G検定のシラバスでは、ディープラーニング関連が3分野（概要・要素技術・応用例）にまたがり、出題比率の高いエリアです。本記事では「ディープラーニングの概要」と「要素技術」を中心に、ニューラルネットワークの基礎、学習の流れ、CNN・RNN・トランスフォーマー、正則化・最適化、頻出問題パターンを整理します。機械学習分野の理解があるとスムーズです。最新の出題範囲は日本ディープラーニング協会 G検定公式ページでご確認ください。
3分野の全体像
シラバス10分野のうち、ディープラーニングは次の3つに分かれます。
| 分野 | 内容 | 演習 |
|---|---|---|
| ディープラーニングの概要 | ニューラルネットの構造、学習の流れ、特徴抽出 | domain-06 |
| ディープラーニングの要素技術 | CNN・RNN・正則化・最適化・活性化関数 | domain-07 |
| ディープラーニングの応用例 | 画像認識・自然言語処理・生成AIなど | domain-05 |
学習順序は概要（domain-06）→要素技術（domain-07）→応用例（domain-05）がおすすめです。
ニューラルネットの基礎
ディープラーニングは、多層のニューラルネットワークで高次の特徴を自動抽出する手法です。
- 入力層・隠れ層・出力層 データが入力層から入り、隠れ層で特徴変換を経て、出力層で予測結果を出す
- ニューロン（ノード） 重み付き和に活性化関数を適用して次の層へ信号を渡す計算単位
- 重みとバイアス 学習によって更新されるパラメータ。モデルの表現力を決める
- 損失関数 予測と正解の差を数値化。これを最小化するのが学習の目的
- 特徴量の自動抽出 従来の機械学習と異なり、隠れ層がデータから特徴を学習する点が強み
学習の流れ
ディープラーニングの学習プロセスはG検定の頻出テーマです。
代表的アーキテクチャ
データの種類に応じたネットワーク構造の使い分けが試験で問われます。
- 全結合ネットワーク（FCN） 各層のニューロンが全ての前層ニューロンと接続。汎用的だがパラメータ数が多い
- 畳み込みニューラルネットワーク（CNN） 畳み込み演算で画像の局所特徴を抽出。画像認識の定番。プーリング層で次元を削減
- リカレントニューラルネットワーク（RNN） 過去の状態を保持し、時系列・自然言語などの系列データに適する。LSTM・GRUは長期依存の課題を改善
- トランスフォーマー アテンション機構で系列全体の関係を捉える。現代のLLM（大規模言語モデル）の基盤
- オートエンコーダ 入力を圧縮・再構成する教師なし的構造。次元削減や異常検知に利用
- GAN（敵対的生成ネットワーク） 生成器と識別器が競合しながら学習。画像生成などに応用
正則化・最適化・活性化
ディープラーニングの「要素技術」分野で重点的に問われるトピックです。
- 活性化関数 ReLU（勾配消失を緩和）、シグモイド・tanh（出力を制限）など。非線形性を与える
- ドロップアウト 学習時にランダムにニューロンを無効化し、過学習を抑制
- バッチ正規化 各層の入力分布を安定化し、学習を高速化・安定化
- 勾配消失・勾配爆発 深いネットワークで勾配が小さくなりすぎる／大きくなりすぎる問題。ReLU・LSTM・勾配クリッピングで対処
- 最適化手法 SGDにモーメンタムやAdamなどを組み合わせ、効率的にパラメータを更新
- 転移学習 大規模データで学習済みのモデルを、少量データのタスクに再利用。実務でも頻用
頻出問題パターン
- アーキテクチャの選択 「画像の分類」→CNN、「文章の生成」→RNNまたはトランスフォーマー
- CNNの構成要素 畳み込み層・プーリング層・全結合層の役割を区別する
- 過学習対策の選択 ドロップアウト・データ拡張・早期終了・正則化のうち、文脈に合うものを選ぶ
- 学習の流れの順序 順伝播→損失計算→誤差逆伝播→パラメータ更新、の流れを理解
- 生成AIとの接続 拡散モデル・LLMなどは応用例分野（domain-05）と重なる。トランスフォーマーと生成AIの関係を押さえる
分野別演習で定着させる
学習の進め方
よくある質問
G検定のディープラーニングは何分野に分かれる？
「概要」「要素技術」「応用例」の3分野です。本記事は概要と要素技術を中心に解説しています。応用例はdomain-05で演習できます。
CNNとRNNの違いは試験で問われる？
はい。CNNは画像の局所特徴抽出、RNNは時系列・文脈の保持に適しています。トランスフォーマーも近年の重要トピックです。
数式はどこまで必要？
複雑な導出より概念理解が中心です。勾配降下法・誤差逆伝播・損失関数の役割を言葉で説明できるレベルが目安です。