勉強法

2021年 3月20日「G検定」191問 振り返り

G検定 21年3月試験

昨日(3月20日)、第10回目の「G検定」試験がおこなわれました。いつものように、全191問をリストにしました。復習や試験対策にお役立て下さい。※下の方にあります。

前回の試験(2020年11月)では、新しめのトピックが追加され、古い対策本で挑んだ方にとっては厳しい試験だったと思います。

今回の試験を一言でいうと、『前回とほぼ同じ』でした。

昨年発売された『対策本・問題集』で出題傾向をつかみつつ、「理解を深める」対策をした人にとっては、合格の手応えを感じられたのではないでしょうか。

『公式テキスト』以外の「対策本・問題集」は、既に6冊もあります。(個人出版の書籍を除く)

そのうちの3冊は、昨年2020年に発売されました。

要点整理から攻略する『ディープラーニング G検定 ジェネラリスト』【緑本】
最短突破 ディープラーニングG検定(ジェネラリスト) 問題集【茶本】
“キーワード集中解説”で最短合格 ディープラーニングG検定 ジェネラリスト 対策テキスト【オレンジ本=橙本】

G検定の本6冊

実際の試験は「いつも出る 定番問題」で6割構成されています。2019年に発売された「3冊」の本でも、この定番問題の対策は可能です。

残り4割の多くは、定番問題に変更を加えたものなので、単語の暗記に留まらずに「仕組みを理解する」ところまで対策ができれば解ける問題になっています。

対策が難しいのは・・・・全ての対策本で扱われていない技術・トピックです。

下の表は、定番問題を外し「今回と昨年11月の試験で新しく出た問題」が、新しい3冊の本で取り上げられているかどうか?をまとめたものです。

●=取り上げられている

対策が難しい問題 緑本 茶本 橙本
Depthwise畳み込み
GradCAM
Neural architecture search
伸縮マッチング手法
正規分布
RNN Encoder-Decoder
FCN
EfficientNet
ガウシアン/ラプラシアンピラミッド
HOG特徴量
コサイン類似度
MAML
SMOTE
actor-critic法
ポアソン回帰
ベルマン方程式
U-Net
音声認識 メル尺度
ベイズ推定
データリーケージ
カルマンフィルター
ROIプーリング
MFCC
自己回帰モデル(ARモデル)
強化学習 A3C
AIC
パノプティックセグメンテーション
価値反復法/方策反復法

どの本も「新しく出た問題」の予想は当たっていません。まあ、このような問題を全て落としても「合否」に大きな影響はないようなので、心配しなくても大丈夫でしょう。

G検定で毎回出題される「技術とトピック」を、人に説明できる状態に持っていくことを目指しましょう。そうすることで合格だけでなく、強い達成感も得られると思います。

 

今年の4月下旬に『公式テキスト 第2版』が発売されます。今の『公式テキスト』は、2018年10月発売と古く、不満も多く寄せられているので、どのように変わるのか楽しみです。

「RNN」「強化学習」「自然言語処理」は、どのG検定本でも取り上げているんですが、学習者が理解できるように噛み砕いてくれている本が無いんですよね。これから発売するG検定本には、理解が難しいところだけに特化したものを期待しています。

新・公式テキスト表紙

以前書いた『G検定の勉強法』は古くなってしまったので、今年のGW前に『公式テキスト 第2版』のレビューと一緒に「最新のG検定の対策法・勉強法」の記事を出しますね。

 

全191問 問題リスト

下の表が、今回試験に出た「191問」になります。(事務局の方に怒られないように、ざっくりと書いています)

■「不正解を選ぶ」・・・『正しくない~/不適切な選択肢を選べ』という問題に、【✔=チェック】を付けています。

■「対策」・・・最新の3冊に加えて、本の中に出ているキーワードを掘り下げて調べたり、AIの最新情報を収集するなどの対策が必要だと感じた問題を、【 =注意 】としました。

