AIの歴史と基本問題

1. 人工知能とは何か、そしてディープラーニングまで

人工知能・機械学習・ディープラーニングの入れ子の関係、人工知能のレベルの4分類、そしてディープラーニングがどう伸びてきたかが分かります。

G検定の出題範囲は「G検定 試験出題範囲（シラバス2024）第1.4版」で、この版は2026年5月11日に出されたものです。範囲の最初に置かれているのが「人工知能とは」という大項目で、その1つ目の中項目が「1. 人工知能の定義」です。ここで求められているのは、シラバスの目標欄によれば「人工知能とは何か、具体例を用いて説明できる」「人工知能のレベルを『単純な制御プログラム』『古典的な人工知能』『機械学習』『深層学習』の4つに分類し、それぞれがどのようなものか説明することができる」「AI効果を説明できる」「人工知能とロボットの違いを説明できる」の4つです。つまり定義の一文を丸暗記する試験ではなく、具体例で説明できるか、似たものと区別できるかを見る試験だ、と読み取れます。

まず押さえるのが3つの語の入れ子の関係です。いちばん広い枠が人工知能で、その中の一つのやり方が機械学習、さらにその中で層を深く重ねたニューラルネットワークを使うものがディープラーニングです。シラバスの「1. 人工知能の定義」には、この3語が AI効果・エージェント と並んでキーワードとして置かれています。機械学習を最も広い枠にしたり、ディープラーニングと機械学習を並列に置いたりする説明は、この包含の向きを取り違えたものです。ディープラーニングは機械学習の外にある別の何かではなく、機械学習の中の一つのやり方だ、と繰り返し確認してください。

次が人工知能のレベルの4分類です。シラバスの目標欄に書かれているとおり、「単純な制御プログラム」「古典的な人工知能」「機械学習」「深層学習」の4つです。単純な制御プログラムは、どういう条件のときにどう動くかという対応を、人がすべて書き切ってしまうものです。設定温度で入切する温度調節のような仕組みが当てはまります。古典的な人工知能は、場合分けの数が多く、探索したり蓄えておいた知識を引いたりして対応を選ぶものです。機械学習は、対応を人が書き切るのをやめて、データから規則性を見つけさせるものです。深層学習はそのうち、層を深く重ねたネットワークを使って、より抽象的な表現を段階的に取り出していくものです。この4つは上に行くほど、人が書き下す部分が減り、データに任せる部分が増えていきます。同じ用途の製品でも世代によってどのレベルにあたるかが変わるので、製品の名前ではなく中の決まり方で見分けます。

AI効果は、シラバスが「説明できる」ことを名指しで求めている数少ない語です。人工知能の成果とされたものでも、仕組みが解明されて中身が分かってしまうと「これは単なる自動処理であって知能ではない」と受け取られ、評価が下がっていく現象を指します。かつては知的な成果と言われた処理が、普及すると当たり前の技術として扱われ、人工知能とは呼ばれなくなっていく、という形で現れます。よく取り違えられるのがシンギュラリティで、こちらは人工知能が人間の知能を超えてその先が見通せなくなる転換点をめぐる議論であり、「2. 人工知能分野で議論される問題」のキーワードです。AI効果は評価の下がり方の話、シンギュラリティは将来の転換点の話で、置かれている中項目からして別物です。

エージェントも「1. 人工知能の定義」のキーワードです。環境を観測し、目標に向けて自分で次の行動を選ぶ主体を指す見方で、人工知能を「どういう仕組みで作られているか」ではなく「どう振る舞うか」から捉えるための語です。この見方をとると、中身が探索であっても学習であっても、環境を見て行動を選んでいるならエージェントとして同じ枠で語れます。画面上の操作の入口や、データを整える担当者のことではありません。

「人工知能とロボットの違いを説明できる」という目標も、シラバスに直接書かれています。ロボットは体を持つ機械そのものを指し、人工知能はその中で判断を担う部分にあたります。この2つは重なることはあっても同じものではありません。体を持たずソフトウェアだけで動く人工知能はいくらでもありますし、逆に、決められた動きを繰り返すだけで人工知能を含まないロボットもあります。判断する側と体にあたる側を入れ替えないように気をつけてください。

