6資格の取り違えやすい用語と考え方15項目（再現率と適合率・第1種と第2種の過誤など）

生成AIパスポートで取り違えやすい点

• ファインチューニングとプレトレーニング（事前学習）

  ありがちな取り違え

  どちらも「モデルを学習させる工程」なので、同じ意味だと思って選んでしまう。

  見分け方

  プレトレーニングは大量のデータから汎用的な能力を学ぶ最初の段階です。ファインチューニングは、事前学習が済んだモデルを特定の用途やタスク向けに追加で学習させて調整する段階です。設問に「事前学習済みのモデルを」とあれば、答えは追加学習の側です。

  根拠にした収録問題：gaip-ch2-008

• RAG（検索拡張生成）の利点とハルシネーション対策

  ありがちな取り違え

  RAGを使えばハルシネーション（事実と異なる内容をもっともらしく出力する現象）が完全になくなると考えてしまう。

  見分け方

  RAGは、社内文書などの外部の情報を検索して回答の根拠に加える仕組みです。再学習なしで最新・固有の情報を使いやすくなる点が利点です。検索結果が不適切な場合もあるため、ハルシネーションをゼロにする保証はありません。「完全に」「必ず」を含む選択肢は疑います。

  根拠にした収録問題：gaip-ch3-019

生成AIパスポートの問題一覧で、この資格の問題を解けます。

G検定で取り違えやすい点

• 過学習と未学習

  ありがちな取り違え

  どちらも「性能が低い状態」として、訓練データでの精度を見ずに選んでしまう。

  見分け方

  過学習は、訓練データにはよく合うのに未知のテストデータで性能が下がる状態です。未学習は、訓練データにも十分に合っていない状態です。訓練での精度が高いか低いかが分かれ目です。正則化は過学習を抑える手法、交差検証は汎化性能を見積もる評価手法で、状態の名前ではありません。

  根拠にした収録問題：g3-008

• バイアスとバリアンス

  ありがちな取り違え

  「バイアス」を偏見や偏りの意味だけで読み、モデルの誤差の要因として使い分けられない。

  見分け方

  バイアスはモデルが単純すぎることで生じる系統的な誤差、バリアンスは訓練データのわずかな違いに敏感に反応して生じる誤差です。この2つはトレードオフの関係にあります。適合率と再現率は分類の評価指標、L1正則化とL2正則化は過学習を抑える手法で、別の話です。

  根拠にした収録問題：g3-201

G検定の問題一覧で、この資格の問題を解けます。

統計検定2級で取り違えやすい点

• 第1種の過誤と第2種の過誤

  ありがちな取り違え

  名前の番号だけで覚えて、どちらが「棄却してしまう誤り」なのかが逆になる。

  見分け方

  第1種の過誤は、本当は正しい帰無仮説を誤って棄却してしまう誤りで、その確率の上限が有意水準です。第2種の過誤は、本当は対立仮説が正しいのに帰無仮説を棄却できない誤りです。検出力は、対立仮説が正しいときに帰無仮説を正しく棄却できる確率で、誤りそのものではありません。

  根拠にした収録問題：t2-010

• 相関が大きいことと因果関係があること

  ありがちな取り違え

  相関係数が大きいので、一方が他方の原因だと断定してしまう。

  見分け方

  相関係数は2つの量的変数の直線的な関係の強さを表します。値が大きくても、観察データだけでは因果関係の有無までは決まりません。第三の要因や偶然でも大きな値になるためです。「必ず原因である」と言い切る選択肢は誤りです。

  根拠にした収録問題：t2-002

• 信頼係数と信頼区間の広さ

  ありがちな取り違え

  信頼係数を高くすれば、推定が精密になって区間が狭くなると考える。

  見分け方

  同じ標本なら、信頼係数を高くするほど信頼区間は広くなりやすいです。より高い確率で母数を含めるために、臨界値が大きくなるためです。

  根拠にした収録問題：t2-139

統計検定2級の問題一覧で、この資格の問題を解けます。

DS検定で取り違えやすい点

• 再現率（Recall）と適合率（Precision）

  ありがちな取り違え

  どちらも「陽性の判定がどれだけ当たったか」と覚えて、割合の分母を確かめずに選ぶ。

  見分け方

  再現率は、実際に陽性であるデータのうち、正しく陽性と判定できた割合です。適合率は、モデルが陽性と判定したもののうち、実際に陽性だった割合です。分母が「実際の陽性」か「陽性と判定したもの」かで見分けます。

