title: 【文系合格者が解説】G検定「自然言語処理（NLP）」攻略｜Word2VecからBERTまでの流れを一気に理解
tags: G検定 AI ディープラーニング JDLA 資格

はじめに

こんにちは。2026年1月のG検定に合格した、文系出身のエンジニアです。

G検定の学習範囲の中で、文系の方にとって意外と取り組みやすいのが「自然言語処理（NLP）」の分野です。なぜなら、私たちが普段使っている「言葉」を扱う技術だからです。

とはいえ、いざ勉強を始めると「Bag of Words」「TF-IDF」「Word2Vec」「seq2seq」「BERT」「GPT」……と横文字が大量に出てきて混乱しがちです。

この記事では、自然言語処理の技術を**「コンピュータが言葉をどう理解するか」の進化の歴史**として整理します。流れを掴めば、個々の技術が何のために生まれたのかがスッと理解できるようになります。

※ この記事はJDLA公式の教材ではありません。筆者個人の学習経験に基づく内容です。

コンピュータは数字しか扱えません。そのため、自然言語処理の第一歩は言葉を数値（ベクトル）に変換することです。

この「言葉→数値」の変換方法が時代とともに進化してきた、というのがNLPの歴史のコア部分です。

「犬が猫を追いかけた」も「猫が犬を追いかけた」も同じベクトルになってしまいます。

項目	内容
考え方	「その文書にとって重要な単語」を重み付けする
TF（Term Frequency）	その文書内での出現頻度
IDF（Inverse Document Frequency）	全文書中での珍しさ
たとえ	「の」「は」のようなどこにでもある単語の重みを下げ、特徴的な単語を目立たせる

BoWの改良版ですが、依然として語順を考慮しない点は同じです。

Word2Vecには2つの学習方式があります。

G検定ポイント: CBOWとSkip-gramの違いは頻出です。「周辺→中心がCBOW」「中心→周辺がSkip-gram」と覚えましょう。

ベクトル化手法の次に理解すべきは、文章全体を処理するモデルの進化です。

RNN → LSTM → seq2seq → Attention → Transformer → BERT / GPT

それぞれの「何が問題で、次が生まれたか」を押さえましょう。

RNN/LSTMの詳細は別記事、Transformer/Attentionの詳細も別記事で解説しています。

G検定ではBERTとGPTの違いがよく問われます。

G検定ポイント: 「BERTは双方向、GPTは単方向」はほぼ確実に出ます。また、BERTの事前学習タスクであるマスク言語モデル（MLM）——ランダムに隠した単語を予測する——も重要キーワードです。

NLPの技術は「言葉をもっとうまく理解したい」という一貫した目標に向かっています。私は以下のストーリーで全体を暗記しました。

この4ステップの流れを掴んでおけば、個々の技術名が出てきても「あ、あの時代のやつだな」と位置づけられます。

自然言語処理は技術名が多くて大変ですが、「言葉を数字に変換する方法の進化」という軸で整理すれば、文系の方でも十分に理解できる分野です。

特にBERT/GPTはChatGPTの登場以降、G検定でも出題が増えている印象です。この記事の流れを頭に入れた上で、問題演習で定着させていきましょう。

G検定の学習には、分野別に効率よくインプットできるサイトも活用すると効果的です。私も活用していた AI検定ナビでは、G検定の出題範囲に沿った解説がまとまっていて、苦手分野の補強に役立ちました。

一緒にがんばりましょう！