大項目「人工知能をめぐる動向」の最後にあたる「6. ディープラーニング」には、ImageNet・ILSVRC・LeNet・アルファ碁（AlphaGo）・人間の神経回路・ネオコグニトロン・生成AI が並んでいます。ImageNet は大量の画像に分類のラベルを付けた大規模なデータセット、ILSVRC はそれを使って画像認識の精度を競った競技会です。データセットと競技会という関係なので、対にして覚えます。LeNet は手書きの数字を認識するために作られた、畳み込みを用いたニューラルネットワークです。ネオコグニトロンは、人間の神経回路のはたらきに着想を得て、層を重ねて視覚の情報を段階的に扱おうとしたモデルで、シラバスが「人間の神経回路」という語をすぐ隣に置いているのは、層を重ねるという発想がどこから来たのかを押さえさせるためだと読めます。アルファ碁（AlphaGo）は囲碁の対局で人間のトップ棋士に勝ったプログラム、生成AI は文章や画像などを新しく作り出すものの総称です。生成AI は第1.3版でこの位置に入った語で、それ以前は同じ枠に「LLM（大規模言語モデル）」が置かれていました。

この中項目の目標は「ディープラーニングがどのように発展してきたのか、その歴史を説明できる」ことです。歴史をたどるときは、大項目「人工知能をめぐる動向」の中項目が「3. 探索・推論」「4. 知識表現とエキスパートシステム」「5. 機械学習」「6. ディープラーニング」の順に並んでいることが、そのまま流れの見取り図になります。解き方の手順を人が組み立てる段階、専門家の知識を人が書き出す段階、データから規則性を学ばせる段階、そして層を深く重ねる段階、という順です。人が書き下す側からデータに学ばせる側へ、重心が移ってきたと捉えると全体が一本につながります。なお、この流れを「第何次の」と数える言い方はシラバスには一度も出てきません。本ラボでも中項目の名前でそのまま呼びます。

用語

人工知能

シラバス「1. 人工知能の定義」のキーワード。目標では定義の暗記ではなく、具体例を用いて説明できることが求められている。

機械学習

人工知能に含まれるやり方の一つで、対応を人が書き切る代わりにデータから規則性を見つけさせるもの。

ディープラーニング

機械学習に含まれるやり方の一つで、層を深く重ねたニューラルネットワークを用いるもの。深層学習ともいう。

AI効果

仕組みが解明されると「単なる自動処理であって知能ではない」と受け取られ、評価が下がっていく現象。シラバスが説明できることを求めている語。

エージェント

環境を観測し、目標に向けて自分で次の行動を選ぶ主体。人工知能を振る舞いの側から捉えるための語。

単純な制御プログラム

人工知能のレベルの4分類の1つ目。条件と動作の対応を人がすべて書き切ってしまうもの。

古典的な人工知能

人工知能のレベルの4分類の2つ目。場合分けが多く、探索や蓄えた知識で対応を選ぶもの。

ImageNet

大量の画像に分類のラベルを付けた大規模なデータセット。「6. ディープラーニング」のキーワード。

ILSVRC

ImageNet を使って画像認識の精度を競った競技会。データセットである ImageNet とは役割が異なる。

LeNet

手書きの数字を認識するために作られた、畳み込みを用いたニューラルネットワーク。

ネオコグニトロン

人間の神経回路のはたらきに着想を得て、層を重ねて視覚の情報を段階的に扱おうとしたモデル。

人間の神経回路

「6. ディープラーニング」のキーワード。層を重ねるという発想の出どころを示すために置かれている。

アルファ碁（AlphaGo）

囲碁の対局で人間のトップ棋士に勝ったプログラム。ディープラーニングの力を広く知らせた例として挙げられる。

生成AI

文章や画像などを新しく作り出すものの総称。第1.3版で「6. ディープラーニング」に入った語。

例題

出典・根拠：一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能とは　1. 人工知能の定義／一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能をめぐる動向　6. ディープラーニング

2. 人工知能分野で議論される問題

フレーム問題とシンボルグラウンディング問題、チューリングテストと中国語の部屋。取り違えやすい対を、どこが違うのかで押さえます。

大項目「人工知能とは」の2つ目の中項目が「2. 人工知能分野で議論される問題」です。目標は「人工知能分野で議論されている代表的な問題について説明できる」「汎用的な人工知能の実現可能性について、いくつかの例を取り上げて説明できる」の2つです。ここに並ぶキーワードは、シンギュラリティ・シンボルグラウンディング問題・身体性・ダートマス会議・トイ・プロブレム・知識獲得のボトルネック・チューリングテスト・中国語の部屋・強いAIと弱いAI・統計的機械翻訳・フレーム問題・ルールベース機械翻訳・ローブナーコンテストの13語です。技術の作り方ではなく、人工知能に何ができて何ができないのかを問う議論が中心で、名前の似た対が多く、取り違えがそのまま失点になります。

