ARTICLE ARCHIVE
G検定
34件の記事
記事一覧
EXPLORE
生成AIを使う前に知っておきたい課題
生成AIの課題をG検定向けに解説。ハルシネーション、バイアス、著作権法30条の4、個人情報、ディープフェイク、AIガバナンスを整理します。
音声処理とモデルの軽量化・エッジAI｜音素からWaveNetまで
音声処理の流れとモデルの軽量化をG検定向けに解説。音素・メル尺度・WaveNet、蒸留・量子化・プルーニングとエッジAIを整理します。
深層強化学習とAlphaGo｜DQNから自己対戦AIまで
深層強化学習をG検定向けに解説。DQNの経験再生とターゲットネットワーク、AlphaGoとモンテカルロ木探索、産業応用の課題を整理します。
AIの判断根拠を説明する｜説明可能AI（XAI）
説明可能AI（XAI）をG検定向けに解説。ブラックボックス問題、LIMEやSHAP、CAM・Grad-CAMによる可視化、敵対的攻撃までを整理します。
ChatGPTはどう作られたか｜RLHFと基盤モデル
ChatGPTの作られ方をG検定向けに解説。RLHFと報酬モデル、zero-shot、基盤モデル、マルチモーダルを整理します。
大規模言語モデル（LLM）とは｜BERTとGPT
LLMをG検定向けに解説。BERTのMLM・NSP、GPTの次単語予測、スケーリング則とfew-shotを整理します。
拡散モデルとは｜画像生成AIの主流になった仕組み
拡散モデルをG検定向けに解説。ノイズの付加と除去、デノイジング、Stable Diffusionと潜在空間の関係を整理します。
GANの仕組み｜偽物を作るAIと見破るAI
GANをG検定向けに解説。ジェネレータとディスクリミネータの敵対的学習、DCGAN・Pix2Pix・CycleGANの違いを整理します。
オートエンコーダとVAE｜生成AIの入口
オートエンコーダとVAEをG検定向けに解説。次元圧縮や異常検知、潜在変数とKLダイバージェンスの役割を整理します。
Transformerとは｜生成AIの土台になった仕組み
TransformerをG検定向けに解説。Positional EncodingやMulti-Head Attention、並列化の利点を整理します。
Seq2SeqとAttention｜翻訳AIの転換点
エンコーダ・デコーダ、Seq2Seq、Attention機構、Self-Attentionの仕組みをG検定向けにやさしく整理します。
自然言語処理の基礎｜言葉を数値にする
形態素解析・Bag of Words・TF-IDF・分散表現・word2vec・エンベディング層をG検定向けにやさしく整理します。
LSTMとGRU｜長期記憶を扱う仕組み
CEC・忘却ゲート・入力ゲート・出力ゲート・GRU・双方向RNNをG検定向けにやさしく整理します。
RNNの仕組みと限界｜時系列データとBPTT
時系列データ・回帰結合層・シンプルRNN・BPTT・勾配消失をG検定向けにやさしく整理します。
物体検出・セグメンテーション・姿勢推定
画像分類との違いから、物体検出のFaster R-CNNとIoU、セグメンテーションの3種類、姿勢推定までG検定向けに解説します。
転移学習とファインチューニングの違い
学習済みモデルを再利用する転移学習とファインチューニングの違いと使い分け、データ拡張や負の転移までG検定向けに解説します。
画像認識モデルの進化｜AlexNetからEfficientNetまで
AlexNet・VGG・GoogLeNet・ResNet・MobileNet・EfficientNetの特徴と進化の流れをG検定向けに解説します。
CNNの仕組み｜畳み込みとプーリング
畳み込み層・フィルタ・特徴マップ・パディング・ストライド・プーリング層の役割をG検定向けにやさしく解説します。
なぜ今ディープラーニングなのか｜GPUとデータ量
ディープラーニングが2010年代に実用化した理由を、歴史・GPU・データ量の観点からG検定向けに解説します。
ディープラーニングの過学習対策｜ドロップアウトと正則化
ドロップアウト・バッチ正規化・重み減衰・早期終了など、ディープラーニング特有の過学習対策をG検定向けにやさしく解説します。
学習をうまく進めるための工夫
勾配消失問題やプラトー、SGDからAdamまでの最適化手法、バッチサイズとエポック数の関係をG検定向けに解説します。
ニューラルネットワークはどう学習するのか
ニューラルネットワークの学習の仕組みをG検定向けに解説。順伝播と逆伝播、誤差関数の使い分け、誤差逆伝播法、勾配降下法と学習率、局所最適解までを整理します。
活性化関数とは｜ネットワークに非線形性を与える
活性化関数の役割をG検定向けに解説。非線形性が必要な理由、ステップ関数からReLUへの変遷、回帰・二値分類・多クラス分類で変わる出力層の使い分けを整理します。
ニューラルネットワークの構造
ニューラルネットワークの構造をG検定向けに解説。重みとバイアス、単純パーセプトロンのXOR問題、入力層・中間層・出力層、全結合層と順伝播を整理します。
モデルの評価と過学習｜精度を正しく測る
訓練・検証・テストデータの分割、過学習と正則化、混同行列や適合率・再現率といった評価指標をG検定向けに整理。データリーケージの注意点も解説します。
強化学習の基本｜報酬から学ぶAI
強化学習の基本をG検定向けに解説。エージェントと環境のループ、探索と活用のトレードオフ、マルコフ性と割引率、価値関数とQ学習・方策勾配法の違いを整理します。
ディープラーニング入門ロードマップ｜基礎から生成AIまでの学び方
ディープラーニングを学ぶ順番をロードマップで解説。AIの歴史から機械学習、CNN、Transformer、生成AIまでG検定レベルで体系的に整理します。
機械学習の3つの学習方法｜教師あり・教師なし・強化学習
機械学習の教師あり学習・教師なし学習・強化学習の違いを表で整理。説明変数と目的変数、特徴量設計、ディープラーニングが特徴表現学習と呼ばれる理由を解説します。
教師なし学習の代表的な手法
教師なし学習の代表手法をG検定向けに整理。クラスタリングとk-means、主成分分析による次元削減、協調フィルタリングのコールドスタート問題を解説します。
教師あり学習の代表的な手法
線形回帰・ロジスティック回帰・決定木・ランダムフォレスト・SVMなど教師あり学習の代表手法を、回帰と分類の違いから一覧表で整理します。
AI・機械学習・ディープラーニングの違い
AI・機械学習・ディープラーニングの包含関係を整理。人工知能の4つのレベル、AI効果、ロボットとの違いなどG検定頻出ポイントを解説します。
AIの歴史と3度のブーム
AIの歴史を3度のブームで整理。ENIACとダートマス会議から、第1次・第2次AIブームの終焉理由、第3次の機械学習まで、G検定で問われる要点を解説します。
AIが越えられなかった壁｜フレーム問題・シンボルグラウンディング問題
フレーム問題・中国語の部屋・シンボルグラウンディング問題など、AI分野の難問をG検定レベルで一覧整理し、頻出ポイントを解説します。
【個人用】G検定 学習メモ【G2024#6対応版】
※適切なものを選ぶか不適切なものを選ぶか要確認 人工知能をめぐる動向 探索 システムまとめ 知識表現 意味ネットワーク オントロジー 機械学習の具体的手法 アンサンブル学習 特徴量の値の範囲を揃える手 […]