Level とは ?
難易度は Level 1(やさしめ)〜Level 5(難関) の5段階です。
G検定
50問は会員登録なしで解答できます。
受験日が明日でも、先生が今夜の分を組みます。公式の出題範囲のうち、出る所から先に解く順番を組みます。
JDLA Deep Learning for GENERAL
公式の出題範囲に沿って収録しています
| 分野 | 収録の配分 | 問数 |
|---|---|---|
| 人工知能とは | 5% | 56 |
| 人工知能をめぐる動向 | 7% | 78 |
| 機械学習の概要 | 11% | 130 |
| ディープラーニングの概要 | 12% | 141 |
| ディープラーニングの要素技術 | 13% | 148 |
| ディープラーニングの応用例 | 14% | 161 |
| AIの社会実装に向けて | 10% | 117 |
| AIに必要な数理・統計知識 | 7% | 88 |
| AIに関する法律と契約 | 9% | 106 |
| AI倫理・AIガバナンス | 12% | 135 |
この資格にも、全141資格を知る先生が付きます。持っている資格をもとに、受験日までの計画を組みます。この50問は、販売中の全1,160問から取り出した、有料分と同じ収録問題です。出題分野の配分も、収録している全問と同じ設計比率に合わせて選んでいます。
税込・買い切り・追加課金なし
購入には無料の会員登録が必要です(Google アカウントならワンクリックで登録でき、そのまま決済画面へ進みます)。
この価格に、下の全部が入っています
問題1,160問も、教科書も、模試も、これ一冊。
この教材だけで、合格ラインまで。
本番の形式:1 回 145 問・100 分・本試験は合否と分野別の得点率で通知
問題と解説
全1,160問
- 選択式 全1,160問 :本番形式の模試8回分・スマホで1問ずつ・進捗は自動保存
模試 8 回
1 回 145問・本番 100分
テキスト 3 点
学習用テキスト・頻出度別ノート・暗記用ノート
- テキスト3点(PDF) :参考書の買い足し不要。収録問題はテキストだけで解けるよう検品済み
第2回以降をまとめて解放
買うと、有料 7 回 1,015 問の模試(第2〜8回)・テキスト3点(PDF)が使えます。
ご購入で使える物
- 本番形式の模試 第2〜8回(全8回)
- テキスト3点(PDF・参考書の買い足し不要)
最終更新: 2026-09-01(学習用テキストに図解を39枚追加しました)
税込・買い切り
部署・研修でまとめて使う場合は 法人まとめ買い(引き換えコード) をご覧ください。
- クレジットカードで決済します(Stripe の決済ページ)
- 決済が終わると、お使いのアカウントにすぐ解放されます
- 全 8 回・1,160 問の模試を、いつでも何度でも受けられます
- 購入者限定テキスト3点(PDF)を、このページからダウンロードできます

買うと、家庭教師がつきます。
先生が決めるのは、毎日解く問題と、間違えた問題を出し直す日です。受験前の学習の段取りを組む機能です。
続きを読む ↓閉じる ↑
買ったあと受験日を入れると、マイページに「今日の分 ○ 問・約 ○ 分」が表示されます。間違えた問題は 1・3・7 日後にもう一度出題されます。
忙しい日は「今日は休む」を押すと、残りの日で組み直します。
この資格と重なる資格
日本ディープラーニング協会(JDLA)が実施する、AI とディープラーニングの知識を体系的に問うジェネラリスト検定です。
続きを読む ↓閉じる ↑
AI を事業で正しく理解して活用する立場の人を対象に、人工知能の基礎、機械学習とディープラーニングの仕組み、社会実装、AI 倫理とガバナンス、法律まで幅広く出題されます。
本番と同じ 1 回 145 問・100 分の模試で、多肢選択式です。
主な学習トピック
- 人工知能とは(人工知能の定義・歴史)
- 人工知能をめぐる動向(探索・推論、知識表現、機械学習の発展の流れ)
- AIに必要な数理・統計知識
- 機械学習の概要
- ディープラーニングの概要
- ディープラーニングの要素技術
- ディープラーニングの応用例
- AIの社会実装に向けて
- AI倫理・AIガバナンス
- AIに関する法律と契約
G検定 の模試を解く
全 1,160 問を、本番形式の模試 8 回に分けました。50問は会員登録なしで解答できます。模試の第1回(145問)は、無料の会員登録で利用できます。
登録なしで解く
会員登録(無料)で解く
購入者限定テキスト(3点)
購入者限定テキスト(3点)
問題集のご購入で、G検定の学習テキスト3点(PDF)をダウンロードできます。
続きを読む ↓閉じる ↑
