JDLA G-test Vocabulary Drill

G検定（JDLA）用語ドリル

JDLA G検定の頻出用語をフラッシュ暗記で。AIの歴史から機械学習・深層学習・法倫理まで横断。

2
LEVELS
75
TERMS
12s
PER Q
20s
PER CYCLE

レベルを選ぶ

Core 47
47 words
AI基礎/歴史・機械学習・深層学習・数理統計・社会実装まで、G検定頻出の用語。
Advanced 28
28 words
生成AI応用・モデル詳細・法規倫理の発展用語。

収録語の一覧（全75語から抜粋）

G検定（JDLA）用語ドリルに収録している語をレベル別に掲載します。ドリルでは以下の語を4択形式で出題し、正解後に意味・補足を表示します。全75語のうち代表的なものを抜粋しました。

頻出47（全47語）

AI基礎/歴史・機械学習・深層学習・数理統計・社会実装まで、G検定頻出の用語。　※ 収録47語のうち24語を抜粋して掲載しています。

QUESTION意味ポイント
人工知能（G検定）Artificial IntelligenceHIS人の知的活動を模倣する技術や研究人間の知的活動を模倣する技術や研究分野。明確な定義は研究者間でも定まっていない、という点自体がG検定で問われる。
強いAI/弱いAIStrong/Weak AIHIS汎用的な知能か特定用途かの区分汎用的な知能を持つ強いAIと、特定用途に限る弱いAIの区分。現在実用化されているのは弱いAIである点が要点。
エキスパートシステムExpert SystemHIS専門知識を規則化した推論システム専門家の知識をif-thenの規則で表現し推論するシステム。第二次AIブームの主役で、知識獲得のボトルネックが課題となった。
シンギュラリティSingularityHISAIが人知を超える転換点AIが人間の知能を超え自律的に進化する転換点。到来時期には諸説あり、社会的議論の文脈で問われる。
シンボルグラウンディング問題Symbol GroundingHIS記号と意味を結びつけられない問題記号（言葉）とその意味・実体を結びつけられないという問題。身体性の議論と関連して問われる。
教師なし学習（G検定）Unsupervised LearningMLラベルなしデータで構造を学ぶラベルなしデータから構造やパターンを見つける。クラスタリングや次元削減が代表で、正解を与えない点が要点。
分類（G検定）ClassificationMLカテゴリを予測するタスク入力をカテゴリに振り分けるタスク。スパム判定など離散値の予測で、連続値を予測する回帰と対比される。
クラスタリング（G検定）ClusteringML似たデータをグループ化する似たデータを自動でグループ化する教師なし学習。正解ラベルがなく、分類（教師あり）との違いが問われる。
正則化RegularizationML過学習を抑える工夫モデルの複雑さに罰則を加え過学習を抑える手法。L1（ラッソ）/L2（リッジ）の違いが問われることがある。
特徴量（G検定）FeatureML学習に使う入力変数学習に使う入力変数。良い特徴量の設計（特徴量エンジニアリング）が精度を左右し、深層学習では自動抽出される。
ランダムフォレスト（G検定）Random ForestML多数の決定木を束ねる手法多数の決定木を束ね多数決する手法（バギングの一種）。過学習に強く、単一の決定木より安定する。
k近傍法k-NNML近いデータの多数決で分類する予測したい点の近くにあるk個の多数決で分類する。学習をほぼ行わず単純だが、次元の呪いに弱い。
パーセプトロンPerceptronDL最も基本的な人工ニューロン最も基本的な人工ニューロンで線形分離を行う。単層ではXOR（非線形）を解けない限界が歴史上の論点。
活性化関数（G検定）Activation FunctionDL非線形性を与える関数ニューロンに非線形性を与える関数。ReLUやシグモイドがあり、勾配消失との関係で問われる。
CNNConvolutional Neural NetworkDL画像認識に強い畳み込みネット畳み込みで画像の局所特徴を捉えるネットワーク。画像認識で強く、用途（RNNとの違い）が問われる。
LSTMLong Short-Term MemoryDL長期依存を学べるRNNの一種ゲート機構で長期依存を学べるRNNの一種。勾配消失を緩和する点が、単純なRNNとの違い。
アテンションAttentionDL重要な部分に注目する仕組み入力のうち重要な部分に重みを置いて注目する仕組み。長文の依存関係を捉え、Transformerの核となる。
学習率（G検定）Learning RateDL重み更新の大きさ重みを一度にどれだけ更新するかを決める値。大きすぎると発散、小さすぎると収束が遅いトレードオフ。
正規分布Normal DistributionMATH釣鐘型の代表的な分布平均を中心に左右対称な釣鐘型の分布。多くの自然現象に現れ、統計の基本として頻出。
相関CorrelationMATH2変数の関係の強さ2変数が一緒に変化する関係の強さ。相関があっても因果があるとは限らない点が重要な論点。
損失関数（G検定）Loss FunctionMATH予測と正解の誤差を測る予測と正解の誤差を測る関数で、これを最小化するよう学習する。タスクにより二乗誤差や交差エントロピーを使う。
AI倫理（G検定）AI EthicsSOCAIの公平性や安全性を問う観点AIの公平性・透明性・安全性などを問う観点。社会実装の前提で、ガイドラインやバイアスと関連して出題される。
バイアス（G検定）BiasSOCデータやモデルの偏り学習データやモデルに含まれる偏り。差別的な出力を生む原因となり、公平性の文脈で問われる。
著作権とAICopyright & AISOC学習や生成物の権利論点学習データや生成物に関する権利の論点。生成AIの普及で争点化しており、最新動向が問われやすい。

