微分の直感的な意味
微分は、関数のある点における変化の速さや傾きを表す考え方です。機械学習では、損失関数を小さくするために、パラメータをどちらの方向へどれくらい動かすべきかを知るために使われます。ニューラルネットワークの学習で使う誤差逆伝播法や勾配降下法も、微分の考え方に基づいています。
正解の理由
選択肢1の関数のある点における変化の速さや傾きが正解です。たとえば損失関数がパラメータに対してどの方向に増えるかを微分で調べ、勾配降下法ではその反対方向にパラメータを更新します。微分は、最小化問題を解くための方向情報を与えるものと理解すると実務にもつながります。
G検定で押さえるポイント
- 1変数関数の微分は接線の傾き、多変数関数では偏微分や勾配として扱います。
- 勾配は損失が最も増える方向を示すため、最小化ではその反対方向へ進みます。
- ニューラルネットワークでは、連鎖律により各層のパラメータに対する損失の微分を計算します。
混同しやすい論点
- データを並べ替える操作はソートであり、微分ではありません。
- 確率を0か1にする操作は閾値処理や二値化で、微分とは関係ありません。
- 行列の行と列を入れ替える操作は転置です。微分と線形代数は両方重要ですが、概念は別です。
他の選択肢の評価
- 選択肢1が正解です。微分は変化率や傾きを表します。
- 選択肢2はソートの説明です。
- 選択肢3は二値化の説明です。
- 選択肢4は転置の説明であり、微分ではありません。
実務上の意味
実務では、微分を手計算しなくても、PyTorchやTensorFlowなどの自動微分が勾配を計算します。しかし、微分が傾きであり、勾配が更新方向を決めるという直感を持っていないと、学習率が大きすぎる、勾配消失が起きる、損失が下がらないといった問題を理解しにくくなります。
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。