資格の選び方

紛らわしい用語ペア早見表（43組の違いと判定の手掛かり・資格別）

試験の選択肢は、似た用語を並べて「どちらの説明か」を問う形が多く、1組ずつ別の記事を開くと全体像がつかめません。このページは、当サイトの比較記事43組を資格別に並べ、各組の判定の手掛かりを記事の要約から抜き出した早見表です。手掛かりは各比較記事の「違いを先に見る」と同じ内容で、詳しい根拠、確認問題、用語集への導線は記事側にあります。

資格そのものの違い（出題範囲・試験時間・受験料など）は資格の選び方にまとめています。

生成AIパスポートの用語ペア（11組）

用語のペア	判定の手掛かり
RAGとファインチューニングの違い	RAG：外部情報を検索して、回答生成時の根拠として使う。モデル自体を再学習するとは限らない。ファインチューニング：既存モデルに追加学習を行い、特定タスクや表現へモデルを調整する。
RAGとAIエージェントの違い	RAG：文書をチャンクへ分け、質問に関連する情報を検索し、回答時の文脈へ加える。中心は外部情報の検索と根拠の追加です。 AIエージェント：目標をタスクへ分解して計画し、ツールを実行し、結果を観察して必要なら再計画する。中心は推論と行動のフィードバックループです。
ファインチューニングと転移学習の違い	転移学習：事前学習済みモデルのパラメータをほとんどそのまま使い、出力層だけをタスクに応じて変更・再学習する。ファインチューニング：対象タスクに合わせて最終層を取り換えたうえで、モデル全体のパラメータを再学習する。
BERTとGPTの違い	BERT：文中の一部トークンを隠すMLMと、2文の連続性を判定するNSPを使い、前後（双方向）の文脈から事前学習する。 GPT：直前までのトークン列だけから次のトークンを予測する言語モデルの目的関数で、左から右へ自己回帰的に事前学習する（GPT-1原論文）。
マルウェアとランサムウェアの違い	マルウェア：情報の窃取、システムの破壊、他のコンピュータへの攻撃の踏み台にすることなどを目的とする悪意のあるプログラム全般を指す総称。ランサムウェア：マルウェアに含まれる一種で、感染した端末に制限をかけ、その解除と引き換えに金銭を要求するという特定の目的を持つ。
ソーシャルエンジニアリング攻撃とフィッシング詐欺の違い	ソーシャルエンジニアリング攻撃：被害者を心理的に操作して情報を盗み出す攻撃全般を指す総称。フィッシング詐欺：ソーシャルエンジニアリング攻撃に含まれる一種で、偽のメールやサイトなどを使って個人情報を盗む具体的な手口。
生成AIとLLMの違い	生成AI（ジェネレーティブAI）：文章・画像・音声などのコンテンツを新たに生成するAIの総称で、出力の種類による広い分類。 LLM（大規模言語モデル）：生成AIを実現するモデルの一種で、大量のテキストで学習し自然な文章を生成できる大規模な言語モデル。
AI提供者とAI利用者の違い	AI提供者：AIシステムをアプリケーションや製品、既存システムなどに組み込み、サービスとしてAI利用者（場合によっては業務外利用者）へ提供する事業者。 AI利用者：事業活動においてAIシステムまたはAIサービスを利用する事業者。日常生活で使う一般消費者（業務外利用者）は含まない。
TemperatureとTop-pの違い	Temperature：出力のランダム性・多様性を調整する設定。値を大きくすると多様な出力になりやすく、小さくすると焦点が絞られた決まりやすい出力になります。 Top-p：出現確率の高い候補から順に確率を足し、累積確率が指定の割合に達するまでの候補だけから次の単語を選ばせる設定。nucleus samplingとも呼びます。
Zero-ShotとFew-Shotプロンプティングの違い	Zero-Shot：例を示さず、指示だけで実行させるプロンプトの書き方。プロンプトに解答例を入れません。 Few-Shot：解答例をいくつか示してから指示するプロンプトの書き方。例はプロンプトの中に書くだけで、モデルの重みは更新しません。
プロンプトインジェクションとジェイルブレイクの違い	プロンプトインジェクション：ユーザーのプロンプトがLLMの挙動や出力を意図しない形で変えてしまうこと。安全対策の回避を含むこともある。ジェイルブレイクを含む広い言葉です。ジェイルブレイク：モデルに安全プロトコルを完全に無視させる入力を与えること。プロンプトインジェクションの一形態。