ダートマス会議は1956年に開かれた研究会議で、artificial intelligence（人工知能）という言葉が初めて公に使われた場として語られます。ここで気をつけるのは、チューリングテストの提案は1950年の論文であって、ダートマス会議より前の別の出来事だという点です。この2つを結びつけた選択肢が用意されやすいので、年と出来事を分けて覚えます。

チューリングテストは、判定者が文字だけのやり取りで人間と機械を見分けられなければ、その機械に知能があるとみなす、という判定の方法です。要点は、知能とは何かという定義を与えたのではなく、外から見える振る舞いで判定しようという手続きを提案したところにあります。このテストを実際に競技の形で行ったのがローブナーコンテストで、こちらも同じ中項目のキーワードです。テストそのものとコンテストを混ぜないようにします。

中国語の部屋は、そのチューリングテストへの批判として出された思考実験です。中国語を知らない人が部屋に入り、マニュアルに従って記号を並べ替えて返事を返す。外から見れば中国語で受け答えしているように見えるが、その人は中国語を理解していない。つまり振る舞いが人間と区別できなくても、理解しているとは限らない、という主張です。ここは取り違えが多いところで、中国語の部屋は強いAIを支える根拠ではなく、強いAIへの反論です。向きを逆に覚えていると、選択肢を読んでそのまま引っかかります。

強いAIと弱いAIは、機械に心や理解があるかどうかで分ける区別です。強いAIは本当に理解していると考える立場、弱いAIは理解しているように振る舞う道具にすぎないと考える立場を指します。これと似て非なるのが汎用と特化の区別で、こちらはどれだけ広い範囲の仕事に使えるかという適用範囲の話です。軸がまったく違うので、適用範囲が広いことをもって心があるとは言えませんし、逆も言えません。この中項目の目標に「汎用的な人工知能の実現可能性について」とあるとおり、汎用の話題はここで扱われますが、強い弱いとは別の物差しだと分けて持っておきます。

フレーム問題は、ある行動をとったときに何が変わり何が変わらないかを、関係のあることだけに絞って有限の時間で扱えないという問題です。一言でいえば関連性の絞り込みの問題です。これと対で問われるのがシンボルグラウンディング問題で、こちらは記号と、それが指す実世界の意味とをどう結びつけるかという問題です。「シマウマ」という語と「縞のある馬」という知識を持っていても、目の前の実物と結びつくとは限らない、という形で語られます。フレーム問題は絞り込み、シンボルグラウンディング問題は接地、と短い言葉で覚えておくと取り違えません。

身体性は、知能が成り立つためには体を通して環境とやり取りする経験が必要ではないか、という立場です。シンボルグラウンディング問題に対する一つの答え方として語られます。体を持って世界に触れることが、記号と意味の結びつきを作るのだ、という筋道です。ロボットの形をしていなければ実用にならない、という主張ではないことに注意します。

トイ・プロブレムは、ルールと状態がはっきり決まった、現実の複雑さを削ぎ落とした限定的な問題を指します。迷路やパズルのようにこの形に収まる問題は解けても、条件が定まらない現実の問題には手が届かなかった、という文脈で使われます。「簡単な問題」という意味ではなく、現実を単純化した設定という意味です。フレーム問題とは別物で、トイ・プロブレムは問題設定の側、フレーム問題は現実で何を考慮すべきか決められないという側です。

知識獲得のボトルネックは、専門家が持っている知識を人手でルールの形に書き出す作業の量と難しさが壁になり、知識を蓄えるやり方が広がらなかったという問題です。ここで大事なのは、原因が計算資源の不足でもデータの不足でもなく、知識を書き出す手間そのものにあるという点です。手間を減らそうとした試みの一つが、「4. 知識表現とエキスパートシステム」に挙げられているインタビューシステムです。この語がなぜ「2. 人工知能分野で議論される問題」に置かれているのかというと、特定の製品の話ではなく、知識を人が書き下すというやり方そのものの限界を示す議論だからだと読めます。

