AI初心者ですが2023#1のG検定に合格しました。
法律系が低いですが、その他の項目はそこそこ点数を獲得できる結果でした。
ネットの情報から手探りで勉強したため、過剰に勉強してしまった部分がありましたので、本記事は実際受験した経験からより効率的に学習できる工程を自分なりにまとめてみましした。参考になれば幸いです。
1. 前提条件
- AIについて全く知識がない状態からスタート。
- SW開発の知識はあり
- ２月程度勉強。（通勤時間と土日に２〜３時間）
- 勉強方法は、インターネットの情報を参考に実施。
- 当日は出来るだけカンペに頼らず回答するスタンス。
- 実際受験した感覚として、無勉強では受からないと思っている派。
- 要領は良くない方で資格試験は２回くらいやらないと受からない知能レベル。
2. G検定の特徴
- 参考書だけではシラバスのキーワド詳細の項目を網羅していない。
=> 特に法律系は、情報量が少ない - シラバスのキーワド詳細がちょうど良い体系化がされていない。
=> 使い方やメリットなどの違いについて問われる問題が散見されるので、ある程度体系的に理解していないと適切に回答できない印象 - AI技術が日進月歩進化しているため、参考書のアップデートが頻繁に行われている。
=> 不合格になると参考書の買直しをする可能性あり - 受験中にインターネット検索が可能
3.方針
- シラバスの「キーワード詳細」を理解しているレベルを目指す
・ シラバスの「キーワード詳細」を体系的に説明できること
・ シラバスの「キーワード詳細」について説明できること - ある程度諦める
・参考書の記載量が少ない時事問題と法律問題はある程度諦める - 出来るだけ効率的に
・無駄な時間は使いたくないので参考書は最大限活用する
・参考書の弱い部分は諦めて時間を使って補強
・必要最低限の出費に抑える
4.勉強方法
-
シラバスを読む
公式サイトからシラバスをダウンロードし、出題範囲を把握する。 -
用語をなんとなく理解する
参考書から手をつけると専門的用語をいちいち調べる手間が発生するため、まずはディープラーニングとは何かをなんとなく知ることから始める。おすすめなYouTubeチャンネルは下記。
・ Neural Network ConsoleのDeep Learning入門
・ G検定 強化学習対策(概要編) -
全体像を掴む
参考書や問題集を正解するまで解く。合格者ブログなどを見るとおすすめとして出てくる参考書は下記で、白本と黒本は必須。
・深層学習教科書 ディープラーニング G検定公式テキスト（最新版）
通称、白本。購入必須。
・徹底攻略ディープラーニングG検定ジェネラリスト問題集（最新版）
通称、黒本。購入必須。
・最短突破 ディープラーニングG検定(ジェネラリスト) 問題集（最新版）
通称、赤本。予算に余裕があれば購入おすすめ。
・Ai白書 （最新版）
時事問題対策として必要と合格者のブログには書かれているが、G検定ように体系化はされておらずページ量も多いため、G検定対策のみでの購入はおすすめしない。
・study-aiの問題集
模擬テストと公式例題解説を無料公開されているので時間があれば実施したほうがよい。
※参考書は、メルカリなどで購入することで出費を抑えることができますが最新版であることの確認が必要。 -
参考書に載っていなかった詳細キーワードについて調べる
参考書を完璧にできたとしてもシラバスを網羅していないため、合格するのは厳しい印象。 シラバスのキーワード詳細と手持ちの白本と黒本を見比べて、わからない用語を調べる。 用語を調べる過程で当日の検索用サイトも探しておく。 -
法律問題対策
参考書とYouTube動画を参考させていだだきましたが、私の実績が伴わないため何かしらの強化策が必要。 -
当日の対策
・システムUI確認
・当日の検索用サイトを決めておく 。
・検索効率の向上させるため 、自信のない用語は参考書に付箋を貼る。 -
カンペ作成（時間があれば）
下記について特徴（どんな技術が使われているかや誰が作ったかなど）やメリットデメリットをまとめる。
| 項目 | キーワード | まとめ方 |
|---|---|---|
| 物体認識タスク | AlexNet, GoogleNet, VGGI6, ResNet, DenseNet, WideResNet, SENet | 技術的な特徴, 年代, 作成者 |
| 物体検出タスク | R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD, Vision Transformer | 技術的な特徴, 一段階も出るか否か |
| セグメンテーションタスク | SegNet, U-Net, PSNet, DeepLab, Mask-R-CNN | 技術的な特徴 |
| 音声認識で利用されるモデル、技術 | LSTM, GRU, BidirecitionalRNN, Attention, CTC, 位置エンコーディング | 技術的な特徴 |
| 自然言語処理 | 形態素解析, BagOfWords, TF-IDF, Word2Vec, Doc2Vec, fastText, ElMo, LDA, LSI トピックモデル | 技術的な特徴 |
| 自然言語モデル | BERT, Transformer, GTP | 技術的な特徴 |
| 項目 | キーワード | まとめ方 |
|---|---|---|
| データ拡張 | CutOut, CutMix, Randim Erasing, MixUp | 特徴, メリットデメリット |
| 説明可能AI | LIME, SHAP | 特徴, 利用方法 |
| 確率勾配降下法 | バッチ学習, ミニバッチ学習, オンライン学習 | 特徴, メリットデメリット |
| アンサンブル学習 | バギング, ブースティング, スタッキング | 特徴, メリットデメリット |
| パラメータ調整法 | ランダムサーチ, グリッドサーチ | 特徴, メリットデメリット |
| 回帰モデル検証 | MSE, RMSE, MAE, RMSLE | メリットデメリット |