統計検定2級の用語ペア（10組）

用語のペア	判定の手掛かり
標準偏差と標準誤差の違い	標準偏差：データが平均の周りにどれくらい散らばっているかを表す。標準誤差：標本平均などの推定量が、標本を取り直すとどれくらいばらつくかを表す。
信頼区間とp値の違い	信頼区間：母数のありそうな範囲を区間で示す推定の道具。 p値：帰無仮説のもとで、観測結果以上に極端な結果が出る確率。
相関と因果の違い	相関：2つの量的変数が一緒に変動する関係の強さと向き。因果：一方の変化がもう一方の変化を引き起こす関係。
カイ二乗検定とは・t検定との違い	カイ二乗検定：カテゴリカルデータの度数について仮説を検証する検定。観測度数と期待度数のずれを、カイ二乗分布と比較する。 t検定：母平均について仮説を検証する検定。母分散が未知のとき、標本から求めた不偏分散を使い、t分布と比較する。
第1種の過誤と第2種の過誤の違い	第1種の過誤：本当は正しい帰無仮説を、検定の結果として誤って棄却してしまう誤り。第2種の過誤：本当は誤っている帰無仮説を、検定の結果として棄却できない誤り。
相関係数と回帰係数の違い	相関係数：2つの量的変数の直線的な関係の強さと向きを表す指標。-1から1の範囲を取る。回帰係数：回帰直線の傾きにあたる値。説明変数が1単位変化したときに目的変数がどれだけ変化するかを示す。
平均と中央値の違い	平均：データの値をすべて合計してデータの個数で割った代表値。外れ値の影響を受けやすい。中央値：データを小さい順に並べたとき中央に位置する値。外れ値の影響を平均より受けにくい。
適合度検定と独立性の検定の違い	適合度検定：単一の変数について観測されたデータの比率が理論上の分布や比率とどれくらい当てはまるかを検証する。独立性の検定：クロス集計表において2つのカテゴリ変数が独立かどうかを、理論比率からの乖離度をカイ二乗値で検定する。
対応のあるt検定と対応のないt検定の違い	対応のないt検定：異なる対象から独立に抽出した2つの標本（対応のないデータ）の母平均の差を調べる検定。標本平均の差を、各標本の不偏分散を各標本サイズで割った値の和の平方根で割ってt統計量を求める。対応のあるt検定：同一の対象から対になる形で抽出した標本（対応のあるデータ）で、母平均の差を調べる検定。各組の差を作り、差の標本平均を、差の標本標準偏差を組数の平方根で割った標準誤差で割ってt統計量を求める。
片側検定と両側検定の違い	両側検定：対立仮説が「母平均はmu_0と異なる」。上下どちらの方向の変化も調べ、棄却域は分布の両方の裾に置く。片側検定：対立仮説が「母平均はmu_0より大きい」または「小さい」。方向を1つに決め、棄却域は分布の片方の裾に置く。

G検定の用語ペア（9組）

用語のペア	判定の手掛かり
適合率と再現率の違い	適合率：陽性と予測した中で、本当に陽性だった割合。誤検知を気にする。再現率：実際の陽性のうち、陽性として拾えた割合。見逃しを気にする。
教師あり学習と教師なし学習の違い	教師あり学習：正解ラベル付きデータから、分類や回帰を学習する。教師なし学習：正解ラベルなしデータから、データの構造やまとまりを見つける。
CNNとRNNの違い	CNN：画像のような空間的なデータについて、畳み込み層とプーリング層で局所的な特徴を抽出する。 RNN：時系列データについて、前の時刻の状態を引き継ぎながら順に処理する。
過学習と正則化の違い	過学習：モデルが訓練データに適合しすぎて、未知のデータへの汎化性能が下がってしまう状態。正則化：過学習を防ぐための対策手法の総称。L1正則化、L2正則化、ドロップアウト、早期終了などを含む。
バギングとブースティングの違い	バギング：複数モデルを並列・独立に学習し、多数決や平均で予測をまとめる。代表例はランダムフォレスト。ブースティング：前のモデルの誤りを次のモデルが逐次的に補正しながら学習する。代表例は勾配ブースティング。
決定木とランダムフォレストの違い	決定木：1本の木構造で予測を行い、モデルの中身が理解しやすい手法。ランダムフォレスト：決定木を複数組み合わせるアンサンブル学習の代表的な手法で、個々の決定木の働きは理解しにくくなる。
LSTMとGRUの違い	LSTM：「入力ゲート」「忘却ゲート」「出力ゲート」の3つのゲートを持ち、長期的特徴と短期的特徴を学習できる。 GRU：「リセットゲート」「更新ゲート」の2つのゲートで記憶を制御し、LSTMより計算量が少なくて済む。
営業秘密と限定提供データの違い	営業秘密：秘密管理性・有用性・非公知性の3要件を満たす情報。不正な取得・開示・使用は民事上の請求に加え刑事罰の対象にもなる。限定提供データ：業として特定の者に提供され、電磁的方法により相当量蓄積・管理された情報（営業秘密を除く）。不正競争行為として民事上の請求の対象になるが刑事罰は導入されていない。
AI・機械学習・深層学習の違い	AI（人工知能）：確立した定義はなく、人間の思考プロセスと同じような形で動作するプログラム、あるいは人間が知的と感じる情報処理・技術という広い概念で理解される。三つのうち最も範囲が広い言葉です。機械学習：入力されたデータからコンピューターがパターンやルールを発見し、新しいデータの識別や予測に使う手法。AIの手法の一つ。深層学習：多数の層から成るニューラルネットワークを用いる機械学習。着目すべき特徴量をネットワークが自ら獲得する。

