Generated by All in One SEO v4.9.2, this is an llms.txt file, used by LLMs to index the site.

# G検定 無料問題集｜解説付きでたくさん練習できる「G検定の森」

G検定対策サイトです。完全無料でカテゴリ別に演習問題を解くことができます。解説付きです。

## Sitemaps

- [XML Sitemap](https://g-ken-master.com/sitemap.xml): Contains all public & indexable URLs for this website.

## 投稿

- [【Udemy】最新クーポン情報一覧（随時更新）](https://g-ken-master.com/uncategorized/7321/) - 管理人が保有するUdemy講座の最新クーポンをまとめています。 最新クーポン一覧 G検定 問題集（模擬試験5回
- [G検定のおすすめUdemy講座｜動画で理解し、問題集で本番に慣れる](https://g-ken-master.com/for-gken/6868/) - G検定の対策にUdemyを活用して最短合格を目指しませんか？現役エンジニアが実際に内容を確認し、自信を持っておすすめする「基礎固め用の動画講座」と、難化する本番試験に対応した「Web問題集（模擬試験）」を厳選して紹介します。インプットとアウトプットの二刀流で難解なAI用語を効率よく学び、一発合格を勝ち取りましょう！
- [G検定の最短合格ロードマップと「メリハリ」勉強法](https://g-ken-master.com/for-gken/5547/) - 合格率が高いからと油断は禁物！G検定の広大な試験範囲を乗り切るには戦略が必要です。この記事では、オンライン受験のコツからインプット・アウトプットの黄金比、さらに「暗記で済む分野」と「深い理解が必要な分野」を分けた詳細なカテゴリ別対策を徹底解説します。
- [AI資格はなぜ今必要なのか？](https://g-ken-master.com/for-gken/4839/) - AI資格を取ると何が変わるのか。意思決定の適正化・スキルの客観的な証明・情報の更新という3つの価値と、職種別のおすすめルートを示します。
- [G検定は意味ない？実際の価値と取るべき人を徹底解説](https://g-ken-master.com/for-gken/4836/) - 「意味ない」と言われる3つの理由には根拠があります。そのうえで価値が出る場面を挙げ、取るべき人と取らなくていい人を分けて考えます。
- [畳み込みニューラルネットワーク（畳み込み、プーリング、全結合）](https://g-ken-master.com/glossary/4845/) - 畳み込みは「パーツ探し」、プーリングは「だいたい合っていればOK」にする処理。層を重ねると何が起きるのかを、図で順に追いかけます。
- [G検定おすすめ参考書・問題集4選｜2026年シラバス対応の教材と選び方](https://g-ken-master.com/for-gken/6793/) - G検定の参考書・問題集の選び方を合格者が解説。2026年シラバス対応のおすすめ教材4冊を比較し、インプット用テキストとアウトプット用問題集の使い分けを紹介します。
- [【2026年最新】G検定の参考書・問題集と本番の難易度の乖離について～テキストが当てにならない！？](https://g-ken-master.com/for-gken/7211/) - 市販のテキストと本番の難易度には差があります。受験者のリアルな体感、乖離が起きる理由、そのうえで何をどう補うかを整理します。
- [G検定の計算問題は「捨てる」が正解？これだけ抑えてコスパよく合格しよう](https://g-ken-master.com/for-gken/7220/) - 計算問題を全部捨てる必要はありません。混同行列・確率と期待値・微分・ベクトルの4分野は拾う価値があります。その理由と、時間配分の考え方です。
- [文系・数学ゼロでもG検定に合格できる理由と攻略戦略](https://g-ken-master.com/for-gken/7289/) - 計算問題の割合は高くなく、法律・倫理・社会課題の比重が大きい試験です。数学を深追いせずに合格点へ届く、文系向けの5ステップを示します。
- [G検定「オンライン」vs「会場試験（オンサイト）」どっちで受験すべき？](https://g-ken-master.com/for-gken/7293/) - 試験時間の20分差と、カンペを使えるかどうか。合格率のデータと受験者アンケートから、オンラインと会場のどちらが有利なのかを具体的に比べます。
- [合格率8割の罠！G検定に3ヶ月で合格してわかった「本当の難易度」と最強の勉強法](https://g-ken-master.com/for-gken/7304/) - G検定に3ヶ月（約50時間）で合格したリアルな体験談。公式テキストでの挫折から、アウトプット重視の勉強法などを語ります。勉強方法の反省点や本番試験で感じたことを語っていきます。受験当日の心構えについても語っているので、ぜひ見ていってください。みなさんには効率的に合格できることを祈っています。
- [G検定 直前1週間の追い込み戦略｜最終チェックリストと頻出分野別の優先度](https://g-ken-master.com/for-gken/7409/) - 残り7日から当日まで、いつ何をやるか。弱点分野の補強・模擬問題での実戦演習・チートシートでの最終確認と、オンライン受験当日のチェックリストまで。
- [G検定に過去問はない！代わりに使える模擬問題と出題傾向の掴み方【2026年版】](https://g-ken-master.com/for-gken/7411/) - G検定は過去問が公開されていません。公式シラバスの読み込み、合格者の体験記、模擬問題という3つの方法で出題傾向を掴むやり方をまとめます。
- [【2026年版】G検定の難易度が上がった？試験形式の変更点と新シラバス対策](https://g-ken-master.com/for-gken/7413/) - 2024年のシラバス改訂と、2026年の試験時間短縮・会場試験の追加。合格率の推移まで見て、「難化した」と言われる中身を確かめます。
- [G検定合格後の次の資格はどれ？目的別おすすめ5選を徹底比較【2026年版】](https://g-ken-master.com/for-gken/7657/) - G検定の次に取るなら何か。AWS認定AIプラクティショナー・Azure AI-901・E資格など5つを、G検定の知識がどれだけ活きるかと目的別に比較します。
- [αβ 法（アルファベータ法）](https://g-ken-master.com/glossary/3642/) - αβ法（アルファベータ法） 解説 αβ法（アルファベータ法）とは、Mini-Max法の探索効率を劇的に向上させ
- [探索木](https://g-ken-master.com/glossary/3645/) - 探索木（Search Tree） 解説 探索木（Search Tree）とは、問題解決において、「現在の状態」
- [フレーム問題](https://g-ken-master.com/glossary/3637/) - フレーム問題 解説 フレーム問題（Frame Problem）とは、1969年にジョン・マッカーシーとパトリッ
- [ルールベース機械翻訳](https://g-ken-master.com/glossary/3638/) - ルールベース機械翻訳（RBMT） 解説 ルールベース機械翻訳（RBMT：Rule-Based Machine
- [ローブナーコンテスト](https://g-ken-master.com/glossary/3639/) - ローブナーコンテスト（Loebner Prize） 解説 ローブナーコンテスト（Loebner Prize）と
- [チューリングテスト](https://g-ken-master.com/glossary/3633/) - チューリングテスト 概要：AIの歴史の原点 チューリングテスト（Turing Test）は、「人工知能の父」と
- [中国語の部屋](https://g-ken-master.com/glossary/3634/) - 中国語の部屋 解説：記号処理と意味理解の壁 「中国語の部屋（Chinese Room）」は、1980年にアメリ
- [強いAIと弱いAI](https://g-ken-master.com/glossary/3635/) - 強いAIと弱いAI【G検定 必須用語】 1. 概要：AIの「知能レベル」による分類 「強いAI」と「弱いAI」
- [統計的機械翻訳](https://g-ken-master.com/glossary/3636/) - 統計的機械翻訳（SMT） 解説 統計的機械翻訳（SMT：Statistical Machine Transla
- [シンボルグラウンディング問題（記号接地問題）](https://g-ken-master.com/glossary/3629/) - シンボルグラウンディング問題（記号接地問題） 解説 シンボルグラウンディング問題（記号接地問題）とは、1990
