生成AIパスポート対策 第1章 AI（人工知能）：詳細キーワード解説
はじめに
生成AIパスポートの択一試験に合格するための「詳細キーワード解説」です。各用語を短く正確に定義し、よくある取り違えと似たような用語との差をはっきり示します。数式や実装の細部は省き、出題されやすい言い回し・固定表現（年次・人物・用語対比）を優先します。
構成：A. 一行定義 → B. 解説 → C. 長所/短所 → D. 向き/不向き → E. 関連・対比 → F. 重要キーワード → G. 4択問題
本章中に他章の用語が先に登場することがあります。詳説は後続章、または章末「ミニ辞書」をご利用ください。
章末の「ご利用にあたって」を読んでからご利用ください。
AI（人工知能）
A. 一行定義
データから学び分類・予測・生成を行う“知的処理”のソフト基盤。
B. 本文解説
AIは、データを手がかりに学習し、分類・予測・翻訳・要約・生成などを行うソフトウェアの仕組みです。実装は大きくルールベース（人が規則を書く）と機械学習（例から学ぶ）に分かれます。得意なのは、例が多くパターンが豊富な領域や、反復で性能を改善できるタスクです。一方、データ品質や偏りに弱く、説明・安全・評価の設計が欠かせません。代表用途は検索、翻訳、推薦、音声・画像認識、文章や画像の生成などです。
C. 長所 / 短所
長所：データ活用による高性能化／反復運用で継続改善
短所：データ品質・偏りに依存／説明・安全の配慮が必要
D. 向き / 不向き
向き：顧客レビュー要約、需要予測、FAQ応答など例が多い業務
不向き：基準が固定で変更が少ない単純判定（ルール化の方が容易）
E. 関連・対比
ロボット＝体（ハード）／AI＝頭脳（ソフト）。機械学習はAI実装の一方式。
F. 重要キーワード
ルールベース／機械学習／ニューラルネット／重み／汎化／評価指標
G. 4択問題セット（6）
Q1（★3｜定義） AIの説明として最も適切なのはどれ？
A. 規則を必ず人手で列挙する仕組み
B. データから学び知的処理を行うソフトの仕組み
C. 機械の動力部品の総称
D. 画像だけを扱う専用手法
正答：B｜解説：AIはデータ学習と知的処理を行うソフト。
Q2（★3｜対比） AIとロボットの区別で正しいのは？
A. AI＝頭脳（ソフト）／ロボット＝体（ハード）
B. 両者は完全に同義
C. AIは必ず物理的に動く
D. ロボットは常にAI不要ではない
正答：A｜解説：役割は連携するが別概念。
Q3（★2｜長所） AIの一般的な長所として最も近いのは？
A. ルール数が必ず削減できる
B. データを活かして性能を改善できる
C. 説明が不要になる
D. データなしでも高精度
正答：B｜解説：学習と運用で継続改善が可能。
Q4（★2｜短所） AI運用時の注意点として最も重要なのは？
A. データ品質や偏りの影響はない
B. 説明・安全・評価設計が必要
C. 規則が必ず自動生成される
D. 検証は不要
正答：B｜解説：品質・偏りに注意し、評価体制を整える。
Q5（★3｜シナリオ） AI活用をまず検討すべき案件はどれ？
A. 月1回の固定ルール合否判定（変更ほぼなし）
B. 数万件の顧客レビューからの要約レポート作成
C. 機械のボルト締めトルク規格の固定判断
D. 毎回同じ帳票への定型転記
正答：B｜解説：大量例×パターン抽出はAIの得意領域。
Q6（★2｜キーワード） 次のうちAIの基礎語として最も不適切なのは？
A. ルールベース B. 機械学習 C. ねじ締めトルク D. 重み
正答：C｜解説：「ねじ締めトルク」はハード寄りの機械要素。
ダートマス会議
A. 一行定義
1956年の研究会でAIという分野名と課題設定を掲げた出発点。
B. 本文解説
ダートマス会議は、1956年夏に米国で行われた研究会で、“Artificial Intelligence”を研究分野名として掲げ、「知能は機械で模倣し得る」という問題設定を共有しました。意義は、名称と研究枠組みの確立にあります。得意・不得意の概念は当てはまりませんが、AIの歴史理解ではここを起点に第一次〜第三次ブームやAIの冬へと流れを押さえます。実務では、年号と意味をセットで記憶しておくと歴史問題に強くなります。
C. 長所 / 短所
長所：AI分野の命名と出発点／学際的議論の基盤形成
短所：製品発表の場ではない（実用成果と混同しがち）／年号暗記だけに偏りやすい
D. 向き / 不向き
向き：歴史年表の基準点としての学習・出題
不向き：個別技術の性能比較や運用手法の評価
E. 関連・対比
AIの歴史（三ブーム）＝流れ／ダートマス会議＝その起点。
F. 重要キーワード
1956年／研究分野名／出発点／歴史年表／AIの冬／ブーム
G. 4択問題セット（6）
Q1（★3｜定義） ダートマス会議の説明として最も正しいのは？
A. 1980年にAIという語が商標登録された
B. 1956年、AIを研究分野名として掲げた研究会
C. 最新のAI製品を必ず公開する展示会
D. ロボット工学の命名と規格化を行う会議
正答：B｜解説：1956年の研究会で分野名と問題設定を共有。
Q2（★3｜対比） 次のうち、ダートマス会議と性質が異なるものは？
A. 研究分野の枠組みを議論
B. 製品の性能評価と販売
C. 学際的な議題の共有
D. 歴史の起点として扱われる
正答：B｜解説：ダートマス会議は製品展示会ではない。
Q3（★2｜長所/意義） 会議の意義として最も近いのは？
A. すべてのAI手法を確定した
B. 名称と研究アジェンダを明確にした
C. エキスパートシステムを発明した
D. 機械学習を初めて実装した
正答：B｜解説：名前と問題設定の共有が歴史的意義。
Q4（★2｜短所/誤解） よくある誤解として正しいのは？
A. 会議は必ず商用AIを公開する
B. 会議で画期的製品が発表されたとみなす
C. 会議はオンライン開催だった
D. 年次は1950年
正答：B｜解説：実用製品の発表会ではない。
Q5（★3｜シナリオ） 歴史問題でダートマス会議を最も適切に引用するのは？
A. CNNの畳み込み核サイズ比較
B. AIという分野名が初めて掲げられた年と場を問う設問
C. 画像分類の精度差の要因分析
D. L1とL2の違いの導出
正答：B｜解説：年号と出発点を問う歴史設問が典型。
Q6（★2｜キーワード） ダートマス会議と関係が最も薄い語はどれ？
A. 1956年 B. 研究分野名 C. ドロップアウト D. 出発点
正答：C｜解説：「ドロップアウト」は後年の過学習対策の語。
ルールベース
A. 一行定義
人がif–then規則を明示し、推論エンジンで結論を導く方式。
B. 本文解説
ルールベースは、専門家が「もしAならB」という明示ルールを知識ベースに登録し、推論エンジンが照合して結論を導きます。解釈性と統制に優れ、根拠説明や監査が求められる場面に強みがあります。一方、例外や分岐が増えるとルール爆発で保守が難しく、未知パターンへの柔軟性は低下します。近年は、機械学習と併用して前段のフィルタや後段の安全弁として使う設計も一般的です。
C. 長所 / 短所
長所：解釈性が高い／統制・監査適合が容易
短所：ルール爆発で保守困難／未知パターンへの適応が弱い
D. 向き / 不向き
向き：社内規程・法令準拠チェック、与信の閾値判定
不向き：曖昧な自然言語の解釈、微妙な画像判定など
E. 関連・対比
機械学習＝例から学ぶ／本用語＝人が規則を書く。
F. 重要キーワード
知識ベース／前向き推論／後ろ向き推論／コンフリクト解消／ルール爆発／解釈性
G. 4択問題セット（6）
Q1（★3｜定義） ルールベースの説明として最も適切なのは？
A. 例から自動で規則を獲得する方式
B. if–thenの明示規則で推論する方式
C. 報酬最大化で方策を学ぶ方式
D. 次元を必ず圧縮する方式
正答：B｜解説：人手で定義した明示規則に基づく。
Q2（★3｜対比） 「例から学ぶ」方式はどれ？
A. ルールベース B. 機械学習 C. エキスパート会議 D. 決裁フロー
正答：B｜解説：機械学習はデータから規則性を学ぶ。
Q3（★2｜長所） ルールベースの長所に近いのは？
A. 根拠説明・監査適合が容易
B. 未知パターンへの自動適応
C. 常に最高精度
D. 学習が不要で説明も不要
正答：A｜解説：解釈性と統制が強み。
Q4（★2｜短所） ルールが増えたときに起きやすい問題は？
A. 勾配消失 B. ルール爆発で保守が困難 C. データドリフトのみ D. 必ず速度低下
正答：B｜解説：分岐の増加で保守負荷が急増。
Q5（★3｜シナリオ） 主軸として妥当なのはどれ？
A. 社内規程に基づくコンプライアンス合否判定
B. 口コミの感情分類（新語が多い）
C. 画像の微小欠陥検出
D. 需要予測の回帰
正答：A｜解説：規程が明確で説明責任が重い領域に適合。
Q6（★2｜キーワード） ルールベースの推論手法の組は？
A. 生成／識別 B. 前向き推論／後ろ向き推論 C. 探索／活用 D. 符号化／復号
正答：B｜解説：代表的な推論戦略の名称。
機械学習
A. 一行定義
データから規則性を学び、未知入力を予測・分類する方式。
B. 本文解説
機械学習は、モデルが損失関数を最小化するよう重みを更新し、データの規則性を獲得します。教師あり・教師なし・強化・半教師ありなどの学習形態があり、汎化性能の確保が要です。得意なのは、例が多く境界が曖昧な課題（自然言語・画像・需要予測など）。一方、データ品質・偏りに弱く、評価設計（訓練／検証／テスト分割、指標選定）や過学習対策が不可欠です。
C. 長所 / 短所
長所：複雑なパターンの自動獲得／大規模データで性能向上
短所：データ品質・量に依存／過学習・説明性の課題
D. 向き / 不向き
向き：テキスト分類、画像認識、需要予測など例が豊富な領域
不向き：基準が固定で明文化済みの単純判定（ルール化が簡単）
E. 関連・対比
本用語＝例から学ぶ／ルールベース＝人が規則を書く。
F. 重要キーワード
損失関数／最適化／重み／汎化／評価指標（精度・再現率等）／過学習
G. 4択問題セット（6）
Q1（★3｜定義） 機械学習の説明として最も適切なのは？
A. データから規則性を学び予測・分類する
B. if–then規則を必ず列挙する
C. 報酬最大化だけを行う
D. 次元を常に削減する
正答：A｜解説：データ学習が核心。
Q2（★3｜対比） 機械学習と最も対比されるのは？
A. 強化学習 B. ルールベース C. 回帰 D. 正則化
正答：B｜解説：人が規則を書く方式と対になる。
Q3（★2｜長所） 機械学習の長所はどれ？
A. 複雑なパターンを自動獲得
B. データなしで高精度
C. 必ず説明可能
D. 常に最良の手法
正答：A｜解説：パターン学習で高表現力。
Q4（★2｜短所） 典型的なリスクは？
A. 過学習やデータ偏り
B. ルール爆発
C. 機械的故障
D. 常に学習が停止
正答：A｜解説：汎化と品質が要注意。
Q5（★3｜シナリオ） まず機械学習を検討すべき案件は？
A. 数十万件の問い合わせログの自動分類
B. 年1回の固定ルール判定
C. 同一数式で決まる社内手当の計算
D. 常に同じ表の定型転記
正答：A｜解説：大量例×曖昧境界は得意。
Q6（★2｜キーワード） 機械学習で汎化性能を測るために用いるものは？
A. 訓練データのみ B. 検証・テストデータ C. 乱数種だけ D. 学習率だけ
正答：B｜解説：独立データで性能確認。
学習済みモデル
A. 一行定義
大規模データで事前学習が完了し、再利用や微調整が可能なモデル。
B. 本文解説
学習済みモデルは、すでに大規模データで学習が完了しているため、そのまま利用したり、転移学習（微調整）で自分のタスクに適合させられます。データや計算資源が限られる現場でも短期間で高性能に近づけやすいのが利点です。ただし、ドメイン差が大きいと性能低下が起きるため、評価データで適合性を確認し、必要に応じて層の凍結／解凍範囲を調整します。
C. 長所 / 短所
長所：学習コスト削減／少量データでも高性能に近づく
短所：ライセンス・適合性の確認が必要／ドメイン差で精度劣化
D. 向き / 不向き
向き：画像分類・文書分類・要約などでデータや計算が限られる案件
不向き：対象ドメインが極端に特殊で既存表現が流用しにくい案件
E. 関連・対比
本用語＝再利用の土台／スクラッチ学習＝ゼロから全体を再学習。
F. 重要キーワード
転移学習／微調整（Fine-tuning）／凍結・解凍／ベースライン／ドメイン適合
G. 4択問題セット（6）
Q1（★3｜定義） 学習済みモデルの説明として最も適切なのは？
A. 学習を必ず行わないモデル
B. 事前に大規模データで学習済みの再利用可能なモデル
C. ルールのみで構成されるモデル
D. 報酬で常に学ぶモデル
正答：B｜解説：事前学習済みで再利用できる。
Q2（★3｜対比） スクラッチ学習との違いとして正しいのは？
A. スクラッチは常に精度が低い
B. 学習済みは重みを流用でき、学習コストを削減
C. 学習済みは微調整ができない
D. スクラッチはデータが不要
正答：B｜解説：重みの再利用で効率化。
Q3（★2｜長所） 学習済みモデルの利点として適切なのは？
A. 少量データでも性能を引き上げやすい
B. 評価が必ず不要
C. どのドメインでも常に最良
D. ライセンス確認は無関係
正答：A｜解説：転移学習で実用性能へ近づける。
Q4（★2｜短所） 注意点として正しいのは？
A. ドメイン差で性能が落ちることがある
B. ルール爆発が必ず発生
C. 過学習の心配はない
D. 評価データは不要
正答：A｜解説：適合性を評価で確認する。
Q5（★3｜シナリオ） 学習済みモデルを主に検討すべき案件は？
A. 社内特化の文書分類（データは少量）
B. 既存数式だけで完結する計算
C. 月1回の固定ルール合否判定
D. 極端に特殊で公開データが皆無の領域