・・・・・・・・・32問
不正解を選ぶ・・・・27問

前回(2020年11月)よりも、の数が減った理由は、『対策本・問題集』のお陰で、対策がしやすくなったためです。

ちなみに、『法律・倫理・政策』問題は、26問でした。多く出題されたという印象を持つ人が多いのですが、実は毎回これぐらいしか出題されていません。試験の前半に登場することが多いので、そのような印象を持たれるのかもしれませんね。

番号 問題 対策
不正解を選ぶ
1 FCNの特徴
2 説明可能なAIへの投資プログラム
3 RNN Encoder-Decoderの中間層の次元
4 自然言語処理:コサイン類似度の性質
5 k-平均法
6 多層パーセプトロンの説明
7 一般物体検知とセグメンテーション
8 学習済みモデルの権利保護について
9 CNNの説明
10 DNNの計算
11 確率的勾配降下法の説明
12 自然言語処理
13 自然言語処理モデルに関連する事柄
14 深層強化学習の「問題と報酬」の組み合わせ
15 ディープブルーの性能
16 データ拡張の目的
17 ImageNetの説明
18 剪定
19 音声データの処理
20 U-Netが用いられるタスク
21 自律型致死兵器をめぐる議論
22 TPU
23 マックスプーリングの特徴
24 ディープラーニング盛り上がりの理由
25 個人情報保護法の説明
26 AI倫理上の課題
27 TF-IDFの処理の説明
28 ベイズ推定の説明
29 define-by-runの説明
30 多クラスの物体認識:正解ラベルの扱い
31 個人情報保護法の説明
32 画像にわずかな摂動を加えて生成されたサンプル
33 ベイズの定理(式)
34 VGGNetとResNetの相違
35 MNISTの説明
36 データ拡張の説明
37 Depthwise畳み込みの説明
38 伸縮マッチング手法が必要な理由
39 単語埋め込みモデルの説明
40 CNN:推定結果の根拠を可視化する手法
41 ハイパーパラメータ
42 限定提供データの説明
43 LSTMのゲート
44 CIFARの説明
45 ゼロ・パディング
46 EfficientNet
47 CNN:ストライド幅の計算
48 RNNに期待されるメリット
49 DQN
50 RNNで系列データを扱える理由
51 損失関数
52 GANの説明
53 メル尺度が重要な理由
54 アンサンブル学習
55 ディープフェイクの説明
56 セマンティック・ウェブ
57 SVM:マージンの最大化
58 行動価値関数Qの説明
59 第3次AIブーム:深層学習
60 Adversarial Examples
61 構文解析
62 決定木:情報利得の最大化
63 DNNの計算
64 BERT
65 説明可能なAIの説明
66 強化学習に適した課題
67 ソフトマックス関数
68 損失関数
69 早期終了の説明
70 交差検証法の役割と意義
71 データリーケージの影響
72 強化学習の具体例
73 AIの倫理的・法的・社会的な課題への留意
74 内容ベースフィルタリング
75 RNNの再帰構造
76 欧州委員会「AIに関する倫理ガイドライン」
77 ReLU関数
78 個人情報保護法の説明
79 アンサンブル学習:汎化性能
80 パラメータが更新された回数
81 蒸留
82 インセプションモジュールの説明
83 主成分分析
84 SMOTE
85 勾配消失が起こりやすい条件
86 混同行列
87 バッチ学習
88 活性化関数
89 Actor – Critic 法の説明
90 学習用データ:改正著作権法
91 データ拡張
92 物体検出の説明
93 0から1までの連続値をとる活性化関数
94 LSTMを構成する要素
95 VGG16
96 MFCCの説明
97 ランダムフォレスト:決定木
98 学習済みモデル:知的財産としての保護
99 k-分割交差検証の効用
100 ARモデルの分析対象例
101 単回帰分析結果の解釈
102 訓練・検証・テストデータ
103 機械学習:最適化手法
104 過学習をしている状態
105 カメラ画像:個人情報保護法
106 ディープフェイクの説明
107 word2vec
108 深層強化学習
109 ファインチューニング
110 AIの倫理・信頼性のガイドライン等
111 重回帰分析の例
112 バッチ正規化
113 相関係数のグラフ
114 ハイパーパラメータの初期設定
115 キャプション生成の説明
116 信頼性を備えたAI~、倫理的に~、Partnership on AI
117 L2正則化
118 発明者に関する説明
119 RPA
120 交差検証の説明
121 Seq2Seqの説明
122 個人情報保護法の説明
123 意味ネットワーク
124 シンボルグラウンディング問題
125 転移学習の例
126 モラベックのパラドックス
127 AlexNet
128 データ拡張の説明
129 6面体サイコロ:期待値
130 正則化の説明
131 RPAの説明
132 ローブナーコンテスト
133 セマンティックセグメンテーションの説明
134 CNN:プーリングの適用回数
135 ポアソン回帰によるモデル分析の対象例
136 営業秘密の説明
137 自動運転:搭載を義務付けられている装置
138 分散表現と関連性の深いもの
139 エポック
140 誤差逆伝播法の計算
141 知識獲得のボトルネックの説明
142 ドロップアウトの説明
143 隠れマルコフモデル
144 音素
145 汎化性能
146 顔認識技術:倫理的な問題
147 未知のデータの母集団に対する誤差の期待値
148 LSTM:RNNの問題点
149 ResNet:スキップコネクション
150 PB→EB→ZB→YB
151 訓練誤差:パラメータの更新
152 GDPRの説明
153 TPUの説明
154 単純パーセプトロン
155 オンライン学習
156 Neural architecture search
157 WaveNet
158 GDPRに関する説明
159 BoWによる処理の説明
160 エキスパートシステム
161 教師なし学習の手法との関連
162 AIの共同開発での留意点
163 回帰問題の説明
164 変数・相関係数・分散
165 協調フィルタリング
166 事前学習の一例
167 強化学習の動向
168 注意機構
169 ボルツマンマシン
170 学習率の説明
171 LSTMの説明
172 FCNの特徴
173 ハイパーパラメータの説明
174 画像認識モデルに関する説明
175 AIにおける透明性
176 ロボット制御における強化学習のメリット
177 LeNet→AlexNet→GoogLeNet→ResNet
178 ディープブルーの課題
179 訓練誤差の最小化
180 TF-IDF
181 GAN
182 GRU
183 営業秘密の説明
184 OCRの説明
185 ロボット制御に深層強化学習を導入するメリット
186 相関係数・分散(他)の組み合わせ
187 マルチモーダル
188 テストデータの一部が訓練データに紛れ込んだ場合
189 正規分布の式
190 クラスタリング
191 単純パーセプトロンの欠点

