G検定 用語集【完全版】よく出る専門用語を初心者向けに解説

G検定の用語集とは、JDLA（日本ディープラーニング協会）のシラバスに頻出するAI・機械学習・深層学習・生成AI・倫理の専門用語を分野別に整理した学習ツールです。

用語は全部を均等に覚えるのではなく、頻出語から3段階で押さえるのが合格への近道です。本記事は2026年シラバスに沿って頻出の約180語を5分野に分類し、定義・具体例・関連語の3要素で解説。あわせて最新の合格率（2026年第3回82.40%）や試験形式も一次データで整理しました。

この記事のポイント

• 頻出30語から3段階で攻略
• 5分野×定義・例・関連語で整理
• 2024改訂の生成AI・倫理が必修
• 最新合格率は第3回82.40%
• EU AI Actは延期動向に注意

公開日：2026年2月14日 / 最終更新日：2026年6月8日

【結論】G検定の用語は「頻出から3段階」で覚えるのが最短

結論として、G検定の用語は数百語ある全体を均等に丸暗記するのではなく、頻出語を起点に重要度の高い順で固めるのが最短ルートです。理由はシンプルで、出題分野ごとに比重が大きく異なり、限られた学習時間を頻出領域へ集中させたほうが得点効率が高いからです。

用語の丸暗記だけでは合格できない理由

G検定は用語の意味を知っているだけでは届きにくい試験です。求められるのは「定義の暗記」ではなく「使い分けと背景の理解」だからです。たとえば「過学習」という語を覚えるだけでは不十分で、なぜ起きるのか、どの手法で防ぐのかまで結びついて初めて応用問題に対応できます。オンライン試験は100分で145問程度を解く知識量勝負のため、1語あたりに割ける時間は短く、迷わず判断できる定着度が前提になります。用語集は「意味の確認」だけでなく「関連語のネットワーク化」に使うのが効果的です。

シラバス5分野と出題比重の目安

JDLA公式シラバス（2024年改訂版・2026年試験対応）は出題範囲を大きく5分野に整理しています。学習を分野で束ねると知識が体系化され、記憶の定着が進みます。各分野の比重は均等ではなく、深層学習と機械学習で全体の半分以上を占めるのが実情です。出題範囲やキーワードはJDLAのG検定公式シラバスページで確認できます。

• 人工知能の基礎：約1割
• 機械学習：約4分の1
• 深層学習：最大の出題領域
• 生成AI・最新技術：拡充中
• AI倫理・法律：重要度上昇中

上記の比重はあくまで受験者の傾向分析にもとづく目安で、JDLAは分野別の出題割合を公式には発表していません。分野ごとの体系的な学び方はシラバス解説の【関連記事】シラバス完全攻略もあわせて参照すると、優先順位が立てやすくなります。

頻出30語→主要100語→残りの3段階アプローチ

限られた時間で得点を最大化する戦略が3段階アプローチです。第1段階で頻出30語を完璧にし、第2段階で各分野の主要100語を8割理解、第3段階で残りを「見たことがある」レベルまで浅く広く押さえます。過学習・活性化関数・CNN・Transformer・LLM・ハルシネーション・バイアスといった頻出語は、どの回でも問われやすい中核です。学習時間の全体設計や進め方は【関連記事】勉強時間と学習ステップで詳しく整理しているため、用語集と並行して使うと迷いが減ります。

人工知能（AI）の基礎用語【出題の約1割】

AI基礎は、ディープラーニング以前から続く定義・歴史・古典的アルゴリズムを扱う領域です。出題比率は1割程度と多くはありませんが、AI全体の見取り図を与える土台になります。G検定全体の体系をつかみたい場合は【関連記事】G検定とは？初心者向けに試験概要・合格率・メリットを徹底解説から入ると流れがつかめます。

