ディープラーニングの特徴
ディープラーニングは、多層のニューラルネットワークを用いて、データから階層的な特徴表現を学習する方法です。低次の特徴から高次の特徴へ段階的に表現を作れる点が、画像、音声、自然言語での成功につながりました。
正解の理由
選択肢1が正解です。従来は人が特徴量を設計する必要が大きかったのに対し、ディープラーニングでは大量データから特徴表現そのものを学習できる場合があります。
G検定で押さえるポイント
- 多層ニューラルネットワーク、表現学習、特徴抽出の自動化をキーワードとして覚えます。
- 歴史問題では、第一次・第二次・第三次AIブームと関連技術を時系列で整理します。
- 概念問題では、似た用語との違いを一文で説明できるようにします。
混同しやすい論点
- if文だけのルールベース、少量データほど高性能、数値データを扱えない、という説明はいずれも誤りです。
- 名称の印象だけで選ぶと誤答しやすいため、定義と具体例を結び付けて覚えます。
- 現在の生成AIブームの知識を、古典的AIの歴史問題へ無理に当てはめないよう注意します。
他の選択肢の評価
- 選択肢1が正解です。階層的な特徴表現を学べる点が特徴です。
- 選択肢2はルールベースの説明です。
- 選択肢3は誤りです。一般に多くのデータが性能向上に寄与します。
- 選択肢4は誤りです。ニューラルネットワークは数値計算に基づきます。
実務上の意味
実務では、ディープラーニングは高性能な一方、データ量、計算資源、説明性、運用コストが課題になります。タスクに応じた選定が必要です。
G検定では、用語の丸暗記だけでなく「どの場面で使う概念か」「何と対比されるか」まで問われやすいです。正答を選んだ後に、誤答がなぜ成り立たないかを説明できる状態にしておくと、文章表現を変えた問題にも対応しやすくなります。G検定対策では、正解語だけでなく、反対概念、代表例、限界、現在の実務での使われ方を一緒に説明できる粒度まで確認しておくと安定します。また、問題文の時代背景や技術名を手がかりに、どのAIブーム・どの学習方式・どの限界の話かを切り分けてください。