試験概要
出題範囲（10分野）の全体マップ
4 min read
G検定のシラバス（2024年版）は10の分野で構成されています。それぞれの分野で何を学ぶのか、代表的なキーワードと一緒に全体像をつかみましょう。
| 分野 | 主なキーワード |
|---|---|
| 人工知能とは | AIの定義、AIのレベル分類、AI効果、人工知能とロボットの違い、AI分野で議論される問題（フレーム問題、シンボルグラウンディング問題、チューリングテスト、中国語の部屋、強いAIと弱いAI、シンギュラリティ） |
| 人工知能をめぐる動向 | 探索・推論（探索木、Mini-Max法、αβ法、モンテカルロ法）、知識表現とエキスパートシステム（意味ネットワーク、オントロジー、MYCIN）、機械学習の広がり（ビッグデータ、統計的自然言語処理）、ディープラーニングの発展（ILSVRC、AlphaGo） |
| 機械学習の概要 | 教師あり学習・教師なし学習・強化学習、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、SVM、k-means、主成分分析、交差検証、評価指標 |
| ディープラーニングの概要 | ニューラルネットワーク、活性化関数、誤差逆伝播法、勾配消失問題、最適化手法（SGD・Adam など）、ドロップアウト、正則化 |
| ディープラーニングの要素技術 | 畳み込み層、プーリング層、正規化層、スキップ結合、RNN・LSTM、Attention、Transformer、オートエンコーダ、データ拡張 |
| ディープラーニングの応用例 | 画像認識（CNN系モデル）、物体検出、セグメンテーション、自然言語処理（BERT・GPT）、音声処理、深層強化学習、生成モデル（GAN・拡散モデル）、転移学習、マルチモーダル、モデルの軽量化、説明可能性 |
| AIの社会実装に向けて | AIプロジェクトの進め方、PoC、データの収集と加工、アノテーション、MLOps、運用と継続的な改善 |
| AIに必要な数理・統計知識 | 平均・分散・標準偏差、確率分布（正規分布・二項分布など）、条件付き確率、相関係数と疑似相関、最尤法・最小二乗法、仮説検定、ユークリッド距離・コサイン類似度 |
| AIに関する法律と契約 | 個人情報保護法、著作権法（30条の4）、特許法、不正競争防止法（営業秘密・限定提供データ）、独占禁止法、AI開発委託契約、AIサービス提供契約（SaaS） |
| AI倫理・AIガバナンス | 国内外のガイドライン（ソフトロー・ハードロー、リスクベースアプローチ）、プライバシー、公平性、安全性とセキュリティ、悪用（ディープフェイク）、透明性、民主主義・環境・労働への影響、AIガバナンス |
分野どうしのつながり
- 「人工知能とは」「人工知能をめぐる動向」は、AIがどう発展してきたかという土台です。歴史の流れで覚えると、用語が頭に残りやすくなります
- 「機械学習の概要」→「ディープラーニングの概要」→「要素技術」→「応用例」は、技術の基本から実際の使われ方へとつながる一本の流れです
- 「AIに必要な数理・統計知識」は、評価指標や学習の仕組みを理解するための道具として、技術系の分野を下から支えています
- 「AIの社会実装に向けて」は技術とビジネスの橋渡し役で、そこから「法律と契約」「倫理・ガバナンス」へと、AIを社会で安全に使うための話題につながります
分野ごとの出題比率は公表されていません。技術系の分野だけに偏らず、法律や倫理も含めて10分野をひととおり学習しておきましょう。