DS検定の用語ペア（5組）

用語のペア	判定の手掛かり
MAEとRMSEの違い	MAE：各予測の誤差を絶対値にして平均する。誤差の大きさを同じ手順で足し合わせる。 RMSE：各予測の誤差を二乗して平均し、最後に平方根を取る。大きな誤差が集計へ強く表れやすい。
ホワイトボックステストとブラックボックステストの違い	ホワイトボックステスト：内部構造、処理経路、分岐を踏まえてテストケースを作り、想定した経路が動くかを確かめる。ブラックボックステスト：内部構造を前提にせず、入力条件に対して期待する出力や振る舞いが得られるかを確かめる。
データファブリックとデータメッシュの違い	データファブリック：企業内外に分散したデータを、場所や形式にかかわらず統合・管理・活用できるようにする技術的なアーキテクチャ。技術基盤の整備に重点を置く。データメッシュ：データの所有・管理をドメインごとに委ね、各ドメインが自らのデータをプロダクトとして設計・提供する分散型の運用思想。組織の運用体制の変革に重点を置く。
DDLとDMLの違い	DDL：テーブルなどデータベースの構造そのものを定義・変更する命令群。CREATE TABLEはその代表例で、列名とデータ型などを指定して新しい表の構造を定義する。 DML：データの検索・追加・更新・削除といったデータそのものの操作を行う命令群。INSERTはその代表例で、既存の表へ新しい行を追加する。
内部結合と外部結合の違い	内部結合（INNER JOIN）：結合条件に一致する行の組み合わせだけを結果に残す。一致しない行は結果に含まれない。外部結合（LEFT OUTER JOIN）：内部結合の結果に加えて、右表に一致行がない左表の各行を、右表側をNULLの1行として残す。

Python3エンジニア認定基礎試験の用語ペア（8組）

用語のペア	判定の手掛かり
「/」と「//」の違い	/ （除算）：常に浮動小数点数を返す演算子。10 / 2のように割り切れる計算でも結果は5.0になる。 // （切り捨て除算）：整数除算を行い、整数値を返す演算子。剰余を求める % とセットで扱われる。
append()とextend()の違い	append()：リストの末尾に要素を一つ追加するメソッド。渡した値そのものが1個の要素になる。 extend()：イテラブルのすべての要素を対象のリストに追加し、リストを拡張するメソッド。渡した値は1つずつ展開される。
クラス変数とインスタンス変数の違い	クラス変数：そのクラスのすべてのインスタンスによって共有される属性。kind = 'canine'のようにクラス定義の直下に書く。インスタンス変数：それぞれのインスタンスについて固有のデータ。self.name = nameのようにself.を付けて書く。
位置専用引数とキーワード専用引数の違い	位置専用引数：/より前に置く。引数の順序が重要で、キーワードで引数を渡せない。キーワード専用引数：*より後に置く。キーワード引数として渡す必要がある。
isと==の違い	is：二つのオブジェクトが実際に同じオブジェクトであるかどうかを調べる演算子。a is b は、a と b が同じオブジェクトを指す場合にTrueになる。 ==：値が等しいかどうかを調べる演算子。a == b は、a と b の中身の値が同じであればTrueになる。オブジェクトが別であっても成立する。
del文とpop()の違い	del文：インデックスを指定して要素を削除する文。値を返さない。スライスの除去、リスト全体や変数そのものの削除もできる。 pop()：指定された位置の要素をリストから取り除いて返すメソッド。インデックスを指定しなければ末尾の要素を取り除いて返す。
importとfrom〜importの違い	import モジュール名：モジュール名だけを現在の名前空間に追加する。中の関数や変数は「モジュール名.名前」で参照する。 from モジュール名 import 名前：モジュール内の指定した名前を現在の名前空間に直接取り込む。モジュール名そのものは定義されない。
リストとタプルの違い	リスト：作成後も要素を変更できる可変（mutable）のシーケンス型。append()やextend()などのメソッドでインプレースに変更する。タプル：作成後は要素を変更できない不変（immutable）のシーケンス型。文字列・数値・他のタプルのみを含む場合は辞書のキーに使える。

執筆: ミナト編集部（運営者情報を見る）