基本情報技術者試験（FE）科目Aの頻出用語シリーズ、特別編〈AI・機械学習〉です。
2024年10月のシラバス改訂（Ver.9.0）で、科目Aは AI・データサイエンス分野が大きく強化 されました。実際、近年の試験でもAIの問題は出題されています。難しい数式は問われず「用語の意味を理解しているか」が中心——つまり、用語を押さえれば確実な得点源になる分野です。
今回は、現役クラウドエンジニアの視点（💡現場メモ）で、生成AI時代に必修のワードまで踏み込んでまとめました。
この記事の対象読者 / わかること
- 科目AのAI分野が不安／これから狙われる範囲を先取りしたい方
- ✅ AI・機械学習・ディープラーニングの 必修用語
- ✅ 生成AI・LLM・RAGなど 最新ワード（実務の現場メモ付き）
- ✅ 評価指標「適合率・再現率・F値」の計算
📚 AI・機械学習 用語まとめ
AI分野は「広く・イメージで」つかむのがコツ。各用語を ひとことで言える 状態を目指しましょう。
🏷️ 用語のラベルについて（ここ大事）
正直に言うと、AI用語はすべてが「基本情報で頻出」ではありません。そこで各用語に重要度ラベルを付けました。試験合格だけが目的なら、まず🔥だけでOKです。
- 🔥 FE頻出：基本情報で実際によく問われる核。最優先
- 🌱 今後狙われる：シラバス改訂で追加・最近出始めた領域（生成AIなど）
- ➕ 発展（AP・実務）：応用情報やG検定・実務寄り。教養としての+α
① AIの基礎
| 用語 | ひとことで言うと |
|---|---|
| 🔥 AI（人工知能） | 人間の知的活動をコンピュータで実現する技術・システム |
| 🔥 機械学習（マシンラーニング） | 大量データからパターンや規則を コンピュータ自身が学習 する手法。AIの一分野 |
| 🔥 ディープラーニング（深層学習） | ニューラルネットワークを多層にした機械学習。画像・音声・言語で高精度 |
| 🔥 ニューラルネットワーク | 人間の神経細胞（ニューロン）を模した数理モデル |
| 🔥 学習データ・特徴量 | 学習に使うデータ／その「着目すべき特徴」を数値化したもの |
💡 現場メモ：「AI ＞ 機械学習 ＞ ディープラーニング」という 包含関係 をまず押さえると、用語が一気に整理できます。世間で言う“AI”の多くは、実態は機械学習・ディープラーニングです。
② 機械学習の3分類
| 用語 | ひとことで言うと |
|---|---|
| 🔥 教師あり学習 | 入力と「正解」をセットで与えて学習。FEで最も問われる |
| 🔥 教師なし学習 | 正解なしで、データの構造や規則を見つける |
| 🔥 強化学習 | 試行錯誤し、報酬が最大になる行動を学習 |
| 🔥 回帰・分類（教師あり） | 数値を予測する回帰／カテゴリを当てる分類 |
| 🔥 クラスタリング（教師なし） | データを似たもの同士にグループ分け |
| ➕ 強化学習の4要素 | エージェント・環境・行動・報酬 |
③ ディープラーニング
| 用語 | ひとことで言うと |
|---|---|
| ➕ パーセプトロン | ニューラルネットの最小単位。入力に重みをかけて出力 |
| ➕ 活性化関数 | ニューロンの出力を決める関数（シグモイド／ReLU など） |
| 🌱 誤差逆伝播法（バックプロパゲーション） | 出力の誤差をさかのぼって、重みを調整する学習法 |
| 🔥 過学習（オーバーフィッティング） | 訓練データに適合しすぎ、未知データで精度が落ちる現象 |
| 🌱 CNN（畳み込みニューラルネットワーク） | 画像認識が得意なディープラーニング |
| ➕ RNN（再帰型ニューラルネットワーク） | 時系列・文章など順序のあるデータが得意 |
④ モデルの評価
| 用語 | ひとことで言うと |
|---|---|
| 🌱 訓練データ・テストデータ | 学習用／性能を測る検証用に分ける |
| ➕ ホールドアウト法・交差検証（クロスバリデーション） | データを分割して評価／分割を変えて繰り返し評価 |
| ➕ 混同行列 | 予測の正解・不正解を表にしたもの（→計算編） |
| ➕ 適合率・再現率・F値 | 予測の正確さ／取りこぼしの少なさ／その調和平均 |
| ➕ 過学習対策（正則化・ドロップアウト） | モデルが複雑になりすぎるのを防ぐ手法 |
⑤ 生成AI・最新ワード（狙われ始めています）
| 用語 | ひとことで言うと |
|---|---|
| 🌱 生成AI（ジェネレーティブAI） | 文章・画像・コードなどを 新しく生成 するAI |
| 🌱 大規模言語モデル（LLM） | 膨大なテキストで学習した、言語生成の大型モデル |
| 🌱 プロンプト | 生成AIへの指示文。書き方で出力が大きく変わる |
| 🌱 ファインチューニング | 学習済みモデルを特定用途に追加学習させて最適化 |
| 🌱 ハルシネーション | 生成AIが、事実と異なる内容をもっともらしく出力する現象 |
| ➕ RAG（検索拡張生成） | 外部知識を検索してから回答させ、精度・最新性を高める手法 |
💡 現場メモ：実務で「自社データに対応させたい」とき、最初の選択肢は RAG（手軽・最新情報に強い）。さらに専門特化させたいときに ファインチューニング を検討、という使い分けが定番です。クラウドの生成AIサービス（Amazon Bedrock など）でもこの2つは中心的な機能です。
⚠️ ハルシネーションは引っかけ＆実務の最重要ポイント。「生成AIの出力は必ず正しい」は誤り。人間のファクトチェックが前提、という理解が問われます。
