難しく、目的設定が重要となる
• 誤解：手法には優劣がある
  
  理由：精度のみで比較してしまうため
  
  正解：問題設定に応じて適切な手法を選択する必要がある
• 誤解：k-meansは正解を当てる手法である
  
  理由：分類問題と混同しやすいため
  
  正解：正解なしでグループ分けを行うクラスタリング手法である
• 誤解：評価指標はどれを使っても同じである
  
  理由：指標の役割の違いを理解していないため
  
  正解：目的に応じて適切な評価指標を選択する必要がある

投稿 文系GのG検定対策│機械学習とは何か？AIはどうやって学ぶのかを一発理解（第3章） は まんぷく.com に最初に表示されました。

積算基準書をベースに、実務経験や暗黙知を判断材料として工事発注用の設計書をつくる、どちらかといえばアナログな世界ですが、ここにAIの力を生かしたいと考え、その素地を作るためにAI関係の資格を取ってみようと思いました。

自分のコンピューター操作歴は、パソコンが「マイコン」と呼ばれていた高校生の頃にNECのPC-6001を買って、BasicマガジンやI/Oに掲載されているゲームのコードを打ち込んで、スタートレックや平安京エイリアンもどきを遊んでいた頃から数えて、かれこれ45年。

コンピューター関係の資格こそ取っていないものの、これだけのパソコン歴があれば、AI関係の資格にもそれなりに歯が立つのではと思っていました。

そこでまず、「生成AIパスポート」の合格を目指してみました。

通勤時間に用語暗記アプリを2週間まわしました。

生成AIパスポート｜試験対策アプリ｜トレ速　Google Play

しかし、直前になって「この試験は問題の出し方に独特の癖がある」と気づき、あわてて公認問題集を購入。

GUGA公認　公式テキスト第４版対応版 生成ＡＩパスポート テキスト＆問題集 Kindle版

問題集を2周して出題傾向を掴んだ結果、本番では開始25分ほどで「これは受かったな」と感じるくらい、スムーズに試験を終えることができて、あっさり合格。

それなら、G検定もこの勢いでいけるだろう。

そういう甘い考えでG検定への挑戦を始めたのですが、現実は少し違いました。

G検定の壁にぶつかった

G検定は、覚えるべき専門用語の量が、生成AIパスポートとは桁違いです。

白本（公式テキスト）を一巡して「わかった」と思っても、黒本（問題集）に通しで挑戦すると、白本で覚えたはずの内容が記憶から抜けている。

「覚える → 忘れる → また覚える」

この繰り返しで、なかなか前に進めない状態になり、生成AIパスポートを受験してから2カ月目のG検定の試験は受験を見送ることになりました。

還暦を過ぎた自分には、やはり厳しいのか、と感じながら、AIアシスタントのチャッピー（ChatGPT）やジェミー（Gemini）にG検定の学習方法を相談しました。

なぜ迷子になるのか

これまでの学習方法は、白本や黒本を読んで知らない用語や過去問を片っ端から暗記する、というものでした。

しかし、用語を一つ覚えても、それが他の用語とどうつながっているのかが見えてこない。気づけばG検定の広大なシラバスの中で迷子になっている。

自分は、目から入力した情報を頭の中で視覚化（構造化）しないと理解が安定しないタイプです。白本のように情報が羅列されている資料を覚えるのは、もともと非常に苦手。さらに、高校では私立文系のコースにいた、いわゆる「理系コースから逃げた文系人間」でもあります。

そこで、AIたちとの対話の中で、学習の流れそのものを変えるという考え方にたどり着きました。

「森 → 木 → 枝 → 葉」という学習の流れ

新しいアプローチは、大きな全体像から少しずつ細部へ降りていく、というものです。

🌳 森 G検定の目的と意義を理解する。「何のための試験か」を最初につかむ。
🌲 木 各章を俯瞰して、全体の流れをつかむ。章と章がどうつながっているかを見る。
🌿 枝 各章の重要テーマを、10秒で説明できるレベルで身につける。
🍃 葉 重要語句を Main（説明できるもの） と Sub（関連して拾うもの） に区分して、枝に肉付けしていく。

