0-9
- 1956年ダートマス会議
- 【総まとめ】Phase 1: AIの基礎と歴史
- 1億円
- 個人情報保護法 - AI活用で押さえるべき基本
- 1段階検出
- 物体検出 - YOLO・SSD・R-CNN系の進化
- 2000万ユーロ
- GDPR と EU AI Act - 世界を動かすEU規制
- 2018
- 第三次AIブーム - 機械学習とディープラーニングの革命
- 2022
- 第三次AIブーム - 機械学習とディープラーニングの革命
- 2024年
- 個人情報保護法 - AI活用で押さえるべき基本
- 2024年シラバス改訂
- 【総まとめ】Phase 4: 生成AIと応用
- 2段階検出
- 物体検出 - YOLO・SSD・R-CNN系の進化
- 3500万ユーロ
- GDPR と EU AI Act - 世界を動かすEU規制
A
- AI3大ブーム
- 【総まとめ】Phase 1: AIの基礎と歴史
- AIの統一定義は存在しない
- 【総まとめ】Phase 1: AIの基礎と歴史
- AIの説明責任
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- AI冬の時代
- 【総まとめ】Phase 1: AIの基礎と歴史
- Adversarial Examples
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- AlphaFold
- Transformer - 現代AIの土台となったアーキテクチャ / 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- AlphaFold 2
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- AlphaFold 3
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- Apple
- プライバシー保護機械学習 - 差分プライバシー・連邦学習
- Asilomar AI原則
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- Atlas
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
B
- BART
- Transformer - 現代AIの土台となったアーキテクチャ
- BM25キーワード検索
- RAG (検索拡張生成) - LLMの知識を最新化する技術
C
- CASP14
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- CEO詐欺
- ディープフェイクと敵対的攻撃
- CNN基礎
- 【総まとめ】Phase 3: ディープラーニング
- Chain-of-Thought
- 【総まとめ】Phase 4: 生成AIと応用
- ChatGPT Plugins
- AIエージェントとFunction Calling
- Cruise
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- cite-by-cite
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- classification
- 機械学習の全体像 - 教師あり・教師なし・強化学習
D
- DALL-E 2
- GAN - 敵対的生成ネットワークの革命
- DeepMind
- スケーリング則と創発的能力
- DeepMind社
- DQN と 方策勾配法 - AlphaGoの背後にある技術
- Demographic Parity
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- Dice係数
- セマンティックセグメンテーション - FCN・U-Net・Mask R-CNN
- Dota 2
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
E
- End-to-End学習
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- Equalized Odds
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- exp(xi) / Σexp(xj)
- 活性化関数 - シグモイド・ReLU・Softmax
F
- FATE
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- FTE
- AI倫理の原則 - 公平性・透明性・説明可能性
- Few-shot
- 【総まとめ】Phase 4: 生成AIと応用
- Figure 01
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
G
- GAN/VAE/拡散モデル
- 【総まとめ】Phase 3: ディープラーニング
- GLUE
- BERT - 双方向Transformerによる言語理解
- GPT-4 Functions
- AIエージェントとFunction Calling
- GPU学習
- CNN主要モデル - LeNet・AlexNet・ResNet・ViTまで
- Glorot初期化
- 勾配消失問題 - DL長年の敵とその解決策
- Goodfellow
- ディープフェイクと敵対的攻撃
- 自己教師あり学習 - ラベル不要でAIが賢くなる仕組み / 動画・音声生成 - Sora・Whisper・WaveNet / プライバシー保護機械学習 - 差分プライバシー・連邦学習
- Google Research
- スケーリング則と創発的能力
H
I
J
- JDLA公式の受験者向け注意事項
- G検定 受験テクニック - オンライン・会場の新形式と時間配分
- JDLA公式情報
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
K
L
- L1
- 【総まとめ】Phase 3: ディープラーニング
- L2
- 【総まとめ】Phase 3: ディープラーニング
- Lazy Learning
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
M
N
- NIST AI RMF
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- NMS
- 物体検出 - YOLO・SSD・R-CNN系の進化
- Naive Bayes
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- n-gram
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
O
- OECD AI原則