正答：A｜解説：少量データ×既存表現の流用が効く。
Q6（★2｜キーワード） 転移学習で「凍結（freeze）」の説明として正しいのは？
A. その層を削除する B. その層の重みを更新しない C. 学習率を無限大にする D. 乱数で初期化する
正答：B｜解説：凍結＝学習させない、解凍は学習させる。
教師あり学習
A. 一行定義
入力と正解ラベルの組を用い、対応関係を学んで未知の分類・回帰を行う方式。
B. 本文解説
教師あり学習は、入力特徴と正解ラベルの対応関係を学習し、未知データの分類や回帰を行います。モデルは損失関数を指標に重みを更新し、汎化性能を高めます。得意なのは目的が明確でラベルが用意できる課題。一方で、ラベリングコストやデータ偏りに弱く、過学習を避ける評価設計（訓練・検証・テスト分割）が欠かせません。代表用途は需要予測、審査スコア、スパム判定などです。
C. 長所 / 短所
長所：目標が明確で定量評価しやすい／高精度を得やすい
短所：ラベル作成が高コスト／偏りが結果に反映されやすい
D. 向き / 不向き
向き：履歴データと正解が整う需要予測・審査スコア
不向き：正解が定義しづらい探索的分析・潜在構造発見
E. 関連・対比
教師あり＝入力＋正解で学ぶ／教師なし＝ラベルなしで構造発見。
F. 重要キーワード
損失関数／評価指標（精度・再現率・RMSE）／汎化／データ分割／過学習
G. 4択問題セット（6）
Q1（★3｜定義） 教師あり学習の説明として最も適切なのは？
A. 入力と正解ラベルの組から対応関係を学ぶ
B. ルールを必ず人手で列挙して推論する
C. 報酬だけで行動方策を学ぶ
D. 次元を常に削減して可視化する
正答：A｜解説：教師ありは正解ラベルが鍵。
Q2（★3｜対比） 教師あり学習と対比されるのはどれ？
A. 教師なし学習 B. ルールベース C. 正則化 D. 早期終了
正答：A｜解説：教師なしはラベルなしで構造発見。
Q3（★2｜長所） 教師あり学習の利点として最も適切なのは？
A. 性能を客観指標で評価しやすい
B. ラベルが必ず不要
C. どの課題でも常に最良
D. 学習なしで自動適用
正答：A｜解説：正解があるため定量評価が容易。
Q4（★2｜短所） 教師あり学習の典型的な課題は？
A. ルール爆発 B. ラベル作成コストと偏りの影響
C. 報酬設計 D. 可視化不能
正答：B｜解説：高コストかつ偏りが学習に映る。
Q5（★3｜シナリオ） 教師あり学習をまず検討すべき案件は？
A. 過去の売上と実績目標が揃う数値予測
B. 新語が多いレビューの潜在話題探索
C. 社内規程の定型チェックだけ
D. 報酬で操作を学ぶロボット制御
正答：A｜解説：入力＋正解が揃う回帰が好適。
Q6（★2｜キーワード） 汎化性能の確認に適した方法はどれ？
A. 訓練データのみで再評価
B. 検証・テスト分割や交差検証
C. 学習率を必ずゼロにする
D. 損失を見ずに精度だけ確認
正答：B｜解説：独立データで妥当性を検証。
教師なし学習
A. 一行定義
正解ラベルなしのデータから、似かよい・構造・低次元表現などの規則性を発見する方式。
B. 本文解説
教師なし学習は、正解ラベルがないデータから構造を見つけます。代表はクラスタリング（似たものの自動グループ化）と次元削減（情報を保ちつつ圧縮・可視化）。得意なのは、事前に正解が定義しづらい探索・仮説形成。一方、解釈の難しさやハイパーパラメータ依存が課題です。前処理・可視化・セグメンテーションや、教師あり学習前の下ごしらえとして用いられます。
C. 長所 / 短所
長所：ラベル不要で潜在構造を発見／探索・仮説づくりに有効
短所：結果の解釈が難しい／パラメータ設定に敏感
D. 向き / 不向き
向き：顧客セグメントの探索、ログの異常パターン抽出
不向き：明確な正解があり数量評価が求められる本番予測
E. 関連・対比
教師なし＝構造発見／教師あり＝目的変数に合わせて学習。
F. 重要キーワード
クラスタリング／次元削減／シルエット係数／距離・密度／高次元の呪い
G. 4択問題セット（6）
Q1（★3｜定義） 教師なし学習の説明として正しいのは？
A. ラベルなしでデータ構造を発見する
B. 正解ラベルで誤差最小化を行う
C. 報酬だけで方策を学ぶ
D. if–then規則を必ず列挙する
正答：A｜解説：ラベル不要が本質。
Q2（★3｜対比） 教師なしと対になる学習はどれ？
A. 強化学習 B. 教師あり学習 C. 転移学習 D. ルールベース
正答：B｜解説：教師ありは正解に合わせて学ぶ。
Q3（★2｜長所） 教師なし学習の利点は？
A. 未知の潜在構造を見つけられる
B. 常に数値精度が最大
C. ラベル作成が必須
D. 予測タスクだけに限定
正答：A｜解説：探索・仮説形成に向く。
Q4（★2｜短所） 注意点として最も適切なのは？
A. 解釈が難しくパラメータに敏感
B. ルール爆発
C. ラベル偏りだけが問題
D. 必ず正解が得られる
正答：A｜解説：意味づけや設定が成否を左右。
Q5（★3｜シナリオ） 教師なし学習がまず有効なのは？
A. 新サービスの顧客群の粗い把握（セグメント探索）
B. 過去ラベルを用いた精密な与信スコア予測
C. 固定規程の合否チェック
D. 報酬設計によるロボット制御
正答：A｜解説：構造探索に強い。
Q6（★2｜キーワード） 教師なし学習の代表手法の組は？
A. クラスタリング／次元削減 B. 早期終了／Weight Decay
C. 強化学習／ルールベース D. L1正則化／ドロップアウト
正答：A｜解説：いずれもラベル不要の代表。
クラスタリング
A. 一行定義
似たデータ同士を自動的にグループ化し、データ内の“塊”や構造を発見する教師なし手法。
B. 本文解説
クラスタリングは、距離・密度・分布などを手がかりに似た観測をまとめる方法です。代表はk-means（重心法）、階層クラスタリング（樹形図）、DBSCAN（密度ベース）、GMM（確率混合）。標準化や次元削減で前処理を整えると安定します。得意なのはセグメント発見・異常群の抽出。一方、クラスタ数・パラメータの選び方や解釈が難所です。
C. 長所 / 短所
長所：グループ構造の把握／ラベルなしでもセグメント化
短所：クラスタ数やパラメータ依存／意味づけが必要
D. 向き / 不向き
向き：顧客セグメント設計、ログの異常クラスタ検出
不向き：厳密な確率的予測や個別ラベルの確定業務
E. 関連・対比
クラスタリング＝教師なしの代表／分類＝教師ありの代表。
F. 重要キーワード
k-means／階層クラスタリング／DBSCAN／GMM／シルエット係数／標準化
G. 4択問題セット（6）
Q1（★3｜定義） クラスタリングの説明として最も適切なのは？
A. 似たデータを自動グループ化して塊を見つける
B. 正解ラベルでクラス当てを行う
C. 報酬を最大化する方策学習
D. 次元を常に圧縮して可視化する
正答：A｜解説：教師なしでグループ化。
Q2（★3｜対比） クラスタリングと最も対比されるのは？
A. 分類（教師あり） B. DBSCAN C. L2正則化 D. 早期終了
正答：A｜解説：分類はラベルありで学ぶ。
Q3（★2｜長所） クラスタリングの利点として適切なのは？
A. ラベルなしでセグメント構造を把握
B. 必ず最適なクラスタ数が自動確定
C. どの距離でも結果は不変
D. 意味づけが不要
正答：A｜解説：探索・セグメント化に強い。
Q4（★2｜短所） 実務での注意点として正しいものは？
A. クラスタ数や前処理に敏感で解釈が必要
B. 常に精度は1.0
C. ラベル付けより容易に評価できる
D. どの手法も同じ結果になる
正答：A｜解説：設計と解釈がカギ。
Q5（★3｜シナリオ） 距離ベースのクラスタリング前に推奨される前処理は？
A. 標準化（スケーリング）を行い尺度差を整える
B. 学習率を極小にする
C. 乱数種だけ固定する
D. ルールを追加する
正答：A｜解説：尺度差があると距離が歪む。
Q6（★2｜キーワード） クラスタの妥当性評価に使われる内部指標は？
A. シルエット係数 B. ROC-AUC C. F1スコア D. RMSE
正答：A｜解説：内部評価の代表的指標。
次元削減
A. 一行定義
高次元データを、情報を保ちつつ少数の軸へ圧縮する方法。
B. 本文解説
次元削減は、特徴が多いデータを少数の軸へ写像して扱いやすくします。代表はPCA（主成分分析）のような線形圧縮と、t-SNE／UMAPのような非線形可視化。学習を高速・安定にし、クラスタリングの前処理や2D/3Dの見える化に有効です。一方で、圧縮により情報損失が起き得るほか、t-SNE/UMAPの点間距離の定量解釈は不可です。目的（圧縮か可視化か）に合わせて手法を選びます。
C. 長所 / 短所
長所：学習の高速化・安定化／可視化による構造把握
短所：情報損失の可能性／非線形可視化の距離解釈に注意
D. 向き / 不向き
向き：クラスタリング前の前処理、探索分析の見える化
不向き：厳密な距離の比較や必ず精度向上を期待する用途
E. 関連・対比
特徴選択＝元特徴の一部採用／特徴抽出＝新しい軸へ写像（PCA等）。
F. 重要キーワード
PCA／主成分／t-SNE／UMAP／特徴選択／特徴抽出
G. 4択問題セット（6）
Q1（★3｜定義） 次元削減の説明として適切なのは？
A. 高次元を情報保持しつつ少数軸へ圧縮
B. ルールを必ず人手で列挙する
C. 報酬で方策を学ぶ
D. 正解ラベルで分類する
正答：A｜解説：圧縮と扱いやすさが目的。
Q2（★3｜対比） PCAとt-SNE/UMAPの違いとして最も近いのは？
A. PCA＝線形圧縮、t-SNE/UMAP＝非線形可視化
B. PCA＝報酬学習、t-SNE＝回帰
C. PCA＝クラスタリング、UMAP＝分類
D. いずれも距離の定量比較が常に妥当
正答：A｜解説：用途が圧縮と可視化で異なる。
Q3（★2｜長所） 次元削減の利点として正しいのは？
A. 学習の高速化や安定化に寄与
B. 情報は必ず完全に保存される
C. 評価を不要にできる
D. どの手法でも同じ結果
正答：A｜解説：次元圧縮で計算・汎化が安定。
Q4（★2｜短所） 注意点として適切なのは？
A. 情報が落ちる可能性や距離解釈の誤用
B. ルール爆発
C. 必ず精度が最大化
D. ラベルが自動生成
正答：A｜解説：損失と誤解釈に注意。
Q5（★3｜シナリオ） 距離ベースのk-meansを安定させたい。まず行うべきは？
A. ルール追加 B. 標準化＋PCAで次元と尺度を整える C. 学習率を0にする D. t-SNEの距離で評価
正答：B｜解説：尺度調整と圧縮で安定化。
Q6（★2｜キーワード） 「元特徴の一部を残す」発想はどれ？
A. 特徴選択 B. 特徴抽出 C. 方策勾配 D. Q学習
正答：A｜解説：選ぶのが選択、作り替えるのが抽出。
強化学習
A. 一行定義
環境と相互作用し、報酬の総和が最大となる方策を試行錯誤で学ぶ方式。
B. 本文解説
強化学習は、エージェントが状態を観測し行動を選び、得られる報酬を最大化するよう方策を学びます。理論枠組みはMDP、手法はQ学習（価値ベース）や方策勾配・Actor–Critic（方策ベース）など。正解ラベルは不要で、連続した意思決定に強い一方、報酬設計や探索と安全、サンプル効率が難所です。シミュレーションやゲーム、制御、在庫・物流最適化で使われます。
C. 長所 / 短所
長所：連続的意思決定に対応／ラベル不要で試行から学習
短所：報酬設計・探索の難しさ／データ効率・安全性の課題
D. 向き / 不向き
向き：シミュレータがある制御・在庫・ゲーム
不向き：実環境での試行が高コスト・高リスクな業務
E. 関連・対比
教師あり＝正解ラベル／強化学習＝報酬。
F. 重要キーワード
エージェント／状態・行動・報酬／方策／MDP／Q学習／方策勾配
G. 4択問題セット（6）
Q1（★3｜定義） 強化学習の最も正しい説明は？
A. 正解ラベルで誤差最小化 B. 報酬最大化の方策を試行で学ぶ
C. if–then規則で推論 D. 低次元可視化
正答：B｜解説：報酬が学習信号。
Q2（★3｜対比） 教師あり学習との違いとして適切なのは？
A. 教師あり＝正解ラベル／強化学習＝報酬
B. どちらも正解ラベルが不要
C. どちらも報酬のみ使用
D. いずれも環境との相互作用が必須
正答：A｜解説：信号の種類が異なる。
Q3（★2｜長所） 強化学習の強みに最も近いのは？
A. 連続的な意思決定の最適化
B. 常に最小のデータで学習可能
C. 監査が不要
D. ルール爆発が起きない
正答：A｜解説：系列的価値の最適化に強い。
Q4（★2｜短所） 実務上の難所として適切なのは？
A. 報酬設計や探索の安全確保
B. 必ず距離解釈が崩れる
C. ラベル作成コストの増大のみ
D. いつも評価不要
正答：A｜解説：設計・安全・効率が課題。
Q5（★3｜シナリオ） 強化学習の適用がまず妥当なのは？
A. シミュレータで検証可能な在庫補充方策の最適化
B. 固定規程の合否判定
C. 既知ルールだけの与信チェック
D. 単発の表計算マクロ置換
正答：A｜解説：相互作用＋シミュレータが鍵。
Q6（★2｜キーワード） 次のうち強化学習の用語はどれ？
A. Q値 B. 主成分 C. 交差エントロピー D. 単連結
正答：A｜解説：行動価値Q(s,a)。
半教師あり学習
A. 一行定義
少量のラベル付きと大量の未ラベルを同時活用して性能を高める学習法。
B. 本文解説
半教師あり学習は、少量ラベルに大量の未ラベルを組み合わせて学習します。代表は、モデルの高確信度予測を疑似ラベルとして再学習するSelf-training、予測が摂動に対して一貫になるよう学ぶ一貫性正則化、類似点をつなぐグラフ伝播など。ラベリングコストを抑えつつ、教師あり単独より汎化を改善できますが、誤った疑似ラベルの自己強化や分布ずれに注意が必要です。学習済みモデルとの相性もよいです。