最初に「森」全体を見渡すことで、自分が今どこにいるかがわかる。その上で「木」→「枝」と絞り込んでいき、最後に「葉」として語句の知識を積み上げていく。

この順番で進めることで、記憶の負担を減らしながら、必要な知識だけを構造として理解できるようになります。

文系G流の具体的な学習ステップ

AIたちと話し合って作った学習の流れは、次の4ステップです。

• G検定のシラバスを俯瞰する（森を見渡す）
• 各章の全体像を俯瞰する（木を見る）
• 各章の重要テーマをインフォグラフィックと音声解説で概要を理解する（枝をつかむ）
• 試験対策キーワードをMain・Subに区分して、Mainを自分の言葉で説明できるレベルで身につける（葉を育てる）

葉の育て方：Main と Sub の使い分け

「葉」のフェーズで大事なのは、最初からすべての語句を覚えようとしないことです。

Mainキーワードは、10秒で説明できる状態を目指します。「〇〇とは、～のことです」と流れで話せれば十分。それ以上は求めません。

Subキーワードは、問題を解いていて「選択肢で迷った」「意味がわからず手が止まった」「重要そうだと感じた」ものだけを拾います。最初から設定するのではなく、学習を進めながら後から追加していくものです。

この判断基準で運用すると、学習はとてもシンプルになります。

• 説明できない → Mainに戻って確認する
• 問題で迷う → Subに追加する
• 読めば分かる → そのままでOK（無理に覚えない）

自分に足りないところだけを肉付けしていく。それだけです。

「分かる」と「解ける」は別物

この学習方法を進めるうえで、もっとも大事な考え方があります。

「分かる」と「解ける」は、別のことです。

読んで理解できる状態と、問題で正解できる状態は、必ずしも一致しません。だから学習の最後は、必ず問題で確認することが必要です。間違えたところだけ追加・補強すれば、それで十分です。

