G検定 用語解説
データマイニングとは
大量に蓄積されたデータの中から、それまで気づかれていなかった有用な規則性や傾向、関連性を見つけ出すこと全般を指す用語。
まず押さえる結論
データマイニングは、G検定の「大項目2 人工知能をめぐる動向」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-10-02。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「大項目2 人工知能をめぐる動向」の問題で、取り違えやすい組み合わせです。
- 各AIブームと、その中心になった技術の組み合わせの取り違え。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
- フレーム問題とシンボルグラウンディング問題の混同。フレーム問題は『起こりうる事柄をすべて考慮しきれない』問題、シンボルグラウンディング問題は『記号と実世界の意味を結びつけられない』問題。
- 知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
特徴量の数（次元）が増えるほど、データが空間の中で疎になり、学習に必要なデータの量が急激に増える問題はどれか。
特徴量の数が増えるほどデータが疎になって学習が難しくなる問題を答える。正解は「次元の呪い」である。次元の呪いは、特徴量の数（次元）が増えるにつれて、データが空間の中で疎になり、学習に必要なデータの量が急激に増える問題を指す。「ビッグデータ」はデータの集まりの名称、「特徴量」は予測の手がかりとなる変数で、問題の原因となる要素にあたる。「データマイニング」は知見を取り出す手法であり、いずれも問題の名称ではない。したがって、設問の問題は次元の呪いである。
大項目2 人工知能をめぐる動向 / 知識表現とエキスパートシステム
ある対象領域について、そこに存在する概念、概念の属性、概念間の関係を体系的に定義し、知識を共有・再利用しやすくする考え方はどれか。
知識表現には、概念同士の関係を表す個別の形式と、対象領域全体を体系立てて捉える考え方という異なる階層がある。オントロジーが正解となるのは、ある対象領域に存在する概念、概念の属性、概念間の関係を体系的に定義し、知識の共有や再利用をしやすくするという、領域全体を捉える考え方に当たる点にある。判断の軸は、個別の表現形式や関係の名称ではなく、領域全体の概念体系を明示的に定義する考え方かどうかである。意味ネットワークは概念をノード、関係をリンクとして表す個別の表現形式、part-of関係は全体と部分という一つの関係の種類、データマイニングは蓄積データから規則性を発見する活動であり、いずれも領域全体の概念体系を定義する考え方そのものではない。
大項目2 人工知能をめぐる動向 / 知識表現とエキスパートシステム
特定分野の専門家が持つ知識を規則などの形で知識ベースに蓄え、その知識を使って診断や判断を支援するシステムの総称はどれか。
正解は「エキスパートシステム」である。エキスパートシステムは、特定分野の専門家が持つ知識を規則などとして知識ベースに蓄え、推論によって診断や判断を支援する仕組みの総称であり、マイシン（MYCIN）やDENDRALが代表例である。データマイニングは蓄積されたデータから未知の規則性や関連性を発見する活動で、専門家の規則を使うことが前提ではない。意味ネットワークは概念間の関係を表す知識表現の形式であり、診断支援システム全体を指さない。生成AIは新しい文章や画像などを生成するAIで、専門知識を規則化した仕組みの総称ではない。
同じ章で確認したい用語
到達チェック
- データマイニングを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、データマイニングに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）