このページでは「自然言語処理（NLP）とディープラーニングの応用例」（シラバス項目27・30〜34）を解説します。ChatGPTなどの生成AIに直結する最重要分野です。
💬 27. 自然言語処理（NLP）とは
自然言語処理（Natural Language Processing: NLP）とは、人間が使う言語（テキスト・音声）をコンピュータで処理・理解・生成する技術です。
| 用語 | 説明 |
| word2vec | 単語をベクトルで表現する手法。意味的に近い単語は近いベクトルになる |
| BERT | Googleが開発した双方向Transformerモデル。文の文脈を深く理解する |
| GPT-n（GPT-3/4など） | OpenAIが開発した大規模言語モデル（LLM）。ChatGPTの基盤 |
| LLM（大規模言語モデル） | 膨大なテキストデータで学習した超大規模なAI言語モデル |
| ChatGPT | GPT-4をベースにしたOpenAIの対話型AIアシスタント |
| Seq2Seq | 入力系列から出力系列を生成するモデル。機械翻訳の基本構造 |
| 形態素解析 | 文を意味のある最小単位（形態素）に分割する処理 |
| TF-IDF | 文書中の単語の重要度を測る指標 |
🎨 30. データ生成（生成AI）
| 技術 | 説明 |
| GAN（敵対的生成ネットワーク） | 生成器と識別器が競い合いながら学習。リアルな画像を生成できる |
| Diffusion Model（拡散モデル） | ノイズから画像を生成する最新の手法。Stable DiffusionなどのAI画像生成の基盤 |
| CycleGAN | ペアのない画像同士のスタイル変換ができるGANの派生手法 |
| NeRF | 2D画像から3Dシーンを再構成する技術 |
🔄 31〜34. 転移学習・マルチモーダル・解釈性・軽量化
| 技術 | 説明 | キーワード |
| 転移学習・ファインチューニング | 大規模モデルの学習済みパラメータを別タスクに転用する | Few-shot、One-shot、破壊的忘却、RLHF |
| マルチモーダル | テキスト・画像・音声など複数の形式を組み合わせて処理する | CLIP、DALL-E、Text-To-Image、Zero-shot |
| モデルの解釈性（XAI） | AIの判断根拠を人間が理解できる形で説明する | CAM、Grad-CAM、LIME、SHAP |
| モデルの軽量化 | 大きなモデルを小さく・速くする技術。エッジAI向け | 量子化、蒸留、プルーニング |
📝 この分野の出題ポイント
- ✅ LLM・ChatGPT・GPTシリーズの基本的な仕組みと特徴を理解する
- ✅ BERTとGPTの違い（双方向 vs 片方向）を説明できるようにする
- ✅ GAN・Diffusion Modelの仕組みと代表的なモデルを覚える
- ✅ 転移学習・ファインチューニングの概念と活用場面を理解する
- ✅ XAI（説明可能AI）の重要性と代表的手法（SHAP・LIME）を覚える
🔤 テキスト表現の手法
コンピュータが自然言語を処理するには、文字や単語を数値に変換する必要があります。G検定ではこれらの表現手法の概念が問われます。
| 手法 | 説明 |
| Bag of Words（BoW） | 文章中の単語の出現頻度を特徴量にする手法。単語の順序は無視する |
| TF-IDF | 単語の重要度を「文書内の出現頻度」と「全文書での希少性」で評価する手法 |
| word2vec | 単語を低次元のベクトルに変換する手法。意味的に近い単語は近いベクトルになる |
| BERT | Transformerを用いた事前学習モデル。文脈に応じた単語の意味を捉えられる |
| GPT | 大規模な言語モデル。テキスト生成が得意で、ChatGPTの基盤技術 |
⚙️ 自然言語処理の主なタスク
NLPは様々な実用的タスクに応用されています。G検定ではこれらのタスクが何をするものかを理解しておくことが重要です。
- 文書分類：メールのスパム判定やニュース記事のカテゴリ分類など、文書をカテゴリに振り分けるタスク
- 感情分析（センチメント分析）：テキストがポジティブ・ネガティブのどちらかを判定するタスク。商品レビューの分析などに活用
- 固有表現抽出（NER）：文章中の人名・地名・組織名などを識別するタスク
- 機械翻訳：ある言語のテキストを別の言語に翻訳するタスク。Google翻訳などに使われる
- 質問応答（QA）：質問文に対して適切な回答を返すタスク。チャットボットの基盤技術
✅ まとめ：試験対策のポイント
自然言語処理分野では、形態素解析・word2vec・Transformer・BERT・GPTがとくに頻出です。それぞれの仕組みの概要と、どんな問題を解くために使われるのかをセットで覚えておきましょう。近年の試験では大規模言語モデル（LLM）に関する問題も増えています。