ここから、「森 → 木 → 枝 → 葉」の順で、文系GなりのペースでG検定の学習を記録していきます。

この記事が私と同じようにリスキリングでG検定に挑戦している方の、ひとつの手がかりになれば嬉しいです。

▶ G検定とは何か？G検定の森を見下ろす（G検定の概要）へ進む

投稿 文系GのG検定対策の始まり は まんぷく.com に最初に表示されました。

🤖 AIとは何か？を“ざっくり”理解する

AIって何？と聞かれると、なんとなくは分かるけれど、説明しようとすると難しい。
第1章は、その「なんとなく」を整理するための章です。

ここでは細かい暗記ではなく、全体像（森）をつかむこと🌳を目的に解説します。

📌 ポイント：この章は「覚える」ではなく「説明できる」状態を目指します。

🧠 AIとは何か（まずは全体像）

AIには、実は「これが正解」という定義がありません。

なぜかというと、

• 「知能」とは一体何なのかが定義できない
• 人によって「知能」の解釈が違う

からです。

👉 「知能」の定義が曖昧 → 「人工知能(AI)」も一意に定義できない

ただし、共通している考え方はあります。

👉 人間のように「考える」処理をする仕組み

🎯 試験ポイント：AIは「定義そのもの」よりも「考え方」が問われます

さらにAIは2つに分かれます。

• 強いAI（AGI）：人間のように何でも理解できる（未実現）
• 弱いAI（ANI）：特定のことだけできる（今のAI）

👉 ChatGPTも「弱いAI」です

📌 ポイント：
👉 できること ≠ 理解している

（この違いは後の「中国語の部屋」に繋がります）

⚠️ AI効果

そして重要なポイントがこれです。

👉 AIを理解するうえで必ず出てくる考え方です

AIが新しいことをできるようになると、人はこう思います。

👉「それはもうAIじゃない」

つまり、

AIの定義は時代とともに変わる

🎯 試験ポイント：
👉 AIは「固定された定義がない」という前提で問われる

📊 AIのレベル分類（進化の段階）

AIは、4段階で整理すると理解しやすくなります。

📌 ポイント：
👉 人の関与が減り、AIの自律性が上がっていく流れで見る

レベル1：単純制御

• 決められたとおりに動くだけ

👉 例：自動ドア（人が来たら開く）
👉 仕組み：IF条件で動くルールベース

レベル2：古典AI

• ルール・知識で判断する（探索・推論）

👉 例：エキスパートシステム
👉 仕組み：IF条件を組み合わせて推論する

レベル3：機械学習

• データから規則性を学ぶ

👉 例：回帰・分類などの手法で使われる
👉 人が特徴を決め、AIがパターンを学習する

レベル4：ディープラーニング

• 特徴も自動で学ぶ

👉 例：ニューラルネットワークを用いる手法
👉 特徴量も含めてAIが自動で学習する

👉 本質はこれです。

人が考える → 人が教える → AIが学ぶ → AIが特徴も見つける

🎯 試験ポイント：
👉 「人の役割」と「AIの役割の違い」で問われる

🕰️ AIの歴史（流れで理解）

AIは、ブームと冬の時代を繰り返しながら進化してきました。

📌 ポイント：
👉 成功 → 限界 → 次の技術、という流れで理解する

第1次AIブーム（1950〜60年代）

• 探索・推論
• 迷路、定理証明

👉 しかし、現実の複雑な問題は解けませんでした。

👉 理由：組み合わせ爆発（選択肢が増えすぎて計算できない）

第2次AIブーム（1980年代）

• 知識を入れる（エキスパートシステム）

👉 しかし、知識を人が入れる作業が大変すぎました。

👉 理由：知識獲得のボトルネック（常識をすべて入れられない）

第3次AIブーム（2010年〜）

• 機械学習・ディープラーニング
• ビッグデータ

👉 AIがデータから自分で学ぶ時代になりました。

👉 ポイント：データと計算力により、特徴量を自動で学習できるようになった

さらに現在は、生成AIの時代に入っています。

✨ 生成AIの時代（第4次AIブームとも言われる）

👉 ポイント：事前学習＋Attention（注意機構）

🎯 試験ポイント：
👉 「各時代の限界」と「次に出てきた技術」をセットで問われる

⚙️ AIの限界

AIが現実の場面で思った通りに動かない理由は、実ははっきりしています。

📌 ポイント：
👉 現実は「単純化できない」「意味が分からない」「知識が足りない」

🧩 トイ・プロブレム

簡単にした問題は解ける。

👉 しかし現実は複雑すぎる。

👉 単純化された環境では成功しても、現実では通用しない。

💥 フレーム問題

👉 「関係ある情報だけ選ぶ」ことが難しい。

例：

• 無視すると事故になる
• 考えすぎると処理が止まる

👉 中途半端に選ぶと誤判断になる。

👉 本質：何を考えるかを決めるのが最も難しい

🎯 試験ポイント：
👉 「どの行動が適切か」で問われる

🔤 シンボルグラウンディング問題

AIは「意味」を理解していない。

👉 言葉はただの記号として処理される。

👉 正しく答えられても「理解している」とは限らない。

🧍 身体性

人間は体験を通じて理解する。

👉 触る・見る・経験することで意味が結びつく。

👉 AIはこの体験を持たない。

📚 知識獲得のボトルネック

常識をすべて教えることは不可能。

👉 必要な知識が多すぎる。

👉 本質

AIは「意味」と「常識」に弱い

🎯 試験ポイント：
👉 AIが現実の問題に対応できない理由（情報選択・意味理解・知識不足）が問われる

🤔 AIは本当に知能か？（哲学）

ここでは、「できること」と「理解していること」は同じなのかを考えます。

