G検定の出題範囲まとめ｜シラバスをわかりやすく解説

G検定の出題範囲は広い

G検定は、ひとつの分野を深く掘り下げるというより、AIに関する幅広い知識を問う試験です。技術分野だけでなく、法律・倫理・社会実装まで出題されるため、最初に全体像をつかんでから学習を始めることが大切です。

技術分野

AIの歴史、探索・推論、機械学習、ディープラーニング、自然言語処理、画像認識、生成AI、数学・統計などを学びます。

法律・倫理分野

個人情報保護、著作権、AI倫理、公平性、透明性、説明可能性、AIガバナンスなどを学びます。

学習の進め方

最初に全体像を確認し、機械学習・ディープラーニングを中心に学びつつ、法律・倫理も後回しにしすぎないことが大切です。

最新シラバスを確認しましょう

G検定の出題範囲はシラバス改訂により変わる場合があります。
生成AI、AIガバナンス、法規制などは近年重要度が高い分野です。
受験前には、必ずJDLA公式サイトで最新のシラバスを確認してください。

まず押さえたい主要分野

G検定では、次の6分野を中心に学習すると全体像をつかみやすくなります。各分野の解説ページもあわせて確認してください。

AIの基礎

AIの定義、AIブームの歴史、探索・推論、知識表現、機械学習・ディープラーニングとの関係を確認します。

機械学習

教師あり学習・教師なし学習・強化学習、モデル評価、過学習、交差検証、評価指標などを学びます。

ディープラーニング

ニューラルネットワーク、活性化関数、誤差逆伝播法、CNN・RNN・Transformerなどを整理します。

数学・統計

確率、統計、線形代数、情報理論など、AIを理解するための基礎概念を確認します。

自然言語処理・生成AI

word2vec、BERT、GPT、LLM、Transformer、生成AIなど、言語モデル周辺の重要テーマを学びます。

法律・倫理

個人情報保護、著作権、AI倫理、説明可能性、公平性、透明性、AIガバナンスなどを確認します。

分野1：AIの基礎・歴史

AIの定義や歴史は、G検定の土台となる分野です。暗記だけでなく、機械学習やディープラーニングがどの流れで登場したのかを理解しておきましょう。

AI・機械学習・深層学習の関係

AIの中に機械学習があり、機械学習の中にディープラーニングがある、という包含関係を理解します。

AIブームの歴史

第1次AIブーム、第2次AIブーム、第3次AIブームの違いと、それぞれの中心技術を整理します。

AI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、中国語の部屋などを確認します。

探索・推論・知識表現

幅優先探索、深さ優先探索、ミニマックス法、エキスパートシステム、オントロジーなどを整理します。

分野2：機械学習

機械学習はG検定の中心分野です。用語を覚えるだけでなく、「どの手法がどんな場面で使われるか」を説明できるようにしておきましょう。

教師あり学習

回帰、分類、決定木、ランダムフォレスト、SVM、ロジスティック回帰、勾配ブースティングなどを確認します。

教師なし学習

クラスタリング、k-means、主成分分析、次元削減、トピックモデルなどを整理します。

強化学習

エージェント、環境、報酬、方策、Q学習、マルコフ決定過程などの基本概念を確認します。

モデル評価

過学習、交差検証、混同行列、適合率、再現率、F値、ROC曲線、AUCなどを学びます。

分野3：ディープラーニング

ディープラーニングは、G検定で特に重要な分野です。ニューラルネットワークの基本構造から、CNN・RNN・Transformerまで順に押さえましょう。

ニューラルネットワーク

入力層、隠れ層、出力層、重み、バイアス、活性化関数、多層パーセプトロンなどを確認します。

学習の仕組み

損失関数、誤差逆伝播法、勾配降下法、最適化手法、学習率、ミニバッチ学習などを整理します。

過学習対策

正則化、ドロップアウト、データ拡張、早期終了、バッチ正規化などを確認します。

主要モデル

CNN、RNN、LSTM、GRU、Attention、Transformer、オートエンコーダなどを学びます。

分野4：応用分野・生成AI

G検定では、AI技術がどのように応用されるかも問われます。画像認識、自然言語処理、音声処理、生成AI、マルチモーダルなどの代表例を確認しましょう。

画像認識

