2026年版・0-3

数式・グラフ・英略語の読み方の一問一答

G検定（ジェネラリスト検定）「最初に覚える土台知識」から、数式・グラフ・英略語の読み方に関する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10-3

関数 y = x² を x で微分したときの結果として、最も適切なものを1つ選びなさい。

①2x
②x
③x²/2
④2

答えと解説を見る

正解 ①2x

解説
xⁿ を x で微分すると n·xⁿ⁻¹ になります。y = x² なら、指数の2を前に出し、指数を1つ減らして 2x となります。微分は「ある点での傾き（変化の割合）」を表し、ニューラルネットワークの学習では、誤差を小さくする方向を知るために、この傾き（勾配）を計算します。

他の選択肢が不適切な理由
・x：指数を1つ減らしただけで、前に掛けるべき2が抜けています。
・x²/2：これは微分ではなく、x を積分したときの形（x²/2）と混同したものです。
・2：2x をもう一度微分した結果（2階微分）です。

覚え方のポイント
「肩の数字を前に出して、肩を1つ減らす」が微分の基本の形です。勾配降下法は「傾きが下り坂になる方向へ少しずつ進む」方法なので、微分の意味（傾き）をつかんでおくと、最適化手法の問題が理解しやすくなります。

問20-3

数式でよく使われる記号「Σ（シグマ）」の意味として、最も適切なものを1つ選びなさい。

①指定した範囲の値をすべて掛け合わせる（総乗）
②指定した範囲の値をすべて足し合わせる（総和）
③値の平均からのばらつきの大きさ（分散）
④ある点における関数の傾き（微分）

答えと解説を見る

正解 ②指定した範囲の値をすべて足し合わせる（総和）

解説
Σ（シグマ）は総和を表す記号で、下と上に書いた範囲の値をすべて足し合わせることを意味します。たとえば、i=1からnまでのΣ xᵢ は、x₁ + x₂ + … + xₙ です。平均は「Σで合計して、データの個数で割ったもの」、平均二乗誤差は「誤差の2乗をΣで合計して個数で割ったもの」というように、機械学習の多くの式に登場します。

他の選択肢が不適切な理由
・総乗：すべてを掛け合わせる記号はΠ（パイ、大文字）です。尤度（もっともらしさ）の計算などで使われます。
・分散：分散は記号σ²（小文字のシグマの2乗）で表されることが多く、Σとは区別されます。
・微分：微分は d/dx や ∂（偏微分）などの記号で表します。

覚え方のポイント
「大文字Σ＝足し算の合計」「大文字Π＝すべて掛け合わせる（総乗）」「小文字σ＝標準偏差」。同じギリシャ文字でも、大文字と小文字で意味が変わる点に注意しましょう。

問30-3

学習の進み具合を表す「学習曲線」で、訓練データの誤差は下がり続けているのに、検証データの誤差が途中から上がり始めた。このとき考えられる状態として、最も適切なものを1つ選びなさい。

①未学習（学習不足）の状態
②学習率が小さすぎる状態
③過学習が起き始めた状態
④検証データが多すぎる状態

答えと解説を見る

正解 ③過学習が起き始めた状態

解説
訓練データの誤差が下がり続けるのに、検証データの誤差が途中から上がり始めるのは、モデルが訓練データに特有のばらつきまで覚え込み、未知のデータへの対応力（汎化性能）が落ち始めた状態、つまり過学習のサインです。この時点で学習を打ち切る方法を「早期終了（Early Stopping）」といい、簡単で効果の高い過学習対策として広く使われています。

他の選択肢が不適切な理由
・未学習（学習不足）の状態：未学習なら、訓練データの誤差自体が十分に下がりません。
・学習率が小さすぎる状態：その場合は、訓練データの誤差もなかなか下がらないはずです。
・検証データが多すぎる状態：検証データが多いことは、誤差が上がる原因にはなりません。

覚え方のポイント
2本の曲線が「開き始めたところ」が過学習の始まりです。早期終了は、ヒントンが「美しいフリーランチ（Beautiful FREE LUNCH）」と表現したことでも知られています。

