G検定の学習で最初につまずきやすいのが専門用語の洪水です。試験範囲・シラバス全体では数百語に及びますが、本番で繰り返し問われる中核50語を先に押さえると、一問一答の理解速度が大きく上がります。本記事では、G検定の勉強法ロードマップのフェーズ1に相当する用語を、AI基礎・機械学習・ディープラーニング・倫理・法律・数学統計の5カテゴリに分けて1行定義で整理します。辞典ページがある語はリンク付きです。
AI基礎（10語）
人工知能の歴史・概念・応用の土台となる用語です。G検定の全体像とあわせて最初に押さえましょう。
- 人工知能（AI） 人間の知能的振る舞いをコンピュータで実現しようとする技術・研究分野の総称
- 弱いAI 特定タスクに限定されたAI。現在の実用AIはほぼこれに該当する
- AGI（汎用人工知能） 人間と同等の汎用知能を持つとされる将来像のAI。現時点では未実現
- チューリングテスト 機械が人間と区別できない会話ができるかを判定する思考実験
- 知識表現 コンピュータが推論できるよう、知識を記号や構造で表現する手法
- 探索 問題解決のために可能な選択肢を体系的に調べる手法（幅優先・深さ優先など）
- エキスパートシステム 専門家の知識をルールとして組み込み、推論する古典的なAIシステム
- ルールベース if-then形式の明示的ルールで判断するアプローチ。解釈しやすい反面、拡張が難しい
- エージェント 環境を知覚し、目標に向けて自律的に行動するプログラムやシステム
- 生成AI テキスト・画像・音声など新しいコンテンツを生成するAI。LLMや拡散モデルが代表例
機械学習（10語）
データからパターンを学習する手法の基礎用語。G検定の出題比率が高い分野です。
- 機械学習 明示的なプログラムではなく、データからパターンを学習して予測・分類を行う手法
- 教師あり学習 正解ラベル付きデータから、入力と出力の対応を学習する手法
- 教師なし学習 ラベルなしデータの構造やパターンを見つける学習手法
- 強化学習 試行錯誤と報酬・罰を通じて最適な行動方針を学ぶ手法
- 過学習 訓練データに過度に適合し、未知データでの性能が落ちる現象
- 正則化 モデルを単純化して過学習を抑えるための手法（L1・L2正則化など）
- 早期終了 検証誤差が悪化し始めた時点で学習を打ち切り、過学習を防ぐ手法
- 交差検証 データを分割して学習・検証を繰り返し、汎化性能を安定して評価する手法
- 特徴量 モデルへの入力として使うデータの属性。選び方が精度に大きく影響する
- 決定木 条件分岐でデータを分割していく、解釈しやすい機械学習モデル
ディープラーニング（10語）
多層ニューラルネットワークを中心とする深層学習の頻出語です。
- ディープラーニング 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深層学習手法
- ニューラルネットワーク 脳の神経細胞を模した層構造で、入力から出力を計算するモデル
- 活性化関数 ニューロンの出力に非線形性を与える関数（ReLU・シグモイドなど）
- 勾配降下法 損失関数の勾配方向にパラメータを更新し、誤差を最小化する最適化手法
- 誤差逆伝播 出力層から入力層へ誤差を伝播し、各層の重みを効率的に更新する手法
- 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する、画像認識の定番アーキテクチャ
- リカレントニューラルネットワーク（RNN） 時系列データの文脈を保持する、過去の状態を参照するネットワーク
- 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LLMの基盤アーキテクチャ
- アテンション 入力のどの部分に注目すべきかを重み付けする機構
- ドロップアウト 学習時に一部のニューロンをランダムに無効化し、過学習を抑える正則化手法
倫理・法律（10語）
近年の出題増加が著しい分野。文系受験者の得点源にもなります。
- AIガバナンス AIの開発・運用を組織や社会のルールで適切に管理する枠組み
- AI倫理 AIの利用における公平性・透明性・安全性などの倫理的課題と原則
- 説明可能なAI（XAI） AIの判断根拠を人間が理解できる形で示す技術・考え方
- アルゴリズムバイアス 学習データや設計の偏りにより、特定グループに不利な結果が出る現象
- 公平性 AIの判断が特定の属性で不当に差別されないことを求める倫理原則
- 説明責任 AIの結果に対して誰が責任を負うかを明確にするガバナンスの原則
- 透明性 AIの仕組み・データ・判断過程を関係者が把握できる状態
- 著作権 創作物を保護する権利。AI学習データや生成物との関係が試験でも問われる
- AI生成物の著作権 AIが生成したコンテンツに著作権が認められるかという法的論点
- 個人情報 特定の個人を識別できる情報。AI利用時の収集・利用・保護が規制対象
数学・統計（10語）
計算より「概念と使い分け」が問われやすい数学・統計用語です。
- 確率 ある事象が起こる可能性を0〜1（または0〜100%）で表したもの
- 期待値 確率変数がとりうる値の平均的な見込み。損失関数の最小化と結びつく
- 分散 データのばらつきの大きさを表す統計量。標準偏差は分散の平方根
- 正規分布 釣り鐘型の確率分布。多くの統計手法の前提として登場する
- ベイズの定理 新しい証拠を得たとき、事前確率を事後確率に更新する公式
- 精度（Precision） 陽性と予測したうち、実際に陽性だった割合。「誤検知を抑えたい」ときに重視
- 再現率（Recall） 実際の陽性のうち、正しく検出できた割合。「見逃しを減らしたい」ときに重視
- F値（F1スコア） 精度と再現率の調和平均。両者のバランスを一つの指標で評価する
- k-means法 データをk個のクラスタに分割する、代表的な教師なしクラスタリング手法
- 損失関数 モデルの予測と正解のズレを数値化する関数。学習ではこれを最小化する
用語の定着方法
50語を読んだだけでは本番で引き出せません。次の3ステップで定着させましょう。
- 用語カードで自己説明 用語名を見て1行定義を声に出す。説明できない語は用語辞典で確認
- 一問一答で文脈に慣れる G検定 分野別一問一答（500問）で、定義だけでなく四肢択一の引き出しを反復
- 似た用語を比較表にする 精度vs再現率、教師ありvs教師なし、過学習vs正則化など、対になる語を並べて違いを整理
用語を固めたら演習へ
G検定 分野別一問一答 — 10分野を網羅した500問で弱点を可視化
学習全体の流れはG検定の勉強法ロードマップ、分野ごとの詳細は試験範囲・シラバス解説を参照してください。
よくある質問
G検定で覚えるべき用語は何個くらい？
シラバス全体では数百語に及びますが、本記事の50語は過去問・模擬問題で繰り返し登場する中核用語です。まずここを固め、弱点分野を一問一答で補強するのが効率的です。
用語は暗記だけで足りる？
定義の丸暗記だけでは四肢択一で迷いやすいです。用語同士の違いを比較しながら、一問一答で文脈に慣れることが大切です。
数学用語はどこまで必要？
高度な計算より概念理解が中心です。確率・統計・評価指標の意味と使い分けを押さえ、公式は「何を表すか」が説明できるレベルを目指しましょう。