シンギュラリティは、人工知能が人間の知能を超え、その先の変化が見通せなくなる転換点をめぐる議論です。目標にある「汎用的な人工知能の実現可能性」という論点と結びついて出てきます。「1. 人工知能の定義」にある AI効果 とはまったく別の話で、AI効果は評価が下がる現象、シンギュラリティは将来の転換点です。最後に機械翻訳の2つのやり方を押さえます。ルールベース機械翻訳は文法規則と辞書を人が書いて訳を組み立てるやり方、統計的機械翻訳は大量の対訳データの統計からもっともらしい訳を選ぶやり方です。人が書き下すやり方からデータに学ばせるやり方へという流れが、翻訳という一つの題材の中に現れています。なお統計的機械翻訳は、この中項目のほかに「27. 自然言語処理」にも挙げられています。

用語

ダートマス会議

1956年の研究会議。artificial intelligence（人工知能）という言葉が初めて公に使われた場として語られる。

チューリングテスト

文字だけのやり取りで人間と機械を見分けられなければ知能があるとみなす判定の方法。1950年の論文で提案された。知能の定義ではない。

ローブナーコンテスト

チューリングテストを実際に競技の形で行ったもの。テストそのものとは別の語として並んでいる。

中国語の部屋

振る舞いが人間と区別できなくても理解しているとは限らない、と主張する思考実験。強いAIへの反論として出された。

強いAIと弱いAI

機械に心や理解があるかどうかで分ける区別。適用範囲の広さで分ける汎用と特化とは軸が違う。

フレーム問題

ある行動で何が変わり何が変わらないかを、関係のあることだけに絞って有限の時間で扱えないという問題。関連性の絞り込みの問題。

シンボルグラウンディング問題

記号と、それが指す実世界の意味とをどう結びつけるかという問題。フレーム問題と対で問われる。

身体性

知能が成り立つには体を通して環境とやり取りする経験が要るのではないか、という立場。シンボルグラウンディング問題への一つの答え方。

トイ・プロブレム

ルールと状態がはっきり決まった、現実の複雑さを削ぎ落とした限定的な問題。簡単な問題という意味ではない。

知識獲得のボトルネック

専門家の知識を人手で書き出す作業が膨大で、知識を蓄えるやり方が広がらなかったという問題。原因は計算資源やデータの不足ではない。

シンギュラリティ

人工知能が人間の知能を超え、その先の変化が見通せなくなる転換点をめぐる議論。AI効果とは別物。

ルールベース機械翻訳

文法規則と辞書を人が書いて訳を組み立てる機械翻訳のやり方。

統計的機械翻訳

大量の対訳データの統計からもっともらしい訳を選ぶやり方。この中項目と「27. 自然言語処理」の両方に載っている。

例題

出典・根拠：一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能とは　2. 人工知能分野で議論される問題

3. 探索・推論から知識、そして機械学習へ

迷路の解き方、専門家の知識を書き写したシステム、そしてデータから学ぶ側へ。3つの中項目を一本の流れで押さえます。

大項目「人工知能をめぐる動向」のうち、ここでは「3. 探索・推論」「4. 知識表現とエキスパートシステム」「5. 機械学習」の3つを扱います。この並びは、人が書き下すものが何であったかで整理できます。探索・推論では解き方の手順を人が組み立て、知識表現とエキスパートシステムでは専門家の知識を人が書き出し、機械学習では書き下すのをやめてデータに任せます。書き下す相手が「手順」から「知識」へ移り、そして「書き下すこと自体をやめる」へ移った、という順です。用語を1つずつ覚えるより、どの段階の話かをまず決めてから覚えるほうが、取り違えが減ります。

探索の話は探索木から始まります。取りうる状態を枝分かれの形で並べたものが探索木で、ハノイの塔のようにルールと状態がはっきりした題材が練習台としてシラバスに挙げられています。幅優先探索は、根に近い層から順に、同じ深さの節点をすべて調べてから次の深さへ進みます。最も浅いところにある答えを先に見つけられますが、覚えておく節点が増えやすいという性質があります。深さ優先探索は、行けるところまで一気に降りて、行き止まりで一つ戻ってやり直します。覚えておく量は少なくて済みますが、最初に見つかる答えが最も浅いものとは限りません。2つを入れ替えて覚えないよう、名前のとおり「幅を先に」「深さを先に」と読み下すのが確実です。