- [身体性（Embodiment）](https://g-ken-master.com/glossary/3630/) - 身体性（Embodiment）【G検定 必須用語】 解説：知能は「体」と「環境」から生まれる 身体性（Embo
- [ダートマス会議](https://g-ken-master.com/glossary/3631/) - ダートマス会議 解説：AI研究の爆発的スタート ダートマス会議は、1956年にアメリカのダートマス大学で開催さ
- [トイ・プロブレム](https://g-ken-master.com/glossary/3632/) - トイ・プロブレム（おもちゃの問題） 解説 トイ・プロブレム（おもちゃの問題）とは、迷路、オセロ、ハノイの塔、数
- [人工知能とは何か？](https://g-ken-master.com/glossary/3625/) - 人工知能（AI） 1. 解説 人工知能（AI）とは、人間の知的行動（判断、推論、学習、認識、問題解決など）をコ
- [機械学習とは何か？](https://g-ken-master.com/glossary/3626/) - 機械学習（Machine Learning） 1. 解説 機械学習とは、データから反復的に学習し、そこに潜むパ
- [ディープラーニングとは何か？](https://g-ken-master.com/glossary/3627/) - ディープラーニング（Deep Learning） 1. 解説 ディープラーニング（深層学習）とは、人間の脳の神
- [シンギュラリティ（技術的特異点）](https://g-ken-master.com/glossary/3628/) - シンギュラリティ（技術的特異点） 解説 シンギュラリティ（技術的特異点）とは、「AIが全人類の知能を完全に超え
- [AI効果とは何か？](https://g-ken-master.com/glossary/3623/) - AI効果 解説 AI効果（AI Effect）とは、ある技術が登場した当初は「人工知能（AI）」として称賛され
- [エージェントとは何か？](https://g-ken-master.com/glossary/3624/) - エージェント 解説 エージェント（Agent）とは、人工知能（特に強化学習）において、「環境（Environm
- [ブルートフォース](https://g-ken-master.com/glossary/3649/) - ブルートフォース（力任せ探索） 解説 ブルートフォース（力任せ探索）とは、考えられる全ての選択肢をしらみつぶし
- [モンテカルロ法](https://g-ken-master.com/glossary/3650/) - モンテカルロ法 解説 モンテカルロ法とは、乱数を用いた試行（シミュレーション）を何千、何万回と繰り返すことで、
- [STRIPS](https://g-ken-master.com/glossary/3644/) - STRIPS（ストリップス） 解説 STRIPS（Stanford Research Institute Pr
- [ハノイの塔](https://g-ken-master.com/glossary/3646/) - ハノイの塔 解説 ハノイの塔とは、3本の杭と、大きさの異なる複数の円盤からなる古典的な数学パズルであり、AI研
- [幅優先探索・深さ優先探索](https://g-ken-master.com/glossary/3647/) - 深さ優先探索（DFS）と幅優先探索（BFS）の比較 探索アルゴリズムの中でも基本となる「深さ優先探索（DFS）
- [プランニング](https://g-ken-master.com/glossary/3640/) - プランニング（Planning） 解説 プランニング（Planning：行動計画）とは、ある「初期状態」から「
- [Mini-Max 法](https://g-ken-master.com/glossary/3641/) - Mini-Max法（ミニマックス法） 解説 Mini-Max法（ミニマックス法）とは、チェス、将棋、オセロなど
- [SHRDLU](https://g-ken-master.com/glossary/3643/) - SHRDLU（シュルドゥ） 解説 SHRDLU（シュルドゥ）とは、1968年から1970年にかけてスタンフォー
- [交差検証](https://g-ken-master.com/glossary/4118/) - 交差検証 (Cross-Validation) 解説 交差検証（クロスバリデーション）とは、手持ちのデータを何
- [k-分割交差検証](https://g-ken-master.com/glossary/4119/) - k-分割交差検証（k-fold Cross-Validation） 解説：データの「総当たり戦」 k-分割交差
- [混同行列](https://g-ken-master.com/glossary/4120/) - 混同行列（コンフュージョン・マトリックス） 解説：4つの象限で理解する 混同行列（Confusion Matr
- [MSE・RMSE・MAE](https://g-ken-master.com/glossary/4121/) - MSE・RMSE・MAE（回帰モデルの評価指標） 解説：予測の「ズレ」をどう採点するか これら3つの指標は、売
- [過学習](https://g-ken-master.com/glossary/4114/) - 過学習（オーバーフィッティング） 解説：勉強しすぎて応用がきかない状態 過学習（Overfitting）とは、
- [訓練誤差](https://g-ken-master.com/glossary/4115/) - 訓練誤差 (Training Error) 解説 訓練誤差（学習誤差）とは、モデルを学習させるために使ったデー
- [汎化誤差](https://g-ken-master.com/glossary/4116/) - 汎化誤差 (Generalization Error) 解説 汎化誤差（テスト誤差）とは、学習済みモデルが「ま
- [ホールドアウト検証](https://g-ken-master.com/glossary/4117/) - ホールドアウト検証（ホールドアウト法） 解説：一発勝負のテスト ホールドアウト検証は、手持ちのデータを1回だけ
- [汎化性能](https://g-ken-master.com/glossary/4113/) - 汎化性能 解説 汎化性能（Generalization Performance）とは、学習済みモデルが「未知の
- [ワトソン](https://g-ken-master.com/glossary/4141/) - Watson（ワトソン） 解説 Watson（ワトソン）とは、IBMが開発した質問応答（Question-An
- [次元の呪い](https://g-ken-master.com/glossary/4142/) - 次元の呪い (The Curse of Dimensionality) 解説 次元の呪いとは、1957年に数学
- [スパムフィルター](https://g-ken-master.com/glossary/4143/) - スパムフィルター（迷惑メールフィルタ） 解説 スパムフィルターとは、受信したメールが「正常なメール（ハム）」か
- [セマンティックWeb](https://g-ken-master.com/glossary/4137/) - セマンティックWeb 解説 セマンティックWeb（Semantic Web）とは、Webの生みの親であるティム
- [データマイニング](https://g-ken-master.com/glossary/4138/) - データマイニング 解説 データマイニング（Data Mining）とは、大量のデータ（ビッグデータ）の中から、
- [東ロボくん](https://g-ken-master.com/glossary/4139/) - 東ロボくん 解説 東ロボくんとは、2011年から国立情報学研究所（NII）が中心となって進めた「ロボットは東大
- [MYCIN](https://g-ken-master.com/glossary/4140/) - MYCIN（マイシン） 解説 MYCIN（マイシン）とは、1970年代にスタンフォード大学のエドワード・ショー
- [ELIZA](https://g-ken-master.com/glossary/4133/) - ELIZA（イライザ） 解説 ELIZA（イライザ）とは、1966年にマサチューセッツ工科大学（MIT）のジョ
- [インタビューシステム](https://g-ken-master.com/glossary/4134/) - インタビューシステム 解説 インタビューシステムとは、コンピュータがユーザに対して質問を投げかけ、対話形式で必