C. 長所 / 短所
長所：ラベルコスト削減／未ラベル活用で汎化向上
短所：疑似ラベルの誤り拡大／未ラベルの分布ずれに脆弱
D. 向き / 不向き
向き：医療・法務文書等でラベルが高コストだが未ラベルが豊富
不向き：未ラベルが少ない／別分布で品質が信頼できない状況
E. 関連・対比
教師あり＝ラベルのみ／教師なし＝未ラベルのみ／半教師あり＝両方を併用。
F. 重要キーワード
疑似ラベリング（Self-training）／一貫性正則化／Mean Teacher／グラフ伝播／分布ずれ
G. 4択問題セット（6）
Q1（★3｜定義） 半教師あり学習の説明として適切なのは？
A. ラベルは必ず不要
B. 少量ラベル＋大量未ラベルを併用して学ぶ
C. 報酬のみで学ぶ
D. ルールのみで推論する
正答：B｜解説：両方を利用するのが核心。
Q2（★3｜対比） 半教師あり学習を最も適切に対比させたものは？
A. 教師あり＝ラベルのみ／教師なし＝未ラベルのみ
B. どちらも未ラベルのみ
C. どちらもラベルのみ
D. いずれも報酬のみ
正答：A｜解説：位置づけの違いを把握。
Q3（★2｜長所） 利点として正しいのは？
A. ラベル作成の負担を抑えつつ汎化を改善
B. 評価が不要
C. 常に最良の精度
D. 未ラベルの品質は無関係
正答：A｜解説：コスト削減＋性能改善が狙い。
Q4（★2｜短所） 典型的なリスクはどれ？
A. 疑似ラベルの誤り自己強化や分布ずれ
B. ルール爆発
C. 必ず過学習
D. t-SNEの距離解釈
正答：A｜解説：誤り伝播／分布差に要注意。
Q5（★3｜シナリオ） 半教師あり学習が最も妥当なのは？
A. 専門家ラベルが高価だが未ラベル画像が大量にある医療領域
B. 既存ルールだけで確定できる判定
C. 高品質ラベルが大量に揃っている分類
D. 未ラベルがほぼ無い領域
正答：A｜解説：少量ラベル＋大量未ラベルに適合。
Q6（★2｜キーワード） 半教師あり学習の代表的手法はどれ？
A. Self-training（疑似ラベリング） B. Q学習 C. PCA D. ルールベース
正答：A｜解説：高確信度予測を仮ラベルにして再学習。
ノー・フリーランチ定理
A. 一行定義
どの課題にも常勝手法はなく、適材適所と適切評価が不可欠と示す原理。
B. 本文解説
ノー・フリーランチ定理は、「あらゆるデータ分布で平均すると、学習手法の優劣はならされる」という考えに基づきます。したがって、万能アルゴリズムは存在しません。実務では、課題・データの性質（非線形性、ノイズ、クラス不均衡、時系列性など）に合わせて候補手法を選び、訓練／検証／テストを分けた評価設計で比較し、ベースラインから段階的に改善します。流行手法の盲信を避け、適材適所を徹底するための指針です。
C. 長所 / 短所
長所：適材適所・評価設計の重要性を明確化／流行手法の盲信を抑制
短所：一般原則であり具体の最善手法は教えない／誤解すると「何を選んでも同じ」という諦観に陥る
D. 向き / 不向き
向き：モデル比較・指標設計・ベースライン構築の判断基準
不向き：一手法断定や説明抜きの手法選択の正当化
E. 関連・対比
流行手法＝常勝（×）／本定理＝データ適合と厳密評価を求める原則。
F. 重要キーワード
適材適所／評価設計／交差検証／データ分布／ベースライン
G. 4択問題セット（6）
Q1（★3｜定義） ノー・フリーランチ定理の要旨として正しいのは？
A. 常に最良の汎用手法が存在する
B. 万能手法はなく、課題・データで適合が決まる
C. 最新手法は必ず従来法より優れる
D. 正則化すれば手法差は消える
正答：B｜解説：適材適所の原則を示す。
Q2（★3｜対比） 本定理から導かれる実務態度として最も適切なのは？
A. 一つの手法だけを常用
B. 評価設計を整え、複数手法を比較する
C. 精度指標は見ない
D. 学習せずに運用
正答：B｜解説：検証と比較が中核。
Q3（★2｜長所） 定理の利点に最も近いのは？
A. 手法を自動選択できる
B. 流行への偏重を抑え、根拠ある選定を促す
C. 学習データが不要になる
D. 指標が不要になる
正答：B｜解説：根拠あるモデル選択を促進。
Q4（★2｜短所） 注意点として適切なのは？
A. 具体の最適手法は教えてくれない
B. ベースライン構築が不要になる
C. 交差検証は無意味
D. どのデータでも同じ結果になると断言
正答：A｜解説：一般原則で設計指針どまり。
Q5（★3｜シナリオ） この定理に沿った進め方はどれ？
A. 口コミで評判の手法だけ採用
B. 単純基準モデル→複数候補の比較→指標で選定
C. 指標は社内の勘で決める
D. 最初から深層モデル一択
正答：B｜解説：ベースライン→比較→選定が王道。
Q6（★2｜キーワード） 本定理と最も関係が深い語は？
A. 正解ラベル
B. 交差検証
C. バッチ正規化
D. 畳み込み核
正答：B｜解説：厳密評価の代表手法。
ニューロン
A. 一行定義
受信信号を統合し閾値で発火、軸索とシナプス経由で次細胞へ伝える神経細胞。
B. 本文解説
ニューロンは、生体の神経細胞で、樹状突起で信号を受け、細胞体で統合し、閾値を超えるとスパイク（発火）します。信号は軸索を伝わり、末端のシナプスから次のニューロンへ届きます。特徴は可塑性（使用状況で結合強度が変化）で、学習の直感的理解の礎です。AIの人工ニューロンはこの流れを抽象化した計算モデルですが、生体の複雑さを簡略化しています。
C. 長所 / 短所
長所：AIの比喩として理解を助ける／学習＝結合強度変化の直観を与える
短所：人工モデルの忠実再現ではない／生理学的詳細を過度に一般化しがち
D. 向き / 不向き
向き：AI入門での概念導入・比喩説明
不向き：AIモデルの数理性能評価を生体機構だけで説明
E. 関連・対比
人工ニューロン＝抽象化モデル／本用語＝生体の実体。
F. 重要キーワード
樹状突起／細胞体／軸索／スパイク（発火）／可塑性
G. 4択問題セット（6）
Q1（★3｜定義） ニューロンの情報処理で正しい流れは？
A. 発火→軸索→樹状突起→細胞体
B. 樹状突起→細胞体で統合→発火→軸索→シナプス
C. 細胞体→樹状突起→軸索→発火→シナプス
D. シナプス→発火→軸索→細胞体→樹状突起
正答：B｜解説：受信→統合→発火→出力の順。
Q2（★3｜対比） 人工ニューロンとの関係で正しいのは？
A. 人工は生体の抽象化で、厳密再現ではない
B. 生体が人工を忠実に模倣
C. どちらも同一の化学反応を持つ
D. 両者は無関係
正答：A｜解説：人工は計算的抽象。
Q3（★2｜長所） ニューロン概念を学ぶ利点は？
A. AIの重み更新を“結合強度の変化”として直感化
B. 学習率の最適値が分かる
C. すべての精度向上が保証
D. 正則化が不要
正答：A｜解説：比喩として理解が深まる。
Q4（★2｜短所） 注意点として適切なのは？
A. 人工モデルを生体と同一視しない
B. スパイクは常に不要
C. 軸索は入力の受信器官
D. 樹状突起は出力専用
正答：A｜解説：過度な類推は禁物。
Q5（★3｜シナリオ） AI導入研修でニューロンを説明する狙いとして妥当なのは？
A. 重み・活性化の直観を与え、学習概念へ橋渡し
B. 活性化関数の数式導出のみ
C. GPUの電力仕様の説明
D. ベンチマークの統計検定だけ
正答：A｜解説：直観形成が目的。
Q6（★2｜キーワード） ニューロンの入力受容に主に関わる部位は？
A. 軸索 B. 樹状突起 C. シナプス間隙 D. ミエリン鞘
正答：B｜解説：樹状突起が受容。
シナプス
A. 一行定義
ニューロン同士の接続部で、伝達物質を介して信号が渡り、結合強度が学習で変化する部位。
B. 本文解説
シナプスはシナプス前終末→シナプス間隙→シナプス後受容体からなる接続部です。前終末から放たれた神経伝達物質が受容体に結合し、次ニューロンの膜電位を変化させます。伝達効率は経験により変わる（可塑性）ため、「学習＝結合強度の変化」という直観を与えます。AIでは、重みがこの強度に相当する比喩として用いられますが、生体の化学・時間特性を全面的に再現しているわけではありません。
C. 長所 / 短所
長所：可塑性が学習の比喩となる／興奮性・抑制性の理解に有用
短所：AIの重み＝シナプスと同一視は誤り／生理の複雑性を単純化しがち
D. 向き / 不向き
向き：AIの重み・学習の説明、入門教育の概念づけ
不向き：生理学の厳密モデルとしてAI重みを用いる説明
E. 関連・対比
AIの重み＝比喩的対応／本用語＝生体の結合部と伝達機構。
F. 重要キーワード
シナプス前終末／シナプス間隙／受容体／神経伝達物質／可塑性（強度）
G. 4択問題セット（6）
Q1（★3｜定義） シナプスの説明として最も適切なのは？
A. ニューロン間の接続部で、伝達物質で信号を渡す
B. 軸索の別名
C. 樹状突起の一部
D. 発火電位の計算式
正答：A｜解説：接続部＋化学伝達が本質。
Q2（★3｜対比） AIの「重み」との関係で正しいのは？
A. 重みはシナプス強度の比喩的表現
B. 重みはシナプスと完全同一
C. 無関係
D. 重みは活性化関数の別名
正答：A｜解説：対応づけは比喩にとどまる。
Q3（★2｜長所） 概念理解の利点に最も近いのは？
A. 学習＝結合強度変化の直観を与える
B. 正解ラベルが不要になる
C. どのモデルでも精度が上がる
D. 伝達物質は常に不要
正答：A｜解説：可塑性の比喩が有用。
Q4（★2｜短所） 注意点として適切なのは？
A. 生体の複雑性を単純な重みで置換しない
B. 受容体は常に同一
C. 前終末は信号を受ける側
D. 伝達は必ず電気のみ
正答：A｜解説：化学・時間特性を無視しすぎない。
Q5（★3｜シナリオ） 入門講義で重みの説明にシナプスを持ち出す妥当な狙いは？
A. 重み更新＝結合強度調整という直観を与える
B. 活性化関数の微分を生理で置換
C. 逆伝播を化学反応で厳密導出
D. SGDを神経伝達物質で定義
正答：A｜解説：比喩としての橋渡し。
Q6（★2｜キーワード） シナプスに直接関係する語はどれ？
A. 神経伝達物質 B. 主成分 C. Q値 D. ROC-AUC
正答：A｜解説：化学伝達を担う物質。
人工ニューロン（ノード）
A. 一行定義
入力の重み付き和とバイアスを活性化関数で変換する計算単位。
B. 本文解説
人工ニューロンは、各入力に重みを掛けて合算し、バイアスを加えて活性化関数（ReLU・シグモイド等）で出力を決めます。これを多数つないで表現を段階的に作るのがニューラルネットです。活性化が非線形性を与え、層を重ねるほど表現力が増します。一方で、活性化や初期化・正則化の設計が悪いと勾配問題や過学習が起きます。
C. 長所 / 短所
長所：非線形で表現力を付与／計算が単純で並列化しやすい
短所：活性化・初期化に設計依存／単体の解釈性が低い
D. 向き / 不向き
向き：表形式の小規模分類・回帰などMLPの基礎構成
不向き：根拠の条文提示が必須な固定ルール判断（ルールベースが適合）
E. 関連・対比
生体ニューロン＝実体／人工ニューロン＝計算的抽象（重み・活性化）。
F. 重要キーワード
重み／バイアス／活性化関数（ReLU・シグモイド・tanh）／線形結合／非線形
G. 4択問題セット（6）
Q1（★3｜定義） 人工ニューロンの処理の核はどれ？
A. 規則の列挙 B. 重み付き和＋バイアス→活性化 C. 報酬最大化 D. 次元の可視化
正答：B｜解説：重み付き和を活性化関数で変換する。
Q2（★3｜対比） 生体ニューロンとの関係で正しいのは？
A. 完全に同一の化学過程を再現する
B. 無関係で比喩にもならない
C. 生体を抽象化した計算モデルである
D. 活性化は生体では存在しない
正答：C｜解説：人工は抽象化であり忠実再現ではない。
Q3（★2｜長所） 人工ニューロンによりモデルが得る性質は？
A. 非線形性による表現力 B. 完全な説明性 C. 学習不要 D. 必ず最良の精度
正答：A｜解説：活性化が非線形を付与。
Q4（★2｜短所） 実務上の注意として最も適切なのは？
A. 活性化や初期化次第で学習が不安定
B. ルール爆発が必ず起こる
C. 勾配計算は不要
D. 正則化は常に不要
正答：A｜解説：設計が悪いと勾配問題・過学習が生じる。
Q5（★3｜シナリオ） 最終出力が0〜1の確率を表す2値分類の出力層に適切なのは？
A. ReLU B. シグモイド C. tanh D. 恒等関数
正答：B｜解説：0〜1に写像。
Q6（★2｜キーワード） ノードに必ず伴う要素の組は？
A. 重み・報酬・割引率 B. 重み・バイアス・活性化 C. クラスタ数・距離 D. 主成分・負荷量
正答：B｜解説：計算単位の基本要素。
ニューラルネットワーク
A. 一行定義
人工ニューロンを層状に結合し、重みを学習して出力を得るモデル。
B. 本文解説
入力層→隠れ層→出力層の順に順伝播で計算し、損失を基準に逆伝播で勾配を求め、最適化（SGD・Adam）で重みを更新します。表形式にはMLP、画像にはCNN、系列にはRNN/LSTM/GRU、長距離依存にはTransformerなど構造が選べます。強みは表現学習、弱みはデータ依存・過学習・説明性で、評価設計と正則化が要です。
C. 長所 / 短所
長所：表現学習で手作業の特徴設計を削減／多様な構造で幅広い領域に適用
短所：データ量・品質に依存／過学習・説明性の課題
D. 向き / 不向き
向き：画像・音声・自然言語など複雑パターンの学習
不向き：データが極端に少ない／根拠提示が厳格な規程判断
E. 関連・対比
ルールベース＝人が規則／ニューラルネット＝データから重みを学習。
F. 重要キーワード
順伝播／損失関数／逆伝播／最適化（SGD・Adam）／過学習／正則化
G. 4択問題セット（6）
Q1（★3｜定義） ニューラルネットの学習手順の正しい並びは？
A. 損失→順伝播→最適化→逆伝播