📌 ポイント：
👉 見た目の賢さと、本当の理解は別かもしれない

🧪 チューリングテスト

会話で人間と区別できなければ、AIとみなすという考え方です。

👉 中身ではなく「会話の応答」で判断する

🎯 試験ポイント：
👉 「振る舞い」で知能を判断する立場

⚖️ 強いAI vs 弱いAI

👉 強いAI：意味を理解し、あらゆる知的作業を行えるAI（未実現）
👉 弱いAI：特定のタスクをパターン処理で実現するAI（現在のAI）

現在のAIは「弱いAI」です

🎯 判断基準
・意味を理解しているか → 強いAI
・パターンで再現しているか → 弱いAI

この違いを示す有名な思考実験が「中国語の部屋」です。

🏠 中国語の部屋

👉 何を示す実験か
・ルールに従えば正しく答えられる
・しかし意味は理解していない

👉 分かること
・構文（ルール）と意味（理解）は別

🎯 試験ポイント
・正しく答えられても「理解している」とは限らない

👉 本質　→　できる ≠ 理解している

👉 AIは知能の模倣である

📝AIって結局なに？のまとめ

👉 時代によってAIの意味が変わるため、はっきり定義できない

👉 だからこう理解する
・歴史：なぜ進化したか
・限界：なぜ失敗するか

👉 この2つを見れば、AIの正体が分かる

🎯 試験ポイント：
👉 定義ではなく「流れ」と「理由」で問われる

🎯この章のキモを頭に定着

第1章でやるべきことは、暗記ではありません。

・構造で理解する
・流れで覚える
・自分の言葉で説明する

👉 この3つができていれば十分です。

👉 次のステップ

ここからは「理解」を「使える知識」に変えていきます。

「1つ10秒で説明できるか？」
この基準でキーワードを整理し、Ankiなどで反復してください。

参考：Ankiの始め方【資格勉強に使える初期設定から最初のデッキ作成まで】

🔑 ポイント

覚えるのではなく、
「口に出して説明できる状態」を目指します。

ちょっと補足

重要なのは、すべてを覚えることではありません。

👉 Main（コア）だけを話せる状態にする

・Main：説明の軸（必ず話せる）
・Sub：補助（詰まったときに使う）
・Reference：読むだけ

👉 学習の本質

使う知識と支える知識を分ける

👉 一言でまとめ

「読む資料」ではなく「話すための台本」にする

■ Main（コア：説明の軸）

AI（人工知能）, 入力から学習・推論し判断や行動を行う仕組み
強いAI（AGI）, 人間のようにあらゆる知的作業を理解して行う未実現のAI
弱いAI（ANI）, 特定のタスクに特化して処理を行う現在のAI
AI効果, AIの成果が一般化するとそれがAIと認識されなくなる現象
AIのレベル分類（単純制御／古典AI／機械学習／ディープラーニング）, 人の関与からAIの自律へ進む4段階の進化構造
機械学習, データから規則性を学習し予測や分類を行う手法
ディープラーニング, 多層ニューラルネットワークにより特徴量も自動学習する手法
第1次AIブーム, 探索や推論で問題解決を試みた初期のAI時代
第2次AIブーム, 知識をルール化して判断したAIの時代
第3次AIブーム, データと計算力でAIが学習する現代的な時代
トイ・プロブレム, 現実を単純化した問題設定では解けても実世界に適用できない状況
フレーム問題, 関係ある情報だけ選ぶことが難しい問題
シンボルグラウンディング問題, 記号と意味が結びついていない問題
知識獲得のボトルネック, 常識をすべて教えることができない問題
チューリングテスト, 人間が会話を通じて相手を人間と区別できなければ知能とみなす考え


■ Sub（補助説明）

探索, 解を試しながら最適な答えを見つける方法
推論, 既存の情報から新しい結論を導く処理
エキスパートシステム, 専門知識をルール化して判断する仕組み
ビッグデータ, AIの学習に使われる大量のデータ
生成AI, 文章や画像など新しいデータを作り出すAI
AIの冬の時代, 期待に対して成果が出ず研究が停滞した時期
身体性, 体験を通じて理解が形成される性質
中国語の部屋, 理解せずに正しく応答できることを示す思考実験


■ Reference（読むだけ）

迷路問題, 経路探索の代表的な問題
定理証明, 論理的に正しさを導く問題
ルールベース, あらかじめ決めた規則で処理する方式
ニューラルネットワーク, 脳の構造を模した学習モデル
教師あり学習, 正解データを用いて学習する方法
教師なし学習, 正解なしでデータの構造を学習する方法
強化学習, 報酬をもとに行動を学習する方法

🎯 試験ポイント：
👉 「説明できる」＝「選択肢で判断できる」状態を目指す

⚠️ 学習法（ここが重要）

ここまで読んで、
👉「これだけで大丈夫なの？」と感じたかもしれません。

Mainだけ覚えても、他のキーワードが分からないままではないか、と思うかもしれません。

不安への回答（これだけで大丈夫？）

でも、実際には

👉 最初からすべてを覚える必要はありません

むしろ、そのやり方は効率的ではありません。

単語の暗記に時間を使いすぎると、学習が前に進まなくなります。

📌 学習の進め方

この学習は、同じ手順を繰り返すだけです。

① まずはMainだけ固める

👉 目的：説明の軸を作る

・流れで説明できる
・10秒で話せる

👉 この状態になればOKです

② 次に、本や問題に触れる

👉 目的：理解を確認する

白本でも黒本でも構いません。

👉 確認するのはこれだけです
「本当に理解できているか」

👉 やりがちな失敗

「分からない単語をすべてメモする」

👉 これは不要です

③ 拾うのは“この単語だけ”