- [ウェブマイニング](https://g-ken-master.com/glossary/4135/) - ウェブマイニング 解説 ウェブマイニングとは、データマイニングの技術をWeb上のデータに適用し、有用なパターン
- [オントロジー](https://g-ken-master.com/glossary/4136/) - オントロジー（Ontology） 解説 オントロジー（Ontology）とは、本来は「存在論」という哲学用語で
- [DENDRAL](https://g-ken-master.com/glossary/4127/) - DENDRAL（デンドラル） 解説 DENDRAL（デンドラル）とは、1960年代にスタンフォード大学で開発さ
- [is-a、part-ofの関係](https://g-ken-master.com/glossary/4129/) - is-aとpart-ofの関係 1. is-a の関係 is-a（イズ・ア）の関係とは、「AはBの一種である」
- [Question-Answering](https://g-ken-master.com/glossary/4131/) - Question-Answering（質問応答） 解説 Question-Answering（質問応答：QA）
- [意味ネットワーク](https://g-ken-master.com/glossary/4132/) - 意味ネットワーク（Semantic Network） 1. 解説 意味ネットワークとは、人間の記憶や知識の構造
- [赤池情報量規準 (AIC)](https://g-ken-master.com/glossary/4123/) - 赤池情報量規準 (AIC: Akaike Information Criterion) 解説 赤池情報量規準（
- [ベイズ情報量規準 (BIC)](https://g-ken-master.com/glossary/4124/) - ベイズ情報量規準 (BIC: Bayesian Information Criterion) 解説 ベイズ情報
- [オッカムの剃刀](https://g-ken-master.com/glossary/4125/) - オッカムの剃刀 (Occam's Razor) 解説 オッカムの剃刀とは、「ある事柄を説明する際、必要以上に多
- [Cyc プロジェクト](https://g-ken-master.com/glossary/4126/) - Cyc（サイク）プロジェクト 解説 Cyc（サイク）プロジェクトとは、1984年にダグラス・レナート（Doug
- [ROC曲線・AUC](https://g-ken-master.com/glossary/4122/) - ROC曲線・AUC 解説：モデルの「実力」をグラフにする ROC曲線（Receiver Operating C
- [ビッグデータ](https://g-ken-master.com/glossary/4144/) - ビッグデータ 解説 ビッグデータとは、従来のデータベース管理システムでは記録・保管・解析が困難なほど巨大で複雑
- [レコメンデーションエンジン](https://g-ken-master.com/glossary/4145/) - レコメンデーションエンジン 解説 レコメンデーションエンジンとは、ユーザーの購買履歴や行動ログ、商品の属性デー
- [重回帰分析](https://g-ken-master.com/glossary/4250/) - 重回帰分析 (Multiple Regression Analysis) 解説 重回帰分析とは、1つの目的変数
- [多クラス分類](https://g-ken-master.com/glossary/4251/) - 多クラス分類（Multi-class Classification） 1. 解説 多クラス分類とは、データを「
- [線形回帰](https://g-ken-master.com/glossary/4249/) - 線形回帰 (Linear Regression) 解説 線形回帰とは、データの傾向を最もよく表す「直線（または
- [決定木](https://g-ken-master.com/glossary/4246/) - 決定木（Decision Tree） 1. 解説 決定木は、「もし〇〇ならA、そうでなければB」という条件分岐
- [勾配ブースティング](https://g-ken-master.com/glossary/4247/) - 勾配ブースティング (Gradient Boosting) 解説 勾配ブースティング（Gradient Boo
- [サポートベクターマシン](https://g-ken-master.com/glossary/4248/) - サポートベクターマシン (SVM) 解説 サポートベクターマシン（SVM）とは、教師あり学習（主に分類タスク）
- [LLM](https://g-ken-master.com/glossary/4241/) - LLM（Large Language Model：大規模言語モデル） 解説 LLM（大規模言語モデル）とは、計
- [カーネル](https://g-ken-master.com/glossary/4242/) - カーネル（カーネル法） 解説 カーネル法とは、そのままでは直線で分けること（線形分離）ができない複雑なデータを
- [回帰問題](https://g-ken-master.com/glossary/4244/) - 回帰問題（Regression） 1. 解説 回帰問題とは、入力データをもとに「連続的な数値」を予測するタスク
- [分類問題](https://g-ken-master.com/glossary/4245/) - 分類問題（Classification） 1. 解説 分類問題とは、入力されたデータが「どのグループ（カテゴリ
- [ILSVRC](https://g-ken-master.com/glossary/4237/) - ILSVRC（ImageNet Large Scale Visual Recognition Challeng
- [LeNet](https://g-ken-master.com/glossary/4238/) - LeNet（ルネット） 解説 LeNet（ルネット）とは、1998年にヤン・ルカン（Yann LeCun）博士
- [AlphaGo](https://g-ken-master.com/glossary/4239/) - AlphaGo（アルファ碁） 解説 AlphaGo（アルファ碁）とは、Google DeepMind社によって
- [ネオコグニトロン](https://g-ken-master.com/glossary/4240/) - ネオコグニトロン 解説 ネオコグニトロンとは、1979年にNHK放送科学基礎研究所の福島邦彦（ふくしま くにひ
- [ImageNet](https://g-ken-master.com/glossary/4236/) - ImageNet（イメージネット） 解説 ImageNet（イメージネット）とは、スタンフォード大学のフェイフ
- [潜在的ディリクレ配分法（LDA）](https://g-ken-master.com/glossary/4271/) - 潜在的ディリクレ配分法 (LDA: Latent Dirichlet Allocation) 解説 潜在的ディ
- [多次元尺度構成法（MDS）](https://g-ken-master.com/glossary/4272/) - 多次元尺度構成法 (MDS: Multi-Dimensional Scaling) 解説 多次元尺度構成法（M
- [コールドスタート問題](https://g-ken-master.com/glossary/4267/) - コールドスタート問題 (Cold Start Problem) 解説 コールドスタート問題とは、レコメンドシス
- [コンテンツベースフィルタリング](https://g-ken-master.com/glossary/4268/) - コンテンツベースフィルタリング (Content-Based Filtering) 解説 コンテンツベースフィ
- [次元削減](https://g-ken-master.com/glossary/4269/) - 次元削減（Dimensionality Reduction） 解説 次元削減とは、データが持っている情報の損失
- [主成分分析（PCA）](https://g-ken-master.com/glossary/4270/) - 主成分分析 (PCA: Principal Component Analysis) 解説 主成分分析（PCA）
- [t-SNE](https://g-ken-master.com/glossary/4263/) - t-SNE (t-Distributed Stochastic Neighbor Embedding) 解説
- [ウォード法](https://g-ken-master.com/glossary/4264/) - ウォード法（Ward’s Method） 解説 ウォード法は、「階層的クラスタリング」の中で最も一般的で、精度
