【合格】G検定当日のカンペ・チートシートまとめ

こんにちは！資格マニア2年生のどどっちです。

先日、JDLAの主催するディープラーニングG検定に一夜漬けで合格しました。

今回は資格を80個以上保有している資格マニアの私が、G検定のカンペ・チートシートを作成してみました。

「G検定にどうしても受かりたい」「役に立つカンペが欲しい」という方の、参考になれば幸いです。

はじめに

ディープラーニングG検定では、カンペやチートシートを利用して合格している方が多いようです。

しかし一方で、他人の作成したチートシートを利用したら合格できなかったという声もあるようです。

筆者としては、せっかく試験を受けるのであれば、勉強して正しく知識を身につけることをお勧めしています。

当記事は、会社の指示や学校の単位取得などでカンペ・チートシートを必要としている方のためのものです。

試験でのカンニングなどを助長しているわけではないため、ご注意ください。

G検定カンペ・チートシート

第一次AIブーム

• 1950〜1960年代
• 「推論」と「探索」の研究
• トイ・プロブレムしか解けないことが明らかになり、終了

第二次AIブーム

• 1980年代
• 「知識」の時代
• エキスパートシステムが作られる

第三次AIブーム

• ビッグデータが台頭
• 機械学習が実用化
• ディープラーニング(深層学習)が登場
• 特徴表現学習、ビッグデータが注目

オープンデータ技術

• セマンティックWeb…情報に意味を付け、コンピュータが自動処理する技術

探索木

• 幅優先探索…あるノードの隣を全て探索し、最短距離でゴールにたどり着く
• 深さ優先探索…行き止まりのノードまで探索を行った後、1つ手前戻る

サイクプロジェクト(Cya Project)

• 全ての一般常識をコンピュータに取り込もうとする取り組み
• 1984年開始
• 今も入力が終わっていない
• ヘビーウエイトオントロジー

AlphaGo(アルファ碁)

• 2016年…人工知能が人間に勝利(韓国棋士)

Mini-Max法

• 自分が指すときにスコアが最大になるように、戦略を立てる
• 探索を減らす手法をab法と言う

モンテカルロ法

• 仮想プレイヤーを作成してゲームを趣味レーション
• ディープラーニングと相性○

人工無能

• 特定のルールに沿って会話を機械的に処理
• 1964年にイライザ(ELIZA)が誕生

エキスパートシステム

• 1970年にマイシン(MYCIN)がスタンフォード大学で開発
• 1960年代にデンディール(DENDEAL)が開発

意味ネットワーク

• 「is-a」…〇〇は〇〇である、継承関係
• 「part-of」…〇〇は〇〇の一部である、属性

統計的自然言語処理

• 複数の単語をひとまとまりの単位で用意
• コーパス…対訳データ

ニュートラルネットワーク

• 1958年…単純パーセプトロンをアメリカの心理学者が提案

ディープラーニング

• 深層学習
• 特徴表現学習を行うアルゴリズム
• パーセプトロンの限界を誤差逆伝播学習法で克服
• 2012年…ILSVRCでトロント大学のSuperVisionが勝利

トイプロブレム

• 複雑な問題はコンピュータでは解けない問題

フレーム問題

• 1969年に提唱された問題
• 今しようとしていることに関係のあることだけを選ぶのは、難しい

データバイアス問題

• 学習データの偏りや偏見が判定に影響

No Free Lunch定理

• 機械学習の限界を数学的に証明
• みにくいアヒルの子定理…対象が持つ特徴を全て平等に評価すると識別が困難

チューリングテスト

• アランチューリングが提唱
• コンピュータだと見抜ければ知能があるものとするテスト
• ローブナーコンテストが毎年開催
• 中国語の部屋の例えが有名
• シンボルグラウンディング問題

特徴量設計

• 特徴量…注目すべきデータの特徴を量的に表す
• 特徴表現学習…特徴量を機械学習で機械が発見

シンギュラリティー

• 技術的特異点
• 人工知能が自分自身より賢い人工知能を作るようになる点
• 人間よりも賢くなる

教師あり学習

• 与えられたデータをもとにパターンを予測識別
• 教師とは出力データのこと
• 回帰問題…連続値を予測
• 分類問題…離散値を予測
• 線形回帰…データに最も当てはまる直線を考える

教師なし学習

• 出力なしの学習
• 入力データそのものが持つ特徴が対象
• k-means手法…元のデータからグループ構造を見つけ出し、まとめる
• クラスタ分析…k-meansを用いた分析のこと
• 主成分分析…多次元データに対して効果のある成分を抽出

Q学習

• 2つの価値関数を利用して、価値に基づく学習を行う
• DeepMindのDQNに応用

ランダムフォレスト

• 決定木を用いる手法
• 中身がブラックボックス化
• ブーストラップサンプリング…ランダムに学習
• ブースティング…一部のデータを繰り返し抽出
• バギング…全体から一部のデータを用いて複数のモデルで学習する手法

セマンティックセグメンテーション

• より詳細な領域分割を得るモデル
• FCN…全ての層が畳み込み層のモデル

サポートベクターマシン(SVM)