この3点は参考書の買い足しが要らないように作っています。収録しているすべての問題を、テキストの記述だけで解けるところまで、問題との突き合わせ検品を重ねて仕上げました。
学習用テキストと頻出度別ノート、暗記用ノートの3冊と問題演習で、合格ラインまでここで完結します。
形式はPDFです。スマホに保存しておけばログインなしでいつでも見返せますし、紙で勉強したい方は印刷して紙のテキストとしても使えます。
3冊の使い方
- 学習用を読む
- 頻出度別で解き方を掴む
- 問題演習で腕試し
- 頻出度別に戻って再確認(試験直前もここ)
暗記用ノートは、空き時間の反復と用語の確認に使います。
スマホ・タブレットはA5版、PCはA4版が読みやすい設計です。
2026年9月1日 改訂:学習用テキストに図解を39枚追加しました(構成図・流れ図・対応表など、本文の理解を助ける技術図解です)。
ご購入済みの方は、下のボタンから再ダウンロードすると最新版になります。
- 学習用テキストサイト・PDFこれだけで問題が解けるようになる本編テキスト。サイトでは章ごとに読め、読んだ章に印が付きます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 頻出度別ノートサイト・PDFテキストを読んだら次はこれ。頻出順に絞った問題と解説で「解ける」に橋渡しします。試験直前の最終チェックにも。サイトでは答えを押して開きながら解答できます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 暗記用ノートサイト・PDF覚えるべき要点だけを一問一答に凝縮。空き時間の反復と用語の再確認用です。サイトでは問いの下の答えを押して開きながら覚えます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
テキストはご購入者本人の学習用です。PDFの各ページにはご購入者を識別できる透かしが入ります。再配布・転載・AI学習利用はできません。
改訂の履歴
- 2026年9月1日:学習用テキストに図解を39枚追加しました
- 2026年8月13日:学習用テキストに説明を書き足しました
ご購入済みの方は、最新版をお使いいただけます。
見本 10 問(無料 50 問から)
問 1. 用語の整理で、「知能爆発」と「シンギュラリティ」がどちらも同じ意味で使われていた。この2語の切り分け方として、最も適切なものはどれか。
- 知能爆発は人間に先が読めなくなる時点を指し、シンギュラリティは機械が自らの設計を改良し続けるという仕組みを指す
- 知能爆発は原理が分かると知能と見なされなくなる現象を指し、シンギュラリティはその現象が繰り返し起こる期間を指す
- 知能爆発は機械が自らの設計を再帰的に改良し続けるという仕組みを指し、シンギュラリティはその結果として人間に先が読めなくなる時点を指す(正解)
- 知能爆発は計算資源が急速に増える現象を指し、シンギュラリティは領域を越えて課題に対応できる知能が実現した状態を指す
解説
知能爆発は、I.J.グッドが1965年に述べた「機械が自らの設計を改良し、自己改良が繰り返される」という仕組みそのものを指す。シンギュラリティは、その結果として人間に先が読めなくなる時点を指す。仕組みの側か時点の側かで切り分けるのが要点である。2語を入れ替えた説明は誤りである。原理が分かると知能と見なされなくなる現象はAI効果であり、計算資源の増加や汎用的な知能の実現も、この2語の切り分けではない。
問 2. 第1次ブームと第3次ブームの違いを図にまとめている。第1次ブームの中心であった探索・推論の技術について書き添える一文として、最も適切なものはどれか。
- 探索・推論はデータから規則を学び、学習の考え方は第1次ブームから使われている
- 探索・推論は学習をせず、学習が入ったのは第3次ブームからである(正解)
- 探索・推論は特徴量そのものを学習し、その点でディープラーニングの先駆けにあたる
- 探索・推論は専門家の知識を書き写す手法で、第2次ブームの中心を占めた技術である
解説
探索・推論もエキスパートシステムも学習をせず、学習が入ったのは第3次ブームからである。探索・推論がデータから規則を学び、学習の考え方が第1次ブームから使われているという説明は誤りである。特徴量そのものを学習するのはディープラーニングであり、探索・推論はその先駆けではない。専門家の知識を書き写す手法は第2次ブームの知識表現・エキスパートシステムの側の技術であり、探索・推論の説明ではない。
問 3. Vision Transformer(ViT)における画像の処理方法の説明として、最も適切なものはどれか。
- 画像をピクセル単位で1次元系列に展開し、隠れマルコフモデルによって系列的な依存関係を学習する