- [協調フィルタリング](https://g-ken-master.com/glossary/4265/) - 協調フィルタリング (Collaborative Filtering) 解説 協調フィルタリングとは、多くのユ
- [クラスタリング](https://g-ken-master.com/glossary/4266/) - クラスタリング（Clustering） 1. 解説 クラスタリング（クラスター分析）とは、データの中から「似て
- [自己回帰モデル（AR）](https://g-ken-master.com/glossary/4258/) - 自己回帰モデル (AR: Autoregressive model) 解説 自己回帰モデル（ARモデル）とは、
- [VARモデル](https://g-ken-master.com/glossary/4259/) - VARモデル (Vector AutoRegression: ベクトル自己回帰モデル) 解説 VARモデル（ベ
- [ロジスティック回帰](https://g-ken-master.com/glossary/4261/) - ロジスティック回帰（Logistic Regression） 1. 解説 ロジスティック回帰は、名前に「回帰」
- [k-means 法](https://g-ken-master.com/glossary/4262/) - k-means 法（k-means clustering） 1. 解説 k-means 法（k平均法）は、教師
- [ブートストラップサンプリング](https://g-ken-master.com/glossary/4254/) - ブートストラップサンプリング (Bootstrap Sampling) 解説 ブートストラップサンプリングとは
- [ランダムフォレスト](https://g-ken-master.com/glossary/4255/) - ランダムフォレスト (Random Forest) 解説 ランダムフォレストは、複数の「決定木」を組み合わせる
- [ブースティング](https://g-ken-master.com/glossary/4256/) - ブースティング (Boosting) 解説 ブースティングとは、アンサンブル学習（複数のモデルを組み合わせる手
- [AdaBoost](https://g-ken-master.com/glossary/4257/) - AdaBoost (Adaptive Boosting) 解説 AdaBoost（エイダブースト）は、1995
- [アンサンブル学習](https://g-ken-master.com/glossary/4252/) - アンサンブル学習（Ensemble Learning） 1. 解説 アンサンブル学習とは、複数のモデル（学習器
- [バギング](https://g-ken-master.com/glossary/4253/) - バギング（Bagging） 1. 解説 バギング（Bagging）は、正式名称を「Bootstrap aggr
- [特異値分解（SVD）](https://g-ken-master.com/glossary/4274/) - 特異値分解 (SVD: Singular Value Decomposition) 解説 特異値分解（SVD）
- [トピックモデル](https://g-ken-master.com/glossary/4275/) - トピックモデル (Topic Model) 解説 トピックモデルとは、大量の文書データから、その裏側に潜んでい
- [デンドログラム](https://g-ken-master.com/glossary/4273/) - デンドログラム (Dendrogram) 解説 デンドログラム（樹形図）とは、データを似ているもの同士で順番に
- [方策](https://g-ken-master.com/glossary/4303/) - 方策（Policy） 解説 方策（Policy）とは、強化学習のエージェントが「ある状態において、どのような行
- [Actor-Critic](https://g-ken-master.com/glossary/4304/) - Actor-Critic (アクター・クリティック) 解説 Actor-Criticとは、強化学習において「行
- [TD誤差](https://g-ken-master.com/glossary/4305/) - TD誤差 (Temporal Difference Error) 解説 TD誤差（Temporal Diffe
- [REINFORCE](https://g-ken-master.com/glossary/4312/) - REINFORCE (Monte Carlo Policy Gradient) 解説 REINFORCEとは、
- [マルコフ決定過程](https://g-ken-master.com/glossary/4313/) - マルコフ決定過程（MDP：Markov Decision Process） 解説 マルコフ決定過程（MDP）と
- [マルコフ性](https://g-ken-master.com/glossary/4314/) - マルコフ性（Markov Property） 解説 マルコフ性とは、「未来の状態は、『現在の状態』のみによって
- [ε-greedy方策](https://g-ken-master.com/glossary/4308/) - ε-greedy方策 解説 ε-greedy方策（イプシロン・グリーディ方策）は、強化学習における代表的な行動
- [UCB方策](https://g-ken-master.com/glossary/4309/) - UCB方策 解説 UCB方策（Upper Confidence Bound）は、主にバンディット問題で用いられ
- [バンディットアルゴリズム](https://g-ken-master.com/glossary/4310/) - バンディットアルゴリズム（Bandit Algorithm） 解説 バンディットアルゴリズムは、「複数の選択肢
- [方策勾配法](https://g-ken-master.com/glossary/4311/) - 方策勾配法 (Policy Gradient Method) 解説 方策勾配法とは、強化学習において、エージェ
- [Q学習](https://g-ken-master.com/glossary/4306/) - Q学習 (Q-learning) 解説 Q学習（Q-learning）は、強化学習において最も代表的な手法の一
- [分散と標準偏差](https://g-ken-master.com/glossary/4340/) - G検定で頻出の統計用語である分散と標準偏差について徹底解説。計算式の丸暗記ではなく、用語を正しく理解して試験問題でも確実に点数につなげていきましょう。
- [相関係数](https://g-ken-master.com/glossary/4358/) - 相関係数を理解する 相関係数は、2つの数値データの関係性を−1 〜 +1 の数値で表す指標です。散布図とセット
- [共分散](https://g-ken-master.com/glossary/4374/) - 共分散を理解する 共分散は、2つの数値データがどのように一緒に変動しているかを表す指標です。相関係数の“元”と
- [確率と期待値](https://g-ken-master.com/glossary/4396/) - 確率・期待値を理解する 確率・期待値は、G検定でも頻出の基礎統計です。特に期待値は「平均的にどれくらいの結果に
- [微分・偏微分](https://g-ken-master.com/glossary/4398/) - 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
- [線形代数（ベクトル・行列）](https://g-ken-master.com/glossary/4410/) - 線形代数（ベクトル・行列）を理解する 線形代数は、G検定でも頻出の基礎数学です。特にベクトル・行列は、機械学習
- [コサイン類似度](https://g-ken-master.com/glossary/4416/) - コサイン類似度を理解する コサイン類似度は、G検定でも頻出のベクトル類似度指標です。特に自然言語処理やレコメン
- [ユークリッド距離](https://g-ken-master.com/glossary/4418/) - ユークリッド距離を理解する ユークリッド距離は、G検定でも頻出の「距離（類似度）」を測る基本的な指標です。特に
- [正規化](https://g-ken-master.com/glossary/4420/) - Min-Max 正規化を理解する Min-Max 正規化は、データを0〜1の範囲にスケールする最も基本的な正規
- [知識獲得のボトルネック](https://g-ken-master.com/glossary/4945/) - 知識獲得のボトルネック 解説：第2次AIブームの「最大の壁」 知識獲得のボトルネック（Knowledge Ac
