このページは、第3章の内容を「試験直前に見返す地図」として整理しています。個別手法の説明は第3章本文で確認してください。

確認すること：どこに何があるか・何と何を比べるか・何で迷うか。

第3章の2層構造

AIはデータから学び、未知データを予測し、評価して改善する。

機械学習の手法マップ

教師あり学習

教師なし学習

強化学習

評価指標マップ

混同しやすい比較一覧

試験で狙われるひっかけ

ロジスティック回帰は回帰問題に使う手法か？

いいえ。名前に「回帰」とあるが分類問題専用。G検定最頻出のひっかけ。

バギングとブースティングの違いは？

バギング＝並列・多数決（ランダムフォレスト）。ブースティング＝逐次・誤り修正（AdaBoost・XGBoost）。どちらもアンサンブル学習。

正解率が高いだけでは不十分な場合とは？

クラス不均衡のとき。多数派に全分類するだけで正解率が高くなるから。再現率・F値を使う。

適合率と再現率の使い分けは？

誤検出を防ぎたい→適合率。見逃しを防ぎたい→再現率。2つはトレードオフ。バランスを見るのがF値。

次のステップ

Part 2（第3章）の地図が整理できました。

次はPart 3（第4章・第5章）です。いよいよディープラーニングの内部構造に踏み込みます。ニューラルネットワークがどう学ぶのか、誤差をどうやって逆向きに伝えるのか——機械学習の「手法の名前を知っている」状態から「なぜ動くのかが分かる」状態への移行です。

Part 1（第1章・第2章）の学習が完了しました。この記事では、2つの章で学んだ内容を一枚の地図として整理します。

試験直前の復習、あるいは黒本（問題集）で間違えた語句の位置確認に使ってください。

Part 1 の核心：第1章と第2章は「表裏一体」

第1章で学んだ「歴史」と、第2章で学んだ「技術の中身」は、1対1で対応しています。

「なぜその技術が生まれたか」と「その技術の中身」をセットで覚えると、語句が文脈の中に根付きます。

Part 1 の重要語句マップ

第1章・第2章で登場した Main キーワードを、「どのブームに属するか」で分類したマップです。問題を解いていて「この語句、どの文脈だったっけ？」と迷ったときの確認用に使ってください。

AIの基本概念（ブームをまたいで通底する考え方）

第1次ブーム関連：探索・推論

第2次ブーム関連：知識表現

第3次ブーム関連：機械学習・ディープラーニング

AIレベル分類との対応

第1章で学んだ「AIの4段階レベル分類」は、Part 1 全体を貫く軸でもあります。

Part 1 の学習チェック

次の問いに10秒で答えられれば、Part 1 の「枝」は完成しています。黒本で確認する前に声に出してみてください。

1. AIの定義が一意に定まらないのはなぜか？

AIの定義には統一見解がなく、「知性」そのものの定義が曖昧だから。研究者によって「推論」「学習」「知的行動」など重視する観点が異なるため。

2. AIとロボットの研究はどう違うか？

AIは推論・学習など知的処理を扱う研究。ロボット工学は機械制御や身体動作を扱う研究。両者は別分野だが、ロボットにAIを搭載することで結び付く。

3. 第1次AIブームが終わった理由は何か？

探索・推論によって迷路やパズルなどのトイプロブレムは解けたが、現実問題では組み合わせ爆発が起き、実用的な問題を解けなかったため。

4. フレーム問題を提唱したのは誰か？またその人物はAI史でほかに何をしたか？

ジョン・マッカーシー。1969年にパトリック・ヘイズとの共著でフレーム問題を提唱した。また、「Artificial Intelligence（人工知能）」という名称を提案し、LISPを開発した。

5. STRIPSの3つの構成要素を答えよ。

STRIPSは「前提条件」「行動」「結果」で状態遷移を記述するプランニング手法。

6. is-aとpart-ofの推移律の扱いの違いは何か？

iis-a（継承関係）は推移律が成立する。一方、part-of（部分関係）は文脈によっては推移律が成立しない。

7. エキスパートシステムの限界（知識獲得のボトルネック）とは何か？

専門家の知識の多くが暗黙知であり、ルールとして整理・記述することが難しかった点。知識ベースの構築や保守に大きなコストがかかった。

8. 機械学習とディープラーニングの違いは何か？（特徴量の扱いで説明する）

従来の機械学習では、人間が特徴量を設計する。ディープラーニングでは、多層ニューラルネットワークが特徴量そのものを自動学習する。

9. ディープラーニングが「ブラックボックス」と呼ばれる理由は何か？

ニューラルネットワーク内部でどの特徴を学習し、なぜその判断に至ったかを人間が説明しにくいため。

10. フレーム問題とシンボルグラウンディング問題の違いは何か？

フレーム問題は「変化しないことをどう記述するか」の問題。シンボルグラウンディング問題は「記号が現実世界の意味とどう結び付くか」の問題。

11. Mini-Max法とモンテカルロ法はそれぞれどんな場面に有効か？

Mini-Max法はゲーム木を先読みできる場合に有効。モンテカルロ法は囲碁のように探索空間が広大な場合に、ランダムなプレイアウトで勝率を推定する。。

12. トランスフォーマーが従来のニューラルネットワーク（RNN）と違う点は何か？

Self-Attentionにより、単語同士の関係を広範囲に並列処理できる点。RNNは逐次処理のため、長距離の関係を学習しにくかった。

次のステップ

Part 2 は第3章「機械学習の具体的手法」です。「AIはどうやって学ぶのか」を、教師あり学習・教師なし学習・強化学習という3種類の学習方法と、具体的なアルゴリズムで理解していきます。

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）

第2章では、AIが「探索・推論」「知識表現」「機械学習・ディープラーニング」という3つのアプローチを経てどう進化してきたかを俯瞰しました。第3章は、その「機械学･･･

まんぷく.com

「森 → 木 → 枝 → 葉」の学習アプローチで、G検定の「森」全体を見渡した次のステップは、各章を「木」として俯瞰することです。

第１章でAIとは何か、どんな歴史を経て現在に至るかを大きな流れで押さえました。

第２章は、その歴史の中で登場した3つのアプローチ——探索・推論、知識表現、機械学習・深層学習——の「中身」を学ぶ章です。

実は、第１章と第２章は表裏の関係にあります。

「なぜその技術が生まれたか（第１章）」と「その技術がどう動くか（第２章）」をセットで理解することが、Part 1 の学習ゴールです。

第２章の全体像

第2章は、白本（公式テキスト）の構成に沿って、次の3節で構成されています。

この章を一言でまとめると、「AIを賢くするための3つのアプローチが、それぞれどう動き、どこで行き詰まったか」を技術的に理解する章です。

2-1｜探索・推論

「探索」とは何か

探索とは、ゴールにたどり着くまでの経路を場合分けで洗い出す方法です。迷路を解くとき、コンピュータは「ここを曲がる・曲がらない」という選択肢を木の枝のように広げながら、正解の経路を見つけていきます。このような構造を探索木（ツリー構造）と呼びます。

基本的な探索方法は2つです。

探索を効率化するためにヒューリスティックな知識（経験的・発見的な知識）を使う方法もあります。たとえば「東京から大阪へ行くとき、関係のない北の経路は最初から除外する」というように、コストのかかる探索を省略できます。

プランニング——探索の実世界への応用

探索は迷路やパズルだけでなく、ロボットの行動計画にも応用されます。これをプランニングと呼びます。

プランニングでは、ある状態から目標の状態に到達するための行動を計画します。基本的な記述方法は「前提条件・行動・結果」という3つの組み合わせで、この形式をSTRIPS（Stanford Research Institute Problem Solver）と呼びます。