B. 順伝播→損失→逆伝播→最適化
C. 逆伝播→最適化→順伝播→損失
D. 最適化→順伝播→損失→逆伝播
正答：B｜解説：予測→誤差→勾配→更新。
Q2（★3｜対比） ニューラルネットと対比が最も適切なのは？
A. ルールベース（人が規則） B. t-SNE C. PCA D. ROC曲線
正答：A｜解説：学習の源が異なる。
Q3（★2｜長所） 強みに当たるものはどれ？
A. 特徴量の自動抽出（表現学習）
B. ラベル不要で常に高精度
C. 過学習が原理的に起きない
D. 監査が不要
正答：A｜解説：手作業の特徴設計を軽減。
Q4（★2｜短所） 典型的な注意点は？
A. データ依存・過学習・説明性
B. ルール爆発のみ
C. 勾配計算が不要
D. 構造が1種類しかない
正答：A｜解説：評価設計と正則化が鍵。
Q5（★3｜シナリオ） 最適なのはどれ？
A. 画像の欠陥検出（大量画像あり）
B. 毎月の固定ルール合否判定
C. 単純な四則演算の帳票
D. 条文根拠の提示が必須の監査合否
正答：A｜解説：複雑パターン×大量例に強い。
Q6（★2｜キーワード） 次のうち学習で重み更新に直接関わる語は？
A. シルエット係数 B. 逆伝播 C. シナプス間隙 D. ルール前向き推論
正答：B｜解説：勾配を求め更新へ渡す。
ディープラーニング（深層学習）
A. 一行定義
多層のニューラルネットで階層的特徴を自動学習する手法群。
B. 本文解説
深い層で低→高レベルへと特徴が階層化され、画像・音声・言語など高次元・複雑な課題を高精度に扱います。学習を安定させるためバッチ正規化・ドロップアウト・残差接続等を用います。大量データとGPU/TPUなど計算資源が前提で、転移学習により少量データでも実用精度に近づけます。一方、説明性・コスト・脆弱性への配慮が必要です。
C. 長所 / 短所
長所：階層表現の獲得／大規模データでスケール
短所：データ・計算資源依存／説明の難しさ・脆弱性（逆向き例等）
D. 向き / 不向き
向き：画像・音声・自然言語・生成AIなど高次元データ
不向き：少データで厳格説明が必須の業務（規程判断・根拠提示）
E. 関連・対比
伝統的手法＝浅い特徴設計／深層学習＝深い階層表現を自動獲得。
F. 重要キーワード
階層表現／バッチ正規化／ドロップアウト／残差接続／転移学習／GPU・TPU
G. 4択問題セット（6）
Q1（★3｜定義） ディープラーニングの核心に最も近いのは？
A. 規則を必ず列挙する
B. 多層で階層的特徴を自動学習する
C. 距離を常に保存する
D. 報酬のみで学ぶ
正答：B｜解説：多層×階層表現が肝。
Q2（★3｜対比） 伝統的機械学習との違いとして適切なのは？
A. どちらも特徴は手作り
B. 深層は特徴を自動抽出（表現学習）
C. 深層は層が1つ
D. 伝統は説明不要
正答：B｜解説：自動抽出が大きな差。
Q3（★2｜長所） 強みに当たるのはどれ？
A. 大規模データで性能が伸びやすい
B. データが不要
C. どの課題でも必ず最良
D. 常に完全説明可能
正答：A｜解説：スケール特性が強み。
Q4（★2｜短所） 注意点として正しいのは？
A. 計算資源・説明性・脆弱性への配慮が要
B. ルール爆発のみ
C. ハイパーパラメータが無い
D. 評価は不要
正答：A｜解説：コストと説明が課題。
Q5（★3｜シナリオ） 深層学習をまず検討すべき案件は？
A. 数百万枚の画像での物体検出
B. 月1回の固定規程判定
C. 手作業で決まる単純加減算
D. 表の定型転記
正答：A｜解説：高次元×大量に強い。
Q6（★2｜キーワード） 学習安定化・汎化向上に関連深い語の組は？
A. バッチ正規化／ドロップアウト／残差接続
B. ルール前向き推論／後ろ向き推論
C. シルエット係数／クラスタ数
D. ROC-AUC／RMSE（だけ）
正答：A｜解説：深層の安定化・正則化の代表。
重み
A. 一行定義
各入力の寄与を数値化し、損失最小化に沿って更新される学習パラメータ。
B. 本文解説
重みは、入力ごとの重要度を表す数値です。順伝播では重み付き和＋バイアスを活性化関数に通して出力を得ます。学習では、損失関数の勾配を用いて勾配降下法（SGD/Adam）で重みを更新します。重みの大きさ・符号は寄与方向を示しますが、深層では非線形・相互作用のため単独解釈は慎重に行います。過学習抑制にはL1/L2正則化、早期終了、ドロップアウトなどを併用します。
C. 長所 / 短所
長所：柔軟な表現力／学習により自動調整が可能
短所：解釈の難しさ／過大化による過学習・不安定のリスク
D. 向き / 不向き
向き：連続値や多次元特徴を統合する分類・回帰
不向き：条文根拠の提示が必須な固定ルール判定（ルール化が容易）
E. 関連・対比
AIの重み＝シナプス強度の比喩／ルールの閾値や固定係数とは異なる。
F. 重要キーワード
勾配降下／学習率／L1・L2正則化／初期化／標準化／汎化
G. 4択問題セット（6）
Q1（★3｜定義） 「重み」を最も適切に表すのは？
A. 予測の最終ラベル名 B. 入力の重要度を表す学習パラメータ
C. 学習率の別名 D. 評価指標
正答：B｜解説：重みは重要度であり学習で更新。
Q2（★3｜対比） 重みと最も関係が近い比喩は？
A. 生体のシナプス強度 B. CPUクロック C. ルールID D. 計算機の電源
正答：A｜解説：比喩として結合の強さに対応。
Q3（★2｜長所） 重みの利点として適切なのは？
A. 学習により自動で最適化される
B. 常に説明が完全 C. どの課題でも最良 D. 更新は不要
正答：A｜解説：勾配降下などで自動調整。
Q4（★2｜短所） 実務上の注意として正しいのは？
A. 重みが過大化すると過学習を招く
B. 重みは減らない C. 評価は不要 D. 係数は固定
正答：A｜解説：正則化や早期終了で制御。
Q5（★3｜シナリオ） 重みの解釈に慎重さが最も要るのは？
A. 単回帰 B. 多層・非線形モデル C. 足し算のみ D. ルール判定
正答：B｜解説：非線形と相互作用で単独解釈が困難。
Q6（★2｜キーワード） 重み更新に直接関わる語は？
A. ROC-AUC B. 勾配降下 C. シルエット係数 D. ルール推論
正答：B｜解説：勾配を使い最小化方向へ更新。
情報の重みづけ
A. 一行定義
特徴・サンプル・損失・注意に重要度を配分し、学習や評価の偏りを調整する設計。
B. 本文解説
情報の重みづけは、学習や推論の各所に重要度を割り当てる設計です。例として、クラス重み・サンプル重み（不均衡対応）、多目的学習の損失加重、アテンションによる動的重み（トークンごとの寄与）などがあります。適切に設計すれば再現率の改善やKPIの両立が可能ですが、過度の加重は学習の偏り・不安定化を招きます。注意重みは可視化に有用でも因果の証明ではない点に留意します。
C. 長所 / 短所
長所：不均衡対策や多目的最適化を実現／動的重みで文脈適応
短所：過加重で不安定化／注意＝説明と誤解しやすい
D. 向き / 不向き
向き：少数クラスの見落とし削減、複数KPIのバランス調整
不向き：データが少なく根拠のない重みしか設定できない状況
E. 関連・対比
パラメータの重み＝学習される値／本用語＝設計や動的計算で割り当てる“重要度”。
F. 重要キーワード
クラス重み／サンプル重み／損失加重／アテンション／コストセンシティブ学習
G. 4択問題セット（6）
Q1（★3｜定義） 情報の重みづけの説明として正しいのは？
A. 特徴や損失などに重要度を割り当てる設計
B. モデルの重みを必ず0にする
C. ルール本数を増やす
D. 学習率を常に固定
正答：A｜解説：学習の各所に重要度を配分。
Q2（★3｜対比） モデルの「重み」との違いで正しいのは？
A. 前者は設計・動的重み、後者は学習で得るパラメータ
B. どちらも同一概念
C. 前者は使わない D. 後者は固定
正答：A｜解説：役割と生成過程が違う。
Q3（★2｜長所） 不均衡分類で有効な施策は？
A. 少数クラスを削除 B. クラス重みで損失を加重
C. ラベルを減らす D. 指標を見ない
正答：B｜解説：感度向上に寄与。
Q4（★2｜短所） 誤りとして最も注意すべき認識は？
A. 注意重み＝因果説明と断定する
B. 重みを調整しない C. 学習率を下げる
D. 標準化を行う
正答：A｜解説：注意は可視化の手がかりに留意。
Q5（★3｜シナリオ） 少数クラスの見落としが多い。まず検討すべきは？
A. 損失にクラス重みを導入し再学習
B. 学習率をゼロにする
C. ルールを倍にする
D. 乱数種を変えるだけ
正答：A｜解説：コストセンシティブにする。
Q6（★2｜キーワード） 多目的学習の損失設計で関連が深いのは？
A. 損失加重 B. PCA C. Q学習 D. ROC曲線
正答：A｜解説：複数損失を重み付き合成。
過学習
A. 一行定義
訓練に過度適合し、検証・テスト成績が悪化する汎化低下の現象。
B. 本文解説
過学習は、モデルが訓練データのノイズや偶然まで覚え、未知データで性能が落ちる状態です。学習曲線では訓練誤差が下がり続ける一方、検証誤差が悪化に転じる乖離として現れます。原因は高容量モデル／少データ／長時間学習／データリーク／分布ずれなど。対策は正則化（L1/L2）・ドロップアウト・早期終了・データ拡張・モデル簡素化・転移学習、そして厳密なデータ分割です。
C. 長所 / 短所
長所：学習曲線で早期検知が可能／モデル改善の指針を与える
短所：未知性能の劣化／評価の錯覚（リーク）を招く危険
D. 向き / 不向き
向き：高容量×少データ×長学習の状況（起こりやすい）
不向き：十分なデータ＋正則化・早期終了（起こりにくい）
E. 関連・対比
アンダーフィット＝学習不足／過学習＝適合しすぎで汎化低下。
F. 重要キーワード
学習曲線／正則化／ドロップアウト／早期終了／データリーク／交差検証
G. 4択問題セット（6）
Q1（★3｜定義） 過学習の最も典型的なサインは？
A. 訓練誤差↓・検証誤差↑に乖離
B. 両方とも一定 C. 訓練のみ↑ D. 検証のみ↓
正答：A｜解説：学習曲線の乖離が目印。
Q2（★3｜対比） アンダーフィットとの違いとして正しいのは？
A. 過学習＝覚えすぎ／アンダーフィット＝学習不足
B. どちらも同じ C. 過学習は常に良い D. アンダーフィットは存在しない
正答：A｜解説：原因と症状が逆。
Q3（★2｜長所=指針） 過学習概念が与える実務上の利点は？
A. 常に精度1.0にできる
B. 正則化や早期終了など改善策を選びやすい
C. 評価不要でよい
D. 分割は不要
正答：B｜解説：改善の指針が得られる。
Q4（★2｜短所） 実務で特に避けるべき要因は？
A. データリークや評価設計の不備
B. 標準化の実施
C. 交差検証の採用
D. 早期終了の導入
正答：A｜解説：リークは致命的に見せかけの高性能を作る。
Q5（★3｜シナリオ） 学習が進むほど検証損失が悪化。まず妥当なのは？
A. 学習率を無限大に B. 早期終了＋正則化強化
C. ルールを増やす D. 指標を見ない
正答：B｜解説：打ち切りと複雑さ抑制で汎化回復。
Q6（★2｜キーワード） 過学習を検知・抑制する語の組は？
A. 学習曲線／交差検証／ドロップアウト
B. 主成分／GMM
C. ルール前向き推論／後ろ向き推論
D. Q学習／方策勾配
正答：A｜解説：検知と正則化の代表。
正則化（Regularization）
A. 一行定義
損失に罰則項を加え複雑さを抑え、過学習を防ぎ汎化を高める手法。
B. 本文解説
正則化は、モデルの大きすぎる重みや複雑さに罰則を与えて、訓練データへの過度な適合を抑える。
代表はL1（疎化）とL2（安定化）、深層では重み減衰（weight decay）として使う。
罰の強さ（λ）は交差検証で調整する。強すぎるとアンダーフィットになる。
識別・回帰から深層まで広く用いられる基礎的な汎化技法。
C. 長所 / 短所
長所：過学習抑制／解釈性や安定性の向上
短所：強すぎると精度低下（アンダーフィット）／λ調整が必要
D. 向き / 不向き
向き：特徴が多い回帰・分類のベースライン安定化。
不向き：極端に少量データで情報を更に削る状況。
E. 関連・対比
正則化＝罰則で抑える／ドロップアウト＝確率的に間引く／早期終了＝学習を止める。
F. 重要キーワード
L1／L2／λ（正則化強度）／重み減衰／交差検証
G. 4択問題セット（6）
Q1（★2｜定義） 正則化の目的として最も適切なのは？
A. 訓練誤差を常にゼロにする
B. 過学習を抑えて汎化を高める
C. 学習を速く終えるだけ
D. データ数を増やす
正答：B｜解説：複雑さに罰を与え汎化を改善。
Q2（★3｜対比） L1とL2の説明として適切なのは？
A. L1は疎化しやすい／L2は重みを滑らかに
B. L1は連続値禁止／L2は整数のみ
C. L1は深層で使えない／L2は線形専用
D. どちらも効果は同一
正答：A｜解説：性質が異なるため使い分ける。
Q3（★2｜長所） 正則化の利点は？
A. 安定化と過学習抑制
B. 学習を不要にする
C. データのラベル付けを不要にする
D. モデルを常に最小化する
正答：A｜解説：汎化改善が主目的。
Q4（★2｜短所） 調整を誤った場合の典型は？
A. データが増える
B. アンダーフィットで精度低下
C. 必ず発散する
D. 損失が定義できない
正答：B｜解説：罰が強すぎると学習不足。
Q5（★3｜シナリオ） まず正則化を強めに試すべき場面は？
A. 説明変数が多く相関も強い回帰
B. 特徴が1つしかない問題
C. 完全にノイズがない理想データ
D. ラベルが存在しない
正答：A｜解説：多次元・多重共線性で効果的。
Q6（★2｜キーワード） 正則化と関連が薄い語は？
A. λ B. L1 C. 方策 D. 重み減衰
正答：C｜解説：方策は強化学習の語。
ドロップアウト（Dropout）
A. 一行定義