- 画像全体に対して複数サイズの畳み込みフィルタを並列に適用し、それらの出力を結合することで多スケールの特徴を得る(Inceptionに近い発想)
- 画像を固定サイズの小さなパッチに分割し、各パッチを線形変換したベクトル系列としてTransformerのエンコーダに入力する(正解)
- 画像の低解像度版と高解像度版を別々のCNNで処理し、それぞれの出力を平均して最終予測とする
解説
ViTは画像を固定サイズのパッチに分割し、各パッチをトークンとして扱うことでCNNを介さずにTransformerのSelf-Attention機構により画像認識を行う手法です。ViTはTransformerのSelf-Attention機構を用いる手法であり、隠れマルコフモデルは用いません。複数サイズの畳み込みフィルタを並列適用する考え方はGoogLeNet(Inception)モジュールの特徴であり、ViTの説明ではありません。
問 4. 知識表現における「意味ネットワーク」と「オントロジー」に関する説明として、最も適切なものはどれか。
- 意味ネットワークは血液中の細菌感染症を診断するための推論規則の集合であり、オントロジーはその確信度を計算するための数式体系を指す
- 意味ネットワークは大量のテキストデータからベクトル表現を自動学習する深層学習の手法であり、オントロジーはその学習結果を可視化するグラフ描画ツールを指す
- 意味ネットワークとオントロジーはいずれもゲーム木探索において評価値を伝播させるための手法であり、Mini-Max法の一種である
- 意味ネットワークは概念どうしを「is-a(〜の一種である)」「part-of(〜の一部である)」などの関係でつないでグラフ状に表現する手法であり、オントロジーは概念や関係を体系的に整理・共有するための枠組みを指す(正解)
解説
意味ネットワークは概念をis-a・part-ofなどの関係でグラフ状に表す知識表現手法であり、オントロジーは概念や関係を体系的に整理・共有するための枠組みを指します。血液中の細菌感染症を診断する推論規則と確信度の計算は、マイシンのようなエキスパートシステムの話であり、意味ネットワークやオントロジーの説明ではありません。意味ネットワークは記号的な知識表現手法であり、ベクトル表現を自動学習する深層学習の手法(word2vec等)とは異なります。意味ネットワークとオントロジーはゲーム木探索の手法ではなく、知識をどう表現・整理するかに関する枠組みです。
問 5. 大量の社内文書があるがラベルは一枚もない。文章の穴埋めを当てさせるなど、データ自身から作った疑似的な問題を解かせて特徴表現を獲得させたい。この枠組みとして、最も適切なものはどれか。
- 半教師あり学習(semi-supervised learning)
- 自己教師あり学習(self-supervised learning)(正解)
- 能動学習(active learning)
- 教師あり学習(supervised learning)
解説
自己教師あり学習は、人手のラベルを使わず、画像の一部を隠して復元させる、文章の穴埋めを当てさせるといった、データから自動生成した疑似的な問題を解かせて特徴表現を獲得する枠組みであり、大規模言語モデルの事前学習の中核である。半教師あり学習は、少量でも人手のラベル付きデータが要る。能動学習は、人手のラベル付けを前提に、対象をモデルが選ぶ枠組みである。教師あり学習は、入力と正解ラベルの組を与える方式である。
問 6. プーリング層をCNNに導入する主な効果として適切なものはどれか。
- 特徴マップの空間サイズを縮小して計算量やパラメータ数を抑えつつ、入力中の物体の位置が多少ずれても同じ特徴を検出できる並進(位置)不変性をある程度もたらす(正解)
- 入力画像のチャネル数を増加させ、より多くの種類の特徴を同時に抽出できるようにして、後段の層へ渡す情報量を増やすことで、ネットワーク全体の表現力を底上げする
- 勾配消失問題を解消し、層の多い深いネットワークでも誤差逆伝播で勾配が入力側まで届くよう学習を安定させる
- 学習可能な重みをプーリング層に追加することで、畳み込み層を増やさずにネットワークの表現力を直接的に高める
解説
プーリング層は空間サイズを縮小しつつ、多少の位置ずれに頑健な並進不変性をもたらす。プーリングはチャネル数を増やす操作ではなく、空間サイズを縮小する操作である。勾配消失問題の解消はスキップ結合やバッチ正規化などの役割に近く、プーリングが完全に解消するものではない。標準的なプーリングは学習可能な重みを持たず、表現力を直接高める仕組みではない。
問 7. 正解ラベルのないアクセスログを分析したいという相談を受けた。教師なし学習に与えるものと、そこで解く問題の組み合わせとして、最も適切なものはどれか。
