Help us understand the problem. What is going on with this article?

G検定(日本ディープラーニング協会主催)を合格するためにしたことまとめ

More than 1 year has passed since last update.

この記事について

先日統計検定2級の試験合格に関しての記事を書きましたが、ここで記事の最後に書いてある通りディープラーニングの資格試験であるG検定を受けてきました。

結果を先に書いておくと、合格しました。

以前の統計検定2級を受験した時よりは勉強時間が豊富にあったので前よりは切羽詰まってはいなかったので、以前のような試験に突破するための勉強ではなく比較的全体的に網羅するように勉強できました。
その中で試験で重要だった内容(問題)を(問題をそのまま載せることは禁止されてるっぽいのでオブラートを3枚くらい包んだ状態で)記事にしたいと思います。

また、ただただ合格したいだけの人向けにどこを中心に勉強すれば合格できそうかも書いておきます。

まずG検定について

以下のサイトにまとまっております。
- G検定の概要
- G検定試験範囲

なぜG検定を受けるのか

G検定を受けた理由について記載しておきます。

ディープラーニングに関する内容というのは最近色々出てきてはいますが、特に学校などで教科書が配られた訳ではないので今自分が持っている知識がどのレベルにあるのかを知るため、というのが大きいです。

『AIの資格?すごい!!』と思われるケースもありそうですが、そもそも資格の存在が世間にまだ認知されてないと思うのでそれを期待するのはもう少し後にしたい心持ちであります。

試験の特徴

試験概要な以下のようになってます。

  • 試験概要:120分、多肢選択式の知識問題226問、オンライン実施(自宅受験)

会場での試験なので、わからない問題はネットで検索できます。
ただ、問題は問題数が多いので問題数を考えると30秒に1問回答する必要があります。
全問ネット検索してる時間は無いわけですね。時間との戦いがこの試験でのポイントとなります。

試験範囲について詳細

試験範囲を詳細に確認してみましょう。
以下のような問題が出題されます。

  • 人工知能(AI)とは(人工知能の定義)
  • 人工知能をめぐる動向
  • 探索・推論、知識表現、機械学習、深層学習
  • 人工知能分野の問題
  • トイプロブレム、フレーム問題、弱いAI、強いAI、身体性、シンボルグラウンディング問題、特徴量設計、チューリングテスト、シンギュラリティ
  • 機械学習の具体的手法例題
  • 代表的な手法、データの扱い、応用
  • ディープラーニングの概要
  • ニューラルネットワークとディープラーニング、既存のニューラルネットワークにおける問題、ディープラーニングのアプローチ、CPU と GPU
  • ディープラーニングにおけるデータ量
  • ディープラーニングの手法
  • 活性化関数、学習率の最適化、更なるテクニック、CNN、RNN
  • 深層強化学習、深層生成モデル
  • ディープラーニングの研究分野
  • 画像認識、自然言語処理、音声処理、ロボティクス (強化学習)、マルチモーダル
  • ディープラーニングの応用に向けて
  • 産業への応用、法律、倫理、現行の議論

まず、ポイントとしては上に記述してある出題範囲の問題はもれなく全て出題されるということです。満点を取りたい人は全て勉強しましょう

試験問題の比重

問題は満遍なく出ますが、その中でも比重があると感じました。
上の試験範囲をもっと大きな枠組みとすると

⓵人工知能の歴史(要するに今の人工知能が流行るまでの経緯)
⓶機械学習の知識
⓷ディープラーニングの知識
⓸人工知能を取り巻く環境(法律、規制、組織)

の4つに分けられるかと思います。
で4つの問題の試験での比重は

⓵:⓶:⓷:⓸ = 2:3:3:2

でした。

4つの問題枠組みのタイプ

上の4つの枠組みについてですが、

  • 記憶よりも体系的理解した方が効率が良い枠組み:⓶、⓷
  • 記憶するしかないが覚える量がかなり多い枠組み:⓵、⓸

の2つに分けられると思います。
試験を受けてみて、①と④に関しては試験前に覚えた問題はほぼ出題されませんでした。なので結局ブラウザでネット検索して調べる・・ということになりました。
特別記憶力が優れている人は別だと思いますが、自信の無い人はあまり①と④に時間をかけるべきでは無いのではと感じました。

逆に⓶と⓷については、一度理解してしまえば問題が一瞬で回答できるようになります。(不思議と。。)ほぼほぼ出る問題も基本的なことが多いので、ここで時間を稼ぐことが得策といえます。

試験に受かるための戦略

(戦略。。と偉そうなトピックですが)上で書いてきた内容から、試験の受け方としては

☆ ⓶と⓷を最優先に体系的に理解し、試験で問題を一瞬で解けるようにする。余った時間を①と④の問題を調べる時間に当てる。

ことが良いのでは無いかと思います!

勉強材料

以下の3つに絞りました。

⓵Study-AIの模擬試験
⓶G検定公式テキスト
⓷AI白書

Study-AIの模擬試験について

Study-AIのサイトの模擬試験を解きました。このサイトの存在は試験5日前に知ったのですが、実際試験ではこの模擬試験から出た問題が多く、かなりの得点源になりました。
この模擬試験は最優先で解くべきだと思います。

G検定公式テキストについて

JDLAからG検定公式テキストが出版されています。試験範囲の内容についてよくまとまっています。
ただ結果的にですが、まとまりすぎていて試験の対策としては十分ではありません。
特に機械学習の部分が弱いかなという印象でした。

AI白書について

AI白書は主に上の④人工知能を取り巻く環境(法律、規制、組織)に関して詳しく乗っています。
正直覚えきれるような量では無いので買わなくても良いのでは無いかと思います。ネットで検索すれば出てくる内容な気がします。

具体的な試験問題について

実際問題をここに書くのは禁止されてるっぽいので笑、自分が試験を受けててここが重要だな、というところを記載しておきます。

機械学習のアルゴリズムに関しては結構出題数が多い

ディープラーニングはニューラルネットによる手法になりますが、試験では決定木、ランダムフォレスト、ブースティング、単回帰、重回帰、サポートベクターマシン、k-means、PCAなどの機械学習の手法についての問題が出題されます。それらについては、どんなアルゴリズムなのか、何をコスト関数としているか、どのような特徴があるか、パラメータとハイパーパラメータは何かを把握しておく必要があります。

ディープラーニングの問題はG検定公式テキストからの出題が多い

ディープラーニングに関してはG検定公式テキストからの出題が多かったです。
CNN、RNNに関する技術は公式テキストをまずは読み込みましょう。

数式的な理解はいらない

この試験においては数式は出てこないので、数式的な理解はいらないです。

計算問題は少ない

実際に数字の計算を行う問題は少ないです。2問しか出ませんでした。
(簡単な偏微分の問題とCNNのプーリング(ストライド、パディング込み)後の画像サイズの計算)

調べなきゃわからない問題は飛ばす

時間がとにかく足らないのでわからない問題は飛ばし、一通り解き終わってから後からネットで調べましょう。

最後に

これから受験する方は頑張ってください!!
合格率は高いので、もともと自信がある人は問題なく受かるような気がしております(根拠なし)

次は何の試験を受けようかな。

Why do not you register as a user and use Qiita more conveniently?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away