- [単純パーセプトロン](https://g-ken-master.com/glossary/4987/) - 単純パーセプトロン 解説：AIの最もシンプルな形 単純パーセプトロンは、1958年にフランク・ローゼンブラット
- [KL情報量](https://g-ken-master.com/glossary/5003/) - カルバック・ライブラー情報量 (KL Divergence) 解説 カルバック・ライブラー情報量（KLダイバー
- [コントラスト損失](https://g-ken-master.com/glossary/5004/) - Contrastive Loss (コントラスティブ損失) 解説 Contrastive Lossは、ディープ
- [トリプレット損失](https://g-ken-master.com/glossary/5005/) - Triplet Loss 解説 Triplet Loss（トリプレット損失）は、3つのデータを1組（トリプレッ
- [正則化](https://g-ken-master.com/glossary/5008/) - 正則化 解説 過学習を防ぐ「正則化（正規化）」とは？ 機械学習のモデルが、訓練データを一生懸命覚えようとするあ
- [勾配消失問題](https://g-ken-master.com/glossary/4999/) - 勾配消失問題 (Vanishing Gradient Problem) 解説：伝わらない「伝言ゲーム」 勾配消
- [誤差関数](https://g-ken-master.com/glossary/5000/) - 誤差関数（損失関数） 解説：AIへの「採点表」 誤差関数（Error Function）は、別名「損失関数（L
- [平均二乗誤差](https://g-ken-master.com/glossary/5001/) - 平均二乗誤差（MSE） 解説：回帰問題の「採点」の定番 平均二乗誤差（MSE: Mean Squared Er
- [交差エントロピー](https://g-ken-master.com/glossary/5002/) - 交差エントロピー誤差（Cross Entropy Error） 解説：正解への「確信度」を測る 交差エントロピ
- [tanh関数](https://g-ken-master.com/glossary/4995/) - tanh関数（ハイパボリックタンジェント） 解説：シグモイド関数の進化版 tanh関数（Hyperbolic
- [ReLU関数](https://g-ken-master.com/glossary/4996/) - ReLU関数（ランプ関数 / 正規化線形関数） 解説：最強の「スイッチ」 ReLU（Rectified Lin
- [Leaky ReLU関数](https://g-ken-master.com/glossary/4997/) - Leaky ReLU関数（リーキー・レル） 解説：ReLUの「弱点」を克服した改良版 Leaky ReLU（L
- [ソフトマックス関数](https://g-ken-master.com/glossary/4998/) - ソフトマックス関数（Softmax Function） 解説：スコアを「確率」に変える変換機 ソフトマックス関
- [GPU](https://g-ken-master.com/glossary/4991/) - GPU (Graphics Processing Unit) 解説 GPU（画像処理装置）は、もともと3Dゲー
- [TPU](https://g-ken-master.com/glossary/4992/) - TPU (Tensor Processing Unit) 解説 TPU（Tensor Processing U
- [活性化関数](https://g-ken-master.com/glossary/4993/) - 活性化関数（アクティベーション・ファンクション） 解説：ニューロンの「やる気スイッチ」 活性化関数は、ニューロ
- [シグモイド関数](https://g-ken-master.com/glossary/4994/) - シグモイド関数（Sigmoid Function） 解説：確率への変換装置 シグモイド関数は、どんな入力値が来
- [多層パーセプトロン](https://g-ken-master.com/glossary/4988/) - 多層パーセプトロン（MLP） 解説：単純パーセプトロンの進化形 多層パーセプトロン（MLP: Multi-La
- [ニューラルネットワークの階層構造](https://g-ken-master.com/glossary/4989/) - 隠れ層・入力層・出力層 解説：データの「料理」プロセス ニューラルネットワークは、データを受け取ってから結果を
- [CPU](https://g-ken-master.com/glossary/4990/) - CPU (Central Processing Unit) 解説 CPU（中央演算処理装置）は、パソコンやスマ
- [ハイパーパラメータ探索](https://g-ken-master.com/glossary/5027/) - ハイパーパラメータ探索（グリッドサーチ / ランダムサーチ） 解説：最強の設定を見つけるための「宝探し」 ハイ
- [局所最適解・大域最適解・鞍点](https://g-ken-master.com/glossary/5023/) - 局所最適解・大域最適解・鞍点 解説：山下りで遭遇する「3つの罠とゴール」 勾配降下法（夜の山下り）で誤差の「谷
- [学習理論とテクニック（早期終了・ノーフリーランチ・二重降下現象）](https://g-ken-master.com/glossary/5024/) - 早期終了・ノーフリーランチ・二重降下現象 解説：AI学習の「引き際」と「真実」 ここでは、AIの学習をうまくコ
- [最適化アルゴリズム](https://g-ken-master.com/glossary/5025/) - 最適化手法（Momentum / AdaGrad / RMSprop / Adam） 解説 SGD（確率的勾配
- [発展的な最適化（AMSGrad / AdaBound / AMSBound）](https://g-ken-master.com/glossary/5026/) - 発展的な最適化（AMSGrad / AdaBound / AMSBound） 解説：Adamの弱点を克服する「
- [SGD](https://g-ken-master.com/glossary/5019/) - 確率的勾配降下法 (SGD) 解説：千鳥足でゴールを目指す 確率的勾配降下法（SGD: Stochastic
- [学習率](https://g-ken-master.com/glossary/5020/) - 学習率（Learning Rate） 解説：ゴールまでの「歩幅」調整 学習率（Learning Rate）は、
- [学習方式の比較（バッチ学習・ミニバッチ学習・オンライン学習）](https://g-ken-master.com/glossary/5021/) - バッチ学習・ミニバッチ学習・オンライン学習 解説：「答え合わせ」のタイミングで比較する ニューラルネットワーク
- [学習回数の単位（エポック・イテレーション）](https://g-ken-master.com/glossary/5022/) - エポック・イテレーション（学習の単位） 解説：AIの「ドリル学習」スケジュール ニューラルネットワークは、同じ
- [連鎖律](https://g-ken-master.com/glossary/5014/) - 連鎖律 (Chain Rule) 解説 連鎖律（チェインルール）とは、複数の関数が入れ子になった「合成関数」を
- [勾配爆発](https://g-ken-master.com/glossary/5015/) - 勾配爆発問題 (Gradient Explosion Problem) 解説 勾配爆発問題とは、ディープラーニ
- [勾配降下法](https://g-ken-master.com/glossary/5017/) - 勾配降下法（Gradient Descent） 解説：目隠しで「谷底」を目指す 勾配降下法は、ニューラルネット
- [ハイパーパラメータ](https://g-ken-master.com/glossary/5018/) - ハイパーパラメータ 解説：AIへの「設定」と「学習」の違い ハイパーパラメータとは、機械学習の学習を始める前に
- [ドロップアウト](https://g-ken-master.com/glossary/5010/) - ドロップアウト（Dropout） 解説：AIへの「スパルタ特訓」 ドロップアウト（Dropout）は、2014
- [誤差逆伝播法](https://g-ken-master.com/glossary/5013/) - 誤差逆伝播法（バックプロパゲーション） 解説：ミスの原因を「逆流」して探す 誤差逆伝播法（Backpropag