問40-3

英略語「CNN」が表すものとして、最も適切なものを1つ選びなさい。

①回帰型ニューラルネットワーク
②敵対的生成ネットワーク
③長・短期記憶
④畳み込みニューラルネットワーク

答えと解説を見る

正解 ④畳み込みニューラルネットワーク

解説
CNNは Convolutional Neural Network の略で、日本語では「畳み込みニューラルネットワーク」です。画像の小さな領域ごとに特徴を取り出す「畳み込み層」と、情報をまとめる「プーリング層」を重ねた構造を持ち、画像認識で大きな成果を上げました。

他の選択肢が不適切な理由
・回帰型ニューラルネットワーク：RNN（Recurrent Neural Network）の訳で、文章や音声などの時系列データを扱います。
・敵対的生成ネットワーク：GAN（Generative Adversarial Network）の訳で、画像の生成などに使われます。
・長・短期記憶：LSTM（Long Short-Term Memory）の訳で、RNNを改良して長い系列の情報を保持できるようにしたものです。

覚え方のポイント
略語は元の英語で覚えると忘れにくくなります。C＝Convolutional（畳み込み）、R＝Recurrent（繰り返し・回帰）、G＝Generative（生成）、A＝Adversarial（敵対的）です。

問50-3

ベクトル a = (1, 2) と b = (3, 4) の内積として、最も適切なものを1つ選びなさい。

①11
②10
③7
④(3, 8)

答えと解説を見る

正解 ①11

解説
内積は、同じ位置にある成分どうしを掛けて、それらを足し合わせたものです。a・b = 1×3 + 2×4 = 3 + 8 = 11 となります。ニューラルネットワークでは、入力と重みの内積（に定数のバイアスを足したもの）を計算してから活性化関数に通すため、内積は最も基本的な計算の一つです。

他の選択肢が不適切な理由
・10：成分をすべて足した値（1+2+3+4）で、内積ではありません。
・7：1×3 と 2×2 を足すなど、組み合わせを取り違えた値です。
・(3, 8)：成分どうしを掛けただけで足していない、要素ごとの積（アダマール積）です。内積の答えはベクトルではなく1つの数（スカラー）になります。

覚え方のポイント
「同じ位置どうしを掛けて、全部足す」。内積はベクトルどうしの向きの近さを表す指標にもなり、文章の意味の近さを測る「コサイン類似度」にも使われます。

問60-3

英略語「LLM」が表すものとして、最も適切なものを1つ選びなさい。

①長・短期記憶
②大規模言語モデル
③機械学習基盤
④大規模画像データセット

答えと解説を見る

正解 ②大規模言語モデル

解説
LLMは Large Language Model の略で、日本語では「大規模言語モデル」です。膨大な量の文章データで学習した、非常に多くのパラメータを持つ言語モデルで、文章の生成、要約、翻訳、質問への回答など、幅広い言語の課題をこなせます。現在の対話型の生成AIの多くは、Transformerを基盤とするLLMで作られています。

他の選択肢が不適切な理由
・長・短期記憶：LSTM（Long Short-Term Memory）の訳です。
・機械学習基盤：機械学習を運用するための仕組みを表す言葉で、LLMの意味ではありません。機械学習の運用の考え方はMLOpsと呼ばれます。
・大規模画像データセット：ImageNetなどの説明で、LLMとは関係ありません。

覚え方のポイント
LLMと近い言葉に「基盤モデル（Foundation Model）」があります。基盤モデルは、大量のデータで事前学習し、さまざまな用途に適応させられるモデルの総称で、LLMはその代表例です。

問70-3

「確率 P(A|B)」の意味として、最も適切なものを1つ選びなさい。

①AとBが両方とも起きる確率
②Aが起きたときに、Bが起きる確率
③Bが起きたときに、Aが起きる確率
④AかBの少なくとも一方が起きる確率

答えと解説を見る

正解 ③Bが起きたときに、Aが起きる確率

解説
P(A|B) は「条件付き確率」で、「Bが起きた（Bであると分かった）という条件のもとで、Aが起きる確率」を表します。縦棒「|」の右側が条件、左側が確率を求めたい出来事です。条件付き確率は、ベイズの定理やナイーブベイズ分類器、言語モデルが「前の単語が与えられたときに次の単語が出る確率」を計算する考え方などの基礎になります。

他の選択肢が不適切な理由
・AとBが両方とも起きる確率：これは同時確率で、P(A, B) や P(A∩B) と表します。
・Aが起きた条件のもとでBが起きる確率：これは P(B|A) で、一般に P(A|B) とは異なる値になります。
・少なくとも一方が起きる確率：これは P(A∪B) と表します。