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- Object Detection
- 物体検出 - YOLO・SSD・R-CNN系の進化
- One-stage
- 物体検出 - YOLO・SSD・R-CNN系の進化
- OpenAI
- スケーリング則と創発的能力 / 動画・音声生成 - Sora・Whisper・WaveNet
- Optimus
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
Q
R
- RNN/Transformer
- 【総まとめ】Phase 3: ディープラーニング
- regression
- 機械学習の全体像 - 教師あり・教師なし・強化学習
S
- SIFT
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- SSD
- 物体検出 - YOLO・SSD・R-CNN系の進化
- Semantic Segmentation
- セマンティックセグメンテーション - FCN・U-Net・Mask R-CNN
- Stable Diffusion 3
- 拡散モデル - Stable Diffusion・DALL-E・Midjourney
- StarCraft II
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- Swarm Intelligence
- AIエージェントとFunction Calling
- self-verification
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- softmax関数
- ロジスティック回帰 - 回帰と付くが実は分類手法
T
- T5
- Transformer - 現代AIの土台となったアーキテクチャ
- TF-IDF
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- Tesla Autopilot
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- Tree-of-Thought
- 【総まとめ】Phase 4: 生成AIと応用
- Two-stage
- 物体検出 - YOLO・SSD・R-CNN系の進化
W
X
- Xavier初期化
- 勾配消失問題 - DL長年の敵とその解決策
Z
- Zero-shot
- 【総まとめ】Phase 4: 生成AIと応用
あ
- アカウンタビリティ
- AIガバナンスと責任あるAI - ISO 42001・NIST AI RMF / AI倫理の原則 - 公平性・透明性・説明可能性
- アノテーションコスト
- 自己教師あり学習 - ラベル不要でAIが賢くなる仕組み
- アラン・ニューウェル
- AIの歴史とダートマス会議 - 3つのブームと2つの冬
- アルゴリズムの進化
- 第三次AIブーム - 機械学習とディープラーニングの革命
- アルゴリズム特性型
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
い
- インストラクションチューニング
- 【総まとめ】Phase 4: 生成AIと応用
- インターネット上のビッグデータ
- AIの冬 - 2度の停滞期と教訓
う
え
お
- オセロ
- 身体性・トイ・プロブレム・チューリングテスト
- オンライン100分・約145問
- 【総まとめ】Phase 1: AIの基礎と歴史
- オープンソース
- 動画・音声生成 - Sora・Whisper・WaveNet
- オープンドメインQA
- 自然言語処理応用 - word2vec・機械翻訳・要約
が
- ガウシアンナイーブベイズ
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
く
- クラスタ内分散
- k-means - 重心反復で自動クラスタリング
- クラス数の平方根
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
こ
さ
- サイバー空間とフィジカル空間を高度に融合させたシステム
- 日本のAI戦略 - 広島AIプロセス・AI事業者ガイドライン
- サール
- 【総まとめ】Phase 1: AIの基礎と歴史
し
- シグモイド
- 【総まとめ】Phase 3: ディープラーニング
- システム応答
- 強いAIと弱いAI・中国語の部屋・AI効果
- システム返答
- 強いAIと弱いAI・中国語の部屋・AI効果
- シンボルグラウンディング
- 【総まとめ】Phase 1: AIの基礎と歴史
じ
- ジャンパー
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- ジョセフ・ワイゼンバウム
- 身体性・トイ・プロブレム・チューリングテスト
す
- スケール感度
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- スティーブン・ハルナッド
- フレーム問題とシンボルグラウンディング問題
- スティーブン・ホーキング
- 強いAIと弱いAI・中国語の部屋・AI効果
- ステークホルダー対話
- AI倫理の原則 - 公平性・透明性・説明可能性
- スパムフィルタ
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
せ
- セキュリティ
- AIエージェントとFunction Calling / AI倫理の原則 - 公平性・透明性・説明可能性
- セントロイドベース
- 【総まとめ】Phase 2: 機械学習の手法
ぜ
そ
- ソフトマックス
- 【総まとめ】Phase 3: ディープラーニング
- ソフトマックス関数
- 数学の基礎 - ベクトル・行列・微分・指数対数
つ
て
- テキスト
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- テキストエンコーダ
- 拡散モデル - Stable Diffusion・DALL-E・Midjourney
- テキスト分類
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- テキスト生成
- 自然言語処理応用 - word2vec・機械翻訳・要約
- テリー・ウィノグラード
- 第一次AIブーム - 探索・推論とトイ・プロブレム
で
- ディープフェイク音声
- 動画・音声生成 - Sora・Whisper・WaveNet
- データガバナンス
- GDPR と EU AI Act - 世界を動かすEU規制
- データ並列
- 【総まとめ】Phase 3: ディープラーニング
- データ主体の権利
- GDPR と EU AI Act - 世界を動かすEU規制
- データ機密性
- LLMの全体像 - GPT・Claude・Gemini・LLaMAの系譜
- データ漏洩
- 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