CNN、物体検出、セグメンテーション、代表的な画像認識モデルなどを確認します。

自然言語処理

形態素解析、word2vec、BERT、GPT、Transformer、言語モデルなどを整理します。

生成AI

LLM、ChatGPT、GAN、Diffusion Model、画像生成、テキスト生成などを確認します。

説明可能性・軽量化

XAI、LIME、SHAP、Grad-CAM、量子化、蒸留、プルーニング、エッジAIなどを学びます。

分野5：数学・統計・データ

G検定では高度な計算力よりも、AIや機械学習で使われる数学・統計の意味を理解しているかが重要です。苦手な方は、用語の意味と使われ方を優先して押さえましょう。

確率・統計

平均、分散、標準偏差、正規分布、確率分布、相関係数、仮説検定などを確認します。

線形代数

ベクトル、行列、内積、次元、固有値など、機械学習の基礎となる考え方を確認します。

データの扱い

データ収集、前処理、アノテーション、データリーケージ、学習データとテストデータなどを整理します。

AIプロジェクト

PoC、MLOps、モデル運用、評価、改善サイクルなど、AIを実務で扱う流れを確認します。

分野6：法律・倫理・AIガバナンス

法律・倫理は、G検定で後回しにしがちな分野ですが、近年重要度が高まっています。技術用語だけでなく、AIを社会で使うときのリスクや責任も押さえておきましょう。

個人情報・著作権

個人情報保護法、匿名加工情報、仮名加工情報、著作権、学習データ、生成物の扱いなどを確認します。

公平性・透明性

バイアス、公平性、説明可能性、透明性、ブラックボックス問題、アカウンタビリティなどを整理します。

安全性・セキュリティ

敵対的攻撃、データ汚染、モデル汚染、プライバシーリスク、安全性評価などを確認します。

AIガバナンス

AIポリシー、リスクベースアプローチ、倫理アセスメント、トレーサビリティ、国内外のガイドラインを確認します。

出題範囲を学ぶときのポイント

G検定は範囲が広いため、すべてを同じ深さで学ぼうとすると時間が足りなくなりやすいです。優先順位を決めて、インプットと問題演習を組み合わせましょう。

機械学習・ディープラーニングを中心に学ぶ：教師あり学習・教師なし学習・強化学習、CNN・RNN・Transformer、過学習対策などは優先して押さえたい分野です。

法律・倫理を後回しにしすぎない：個人情報保護、著作権、AI倫理、AIガバナンスは、用語の意味だけでなく具体的な場面での判断も問われやすい分野です。

数学は深追いしすぎず、意味を押さえる：数式の導出よりも、確率・統計・線形代数の用語が機械学習でどう使われるかを理解しましょう。

生成AI関連の用語も確認する：LLM、Transformer、RAG、プロンプト、生成AIのリスク、著作権・個人情報の論点なども確認しておくと安心です。

問題演習で理解度を確認する：出題範囲を読んだだけでは、理解できたつもりになりがちです。練習問題や模擬テストで、選択肢を判断できるか確認しましょう。

出題範囲を確認した後の学習ルート

出題範囲を確認したら、次は学習計画を立て、問題演習に進みましょう。無料スタートキットで全体像を整理し、学習ガイド・練習問題・模擬テストへ進む流れがおすすめです。

1. 無料スタートキット

G検定の全体像、学習の始め方、ミニ問題を無料で確認できます。まず最初に使いやすい教材です。

2. 学習ガイド

勉強の順番、分野別学習、問題演習の進め方を確認できます。

3. 練習問題

学んだ分野から順番に問題を解き、理解できているか確認できます。

4. 模擬テスト

本番形式で、時間配分・苦手分野・復習ポイントを確認できます。

分野別に演習したい方へ

G検定は出題範囲が広いため、範囲を確認した後は、分野別に問題演習を進めることが大切です。苦手分野を見つけたら、解説付きの問題で復習しましょう。

頻出キーワード＆分野別問題集

AI基礎・機械学習・深層学習・数学・自然言語処理・AI倫理などを、分野別の問題と解説で確認できます。

模擬テスト145問［解説付き］

試験前の総仕上げとして、本番形式の問題で時間配分と弱点分野を確認できます。

分野別の解説ページへ

各分野の詳しい学習テーマと頻出ポイントは、分野別の解説ページにまとめています。

次のステップへ

出題範囲を確認したら、次は学習計画と問題演習に進みましょう。まず無料キットで全体像を整理し、学習ガイド・練習問題・模擬テストへ進めるのがおすすめです。