あらゆる状態に対して「前提条件・行動・結果」を記述しておけば、目標に至る行動計画を自動的に立てることができます。試験ではSTRIPSの名称と構成要素の組み合わせが問われることがあります。

ゲームへの応用

チェスや囲碁のようなボードゲームでは、相手が存在するため単純な探索では対応できません。そこで登場するのがMini-Max法です。

考え方はシンプルです。自分の番では自分が有利（スコア最大）になる手を選び、相手の番では相手が有利（自分のスコア最小）になる手を相手が選ぶと仮定して、未来の局面から現在に向かって逆算しながら最善手を決定します。

Mini-Max法は論理的に無駄な探索が生じるため、計算不要な枝を切り落とすαβ法（アルファベータ法）という改良版も重要な手法です。

さらに、囲碁のように組み合わせが膨大すぎて全探索が不可能な場合には、ランダムなシミュレーション（プレイアウト）を大量に繰り返し、どの手が最も勝率が高いかを統計的に近似するモンテカルロ法（モンテカルロ木探索）が使われます。人間が局面のスコアを決めるより、ランダムに大量に試した方が優れているという発見が、囲碁AIを大きく前進させました。AlphaGoが登場する以前の主要技術です。

試験では「各手法の仕組みと限界（計算量爆発）」が問われることがあります。

2-2｜知識表現

人工無脳——知識なしでも「賢く見える」不思議

1964〜1966年に開発されたイライザ（ELIZA）は、人工無脳の元祖です。相手の発言をあらかじめ用意したパターンと照合し、パターンに合致した返答を返すだけの仕組みですが、本物の人間と対話しているような錯覚（イライザ効果）が生まれました。

これは「意味を理解せずに適切に見える応答ができる」という現象であり、第１章の「中国語の部屋」と同じ構造を持っています。

エキスパートシステムの代表例——マイシン（MYCIN）

第2次AIブームの代表的なエキスパートシステムが、1970年代にスタンフォード大学で開発されたマイシン（MYCIN）です。血液中のバクテリアを診断する医療支援システムで、500のルールがあらかじめ用意されており、質問に順番に答えると感染した細菌を特定して適切な抗生物質を処方できるという、あたかも感染症専門医のように振る舞うシステムでした。

マイシンの正答率は約69%で、専門医の80%には及ばないものの、専門医ではない一般医師よりは高い水準でした。

試験では「エキスパートシステムの具体例」として問われることがあります。マイシン・MYCIN・血液診断という組み合わせを押さえておきましょう。

意味ネットワーク

「概念」をノードで、「概念間の関係」をリンク（矢印）で結んだネットワーク構造で知識を表現する方法です。

特に重要な関係が2つあります。

is-aとpart-ofの推移律の扱いの違いは試験の重要ポイントです。is-aは推移律が常に成立しますが、part-ofは成立しないケースがあるという対比を押さえてください。

「東京はアジアの一部」（東京→日本→アジア）のように成立する場合もある一方、「指は野球部の一部」のように成立しない場合もあります。関係の種類と文脈によって異なるのです。

意味ネットワークは人間にとって直感的で分かりやすく、関連する知識をリンクをたどって検索できます。ただし、記述の約束事が決まっていないため、複数の人が知識を記述すると語彙や記述レベルがバラバラになり、共有が困難になります。

オントロジー

意味ネットワークの「記述の約束事がない」という問題を解決するのがオントロジーです。知識を記述する際の語彙・意味・関係性を、他の人とも共有できるように明確な約束事として定義したものです。

オントロジーには2種類のアプローチがあります。

「すべての常識をコンピュータに入れよう」という壮大な試みが1984年から始まったCycプロジェクトです。驚くべきことに現在も継続中であり、人間の常識がいかに膨大で形式化が難しいかを示す象徴的な事例です。

エキスパートシステムと知識獲得のボトルネック

エキスパートシステムは、専門家の知識をルール化してコンピュータに蓄積し、特定の分野で判断を下すシステムです。医療診断・化学分析など多くの分野で実用化されました。

しかし限界が明らかになります。専門家の持つ知識の多くは暗黙的で言語化が難しく、知識の数が数千・数万になると矛盾や管理の問題が生じました。さらに、一般常識のような「明文化されていない知識」はそもそも取り込むこと自体が困難でした。この問題を知識獲得のボトルネックと呼び、第2次ブームの終焉をもたらした主要因です。

ワトソンと東ロボくん——知識表現の到達点と限界

IBMが開発したワトソン（Watson）は、2011年にアメリカのクイズ番組「ジョパディー！」で歴代チャンピオンと対戦し勝利したことで一躍有名になりました。ウィキペディアの情報からライトウェイトオントロジーを生成し、質問に含まれるキーワードと関連しそうな答えを高速に検索することで回答します。意味を理解しているわけではなく、高速な検索と照合の精度を極めた技術です。

日本では「ロボットは東大に入れるか（東ロボ）」プロジェクトで開発された東ロボくんが2016年の進研模試で偏差値57.1を達成し、多くの私立大学に合格できるレベルに達しました。しかし、AIの図理解や常識推論の限界から東大合格は断念し、2016年をもって模試での全科目受験を終了しました。

試験では「ワトソンが使った技術（ライトウェイトオントロジー）」と「意味理解なしに正解できる構造」が問われることがあります。

2-3｜機械学習・深層学習

機械学習——データからパターンを学ぶ

機械学習とは、AIのプログラム自身がデータから学習する仕組みです。コンピュータは大量のサンプルデータを通してデータに潜むパターンを学習します。サンプルデータが多ければ多いほど、望ましい学習結果が得られます。

機械学習において、学習対象の「どの特徴に注目するか」を定量的に表したものを特徴量と呼びます。機械学習では、この特徴量を人間が選んで設定し、AIがその特徴量からパターンを学習します。

データの特徴が増えすぎると、必要なデータ量が指数的に増大するという次元の呪いも重要な概念です。適切な学習を行うには、特徴量（次元）を絞る工夫か、大量の多様なデータが必要になります。

2000年以降、インターネットの普及でデータが爆発的に増加したことで機械学習は大きく実用化が進みました。この大量データをビッグデータと呼び、第3次AIブームの土台となりました。

統計的自然言語処理——機械学習と言語の出会い

Webページの爆発的な増加は、文章を扱う研究を加速させ、統計的自然言語処理という分野の急速な発展をもたらしました。

たとえば「bank」という単語には「銀行」と「土手」という訳語候補がありますが、大量の対訳データ（これをコーパスと呼びます）があれば、「bank」の近くに「money」や「in」という単語が現れた場合は「銀行」と訳す確率が高いということを、機械学習を使って学べます。文法構造を人間が決めるのではなく、データの統計的なパターンから訳を選ぶのが特徴です。

試験では「コーパス」の定義（対訳データの集合）と、統計的手法が従来のルールベース翻訳と異なる点が問われることがあります。

ニューラルネットワークの歴史

ニューラルネットワークは、人間の脳の神経回路（ニューロン）の構造を模したアルゴリズムです。その歴史は3つのブームを経験してきました。

特徴量を人間が決める機械学習（レベル3）に対して、特徴量そのものもAIが自動学習する技術がディープラーニングです。この違いが、機械学習とディープラーニングを区別する核心です。

ディープラーニングの台頭

2012年、画像認識競技会ILSVRC（ImageNet Large Scale Visual Recognition Challenge）でトロント大学のジェフリー・ヒントンが率いるチーム「SuperVision」がディープラーニングを用いてエラー率15.3%という衝撃的な結果で圧勝しました（2位の東大チームに10%以上の差）。このときのモデルはAlexNetと呼ばれます。2015年には人間の画像認識エラー率（約4%）をも上回る精度を達成しています。