- [重み](https://g-ken-master.com/glossary/5069/) - 重み (Weight) 解説：特徴量（入力データ）の「重要度」を決めるパラメータ 重み（Weight）とは、ニ
- [全結合層](https://g-ken-master.com/glossary/5070/) - 全結合層 (Fully Connected Layer / Dense Layer) 解説：すべての情報を総ま
- [プーリング層](https://g-ken-master.com/glossary/5084/) - プーリング層（Pooling Layer） 解説：あえて「大雑把」に見る技術 プーリング層は、画像の解像度を下
- [スキップ結合](https://g-ken-master.com/glossary/5089/) - スキップ結合（ショートカット接続） 解説：情報の「バイパス道路」を作る スキップ結合（Skip Connect
- [回帰結合層](https://g-ken-master.com/glossary/5091/) - 回帰結合層（Recurrent Layer） 解説：自分にパスを出す「記憶」の仕組み 回帰結合層は、ニューラル
- [RNN](https://g-ken-master.com/glossary/5092/) - リカレントニューラルネットワーク (RNN) 解説：過去を「記憶」するネットワーク リカレントニューラルネット
- [拡張畳み込み（Dilation Convolution）](https://g-ken-master.com/glossary/5078/) - 拡張畳み込み（Dilation Convolution） 解説：スカスカにして視野を広げる Dilation
- [深度別分離畳み込み（Depthwise Separable Convolution）](https://g-ken-master.com/glossary/5079/) - 深度別分離畳み込み（Depthwise Separable Convolution） 解説：仕事を2人に分担し
- [次元削減](https://g-ken-master.com/glossary/5110/) - 次元削減（Dimensionality Reduction） 解説：情報の「断捨離」と「要約」 次元削減とは、
- [VAE](https://g-ken-master.com/glossary/5111/) - 変分オートエンコーダ（VAE） 解説：データを「確率の雲」に変える 変分オートエンコーダ（VAE: Varia
- [位置エンコーディング](https://g-ken-master.com/glossary/5106/) - 位置エンコーディング (Positional Encoding) 解説：バラバラの原稿に「ページ番号」を振る
- [Seq2Seq](https://g-ken-master.com/glossary/5107/) - Seq2Seq（Sequence-to-Sequence） 解説：2人でバケツリレーする翻訳家 Seq2Seq
- [オートエンコーダ](https://g-ken-master.com/glossary/5108/) - オートエンコーダ（自己符号化器） 解説：自分を「要約」して「復元」する オートエンコーダ（Autoencode
- [積層オートエンコーダ](https://g-ken-master.com/glossary/5109/) - 積層オートエンコーダ（Stacked Autoencoder） 解説：ディープラーニングの「夜明け」を作った技
- [Q/K/V](https://g-ken-master.com/glossary/5102/) - クエリ・キー・バリュー (Query / Key / Value) 解説：AIによる「脳内検索システム」 At
- [Self-Attention](https://g-ken-master.com/glossary/5103/) - Self-Attention (自己注意機構) 解説：文脈を「自分の中」で解決する Self-Attentio
- [Multi-Head Attention](https://g-ken-master.com/glossary/5104/) - Multi-Head Attention（多頭注意機構） 解説：「三人寄れば文殊の知恵」をAIで実現 Mult
- [Transformer](https://g-ken-master.com/glossary/5105/) - Transformer 解説：AIの歴史を変えた「常識破り」のモデル Transformerは、2017年にG
- [教師強制](https://g-ken-master.com/glossary/5098/) - 教師強制 (Teacher Forcing) 解説：間違った道を突き進むのを防ぐ「軌道修正」 教師強制（Tea
- [双方向RNN](https://g-ken-master.com/glossary/5100/) - 双方向 RNN (Bidirectional RNN) 解説：未来をカンニングして答えを出す 双方向 RNN（
- [Attention](https://g-ken-master.com/glossary/5101/) - Attention（注意機構） 解説：AIに「メリハリ」を与える技術 Attention（アテンション）は、入
- [初期のRNN](https://g-ken-master.com/glossary/5093/) - エルマンネット / ジョルダンネット 解説：RNNの「始祖」たち 1990年代初頭に考案された、現代のRNNの
- [BPTT](https://g-ken-master.com/glossary/5095/) - Back Propagation Through Time (BPTT) 解説：時間を「巻き戻して」犯人を探す
- [LSTM](https://g-ken-master.com/glossary/5096/) - Long Short Term Memory (LSTM) 解説：記憶を「ベルトコンベア」で運ぶ Long S
- [GRU](https://g-ken-master.com/glossary/5097/) - Gated Recurrent Unit (GRU) 解説：LSTMを「断捨離」して高速化したモデル Gate
- [データ拡張](https://g-ken-master.com/glossary/5114/) - データ拡張（Data Augmentation）とは？ 一言で言うと、「手持ちのデータを加工して、擬似的にデー
- [テキスト拡張](https://g-ken-master.com/glossary/5119/) - テキストデータの拡張（Noising / Paraphrasing） 解説：文章を「カサ増し」する技術 画像デ
- [画像分類モデル（CNN）の進化の歴史](https://g-ken-master.com/glossary/5577/) - 画像分類モデル（CNN）の進化の歴史：AIブームを牽引した名作たち ディープラーニング（深層学習）が現在のAI
- [物体検出モデルの進化と歴史](https://g-ken-master.com/glossary/5578/) - 物体検出モデルの進化を極める：「精度」と「速度」の戦いの歴史 「画像の中に何が（分類）、どこにあるか（位置特定
- [セマンティックセグメンテーション](https://g-ken-master.com/glossary/5579/) - セマンティックセグメンテーション (Semantic Segmentation) 解説：AIによる「デジタル塗
- [インスタンスセグメンテーション](https://g-ken-master.com/glossary/5580/) - インスタンスセグメンテーション (Instance Segmentation) 解説：「個」を見極める、画像認
- [姿勢推定](https://g-ken-master.com/glossary/5582/) - 姿勢推定 (Pose Estimation) 解説：AIで「骨格」を透視する 姿勢推定（ポーズ・エスティメーシ
- [パノプティックセグメンテーション](https://g-ken-master.com/glossary/5581/) - パノプティックセグメンテーション (Panoptic Segmentation) 解説：画像認識の「完全体」
- [画像分類](https://g-ken-master.com/glossary/5637/) - 画像分類 (Image Classification) 解説：AIによる「仕分け」作業 画像分類は、入力された
- [物体検出](https://g-ken-master.com/glossary/5662/) - 物体検出 (Object Detection) 解説：「何が」「どこに」あるかを瞬時に見抜く 物体検出は、画像
- [自然言語処理の基礎](https://g-ken-master.com/glossary/5873/) - 自然言語処理 私たち人間は「言葉（自然言語）」を当たり前に使っていますが、コンピュータはそのままでは言葉を理解
