【文系向け】G検定チートシート｜試験で本当に使えた知識だけ厳選

はじめに

G検定を受験するとき、120分で約220問を解かなければなりません。1問あたり約30秒。悠長にテキストを引いている暇はありません。

私は文系出身で2026年1月のG検定に合格しましたが、試験直前に自分用の「チートシート」を作ったことが合格の決め手でした。

この記事では、文系の私が本当に試験で使えた知識だけを厳選してまとめます。特に、文系の方がつまずきやすい技術用語を「要するにこういうこと」レベルで整理しています。

AI・ディープラーニングの歴史

試験では歴史の流れを問う問題が頻出します。年代を丸暗記する必要はなく、ブームの流れと特徴を押さえればOKです。

ブーム	時期	キーワード	ポイント
第1次AIブーム	1950〜60年代	探索・推論	迷路やパズルは解けるが、現実の問題は解けない（トイプロブレム）
第2次AIブーム	1980年代	エキスパートシステム	専門家の知識をルール化。知識の入力が大変（知識獲得のボトルネック）
第3次AIブーム	2010年代〜	機械学習・深層学習	データから自動で学習。ディープラーニングの登場が転機

よく出るキーワード: ダートマス会議（1956年、「AI」という言葉の誕生）、ELIZA（初期の対話システム）、エキスパートシステム（MYCIN、DENDRALなど）

機械学習の分類

ここは整理して覚えるだけで得点源になります。

教師あり学習

正解データ付きで学習する方法。

手法	一言で言うと	用途
線形回帰	直線で予測	数値の予測（売上予測など）
ロジスティック回帰	確率で分類	2クラス分類（スパム判定など）
決定木	if-thenルールで分岐	分類・回帰
ランダムフォレスト	決定木をたくさん作って多数決	精度向上
SVM（サポートベクターマシン）	境界線を引いて分類	分類（マージン最大化）
k-NN（k近傍法）	近くのデータを見て多数決	分類

教師なし学習

正解データなしで、データの構造を見つける。

手法	一言で言うと
k-means	データをk個のグループに分ける
主成分分析（PCA）	データの次元を減らす
オートエンコーダ	入力を圧縮→復元してデータの特徴を学ぶ

強化学習

試行錯誤して「報酬が最大になる行動」を学ぶ。AlphaGoが有名。

覚えておくべき用語: エージェント（行動する主体）、環境、報酬、方策（行動の戦略）、Q学習

ニューラルネットワークの基礎

文系が最も苦戦するパートですが、G検定では数式ではなく概念が問われます。

パーセプトロン

• 入力に重みをかけて足し合わせ、しきい値を超えたら発火する仕組み
• 単純パーセプトロンは線形分離しかできない（XOR問題が解けない）
• → 多層パーセプトロンで解決

活性化関数（よく出る）

関数名	特徴
シグモイド	0〜1の値を出力。勾配消失しやすい
ReLU	0以下は0、0以上はそのまま。今の主流
softmax	全出力の合計が1になる。多クラス分類の最終層
tanh	-1〜1の値を出力

誤差逆伝播法（バックプロパゲーション）

• 出力の誤差を逆方向に伝えて、重みを調整する方法
• 文系向けの理解：「答え合わせをして、間違えた原因を遡って修正する」

勾配降下法

• 損失（誤差）が最小になるように重みを少しずつ調整する
• 文系向けの理解：「山の一番低いところを探して、坂を少しずつ下る」

派生手法: SGD（確率的勾配降下法）、Adam（今よく使われる最適化手法）

ディープラーニングの代表的手法

CNN（畳み込みニューラルネットワーク）

• 画像認識に強い
• 畳み込み層 → プーリング層 → 全結合層 の構造
• 代表モデル：LeNet、AlexNet、VGG、GoogLeNet、ResNet

RNN（再帰型ニューラルネットワーク）

• 時系列データ・自然言語に強い
• 過去の情報を記憶して次の処理に使う
• 問題点：長い系列だと勾配消失する
• → LSTM、GRU で解決

GAN（敵対的生成ネットワーク）

• 画像生成に使われる
• 生成器（Generator）と識別器（Discriminator）が競い合って学習
• 偽物を作る側と見破る側の対決

Transformer / Attention

• 自然言語処理の革命
• 「注意すべき部分」に重みをつけて処理する仕組み
• BERT（文の理解）、GPT（文の生成）の基盤
• ChatGPTはGPTベース

過学習と正則化

用語	意味
過学習（オーバーフィッティング）	訓練データに特化しすぎて、未知のデータに対応できない
ドロップアウト	学習中にランダムにノードを無効化して過学習を防ぐ
正則化（L1/L2）	重みにペナルティを加えて、モデルをシンプルに保つ
Early Stopping	検証データの誤差が増え始めたら学習を止める
データ拡張	画像を回転・反転させてデータを水増し

AI倫理・法律（文系の得点源）

よく出る法律・ガイドライン

名称	ポイント
個人情報保護法	個人を特定できる情報の取り扱いルール
GDPR（EU一般データ保護規則）	EU市民のデータ保護。忘れられる権利、データポータビリティ
AI原則（内閣府）	人間中心、公平性、透明性、プライバシーなど7原則
著作権法	AI学習のためのデータ利用は原則OK（30条の4）、生成物の著作権は要検討

重要な概念

• 公平性（Fairness）: AIが特定の属性（人種、性別等）で差別的な判断をしないこと
• 説明可能性（Explainability）: AIの判断理由を人間が理解できること
• トロッコ問題: 自動運転における倫理的ジレンマ
• フレーム問題: AIが無限の可能性を考慮しきれない問題

試験当日のコツ

1. わからない問題は即スキップ（30秒ルール）
2. 検索の準備: オンライン受験なので検索可能。ただし検索に頼りすぎると時間切れ
3. 消去法を活用: 明らかに違う選択肢を消してから考える
4. 最後に見直し: マークし忘れがないか確認

おすすめの学習リソース

• G検定対策ドットコム: 1,000問以上の練習問題が無料で解ける。隙間時間の学習に最適
• JDLA公式サイト: 試験の最新情報を確認
• 公式テキスト（白本）: 全体像の把握に
• 問題集（赤い本/黒本）: アウトプット用に必須

まとめ

このチートシートは、文系出身の私が実際の試験で「これだけ押さえておけばよかった」と感じた内容を凝縮したものです。完璧に網羅しているわけではありませんが、文系の方が最低限押さえるべきポイントはカバーしています。

G検定は「広く浅く」が求められる試験です。全分野をまんべんなく押さえて、得意分野で確実に得点しましょう。

この記事が参考になったら、ストックやいいね（LGTM）をお願いします！