2016年には、DeepMindが開発したAlphaGoが世界トップの囲碁棋士イ・セドル九段に勝利。これはモンテカルロ木探索にディープラーニングを組み合わせた成果です。

これらの出来事は、人間を超える「超知性」の誕生（シンギュラリティー）への関心を世界規模で高めました。

なお、ディープラーニングはAIが特徴量を自動抽出するため、なぜその判断をしたのかを人間が説明できない「ブラックボックス型の人工知能」であるといわれています。判断の根拠が示せないことは、医療や法律など説明責任が必要な分野での課題のひとつです。

大規模言語モデル（LLM）と生成AI

2017年、Googleの研究者が発表した論文「Attention Is All You Need」で提案されたトランスフォーマーが、自然言語処理の世界を一変させました。単語と単語の関係性を「アテンション（注意機構）」を使って広範囲にわたって学習できるこのモデルは、従来のRNNが苦手としていた長距離の文脈理解と並列計算を可能にしました。

トランスフォーマーをベースに、大量のテキストデータで事前学習させた巨大なニューラルネットワークを大規模言語モデル（LLM: Large Language Model）と呼びます。

LLMの開発では、まず大量の文章で基本的な言語構造を学ぶ事前学習を行い、次に特定のタスクや応用分野に向けたファインチューニング（微調整）を加えることで、論理的・適切な応答を生成できるようになります。

2022年11月にOpenAIが公開したChatGPTは、このLLMを活用したサービスで、公開後わずか2カ月でアクティブユーザー1億人を突破。「生成AI」という言葉を社会に広く浸透させ、第4次AIブームとも呼ばれる現在の局面を切り拓きました。

第２章のまとめ

第2章で理解しておくべきことを3行に絞るとこうなります。

• 探索・推論は「場合分けで解を見つける」技術。プランニング（STRIPS）・Mini-Max法・モンテカルロ法が試験頻出。
• 知識表現は「概念と関係を構造化する」技術。is-aは推移律が常に成立、part-ofは成立しないケースがある点に注意。エキスパートシステムの限界が知識獲得のボトルネック。
• 機械学習・ディープラーニングは「データから自ら学ぶ」技術。特徴量を人が設定するか（機械学習）AIが自動学習するか（ディープラーニング）が核心の違い。ディープラーニングはブラックボックス型。

この3点が説明できれば、第2章の「枝」はつかめています。

🔑 試験対策キーワード

ここからは「葉」のフェーズです。

「葉」のフェーズの意味が「？」な方は、先に「森 → 木 → 枝 → 葉」の学習アプローチを確認してから戻ってきてください。

そうすることで、あなたが手戻りするタイムロスを防げます。

さて、話を戻します。

まず、Mainキーワードを10秒で説明できる状態にすることを目指してください。

キーワードの記憶定着にはAnkiなど、いつでも、どこでも使えるアプリの活用をおすすめします。

Subは問題を解いていて「迷った・止まった」語句だけ追加していきます。

■ Main（説明の軸：必ず10秒で話せるようにする）

■ Sub（補助説明：問題で迷ったら追加する）

■ Reference（見覚えがある程度でOK）

次のステップ

第1章・第2章で「AIはどこから来たのか」という Part 1 の学習が完了しました。次は Part 1 まとめとして、第1章と第2章の対応関係を一枚の表に整理します。試験直前の復習や、黒本との照合にも使いやすいコンテンツです。

その後、Part 2「AIはどうやって学ぶのか」へ。第3章の機械学習の具体的手法に進みます。

タイトル 文系GのG検定対策｜Part 1 まとめ｜第1章・第2章を一枚の地図で整理する

Part 1（第1章・第2章）の学習が完了しました。この記事では、2つの章で学んだ内容を一枚の地図として整理します。試験直前の復習、あるいは黒本（問題集）で間違･･･

まんぷく.com

第2章では、AIが「探索・推論」「知識表現」「機械学習・ディープラーニング」という3つのアプローチを経てどう進化してきたかを俯瞰しました。

第3章は、その「機械学習」の中身に踏み込む章です。「AIはどうやって学ぶのか」を問う、第3の「木」。

この章でやることは、個々の手法を細かく暗記することではありません。「どの手法が何のためにあるのか」を説明できる状態を目指すのが目標です。この章が終わったとき、次の3つが言えていれば十分です。

• 教師あり・教師なし・強化学習の違いを説明できる
• 回帰問題と分類問題を区別できる
• 正解率だけでは評価が不十分な理由を説明できる

第3章の全体像

第3章を一言で表すなら、「AIがどのように学び、どのように予測し、どのように改善するか」の仕組みを扱う章です。細かい手法に入る前に、まず全体の流れを押さえます。機械学習は次の6つのステップで進みます。

重要なのは、「学習 → 予測 → 評価 → 改善」が一連のサイクルであるという点です。この流れを頭に入れておくと、個々の手法や用語の役割がつながります。

1. STEP

   データを集める

   機械学習は、データがなければ何も始まりません。まず学習の材料となるデータを準備します。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など、データの質と量が、その後の学習精度を大きく左右します。

2. STEP

   学び方を決める

   問題の構造によって、適した学び方が変わります（3-1節）。教師あり学習（正解ラベル付きのデータで、入出力の関係を学ぶ）・教師なし学習（正解なしで、データそのものの構造をつかむ）・強化学習（行動と報酬のフィードバックで、最適な行動を学ぶ）の3つから選びます。

3. STEP

   パターンを学習する

   集めたデータから規則（ルール）を見つけるのが学習フェーズです。このとき使われる仕組みをモデルと呼びます。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（グループに分ける）の3系統があります。AIは人があらかじめ決めていないルールをデータから自動で見つけ出します。

4. STEP

   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」——未知データへの判断が、機械学習の目的です。

5. STEP

   正しいか評価する

   予測結果がどれだけ正確かを確認します。評価は、学習に使っていない未知のデータで行うことが重要です（3-2節）。正解率・適合率・再現率・F値（分類問題）／MSE・RMSE・MAE（回帰問題）／ROC曲線・AUC（確率出力のモデル）などの指標を使います。

6. STEP

   改善する（過学習への対応）

   評価をもとにモデルや学習方法を見直します。代表的な失敗が過学習（オーバーフィッティング）——訓練データに合わせすぎてしまい、未知のデータに対して正しく予測できなくなる状態です。評価の結果をもとに①に戻り、このサイクルを繰り返すことでモデルの精度が上がっていきます。

データから学び、未知データを予測し、評価して改善する。

3-1｜代表的な手法

学習の3種類——問題の構造で使い分ける

機械学習と一口に言っても、「何を解きたいか」によってアプローチが3つに分かれます。どれが優れているかという話ではなく、問題の構造に応じて使い分けるものです。

教師あり学習の手法──入力データと正解データをセットで学習する

教師あり学習は、入力データと正解データの関係を学習し、未知のデータに対して予測を行う手法です。G検定ではまず、予測したいものが数値なのか、それともカテゴリなのかを見分けることが重要です。

回帰問題──売上や気温のような「連続値」を予測する

回帰問題は、売上、気温、価格、体重のように、数値として連続的に変化する値を予測する問題です。G検定では「何kgか」「いくらか」「どのくらいか」を予測する場合は、まず回帰問題として考えます。

線形回帰──データに当てはまる直線で数値を予測する

最もシンプルな回帰問題の手法が線形回帰です。データの分布があったとき、そこに最もよく当てはまる直線、つまり回帰直線を引き、新しい入力に対して数値を予測します。

例えば、身長と体重の関係を直線で表し、「身長170cmなら体重は何kgか」を予測するイメージです。入力が1種類なら単回帰分析、複数種類なら重回帰分析といいます。

また、線形回帰に過学習を抑える正則化項を加えた手法として、ラッソ回帰とリッジ回帰があります。

自己回帰モデル──過去のデータから現在や将来の値を予測する

株価、気温、通信量のように、時間軸に沿って並んだデータを時系列データといいます。自己回帰モデル（ARモデル）は、過去のデータが現在の値にどれだけ影響しているかを重みとして学習し、現在や将来の値を予測する手法です。