ブルートフォースは、取りうる手を片端からすべて調べるやり方です。答えがあれば必ず見つかりますが、手の数が増えると組み合わせが急に増えて、現実の時間では終わらなくなります。だからこそ調べる範囲を減らす工夫が要る、という流れで次の話につながります。モンテカルロ法は、乱数を使った多数の試行の結果から答えを見積もるやり方です。すべての枝を調べきれない場面で、途中から先をでたらめに進める試行を何度も繰り返し、その結果の良し悪しから手を選びます。すべて調べるブルートフォースと、乱数で試すモンテカルロ法は、調べきれない大きさへの対処のしかたが正反対だと捉えておきます。

二人が交互に指すゲームで使われるのが Mini-Max法 です。自分の番は自分にとって最も良い手が、相手の番は自分にとって最も悪い手が選ばれると考えて、先の局面の値を手前へ返していきます。αβ法は、この Mini-Max法 の探索の途中で、これ以上調べても結論が変わらないと分かった枝を打ち切り、調べる量を減らす工夫です。別の評価の考え方ではなく、Mini-Max法 の上に乗る枝刈りだ、という関係を押さえます。同じ中項目には SHRDLU と STRIPS も挙げられています。SHRDLU は、画面の中の積み木の世界を言葉での指示によって操作させた研究で、条件を限った世界でなら言葉での指示が通ることを示しました。STRIPS は、行動を「実行の前提」と「実行後に変わること」の形で書き表し、目標の状態に至る行動の並びを組み立てる考え方です。

「4. 知識表現とエキスパートシステム」の目標は、知識表現とは何か、エキスパートシステムとは何かを説明できること、そしてそれぞれの代表的な研究や手法を理解することです。知識表現の代表が意味ネットワークで、概念を点、概念どうしの関係を線で結んで知識を表します。関係の代表として、is-aの関係・has-aの関係・part-ofの関係 の3つがシラバスに並んでいます。is-a は上位と下位の関係で、「犬は動物である」のように下位の概念が上位に含まれることを表します。has-a は部分を持つ関係で、「自動車はタイヤを持つ」のように全体から部分を見ます。part-of は部分である関係で、「タイヤは自動車の部分である」のように部分から全体を見ます。has-a と part-of は同じつながりを逆向きから見たものなので、向きの取り違えに注意してください。関連して、オントロジーは概念とその関係の決め方そのものを整理する研究、セマンティックWeb はWeb上の情報に意味づけを与えて機械が扱えるようにする構想です。

エキスパートシステムは、専門家の知識をルールの形で書き込み、問いに答えさせる仕組みです。シラバスには実例が並んでいます。DENDRAL は、質量分析のデータから未知の有機化合物の分子構造を推定するもので、分野は化学です。マイシン（MYCIN）は、細菌感染症を診断し、それに合う抗生物質を推薦するもので、分野は医療です。この2つは名前と分野の組合せがそのまま問われるので、対にして覚えます。イライザ（ELIZA）は、入力された文のパターンに合わせて返事を組み立てる対話のプログラムで、診断をするものではありません。Cycプロジェクトは、人間が当たり前に持っている一般常識を片端から書き込もうとする長期の取り組みです。ワトソンは質問応答（Question-Answering）の仕組みで、クイズ番組で人間の解答者と競いました。東ロボくんは大学入試の問題に挑んだプロジェクトです。インタビューシステムは、専門家から知識を聞き出す手間を減らそうとした試みで、知識獲得のボトルネックへの対策にあたります。データマイニングは大量のデータから規則性を掘り出すこと、ウェブマイニングはその対象をWeb上の情報にしたものです。

「5. 機械学習」の目標には「機械学習とルールベース手法の差異、およびメリットデメリットについて説明できる」「機械学習が注目されるようになった背景を説明できる」が並んでいます。ルールベース手法は、どういう条件のときにどう結論するかを人が書き下します。書いたとおりに動くので判断の理由を示しやすい反面、例外が増えるほど書ききれなくなり、書き手の手間が上限になります。機械学習はデータから規則性を見つけるので、書ききれない量の場合分けにも対応できますが、そのぶん判断の理由を示しにくく、質と量のそろったデータが要ります。どちらが優れているという話ではなく、手間の置き場所と説明のしやすさが入れ替わっている、と捉えます。注目されるようになった背景として、この中項目にはビッグデータが挙げられています。応用例として並ぶのが、スパムフィルタ、レコメンデーションエンジン、統計的自然言語処理です。