覚え方のポイント
「縦棒の右が前提」と覚えましょう。P(A|B) と P(B|A) を取り違えないことが、ベイズの定理の計算問題を解く第一歩です。

問80-3

英略語「RNN」が表すものとして、最も適切なものを1つ選びなさい。

①畳み込みニューラルネットワーク
②敵対的生成ネットワーク
③変分オートエンコーダ
④回帰型ニューラルネットワーク

答えと解説を見る

正解 ④回帰型ニューラルネットワーク

解説
RNNは Recurrent Neural Network の略で、「回帰型ニューラルネットワーク」や「再帰型ニューラルネットワーク」と訳されます。前の時刻の情報を次の時刻の計算に引き継ぐ構造を持ち、文章や音声、株価のように順番に意味がある「時系列データ」の処理に使われます。長い系列では勾配消失が起きやすく、その改良版としてLSTMやGRUが考案されました。

他の選択肢が不適切な理由
・畳み込みニューラルネットワーク：CNN（Convolutional Neural Network）で、主に画像を扱います。
・敵対的生成ネットワーク：GAN（Generative Adversarial Network）で、生成器と識別器を競わせて学習します。
・変分オートエンコーダ：VAE（Variational Autoencoder）で、データを確率分布として表現する生成モデルです。

覚え方のポイント
Recurrent は「繰り返し現れる」という意味で、同じ計算を時刻ごとに繰り返す構造を表しています。「RNN＝順番のあるデータ」「CNN＝画像」と対応させて覚えましょう。

問90-3

データのばらつきを表す「標準偏差」と「分散」の関係として、最も適切なものを1つ選びなさい。

①標準偏差は分散の正の平方根である
②分散は標準偏差を2で割った値である
③標準偏差は分散をデータ数で割った値である
④分散と標準偏差は常に同じ値になる

答えと解説を見る

正解 ①標準偏差は分散の正の平方根である

解説
分散は、各データと平均との差（偏差）を2乗して平均した値で、データのばらつきの大きさを表します。ただし2乗しているため、単位も2乗になってしまいます（例：cm²）。そこで分散の正の平方根をとり、元のデータと同じ単位に戻したものが標準偏差です（例：cm）。

他の選択肢が不適切な理由
・分散は標準偏差を2で割った値：2で割るのではなく、標準偏差を2乗したものが分散です。
・標準偏差は分散をデータ数で割った値：データ数で割るのは、平均や分散を求める途中の計算です。
・常に同じ値になる：分散が0または1のときだけ一致しますが、一般には異なる値になります。

覚え方のポイント
「分散＝標準偏差の2乗」「標準偏差＝分散のルート」。記号では、標準偏差をσ（シグマ）、分散をσ²と書くことが多いので、記号とセットで覚えましょう。

問100-3

グラフの横軸にデータの値の範囲（階級）、縦軸にその範囲に入るデータの個数（度数）をとり、データの分布の形を表したものとして、最も適切なものを1つ選びなさい。

①散布図
②ヒストグラム
③箱ひげ図
④折れ線グラフ

答えと解説を見る

正解 ②ヒストグラム

解説
ヒストグラムは、データの値をいくつかの範囲（階級）に区切り、それぞれの範囲に入るデータの個数（度数）を柱の高さで表したグラフです。データがどのあたりに集中しているか、左右対称か偏っているか、外れ値があるかといった「分布の形」をひと目でつかむことができます。データ分析の最初の段階で、データの様子を確かめるためによく使われます。

他の選択肢が不適切な理由
・散布図：2つの項目の値を縦軸と横軸にとって点で表し、2つの項目の関係（相関）を見るグラフです。
・箱ひげ図：最小値・第1四分位数・中央値・第3四分位数・最大値を箱とひげで表し、ばらつきを比べるグラフです。
・折れ線グラフ：時間の経過にともなう値の変化を表すのに向いたグラフです。

覚え方のポイント
「分布の形＝ヒストグラム」「2つの項目の関係＝散布図」「ばらつきの比較＝箱ひげ図」「時間の変化＝折れ線グラフ」。データの前処理や探索的データ分析（EDA）の問題で問われます。

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。