2026年版・0-1

AI・機械学習・ディープラーニングの関係の一問一答

G検定（ジェネラリスト検定）「最初に覚える土台知識」から、AI・機械学習・ディープラーニングの関係に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）最初に覚える土台知識の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問10-1

人工知能（AI）、機械学習、ディープラーニングの関係を説明した記述として、最も適切なものを1つ選びなさい。

①機械学習はAIを実現する手法の一つで、ディープラーニングはその一手法である。
②ディープラーニングはAIを実現する手法の一つで、機械学習はその一手法である。
③AI・機械学習・ディープラーニングは、互いに重なりのない別々の技術である。
④機械学習とディープラーニングは同じ意味で、AIはその応用分野の名前である。

答えと解説を見る

正解 ①機械学習はAIを実現する手法の一つで、ディープラーニングはその一手法である。

解説
3つの言葉は入れ子（包含関係）になっています。いちばん外側が「人工知能（AI）」という大きな研究分野で、その中に、データから規則やパターンを学ばせる「機械学習」があります。さらにその中に、多層のニューラルネットワークを使う「ディープラーニング（深層学習）」があります。つまり、ディープラーニングは機械学習の一種であり、機械学習はAIを実現する方法の一種です。

他の選択肢が不適切な理由
・ディープラーニングの中に機械学習があるという記述：内側と外側が逆です。
・互いに重なりのない別々の技術という記述：3つは重なり合っており、別々ではありません。
・機械学習とディープラーニングが同じ意味という記述：ディープラーニングは機械学習の一部にすぎず、決定木やサポートベクターマシンのように、ディープラーニングではない機械学習の手法も数多くあります。

覚え方のポイント
「AI ＞機械学習＞ディープラーニング」と、大きい順にマトリョーシカ人形のように重なっていると覚えましょう。G検定では、この包含関係を前提にした問題が数多く出題されます。

問20-1

機械学習の説明として、最も適切なものを1つ選びなさい。

①人間がすべての判断ルールを書き込み、コンピュータはそのとおりに処理する方式
②コンピュータがデータから規則やパターンを見つけ出し、判断に活用する方式
③大量の知識を辞書のように登録し、質問と同じ語句を検索して答える方式
④人間の脳細胞を物理的に再現した装置を使い、知的な処理を実現する方式

答えと解説を見る

正解 ②コンピュータがデータから規則やパターンを見つけ出し、判断に活用する方式

解説
機械学習は、人間が判断のルールを一つひとつ書き込むのではなく、コンピュータ自身がデータ（過去の事例）から規則やパターンを見つけ出し、それを使って新しいデータについて予測や判断を行う方式です。たとえば迷惑メールの判定では、大量のメールと「迷惑メールかどうか」の正解を与えることで、判定の基準をコンピュータが自動で作り上げます。

他の選択肢が不適切な理由
・人間がすべての判断ルールを書き込む方式：ルールベースと呼ばれる方式で、機械学習とは対照的な考え方です。
・知識を辞書のように登録して検索する方式：データから規則を学ぶ仕組みを含まないため、機械学習の説明にはなりません。
・脳細胞を物理的に再現した装置：ニューラルネットワークは脳の神経細胞の仕組みを数式で「模した」モデルであり、脳を物理的に再現するものではありません。

覚え方のポイント
「ルールを人が書く＝ルールベース」「ルールをデータから学ぶ＝機械学習」と対比して覚えましょう。データが増えるほど性能を高めやすい点が、機械学習の強みです。

問30-1

ディープラーニングが、それ以前の多くの機械学習の手法と比べて大きく異なる点として、最も適切なものを1つ選びなさい。

①学習にデータを使わず、専門家が作ったルールだけで判断する点
②計算量が少ないため、GPUなどを使わずに短時間で学習できる点
③予測の手がかりとなる特徴量を、データから自動的に学習できる点
④学習に必要なデータの量が、従来の手法よりも少なくて済む点