⑥ AIの活用と倫理
| 用語 | ひとことで言うと |
|---|---|
| 🔥 画像認識・音声認識・自然言語処理（NLP） | AIの代表的な応用分野 |
| 🌱 チャットボット | 自動で対話する仕組み。NLP・生成AIを活用 |
| 🌱 AIバイアス | 学習データの偏りが、出力の偏り・差別につながる問題 |
| ➕ 説明可能なAI（XAI） | AIの判断根拠を、人が理解できるようにする取り組み |
| 🌱 AI倫理・シンギュラリティ | AIの社会的責任／AIが人知を超えるとされる転換点 |
💡 現場メモ：業務で生成AIを使うほど、バイアス・著作権・情報漏えいといった「AI倫理・ガバナンス」が現実の論点になります。試験で問われる倫理の視点は、そのまま実務のリスク管理につながっています。
📐 計算ポイント：適合率・再現率・F値
AIモデルの「当たり具合」を測る指標です。混同行列（下表）から計算します。
➕ ここは「発展（AP・実務寄り）」です。 基本情報の合格だけが目的なら、いったん飛ばしてもOK。応用情報やデータ分析の実務で効いてくる内容なので、余裕があれば押さえましょう。
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP（真陽性） | FN（偽陰性） |
| 実際：陰性 | FP（偽陽性） | TN（真陰性） |
\text{適合率（Precision）} = \frac{TP}{TP + FP} \qquad \text{再現率（Recall）} = \frac{TP}{TP + FN}
\text{F値} = \frac{2 \times \text{適合率} \times \text{再現率}}{\text{適合率} + \text{再現率}}
📝 例題：TP=80、FP=20、FN=40 のとき？
- 適合率 ＝ 80 ÷ (80 + 20) ＝ 0.8
- 再現率 ＝ 80 ÷ (80 + 40) ≒ 0.67
- F値 ＝ 2 × 0.8 × 0.67 ÷ (0.8 + 0.67) ≒ 0.73
適合率（誤検出の少なさ）と再現率（取りこぼしの少なさ）は トレードオフ の関係。F値はそのバランスを見る指標です。
✅ 理解度チェックリスト
- 「AI・機械学習・ディープラーニング」の包含関係を説明できる
- 教師あり／教師なし／強化学習を区別できる
- 回帰と分類の違いを説明できる
- 過学習とは何か、その対策を説明できる
- CNNとRNNの得意分野を言える
- 適合率・再現率・F値を計算できる
- 生成AI・LLM・プロンプトを説明できる
- RAGとファインチューニングの使い分けを説明できる
- ハルシネーションとは何か説明できる
- AIバイアス・XAIなど倫理の論点を説明できる
❓ よくある質問（FAQ）
Q. 科目AでAIはどのくらい出ますか？
A. 数問程度ですが、シラバス改訂で強化された注目分野です。難しい数式ではなく「用語の意味」が中心なので、コスパの良い得点源になります。
Q. 生成AIやLLMまで覚える必要ある？
A. 近年の技術動向を反映して出題され始めている領域です。深い理論は不要ですが、生成AI・ハルシネーション・プロンプトあたりは押さえておくと安心です。
Q. AIが苦手で、用語が頭に入りません。
A. まず 包含関係（AI＞機械学習＞DL） と 3分類（教師あり/なし/強化） の2点だけ固めればOK。残りは身近な例（画像認識＝CNN など）と結びつけると覚えやすいです。
📝 補足：シラバス改訂について
AI・データサイエンス分野は、シラバス Ver.9.0（2024年10月試験から適用） で強化されました1。最新の出題範囲・用語は必ず IPA公式シラバス で確認してください。生成AI関連は技術動向に合わせて随時アップデートされるため、直近の改訂にも目を通しておくと安心です。
おわりに
これで、科目Aの頻出用語シリーズ（S〜D ＋ AI特別編）はひと区切りです。AI分野は これからの試験でますます重視される うえ、実務でも避けて通れません。用語のイメージをつかんだら、過去問でAI問題の「問われ方」に慣れていきましょう。
AIは、試験のためだけでなく キャリアの武器 になる分野です。ここを得意にできれば、合格の先まで効いてきます 🔥
次は 科目B（アルゴリズム・情報セキュリティ）編 を準備中です。お楽しみに！
🔗 関連記事・SNS
📚 科目A 頻出用語シリーズ（全5回 ＋ 特別編）
- 第1弾：科目A 頻出用語50選〈Sランク編〉
- 第2弾：科目A 頻出用語50選〈Aランク編〉
- 第3弾：科目A 頻出用語50選〈Bランク編〉
- 第4弾：科目A 頻出用語50選〈Cランク編〉
- 第5弾：科目A 頻出用語50選〈Dランク編〉
- 特別編：本記事〈AI・機械学習〉
- 📂 筆者のQiita記事一覧はこちら
✍️ 発信のフォローはこちら
クラウド × 生成AI × キャリアについて発信しています。役に立ったら、各種フォロー＆ LGTM・ストック していただけると励みになります！
- X（Twitter）: @EBE_Ryuki
- Zenn: zenn.dev/ebe_ryuki
- note: note.com/ebe0911
- LinkedIn: ryuki-ebe
- Instagram: @ryuk.i0911
-
現在の科目A／科目B形式は、シラバス Ver.9.0（2024年10月試験から適用）以降のものです。AI・データサイエンス関連は近年の技術動向を踏まえて強化されています。 ↩