この中項目でもう一つ押さえるのが次元の呪いです。扱う特徴の数、つまり次元が増えるほど、その空間の中でデータがまばらになり、同じ密度を保つのに必要なデータの量が急激に増えていきます。点どうしの距離の差も付きにくくなるため、距離をもとに判断する手法が効きにくくなります。ここで注意したいのが、シラバスがこの語を「7. 教師あり学習」ではなく「5. 機械学習」に置いていることです。特定の学習手法の話ではなく、データから学ぶというやり方そのものにつきまとう性質として扱われている、と読めます。中項目の場所を問われることがあるので、置き場所ごと覚えておいてください。

用語

探索木

取りうる状態を枝分かれの形で並べたもの。探索の手順はこの木をどうたどるかで整理される。

ハノイの塔

ルールと状態がはっきりした題材で、探索の練習台としてシラバスに挙げられている。

幅優先探索

根に近い層から順に、同じ深さの節点をすべて調べてから次の深さへ進む。最も浅い答えを先に見つけられる。

深さ優先探索

行けるところまで一気に降り、行き止まりで戻ってやり直す。覚えておく量は少ないが、最初の答えが最も浅いとは限らない。

ブルートフォース

取りうる手を片端からすべて調べるやり方。確実だが、手の数が増えると現実の時間で終わらなくなる。

モンテカルロ法

乱数を使った多数の試行の結果から答えを見積もるやり方。調べきれない大きさへの対処の一つ。

Mini-Max法

交互に指すゲームで、自分の番は自分に最も良い手、相手の番は自分に最も悪い手が選ばれると考えて局面を評価する方法。

αβ法

Mini-Max法 の探索で、結論が変わらないと分かった枝を打ち切って調べる量を減らす工夫。別の評価の考え方ではない。

SHRDLU

画面の中の積み木の世界を、言葉での指示によって操作させた研究。

STRIPS

行動を実行の前提と実行後に変わることの形で書き表し、目標の状態に至る行動の並びを組み立てる考え方。

意味ネットワーク

概念を点、概念どうしの関係を線で結んで知識を表す形。知識表現の代表例。

is-aの関係・has-aの関係・part-ofの関係

is-a は上位と下位、has-a は部分を持つ、part-of は部分である。has-a と part-of は同じつながりを逆向きから見たもの。

オントロジー

概念とその関係の決め方そのものを整理する研究。

セマンティックWeb

Web上の情報に意味づけを与え、機械が扱えるようにしようという構想。

DENDRAL

質量分析のデータから未知の有機化合物の分子構造を推定する、化学の分野のエキスパートシステム。

マイシン（MYCIN）

細菌感染症を診断し、それに合う抗生物質を推薦する、医療の分野のエキスパートシステム。

イライザ（ELIZA）

入力された文のパターンに合わせて返事を組み立てる対話のプログラム。診断をするものではない。

Cycプロジェクト

人間が当たり前に持っている一般常識を片端から書き込もうとする長期の取り組み。

ワトソン

質問応答（Question-Answering）の仕組み。クイズ番組で人間の解答者と競った。

東ロボくん

大学入試の問題に挑んだプロジェクト。

インタビューシステム

専門家から知識を聞き出す手間を減らそうとした試み。知識獲得のボトルネックへの対策にあたる。

データマイニング

大量のデータから規則性を掘り出すこと。対象をWeb上の情報にしたものがウェブマイニング。

ビッグデータ

機械学習が注目されるようになった背景として「5. 機械学習」に挙げられている語。

スパムフィルタ

迷惑メールを振り分ける仕組み。機械学習の応用例として挙げられている。

レコメンデーションエンジン

好みに合いそうなものを勧める仕組み。機械学習の応用例として挙げられている。

統計的自然言語処理

言葉の扱いを、人が書いた規則ではなく統計にもとづいて行うやり方。第1.3版で「5. 機械学習」に追加された。

次元の呪い

扱う特徴の数が増えるほど空間の中でデータがまばらになり、必要なデータ量が急激に増える現象。シラバスでは「5. 機械学習」に置かれている。

例題

出典・根拠：一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能をめぐる動向　3. 探索・推論／一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能をめぐる動向　4. 知識表現とエキスパートシステム／一般社団法人日本ディープラーニング協会「G検定 試験出題範囲（シラバス 2024）」第1.4版（2026年5月11日） 技術分野　人工知能をめぐる動向　5. 機械学習

演習：この章の問題を解く

ランダム出題の演習ツールです（JavaScript が有効な場合に動きます）。上の「確認問題」はそのままでもすべて読めます。