G検定の過去問の傾向と対策【4分野別頻出論点解析】

G検定の過去問はJDLA公式が非公開。本記事では市販の予想問題集（黒本等）の活用法と、4分野別の頻出論点を詳しく解析します。2024年改訂シラバスの生成AI論点と最新トピックも整理。

※受験料・試験日程・シラバス・出題内容は改定される場合があります。最新情報は必ずJDLA公式情報でご確認ください。

過去問の公式公開状況

JDLAは過去問題の正式公開はしていません。試験問題は試験ごとに変更されるため、対策は『市販の予想問題集』が中心となります。

事実上の過去問代替: 市販予想問題集

• 『徹底攻略 ディープラーニングG検定 ジェネラリスト問題集』（インプレス・通称黒本）: 最も定番。本試験に近い形式・論点網羅
• 『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』（技術評論社）: 短期集中型・要点整理に強い
• 『AI白書』（JDLA監修・各年版）: 公式情報源・最新動向把握

4分野別頻出論点

分野1: 人工知能の基礎と研究の歴史

• AIの定義と3つのブーム: 1956ダートマス会議・1980エキスパートシステム・2012AlexNet
• 主要研究者: マッカーシー・ミンスキー・サール・チューリング・ヒントン・ベンジオ・ルカン
• 歴史的事件: Deep Blue（1997）・Watson（2011）・AlphaGo（2016）・AlphaGo Zero（2017）・AlphaFold（2020）
• 哲学的問題: チューリングテスト・強い/弱いAI・フレーム問題・シンボルグラウンディング問題・モラベックのパラドックス
• 探索・推論: 幅優先/深さ優先・ミニマックス法・α-β法・モンテカルロ木探索

分野2: 機械学習の基礎と手法

• 学習タイプ: 教師あり/なし/強化学習の違いと代表タスク
• 教師あり手法: 線形回帰・ロジスティック回帰・SVM・決定木・ランダムフォレスト・XGBoost
• 教師なし手法: k-means・階層クラスタリング・PCA・t-SNE・UMAP
• 評価指標: 適合率（Precision）・再現率（Recall）・F1値・AUC・ROC曲線・混同行列
• 過学習対策: 正則化（L1/L2/Elastic Net）・ドロップアウト・データ拡張・早期終了・交差検証
• バイアス・バリアンス: トレードオフと汎化誤差

分野3: ディープラーニング技術

• NN基礎: パーセプトロン・誤差逆伝播法・活性化関数（ReLU/Sigmoid/Softmax/tanh）
• 最適化: SGD・Momentum・AdaGrad・RMSprop・Adam
• CNN系: LeNet・AlexNet・VGG・GoogLeNet・ResNet・MobileNet・EfficientNet
• RNN系: RNN・LSTM・GRU・seq2seq
• Transformer系: Self-Attention・BERT・GPT・T5
• 生成モデル: GAN（DCGAN/CycleGAN/StyleGAN）・VAE・拡散モデル（DDPM/Stable Diffusion）
• 強化学習: Q学習・SARSA・DQN・方策勾配・AlphaGo/Zero
• 最新トピック: LLM・ChatGPT・RAG・LoRA・プロンプトエンジニアリング・AIエージェント

分野4: AI社会実装と倫理・法律

• プロジェクト管理: PoC・MLOps・データドリフト・モデルドリフト・データセントリックAI
• AI倫理: 公平性・透明性・説明責任・プライバシー・安全性（5原則）
• XAI: LIME・SHAP・Grad-CAM
• 法律: GDPR・著作権法30条の4・EU AI Act（4段階リスク分類）・AI事業者ガイドライン
• 応用領域: 自動運転（SAE 0-5）・医療AI・金融AI・製造AI
• リスク: ディープフェイク・プロンプトインジェクション・ハルシネーション・バイアス
• プライバシー保護: 差分プライバシー・連合学習・秘密計算

2024年改訂シラバスで強化された論点

• 生成AI: ChatGPT・Stable Diffusion・DALL-E・Midjourney・拡散モデル
• LLM運用: RAG・LoRA・ファインチューニング・プロンプトエンジニアリング
• AI倫理・法律: EU AI Act・日本のAI事業者ガイドライン・AIガバナンス
• ディープラーニング応用: AIエージェント・マルチモーダルAI・基盤モデル

本試験形式の練習

当サイトのG検定 一問一答（300問）で4章×75問の体系的な演習が可能。○×・四択の両方で論点定着を図れます。本試験は145問100分（1問40秒）のペースが必要なので、時間配分の訓練も重要。