発展28（全28語）

生成AI応用・モデル詳細・法規倫理の発展用語。　※ 収録28語のうち24語を抜粋して掲載しています。

QUESTION意味ポイント
知識獲得のボトルネックKnowledge AcquisitionHIS知識を人手で入れる限界専門知識を人手でルール化する作業が膨大で限界になる問題。エキスパートシステム衰退の一因。
ローブナーコンテストLoebner PrizeHISチューリングテストの大会チューリングテストに基づき対話AIの人間らしさを競う大会。知能判定の歴史的な文脈で登場する。
身体性EmbodimentHIS身体を通じて知能が育つ考え知能は身体を通じた環境との相互作用で育つという考え方。シンボルグラウンディング問題と関連する。
中国語の部屋Chinese RoomHIS理解なき記号操作への批判規則に従い記号を操作しても意味は理解していない、という強いAIへの反論（サールの思考実験）。
次元の呪いCurse of DimensionalityML高次元でデータが疎になる問題特徴量（次元）が増えるとデータが疎になり学習が難しくなる現象。次元削減が対策になる。
主成分分析PCAML次元を削減する代表手法情報をできるだけ保ちつつ次元を減らす代表的手法（PCA）。教師なしの次元削減として問われる。
ブースティングBoostingML（総称）弱学習器を順番に学習させ前の誤りを補正する手法群弱い学習器を順番に学習させ、前の誤りを重点的に補正する手法。XGBoost等が該当し、バギングと対比される。
バギングBaggingMLデータを分けて並列学習する手法データを復元抽出で分け並列に学習し多数決する手法。分散を下げ、ランダムフォレストの基礎。
勾配ブースティングGradient BoostingML（ブースティングの一種）残差を勾配として次の木に学習させる手法誤差（残差）を逐次的に学習して強いモデルを作る手法。表形式データで高精度を出すことで知られる。
ハイパーパラメータ（G検定）HyperparameterML学習前に人が設定する値学習前に人が設定する値（学習率や木の深さなど）。学習で得る重みとは異なり、調整が性能を左右する。
バイアスとバリアンスBias-VarianceML偏りとばらつきのトレードオフ単純すぎる偏り（バイアス）と複雑すぎるばらつき（バリアンス）のトレードオフ。未学習と過学習の軸。
バッチ正規化Batch NormalizationDL層の出力を正規化し学習を安定化層の出力の分布を正規化して学習を安定・高速化する手法。勾配消失の緩和にも寄与する。
GANGenerative Adversarial NetworkDL生成と識別を競わせる生成モデル生成器と識別器を競わせて本物らしいデータを作る生成モデル。画像生成で有名で、敵対的学習が要点。
オートエンコーダAutoencoderDL入力を圧縮・復元して学ぶモデル入力を圧縮し復元するよう学ぶモデル。次元削減や異常検知に使え、教師なしで特徴を学ぶ。
事前学習とファインチューニングPretrain/Fine-tuneDL大規模学習後に微調整する流れ大規模データで事前学習し、目的タスク用に微調整する流れ。基盤モデル活用の基本パターン。
BERTBERTDL双方向の言語理解モデル文脈を双方向に捉える言語理解モデル。Transformerベースで、文章分類などに強い。
拡散モデル（G検定）Diffusion ModelDLノイズ除去で画像を生成するノイズを段階的に除去して画像を生成するモデル。近年の画像生成AIの主流で、GANと並ぶ生成手法。
ベイズの定理Bayes TheoremMATH事前確率を更新する定理事前確率を観測データで更新し事後確率を求める定理。確率的な推論や分類の基礎になる。
適合率と再現率（G検定）Precision/RecallMATH誤検知と見逃しの少なさの指標適合率は誤検知の少なさ、再現率は見逃しの少なさを表す。両者はトレードオフでF値で統合する。
ROC曲線ROC CurveMATH分類性能を可視化する曲線閾値を変えたときの分類性能を描く曲線。曲線下の面積（AUC）が1に近いほど高性能。
ディープフェイクDeepfakeSOCAIで作る偽の映像・音声AIで作る本物そっくりの偽の映像・音声。悪用が社会問題化し、倫理・法の文脈で問われる。
ハルシネーション（G検定）HallucinationSOC事実でない内容を生成する現象生成AIが事実でない内容をもっともらしく出力する現象。利用時の注意点として頻出。
AI事業者ガイドラインAI GuidelinesSOCAI活用の指針となる政府文書AIの開発・提供・利用の指針を示す政府の文書。責任あるAI活用の枠組みとして問われる。
トロッコ問題Trolley ProblemSOC誰を犠牲にするかを迫る倫理の思考実験誰を犠牲にするかを迫られる倫理的ジレンマ。自動運転の判断基準を考える文脈で登場する。