• 各でーたとの距離が最大になる境界線を求める
• マージン最大化
• 未学習データにも高い識別機能

ベイズ推定

• 確率を計算して推定
• データを増やすことで精度向上

ロジスティック回帰

• AとBどちらかしか起こらない場合などに分類できる確率を計算
• 外れ値に過剰反応

ニューラルネットワーク

• 人間の脳の構造を模したアルゴリズム
• シグモイド関数…0から1の値を取るようにする
• 活性化関数…どのように電気信号を伝えるか調整する関数
• 多層パーセプトロン…層を追加したモデル
• 隠れ層…入力層と出力層の間に追加された層

データの評価

• 考査検証…データを分割して評価
• 訓練データ…学習用のデータ
• テストデータ…評価用のデータ
• ホールドアウト検証…事前に訓練データとテストデータに分割
• k-分割考査検証…分割を複数回行い、それぞれで学習評価を行う
• F値…適合率と再現率の調和平均
• 再現率…正であるものの中で、正だと予測できた割合

線形回帰

• ラッソ回帰…L1正則化を適用した手法
• リッジ回帰…L2正則化を適用した手法

事前学習アプローチ

• オートエンコーダ…可視層と隠れ層の2層からなるネットワーク
• エンコード…入力層→隠れ層における処理
• デコード…隠れ層→出力層における処理

ムーアの法則

• 半導体の集積と性能は、18ヶ月ごとに倍になる

演算装置

• CPU…コンピュータ全般の作業を処理
• GPU…画像処理に関する演算の処理
• GPGPU…画像以外の目的での使用に最適化したGPU
• TPU…Googleの開発したテンソル計算処理最適化の演算処理装置

関数

• 誤差関数…モデルの予測値と実際の値の誤差
• 勾配降下法…勾配に沿って降りていき解を散策する手法

畳み込みニューラルネットワーク(CNN)

• 画像をそのまま2次元で入力可能なモデル
• ネオコグニトロン…2つの細胞のはたらきを最初に組み込んだモデル
• 多層構造
• LeNET…畳み込み層とプーリング層の2種類を交互に組み合わせ
• 畳み込み…フィルタを用いて画像の特徴を抽出
• Inceptionモジュール…GoogLeNetに導入
• アレックスネット…3層構造
• 転移学習…学習済のネットワークを新しいタスクに活用

プーリング

• 決められた演算を行うだけのもの
• ダウンサンプリング、サブサンプリング
• AVGプーリング…平均値を取るプーリング処理
• データ拡張…データの水増し。上下左右に反転したデータなどを使う

RNN

• 時系列データを直接入力できる
• 過去の隠れ層が追加されている
• BPTT…時間軸に沿って誤差を反映
• LSTM …隠れ層の構造を変えることで同様に問題を解決

データセット

• ImageNet…スタンフォード大学がネット上から画像を集めて分類
• DeepDrive100k…自動運転人工知能のデータセット、運転経験を撮影
• MSCOCO…マイクロソフトが作成した画像セマンティックセグメンテーション用
• MNIST…ニューヨーク大学、手書き数字を集めたデータセット
• VGGFaceDataset…オックスフォード大学がまとめた顔画像のデータセット
• TwitterUSAirlineSentiment…Twitterのデータセット
• PascalVOC…欧州のPASCALがまとめたデータセット

共有モデル

• GoogLeNet…Google開発の画像認識用ニューラルネットワークを学習したもの
• ResNet…マイクロソフト開発の152層モデル
• DeepHand…手の形を認識
• FCNs…セマンティックセグメンテーションを行う完全畳み込みネットワーク
• AlexNet…最初の頃の画像認識用ニューラルネットワークのモデル
• SegNet…セマンティックセグメンテーション用のモデル
• DeepYeast…体内細胞を認識するモデル
• PlacesCNN…写真から場所を推定するモデル

音声認識

• WaveNet…音声合成と音声認識の両者を行うことができるモデル

言語認識

• RBMT…初期の機械翻訳、人がルールを作成
• SMT…統計的機械翻訳、1980年代からIBMなどが着手
• NMT…ディープラーニングを利用したニューラル機械翻訳
• 事前トレーニング…GPT(OpenAI)、BERT(Google)、ElMo

強化学習

• 環境から報酬の最大化をするように選択する学習
• ロボット操作に使われることが多い
• セルフプレイ…0からAIが学習
• セルフプレイのアルファ碁ゼロがアルファ碁を超えた

技術

• DeepFace…2015年公開、FACEBOOK開発の顔認識システム
• アテンション機構…重要要素にマーキングを行い、重要度に応じて調整
• トランスフォーマー…注意機構を主役で利用したDNN

自動運転

• 2022年…高速でのトラック隊列商業化予定
• YOLO…2016年に発表された物体認識アルゴリズム
• Waymo…Googleの自動運転開発部門
• レベル0…運転者が全て行う
• レベル1…運転支援、車両運動のサブタスクを限定で実行
• レベル2…部分運転自動化
• レベル3…条件付運転自動化、システムが限定領域で運転する
• レベル4…高度運転自動化、システムが全てのタスクと困難な場合の応答を限定領域で実行
• レベル5…完全運転自動化、システムが全て行う

AI倫理・AI社会

• プライバシーバイデザイン…あらかじめプライバシーに配慮した設計
• Society5.0…日本の未来社会構想
• AI-Ready…日本の掲げるAI社会像
• スーパーシティ構想…先進的なAIシティを政府が提案、未来社会を追求
• 説明可能なAI…説明可能性について検証する必要がある