入力が複数種類の時系列データになる場合は、ベクトル自己回帰モデル（VARモデル）といいます。

分類問題──犬か猫か、正常か異常かのような「カテゴリ」を予測する

分類問題は、犬か猫か、迷惑メールか通常メールか、正常品か不良品かのように、データをあらかじめ決められたカテゴリに分ける問題です。G検定では「どちらに属するか」「何に分類されるか」を問う場合は、分類問題として考えます。

ロジスティック回帰──名前は「回帰」でも分類問題に使う

ロジスティック回帰は、名前に「回帰」とありますが、分類問題に使う手法です。ここはG検定で引っかけられやすい重要ポイントです。

ロジスティック回帰では、出力にシグモイド関数を用いて、モデルの出力を0から1の確率に変換します。例えば「スパムメールである確率が0.8なのでスパムと判定する」といった使い方です。

2種類に分類する場合は2クラス分類、3種類以上に分類する場合は多クラス分類といいます。多クラス分類では、シグモイド関数ではなくソフトマックス関数を用います。

決定木──条件分岐を積み重ねて分類する

決定木は、「この特徴量の値は○○以上か？」という条件分岐を積み重ねて、最終的な分類結果を出す手法です。構造が木のように枝分かれするため、判断の流れを視覚的に理解しやすい特徴があります。

ただし、1本の決定木は訓練データに合わせ込みすぎて、過学習を起こしやすいという弱点があります。

ランダムフォレスト──複数の決定木を多数決でまとめる

ランダムフォレストは、複数の決定木を作り、それぞれの予測結果を多数決でまとめる手法です。1本の決定木に頼るのではなく、複数の木の集合知で最終判断を行います。

各決定木では、特徴量とデータをランダムに抽出します。このように、一部のデータをランダムに取り出して学習する方法をブートストラップサンプリングといいます。

複数のモデルを組み合わせる学習法をアンサンブル学習といい、ランダムフォレストはその中でも並列に複数モデルを作るバギングの代表例です。

ブースティング──誤りを次のモデルで重点的に学習する

ブースティングもアンサンブル学習の一種です。バギングが複数のモデルを並列に作るのに対し、ブースティングはモデルを直列、つまり逐次的に作ります。

直前のモデルが誤認識したデータを、次のモデルで重点的に学習させることで、誤りを減らしながら精度を上げていきます。代表的な手法にAdaBoostがあります。

また、前のモデルの予測誤差そのものを次のモデルが学習する手法が勾配ブースティングです。これを高速化した代表的なアルゴリズムがXGBoostです。

ブースティングは、バギングより学習に時間がかかる傾向がありますが、予測精度は高くなりやすいという特徴があります。

サポートベクターマシン（SVM）──マージンを最大化する境界線で分類する

SVM（サポートベクターマシン）は、異なるクラスのデータ点との距離、つまりマージンが最大になる境界線を求めて分類する手法です。この考え方をマージン最大化といいます。

データが直線では分類できない場合は、高次元の空間に写像して分類できるようにします。この写像に使う関数をカーネル関数、計算を効率化するテクニックをカーネルトリックといいます。

ロジスティック回帰は回帰問題に使う手法ですか？

いいえ。名前に「回帰」とありますが、ロジスティック回帰は分類問題に使う手法です。G検定では非常に引っかけられやすいポイントです。

シグモイド関数とソフトマックス関数はどう使い分けますか？

2クラス分類ではシグモイド関数、多クラス分類ではソフトマックス関数を使います。G検定では「2クラスか、多クラスか」で整理すると混乱しにくくなります。

ランダムフォレストとブースティングの違いは何ですか？

ランダムフォレストは複数の決定木を並列に作るバギングの代表例です。一方、ブースティングはモデルを逐次的に作り、前のモデルの誤りを次のモデルで補正していきます。

バギングとブースティングはどちらもアンサンブル学習ですか？

はい。どちらも複数のモデルを組み合わせるアンサンブル学習です。ランダムフォレストはバギング型、AdaBoostやXGBoostはブースティング型に分類されます。

SVMの『マージン最大化』とは何ですか？

異なるクラスのデータとの距離（マージン）が、できるだけ大きくなるように境界線を引く考え方です。SVMは、このマージン最大化によって分類性能を高めます。

回帰問題と分類問題では、何が一番違いますか？

回帰問題は連続値を予測し、分類問題はカテゴリを予測します。「いくらか」を予測するのが回帰、「どちらに属するか」を予測するのが分類です。

教師なし学習の手法──データの構造を自力で見つける

教師なし学習は、正解データがない状態で、入力データそのものが持つ構造や特徴を見つける学習です。G検定では、教師なし学習をクラスタリング、次元削減、レコメンデーション・トピック分析の3系統で整理すると理解しやすくなります。

教師なし学習の3系統

1. STEP

   クラスタリング

   似ているデータ同士をグループに分ける。代表例はk-means法、ウォード法、最短距離法。

2. STEP

   次元削減

   多すぎる特徴量を、分析しやすい少数の特徴量にまとめる。代表例はPCA、SVD、MDS、t-SNE。

3. STEP

   推薦・トピック分析

   ユーザーの好みや文書の話題を推定する。代表例は協調フィルタリング、コンテンツベースフィルタリング、トピックモデル、LDA。

クラスタリング──似たデータをグループに分ける

クラスタリングは、データ同士の近さや似ている度合いをもとに、データをグループへ分ける手法です。このグループをクラスタといいます。教師なし学習では正解ラベルがないため、得られたクラスタの意味を解釈するのは人間の役割です。

k-means法──k個のクラスタに分ける

k-means法は、データをk個のクラスタに分類する代表的なクラスタリング手法です。ここでのkは、あらかじめ人間が設定する値です。

1. STEP

   重心を仮に決める

   最初にk個の重心を設定し、各データを近い重心に割り当てる。

2. STEP

   重心を計算し直す

   各クラスタに属するデータから、新しい重心を求める。

3. STEP

   クラスタを振り分け直す

   各データを、最も近い重心のクラスタへ再割り当てする。

4. STEP

   変化が止まるまで繰り返す

   重心の位置がほぼ変わらなくなるまで、重心計算と再割り当てを繰り返す。

階層的クラスタリング──クラスタの階層構造を作る

階層的クラスタリングは、データを単に横並びのグループに分けるだけでなく、クラスタ同士の階層構造まで求める手法です。代表的な手法にウォード法や最短距離法があります。

ウォード法は、クラスタ内のばらつきが小さくなるようにクラスタを作っていく手法です。最短距離法は、最も距離が近いデータやクラスタから順にまとめていく手法です。

階層的クラスタリングの結果は、デンドログラム（樹形図）で表されます。どの深さで区切るかによって、得られるクラスタの数や粒度が変わります。

次元削減──多すぎる特徴量を整理する

次元削減は、多数の特徴量を、情報をなるべく保ちながら少数の特徴量へまとめる考え方です。特徴量が多すぎると、分析が難しくなったり、計算量が増えたりするため、データを扱いやすくする目的で使われます。