な
に
- ニューラルネット基礎
- 【総まとめ】Phase 3: ディープラーニング
- ニューロン数
- ハイパーパラメータ探索とGPU/TPU
の
- ノイズに敏感
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- ノイズ追加
- データ拡張 - 訓練データを水増しする技術
は
- ハイパーパラメータ探索
- ハイパーパラメータ探索とGPU/TPU
- ハイパーパラメータ調整
- 【総まとめ】Phase 3: ディープラーニング
- ハサビス
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- ハルナッド
- 【総まとめ】Phase 1: AIの基礎と歴史
- ハーバート・サイモン
- AIの歴史とダートマス会議 - 3つのブームと2つの冬
ば
- バイアス-バリアンストレードオフ
- 【総まとめ】Phase 2: 機械学習の手法
ぱ
- パトリック・ヘイズ
- フレーム問題とシンボルグラウンディング問題
- パノプティックセグメンテーション
- セマンティックセグメンテーション - FCN・U-Net・Mask R-CNN
- パラメータで微分
- 数学の基礎 - ベクトル・行列・微分・指数対数
ひ
び
ぴ
ぶ
ぷ
へ
べ
- べき乗則
- スケーリング則と創発的能力
- ベイズの定理
- 統計学の基礎 - 平均・分散・正規分布・相関・確率 / ナイーブベイズ - ベイズの定理を使うシンプル分類器
- ベクトル
- 数学の基礎 - ベクトル・行列・微分・指数対数
- ベクトル検索
- RAG (検索拡張生成) - LLMの知識を最新化する技術
- ベルヌーイナイーブベイズ
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- ベンジオ
- ハイパーパラメータ探索とGPU/TPU
ほ
- ホワイトヘッド
- AIの歴史とダートマス会議 - 3つのブームと2つの冬
ぼ
ぽ
- ポルノ合成
- ディープフェイクと敵対的攻撃
ま
- マッカーシー
- 【総まとめ】Phase 1: AIの基礎と歴史
- マルチモーダルAI
- フレーム問題とシンボルグラウンディング問題
- マンハッタン距離
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
み
- ミッシオナリーと人食い人種問題
- 身体性・トイ・プロブレム・チューリングテスト
- ミニバッチ
- バッチ正規化 - 深層学習を劇的に楽にした技術
め
- メタデータ保存
- ディープフェイクと敵対的攻撃
- メドテックスタートアップ
- プライバシー保護機械学習 - 差分プライバシー・連邦学習
も
ゆ
- ユークリッド距離
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
ら
- ライセンス化
- AIと著作権 - 日本の著作権法30条の4
- ラッセル
- AIの歴史とダートマス会議 - 3つのブームと2つの冬
- ラプラススムージング
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- ランダムな変換
- データ拡張 - 訓練データを水増しする技術
り
れ
- レコメンドシステム
- Human-in-the-Loop と AIの社会実装
ろ
ゔ
- ヴァーナー・ヴィンジ
- 強いAIと弱いAI・中国語の部屋・AI効果
漢字
- 一問あたりの目標時間
- G検定 受験テクニック - オンライン・会場の新形式と時間配分
- 一般的特徴
- 事前学習と転移学習 - 学習効率を上げる魔法
- 一貫性
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 不安定性
- 決定木 - 解釈性の高い分類・回帰モデル
- 両方向
- BERT - 双方向Transformerによる言語理解
- 中心極限定理
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 交絡因子
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 享受目的
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 人物名
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 人間による監督
- Human-in-the-Loop と AIの社会実装
- 仮名加工
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 会場120分・約145問
- 【総まとめ】Phase 1: AIの基礎と歴史
- 価値ベース
- 【総まとめ】Phase 2: 機械学習の手法
- 偏り
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- 偏微分
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 入力前処理
- ディープフェイクと敵対的攻撃
- 全世界年間売上高の4%
- GDPR と EU AI Act - 世界を動かすEU規制
- 全世界年間売上高の7%
- GDPR と EU AI Act - 世界を動かすEU規制
- 全訓練データとの距離計算
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 公共空間でのリアルタイム生体認証
- GDPR と EU AI Act - 世界を動かすEU規制
- 公平性指標
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 公式シラバスと例題
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 内積
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 内閣府AI戦略
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 加法性
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 動画
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 動画生成
- 【総まとめ】Phase 4: 生成AIと応用
- 動画要約
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 勾配
- 数学の基礎 - ベクトル・行列・微分・指数対数 / モデル軽量化 - 蒸留・量子化・プルーニング
- 匿名加工
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 古さ
