G検定 勉強法ガイド
G検定の勉強法
G検定は、ディープラーニングだけを覚えても安定しません。機械学習の評価、前処理、数理統計、法律、AI倫理、ガバナンスまで横に広いので、得意分野だけを深掘りすると後半で失点します。
最初にやることは、全範囲を同じ深さで読むことではありません。大項目ごとの役割をつかみ、問題数が多い分野から演習して、どこで選択肢を読み違えるかを早めに見つけることです。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-07-03。
出題範囲と試験仕様は公式情報、学習順・問題数・到達条件は当サイトの学習目安です。申込前には公式案内を確認してください。
最初にやること
- 1
大項目3の機械学習で、教師あり/教師なし/強化学習、分類/回帰、過学習/正則化を固める。
- 2
大項目4〜6で、CNN、RNN、Transformer、生成モデル、応用例を混同しないようにする。
- 3
大項目8〜10は後回しにしすぎず、数理、法律、倫理、ガバナンスを短い単位で回す。
- 4
用語集は暗記帳としてではなく、誤答した語を試験上の定義に戻す場所として使う。
章の依存順に進める実行表
得意分野から無作為に広げず、後の章で必要になる前提を先に固めます。各段階は問題数ではなく、説明と時間運用の完了条件で区切ります。
| 段階 | 対象 | 方法 | 問題数 | 完了条件 |
|---|---|---|---|---|
| 診断 | 10大項目 | 未学習と誤答を分け、技術分野だけに偏らない弱点表を作る。 | 各大項目3問 | 弱点3大項目を決める |
| 機械学習 | 大項目1〜3 | AI史の流れと、学習方式・分類回帰・過学習を課題の関係で整理する。 | 大項目3を25問 | 事例から学習方式を選べる |
| ディープラーニング | 大項目4〜6 | モデルを入力・構造・用途で比較し、評価や前処理と接続する。 | 各大項目20問 | 構造語からモデルを絞れる |
| 社会実装 | 大項目7〜10 | 数理、法律・契約、倫理、ガバナンスを別の判断層として毎日反復する。 | 各大項目15問 | 未学習の大項目をなくす |
| 仕上げ | 全10大項目 | 通し演習で未知語の見切りと、迷った問題の再判断を測る。 | 145問程度・100分 | 完答し弱点を3論点以内にする |
診断段階で弱点の大項目の見当がつかない場合は、大項目別の正答率データを確認し、弱点の大項目の見当をつけてから演習を始めます。
落としやすいところ
×評価指標はまず2×2の表を自分で書く
正解率、適合率、再現率、F値をいきなり計算式で覚えようとすると崩れます。予測が陽性/陰性、実際が陽性/陰性の2×2表を先に自分で書き、そこに数値を当てはめる練習から始めます。
×CNN/RNN/Transformerは登場順で学ぶ
3つを並べて丸暗記するより、画像認識の精度向上（CNN）、時系列データの扱い（RNN）、長距離依存の限界を超える工夫（Transformer）という順で、何を解決するために登場したモデルかを追うと、応用問題で選択肢を消去しやすくなります。
×法律・倫理はまず「誰の何を守るか」を1行で言えるようにする
個人情報保護法、著作権法、不正競争防止法など複数の法律が並びますが、細かい条文より先に、それぞれが誰の何を守るための法律かを1行で説明できる状態を作ります。抽象的な役割が分かってから、条文の細部に進みます。
学習の進め方
- 1
最初の3日は機械学習とディープラーニングをつなげる
大項目3〜6を先に回し、モデル名、学習方法、評価指標、応用例を同じ表に入れるつもりで整理します。ここが曖昧だと、後の応用・倫理問題でも読み違えます。
- 2
中盤で数理・法律・倫理を捨てない
数理統計や法律は後回しにされがちですが、短い知識問題として出ると取りこぼしが目立ちます。深掘りしすぎず、用語の意味と選択肢での聞かれ方を確認します。
- 3
直前は新しいモデル名を追いすぎない
試験直前に未知の用語を増やすより、既に解いた問題の誤答選択肢を説明できる方が点につながります。間違えた理由を、用語混同、評価指標、法律・倫理の3つに分けて潰します。
1日の学習ルーティン
| 時間 | 行動 | 残す証拠 |
|---|---|---|
| 最初の10分 | 前日の誤答5問を、用語集を見ずに再回答する。 | 再び迷った大項目を当日の優先にする。 |
| 次の40分 | 対象大項目を20〜30問解き、1問で止まり続けない。 | 未回答・迷い・誤答を別々に残す。 |