AIの定義と3度のブーム・冬の時代

AIの歴史は3度のブームと2度の冬の時代を経て現在に至ります。各時代の主役技術と「何ができ、何ができなかったか」をセットで押さえると、因果を問う問題に強くなります。以下は基礎の中核語です。

• 人工知能（AI）：学習・推論・判断などの知的活動をコンピュータで再現する技術の総称
• 第1次ブーム（1950〜60年代）：探索と推論が中心。ダートマス会議でAIという語が誕生したが実問題に弱かった
• 第2次ブーム（1980年代）：専門知識をルール化したエキスパートシステムが実用化
• 第3次ブーム（2000年代〜現在）：機械学習と深層学習が実用化を牽引。ビッグデータと計算資源が後押し
• 記号主義：知識を記号とルールで表す古典的アプローチ
• 知識ベース／推論エンジン：エキスパートシステムを構成する知識集合と、それを使って結論を導く仕組み

歴史分野では「なぜ冬の時代が訪れたか」を問う設問が定番です。第1次は実世界の複雑さに、第2次は知識を人手で書き出す限界にぶつかった、という流れで理解すると記憶に残ります。

強いAI・弱いAI・AGIと思考実験

AIの「能力の範囲」を表す概念群と、知能の有無を問う有名な思考実験です。現在実用化されているAIはすべて特定タスク向けである点を押さえると整理しやすくなります。チューリングテストとサールの「中国語の部屋」は対比で覚えるのが定石です。

• 強いAI：人間と同等の意識や理解を持つAI。未実現の概念
• 弱いAI／特化型AI：特定タスクに限定したAI。現在のほぼ全システムがこれに該当
• 汎用人工知能（AGI）：あらゆるタスクをこなせるAI。研究段階の目標概念
• チューリングテスト：人間と機械を区別できなければ知能ありと判定する試験（チューリング提唱）
• 中国語の部屋：構文処理だけでは意味理解にならないとする思考実験（サール提唱）

探索・知識表現・ゲームAIの用語

解を見つける探索アルゴリズムと、知識をコンピュータで扱う表現方法の用語群です。古典的ですが、囲碁AIなどの文脈で出題されることがあります。具体例と結びつけると暗記の負担が下がります。たとえば幅優先探索は迷路の最短経路、深さ優先探索はバックトラックで解く数独に対応づけられます。

• 幅優先探索（BFS）／深さ優先探索（DFS）：階層順に探す／一本の枝を深く掘る探索
• A*探索：ヒューリスティック（経験則）で評価し効率よく最適解を探す
• Min-Max法／α-β枝刈り：対戦ゲームで最善手を探す手法と、その高速化
• モンテカルロ木探索（MCTS）：ランダム試行で勝率を推定する探索。囲碁AIで採用
• 知識表現／セマンティックネット／オントロジー：概念と関係を構造化して記述する方法

機械学習の用語【出題の約4分の1】

機械学習はデータからパターンを学んでタスクを行うAIの中核技術で、出題の約4分の1を占めます。手法名だけでなく「何ができ・どんなデータに使い・強みと弱みは何か」まで押さえると、応用問題に対応できます。

教師あり・教師なし・強化学習の3分類

機械学習は学習データの与え方で3つに大別され、これは試験で最頻出のテーマです。違いの核は「正解ラベルの有無」と「報酬による学習か」にあります。スパム判定なら正解ラベル付きの教師あり、似たメールのグループ化はラベルなしの教師なし、囲碁AIの自己対戦は報酬を最大化する強化学習、という具体例で区別を固めましょう。

• 教師あり学習：入力と正解ラベルのペアで学習。分類・回帰が代表
• 教師なし学習：ラベルなしデータから構造を発見。クラスタリング・次元削減が代表
• 強化学習：試行錯誤で報酬を最大化する行動を学習。ゲームAIやロボット制御で利用
• 分類／回帰：カテゴリに振り分ける／連続値を予測するタスク
• クラスタリング：類似性でグループ化する教師なし手法（k-means など）