学習中にユニットを確率的に無効化し共適応を抑える汎化のための手法。
B. 本文解説
ドロップアウトは、学習時に各ユニットを確率pで無効化し、ネットワークの共適応を減らす。
推論時は無効化せず、学習時のスケーリングで期待値を一致させる。
全結合層で効果が高く、畳み込みではSpatial Dropoutなど変種を用いる。
過学習抑制に有効だが、学習はやや収束が遅くなることがある。
C. 長所 / 短所
長所：実装容易で効果大／過学習抑制
短所：収束遅延の可能性／小規模モデルでは過度に不安定化
D. 向き / 不向き
向き：全結合層が多い分類器の過学習抑制。
不向き：極小ネットやデータが極端に少ない状況。
E. 関連・対比
正則化の一種（ノイズ的）／L2は連続的に罰、Dropoutは確率的に間引く。
F. 重要キーワード
無効化確率p／共適応／スケーリング推論／Spatial Dropout
G. 4択問題セット（6）
Q1（★2｜定義） ドロップアウトの説明として正しいのは？
A. 学習中にユニットを確率的に無効化する
B. 常に重みをゼロへ近づける
C. 推論時もユニットを無効化する
D. ルール数を増やす
正答：A｜解説：確率的無効化で汎化を高める。
Q2（★3｜対比） L2との違いで適切なのは？
A. Dropoutは間引き／L2は連続罰
B. どちらも同一
C. Dropoutは回帰でしか使えない
D. L2は確率的にユニットを消す
正答：A｜解説：働き方が異なる正則化。
Q3（★2｜長所） 利点はどれか。
A. 過学習を抑え実装も簡単
B. データが不要
C. 学習が常に速い
D. 監査が不要
正答：A｜解説：簡便で効果が出やすい。
Q4（★2｜短所） 注意点はどれか。
A. 収束が遅くなることがある
B. 画像には使えない
C. pは常に0.9が最適
D. 推論時も無効化する
正答：A｜解説：確率的無効化で学習が揺れる。
Q5（★3｜シナリオ） まず試すのが妥当なのは？
A. 全結合層主体の分類ネットで精度が頭打ち
B. ラベルなしのクラスタリング
C. 近似最近傍探索
D. 線形回帰の係数解釈
正答：A｜解説：過学習抑制に効きやすい。
Q6（★2｜キーワード） Dropoutと関係が薄い語は？
A. 共適応 B. 価値関数 C. p D. スケーリング
正答：B｜解説：価値関数は強化学習の語。
転移学習（Transfer Learning）
A. 一行定義
学習済みモデルの重みを再利用し、少量データで新しい課題に適応させる学習法。
B. 本文解説
大規模データで事前学習したモデルを出発点に、対象タスクへ微調整（ファインチューニング）する。
方法は、凍結（feature extractor）と全体微調整の二つが代表。
長所：学習データや計算資源を節約。短所：ドメイン差で性能低下（負の転移）。
推薦、画像分類、自然言語処理などで標準的に用いられる。
C. 長所 / 短所
長所：学習コスト削減／少量データでも高性能に近づく
短所：負の転移リスク／ライセンス・データ起源の配慮
D. 向き / 不向き
向き：自社の少量画像で既存モデルを微調整。
不向き：出発モデルと目的領域が大きく異なる場合。
E. 関連・対比
ゼロから学習＝重みを初期化／転移学習＝学習済み重みを流用し微調整。
F. 重要キーワード
事前学習／微調整（FT）／凍結（Freeze）／負の転移／ドメイン差
G. 4択問題セット（6）
Q1（★2｜定義） 転移学習の説明として最も適切なのは？
A. 常にゼロから学習する
B. 学習済み重みを流用し少量データで適応
C. 規則を人手で列挙する
D. ラベルなしでクラスタリングする
正答：B｜解説：再利用で効率化する枠組み。
Q2（★3｜対比） 凍結と全体微調整の違いは？
A. 前者は一部層を固定／後者は広く更新
B. どちらも更新しない
C. どちらも全層更新
D. どちらも同義
正答：A｜解説：更新範囲が異なる。
Q3（★2｜長所） 転移学習の利点は？
A. データと計算資源の節約
B. 監査が不要
C. 常に最良性能
D. ラベルが不要
正答：A｜解説：事前学習の成果を活用。
Q4（★2｜短所） 注意すべき課題は？
A. 負の転移（ドメイン差で性能低下）
B. 学習が不可能
C. 画像にしか使えない
D. 必ず説明性が上がる
正答：A｜解説：適合度の見極めが必要。
Q5（★3｜シナリオ） 転移学習をまず検討すべき場面は？
A. 数百枚の製品画像で不良検出モデルを作る
B. 数億件のゼロから学習
C. ラベルなしでクラスタのみ
D. ルールの列挙で代替
正答：A｜解説：少量データに有効。
Q6（★2｜キーワード） 転移学習と関連が薄い語は？
A. 凍結 B. パディング C. 事前学習 D. 負の転移
正答：B｜解説：パディングは畳み込みの語。
特徴量
A. 一行定義
対象の性質を数値や符号化で表した“学習の材料”となる説明変数。
B. 本文解説
特徴量は、モデルが学習できるよう現実の情報を数値化・符号化したものです。表形式では、連続値は標準化・正規化、カテゴリはone-hotなどのエンコードを行います。良い特徴量は予測力と汎化性を高め、学習を高速・安定にします。一方、目的変数の情報が混入するデータリークや、尺度の違い放置、欠損の扱い不備は性能を誤解させます。深層学習では表現学習により自動的に特徴を獲得する場合もあります。
C. 長所 / 短所
長所：予測力・汎化の向上／学習の高速化・安定化
短所：設計コストが高い／リーク・スケール不一致で評価を誤る
D. 向き / 不向き
向き：表形式データの分類・回帰（前処理と設計で性能向上）
不向き：生データからの自動表現が有効な高次元タスク（画像・音声・言語の生入力）は深層の方が適合することが多い
E. 関連・対比
特徴選択＝元の一部を残す／特徴抽出＝新しい軸を作る（PCA 等）。
F. 重要キーワード
前処理／標準化・正規化／one-hot／欠損処理／特徴選択・抽出／データリーク
G. 4択問題セット（6）
Q1（★3｜定義） 特徴量の説明として最も適切なのは？
A. 予測結果のラベル名
B. 対象の性質を数値・符号化した学習の材料
C. 学習率の別名
D. 評価指標の一種
正答：B｜解説：モデルが学ぶための入力表現。
Q2（★3｜対比） 特徴選択と特徴抽出の正しい組み合わせは？
A. 選択＝新軸作成／抽出＝元の一部
B. 選択＝元の一部採用／抽出＝新しい軸へ写像
C. 両方とも新軸作成
D. 両方とも元の一部のみ
正答：B｜解説：選ぶ vs 作り替える。
Q3（★2｜長所） 良い特徴量設計の効果として正しいのは？
A. 学習を高速・安定化し汎化を高める
B. 評価が不要になる
C. データは常に少なくてよい
D. 正則化が不要になる
正答：A｜解説：前処理＋設計で安定・高性能。
Q4（★2｜短所） 実務上の重大リスクはどれ？
A. 標準化の実施
B. 目的の情報が混入するデータリーク
C. 欠損補完の実施
D. one-hot の使用
正答：B｜解説：リークは見かけの高性能を生む。
Q5（★3｜シナリオ） 距離ベースの手法前に勧められる前処理は？
A. 標準化で尺度をそろえる
B. 学習率を0にする
C. 乱数種を変える
D. ラベルを削除する
正答：A｜解説：尺度差で距離が歪むのを防ぐ。
Q6（★2｜キーワード） 特徴量設計で避けたいのは？
A. 欠損補完 B. 目的変数の情報を前処理で使う C. 標準化 D. one-hot
正答：B｜解説：リークの典型例。
弱いAI（ANI：Artificial Narrow Intelligence）
A. 一行定義
特定の狭い課題に特化して高性能を発揮する実用型のAI。
B. 本文解説
弱いAI（特化型AI／ANI）は、翻訳・音声認識・画像分類・推薦など限定領域で高い性能を目指すAIです。目的が明確で、データや評価指標が定義しやすく、現行の多くのAIシステムはANIに該当します。汎用推論や常識的理解の広範適用は想定しておらず、領域外への転用は性能が低下しがちです。現場では要件定義→データ整備→評価・改善の運用で成果を出します。
C. 長所 / 短所
長所：実用性が高い／要件・指標が明確で導入しやすい
短所：適用範囲が限定／領域外では汎用性が低い
D. 向き / 不向き
向き：翻訳、要約、読み取り、異常検知、推薦など業務特化の自動化
不向き：多領域をまたぐ一般知能や未知課題への柔軟転用
E. 関連・対比
ANI＝特化型の高性能／AGI＝汎用型の潜在概念（未実現）。
F. 重要キーワード
特化領域／性能指標／ドメイン依存／転移の限界／運用改善
G. 4択問題セット（6）
Q1（★3｜定義） 弱いAI（ANI）の説明として最も適切なのは？
A. 特定課題に特化し高性能を発揮するAI
B. どの課題でも常に最良なAI
C. 自立的に目的を創出するAI
D. 生体脳を完全再現するAI
正答：A｜解説：特化型が本質。
Q2（★3｜対比） ANIとAGIの正しい対比は？
A. ANI＝特化／AGI＝汎用
B. ANI＝汎用／AGI＝特化
C. どちらも同義
D. AGIは必ず既に実現
正答：A｜解説：範囲の広さが違う。
Q3（★2｜長所） ANIの強みに最も近いのは？
A. 要件・指標が明確で導入しやすい
B. どの領域でも自動で最良
C. 説明不要で安全審査も不要
D. データが不要
正答：A｜解説：現実運用と相性が良い。
Q4（★2｜短所） ANIの弱点として正しいのは？
A. 領域外で性能が落ちやすい
B. 必ず自己改善する
C. 常に汎用推論が可能
D. 監査が不要
正答：A｜解説：ドメイン外に弱い。
Q5（★3｜シナリオ） ANIの適用がまず妥当なのは？
A. 定型文の翻訳・要約の自動化
B. 人類一般知能の哲学的検証
C. すべての科学課題の自律解決
D. 無評価での運用開始
正答：A｜解説：特化タスクに強い。
Q6（★2｜キーワード） ANIに近い語はどれ？
A. 特化型AI B. 汎用AI C. 自我AI D. 量子AI
正答：A｜解説：Narrow（狭い）が語源。
強いAI（AGI：Artificial General Intelligence）
A. 一行定義
人のように多様な課題を横断して学習・推論・適応できる汎用知能を指す概念。
B. 本文解説
強いAI（AGI）は、複数領域にまたがる理解・推論・計画・学習・適応を、人と同等以上に行えると想定される汎用知能の概念です。現時点では統一定義や合意はなく、実現時期も未確定です。議論では、能力の範囲・評価基準・安全性・社会影響が焦点になります。試験対策では、ANIとの区別（特化 vs 汎用）と、AGIは概念・未実現という立場を明確に押さえます。
C. 長所 / 短所
長所：複数領域に横断適用できる潜在的利点／知的作業の広範自動化の可能性
短所：未実現・定義不統一／評価・安全・倫理の課題が大きい
D. 向き / 不向き
向き：将来像・政策議論・リスクとガバナンスの検討
不向き：現行の実務要件に対する即時の技術選定（現実解はANI）
E. 関連・対比
AGI＝汎用知能の概念／ANI＝実用中心の特化型。
F. 重要キーワード
汎用性／推論・計画／適応／評価基準／安全・倫理／未実現
G. 4択問題セット（6）
Q1（★3｜定義） AGIの説明として最も適切なのは？
A. 多領域で学習・推論・適応できる汎用知能の概念
B. 特定課題専用の実用AI
C. 既にすべての分野で実装済みのAI
D. 画像だけ扱う手法
正答：A｜解説：General（汎用）が核心。
Q2（★3｜対比） ANIとAGIの関係の正しい理解は？
A. ANI＝特化、AGI＝汎用
B. ANI＝汎用、AGI＝特化
C. 両者は完全同義
D. 両者とも既に同程度に運用実装
正答：A｜解説：試験での頻出対比。
Q3（★2｜長所） AGIが理論的に持つ利点は？
A. 多領域への横断適用可能性
B. 評価や安全配慮が不要
C. 必ず最小コストで実現
D. 常に人より上
正答：A｜解説：汎用性が利点だが仮説段階。
Q4（★2｜短所） 現時点の課題として正しいのは？
A. 未実現で定義・評価も未合意、ガバナンス課題
B. 必ず来年に実現
C. 法的議論は不要
D. すでに安全が解決済み
正答：A｜解説：不確実性と安全が中心論点。
Q5（★3｜シナリオ） 試験で妥当な答え方はどれ？
A. AGIは“汎用知能の概念”で未実現、ANIは特化型と明確に述べる
B. AGIは既に実務で常用
C. ANIは汎用、AGIは特化
D. どちらも定義不要
正答：A｜解説：用語の区別が最重要。
Q6（★2｜キーワード） AGIと関係が薄い語はどれ？
A. ルール爆発 B. 汎用性 C. 安全・倫理 D. 評価基準
正答：A｜解説：「ルール爆発」はルールベースの文脈。
第一次AIブーム
A. 一行定義
1950年代後半〜60年代、記号処理の探索・推論が主導した最初のAI隆盛期。
B. 本文解説
第一次AIブームは、記号主義（GOFAI）のもとで、探索と論理的推論により知能を実装しようとした時代です。ゲーム探索、定理証明、パズル解法などで成果が出て、将来への強い期待が生まれました。しかし、実世界では状態が膨大で組合せ爆発が起こり、知識表現・獲得のボトルネックが顕在化。こうした限界がのちのAIの冬につながり、第二次・第三次ブームへ教訓を残しました。
C. 長所 / 短所
長所：問題解決を厳密な論理・探索で形式化／AI研究の基礎概念を確立
短所：組合せ爆発でスケール困難／知識獲得が手作業で限界
D. 向き / 不向き
向き：棋譜・パズル・定理証明など明確規則の課題
不向き：曖昧・連続・高次元な現実世界の知覚・常識推論
E. 関連・対比
第一次＝探索・推論中心／第三次＝データ駆動の深層学習中心。
F. 重要キーワード
記号主義（GOFAI）／探索／推論／定理証明／組合せ爆発／AIの冬
G. 4択問題セット（6）
Q1（★3｜定義） 第一次AIブームの特徴に最も近いのは？
A. 生成AIと大規模事前学習