主成分分析（PCA）──相関のある特徴量を少数の主成分にまとめる

主成分分析（PCA）は、相関を持つ多数の特徴量から、相関のない少数の特徴量へと変換する次元削減手法です。変換後の特徴量を主成分といいます。

PCAを使うと、データの分析をしやすくしたり、教師あり学習の入力に使う際の計算量を減らしたりできます。

SVD・MDS・t-SNE──文章分析や可視化に使われる手法

レコメンデーション──似た人・似た商品から推薦する

協調フィルタリング──似たユーザーの行動から推薦する

協調フィルタリングは、レコメンデーションに用いられる代表的な手法です。考え方は、「対象ユーザーは買っていないが、似たユーザーは買っている商品を推薦する」というものです。

例えば、ECサイトで「この商品を買った人は、こんな商品も買っています」と表示されるような推薦が、協調フィルタリングの代表的なイメージです。

ただし、他のユーザーの購買履歴など、参照できるデータが十分にないと推薦が難しくなります。この問題をコールドスタート問題といいます。

コンテンツベースフィルタリング──商品の特徴から推薦する

コンテンツベースフィルタリングは、ユーザー同士の類似ではなく、商品そのものの特徴量を使って推薦する手法です。対象ユーザーのデータがあれば推薦できるため、協調フィルタリングのコールドスタート問題を一部回避できます。

トピックモデル──文書を複数の話題の混合として扱う

トピックモデルは、文書データを対象に、各文書が複数の潜在的なトピックから確率的に生成されると考えるモデルです。文書を1つのカテゴリに固定するのではなく、「政治70%、経済20%、スポーツ10%」のように、複数トピックの混合として扱えます。

代表的な手法が、LDA（潜在的ディリクレ配分法）です。ニュース記事のテーマ分類、似た文章の推薦、ECサイトのレコメンドなどに応用されます。

教師なし学習は何を学習する手法ですか？

正解データを使わず、入力データそのものが持つ構造や特徴を学習する手法です。クラスタリング、次元削減、レコメンデーションなどに使われます。

k-means法のkは何を表しますか？

分けたいクラスタの数です。kは自動で決まるのではなく、人間があらかじめ設定します。

PCAは何のために使いますか？

PCAは次元削減のために使います。多数の特徴量を少数の主成分にまとめ、分析しやすくしたり、計算量を減らしたりします。

協調フィルタリングとコンテンツベースフィルタリングの違いは何ですか？

協調フィルタリングは、似たユーザーの行動から推薦します。コンテンツベースフィルタリングは、商品の特徴量から似た商品を推薦します。

強化学習──報酬を手がかりに、行動を学ぶ

強化学習を一言で言うと、「行動を学習する仕組み」です。教師あり学習のように正解データを直接与えるのではなく、試行錯誤の中で得られる報酬（スコア）を手がかりに、「どう行動すれば最終的に最も得をするか」を学習します。

強化学習の基本構造

強化学習では、エージェントが環境を観測し、行動し、その結果として報酬を受け取ります。この流れを何度も繰り返しながら、「どんな行動が得か」を学習していきます。

1. STEP

   状態を観測

   エージェントが現在の環境を観測する

2. STEP

   行動を選択

   現在の状態から、どの行動をとるか決定する

3. STEP

   報酬を受け取る

   行動の結果に応じてスコア（報酬）が与えられる

4. STEP

   行動を改善

   より高い報酬が得られるよう、次の行動を調整する

強化学習の5要素

累積報酬と割引率（γ）

強化学習の目的は、将来にわたる累積報酬を最大化することです。ただし、将来の報酬は不確実なので、時間が遠い報酬ほど価値を小さくして考えます。

この「将来の報酬をどれくらい割り引くか」を調整する値が、割引率（γ）です。

探索と活用

強化学習では、「今わかっている最善手を使うべきか」、それとも「もっと良い方法がないか試すべきか」のバランスが重要になります。

このバランスを調整する代表的な手法が、ε-greedy方策やUCB方策です。

強化学習は何を学習する仕組みですか？

強化学習は、報酬を手がかりに「どの行動をとれば最終的に得をするか」を学習する仕組みです。

教師あり学習と強化学習の違いは何ですか？

教師あり学習は正解データを学習します。一方、強化学習は正解を直接与えず、報酬を手がかりに行動を学習します。

強化学習で『探索』と『活用』とは何ですか？

探索は「もっと良い行動がないか試すこと」、活用は「今わかっている最善手を使うこと」です。強化学習では、このバランスが重要になります。

3-2｜モデルの選択・評価

データの分割──「未知のデータ」を擬似的に作り出す

機械学習の目的は、手元のデータだけに当てはまるモデルを作ることではなく、未知のデータにも通用するパターンを学習することです。そこで、手元のデータの一部を評価専用に取り分け、擬似的な未知データとして扱います。

学習に使うデータを訓練データ、評価に使うデータをテストデータと呼びます。このようにデータを分割して評価する方法を交差検証といいます。

さらに、訓練データを分割して検証データを用意することもあります。この場合、全データは訓練データ・検証データ・テストデータの3区分になります。モデルの調整は検証データで行い、最終評価だけテストデータで行う、という流れです。

評価指標（回帰問題）──誤差をそのまま数値で測る

回帰問題は、売上・気温・価格のような連続値を予測する問題です。分類問題のように「当たり・外れ」を明確に分けにくいため、予測値と実際の値の誤差を評価に使います。

評価指標（分類問題）──混同行列で「当たり・外れ」を整理する

分類問題では、犬か猫か、正常か異常かのように、予測結果の「当たり・外れ」が比較的明確です。この組み合わせを整理する表が混同行列（confusion matrix）です。

FPは、本当は負なのに正と予測した誤りです。統計用語では第一種過誤とも呼ばれます。FNは、本当は正なのに負と予測した誤りで、第二種過誤とも呼ばれます。

適合率と再現率はトレードオフの関係になりやすい指標です。片方を上げようとすると、もう片方が下がる場合があります。そのバランスを1つの数値で見る指標がF値です。

正解率だけでは不十分な場面があります。たとえば、工場の不良品検出で10,000個中3個だけが不良品の場合、すべてを「良品」と予測しても正解率は99.97%になります。しかし、不良品は1個も見つけられていません。このようなクラス不均衡の問題では、再現率やF値などを確認する必要があります。

ROC曲線とAUC──閾値を動かしてモデルの実力を測る

ロジスティック回帰のように、モデルの出力が確率値で表される場合、「0.5以上なら正例」のように閾値を設定して分類します。この閾値を変えると、TP・FP・FN・TNの値も変わります。

閾値を0から1まで動かしながら、縦軸に真陽性率（TPR）、横軸に偽陽性率（FPR）をプロットしたものがROC曲線です。

ROC曲線が左上に近いほどモデルの性能が高く、その曲線の下の面積がAUC（Area Under the Curve）です。AUCは1に近いほど高性能、0.5はランダム予測と同等を示します。

過学習──訓練データだけに合わせ込みすぎる

訓練データに対する精度は高いのに、テストデータに対する精度が低い状態を過学習（オーバーフィッティング）といいます。モデルが訓練データのノイズや偶然の特徴まで学習してしまい、未知のデータに通用しなくなった状態です。

モデルの選択──シンプルさと精度のバランスを取る

モデルを複雑にすれば、訓練データへの当てはまりは良くなる可能性があります。しかし、複雑すぎるモデルはノイズまで表現してしまい、過学習を起こしやすくなります。

「必要以上に複雑な仮定を置くべきでない」という原則をオッカムの剃刀といいます。機械学習でも、必要以上に複雑なモデルを選ぶのではなく、説明力とシンプルさのバランスを取ることが重要です。

このバランスを定量的に評価する指標が情報量基準です。代表的なものに、AIC（赤池情報量基準）とBIC（ベイズ情報量基準）があります。

モデルの性能は何で評価しますか？

未知データへの予測性能で評価します。そのため、手元のデータを訓練データとテストデータに分け、テストデータで最終評価します。

ホールドアウト検証とk-分割交差検証の違いは何ですか？

ホールドアウト検証は1回だけ訓練データとテストデータに分割します。k-分割交差検証は、データをk個に分け、テストデータにする部分を入れ替えながら複数回評価します。