代表的なアルゴリズム

分類・回帰でよく登場する代表的なアルゴリズムです。それぞれ「解釈性が高い」「非線形に強い」など特徴が異なり、長所と短所をセットで覚えると選択問題に対応しやすくなります。木をたくさん束ねる発想（ランダムフォレスト）と、弱い学習器を逐次的に足す発想（勾配ブースティング）は、アンサンブル学習の代表として対比で押さえましょう。

• 決定木：条件分岐を木構造で表す。解釈性が高い
• ランダムフォレスト：複数の決定木を束ねて精度を上げる
• 勾配ブースティング：弱学習器を順に追加して精度を高める（XGBoost など）
• サポートベクターマシン（SVM）：マージン最大化で境界を決める。カーネルで非線形も対応
• ロジスティック回帰／ナイーブベイズ／k近傍法：確率出力・ベイズ・多数決による分類の基本

評価指標・過学習・正則化

モデル性能を測り、過学習を防ぐための用語群です。技術的に深く頻出するため、特に精度・適合率・再現率・F値の違いは必ず区別できるようにしてください。がん検診は見逃しを減らす再現率重視、スパム判定は誤検知を減らす適合率重視、と使い分けの例で覚えると実戦的です。過学習対策は正則化・ドロップアウト・早期終了など複数あり、それぞれ効く場面を整理しておきましょう。

• 過学習／汎化性能：訓練データに過剰適合する現象／未知データへの予測力
• 訓練・検証・テストデータ：学習用／調整用／最終評価用の3分割
• 交差検証：データを分割し各分割をテストに回して汎化性能を測る
• 精度・適合率・再現率・F値：評価指標の基本。不均衡データでは精度だけだと危うい
• 正則化（L1・L2）／ドロップアウト／早期終了：過学習を抑える代表的手法

深層学習（ディープラーニング）の用語【最大の出題領域】

深層学習は多層のニューラルネットワークで高度な表現を学ぶ技術で、G検定では最大の出題領域です。用語は多いものの、「ネットワークの構造」「学習の仕組み」「応用タスク」の3軸で束ねると理解が進みます。技術の全体像をやさしく押さえたい場合は【関連記事】ディープラーニングとはを先に読むと、用語の位置づけが明確になります。

ニューラルネットワークの基本構造

ニューラルネットワークは脳の神経回路を模した数理モデルで、入力層・中間層・出力層から成ります。層が深い（多い）ものを「深層」ニューラルネットワークと呼びます。学習の核は誤差逆伝播法で、出力の誤差を入力側へ連鎖律で伝え、各層の重みを更新する仕組みです。この理解があると勾配消失問題の原因も腑に落ちます。

• パーセプトロン／多層パーセプトロン（MLP）：最も単純なモデルと、中間層を持つ発展形
• 重み／バイアス：学習で最適化される係数と、調整用の定数項
• 誤差逆伝播法：出力誤差を逆向きに伝えて重みを更新する学習アルゴリズム
• 勾配消失問題／勾配爆発：深い層で勾配が0に近づく／指数的に大きくなる問題

活性化関数と学習・最適化の用語

活性化関数はニューロンの出力を非線形変換する関数で、選び方が性能を左右します。中間層はReLU、出力層は二値分類ならSigmoid、多クラス分類ならSoftmaxが定石です。Sigmoidは勾配消失を招きやすく、中間層ではあまり使われません。学習を安定させる正規化や、更新幅を決める学習率も頻出します。

• ReLU：出力が0以上のときそのまま通す関数。勾配消失を緩和し最もよく使われる
• Sigmoid／tanh：出力を0〜1／-1〜1に収める活性化関数
• Softmax：多クラス分類の出力層で、合計1の確率分布に変換する
• 勾配降下法／確率的勾配降下法（SGD）：損失の勾配方向に重みを更新する最適化
• 学習率／エポック／ミニバッチ／Batch Normalization：更新幅・学習回数・分割単位と正規化

