技術分野
⑤ ディープラーニングの応用例
G検定シラバス2024の「ディープラーニングの応用例」に含まれる全133用語を、シラバスに沿って要点を絞って解説します。NEW はシラバス2024で新たに追加されたキーワードです。
読み込み中…
🔗 個別ページにある「📘 もっと深く学ぶ」はE資格レベルの発展解説への案内です。G検定対策としては、この章の説明と個別ページの内容で十分です。
📌 参考のラベルが付いた用語は、シラバス2024 第1.4版（2026年5月11日）でキーワードから削除された語です。出題範囲からは外れていますが、前後の理解に役立つため残しています。
📖 各カードの「くわしく見る」から、その用語だけを掘り下げた解説ページへ移動できます。仕組み・混同しやすい用語との違い・よくある誤りの選択肢まで載せています。
26. 画像認識
EfficientNet
深さ・幅・入力解像度を同じ比率で大きくすることで、効率よく性能を上げたモデルです。
試験のポイント複合スケーリングという考え方
Fast R-CNN
候補領域ごとではなく画像全体に1回だけCNNをかけて高速化した物体検出です。
試験のポイントRoIプーリングで領域を固定サイズにそろえる
Faster R-CNN
候補領域の抽出まで学習で行うようにした、2段階方式の代表的な物体検出モデルです。
試験のポイント1段階方式（YOLO・SSD）との対比
FCN (Fully Convolutional Network)
全結合層を畳み込み層に置き換えた、セグメンテーションの元祖モデルです。
試験のポイント任意サイズの入力に対応できる
GoogLeNet
複数サイズのフィルタを並列に使うInception構造で、効率よく表現力を高めたCNNです。
試験のポイント22層・2014年のILSVRC優勝
NAS (Neural Architecture Search)
ネットワークの設計そのものを、人ではなくアルゴリズムに探させる技術です。
試験のポイント計算コストが膨大な点が課題
Vision Transformer
画像を小さなタイルに切って単語のように扱い、Transformerで処理するモデルです。
試験のポイント長距離依存を直接扱える
インスタンスセグメンテーション
同じ種類の物体でも1つずつ区別して、画素単位で切り出すタスクです。
試験のポイント代表的手法はMask R-CNN
セマンティックセグメンテーション
画像の1画素ずつに「これは何か」のラベルを付けるタスクです。個体は区別しません。
試験のポイント背景（空・道路など）も分類対象になる
パノプティックセグメンテーション
個体を区別しつつ、背景も含めてすべての画素を分類する統合的な手法です。
試験のポイントセマンティックとインスタンスの統合
27. 自然言語処理
BoW (Bag-of-Words)
文章を「どの単語が何回出たか」だけで表す、語順を無視した表現方法です。
試験のポイントTF-IDFと組み合わせて使われる
ChatGPT参考
GPTを土台に、人の評価を使った強化学習で対話向けに調整したサービスです。
試験のポイント教師あり微調整 → 報酬モデル → 強化学習という流れ
大規模言語モデル (LLM)
とてつもなく多くのパラメータを持ち、幅広い言語タスクをこなせるモデルの総称です。
試験のポイント事実誤り・偏り・コストという課題がある
28. 音声処理
高速フーリエ変換 (FFT)
音の波形を「どの高さの音がどれだけ含まれるか」に変換する計算です。
試験のポイント音声解析・特徴抽出の基本アルゴリズム
メル周波数ケプストラム係数 (MFCC)
人の聴こえ方に合わせて音声を数値化した、音声認識の定番特徴量です。
試験のポイントFFT → メルフィルタ → 対数 → DCTの流れ
CTC (Connectionist Temporal Classification)
「どの音がどの文字か」を人が教えなくても、音声から文字を学習できるようにする仕組みです。
試験のポイント入力（音声フレーム）と出力（文字）の長さが違う問題を扱う
29. 深層強化学習
※この章は難しいので他章よりも少し詳しく説明していきます。
ドメインランダマイゼーション
仮想環境の条件をわざとバラバラに変えて学習し、現実のズレに強くする手法です。
試験のポイントsim2realの代表的解決策
マルチエージェント強化学習
複数のAIが同じ環境で同時に学習し、協力や競争を通じて賢くなる枠組みです。
試験のポイント協調・競争・分業を通じて戦略を獲得
30. データ生成
CycleGAN
対になったデータがなくても、2つの画像スタイルを行き来する変換を学べるGANです。
試験のポイントCycle Consistency制約で意味情報を保つ
Diffusion Model
ノイズを少しずつ取り除いていくことで画像を作り出す、現在主流の生成モデルです。
試験のポイントGANより安定だが生成は遅い
敵対的生成ネットワーク (GAN)
「偽物を作る側」と「見破る側」を競わせることで、本物そっくりのデータを作るモデルです。
試験のポイント学習が不安定になりやすい（モード崩壊など）
31. 転移学習・ファインチューニング
Few-shot
数個の例を見せるだけで、新しい課題に対応できるようにする学習形態です。
試験のポイントZero-shot（0個）・One-shot（1個）との区別
32. マルチモーダル
Image Captioning
画像を見て、その内容を説明する文章を自動で作るタスクです。
試験のポイントCNN（エンコーダ）＋RNN/Transformer（デコーダ）
Visual Question Answering (VQA)
画像について質問すると、その内容にもとづいて答えてくれるタスクです。
試験のポイントImage Captioningより高度な推論を要する
33. モデルの解釈性
Grad-CAM
勾配を使うことで、どんなCNNでも「どこを見たか」を可視化できるようにした手法です。
試験のポイント様々なCNN構造に適用できる（CAMの制約を解消）
Permutation Importance
ある特徴量をわざと壊してみて、性能がどれだけ落ちるかで重要度を測る手法です。
試験のポイントモデル非依存で直感的
説明可能 AI (XAI)
AIがなぜそう判断したのかを、人にわかる形で示す技術の総称です。
試験のポイント可視化系（CAM）と近似系（LIME・SHAP）がある
34. モデルの軽量化
G検定 実践模試 2026（全145問）
本番と同じ形式・分量で演習できるオリジナル模試です。図解つきの詳細解説で、覚えた用語を「解ける知識」に変えます。
詳細を見る →ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。