B. 記号処理による探索・推論の中心化
C. ロボット動力の改良
D. センサー開発の量産化
正答：B｜解説：記号主義のもと探索・推論が主役。
Q2（★3｜対比） 第三次ブームとの主な違いは？
A. 第一次＝記号中心／第三次＝データ駆動（深層）
B. どちらも同じ
C. 第三次は探索のみ
D. 第一次は生成だけ
正答：A｜解説：アプローチ（記号 vs データ）が異なる。
Q3（★2｜長所） 第一次の意義として適切なのは？
A. 問題解決を形式化し基礎概念を整備
B. 画像から自動で特徴を抽出
C. GPU計算の標準化
D. センシングの高精度化
正答：A｜解説：形式化が大きな成果。
Q4（★2｜短所） 失速要因として代表的なのは？
A. 学習率の未調整
B. 組合せ爆発と知識獲得の困難
C. CPU不足のみ
D. 評価指標が過多
正答：B｜解説：スケールと知識が壁に。
Q5（★3｜シナリオ） 第一次の手法が比較的得意なのは？
A. ノイズ多い自然画像の微妙な識別
B. ルールが明確な定理証明やパズル
C. マルチモーダル生成
D. 連続制御の微分方程式推定
正答：B｜解説：明確規則の領域に強い。
Q6（★2｜キーワード） 第一次AIブームと関係が薄い語は？
A. 定理証明 B. バッチ正規化 C. 探索 D. 推論
正答：B｜解説：バッチ正規化は深層学習時代の語。
探索
A. 一行定義
状態空間を系統的にたどり、目標状態や最短経路などの解を見つける手続き。
B. 本文解説
探索は、問題を状態・遷移・目標で表し、BFS/DFS/反復深化などの盲目的手法や、ヒューリスティックを用いたA*・貪欲探索で効率化します。コストや分岐数・深さが大きいと組合せ爆発が起きるため、評価関数や枝刈りが重要です。ゲーム・経路計画・パズル・プランニングなどで使われ、第一次AIブームの中心技法でした。
C. 長所 / 短所
長所：解の最適性・完備性を設計できる／一般枠組みに乗せやすい
短所：状態爆発で計算資源を大量消費／ヒューリスティック依存
D. 向き / 不向き
向き：経路探索、パズル解法、手順計画など明確定義の問題
不向き：曖昧・高次元の知覚タスク（画像・音声）や常識推論
E. 関連・対比
盲目的探索＝情報なし／有情報探索＝ヒューリスティックで誘導。
F. 重要キーワード
状態空間／BFS・DFS／A*／ヒューリスティック／枝刈り／組合せ爆発
G. 4択問題セット（6）
Q1（★3｜定義） 探索の説明として最も適切なのは？
A. 状態空間をたどって解や経路を見つける
B. 正解ラベルから重みを学ぶ
C. 報酬最大化の方策学習
D. 低次元に圧縮して可視化
正答：A｜解説：状態→遷移→目標の枠組み。
Q2（★3｜対比） 盲目的探索と有情報探索の違いは？
A. 後者はヒューリスティックで探索を誘導
B. 両者は同一
C. 盲目的は常に最適
D. 有情報は必ず誤る
正答：A｜解説：評価関数で効率化。
Q3（★2｜長所） 探索の利点として正しいのは？
A. 最適性・完備性の保証設計が可能
B. データが不要で常に高速
C. どの問題でも常に多項式時間
D. 学習の必要がないため汎化が高い
正答：A｜解説：条件により保証を設計できる。
Q4（★2｜短所） 実務上の最大の難点は？
A. 状態空間の爆発的増大
B. ラベル作成コスト
C. 逆伝播の不安定
D. ドロップアウトの設定
正答：A｜解説：分岐×深さで資源枯渇。
Q5（★3｜シナリオ） 最短路を高確率で見つけたい。妥当な選択は？
A. DFS B. A*（許容的ヒューリスティック） C. ランダム探索 D. Greedyのみ
正答：B｜解説：許容的ヒューリスティックで最適性。
Q6（★2｜キーワード） 探索の効率化に直結する語は？
A. 枝刈り B. 標準化 C. ROC-AUC D. バッチ正規化
正答：A｜解説：不要枝の削除で計算削減。
推論
A. 一行定義
既知の知識と規則から新たな結論を導く過程（論理・確率などの枠組み）。
B. 本文解説
推論は、知識ベースにある事実・規則から演繹（必然的結論）や確率的推論で新情報を導く手続きです。ルールベースでは前向き推論（事実→結論）と後ろ向き推論（目標→必要事実）を使い、論理ではモーダス・ポネンスや解集合/解決原理などを用います。表現が貧弱だと結論が出ず、逆に複雑すぎると計算量が増大。適切な知識表現・推論制御が鍵です。
C. 長所 / 短所
長所：根拠と結論の対応が明確／説明可能性が高い
短所：知識獲得が手作業で拡張困難／計算量が爆発しやすい
D. 向き / 不向き
向き：規則・根拠が整備された判断、監査・コンプライアンス
不向き：曖昧・連続な知覚や大規模ノイズデータの直接処理
E. 関連・対比
演繹＝必然的結論／帰納＝例から一般化（学習）／推論制御＝前向き・後ろ向き。
F. 重要キーワード
演繹／帰納／前向き推論／後ろ向き推論／知識ベース／解決原理
G. 4択問題セット（6）
Q1（★3｜定義） 推論の説明として最も適切なのは？
A. 知識と規則から新たな結論を導く過程
B. ラベルで誤差最小化
C. 状態空間の最短路探索
D. 低次元への圧縮
正答：A｜解説：知識→結論の手続き。
Q2（★3｜対比） 前向き推論と後ろ向き推論の違いは？
A. 前＝事実から結論／後＝目標から必要事実
B. どちらも同じ
C. 前は確率、後は論理
D. 前は生成、後は識別
正答：A｜解説：方向が異なる。
Q3（★2｜長所） 推論の強みに該当するのは？
A. 根拠と結論の対応が明確で説明可能
B. ラベル作業が不要で常勝
C. 計算量が常に一定
D. データが不要で万能
正答：A｜解説：説明責任に強い。
Q4（★2｜短所） 実務上の最大の課題は？
A. 知識獲得の手作業と計算量の増大
B. ドロップアウトの設定
C. 学習率の自動調整
D. 標準化の欠如
正答：A｜解説：ナレッジ作成と複雑化が壁。
Q5（★3｜シナリオ） 推論型システムが妥当な案件は？
A. 高ノイズ画像の感情推定
B. 条文に基づく監査の合否説明
C. 自然音からの鳥種分類
D. 大規模言語モデルの事前学習
正答：B｜解説：根拠提示が求められる領域。
Q6（★2｜キーワード） 推論と直接関係が薄い語は？
A. 主成分 B. 前向き推論 C. 解決原理 D. 知識ベース
正答：A｜解説：主成分は次元削減の用語。
第二次AIブーム
A. 一行定義
1980年代を中心に、知識工学とエキスパートシステムの商用化で隆盛した時期。
B. 本文解説
第二次AIブームは、知識工学にもとづき専門家の知識を知識ベースに格納し、推論エンジンで問題を解く方式が産業適用された時代です。ルール（if–then）やフレームで表現し、前向き／後ろ向き推論で結論を導きました。説明機能が評価され、診断・設定・トラブルシュートなどで成果が出ましたが、知識獲得ボトルネック、ルール爆発、保守コスト、ハード依存が拡大。90年代にかけて失速し、AIの冬へ向かう教訓を残しました。
C. 長所 / 短所
長所：説明可能性／専門知識の形式化・一貫運用
短所：知識獲得の高コスト・維持困難／スケールで脆さ（ルール爆発・ドメイン移動に弱い）
D. 向き / 不向き
向き：規則が明確な診断・審査・設定
不向き：曖昧・高次元の知覚や大規模ノイズデータの直接処理
E. 関連・対比
第一次＝探索・推論の基礎構築／第二次＝知識工学の商用化／第三次＝データ駆動・深層学習。
F. 重要キーワード
知識工学／知識ベース／推論エンジン／ルール（if–then）／ルール爆発／知識獲得ボトルネック
G. 4択問題セット（6）
Q1（★3｜定義） 第二次AIブームの中心的特徴は？
A. 生成AIと事前学習の拡大
B. 知識工学とエキスパートシステムの商用化
C. ロボット動力の改良
D. センサー開発の量産化
正答：B｜解説：知識ベース＋推論が核。
Q2（★3｜対比） 第三次ブームとの主な違いは？
A. 第二次＝知識主導／第三次＝データ駆動（深層）
B. どちらも同じ
C. 第二次は報酬学習のみ
D. 第三次はルールのみ
正答：A｜解説：記号知識と統計学習の差。
Q3（★2｜長所） 第二次の強みに近いのは？
A. 説明機能と一貫運用
B. どの課題でも常勝
C. 学習不要で汎化が高い
D. 必ず低コスト
正答：A｜解説：根拠提示が可能。
Q4（★2｜短所） 失速要因として妥当なのは？
A. 知識獲得・保守コスト、ルール爆発
B. 勾配消失
C. 画像データ不足のみ
D. 報酬設計
正答：A｜解説：規模が増すほど維持困難に。
Q5（★3｜シナリオ） 第二次の方式が比較的得意なのは？
A. 法令に基づく適合判定の説明付き自動化
B. ノイズ多い自然画像の微妙な識別
C. 大規模言語モデルの事前学習
D. マルチモーダル生成
正答：A｜解説：規則明確＋説明責任に適合。
Q6（★2｜キーワード） 第二次AIブームと関係が薄い語は？
A. 知識ベース B. 推論エンジン C. 畳み込みニューラルネット D. ルール爆発
正答：C｜解説：CNNは第三次以降の中心。
エキスパートシステム
A. 一行定義
専門家の知識を知識ベースに蓄え、推論エンジンで専門的問題を解くシステム。
B. 本文解説
エキスパートシステムは、知識ベース（ルール・フレーム等）、推論エンジン、作業記憶、説明機能、知識獲得機能からなる典型構成です。前向き推論（事実→結論）、後ろ向き推論（目標→必要事実）を使い分け、診断・設定・トラブル対応など明確規則の領域で力を発揮します。長期運用では、知識の更新・矛盾解消、性能劣化への対応が課題となります。
C. 長所 / 短所
長所：説明可能／熟練者の知見を一貫化・共有化
短所：知識獲得・保守コストが高い／ドメイン移動に脆い（ルール爆発）
D. 向き / 不向き
向き：規程・手順が整った診断・審査・設定
不向き：曖昧・高次元の知覚や未知パターンが多い課題
E. 関連・対比
エキスパートシステム＝ルールベースの代表／機械学習＝例から規則を学ぶ。
F. 重要キーワード
知識ベース／推論エンジン／作業記憶／前向き・後ろ向き推論／説明機能／知識獲得
G. 4択問題セット（6）
Q1（★3｜定義） エキスパートシステムを最も正しく表すのは？
A. 知識ベースと推論で専門問題を解くシステム
B. 事前学習済み巨大モデル
C. 報酬で方策を学ぶシステム
D. 低次元可視化のアルゴリズム
正答：A｜解説：知識工学の代表格。
Q2（★3｜対比） 機械学習との違いで適切なのは？
A. 前者＝人が知識を書く／後者＝データから学ぶ
B. 両者は同義
C. 機械学習は必ず説明不可
D. エキスパートは必ず高精度
正答：A｜解説：知識の獲得方法が異なる。
Q3（★2｜長所） 強みに当たるのは？
A. 根拠を提示しやすい説明可能性
B. 未知領域でも常勝
C. 学習コストが常にゼロ
D. どのデータでも自動最適化
正答：A｜解説：説明責任に強い。
Q4（★2｜短所） 実運用の課題は？
A. 知識獲得・保守の高コスト
B. 勾配消失
C. バッチ正規化の不備
D. 報酬設計
正答：A｜解説：維持・更新が重い。
Q5（★3｜シナリオ） 主軸として適切なのは？
A. 法令準拠の審査で根拠提示が求められる案件
B. ノイズの多い画像識別
C. 新語だらけの感情分析
D. マルチモーダル生成
正答：A｜解説：規則明確＋説明責任が鍵。
Q6（★2｜キーワード） 構成要素として関係が薄いのは？
A. 知識ベース B. 推論エンジン C. 作業記憶 D. 畳み込み層
正答：D｜解説：畳み込み層は深層学習の要素。
AIの冬
A. 一行定義
期待過剰と限界露呈により投資・関心が冷え込んだ停滞期（複数回発生）。
B. 本文解説
AIの冬は、ブーム後に過度な期待と技術的・経済的限界が噴出し、予算縮小・研究停滞が起きた時期を指します。70年代（初期の限界指摘）と90年代前後（知識工学の維持困難・市場縮小など）に代表例があります。要因は、組合せ爆発、知識獲得ボトルネック、ハード依存、過剰な宣伝と実用の乖離。この反省を踏まえ、後のデータ・計算資源・アルゴリズムの進展が第三次ブームを下支えしました。
C. 長所 / 短所
長所：過度な期待を是正し基盤研究・評価手法を再整備
短所：資金・人材の流出／進歩の停滞・社会的不信
D. 向き / 不向き
向き：歴史理解・リスク管理・期待値調整の教材
不向き：即時の技術選定や短期的投資判断の単独根拠
E. 関連・対比
ブーム↔冬＝期待と現実の振れ幅／第三次は“反省＋新条件（データ・計算）”で再興。
F. 重要キーワード
過度な期待／組合せ爆発／知識獲得ボトルネック／予算縮小／再評価／第三次ブーム
G. 4択問題セット（6）
Q1（★3｜定義） 「AIの冬」を最も正しく表すのは？
A. 投資・関心が冷え込み停滞する時期
B. 研究者が休暇を取る期間
C. ハードの性能向上期
D. データが急増する時期
正答：A｜解説：失望→縮小の局面。
Q2（★3｜対比） ブームと冬の関係として適切なのは？
A. 期待と現実の乖離が冬を招く
B. どちらも同義
C. 冬は常に好況
D. ブームは研究を停止させる
正答：A｜解説：過剰期待→反動の構図。
Q3（★2｜長所=教訓） 冬がもたらした前向きな効果は？
A. 基盤研究と評価の再整備
B. 研究者が必ず転職
C. データが不要になる
D. ルール爆発が消える
正答：A｜解説：体制の見直しが進む。
Q4（★2｜短所） 冬期の負の影響として妥当なのは？
A. 資金・人材の流出と停滞
B. 期待の健全化
C. 可視化の進展
D. 計算資源の増加
正答：A｜解説：縮小が進む。
Q5（★3｜シナリオ） 「冬」の教訓を活かした判断は？
A. 実証・評価を重視し、期待値を現実化して投資
B. 流行語だけで採用
C. 予算を断続的に全停止
D. 検証を省いて導入
正答：A｜解説：再現性・評価が鍵。
Q6（★2｜キーワード） 冬の要因として頻出の語は？
A. 知識獲得ボトルネック B. バッチ正規化 C. Q学習 D. UMAP