CNN・RNN・Transformerの違い

深層学習を代表する3つのアーキテクチャは、扱うデータで使い分けます。CNNは画像、RNNは時系列・自然言語、Transformerは現在の自然言語処理の主流です。Transformerは2017年に登場し、RNNと違って並列処理が可能なうえ、Self-Attentionで「文中のどの語とどの語が関連するか」を学習して文脈理解を飛躍させました。BERTやGPTはこのTransformerを基盤としています。

• CNN（畳み込みNN）：畳み込み層とプーリング層で画像の特徴を抽出
• RNN／LSTM／GRU：系列データを扱う再帰型と、長期依存に強い改良版
• Attention／Self-Attention：重要な部分に注目する仕組みと、系列内の関係を学ぶ機構
• Transformer：Attention中心の主流アーキテクチャ。並列化が可能
• BERT／GPT／ResNet：双方向学習・一方向生成のモデルと、超深層を可能にしたCNN

生成AI・最新技術の用語【2024改訂で拡充・最重要】

2024年のシラバス改訂で大きく拡充された領域で、ChatGPTやStable Diffusionなどの背景にあるLLM・画像生成・マルチモーダルAIの理解が問われます。出題比重も増しており、最新用語は重点的に押さえたいところです。隣接資格との違いから生成AIの全体像をつかみたい場合は、【関連記事】生成AIパスポートvsG検定も参考になります。

大規模言語モデル（LLM）まわりの用語

LLMは膨大なテキストで事前学習した大規模なTransformerベース言語モデルで、現在のチャットAIや文章生成AIの多くがこれに当たります。理解の鍵は「事前学習＋プロンプト」という構図です。事前学習で言語の一般パターンを獲得し、プロンプトで具体的タスクを指示します。事実でない内容を生成するハルシネーションを補う技術としてRAGが、対話品質を高める技術としてRLHFが重要です。

• 事前学習／ファインチューニング：汎用データでの初期学習と、特定タスク向けの追加学習
• プロンプト／プロンプトエンジニアリング：指示文と、望む出力を引き出す設計技術
• ハルシネーション：事実でない情報をもっともらしく生成する現象
• RAG：外部知識を検索してLLMに与え、正確性を補う手法
• RLHF／Constitutional AI：人間の評価で改善する手法と、行動原則で有害出力を抑える手法
• トークン／コンテキストウィンドウ：処理単位と、一度に扱える上限。世代により大きく異なる

画像生成・マルチモーダルの用語

画像生成AIはStable DiffusionやMidjourneyの普及で身近になりました。背景技術にはDiffusion Model（拡散モデル）やGAN（敵対的生成ネットワーク）があります。Diffusion Modelはランダムノイズから段階的にノイズを除去して画像を作り、GANを上回る品質を示す場面が増えています。複数の情報様式を統合するマルチモーダルAIは、画像を見て質問に答えるような複合タスクを可能にします。

• 生成AI：文章・画像・音声・動画など新しいコンテンツを生み出すAIの総称
• GAN：生成器と識別器を競わせて学習する生成モデル
• VAE／Diffusion Model：潜在空間に圧縮して再構成／ノイズ除去で生成するモデル
• CLIP／マルチモーダルAI：画像とテキストを同空間に埋め込む技術と、複数様式の統合処理
• 潜在空間／エンベディング：データを抽象的な低次元・高次元ベクトルで表す概念

2024シラバスで追加された必修ワード

2024年改訂で必修度が上がった語をまとめます。これらは2024年以降の試験で重視される傾向があり、最終確認の対象です。提供主体も押さえておくと選択肢の絞り込みが速くなります。代表例として、BERTとGeminiはGoogle、GPTはOpenAI、ClaudeとConstitutional AIはAnthropicが関わっています。なお出題比重の増減はJDLAが公式に数値を発表しているものではありません。