- 入力と正解ラベルの組を与え、分類や回帰を解く
- 行動に対する報酬を与え、報酬の合計が最大になる方策を探す
- 正解のないデータのみを与え、クラスタリングや次元削減を解く(正解)
- 正解のないデータのみを与え、分類や回帰を解く
解説
教師なし学習は、正解のないデータのみを与え、クラスタリング(似たもの同士をまとめる)や次元削減を解く方式である。入力と正解ラベルの組を与えて分類や回帰を解くのは教師あり学習である。行動に対する報酬を与え、報酬の合計が最大になる方策を探すのは強化学習である。分類や回帰は正解ラベルがなければ解けないため、正解のないデータだけで分類や回帰を解くという組み合わせは成り立たない。
問 8. AIの透明性を確保する取り組みの一つである「データの来歴(データプロベナンス)の管理」の説明として、最も適切なものはどれか。
- モデルのハイパーパラメータをバージョン管理システムで管理すること
- 学習済みモデルのファイルサイズを圧縮して保存コストを削減すること
- 来歴管理とは異なり、モデルの推論結果をログとして一定期間保存し、後から確認できるようにすること
- 学習に用いたデータの出所、収集方法、加工履歴などを記録・追跡できるようにすること(正解)
解説
データプロベナンス(データの来歴)の管理とは、学習に使用したデータの出所や収集経緯、加工履歴を記録・追跡可能にすることであり、データの信頼性や適法性を担保する取り組みである。ハイパーパラメータのバージョン管理は開発工程の再現性確保の話であり、データの来歴とは異なる観点である。ファイルサイズの圧縮はストレージ効率化の技術的課題であり、データの来歴管理とは無関係である。推論結果をログとして保存して後から確認できるようにするのはモデルの出力の記録であり、学習データの由来を追跡する来歴の管理とは異なる。
問 9. RMSpropがAdaGradの欠点を改善するために導入した工夫として最も適切なものはどれか。
- 学習率を完全に固定値にすることで学習の不安定さを排除する
- 過去の勾配の2乗を無限に累積するのではなく、指数移動平均を用いることで直近の勾配情報をより重視し、学習率が過度に小さくなり続けることを防ぐ(正解)
- 過去の更新方向の慣性を加えるモーメンタムの考え方を、最適化手法として初めて導入した
- 活性化関数をReLUからシグモイド関数に置き換え、出力を0から1の範囲に収めることで勾配消失を防ぎ、AdaGradで学習率が小さくなりすぎる問題も同時に解消できるようにした
解説
RMSpropは勾配の2乗の指数移動平均を用いることで直近の情報を重視し、AdaGradで学習率が小さくなり続ける欠点を緩和します。RMSpropはパラメータごとに適応的な学習率を用いる手法であり、完全な固定学習率にするものではありません。モーメンタムはRMSpropより前から存在する別の概念であり、RMSprop固有の工夫ではありません。RMSpropは学習率の調整手法であり、活性化関数の種類を変更するものではありません。
問 10. 単語の分散表現を獲得する手法であるword2vecとfastTextの違いに関する記述として、最も適切なものはどれか。
- word2vecはTransformerの自己注意機構を用いるのに対し、fastTextは再帰型ニューラルネットワーク(RNN)を用いる。
- word2vecは単語全体を単位として学習するのに対し、fastTextは単語を文字n-gram(部分文字列)の集合として扱って学習するため、学習データに出現しなかった未知語に対してもベクトルを構成できる。(正解)
- word2vecは教師あり学習であるのに対し、fastTextは教師なし学習である。
- word2vecは文脈を考慮した動的な単語ベクトル(同じ単語でも文中の位置によって異なる値を持つ)を出力するのに対し、fastTextは単語ごとに固定的な1つのベクトルを出力する。
解説
fastTextは文字n-gram(サブワード)情報を利用するため、word2vecと異なり未知語に対してもベクトルを構成できます。word2vecとfastTextはどちらもTransformerやRNNではなく、比較的浅いニューラルネットワーク構造(CBOW/skip-gram等)に基づいています。両者とも大量のテキストからラベルなしで単語ベクトルを学習する点は共通しており、単純な教師あり/教師なしの対比では区別されません。文脈依存の動的な単語ベクトルを出力するのはBERT等の文脈埋め込みモデルの特徴であり、word2vec・fastTextはいずれも文脈非依存の静的な単語ベクトルを出力する点で共通しています。
よくある質問
- 利用期限はありますか?