| 次の30分 | モデル・指標・制度を比較し、誤答選択肢の目的のずれを書く。 | 入力・構造・用途または対象・統制で分類する。 |
| 最後の20分 | 大項目8〜10を各数問ずつ解く。 | 数理・法律・倫理を後回しにしない記録を残す。 |
到達目安
評価指標を事例で選べる
正解率、適合率、再現率、F値は、式を丸暗記するだけでは足りません。病気の見逃しを減らす、誤検知を減らす、クラス不均衡がある、といった条件から見る指標を選べるかを確認します。
モデル名を構造と用途で説明できる
CNN、RNN、LSTM、Transformer、GAN、VAEを、用途だけでなく構造の特徴とセットで言える状態が目安です。画像、系列、生成という表面的な分類だけでは、応用問題で選択肢の細部を読み違えます。
法律・倫理・ガバナンスの復習を最終週に偏らせていない
G検定は技術用語が多いため、周辺分野を最後に詰め込みがちです。個人情報、著作権、契約、バイアス、説明可能性、AIガバナンスを短い単位で反復できているかを到達目安にします。
誤答の症状から次の行動を決める
| 症状 | 原因 | 次の行動 |
|---|---|---|
| モデル名は分かるが応用問題を外す | 用途の一対一暗記で、構造と入出力を読んでいない。 | 大項目6へ戻り、入力・構造・用途の三列で比較する。 |
| 適合率と再現率を逆にする | 式だけを覚え、減らしたい誤りを先に決めていない。 | 偽陽性・偽陰性と業務上の優先を言ってから指標を選ぶ。 |
| 法律・倫理を常識で選ぶ | 権利・契約・公平性・説明・統制を同じ望ましさで扱っている。 | 大項目9〜10で問われた層を決め、別層の選択肢を消す。 |
| 通し演習が終わらない | 未知語を完全に思い出すまで止まり、見切り基準がない。 | 印を付ける時刻を決め、他選択肢の明確な誤りから先へ進む。 |
混同した論点を比較で解く
二つの用語を別々に暗記せず、問題文で何を見れば区別できるかまで確認します。該当する誤答が続く比較だけを開き、確認後は同じ章の問題へ戻ります。
適合率と再現率の違い →
偽陽性と偽陰性のどちらを減らしたいかから、優先する評価指標を決めます。
教師あり学習と教師なし学習の違い →
正解ラベルの有無と、予測・構造発見という目的の違いから学習方式を選びます。
CNNとRNNの違い →
画像を扱う構造か、系列データを扱う構造かという入力の性質から2つのモデルを見分けます。
過学習と正則化の違い →
訓練データへの過剰な適合という現象と、それを抑える対策という関係を整理します。
バギングとブースティングの違い →
複数モデルを並列・独立に学習するか、逐次的に誤りを補正するかという進め方から見分けます。
決定木とランダムフォレストの違い →
1本の木構造で判断するか、複数の決定木を組み合わせるかという構成の違いから見分けます。
LSTMとGRUの違い →
ゲートの数（3つか2つか）と役割の違いから2つのRNN系モデルを見分けます。
営業秘密と限定提供データの違い →
秘密管理性など3要件を満たす情報か、業として提供される情報かという不正競争防止法上の要件の違いを整理します。
直前に確認すること
大項目3〜6の問題を優先して解き、モデルと評価指標の混同を減らす。
法律・倫理・ガバナンスは、用語集で短い定義へ戻してから問題を解く。
正解率が低い分野だけを章別演習で回し、全範囲の読み直しに逃げない。
このサイトでの使い方
当サイトにはG検定の予想問題を504問収録しています。 まず章別に解き、誤答した用語だけ用語集に戻すと、読むだけの学習で止まりにくくなります。
弱点章へ直接戻る
よくある質問
Q数学が苦手でもG検定は狙える？
高度な計算を解き続ける試験ではありませんが、平均、分散、確率、行列、微分、評価指標の意味を避けると失点します。式変形より、用語が何を表すかを選択肢で見分ける練習が必要です。
Q生成AIだけ勉強すればよい？
生成AIは重要ですが、G検定は人工知能の歴史、機械学習、ディープラーニング、応用、数理、法律、倫理まで横断します。生成AIだけに寄せると、前処理や評価、ガバナンスで取りこぼします。
Q参考書と問題演習はどちらを先にする？
初学者は参考書で全体像を作ってから問題に入る方が速いです。既にAI用語に触れている人は、問題演習で弱点を出し、分からない大項目だけ参考書に戻る進め方でも対応できます。
出典・注記
試験仕様とシラバスはJDLA公式のG検定ページ・シラバス2024を参照してください。当サイトは非公式の学習サイトで、本試験問題は掲載していません。
執筆: ミナト編集部（運営者情報を見る）