• LLM・基盤モデル・パラメータ
• RAG・RLHF・CoT・In-context
• Diffusion Model・マルチモーダル
• ハルシネーション・プロンプト

AI倫理・法律・ガバナンスの用語【社会実装で重要度上昇】

AIの社会実装が進むなか、倫理・法律・ガバナンスの比重が高まっています。2024年改訂で「AIの倫理」から「AIガバナンス」「AI事業者ガイドライン」まで範囲が広がりました。単なる暗記ではなく、「なぜそのルールが要るのか」「どんな問題を防ぐのか」という背景理解が得点に直結します。

公平性・バイアス・説明可能性（XAI）

AI倫理の基本は、公平性・透明性・説明可能性・プライバシー保護です。バイアスは学習データの偏りをAIが増幅する点が問題で、たとえば過去の採用データに偏りがあると差別的な判断を学んでしまいます。判断根拠の説明が法的に必要な医療診断や与信審査では、XAI（説明可能なAI）の重要度が特に高く、LIMEやSHAPが代表的手法として頻出します。

• バイアス／公平性：データや学習で生じる偏りと、不当に差別しないこと
• 透明性／説明可能性：動作原理を理解できること／判断理由を説明できること
• XAI／LIME／SHAP：ブラックボックスの根拠を可視化する技術と代表手法
• フィルターバブル／エコーチェンバー：情報の偏りが視野や多様性を狭める現象
• 差分プライバシー／匿名化／HITL：個人を守りつつ分析する手法と、人間を介在させる設計

日本のAI事業者ガイドラインとGDPR

AIの社会実装に伴い、各国で法規制やガイドラインが整備されています。日本では総務省・経済産業省が策定した「AI事業者ガイドライン」が中核で、人間中心・適正利用・適正学習などの原則を提示し、事業者の自主的取り組みを促します。法的拘束力はありませんが業界標準として重視され、IPA（情報処理推進機構）の検討会ページによると、2024年4月の初版（第1.0版）以降も更新が続くLiving Documentとして運用されています。EUの個人データ保護法であるGDPRも、AIの学習データを扱ううえで頻出します。

• AI事業者ガイドライン：総務省・経産省による日本のAIガバナンス統一指針
• AI原則：OECDやG20が提唱するAI開発・利用の基本原則
• GDPR／Right to Explanation：EUの個人データ保護規則と、自動判断の理由を知る権利
• プライバシーバイデザイン／モデルカード：設計段階での保護組み込みと、モデル仕様の記載文書

EU AI規制法（AI Act）の最新動向【2026年更新】

EUのAI規制法（AI Act）は2024年8月1日に発効した世界初の包括的AI規制で、AIを「受け入れ不可（禁止）」「高リスク」「限定リスク」「最小リスク」の4段階に分類し、リスクに応じて規制を変えます。当初は高リスクAIの主要義務が2026年8月2日に適用される予定でした。ただし2026年に入って動向が変化しています。国際法律事務所Hogan Lovellsの解説によると、2026年5月7日にEU理事会・欧州議会・欧州委員会が「Digital Omnibus（AIオムニバス）」の暫定合意に達し、高リスク義務の適用がAnnex III系で2027年12月2日、規制対象製品に組み込まれるAnnex I系で2028年8月2日へ延期される見込みとなりました。生成AIの透明性（ウォーターマーク）義務も2026年12月2日へ後ろ倒しされています。これらは正式採択・官報公布が前提のため、学習時は「延期の議論が進行中」という現状を押さえておくのが安全です。

用語学習の効果を左右する最新試験データ（2026年版）

用語の覚え方を決めるうえで、最新の合格率や試験形式を知っておくと学習計画が立てやすくなります。ここでは2026年5月時点で取得できるJDLA公式の一次データで現状を整理します。