分類問題で正解率だけを見ると危険な場合はありますか？

あります。クラスに偏りがある場合、すべてを多数派に分類しても正解率が高く見えることがあります。この場合は、適合率、再現率、F値なども確認する必要があります。

適合率と再現率の違いは何ですか？

適合率は「正と予測したものがどれだけ本当に正だったか」です。再現率は「本当に正のものをどれだけ拾えたか」です。誤検出を減らしたいなら適合率、見逃しを減らしたいなら再現率を重視します。

ROC曲線とAUCは何を見る指標ですか？

ROC曲線は、分類の閾値を変えたときのTPRとFPRの関係を見る曲線です。AUCはROC曲線の下の面積で、1に近いほどモデル性能が高いことを示します。

過学習とは何ですか？

訓練データに合わせ込みすぎて、未知データに対する性能が低くなる状態です。訓練データの精度は高いのにテストデータの精度が低い場合、過学習を疑います。

AICとBICは何のための指標ですか？

AICとBICは、モデルの当てはまりと複雑さのバランスを見る情報量基準です。どちらも、パラメータ数が多すぎるモデルにはペナルティを与えます。

第3章のまとめ

混乱しやすい概念を対比表で整理します。

第3章で理解しておくべきことを3行に絞るとこうなります。

• 機械学習は「教師あり・教師なし・強化学習」の3種類に分かれ、問題の構造に応じて使い分ける。教師あり学習はさらに「回帰か分類か」を確認してから手法を選ぶ。
• 教師なし学習はデータの構造をつかむ手法群（クラスタリング・次元削減・レコメンデーション・トピック分析）で、それぞれの用途の違いを区別できるようにしておく。
• モデルの性能は「未知データへの予測力」で測る。交差検証でデータを分割し、課題に合った評価指標（MSE・正解率・再現率・F値・AUC）を選ぶことが重要。過学習への対策とAIC/BICによるモデル選択の考え方も試験頻出。

🔑 試験対策キーワード

ここからは「葉」のフェーズです。

「葉」のフェーズの意味が「？」な方は、先に「森 → 木 → 枝 → 葉」の学習アプローチを確認してから戻ってきてください。

そうすることで、あなたが手戻りするタイムロスを防げます。

さて、話を戻します。

まず、Mainキーワードを10秒で説明できる状態にすることを目指してください。

キーワードの記憶定着にはAnkiなど、いつでも、どこでも使えるアプリの活用をおすすめします。

Subは問題を解いていて「迷った・止まった」語句だけ追加していきます。

「説明できる」＝「選択肢で判断できる」状態です。

■ Main（説明の軸：10秒で言えるようにすること）

Mainは23語です。この23語が説明できれば、第3章の試験問題は8割対応できます。

■ Sub（補助説明：問題で迷ったら追加する）

■ Reference（見覚えがある程度でOK）

引っかけ・誤解まとめ

第3章では、「用語の名前と用途のズレ」「指標の意味のすり替え」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問題に使う手法だ

理由：名前に「回帰」が入っているため
正解：分類問題に使う手法。出力を確率に変換してカテゴリを判定する

【誤解】正解率が高ければ良いモデルだ

理由：「正解」という言葉で直感的に正しく見えるため
正解：クラス不均衡（例：不良品が0.03%）では正解率が高くても意味がない。適合率・再現率・F値を使い分ける

【誤解】モデルの評価は訓練データで行えばよい

理由：手元にあるデータで確認するのが自然に思えるため
正解：訓練データでの評価は過学習を見抜けない。必ず未知のテストデータで評価する

【誤解】適合率と再現率は同じ意味だ

理由：どちらも「正しさ」を測る指標に見えるため
正解：適合率は「予測した中の正確さ」、再現率は「実際の正例をどれだけ取りこぼさないか」。2つはトレードオフの関係にある

【誤解】モデルは複雑にするほど良い

理由：複雑なほど表現力が高いと考えやすいため
正解：複雑すぎると過学習（オーバーフィッティング）になり、未知データに通用しなくなる

【誤解】k-meansは分類問題の手法だ

理由：データを「グループに分ける」という点が分類問題と混同されやすいため
正解：正解ラベルなしで構造を見つける教師なし学習のクラスタリング手法。教師あり学習の「分類」とは異なる

【誤解】教師あり・教師なし・強化学習には優劣がある

理由：精度が高そうな手法が「優れている」と見えやすいため
正解：優劣ではなく、問題の構造に応じて使い分けるもの。どれが最適かは問題次第

【誤解】AUCが高ければ必ず良いモデルだ

理由：AUCは1に近いほど良いという説明が単純化されて理解されやすいため
正解：AUCはモデルの「識別能力」を測る指標の一つ。問題の目的によっては再現率や適合率など別の指標を優先すべき場合がある

【誤解】FPもFNも「見逃し」のことだ

理由：混同行列の用語は名前だけでは区別しにくいため
正解：FP（偽陽性）は「本当は負なのに正と判定した誤検出」、FN（偽陰性）は「本当は正なのに負と判定した見逃し」。病気検出や不良品検出では、FNの見逃しが特に問題になりやすい

ラッソ回帰とリッジ回帰は何が目的ですか？

どちらも線形回帰に正則化を加えた手法で、過学習を抑えることが目的です。細かい数式よりも「過学習への対策として正則化を加えたバリエーション」として押さえます。

k-meansと階層的クラスタリングは何が違いますか？

k-meansはデータを横並びのk個のグループに分ける「非階層型」です。ウォード法や最短距離法は、クラスタ同士の階層構造まで求める「階層型」で、結果はデンドログラム（樹形図）で表されます。デンドログラムが問題に出てきたら、階層的クラスタリングを疑います。

次のステップ

第3章で「機械学習の手法と評価方法」の全体像がつかめました。

第3章はPart 2として単独の章です。次はPart 2のまとめ記事で第3章の重要テーマを一枚の地図に整理してから、Part 3（第4章・第5章）へ進みます。

Part 3では、いよいよディープラーニングの内部構造に踏み込みます。ニューラルネットワークがどう学ぶのか、誤差をどうやって逆向きに伝えるのか——機械学習の「手法の名前を知っている」状態から「なぜ動くのかが分かる」状態への移行です。

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い、まず「生成AIパスポート」の合格を目指してみました。

最初は、通勤時間に用語暗記アプリの有料版を2週間まわし、試験の軸になる用語を覚えることに集中しました。

生成AIパスポート｜試験対策アプリ｜トレ速　Google Play

アプリでの正解率は全章100%に達し、シラバス全体を完全にカバーできたわけではないものの、基礎はかなり固まった感覚がありました。

ところが、受験直前になって「この試験は問題の出し方に独特の癖がある」ことに気づきます。

そこで、あわてて公認問題集を購入し、休みの日に問題を2周して出題傾向を把握しました。

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

その結果、本番では開始25分ほどで全問を回答。

「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ました。

G検定の壁にぶつかった

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。

1. G検定のシラバスを俯瞰する（森を見渡す）
2. 各章の全体像を俯瞰する（木を見る）
3. 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）
4. 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。

ここでの役割分担は、こんな感じです。

Claude

各章の骨組みづくりと、学習用記事として読みやすいページへのコーディング。

NotebookLM

簡易インフォグラフィックの作成と、動画用音声の生成。

DALL-E

アイキャッチや動画用インフォグラフィックの生成。

Gemini

記事全体を俯瞰した改善点の提案。

ChatGPT

G検定受験に必要な情報の補足や記事全体の調整。また、各AIへ渡すプロンプトの作成と、全体のオーケストレーション。

私（ふみお）

文系シニア受験者の視点で内容を検証し、自分でも理解できる形に整理・監修。

▶ 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

「森 → 木 → 枝 → 葉」の学習アプローチで、まず最初にやること。それが、G検定という「森」全体を見渡すことです。「この試験は、いったい何を学ばせようとして･･･