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- 品質管理
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 回転
- データ拡張 - 訓練データを水増しする技術
- 国際指針
- 日本のAI戦略 - 広島AIプロセス・AI事業者ガイドライン
- 圧縮
- オートエンコーダ・VAE - 圧縮と生成のNN
- 埋め込み空間
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 境界が滑らか
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 変分推論
- 【総まとめ】Phase 3: ディープラーニング
- 多クラスロジスティック回帰
- ロジスティック回帰 - 回帰と付くが実は分類手法
- 多数決
- Chain of Thought・Self-Consistency - LLMの推論強化
- 多様性
- 拡散モデル - Stable Diffusion・DALL-E・Midjourney
- 多肢選択式
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 多項分布ナイーブベイズ
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 大域説明
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 大数の法則
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 学習が高速
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 安全性
- AIガバナンスと責任あるAI - ISO 42001・NIST AI RMF / AI倫理の原則 - 公平性・透明性・説明可能性
- 安定期
- AIの冬 - 2度の停滞期と教訓
- 実装がシンプル
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 密度ベース
- 【総まとめ】Phase 2: 機械学習の手法
- 寛容
- AIと著作権 - 日本の著作権法30条の4
- 小島
- Chain of Thought・Self-Consistency - LLMの推論強化
- 少ないデータでも動く
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 局所説明
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 層数
- ハイパーパラメータ探索とGPU/TPU
- 平均
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 平均±1σ
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 年代
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 幻滅期
- AIの冬 - 2度の停滞期と教訓
- 強いAI/弱いAI
- 【総まとめ】Phase 1: AIの基礎と歴史
- 強化学習応用
- 【総まとめ】Phase 4: 生成AIと応用
- 復元
- オートエンコーダ・VAE - 圧縮と生成のNN
- 微分
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 怠惰学習
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 情報リサーチ
- AIエージェントとFunction Calling
- 意味空間
- 自然言語処理応用 - word2vec・機械翻訳・要約
- 成果
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 手足
- AIエージェントとFunction Calling
- 技術文書
- GDPR と EU AI Act - 世界を動かすEU規制
- 技術的限界
- AIの冬 - 2度の停滞期と教訓
- 投資の引き上げ
- AIの冬 - 2度の停滞期と教訓
- 指数対数
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 排他性
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 探索アルゴリズム
- Tree of Thought・ReAct - 高度なプロンプト技術
- 推論時
- 正則化 - L1/L2・ドロップアウト・早期終了
- 擬似相関
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 政治家偽動画
- ディープフェイクと敵対的攻撃
- 文書分類
- 自然言語処理応用 - word2vec・機械翻訳・要約
- 方策ベース
- 【総まとめ】Phase 2: 機械学習の手法
- 時空間パッチ
- 動画・音声生成 - Sora・Whisper・WaveNet
- 曖昧さ
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- 最大深さ
- 決定木 - 解釈性の高い分類・回帰モデル
- 最新情報
- RAG (検索拡張生成) - LLMの知識を最新化する技術
- 最適化アルゴリズム
- 【総まとめ】Phase 3: ディープラーニング
- 期待値
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 本人同意
- 個人情報保護法 - AI活用で押さえるべき基本
- 条件付き確率
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 株価予測
- RNN・LSTM・GRU - 時系列処理のニューラルネット
- 検索品質
- RAG (検索拡張生成) - LLMの知識を最新化する技術
- 検証ステップ
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- 業務自動化
- AIエージェントとFunction Calling
- 標準偏差
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 模倣学習
- 強化学習の応用 - AlphaGo・AlphaFold・自動運転
- 権利者の利益を不当に害する場合
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 機械学習のデータ漏洩
- プライバシー保護機械学習 - 差分プライバシー・連邦学習
- 機械翻訳
- RNN・LSTM・GRU - 時系列処理のニューラルネット / 自然言語処理応用 - word2vec・機械翻訳・要約
- 次元の呪い
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 正則化係数