- [分散表現](https://g-ken-master.com/glossary/5876/) - 単語の意味を捉える「分散表現」の登場 「ワンホットベクトル」には、大きな弱点がありました。それは、「単語同士の
- [文脈の理解](https://g-ken-master.com/glossary/5880/) - 文脈の理解と「ディープラーニング・LLM」へ word2vecなどの分散表現は画期的でしたが、「多義語（同じ単
- [自然言語処理の活用タスク](https://g-ken-master.com/glossary/5885/) - 自然言語処理の活用タスク これまで紹介した技術（形態素解析、word2vec、Transformerなど）を使
- [音声処理の基礎](https://g-ken-master.com/glossary/5888/) - 音声処理の基礎：AIは「音」をどう聴いているのか？ SiriやAlexaなどの音声アシスタント、Zoomの自動
- [DQN (Deep Q-Network)](https://g-ken-master.com/glossary/5912/) - DQNとその発展形（価値ベースの手法） 解説：強化学習の「革命児」と、その進化の系譜 2013年、DeepMi
- [ポリシー勾配法と最新アルゴリズム](https://g-ken-master.com/glossary/5913/) - ポリシー勾配法と最新アルゴリズム 解説：反射神経を鍛える「ポリシー勾配法」 DQNのような「価値ベース」の手法
- [実践的な学習テクニック・環境設定](https://g-ken-master.com/glossary/5920/) - 実践的な学習テクニック・環境設定 解説：実験室から「現実世界」へ 強化学習は、ゲームの中（シミュレーション）で
- [敵対的生成ネットワーク (GAN)と派生モデル](https://g-ken-master.com/glossary/5931/) - 敵対的生成ネットワーク (GAN) 解説：「偽造犯」と「警察」のいたちごっこ GAN（ガン：Generativ
- [最新の生成・3D技術 (Diffusion / NeRF)](https://g-ken-master.com/glossary/5933/) - 最新の生成・3D技術 (Diffusion / NeRF) GANに代わって台頭してきた最新の画像生成技術（拡
- [転移学習](https://g-ken-master.com/glossary/5937/) - 転移学習 (Transfer Learning) 解説：AIにおける「巨人の肩に乗る」アプローチ 転移学習（T
- [ファインチューニング](https://g-ken-master.com/glossary/5938/) - ファインチューニング (Fine-tuning) 解説：「プロ」を再教育して「専門家」にする ファインチューニ
- [Few-shot / One-shot Learning](https://g-ken-master.com/glossary/5939/) - Few-shot / One-shot Learning 解説：人間のように「少し」で学ぶ 従来のディープラー
- [半教師あり学習 & 自己教師あり学習](https://g-ken-master.com/glossary/5941/) - 半教師あり学習 & 自己教師あり学習 解説：データの「宝の持ち腐れ」を防ぐ技術 ディープラーニングには
- [事前学習](https://g-ken-master.com/glossary/5942/) - 事前学習と学習済みモデル 解説：AIの「義務教育」期間 事前学習（Pre-training）とは、AIモデルに
- [破壊的忘却](https://g-ken-master.com/glossary/5944/) - 破壊的忘却 (Catastrophic Forgetting) 解説：AIの「上書き保存」問題 破壊的忘却（カ
- [マルチモーダルAI](https://g-ken-master.com/glossary/5947/) - マルチモーダルAI：視覚とコトバを繋ぐ技術の最前線 解説：「目」と「耳」を同時に持つAI 人間は、目で見た情報
- [Guided Grad-CAM](https://g-ken-master.com/glossary/5958/) - Guided Grad-CAM 解説 Guided Grad-CAMは、「Grad-CAM」のヒートマップ（大
- [説明可能AI(XAI)](https://g-ken-master.com/glossary/5961/) - 説明可能AI (XAI: Explainable AI) 解説：AIの頭の中を「翻訳」する技術 説明可能AI（
- [エッジ AI](https://g-ken-master.com/glossary/5962/) - エッジAI (Edge AI) 解説：現場で即断即決する「端末上のAI」 エッジAIは、インターネットの向こう
- [蒸留](https://g-ken-master.com/glossary/5963/) - 蒸留 (Knowledge Distillation) 解説：名教師の「暗黙知」を受け継ぐ 蒸留（知識蒸留）は
- [宝くじ仮説](https://g-ken-master.com/glossary/5964/) - 宝くじ仮説 (The Lottery Ticket Hypothesis) 解説：巨大モデルは「くじ引き会場」
- [プルーニング](https://g-ken-master.com/glossary/5965/) - プルーニング (Pruning) 解説：AIの「贅肉」を削ぎ落とす プルーニング（剪定：せんてい）は、学習済み
- [量子化](https://g-ken-master.com/glossary/5967/) - 量子化 (Quantization) 解説：データの「解像度」を落として軽くする 量子化（クオンタイゼーション
- [AIのビジネス戦略](https://g-ken-master.com/glossary/5968/) - AIのビジネス戦略と人材 解説：技術を「価値」に変える力 AIプロジェクトを成功させるには、単にプログラミング
- [AIプロジェクトの進め方](https://g-ken-master.com/glossary/5969/) - AIプロジェクトの進行プロセス 解説：なぜAI開発は「アジャイル」なのか？ 従来のシステム開発（銀行のシステム
- [AI開発環境と実装・運用](https://g-ken-master.com/glossary/5982/) - AI開発環境と実装・運用 解説：AIエンジニアの「道具箱」 AI開発は、単にコードを書くだけでは終わりません。
- [アノテーション](https://g-ken-master.com/glossary/6006/) - アノテーション (Annotation) 解説：AIに対する「赤ペン先生」 アノテーション（Annotatio
- [オープンデータセット](https://g-ken-master.com/glossary/6007/) - オープンデータセット (Open Datasets) 解説：AI開発の「共有財産」 オープンデータセットは、研
- [コーパス](https://g-ken-master.com/glossary/6008/) - コーパス (Corpus) 解説：AIのための「言葉の標本箱」 コーパス（Corpus）は、自然言語処理の研究
- [データリーケージ（Data Leakage）](https://g-ken-master.com/glossary/6009/) - データリーケージ (Data Leakage) 解説：AIによる「禁断のカンニング」 データリーケージ（リーク
- [正規化](https://g-ken-master.com/glossary/6147/) - ニューラルネットワークの正規化（Normalization）手法 解説：データの「乱れ」を整える整流器 ニュー
- [個人情報保護法](https://g-ken-master.com/glossary/6351/) - 個人情報保護法 (APPI) 解説：データの「活用」と「保護」のバランス 個人情報保護法（正式名称：個人情報の
- [著作権法](https://g-ken-master.com/glossary/6352/) - 著作権法 (Copyright Law) 解説：日本は「機械学習パラダイス」？ AI開発と著作権の関係は、「学
- [特許法](https://g-ken-master.com/glossary/6353/) - 特許法と営業秘密 解説：AI技術を「公開」して守るか、「隠して」守るか AIモデルやアルゴリズムを開発した際、
- [独占禁止法](https://g-ken-master.com/glossary/6355/) - 独占禁止法 (Antimonopoly Act) 解説：AI時代の「公正な競争」とは？ 独占禁止法（独禁法）は
