G検定 用語解説
ビッグデータとは
ディープラーニングの登場とあわせて、現在まで続く第三次AIブームを支えた大量に蓄積されたデータ。機械学習・ディープラーニングによる特徴量の学習やパターン認識の実用化を後押しした。大量データの中から未知の規則性を見つけ出す活動であるデータマイニングとは異なり、その分析対象となるデータそのものを指す。
まず押さえる結論
ビッグデータは、G検定の「大項目2 人工知能をめぐる動向」で確認しておきたい用語です。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: 2026-07-03。
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
×AIブームと中心の対応ずれ。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。前者は『起こりうる事柄をすべて考慮しきれない』、後者は『記号と実世界の意味を結びつけられない』。
×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
機械学習や統計的自然言語処理が発展し、大量データを活用する流れが第三次AIブームにつながった。この背景として最も関係が深いものはどれか。
第三次AIブームを支えた条件面の変化に着目すると、正解は「ビッグデータ」である。機械学習や統計的自然言語処理という手法面の進展だけでなく、それを支える大量データという環境面の広がりを結び付けて捉えられるかどうかが判断の軸になる。知識やルールを人手で整備する方向ではなく、データの量が学習の質を左右する方向へ重心が移った点に、この時代の技術的な位置づけの特徴がある。フレーム問題は知識表現・推論上の課題、DENDRALは専門知識をルールの形で活用する第二次AIブームのエキスパートシステム、ローブナーコンテストは対話の人間らしさを競う枠組みであり、他の選択肢はいずれも大量データの活用という論点そのものからは外れた、別の時期・別の着眼点に属する概念である。
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
迷惑メール判定で使う単語の出現回数や、画像認識で使う輪郭・色など、機械学習モデルが予測の手がかりとして扱うデータの性質や変数を何というか。
正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
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
住宅価格モデルへ床面積、築年数、駅からの距離を入力する。これら予測の手掛かりとなる変数を何というか。
この事例では「モデルが予測の手掛かりとして利用する入力変数か」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
同じ章で確認したい用語
到達チェック
- ビッグデータ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、ビッグデータ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）