まんぷく.com

「森 → 木 → 枝 → 葉」の学習アプローチで、G検定の「森」全体を見渡した次のステップは、各章を「木」として俯瞰することです。

第1章は、G検定の出発点となる章です。「AIとは何か」「どんな歴史を経て今のAIがあるのか」「なぜAIには限界があるのか」という3つの問いに答えながら、AIという言葉の輪郭をつかんでいきます。

この章でやることは、細かい用語の暗記ではありません。「説明できる」状態を目指すことが目標です。

第１章の全体像

第1章は、白本（公式テキスト）の構成に沿って、次の3節で構成されています。

この章を一言でまとめると、「AIは何ができて、何ができないのか」を、歴史と哲学の両面から整理する章です。

1-1｜AIとは何か

AIの定義——なぜ定まらないのか

「人工知能」という言葉は、1956年にアメリカで開催されたダートマス会議でジョン・マッカーシーが初めて使ったとされています。それから70年近くたった今も、AIの定義は専門家の間でも共有されていません。

理由はシンプルです。そもそも「知性」や「知能」自体の定義がないからです。「人間と同じ知的な処理能力」の解釈が研究者によって異なるため、AIの定義も一意に定まらない。この「定義が定まっていない」こと自体が、試験でも問われるポイントです。

AIのレベル分類——4段階で整理する

AIは「人の関与が減り、自律性が高まる」という流れで、4段階に分類できます。

試験では「人の役割」と「AIの役割の違い」が問われます。レベル3とレベル4のポイントは、特徴量を人が決めるか、AIが自動で学ぶか、という一点です。

AI効果——定義が変わり続ける理由

AIが新しいことを実現すると、人はこう思います。「それはもうAIじゃない、ただの自動化だ」。この心理的な現象をAI効果と呼びます。

チェスで人間に勝つコンピュータが登場したとき、「あれは計算しているだけで知能ではない」と言われました。囲碁で世界トップ棋士に勝ったAlphaGoのときも、同じような反応がありました。AIの定義が時代とともに変わり続けるのは、この効果の表れです。

AIとロボットの違い——混同しがちな2つの関係

AIとロボットをほぼ同じものと思っている人は少なくありませんが、専門家の間ではこの2つは明確に区別されています。

簡単に言えば、ロボットの「脳」にあたる部分が人工知能です。脳以外の部分——アームや車輪など物理的な機構——を研究するのがロボット研究であり、人工知能の研究はロボットの脳だけ、つまり「考える（知的な処理能力）」という目に見えないものを扱います。

たとえば将棋や囲碁のようなゲームでは、物理的な身体は必要ありません。人工知能の研究は「考える」ことを実現する学問であり、必ずしもロボットと結びつくわけではないのです。

「1-1｜AIとは何か」のまとめ動画

1-2｜AIの歴史——ブームと冬の時代の繰り返し

AIの歴史は、「成功への期待 → 限界の発見 → 冬の時代 → 新技術の登場」というサイクルを繰り返してきました。各時代の「何ができたか」と「なぜ行き詰まったか」をセットで押さえることが、試験対策の急所です。

第1次AIブーム（1950〜60年代）——探索・推論の時代

コンピュータによる探索や推論が進み、数学の定理の証明や迷路の解法など、特定の問題が解けるようになりました。

しかし、迷路や定理の証明のような単純化した問題（トイ・プロブレム）は解けても、現実の複雑な問題には対応できないことが明らかになります。1970年代には冬の時代を迎えました。

第2次AIブーム（1980年代）——知識の時代

「コンピュータに知識を入れれば賢くなる」というアプローチが全盛になり、専門知識をルール化したエキスパートシステムが多数開発されました。日本では政府主導の「第五世代コンピュータ」プロジェクトも推進されました。

しかし、知識を蓄積・管理することの大変さが明らかになり、1995年ごろから再び冬の時代へ。この限界が後述する知識獲得のボトルネックです。

第3次AIブーム（2010年〜）——機械学習・特徴表現学習の時代

ビッグデータと計算能力の向上により、AIがデータから自ら知識を獲得する機械学習が実用化されました。さらに、特徴量もAIが自動学習するディープラーニングが登場。2012年の画像認識競技での圧勝、2016年のAlphaGoによる世界トップ棋士への勝利が象徴的な出来事として知られています。

現在は、大規模言語モデル（LLM）と生成AIの登場により、第4次AIブームとも呼ばれる局面に入っています。

「1-2｜AIの歴史」のまとめ動画

1-3｜AIの限界——なぜ現実で行き詰まるのか

AIが現実の場面でうまく動かない理由には、はっきりとした構造があります。「情報の選択が難しい」「意味がわからない」「知識が足りない」という3種類の壁です。

トイ・プロブレム

現実の問題は複雑すぎてそのままでは扱えないため、本質を損なわない程度に単純化した「おもちゃの問題」として研究されてきました。これがトイ・プロブレムです。迷路や数学の定理の証明がその代表例です。

トイ・プロブレムは、問題の本質を理解したり、複数の研究者がアルゴリズムの性能を比較したりするための共通の試験台としても使われます。ただし、第1次AIブームが「トイ・プロブレムは解けるが現実の問題は解けない」という失望で終わったことは、歴史の試験ポイントでもあります。

フレーム問題

「今の行動に関係ある情報だけを選び出す」ことが、AIには極めて難しいという問題です。1969年にジョン・マッカーシーとパトリック・ヘイズが提唱し、未だに本質的な解決はされていない、人工知能研究最大の難問のひとつとされています。

台車にバッテリーと爆弾が乗っているとき、バッテリーだけを持ち出すよう命じられたロボットの思考実験が有名です。何も考えずに動いて爆発するロボット（1号）、持ち出し方を考えすぎて爆発するロボット（2号）、考え方の考え方を考えすぎて爆発するロボット（3号）——この3パターンがフレーム問題の本質を示しています。

なお、フレーム問題を提唱したジョン・マッカーシーは、AIという言葉を初めて使ったダートマス会議の主催者でもあります。試験では同一人物として問われることがあります。

シンボルグラウンディング問題（記号接地問題）

AIは「記号（文字）」の意味を理解していません。「シマウマ」という文字はただの記号の羅列であり、AIはその意味——縞模様のある馬——と結びつけることができません。

人間は「シマ」と「ウマ」の意味を知っているから、初めて見るシマウマを認識できます。コンピュータは記号とその対象をグラウンディング（結び付け）できないため、同じことができません。これが1990年に認知科学者のスティーブン・ハルナッドが提唱したシンボルグラウンディング問題です。

身体性

人間は、コップに触れてみることで「冷たい」「割れる」という感覚と「コップ」という記号が結びつきます。身体を通した体験があって初めて、言葉の意味が形成される——これが身体性のアプローチです。

AIはこの身体的な体験を持たないため、意味の理解に根本的な制約があると考えられています。

知識獲得のボトルネック

常識的な知識をすべてコンピュータに教え込むことは、事実上不可能です。たとえば「望遠鏡を持っているのは男性の方が多い」「庭にいるのは女性の方が多い」という膨大な常識的前提が、人間の翻訳や判断を支えています。これをすべて入力することは、知識の数が数千・数万になると矛盾や管理の問題が生じ、現実的ではありません。