直近の合格率推移と最新の第3回82.40%

最新の合格率は、JDLAが2026年5月25日に発表した「2026年第3回G検定」開催結果によると82.40%（受験8,305名・合格6,843名）です。第3回は2026年5月8日（金）に実施されました。一つ前の第2回（2026年3月6日実施）はJDLAの第2回開催結果で77.04%（受験12,027名・合格9,265名）と公表されています。第1回（1月実施）が78.77%だった点はWeb担当者Forumも報じています。直近は概ね77〜82%台で推移しており、最新回がやや高めという読み方が正確です。

試験回	受験者数	合格者数	合格率
2025年 第3回	7,502名	6,063名	80.82%
2025年 第6回	10,350名	8,005名	77.34%
2026年 第1回	8,529名	6,718名	78.77%
2026年 第2回	12,027名	9,265名	77.04%
2026年 第3回	8,305名	6,843名	82.40%

累計では受験210,520名・合格148,885名（第3回時点）に達しています。難易度や合格率の背景をより詳しく知りたい方は【関連記事】G検定の難易度・合格率もあわせてご覧ください。

試験形式・受験料・2026年の開催回数

試験形式は、JDLA公式のG検定公式ページによると、オンライン試験100分・会場試験120分で、いずれも小問145問程度の多肢選択式です。出題数・試験時間は2026年第1回から変更されました。受験資格に制限はなく、受験料は一般13,200円・学生5,500円（いずれも税込）です。2026年はオンライン年6回・会場年3回の計9回が予定され、受験機会は豊富です。次回は第4回として2026年7月3日（金）にオンラインで開催されます。

• オンライン100分・145問程度
• 受験料 一般13,200円（税込）
• 2026年は年9回・受験資格なし

「合格率が高い」をどう読むか

合格率が7〜8割と高めなのは「誰でもノー勉強で受かる」という意味ではありません。受験者の多くが公式テキストや問題集で事前に対策していること、AI・IT系の前提知識を持つ受験者が一定数を占めることが背景にあります。G検定は「勉強した分だけ報われやすい入口資格」と捉えるのが実態に近いでしょう。合格後の学習投資を比較検討したい方は、講座をまとめた【関連記事】通信講座ベスト6が判断材料になります。

G検定の用語学習に関するよくある質問

G検定の用語は全部暗記する必要がありますか？

すべてを完璧に暗記する必要はありません。頻出30語を確実にし、各分野の主要100語を8割理解すれば合格ラインに近づきます。残りは「見たことがある」レベルでも対応できます。特に深層学習・機械学習・生成AIの3分野を優先しましょう（分野別の出題割合はJDLA非公表の目安です）。

用語の暗記だけで合格できますか？

暗記だけでは不十分です。意味を知っているだけでなく、用語の使い分けや技術的背景まで理解しているかが問われます。たとえば過学習は、定義に加えて「起きる原因」「防ぐ手法」までセットで押さえる必要があります。公式テキストや問題集で、文脈とともに学ぶのが近道です。

2024年シラバス改訂で追加された用語はどれですか？

主な追加語はLLM（大規模言語モデル）、Diffusion Model、プロンプトエンジニアリング、RAG、RLHF、ハルシネーション、Constitutional AI、マルチモーダルAI、AIガバナンス、AI事業者ガイドラインなどです。生成AIと倫理・ガバナンス領域が大きく拡充されており、必修レベルの重要度と考えてください。

試験中に参考資料を見てもいいですか？

オンライン試験は自宅などで受験する形式のため、書籍やWeb検索を物理的に参照すること自体は可能です。ただし他者への質問や解答の共有は禁止されており、不正行為は認められません。また100分で145問程度を解く設計上、調べながら解く時間的余裕はほとんどなく、事前に用語を定着させておくことが前提です。試験中のルールは必ずJDLA公式の案内に従い、自分の知識で解答してください。

