出題範囲
G検定 出題範囲
G検定の出題範囲は、JDLA が公式に公開している「シラバス 2024（v1.3）」に基づきます。技術分野（37 項目）と法律・倫理分野（18 項目）の 2 部構成で、合計 55 項目から出題されます。本ページでは、各分野の主要項目と頻出キーワードを整理します。
出題比率の目安
大きく分けて 2 つの分野から出題されます。技術分野が約 60〜70%、法律・倫理分野が約 30〜40% です。シラバスは定期的に改訂されるため、受験前に必ず最新版を確認してください。
技術分野（37 項目・約 60〜70%）
AI・機械学習・深層学習・自然言語処理・数学統計まで。試験のメイン分野で、用語と概念を体系的に押さえることが必須です。
法律・倫理分野（18 項目・約 30〜40%）
個人情報保護法・著作権法・AI 倫理ガイドライン等。近年出題比率が増えており、生成 AI 関連の法的論点もカバーします。
技術分野 1：人工知能とは（項目 1〜6）
AI の定義から歴史、有名な問題、探索・推論、知識表現、機械学習・深層学習の登場まで。
人工知能の定義
AI 効果、エージェント、人工知能、機械学習、ディープラーニングの関係性と歴史的な変遷。
AI で議論される問題
シンギュラリティ、チューリングテスト、フレーム問題、シンボルグラウンディング問題、中国語の部屋。
探索・推論
幅優先探索 (BFS)・深さ優先探索 (DFS)、ミニマックス法、αβ法、モンテカルロ法、ハノイの塔。
知識表現・エキスパート
Cyc、DENDRAL、MYCIN、ワトソン、ウェブマイニング、セマンティック Web、オントロジー。
機械学習の登場
次元の呪い、スパムフィルタ、ビッグデータ、レコメンデーション、統計的自然言語処理。
ディープラーニング登場
ImageNet（2012）、LeNet、AlexNet、AlphaGo、ChatGPT 等の生成 AI まで。AI ブームの牽引役。
技術分野 2：機械学習の概要（項目 7〜10）
教師あり学習・教師なし学習・強化学習の 3 種類と、モデルの選択・評価。
教師あり学習（項目 7）
SVM、決定木、ランダムフォレスト、ロジスティック回帰、勾配ブースティング、アンサンブル学習、単回帰分析。
教師なし学習（項目 8）
k-means、t-SNE、主成分分析 (PCA)、クラスタリング、トピックモデル、LDA、SVD、デンドログラム。
強化学習（項目 9）
Actor-Critic、Q 学習、UCB、REINFORCE、バンディットアルゴリズム、SARSA、マルコフ決定過程 (MDP)。
モデルの選択・評価（項目 10）
k-分割交差検証、RMSE、AUC、ROC 曲線、過学習、オッカムの剃刀、真陽性・真陰性、F1 スコア。
技術分野 3：ディープラーニングの概要（項目 11〜16）
ニューラルネットワーク、活性化関数、誤差関数、正則化、誤差逆伝播法、最適化手法。
NN とディープラーニング
CPU、GPU、TPU、隠れ層、多層パーセプトロン (MLP)。並列計算が学習を高速化する仕組み。
活性化関数
ReLU、Leaky ReLU、シグモイド、ソフトマックス、tanh、勾配消失問題への対策。
誤差関数
Contrastive Loss、カルバック・ライブラー (KL) 情報量、交差エントロピー、平均二乗誤差 (MSE)。
正則化
L0/L1/L2 正則化、ドロップアウト、ラッソ回帰、リッジ回帰。過学習の抑制手法群。
誤差逆伝播法
勾配消失問題、勾配爆発問題、連鎖律。深い NN を学習可能にした基幹アルゴリズム。
最適化手法
SGD、Adam、AdaGrad、モーメンタム、ミニバッチ学習、ハイパーパラメータの調整。
技術分野 4：ディープラーニングの要素技術（項目 17〜25）
CNN・RNN・Transformer・オートエンコーダなどの主要モデル構成要素。
全結合層・畳み込み層
CNN、カーネル、ストライド、パディング、特徴マップ、重み、線形関数。
プーリング層・正規化層
最大値プーリング、平均値プーリング、GAP、バッチ正規化、レイヤー正規化、グループ正規化。
スキップ結合・回帰結合
ResNet、勾配消失問題対策、RNN、LSTM、GRU、BPTT、Bidirectional RNN。
Attention
Self-Attention、Multi-Head Attention、Transformer、Seq2Seq。生成 AI の基盤技術。
オートエンコーダ・データ拡張
VAE、VQ-VAE、次元削減、事前学習、CutMix、Mixup、Random Flip、RandAugment。
技術分野 5：ディープラーニングの応用例（項目 26〜34）
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実用分野。
画像認識・音声処理
AlexNet、VGG、ResNet、YOLO、物体検出、セグメンテーション、メル周波数、CTC。
自然言語処理・LLM
BERT、GPT-n、LLM、ChatGPT、word2vec。生成 AI 時代の中核分野です。
深層強化学習・データ生成
DQN、PPO、AlphaStar、RLHF、MARL、GAN、Diffusion Model、CycleGAN、NeRF。
転移学習・マルチモーダル
Few-shot、One-shot、事前学習モデル、半教師あり学習、CLIP、DALL-E、Text-To-Image。
解釈性・軽量化
CAM、Grad-CAM、LIME、SHAP、説明可能 AI (XAI)、量子化、蒸留、プルーニング、エッジ AI。
技術分野 6：AI の社会実装・数理統計（項目 35〜37）
AI プロジェクトの進め方、データ収集・加工・分析、必要な数理・統計知識。
AI プロジェクトの進め方
CRISP-DM、MLOps、PoC、アジャイル、ウォーターフォール、Docker。プロジェクト管理用語の理解。
データの収集・加工
アノテーション、オープンデータセット、コーパス、データリーケージ。学習データの扱い方の基礎。
数理・統計知識
確率分布、正規分布、相関係数、標準偏差、ベルヌーイ分布、マハラノビス距離。詳細は math ページに整理。
法律・倫理分野（18 項目）
AI に関する法律・契約（項目 1〜7）と、AI 倫理・AI ガバナンス（項目 8〜18）。近年出題比率が上昇している重要領域です。
AI に関する法律・契約
個人情報保護法（GDPR・仮名加工・匿名加工）、著作権法、特許法、不正競争防止法、独占禁止法、AI 開発受託契約（請負・準委任）、AI サービス提供契約。
国内外のガイドライン
AI ガバナンス、価値原則、ハードロー／ソフトロー、リスクベースアプローチ、AI ポリシー。
公平性・透明性
アルゴリズムバイアス、サンプリングバイアス、センシティブ属性、データの来歴、説明可能性、ブラックボックス。
プライバシー・安全性
プライバシー・バイ・デザイン、カメラ画像利活用ガイドブック、Adversarial Attack、データ汚染、モデル汚染。
悪用・社会的影響
ディープフェイク、フェイクニュース、エコーチェンバー、フィルターバブル、AI と民主主義。
環境・労働・AI ガバナンス
気候変動・モデル電力消費、AI との協働、スキル喪失、AI ポリシー、ダイバーシティ、倫理アセスメント、トレーサビリティ。
勉強のポイント
広い試験範囲を効率よく押さえるための 3 つのコツです。
分野別の解説ページへ
各分野の詳細な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。