この問題は第2次AIブームを終わらせた主要因であると同時に、機械翻訳の文脈でも繰り返し登場します。1文を訳すだけでも無数の常識が必要になるという問題がまさにこれです。現在のニューラル機械翻訳（ディープラーニング応用）はこのボトルネックを事実上乗り越えつつあります。

チューリングテストと「強いAI・弱いAI」

AIが「知能を持っているか」をどう判定するか。その代表的な考え方がイギリスの数学者アラン・チューリングが提唱したチューリングテストです。別の場所にいる人間がコンピュータと会話し、相手をコンピュータと見抜けなければ「知能がある」とみなすというものです。1991年以降、チューリングテストへの合格を目指すローブナーコンテストが毎年開催されています。

これに対して、アメリカの哲学者ジョン・サールは「中国語の部屋」という思考実験を提案しました。英語しか分からない人が、完璧なマニュアルを使って中国語で正しく受け答えをする——外から見れば中国語を理解しているように見えても、実際には意味を理解していません。これは「正しく答えられること」と「理解していること」は別だという主張です。

この議論から生まれたのが、強いAIと弱いAIの区分です。

試験での判断基準は「意味を理解しているか（強いAI）」か「パターンで再現しているか（弱いAI）」という一点です。

「1-3｜AIの限界」のまとめ動画

第１章のまとめ

第1章で理解しておくべきことを3行に絞るとこうなります。

• AIの定義は「知能」の定義が曖昧なため、時代とともに変わり続ける
• AIのブームは「成功 → 限界の発見 → 冬の時代 → 次の技術」というサイクルを繰り返してきた
• 現在のAIは「できること」と「理解していること」は別物であり、意味や常識の扱いに根本的な制約がある

この3点が説明できれば、第1章の「枝」はつかめています。

🔑 試験対策キーワード

ここからは「葉」のフェーズです。

「葉」のフェーズの意味が「？」な方は、先に「森 → 木 → 枝 → 葉」の学習アプローチを確認してから戻ってきてください。

そうすることで、あなたが手戻りするタイムロスを防げます。

さて、話を戻します。

まず、Mainキーワードを10秒で説明できる状態にすることを目指してください。

キーワードの記憶定着にはAnkiなど、いつでも、どこでも使えるアプリの活用をおすすめします。

Subは問題を解いていて「迷った・止まった」語句だけ追加していきます。

「説明できる」＝「選択肢で判断できる」状態です。

■ Main（説明の軸：10秒で言えようにすること）

■ Sub（補助説明：問題で迷ったら追加する）

■ Reference（見覚えがある程度でOK）

次のステップ

第1章で「AIとは何か」の輪郭がつかめました。次の第2章では、AIの具体的なアプローチ——探索・推論、知識表現、機械学習・深層学習——を俯瞰します。なぜ3つのアプローチが生まれたのか、その流れを押さえることが第2章の「枝」です。

文系GのG検定対策｜AIを賢くする3つのアプローチ（第2章）

「森 → 木 → 枝 → 葉」の学習アプローチで、G検定の「森」全体を見渡した次のステップは、各章を「木」として俯瞰することです。第１章でAIとは何か、どんな歴･･･

まんぷく.com

前回の話 ▶ 文系GのG検定対策の始まり（シニア向け受験対策）

私の本業は、公共事業の土木積算です。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･･･

まんぷく.com

「森 → 木 → 枝 → 葉」の学習アプローチで、まず最初にやること。それが、G検定という「森」全体を見渡すことです。

「この試験は、いったい何を学ばせようとしているのか」。その問いに答えを持った上で各章に入ると、覚えるべき語句の意味や位置づけが、ぐっと見えやすくなります。

G検定とは何か

G検定（ディープラーニングG検定）は、一般社団法人日本ディープラーニング協会（JDLA）が主催する資格試験です。

AIは突然「賢いもの」として存在しているわけではなく、段階を踏んで動いています。データを集め、ルール（モデル）を作り、何度も調整し、うまくいっているか確認し、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を説明できる状態にすることを目指します。ディープラーニングの仕組みと、それをビジネスや社会に活かすための知識を体系的に学ぶ試験といえます。

なぜ今、G検定を学ぶのか

AIはすでに、顔を見分けたり、病気の兆候を見つけたり、車を動かしたり、文章を書いたりという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（深層学習）」です。

公式テキスト（白本）のはじめにには、こう書かれています。

ディープラーニングは、電気、内燃機関、コンピュータ、インターネットなどと並ぶ、社会を劇的に変化させる技術のひとつであり、シンプルな原理で大きな社会的・産業的変化をもたらすことになるだろう。

（ディープラーニングG検定公式テキスト第3版・はじめに より）

自分の仕事である土木積算にAIを生かすためにも、まずはこの技術の「中身と流れ」を理解することが、G検定を受けようと思った理由です。

G検定の「森」：8章の全体構造

G検定の公式テキスト（白本）は、全8章で構成されています。章の順番に意味があります。

第１章・第２章｜AIの基本と歴史

第1章「人工知能（AI）とは」では、AIの定義と研究の歴史、そしてAIが直面してきた問題を扱います。
第2章「人工知能をめぐる動向」では、探索・推論、知識表現、機械学習・深層学習という3つのアプローチが、どんな流れで登場し、それぞれどんな役割を持つかを学びます。

この2章は、「どこから来た技術なのか」を知るためのパートです。歴史の流れを頭に入れることで、なぜ今ディープラーニングが注目されているのかが、自然と見えてきます。

第３章｜機械学習の具体的手法

AIがどうやって学ぶのか、その手法の分類と評価方法を学びます。教師あり学習・教師なし学習・強化学習という「学習の種類」と、モデルの選択・評価の考え方が中心です。

「どうやって賢くなるのか」の仕組みを理解するパートです。

第４章・第５章｜ディープラーニングの中身

第4章「ディープラーニングの概要」では、ニューラルネットワークの基本から、誤差関数・正則化・最適化手法・誤差逆伝播法・活性化関数まで、ディープラーニングが「どうやって答えを出し、改善するか」という仕組みを扱います。
第5章「ディープラーニングの要素技術」では、畳み込みニューラルネットワーク・リカレントニューラルネットワーク・トランスフォーマー・オートエンコーダなど、代表的なモデルの構造を学びます。

この2章は、ブラックボックスの中をのぞくパートです。技術の構造を把握することで、第6章以降の「使い方」の話が腑に落ちやすくなります。

第６章・第７章｜実際の使い方

第6章「ディープラーニングの応用例」では、画像認識・音声処理・自然言語処理といった分野で、ディープラーニングがどう活用されているかを学びます。
第7章「AIの社会実装に向けて」では、AIをビジネスで使うための考え方、プロジェクトの進め方、データの収集・加工・学習の流れまで、実務に近い視点で学びます。

「現場でどう使うか」を理解するパートです。

第８章｜AIの法律と倫理

個人情報・著作権・公平性・安全性など、AIを扱う上で守るべきルールと、倫理的な考え方を学びます。技術の使い方を知ると同時に、「事故を起こさないための知識」として、白本でも特に重点が置かれているパートです。

8章の流れを一言でまとめると

G検定の8章は、次のような一本の流れになっています。

章ごとに独立しているようで、前の章の理解が次の章の土台になっています。この流れを頭に入れておくと、各章の語句が「どの文脈で登場するのか」がわかりやすくなります。

次のステップ

この「森」の全体像をつかんだ上で、次は各章を「木」として俯瞰していきます。まず手をつけるのは第1章です。

AIの定義・歴史・ブームの流れ——第1章の重要テーマと語句を、文系Gなりに整理していきます。

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）

「森 → 木 → 枝 → 葉」の学習アプローチで、G検定の「森」全体を見渡した次のステップは、各章を「木」として俯瞰することです。第1章は、G検定の出発点となる･･･

まんぷく.com