👉 目的：必要な知識だけ残す

👉 判断基準はこれです

・選択肢で迷った
・意味が分からず手が止まった
・重要そうだと感じた

👉 当てはまるものだけ拾う

👉 Subとして追加する

④ 10秒で説明できる形にする

👉 目的：使える知識に変える

・1単語
・1説明

👉 Mainと同じ形式に揃える

👉 説明できれば「使える知識」になっています

🧠 このやり方のメリット

・無駄な暗記が減る
・必要な知識だけ残る
・知識が使える形になる

👉 学習のイメージ

1周目：Mainだけ固める
👉 白本の本文をざっと読み、「流れ」を理解する（細かい用語は無視してOK）

2周目：迷った単語をSubに追加
👉 黒本の問題を解き、分からなかった用語だけ拾う

3周目：Subが試験レベルまで育つ
👉 間違えた問題を見直し、必要な用語だけを補強する

⚠️ 一番大事な考え方

👉 最初から全部を持とうとしない

👉 判断基準はこれだけです
・説明できない → Mainに戻る
・問題で迷う → Subに追加
・読めば分かる → ReferenceのままでOK

👉 必要になったものだけ、あとから追加すれば十分です。

🧠 最後に

👉 使いながら増やしていく

👉 判断基準はこれです
・説明できる → 理解できている
・問題で正解できる → 使える知識になっている

👉 「分かる」と「解ける」は別です

👉 最後は必ず問題で確認してください
👉 間違えたところだけ追加すれば十分です

投稿 文系GのG検定対策｜AIって結局なに？をやさしく整理（第1章） は まんぷく.com に最初に表示されました。

それなら、G検定もこの勢いでいけるだろう。
そう考えてG検定の学習に手を出したのですが、現実は少し違いました。

覚えるべき専門用語が多く、
ひとつひとつ理解したつもりでも、
いざ過去問を通して解こうとすると、前に覚えた用語が抜けている。

「覚える → 忘れる → また覚える」
この繰り返しで、なかなか前に進めない状態になりました。

なので、この悪循環を断つために、
やり方を変えることにしました。

まずは各章を俯瞰して、全体の流れをつかむ。
その上で、重要語句を一つずつ位置づけていく。
さらに関連語句をつなげて、構造として理解する。

この「森 → 木 → 枝 → 葉」という形で、
知識を積み上げていく方法を整理していきます。

この記録が、
同じようにリスキリングでG検定に挑戦する文系の方にとって、
ひとつの手がかりになればと思います。

G検定とは何か

そもそも、G検定とは…
AIのしくみを、順番通りに理解するための試験です。

AIは突然「賢いもの」として存在しているわけではなく、
ちゃんとした流れで動いています。

たとえば、

• データを集めて
• ルール（モデル）を作って
• 何度も調整して
• うまくいっているか確認して
• 実際の現場で使う

という流れです。

G検定は、この流れを「なんとなく」ではなく、
どこで何をしているのか説明できる状態を目指します。

なぜ今、G検定を学ぶのか

AIはすでに、

• 顔を見分けたり
• 病気を見つけたり
• 車を動かしたり
• 文章を書いたり

といった場面で使われています。

こうした技術の中心にあるのが「ディープラーニング」です。

つまりG検定は、
今の社会で使われているAIの中身を理解するための入り口です。

G検定では、何を学ぶのか

G検定は、次のような順番で学びます。

① AIの基本（第1章・第2章）

まずは、

• AIってそもそも何か
• どうやって発展してきたのか

を押さえます。

👉
「どこから来た技術なのか」を知るパートです

▶第１章を学習する

② 機械学習（第3章）

次に、

• AIがどうやって学ぶのか
• どうやって良し悪しを判断するのか

を学びます。

👉
「どうやって賢くなるのか」を理解するパートです

③ ディープラーニングの中身（第4章・第5章）

ここでは、

• AIの中で何が起きているのか
• どんな構造で動いているのか

を見ていきます。

👉
「ブラックボックスの中をのぞく」パートです

④ 実際の使い方（第6章・第7章）

さらに、

• 画像・音声・文章などでの使い方
• 実際のプロジェクトの進め方

を学びます。

👉
「現場でどう使うか」を理解するパートです

⑤ ルールと注意点（第8章）

最後に、

• 個人情報
• 著作権
• 公平性や安全性

といった、守るべきルールを学びます。

👉
「事故を起こさないための知識」です。

G検定をまとめると…

G検定は、
AIがどうやって動き、どう使われ、どう扱うべきかを、順番で理解するための試験です。

投稿 文系GのG検定対策｜G検定受験に向けて は まんぷく.com に最初に表示されました。