正答：A｜解説：知識獲得・維持の限界が失速要因。
第三次AIブーム
A. 一行定義
2010年代以降、深層学習と計算資源・データ拡大で実用が加速した時期。
B. 本文解説
第三次AIブームは、深層学習（ディープラーニング）の躍進、GPU/TPUなどの計算資源、ビッグデータ、クラウドの普及が重なって性能が飛躍した時期です。画像・音声・自然言語で表現学習が進み、転移学習により少量データでも実用精度へ近づける環境が整いました。生成AIの広がりもこの波の延長にあります。一方、説明可能性・安全性・データ倫理・コストといった運用課題が顕在化し、評価体制とガバナンスが重要になりました。
C. 長所 / 短所
長所：高次元データへの高精度／表現学習・転移学習で開発効率向上
短所：大量データ・計算資源への依存／説明・安全・倫理の課題
D. 向き / 不向き
向き：画像・音声・自然言語・生成AIなど複雑パターン
不向き：厳格な根拠提示が必須で少データな規程判断（ルールベースが適合）
E. 関連・対比
第一次・第二次＝記号・知識主導／第三次＝データ駆動（深層＋計算資源）。
F. 重要キーワード
深層学習／表現学習／転移学習／GPU・TPU／生成AI／ガバナンス
G. 4択問題セット（6）
Q1（★3｜定義） 第三次AIブームの中核として最も適切なのは？
A. ルール記述の拡大
B. 深層学習×計算資源×データ拡大による性能飛躍
C. ロボット動力の改良
D. 検索エンジンの誕生
正答：B｜解説：ディープ＋計算＋データの相乗効果。
Q2（★3｜対比） 第一次・第二次との主な違いは？
A. すべて知識ベース化が中心
B. 第三次はデータ駆動で表現学習が核
C. 第一次はGPU依存
D. 第二次は生成AI中心
正答：B｜解説：記号主義→データ主義への転換。
Q3（★2｜長所） 第三次の強みに最も近いのは？
A. 高次元データでの高精度と転移学習
B. データ不要
C. 常に説明が容易
D. どの課題でも同じ手法
正答：A｜解説：表現学習と再利用性が鍵。
Q4（★2｜短所） 典型的な課題として正しいのは？
A. 説明可能性・安全・倫理・コスト
B. ルール爆発だけ
C. 評価指標が不要
D. モデルは必ず小型
正答：A｜解説：運用・ガバナンスの整備が必要。
Q5（★3｜シナリオ） 第三次AIブームの方式が最も効果を出しやすいのは？
A. 数百万件の画像と計算資源を活かした物体検出
B. 年1回の固定規程合否
C. 条文根拠が必須の定型判断
D. 既存数式だけで確定する計算
正答：A｜解説：大量データ×高表現力で優位。
Q6（★2｜キーワード） 第三次AIブームと関係が薄い語は？
A. 前向き推論 B. 転移学習 C. 表現学習 D. GPU
正答：A｜解説：前向き推論はルール推論の語。
ビッグデータ
A. 一行定義
巨大・高速・多様（一般に3V）なデータ群を指し、分析や学習の資源となる概念。
B. 本文解説
ビッグデータは、Volume（量）・Velocity（速度）・Variety（多様性）を備えるデータ群を指し、拡張としてVeracity（真偽・品質）・Value（価値）を含め5Vとも語られます。分散ストレージや並列処理により蓄積・前処理・分析を行い、モデル学習・個別化・需要予測・異常検知などに活用されます。強みは網羅性とスケールですが、品質・偏り・プライバシー・セキュリティへの配慮が不可欠で、データガバナンスと適切な評価設計が成否を分けます。
C. 長所 / 短所
長所：網羅性・スケールによる高精度化・個別化の可能性
短所：品質・偏り・プライバシーの管理負荷／コスト・遅延の課題
D. 向き / 不向き
向き：需要予測・レコメンド・異常検知・生成AIの事前学習
不向き：少量高品質で十分な厳格検証タスク（データ拡大量の効果が小さい）
E. 関連・対比
ビッグデータ＝“量と多様性”の資源／小規模だが厳選・整備されたデータ＝高精度評価に有効。
F. 重要キーワード
3V/5V（量・速度・多様性・真偽・価値）／分散処理／データレイク／ガバナンス／偏り
G. 4択問題セット（6）
Q1（★3｜定義） ビッグデータの基本的特徴（3V）に含まれるのは？
A. 量・速度・多様性
B. 量・価値・倫理
C. 速度・倫理・透明性
D. 多様性・説明性・安全性
正答：A｜解説：一般に3Vと呼ぶ。
Q2（★3｜対比） ビッグデータと対比して理解したいのは？
A. 小規模だが厳選・整備された高品質データ
B. どちらも同義
C. ルールベースの知識だけ
D. GPUの型番
正答：A｜解説：量と網羅性vs品質と検証性。
Q3（★2｜長所） ビッグデータ活用の利点はどれ？
A. 網羅性とスケールで個別化や高精度化が狙える
B. 品質管理は不要
C. 必ず低コスト
D. 偏りは自動で消える
正答：A｜解説：スケールが武器。ただし品質管理は必要。
Q4（★2｜短所） 典型的なリスクは？
A. 品質・偏り・プライバシー・セキュリティの課題
B. 学習が不要
C. 3Vは常に5Vより優れる
D. 量が少ないと性能が上がる
正答：A｜解説：ガバナンスと倫理が要。
Q5（★3｜シナリオ） ビッグデータをまず活かすと効果が大きいのは？
A. レコメンドや需要予測の継続改善
B. 年1回の固定規程の合否
C. 一件ずつの手作業照合作業
D. 定数のみで決まる計算
正答：A｜解説：大量履歴×継続学習が効く。
Q6（★2｜キーワード） 5Vに含まれる拡張要素として適切なのは？
A. 真偽（Veracity）と価値（Value）
B. 速度と倫理
C. 価値と説明性
D. 真偽と安全性
正答：A｜解説：3VにVeracity/Valueを加え5Vとする。
シンギュラリティ（技術的特異点）
A. 一行定義
AIなどの進歩で人知を超える転換点が到来するという仮説概念。
B. 本文解説
シンギュラリティは、AIや計算資源の指数的発展が臨界点に達し、社会・経済・人間の知的優位が質的転換を迎えるという仮説です。提唱・普及にはヴァーナー・ヴィンジやレイ・カーツワイルが大きく関わりました。年次や到来の有無は未確定で、評価・安全・ガバナンスの議論が伴います。試験では、「仮説であり確定ではない」と、ANI/AGI区分や歴史文脈とあわせて理解します。
C. 長所 / 短所
長所：将来リスク・制度設計の論点提示／研究・社会対話の喚起
短所：予測の不確実性が高い／過剰期待や決め打ちに陥りやすい
D. 向き / 不向き
向き：長期的リスク評価・政策議論のたたき台
不向き：短期の技術選定や確定計画の唯一根拠
E. 関連・対比
ANI＝特化／AGI＝汎用（未実現）／シンギュラリティ＝汎用知能等で社会が転換する仮説。
F. 重要キーワード
指数的成長／転換点／AGI／安全・ガバナンス／不確実性
G. 4択問題セット（6）
Q1（★3｜定義） シンギュラリティの説明として正しいのは？
A. AI進歩で社会が質的転換するという仮説
B. 既に到来した確定事実
C. ルールベースの別名
D. 画像圧縮の技法
正答：A｜解説：仮説概念であり確定ではない。
Q2（★3｜対比） ANI/AGIとの関係で適切なのは？
A. AGIの可能性が議論の中心、ANIは特化領域
B. ANIが汎用、AGIが特化
C. いずれも関係がない
D. ANIが転換点の本体
正答：A｜解説：汎用知能が論点。
Q3（★2｜長所） シンギュラリティ議論の利点は？
A. 長期リスクと制度整備の論点を可視化
B. 評価が常に不要
C. 実現時期が確定
D. 倫理議論は不要
正答：A｜解説：政策・安全の議題設定。
Q4（★2｜短所） 実務での注意点として正しいのは？
A. 不確実性が高く決め打ちに不向き
B. 必ず2045年に発生
C. 予算配分に用いられない
D. ガバナンス不要
正答：A｜解説：確度不明の仮説。
Q5（★3｜シナリオ） 妥当な使い方はどれ？
A. 長期リスクの洗い出しと段階的対策の設計
B. 単独で即時の投資判断を決定
C. テスト省略の根拠
D. 監査不要の根拠
正答：A｜解説：備えの議論に活かす。
Q6（★2｜キーワード） 概念理解に関係が薄い語は？
A. 指数的成長 B. ルール爆発 C. AGI D. ガバナンス
正答：B｜解説：ルール爆発は記号的手法の課題。
ヴァーナー・ヴィンジ
A. 一行定義
技術的特異点を広めたSF作家・計算機科学者で、1993年に代表的論考を発表。
B. 本文解説
ヴァーナー・ヴィンジは、SFと計算機科学のバックグラウンドを持ち、1993年のエッセイなどで技術的特異点の概念を広く知らしめました。高度な知能の自己強化が急進的変化を招く可能性を論じ、注意喚起と議論の枠組みを提供しました。試験では、人物名と論点（自己改善・急峻な変化・不確実性）をセットで覚えるのが有効です。
C. 長所 / 短所
長所：将来像の問題提起／社会的議論の火付け役
短所：推測要素が大きく、年次や到来は未確定
D. 向き / 不向き
向き：歴史・概念の基礎知識としての人物理解
不向き：技術詳細や実装の唯一根拠
E. 関連・対比
ヴィンジ＝概念の普及／カーツワイル＝予測・年次の提示。
F. 重要キーワード
1993年の論考／自己改善／急進的変化／注意喚起／将来像
G. 4択問題セット（6）
Q1（★3｜定義） ヴァーナー・ヴィンジの功績として適切なのは？
A. CNNの発明
B. 特異点概念を広めた論考の発表
C. TPUの設計
D. 画像圧縮の標準化
正答：B｜解説：1993年の論考が著名。
Q2（★3｜対比） ヴィンジとカーツワイルの位置づけで正しいのは？
A. ヴィンジ＝概念普及／カーツワイル＝年次予測
B. 両者は無関係
C. どちらもGPU設計者
D. どちらも探索手法の研究者
正答：A｜解説：役割の違い。
Q3（★2｜長所） 論考の長所に近いのは？
A. 社会的議論への喚起
B. 数式の厳密証明
C. 実装手順の提供
D. ガバナンス不要の主張
正答：A｜解説：問題提起が中心。
Q4（★2｜短所） 注意点は？
A. 推測に依存し、確度は未確定
B. すべての年次が実証済み
C. 工学仕様が詳細
D. 実験データが豊富
正答：A｜解説：仮説性が高い。
Q5（★3｜シナリオ） 試験の妥当な答え方は？
A. 1993年、特異点論考で概念を普及と答える
B. 1993年にGPUを発明と答える
C. 2045年に特異点を実証と答える
D. 1956年に論考を発表と答える
正答：A｜解説：年次＋内容をセットで。
Q6（★2｜キーワード） ヴィンジと関係が薄い語は？
A. 自己改善 B. 急進的変化 C. バッチ正規化 D. 注意喚起
正答：C｜解説：バッチ正規化は深層学習の語。
レイ・カーツワイル
A. 一行定義
技術予測で知られる研究者で、特異点の年次予測（例：2045年）を提示した人物。
B. 本文解説
レイ・カーツワイルは、指数的進歩（情報技術の加速的傾向）に基づく技術予測で知られ、特異点の年次予測を掲げて議論を喚起しました。著作では、脳・AI・ナノ・バイオの収斂を見通し、社会的影響と倫理にも言及。試験対策では、人物名—予測—2045年（代表年次）の連想を作り、未確定の仮説である点を明確にします。
C. 長所 / 短所
長所：長期視点のロードマップ提示／社会的議論の促進
短所：予測の不確実性／年次の確定視は禁物
D. 向き / 不向き
向き：将来像や政策議論の素材
不向き：即時の実装判断の唯一根拠
E. 関連・対比
ヴィンジ＝概念普及／カーツワイル＝年次予測（2045年等）。
F. 重要キーワード
指数的進歩／収斂／年次予測／2045年／倫理・社会影響
G. 4択問題セット（6）
Q1（★3｜定義） カーツワイルの説明として最も適切なのは？
A. 画像認識での畳み込み層の発明者
B. 指数的進歩に基づく特異点の年次予測で知られる
C. ルール前向き推論の提唱者
D. A*の開発者
正答：B｜解説：年次予測と指数的進歩が鍵。
Q2（★3｜対比） ヴィンジとの関係で正しいのは？
A. ヴィンジは概念普及、カーツワイルは年次予測
B. どちらも同一人物
C. 無関係
D. いずれも探索手法の研究
正答：A｜解説：役割分担を把握。
Q3（★2｜長所） 予測がもたらす利点は？
A. 長期計画や政策検討の出発点
B. 検証を不要にする
C. 必ず実現を保証
D. 評価を省略できる
正答：A｜解説：議論の土台。
Q4（★2｜短所） 実務での注意点は？
A. 年次を確定視しない不確実性
B. 精密な実装手順の提供
C. 評価指標の確定
D. データの即時提供
正答：A｜解説：仮説として扱う。
Q5（★3｜シナリオ） 試験での適切な回答は？
A. 「2045年予測で知られる研究者」と人物を結びつける
B. 1956年に用語AIを命名と答える
C. 1993年にGPUを発明と答える
D. 3Vを提唱と答える
正答：A｜解説：人物—年次をセットで。
Q6（★2｜キーワード） カーツワイルと関係が薄い語は？
A. 収斂 B. 年次予測 C. k-means D. 指数的進歩
正答：C｜解説：k-meansは教師なしの手法。
2045年問題
A. 一行定義
特異点の到来年を2045年とみなす説を端的に指す呼称（確定ではない）。
B. 本文解説
「2045年問題」は、特異点が2045年頃に到来するという一説をまとめた表現です。主にカーツワイルらの年次提示が背景にありますが、学術的合意はなく不確実性が高いのがポイント。試験では、年次の象徴性とともに「仮説である」「評価と安全の設計が先」という整理が重要です。数字を覚えるだけでなく、政策的含意も押さえましょう。
C. 長所 / 短所
長所：長期議論を活性化／備えの工程表を考える契機
短所：年数の独り歩き／確度の誤解や過不足投資
D. 向き / 不向き
向き：ロードマップやリスク・倫理の検討
不向き：短期の投資判断や確定的見積もり
E. 関連・対比
2045年問題＝年次ラベル／シンギュラリティ＝概念本体。
F. 重要キーワード
年次予測／不確実性／政策・倫理／備え／象徴性