答えと解説を見る

正解 ③予測の手がかりとなる特徴量を、データから自動的に学習できる点

解説
従来の機械学習では、「画像のどの部分の形や色に注目するか」といった特徴量（予測の手がかりになる情報）を、人間が設計して与える必要がありました。ディープラーニングは、多層のニューラルネットワークによって、どのような特徴に注目すればよいかをデータから自動的に学習できます。この性質は「特徴表現学習」とも呼ばれ、画像認識や音声認識の精度を大きく押し上げました。

他の選択肢が不適切な理由
・専門家が作ったルールだけで判断する点：これはルールベースのAIの説明で、ディープラーニングはデータから学習します。
・計算量が少なくGPUが不要という点：実際は逆で、膨大な計算が必要なため、並列計算が得意なGPUの利用が一般的です。
・必要なデータ量が少ないという点：一般に、ディープラーニングは従来の手法よりも大量のデータを必要とします。

覚え方のポイント
ディープラーニングのキーワードは「特徴量を自動で学ぶ（特徴表現学習）」「大量のデータ」「大量の計算（GPU）」の3つです。

問40-1

機械学習における「学習（訓練）」と「推論」の説明として、最も適切なものを1つ選びなさい。

①推論でモデルのパラメータを調整し、学習で完成したモデルに新しいデータを入力して出力を得る。
②学習と推論は同じ処理を指し、どちらも正解データを使ってパラメータを更新し続ける。
③学習は人間が行う作業、推論はコンピュータが行う作業を指し、両者に技術的な違いはない。
④学習でモデルのパラメータを調整し、推論で完成したモデルに新しいデータを入力して出力を得る。

答えと解説を見る

正解 ④学習でモデルのパラメータを調整し、推論で完成したモデルに新しいデータを入力して出力を得る。

解説
機械学習の利用は、大きく2つの段階に分かれます。「学習（訓練）」は、データを使ってモデルの中の数値（パラメータ）を少しずつ調整し、よい予測ができるモデルを作る段階です。「推論」は、学習が終わったモデルに新しいデータを入力し、予測や分類の結果を出力させる段階です。一般に、学習には大量の計算資源と時間がかかり、推論はそれに比べて軽い処理になります。

他の選択肢が不適切な理由
・推論でパラメータを調整するという記述：学習と推論の役割が逆になっています。
・学習と推論は同じ処理という記述：推論では通常、パラメータを更新せず、決まったパラメータで出力を計算するだけです。
・人間とコンピュータの作業の違いという記述：どちらもコンピュータが行う処理であり、役割の区別として誤っています。

覚え方のポイント
「学習＝モデルを作る（パラメータを決める）」「推論＝モデルを使う（答えを出す）」と覚えましょう。エッジAIやモデルの軽量化の話題では、主に推論の速さや消費電力が問題になります。

問50-1

生成AIの説明として、最も適切なものを1つ選びなさい。

①学習したデータの傾向をもとに、文章や画像などの新しい内容を作り出すAI
②入力されたデータが、あらかじめ決めた分類のどれに当たるかだけを判定するAI
③人間が作成したルールに従い、決まった手順の作業だけを自動で繰り返すAI
④インターネット上の既存の文章や画像を検索し、そのまま表示して答えるAI

答えと解説を見る

正解 ①学習したデータの傾向をもとに、文章や画像などの新しい内容を作り出すAI

解説
生成AI（ジェネレーティブAI）は、大量のデータから学んだ傾向（分布）をもとに、文章・画像・音声・プログラムなどの新しいコンテンツを作り出すAIです。対話型の大規模言語モデルや、文章から画像を作る画像生成モデルなどが代表例です。検索結果をそのまま表示するのではなく、学習した内容をもとに新たに出力を組み立てる点に特徴があります。

他の選択肢が不適切な理由
・分類のどれに当たるかだけを判定するAI：画像分類などの「識別（識別モデル）」の説明で、生成AIとは区別されます。
・人間が作成したルールに従い作業を繰り返すAI：ルールベースの自動化の説明です。
・既存の文章や画像を検索してそのまま表示するAI：検索エンジンの説明で、新しいコンテンツを生成してはいません。

覚え方のポイント
「識別＝どれに当たるかを見分ける」「生成＝新しく作り出す」と対比して覚えましょう。生成AIの出力は、もっともらしくても事実と異なる場合がある（ハルシネーション）点も、G検定で頻出です。