 

次回の試験から「新しいG検定」が始まります

3月30日、次回の試験から「新シラバス」になるという発表がありました。

次回G検定より、改訂された新シラバスが適用となります。

本改訂はDX時代のニーズに対応していくために実施し、「データ×AI」の活用を企画・推進する上で重要となる、AIプロジェクトの企画や推進・評価に関する項目等を組み込みます。より実践的内容を充実させることで、ディープラーニングのビジネス活用促進を支援してまいります。

改訂後の新シラバスの詳細発表、また新シラバスに対応した公式テキスト第2版の販売は2021年4月下旬頃を予定しています。

G検定を活用している会社にとって、この「より実践的内容を充実させる」という点は、期待が持てます。

今までもAIを学ぶ入り口としては優れた試験でしたが、受験後に「自分の業務に活かそう」という人を増やしている試験か?と問われると、そのような試験にはなっていなかったと思います。

4月下旬に詳細が発表されるそうなので、楽しみに待ちたいと思います。

こちらのブログに、『新しいG検定の勉強法』と『英語版 G検定』についての記事を投稿します。

今年の1月に実施された「英語版 G検定」第一回では、合格することができました。受験して強く感じたのが、『TOEICが抽選方式になって受験しずらくなっている現在、TOEIC 730点以上の人にお薦めできる英語の試験ということでした。190問を2時間で解くので、リーディングが鍛えられます。

第一回の試験内容と、技術用語が「英語だとどのように表現されるか?」など解説する予定です。それでは、またお会いしましょう。

英語版 G検定 合格証