CNN・RNN・Transformerの違いがよくわかりません

扱うデータで使い分けると整理できます。CNNは画像認識に強く、畳み込み層で局所的な特徴を抽出します。RNNは文章や音声など順序が重要な時系列データを扱います。Transformerは自然言語処理の主流で、Self-Attention機構によって文中の語同士の関係を学習します。「何のデータを扱うか」で覚えるのがコツです。

LLMとGPTは同じものですか？

同じではありません。LLM（大規模言語モデル）は概念の総称で、GPTはその具体的な実装の一つです。LLMにはGPT（OpenAI）、BERT（Google）、Claude（Anthropic）、Gemini（Google）などがあります。GPTは左から右への一方向学習、BERTは双方向学習、ClaudeはConstitutional AIで安全性を重視するなど、それぞれ特徴が異なります。

適合率と再現率の違いを簡単に教えてください

適合率は「Positiveと予測した中で実際にPositiveだった割合」、再現率は「実際のPositiveのうち正しく検出できた割合」です。誤検知を減らしたいスパム判定では適合率を、見逃しを減らしたいがん検診では再現率を重視します。両者はトレードオフの関係にあり、その調和平均がF値です。

試験前日に最優先で復習すべき用語は何ですか？

過学習、活性化関数（ReLU・Sigmoid・tanh）、CNN、Transformer、LLM、ハルシネーション、強化学習、バイアス、勾配消失問題、交差検証の10語が最優先です。加えて2024年改訂で追加されたRAG、RLHF、Diffusion Model、AI事業者ガイドライン、AI規制法も最終確認しておくと安心です。

G検定の合格率が高いのはなぜですか？

受験者の多くが公式テキストや問題集で事前に対策していること、IT・AI系の前提知識を持つ受験者が一定割合いることが主な理由です。直近では2026年第3回が82.40%と高めですが、無対策で受かる試験ではありません。「勉強した分だけ報われやすい入口資格」と捉え、用語の定着を中心に準備するのが合格への近道です。

まとめ｜用語集を起点に「定義→例→関連語」で合格へ

G検定の用語学習は、シラバスに沿った分類と頻出度の把握が成功の鍵です。全体を均等に覚えるのではなく、頻出30語→主要100語→残りという3段階で効率的に進めましょう。2024年改訂で拡充された生成AIとAI倫理・ガバナンスの最新語は、2026年試験でも重点領域です。

• 頻出から3段階で攻略する
• 定義・具体例・関連語で理解
• 生成AI・倫理の新語は必修
• 最新合格率は第3回82.40%
• 法令は施行日の最新確認を

用語は丸暗記ではなく、「訓練データに過剰適合する現象（定義）／テストで精度低下（具体例）／正則化やドロップアウトで対策（関連語）」のように3要素で束ねると、応用問題にも対応できます。この用語集を起点に、実際の試験中のルールや活用法は【関連記事】生成AIパスポートvsG検定などの関連解説で補強し、公式テキストや問題集で知識を深めてG検定合格を勝ち取ってください。

参考URL一覧

• 日本ディープラーニング協会（JDLA）「2026年第3回G検定 開催結果」：https://www.jdla.org/news/20260525001/
• 日本ディープラーニング協会（JDLA）「2026年第2回G検定 開催結果」：https://www.jdla.org/news/20260323001/
• 日本ディープラーニング協会（JDLA）「G検定とは（試験概要・シラバス）」：https://www.jdla.org/certificate/general/
• 情報処理推進機構（IPA）「AI事業者ガイドライン検討会」：https://www.ipa.go.jp/disc/committee/expert-group-on-aigfb.html
• Hogan Lovells「EU legislators agree to delay for high-risk AI rules」：https://www.hoganlovells.com/en/publications/eu-legislators-agree-to-delay-for-highrisk-ai-rules
• Web担当者Forum「G検定2026年第1回 合格率は78.77%」：https://webtan.impress.co.jp/n/2026/01/27/52072