G. 4択問題セット（6）
Q1（★3｜定義） 2045年問題とは何を指すか？
A. 画像分類の閾値設定
B. 特異点が2045年に到来するという一説
C. 3Vの拡張
D. ルール爆発の別名
正答：B｜解説：年次ラベルの仮説。
Q2（★3｜対比） シンギュラリティとの関係で適切なのは？
A. 2045年問題＝年次、シンギュラリティ＝概念
B. どちらも同義
C. 無関係
D. 2045年が概念の定義
正答：A｜解説：年次と概念の区別。
Q3（★2｜長所） 利点に近いのは？
A. 備えや政策議論の起点になる
B. 必ず実現を保証
C. 評価を不要にする
D. 倫理議論を不要にする
正答：A｜解説：工程表の議論がしやすい。
Q4（★2｜短所） 注意点として正しいのは？
A. 年数の独り歩きによる誤解
B. 監査が不要
C. データ不要
D. どの分野でも同じ影響
正答：A｜解説：確度不明を理解。
Q5（★3｜シナリオ） 妥当な活用は？
A. 不確実性を前提に段階的対策を設計
B. 監査基準を省略
C. 年次だけを広報
D. 予測外を軽視
正答：A｜解説：段階的ガバナンス。
Q6（★2｜キーワード） 2045年問題と関係が薄い語は？
A. 主成分分析 B. 年次予測 C. 不確実性 D. 政策・倫理
正答：A｜解説：PCAは次元削減の語。
AI効果（AI effect）
A. 一行定義
AIが達成した機能が一般化すると「もはやAIではない」と見なされがちな風潮。
B. 本文解説
AI効果は、一度実現したAI機能（例：OCR、スペルチェック、検索など）が当たり前の基盤機能になると、「それはAIではない」と評価が後退する現象を指します。これにより、AIの歴史評価が難しくなり、期待と失望の振れも大きくなります。試験では、達成→一般化→AIラベルの剝落という流れと、ブーム／冬の理解と合わせて押さえます。
C. 長所 / 短所
長所：普及・標準化が進む／ユーザー価値の安定化
短所：成果の過小評価／歴史把握・投資判断の難化
D. 向き / 不向き
向き：歴史・社会的文脈の整理、用語の再定義
不向き：最新性だけで価値判断する議論
E. 関連・対比
AI効果＝達成の一般化によるラベル剝落／ブームと冬の循環とも相関。
F. 重要キーワード
一般化／基盤化／過小評価／歴史理解／期待の振れ
G. 4択問題セット（6）
Q1（★3｜定義） AI効果を最も正しく表すのは？
A. 達成済みのAI機能が一般化しAIと見なされなくなる現象
B. AIが必ず高価になる現象
C. 画像が必ず高精細になる現象
D. ルールが増える現象
正答：A｜解説：一般化→ラベル剝落。
Q2（★3｜対比） ブーム／冬との関係で正しいのは？
A. 達成が一般化すると“AIらしさ”が薄れ、評価が振れやすい
B. どちらも関係ない
C. 冬は必ず起きない
D. ブームは評価を下げる
正答：A｜解説：期待と失望の揺れに寄与。
Q3（★2｜長所） AI効果のポジティブ側面は？
A. 技術が基盤化して利用価値が安定
B. 常に投資が減る
C. 研究が止まる
D. 倫理議論が不要
正答：A｜解説：普及・標準化の進展。
Q4（★2｜短所） ネガティブ側面は？
A. 成果の過小評価で歴史把握が難しくなる
B. 価格が必ず上がる
C. データが不要になる
D. すべての技術が廃止
正答：A｜解説：評価が難化。
Q5（★3｜シナリオ） どの説明がAI効果の例として妥当？
A. OCRが基盤機能となり“AI”と言われなくなる
B. 画像分類の精度が下がる
C. ラベルが増える
D. 正則化が強まる
正答：A｜解説：達成→一般化の典型。
Q6（★2｜キーワード） AI効果と関係が薄い語は？
A. 一般化 B. 基盤化 C. 勾配消失 D. 過小評価
正答：C｜解説：勾配消失は深層学習の学習課題。
第1章ミニ辞書（他章語のみ）
生成AI・LLM系
生成AI：学習を基に新しい文や画像を作る
LLM：大規模文書で学んだ言語モデル
トークン：モデルが扱う文字列の最小単位
プロンプト：生成AIへの指示文・入力文
ハルシネーション：事実無根の出力が出る現象
コンテキスト窓：一度に参照できる入力範囲
アテンション：重要部分へ重みを配分する仕組み
自己注意：同一文内の語同士を参照する注意
Transformer：注意機構を中核にした深層構造
埋め込み：意味を数値ベクトルに写像した表現
ベクトルDB：埋め込みで高速に類似検索する庫
RAG：検索で根拠取得→生成で回答を補強
微調整：既存モデルを少量データで調整
LoRA：小さな追加重みで効率的に微調整
蒸留：大モデルの知識を小モデルへ継承
評価・安全・運用
プロンプトテンプレート：再利用する指示の定型文
評価指標（生成）：自動評価の尺度（例：BLEU等）
レッドチーミング：脆弱性を意図的に探す試験
プロンプト注入：外部文で指示を乗っ取る攻撃
AIガバナンス：安全・倫理・責任の運用枠組み
データ最小化：必要最小限だけ収集・利用する原則
匿名化/仮名化：個人が特定されにくい加工
フェアネス：偏りの少ない公正な振る舞い
監査ログ：操作・出力の記録と追跡用の記録
実装・基盤
API：外部サービス機能を呼び出す窓口
GPU/TPU：並列計算に特化した加速ハード
クラウド：外部の計算・保存基盤の総称
データレイク：生データを柔軟に貯める貯蔵庫
MLOps：学習・配備・監視の一連の運用実務
A*：コストと推定値で最短路を見つける探索
章末ミニテスト（第1章 AIの基礎）
この30問で第1章の理解を確認しましょう
全30問・4択・単一正答。各問の末尾に正答と一行解説を示します。
Q1（★2｜対比） 「AIとロボット」の関係として最も適切なのはどれ？
A. AI＝頭脳（ソフト）／ロボット＝体（ハード）
B. 同義であり区別できない
C. ロボットにAIは入らない
D. AIは物理装置のみ
正答：A｜解説：AIは知的処理、ロボットはセンサーと動力の“体”。
Q2（★2｜定義） AI（人工知能）の説明として適切なのは？
A. 必ず物理機械を指す
B. データから学び判断・生成などを行うソフト的仕組み
C. 統計を使わない
D. 単なる自動化マクロ
正答：B｜解説：学習・推論・生成などの総称。
Q3（★3｜対比） ルールベースと機械学習の違いは？
A. どちらも例から学ぶ
B. 前者は学習率を使う
C. 前者＝人が規則を書く／後者＝例から規則を学ぶ
D. 後者は必ず規則を列挙
正答：C｜解説：知識獲得の方法が異なる。
Q4（★3｜定義） 教師あり学習を最もよく表すのは？
A. ラベルなしで構造発見
B. 報酬で方策を学ぶ
C. if–then規則を列挙
D. 入力と正解ラベルの組から対応関係を学ぶ
正答：D｜解説：分類・回帰の基本。
Q5（★2｜対比） 教師なし学習の代表はどれ？
A. クラスタリング・次元削減
B. 画像分類
C. 需要予測
D. 教師あり回帰
正答：A｜解説：ラベルなしで構造を見つける。
Q6（★3｜信号） 強化学習で学習信号となるのは？
A. 正解ラベル
B. 報酬
C. if–then規則
D. 主成分
正答：B｜解説：報酬最大化の方策学習。
Q7（★2｜定義） クラスタリングの説明として適切なのは？
A. 正解で分類
B. 低次元へ写像のみ
C. 似たデータを自動でグループ化する
D. 方策を更新
正答：C｜解説：教師なしの代表。
Q8（★3｜対比） PCAとt-SNE/UMAPの最も適切な関係は？
A. いずれも報酬学習
B. すべて距離の定量比較に最適
C. いずれもクラスタ数を出力
D. PCA＝線形圧縮／t-SNE・UMAP＝非線形可視化
正答：D｜解説：目的と性質が異なる。
Q9（★3｜実務） 特徴量設計で避けるべき重大な誤りは？
A. 目的変数の情報を前処理で漏らす（データリーク）
B. 欠損補完
C. 標準化
D. one-hot
正答：A｜解説：見かけの高性能を生む致命的ミス。
Q10（★3｜原則） ノー・フリーランチ定理が示す実務態度は？
A. いつも最新手法一択
B. 評価設計を整え複数手法を比較
C. 指標は不要
D. データは少ないほど良い
正答：B｜解説：常勝手法はなく適材適所が必要。
Q11（★2｜対比） 生体ニューロンと人工ニューロンの関係は？
A. 同一の化学過程
B. 無関係
C. 生体の抽象化モデルが人工ニューロン
D. 生体は活性化関数を持たない
正答：C｜解説：計算的に抽象化したモデル。
Q12（★2｜比喩） AIの「重み」に対応づけられる比喩として適切なのは？
A. 軸索長
B. 樹状突起数
C. 膜電位の単位
D. シナプス強度
正答：D｜解説：結合の強さの比喩。
Q13（★3｜定義） 人工ニューロンの計算で核となるのは？
A. 重み付き和＋バイアス→活性化関数
B. 規則の列挙
C. 主成分の算出
D. 報酬の割引
正答：A｜解説：ノードの基本処理。
Q14（★3｜手順） ニューラルネット学習の手順の正しい並びは？
A. 損失→順伝播→最適化→逆伝播
B. 順伝播→損失→逆伝播→最適化
C. 逆伝播→最適化→順伝播→損失
D. 最適化→損失→順伝播→逆伝播
正答：B｜解説：予測→誤差→勾配→更新。
Q15（★2｜定義） ディープラーニングの核心を最もよく表すのは？
A. 規則の増加
B. 低次元化のみ
C. 多層で階層的特徴を自動学習
D. 報酬の最大化
正答：C｜解説：階層表現の獲得。
Q16（★3｜診断） 過学習の典型的サインは？
A. 両方とも一定
B. 訓練のみ上昇
C. 検証のみ低下
D. 訓練誤差↓・検証誤差↑の乖離
正答：D｜解説：学習曲線の乖離で判別。
Q17（★2｜対策） 過学習対策として最も適切な組は？
A. 正則化・ドロップアウト・早期終了
B. 標準化の削除
C. 乱数固定のみ
D. ルール増加・学習率無限大
正答：A｜解説：複雑さ抑制と打ち切りが基本。
Q18（★2｜目的） ドロップアウトの主目的は？
A. 学習率の自動化
B. 過学習の抑制（汎化向上）
C. 可視化
D. ルール抽出
正答：B｜解説：ランダム無効化で依存を減らす。
Q19（★2｜定義） 転移学習の説明として適切なのは？
A. ラベルを無視
B. 低次元に圧縮
C. 学習済みモデルを流用し少量データで微調整
D. 報酬で学ぶ
正答：C｜解説：重みの再利用で学習効率化。
Q20（★3｜対比） 「情報の重みづけ」と「モデルの重み」の違いは？
A. 同義
B. どちらも固定値
C. どちらも使わない
D. 前者＝設計や動的注意の重要度付け／後者＝学習で得るパラメータ
正答：D｜解説：役割と生成過程が異なる。
Q21（★2｜対比） ANIとAGIの関係として正しいのは？
A. ANI＝特化型／AGI＝汎用（概念・未実現）
B. ANI＝汎用／AGI＝特化
C. 同義
D. どちらも年次で定義
正答：A｜解説：範囲の広さが違う。
Q22（★3｜定義） シンギュラリティ（技術的特異点）の正しい理解は？
A. 既成事実
B. AI進歩で社会が質的転換するという仮説
C. ルール爆発の別名
D. 画像圧縮の方式
正答：B｜解説：到来年や有無は未確定。
Q23（★2｜人物） ヴァーナー・ヴィンジとレイ・カーツワイルの対応で正しいのは？
A. 両者ともGPU設計
B. 両者ともk-means提案
C. ヴィンジ＝概念普及（1993論考）／カーツワイル＝年次予測（例：2045）
D. いずれも無関係
正答：C｜解説：役割の違いを押さえる。
Q24（★2｜年次） 「2045年問題」は何を指すか？
A. PCAの次元数
B. 3Vの拡張
C. CNNの層数
D. 特異点が2045年頃に到来するという一説のラベル
正答：D｜解説：年次の象徴的呼称。
Q25（★2｜概念） AI効果（AI effect）の説明として正しいのは？
A. 達成されたAI機能が一般化し“AI扱い”されなくなる傾向
B. 学習率が下がる現象
C. 精度が自動で上がる現象
D. AIは必ず高価になる
正答：A｜解説：達成→基盤化→“AI”の看板が外れる。
Q26（★3｜歴史） 第一次AIブームの中心は？
A. 事前学習
B. 記号処理による探索・推論
C. バッチ正規化
D. Transformer
正答：B｜解説：探索・推論が主役。
Q27（★3｜歴史） 第二次AIブーム／エキスパートシステムの強みは？
A. 画像特徴の自動抽出
B. 報酬で学ぶ
C. 説明機能と一貫運用（知識ベース＋推論）
D. 多層表現
正答：C｜解説：根拠提示に強い。
Q28（★2｜歴史） 「AIの冬」の主因として適切なのは？
A. GPUの増加
B. 3Vの不足
C. 交差検証の普及
D. 組合せ爆発・知識獲得ボトルネック・過度な期待
正答：D｜解説：技術的・経済的限界と期待の反動。
Q29（★3｜歴史） 第三次AIブームの推進要因の組は？
A. 深層学習・計算資源（GPU/TPU）・ビッグデータ
B. ルール前向き推論・フレーム
C. A*・貪欲探索
D. 早期終了・正則化のみ
正答：A｜解説：ディープ×計算×データの相乗効果。
Q30（★2｜定義） ビッグデータの3Vに含まれる組は？
A. 価値・倫理・安全
B. 量（Volume）・速度（Velocity）・多様性（Variety）
C. 真偽・価値・説明性
D. 速度・価値・安全
正答：B｜解説：基本は3V、拡張で5V（真偽・価値）。
ご利用にあたって
本問題は、一般社団法人 生成AI活用普及協会（GUGA）が公開する「生成AIパスポート シラバス」に基づき、
出題範囲の理解促進を目的として独自に作成された非公式の演習問題集です。GUGAならびに「生成AIパスポート」試験の実施機関とは一切関係ありません。
出題形式・選択肢・難易度・解説は、実際の試験とは異なる場合があり、その正確性・網羅性・最新性は保証されません。
記載内容は学習補助・理解促進を目的とした参考資料であり、本資料の利用によって生じた結果や損害について、制作者は一切責任を負いません。
公開日 2025年10月26日