- [不正競争防止法](https://g-ken-master.com/glossary/6354/) - 不正競争防止法 解説：なぜビジネスの「ズル（タダ乗り）」を許してはいけないのか？ 特許法や著作権法は「新しい発
- [AI開発委託契約](https://g-ken-master.com/glossary/6356/) - AI開発委託契約 解説：AI開発は「探索的」である AI開発は、「仕様書通りに作れば必ず完成する」という保証が
- [AIサービス提供契約](https://g-ken-master.com/glossary/6357/) - AIサービス提供契約 (SaaS型) 解説：AIを「所有」せず「利用」する契約 AI開発には、「自社専用のAI
- [国内外のガイドライン（ソフトロー、ハードロー）](https://g-ken-master.com/glossary/6358/) - 国内外のAIガイドライン（ソフトロー、ハードロー） 解説：AIを縛る「硬いルール」と「柔らかいルール」 AI技
- [プライバシー](https://g-ken-master.com/glossary/6359/) - AIとプライバシー問題 解説：AIは「知りすぎる」リスク AIにおけるプライバシー問題は、単に「氏名や住所が流
- [公平性](https://g-ken-master.com/glossary/6360/) - AIの公平性 (Fairness) 解説：AIは「偏見」を増幅する鏡 「AIは感情を持たない機械だから、人間よ
- [安全性とセキュリティ](https://g-ken-master.com/glossary/6361/) - AIの安全性とセキュリティ 解説：2つの「安全」の違い 日本語ではどちらも「安全」と訳されがちですが、AI開発
- [悪用](https://g-ken-master.com/glossary/6362/) - AI技術の悪用 (AI Misuse) 解説：AIは「デュアルユース」技術 AIは、医療や翻訳に役立つ素晴らし
- [透明性と説明可能性 (XAI)](https://g-ken-master.com/glossary/6363/) - 透明性と説明可能性 (XAI) 解説：AIは「ブラックボックス」である ディープラーニングなどの高度なAIモデ
- [民主主義](https://g-ken-master.com/glossary/6364/) - AIと民主主義：情報の偏りと分断 解説：心地よい「泡」の中で失われる対話 民主主義が健全に機能するためには、有
- [環境保護](https://g-ken-master.com/glossary/6365/) - 環境保護とAI：Green AI vs Red AI 解説：AIは地球を救うか、温めるか？ AIは気候変動対策
- [労働政策](https://g-ken-master.com/glossary/6366/) - AIと労働政策：代替か、協働か 解説：AIは「仕事」を奪うのか？ 「AIに仕事を奪われる」という脅威論は根強い
- [社会への影響](https://g-ken-master.com/glossary/6367/) - 社会への影響：共生と尊厳の境界線 解説：技術は中立ではない AIは社会構造を劇的に変える力を持っています。その
- [AIガバナンス](https://g-ken-master.com/glossary/6368/) - AIガバナンス (AI Governance) 解説：AIの手綱（たづな）を握る仕組み AIガバナンスとは、A
- [教師あり学習とは](https://g-ken-master.com/glossary/6572/) - 教師あり学習 (Supervised Learning) 解説 教師あり学習とは、入力データ（問題）と、それに
- [教師なし学習とは](https://g-ken-master.com/glossary/6581/) - 教師なし学習 (Unsupervised Learning) 解説 教師なし学習とは、入力データのみをコンピュ
- [強化学習とは](https://g-ken-master.com/glossary/6593/) - 強化学習 (Reinforcement Learning) 解説 強化学習とは、AI（エージェント）が試行錯誤

## 固定ページ

- [G検定に過去問はない｜代わりに解ける無料問題400問と全問解説](https://g-ken-master.com/) - G検定の過去問はJDLAから公開されていません。当サイトは本番の出題形式に合わせた無料問題400問と全問の解説を公開しています。会員登録もアプリも不要で、いますぐ解けます。分野別の演習・用語集・チートシートもすべて無料です。
- [G検定の一問一答 400問｜分野別・全問に解説つき（無料）](https://g-ken-master.com/category-practice/) - G検定の練習問題を分野別に400問、すべて解説つきで公開しています。シラバス2024の9分野から選んで解けます。会員登録もアプリも不要、すべて無料です。市販の問題集と同等レベルの難易度です。
- [G検定 カテゴリ別ランダム演習（10問）](https://g-ken-master.com/practice/) - 練習問題で“瞬発力”を鍛える 当サイトでは、G検定の市販の問題集（黒本・白本）と同等レベルの問題を無料で400
- [【無料】G検定の動画講義10本｜Udemy有料講座（全55講義）の最初の10本をそのまま公開](https://g-ken-master.com/free-lecture/) - このページの10本は、Udemyで販売している有料講座「【教科書で挫折した人も】G検定対策講座 図解スライドで
- [G検定チートシート｜新シラバス(G2024#6)対応・全37項目を1ページに](https://g-ken-master.com/cheat/) - G検定の出題範囲すべてを1ページにまとめたチートシートです。新シラバス（G2024#6）の37項目を要点と比較表だけで整理。試験中はキーワードで絞り込んで引けます。印刷にも対応。すべて無料・登録不要です。
- [一問一答](https://g-ken-master.com/exercise/) - G検定は 145問を100分で解くスピード勝負の試験 （オンラインの場合）です。合格率が77〜79%あるからと
- [プロフィール](https://g-ken-master.com/about-me/) - 管理人プロフィール 当サイト「G検定の森」をご訪問いただきありがとうございます。管理人は現在、国内のSIer（
- [Web教科書](https://g-ken-master.com/word/) - G検定対策：頻出用語・キーワード解説まとめ（Web教科書） 本ページは、G検定（ジェネラリスト検定）の合格に向
- [プライバシーポリシー](https://g-ken-master.com/プライバシーポリシー/) - プライバシーポリシー G検定の森（以下「当サイト」といいます。）は、当サイトの訪問者様（以下「ユーザー様」とい
- [問い合わせ](https://g-ken-master.com/contact/) - 以下からお問い合わせください。問題に関するご指摘等もこちらから受け付けております。

## カテゴリー

- [未分類](https://g-ken-master.com/category/uncategorized/)
- [Web教科書](https://g-ken-master.com/category/glossary/)
- [G検定の試験に向けて](https://g-ken-master.com/category/for-gken/)

## タグ

- [G検定](https://g-ken-master.com/tag/g検定/)
- [直前対策](https://g-ken-master.com/tag/直前対策/)
- [2026年](https://g-ken-master.com/tag/2026年/)
- [勉強法](https://g-ken-master.com/tag/勉強法/)
- [試験対策](https://g-ken-master.com/tag/試験対策/)
- [過去問](https://g-ken-master.com/tag/過去問/)
- [模擬問題](https://g-ken-master.com/tag/模擬問題/)
- [出題傾向](https://g-ken-master.com/tag/出題傾向/)
- [難易度](https://g-ken-master.com/tag/難易度/)
- [シラバス改訂](https://g-ken-master.com/tag/シラバス改訂/)
- [試験形式](https://g-ken-master.com/tag/試験形式/)
- [次の資格](https://g-ken-master.com/tag/次の資格/)
- [資格比較](https://g-ken-master.com/tag/資格比較/)