- ありません。買い切りです。内容を改定した場合も、追加の料金なしでそのまま使えます。
- スマホでも解答できますか?
- 解答できます。ブラウザでそのまま使えるので、アプリのインストールは不要です。通勤中の演習にも向いています。
- アカウントは必要ですか?
- いいえ、50問は会員登録なしで解答できます。模試の第1回(145問)は、無料の会員登録で利用できます。会員登録(無料・Google なら 1 押し)は、このほか購入の時に要ります。購入後はどの端末からでもログインして続きを再開できます。
- 返品・返金はできますか?
- デジタルデータのため、ご購入後の返品・返金はお受けしておりません。決済の重複などの不具合があった場合は、お問い合わせページからご連絡ください。買う前に、同じ問題集の収録問題を登録なしで50問解いて確かめられます。
- サービスが終了した場合はどうなりますか?
- サービスを終了する場合は、終了日の3ヶ月以上前にサイトとメールでお知らせし、購入済みの問題・解説をダウンロードできる形で提供します。
詳しくは特定商取引法に基づく表記をご覧ください。
分野別の実力と、出る順
出題比率が高い分野から並べています。
並べ方と出典 ?
JDLA 公式 G検定 試験出題範囲(シラバス2024)のキーワード数に沿って、収録問題を分野ごとに分けています。この問題集の出題比率が高い分野から並べているので、上から順に潰していけば、限られた時間を比率の高い分野に集中できます。
並び順の比率は、公式の出題範囲にある項目の数をもとに当サイトで割り付けた値です。
出典: JDLA 公式 G検定 試験出題範囲(シラバス2024)のキーワード数(G2024#6〜 第1.4版(2026年5月11日)・2026年8月確認)。 収録1,160問すべてに分野を付けています。
- ディープラーニングの応用例—シラバスのキーワード数 131解答 0 問
- 機械学習の概要—シラバスのキーワード数 62解答 0 問
- ディープラーニングの要素技術—シラバスのキーワード数 60解答 0 問
- ディープラーニングの概要—シラバスのキーワード数 52解答 0 問
- AI倫理・AIガバナンス—シラバスのキーワード数 45解答 0 問
- AIに関する法律と契約—シラバスのキーワード数 39解答 0 問
いまの実力の見込み
読み込み中です。
公式の合格ライン: 本試験は合否と分野別の得点率で通知。模試は正答率70%で合格と判定。
復習の定着
読み込み中です。
全部やらなくても、範囲は1周できます
無料で解ける第1回(145問)の中を、この問題集の出題比率が高い分野から並べ替えて解答できます。全範囲を対象にした「最短1周セット」は、ご購入後にこの欄に表示されます。
G検定 についての記事
G検定 の合格報告
ご購入いただいた方から届いた合格のご報告です。お名前は出していません。
合格報告 28 件・平均の学習期間 3.3 週間
「見覚えがある」は、同じ出題範囲を先に解いたからです。本番の問題は 1 問も載せていません。
2026年10月受験・学習期間 3週間
経理です。自信をつけたくて自腹で。昼休みに間違えた問題だけ回して3週間、一発で受かりました。
2026年10月受験・学習期間 3週間
ヘルプデスクで40代からの挑戦です。自信をつけたくて週末に3週間、問題数が多いので2周目も退屈しませんでした。
2026年10月受験・学習期間 2週間
派遣、30代で初めての資格です。次の足がかりに2週間、模試でラインを超えてから受けました。合格できてほっとしています。
合格報告をお送りいただいた方には、お礼として次回使える500円クーポンをお渡ししています。