問60-1

「迷惑メールのデータに、迷惑メールかどうかの正解を付けて学習させ、新しいメールを判定する」という学習方法の分類として、最も適切なものを1つ選びなさい。

①教師なし学習
②教師あり学習
③強化学習
④自己教師あり学習

答えと解説を見る

正解 ②教師あり学習

解説
入力データ（メール）と、それに対応する正解（迷惑メールかどうか）の組を使って学習する方法を「教師あり学習」といいます。正解のことを「ラベル」や「教師データ」と呼び、モデルは入力から正解を当てられるように学習します。迷惑メール判定は、教師あり学習のうち、あらかじめ決めたグループに振り分ける「分類」の典型例です。

他の選択肢が不適切な理由
・教師なし学習：正解ラベルを使わず、データの中の構造（似たものの集まりなど）を見つける方法です。
・強化学習：正解を直接与えるのではなく、行動の結果として得られる「報酬」を手がかりに、報酬が大きくなる行動を学ぶ方法です。
・自己教師あり学習：データの一部を隠してそれを当てるなど、データ自身から正解を作り出して学習する方法で、人が付けた正解ラベルを使う本問の方法とは異なります。

覚え方のポイント
「正解を人が付ける＝教師あり」「正解なしで構造を探す＝教師なし」「報酬で行動を学ぶ＝強化学習」の3分類が、機械学習の基本の地図です。

問70-1

特化型AIと汎用AIの説明として、最も適切なものを1つ選びなさい。

①汎用AIは特定の課題に限って能力を発揮し、特化型AIは人間のように幅広い課題に対応できるAIを指す。
②特化型AIは研究段階の構想にすぎず、実用化されているAIはすべて汎用AIに分類されている。
③特化型AIは特定の課題に限って能力を発揮し、汎用AIは人間のように幅広い課題に対応できるAIを指す。
④特化型AIと汎用AIの違いは、学習に使うデータの量だけであり、対応できる能力の範囲に違いはない。

答えと解説を見る

正解 ③特化型AIは特定の課題に限って能力を発揮し、汎用AIは人間のように幅広い課題に対応できるAIを指す。

解説
特化型AIは、画像認識、囲碁、翻訳など、特定の課題に限って高い能力を発揮するAIです。現在実用化されているAIの多くは特化型AIです。一方、汎用AI（AGI：汎用人工知能）は、人間のように未知の課題も含めて幅広く対応できるAIを指し、その実現は研究や議論の対象となっています。大規模言語モデルは多様な課題をこなせることから、汎用性の高さが注目されています。

他の選択肢が不適切な理由
・汎用AIが特定の課題に限るという記述：特化型と汎用の意味が逆になっています。
・実用化されているAIはすべて汎用AIという記述：実用化されているAIの多くは特化型AIです。
・違いはデータの量だけという記述：両者の違いは、対応できる課題の範囲（能力の幅）にあります。

覚え方のポイント
「特化型＝一芸に秀でる」「汎用＝何でもこなす」と覚えましょう。哲学者サールによる「強いAI・弱いAI」の区別（心を持つかどうか）と混同しないよう注意が必要です。

問80-1

ルールベースのAI（人間が書いた規則に従って判断するAI）の弱点として、最も適切なものを1つ選びなさい。

①判断の根拠となる規則が明示されているため、判断理由を説明することができない。
②大量の学習データを用意しなければ、判断を1回も行うことができない。
③同じ入力に対しても、実行するたびに異なる判断を出してしまう性質がある。
④想定していない状況に対応する規則を、人間があらかじめ網羅するのが難しい。

答えと解説を見る

正解 ④想定していない状況に対応する規則を、人間があらかじめ網羅するのが難しい。

解説
ルールベースのAIは、「もし〇〇ならば××する」という規則を人間が書き込み、そのとおりに判断します。判断の根拠がはっきりしている一方で、現実の世界は例外や想定外の状況が非常に多く、すべてに対応する規則を人間があらかじめ書き尽くすことは困難です。規則が増えるほど、規則どうしの矛盾や管理の手間も大きくなります。これが、データから規則を学ぶ機械学習が広がった理由の一つです。