  根拠にした収録問題：ds-023

• 特異度と再現率

  ありがちな取り違え

  「正しく判定できた割合」という言い方だけで、陽性側と陰性側を取り違える。

  見分け方

  特異度は、実際に陰性であるデータのうち、正しく陰性と判定できた割合です。再現率は陽性側の割合なので、見る対象が逆になります。設問が「陰性の人」を問うているかを先に確認します。

  根拠にした収録問題：ds-r-046

• 教師あり学習と教師なし学習

  ありがちな取り違え

  教師あり学習は回帰、教師なし学習は分類、と学習方式を課題の種類に結びつけてしまう。

  見分け方

  違いは正解データ（ラベル）を用いるかどうかです。教師あり学習は入力と正解ラベルの対応から回帰や分類を学びます。教師なし学習はラベルを用いず、クラスター分析のようにデータの構造を見つけます。分類は教師あり学習に含まれます。

  根拠にした収録問題：ds-024

DS検定の問題一覧で、この資格の問題を解けます。

Python3エンジニア認定基礎試験で取り違えやすい点

• list.append() と list.extend()

  ありがちな取り違え

  どちらも「末尾に足す」メソッドなので、リストを渡したときの結果が同じだと考える。

  見分け方

  append は渡した値そのものを1個の要素として末尾に足すため、リストを渡すと入れ子のリストになります。extend は渡した反復可能オブジェクトの要素を1つずつ足すため、結果は平らな1本のリストです。

  根拠にした収録問題：py3b-002

• リストとタプル

  ありがちな取り違え

  可変か不変かが逆になる。また、スライスや入れ子がどちらか一方だけの機能だと思う。

  見分け方

  リストは要素を後から変更できます。タプルは一度作ると要素の入れ替えや追加ができません。インデックスの指定とスライスは、どちらのシーケンス型でも使えます。リストの中にもタプルの中にも、別のリストやタプルを入れられます。

  根拠にした収録問題：py3b-007

Python3エンジニア認定基礎試験の問題一覧で、この資格の問題を解けます。

Python3エンジニア認定データ分析試験で取り違えやすい点

• loc と iloc と at

  ありがちな取り違え

  どれも「行や列を選ぶ書き方」と覚えて、渡すのがラベルか位置かを区別しない。

  見分け方

  loc はラベルで選び、全行を表す : と列ラベルのリストを組み合わせて複数列を取り出せます。iloc は位置（整数）で選ぶため、列ラベルの文字列は渡せません。at は行と列のラベルを1組指定して、1つの値を取り出します。

  根拠にした収録問題：pyda-028

生成AIアドバイザー認定試験で取り違えやすい点

• 外部の生成AIサービスへの入力と情報管理

  ありがちな取り違え

  要約の手間を省くために名簿をそのまま貼り付ける、または精度のために機密情報を多めに入れる。

  見分け方

  個人を特定できる情報を除くか、入力してよい範囲を社内のルールで確かめてから使うのが基本の対応です。入力する情報は必要最小限にとどめます。入力内容がサービス側に一切残らないとは断定できないため、規約やルールの確認が先です。

  根拠にした収録問題：saa-009

• 生成AIの出力物を公開する前の著作権の確認

  ありがちな取り違え

  AIが作ったものは著作権の問題が起きないと考え、確認せずに公開する。

  見分け方

  AIが作ったものでも、既存の著作物に似ることがあります。公開前に既存の著作物に似ていないかを確認し、利用するサービスの利用規約も確かめます。有名な作品を指定してそっくりに作らせて公開する対応は、侵害のおそれが高まります。

  根拠にした収録問題：saa-025

生成AIアドバイザー認定試験の問題一覧で、この資格の問題を解けます。

次に見る比較

• 無料の問題集サイトを選ぶ6つの確認点と収録問題数の実測値

  問題数の根拠、解説の有無、出題範囲の版など、選ぶ前に確かめる点を並べます。

• 6資格のシラバス現行版と切替時期の比較

  教材を買う前に、受験回に合う出題範囲の版と切替時期を確かめます。

• 6資格の公式テキスト・公式問題集・過去問公開の比較表

  公式教材の有無と、過去問や例題の公開状況を資格ごとに並べます。