微分・偏微分を理解する
微分・偏微分は、G検定でも頻出の数学基礎です。特に機械学習では、損失関数を最小化するために勾配（微分）を使うため、概念を理解しておくことが重要です。
微分は「変化の割合」、偏微分は「多変数のうち1つだけを変化させたときの変化の割合」を表します。数字を使った例で理解すると、G検定の問題にも対応しやすくなります。
微分・偏微分の計算方法はマスターしてしまえば得点源になりますので是非マスターしてください！
微分とは？
微分とは、ある瞬間の変化の割合（傾き）を求める操作です。グラフで言えば、曲線の接線の傾きに相当します。
例えば、次の関数を考えます。
あるxの地点での接線の傾きが微分の値です。
を微分する場合は、以下になります。
高校数学IIの範囲ですが計算方法を復習します。以下のイメージですね。
練習問題です！高校数学を懐かしながら考えましょう！
練習問題です。以下の微分は？
微分の計算方法はマスターできましたね。
あとは偏微分の計算をマスターすれば微分の分野はサービス問題として解けるでしょう。
偏微分とは？
偏微分とは、複数の変数を持つ関数のうち、1つの変数だけを変化させたときの変化の割合を求める操作です。
例えば、次のような2変数関数を考えます。
この関数を x で偏微分すると、y は一定（ただの定数（数字））とみなします。3yはただの数字の3とか同じと考えて微分の計算しましょう（微分すると0になる部分ですね）。
次に、y で偏微分すると、x は一定（ただの定数（数字））とみなします。x2乗の部分はただの数字の1とか同じと考えて微分の計算しましょう（微分すると0になる部分ですね）。
練習問題です。以下のxでの偏微分は？
これで、微分・偏微分の計算方法はマスターできましたね。
微分・偏微分が機械学習で重要な理由
機械学習では、損失関数（誤差）を最小化するために勾配（微分・偏微分）を使います。
例えば、損失関数 L(w) を最小化したいとき、微分を使って「どの方向に動けば誤差が減るか」を判断します。
多変数のパラメータ（w1, w2, …）を持つ場合は、偏微分を使ってそれぞれの方向の変化量を求めます。
勾配降下法（Gradient Descent）は、偏微分を使って最適なパラメータを探すアルゴリズムです。
まとめ
この記事では、G検定で頻出の「微分・偏微分」について、数字を使ってわかりやすく解説しました。
- 微分は「1変数の変化の割合」
- 偏微分は「多変数のうち1つだけの変化の割合」
- 微分・偏微分は機械学習の最適化（勾配降下法）に必須
- 数字例で理解するとイメージが掴みやすい
微分・偏微分は、AI・機械学習の基礎となる重要な数学です。概念を押さえておくことで、G検定の理解が大きく進みます。