他の選択肢が不適切な理由
・判断理由を説明できないという記述：規則が明示されているため、むしろ判断理由は説明しやすいのが長所です。
・大量の学習データが必要という記述：データから学ぶのは機械学習の特徴で、ルールベースは規則さえあれば動作します。
・実行するたびに異なる判断を出すという記述：同じ規則・同じ入力なら同じ判断になるのが普通です。

覚え方のポイント
ルールベースの長所は「説明しやすい」、短所は「想定外に弱く、規則づくりが大変」です。第2次AIブームのエキスパートシステムが行き詰まった理由（知識獲得のボトルネック）とつなげて覚えましょう。

問90-1

ディープラーニングの学習にGPU（Graphics Processing Unit）が広く使われる理由として、最も適切なものを1つ選びなさい。

①大量の単純な計算を、多数のコアで並列に処理することが得意なため
②複雑な分岐を含む処理を、1つずつ順番に処理することが得意なため
③1つのコアの処理速度が高く、順番に行う計算を短時間で終えられるため
④搭載するメモリが大きく、学習データをすべて一度に保持できるため

答えと解説を見る

正解 ①大量の単純な計算を、多数のコアで並列に処理することが得意なため

解説
ディープラーニングの学習では、行列の掛け算のような同じ形の計算を膨大な回数行います。GPUは、もともと画像を描画するために、多数の小さな計算をたくさんのコアで同時に（並列に）処理するよう設計されたプロセッサです。この性質がディープラーニングの計算と相性がよいため、学習に広く使われています。GPUを画像処理以外の計算に使うことをGPGPUと呼びます。

他の選択肢が不適切な理由
・複雑な分岐を順番に処理するのが得意：これはCPUの得意分野です。
・1つのコアの処理速度が高いという記述：1つのコアの速さや、順番に行う複雑な処理はCPUの得意分野です。GPUの1つひとつのコアは単純で、強みはコアの数の多さを生かした並列処理にあります。
・メモリが大きく学習データをすべて保持できる：GPUのメモリは限られており、大量の学習データはミニバッチに分けて少しずつ読み込みます。GPUが使われる理由は記憶容量ではなく、並列に計算する能力です。

覚え方のポイント
「CPU＝少数の高性能コアで複雑な処理を順番に」「GPU＝多数のコアで単純な計算を並列に」と対比しましょう。Googleが開発したディープラーニング向けのプロセッサ「TPU」もあわせて覚えておくと安心です。

問100-1

機械学習の「分類」と「回帰」の説明として、最も適切なものを1つ選びなさい。

①回帰はデータがどのグループに属するかを予測し、分類は売上高のような数値を予測する。
②分類はデータがどのグループに属するかを予測し、回帰は売上高のような数値を予測する。
③分類と回帰はどちらも正解ラベルを使わず、データの中の似た集まりを見つける方法である。
④分類は画像だけを、回帰は文章だけを対象とする方法で、扱うデータの種類で区別される。

答えと解説を見る

正解 ②分類はデータがどのグループに属するかを予測し、回帰は売上高のような数値を予測する。

解説
教師あり学習の代表的な課題は「分類」と「回帰」の2つです。分類は、「犬か猫か」「迷惑メールかどうか」のように、データがあらかじめ決めたどのグループ（クラス）に属するかを予測します。回帰は、「明日の気温」「来月の売上高」のように、連続した数値を予測します。予測したいものが「種類」なのか「量」なのかで区別すると分かりやすくなります。

他の選択肢が不適切な理由
・回帰がグループを予測し、分類が数値を予測するという記述：2つの意味が逆です。
・正解ラベルを使わず似た集まりを見つけるという記述：これは教師なし学習の「クラスタリング」の説明です。分類と回帰はどちらも教師あり学習です。
・扱うデータの種類で区別されるという記述：分類も回帰も、画像・文章・表形式など、さまざまなデータに使えます。

覚え方のポイント
「分類＝カテゴリを当てる」「回帰＝数値を当てる」。名前に「回帰」とあっても、ロジスティック回帰は分類に使う手法である点は、G検定のひっかけの定番です。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。