上記は収録内容の抜粋です。全75語はドリルを開始すると順に出題されます。

このドリルの位置付け

JDLA G検定（ジェネラリスト検定） で問われる頻出用語を、AIの歴史・機械学習・ディープラーニング・数理統計・社会実装の分野からまとめています。試験勉強の用語基盤づくりと、問題演習の合間の復習補助を想定しています。

使い方の3ステップ

いま伸びている資格

G検定は生成AIの普及で受験者が急増しています。AIの全体像を用語で押さえておくと、企画・提案・DX推進など実務でも会話の解像度が上がります。技術職でなくても損はしません。

学習ロードマップ＆攻略ガイド

G検定はディープラーニングの活用リテラシーを測る検定です。オンライン実施で出題数が多く、用語を素早く判断する力が問われます。範囲は広く浅いため、用語の即答化が得点に直結します。

合格までの3ステップ・モデル

STEP 1: 第1〜2週：用語の地固め

本ドリルでAI基礎・機械学習・深層学習の用語を反復し、全体像を掴みます。

STEP 2: 第3〜4週：問題演習

公式問題集を解き、間違えた用語は本ドリルに戻って周回します。

STEP 3: 第5週：法規・倫理の総仕上げ

AI社会実装・法律・倫理は配点が安定するので、用語と論点を整理して受験します。

用語の土台ができたら、G検定は模試形式で出題スピードに慣れる段階です。

PR｜本セクションにはアフィリエイトリンクを含みます
講座・模試｜Udemy
UdemyでG検定の対策講座・模擬試験を探す

G検定は出題数が多く、用語を即断する速度が得点を左右します。公式テキストを通読したあと模試を回し、法規・倫理まで含めた取りこぼしを潰す使い方が向きます。Udemyは年に何度もセールを開催しており、セール中は多くの講座が数千円台になります。

Udemyで講座・模試を見る →

つまずきやすいポイント

G検定は概念マップを持つ（現場視点）

G検定（JDLA）は、AIの基礎・機械学習・深層学習・数理・法倫理を広く浅く問います。手法の“分類”と評価指標の意味を正確に区別できるかが、広範囲を効率よく押さえる鍵です。生成AI時代の意思決定者の共通語彙でもあります。

混同しやすい用語ペア

教師ありと教師なしと強化学習、過学習と未学習、CNN（画像）とRNN（系列）、精度（Precision）と再現率（Recall）、回帰と分類。

G検定の用語暗記が合否を分ける理由

G検定は自宅オンラインで受験でき、2時間で150問超を解く時間勝負の試験です。1問あたりに使える時間は40秒前後しかなく、「読んで思い出して選ぶ」を瞬時に繰り返す必要があります。つまり、用語の意味を見た瞬間に想起できるかが得点速度を直接決めます。

シラバスはAIの歴史から機械学習・ディープラーニングの手法、数理・統計、法律・倫理まで幅広く、暗記対象の用語数は他のIT系資格より多めです。逆に言えば、計算問題や実装問題は少なく、用語と概念の理解だけで得点できる問題が大半を占めます。用語暗記の投資対効果が最も高い試験のひとつです。

検索しながら解いてはいけないのか？

オンライン受験のため「調べながら解けばよい」と考える受験者がいますが、これは落ちる典型パターンです。時間配分的に検索できるのはせいぜい数問で、基礎用語を調べているうちに後半が丸ごと手つかずになります。合格者の共通点は、頻出用語を事前に反復して即答できる問題を8割つくっておき、検索は難問2割に温存する戦い方です。

このドリルは5秒で答えるテンポで想起練習を繰り返す設計なので、「即答できる8割」を作る工程にそのまま使えます。通勤や昼休みに1セット20問を回し、間違えた用語だけを翌日もう一度――忘却曲線に逆らわない反復回数が、本番の解答速度になります。

G検定とE資格、どちらを受けるべきか

JDLAの資格は2種類あり、G検定は「AIを事業に活かす全員」向け、E資格は「AIを実装するエンジニア」向けです。E資格は認定プログラムの受講が受験条件で、実装スキルと数学が必須。一方G検定は誰でも受験でき、用語と概念の理解で合格できます。企画職・営業職・管理職、あるいはエンジニアでもまずAIの全体像を押さえたい人は、G検定から入るのが定石です。

G検定の合格後にE資格へ進む場合も、G検定で覚えた用語群（損失関数・過学習・正則化など）がそのまま土台になります。用語暗記は無駄になりません。

関連リンク