- ハイパーパラメータ探索とGPU/TPU
- 正規分布
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 正規化
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 歴史人物型
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 残差学習
- CNN主要モデル - LeNet・AlexNet・ResNet・ViTまで
- 法律倫理型
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 活性化関数の選択
- ハイパーパラメータ探索とGPU/TPU
- 深層ニューラルネット
- DQN と 方策勾配法 - AlphaGoの背後にある技術
- 温度パラメータ
- ハルシネーション対策 - LLMの『嘘』をどう防ぐか
- 無限ループ
- AIエージェントとFunction Calling
- 特徴量を自動抽出
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- 特徴量ストア
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- 特徴量同士が条件付き独立
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 特徴量自動抽出
- 第三次AIブーム - 機械学習とディープラーニングの革命 / 【総まとめ】Phase 1: AIの基礎と歴史
- 現実世界の複雑さ
- 第一次AIブーム - 探索・推論とトイ・プロブレム
- 生成AI関連
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 用語定義型
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 画像
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 画像の色削減
- k-means - 重心反復で自動クラスタリング
- 画像を一度だけ見る
- 物体検出 - YOLO・SSD・R-CNN系の進化
- 画像認識
- 【総まとめ】Phase 4: 生成AIと応用
- 畳み込み
- 【総まとめ】Phase 3: ディープラーニング
- 畳み込みニューラルネットワーク (CNN)
- 第三次AIブーム - 機械学習とディープラーニングの革命
- 相関
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 相関は因果ではない
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 相関係数
- 統計学の基礎 - 平均・分散・正規分布・相関・確率
- 知能
- 人工知能とは何か - 定義のゆらぎとAIレベル分類
- 確率分布
- 統計学の基礎 - 平均・分散・正規分布・相関・確率 / オートエンコーダ・VAE - 圧縮と生成のNN
- 社内データ
- RAG (検索拡張生成) - LLMの知識を最新化する技術
- 移動平均
- バッチ正規化 - 深層学習を劇的に楽にした技術
- 積層オートエンコーダ
- 第三次AIブーム - 機械学習とディープラーニングの革命
- 第1次ブーム
- 【総まとめ】Phase 1: AIの基礎と歴史
- 第2次ブーム
- 【総まとめ】Phase 1: AIの基礎と歴史
- 第3次ブーム
- 【総まとめ】Phase 1: AIの基礎と歴史
- 算術
- スケーリング則と創発的能力
- 米国勢調査局
- プライバシー保護機械学習 - 差分プライバシー・連邦学習
- 精度・堅牢性・サイバーセキュリティ
- GDPR と EU AI Act - 世界を動かすEU規制
- 細かい構造を見逃す
- k-近傍法 (k-NN) - 怠惰学習と距離ベース分類
- 組合せ判断型
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 線形モデル
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 自動化された意思決定に関する説明を受ける権利
- XAI - SHAP・LIME・Grad-CAMによる説明可能AI
- 自己回帰
- BERT - 双方向Transformerによる言語理解
- 自律的に計画を立てて行動
- AIエージェントとFunction Calling
- 自然言語処理
- 【総まとめ】Phase 4: 生成AIと応用
- 色ヒストグラム
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- 色調変更
- データ拡張 - 訓練データを水増しする技術
- 著作権法第30条の4
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 著作権者の利益を不当に害する
- AIと著作権 - 日本の著作権法30条の4
- 蒸留 → 量子化 → プルーニング
- モデル軽量化 - 蒸留・量子化・プルーニング
- 行列
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 行列の積
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 行動規範
- 日本のAI戦略 - 広島AIプロセス・AI事業者ガイドライン
- 表形式データ
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- 表示義務
- ディープフェイクと敵対的攻撃
- 複数選択
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 要約
- 自然言語処理応用 - word2vec・機械翻訳・要約
- 解釈可能性が高い
- ナイーブベイズ - ベイズの定理を使うシンプル分類器
- 解釈性
- 決定木 - 解釈性の高い分類・回帰モデル
- 計算コスト
- Tree of Thought・ReAct - 高度なプロンプト技術
- 計算資源の増加
- 第三次AIブーム - 機械学習とディープラーニングの革命
- 計算資源の桁違いの増加
- AIの冬 - 2度の停滞期と教訓
- 計算資源不足
- AIの冬 - 2度の停滞期と教訓
- 訓練データのバイアス
- 【総まとめ】Phase 5: AIの法律・倫理・社会
- 認証機構
- ディープフェイクと敵対的攻撃
- 誤り方
- 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
- 誤差逆伝播
- 【総まとめ】Phase 3: ディープラーニング
- 誤操作
- AIエージェントとFunction Calling
- 質問応答
- 自然言語処理応用 - word2vec・機械翻訳・要約
- 赤チーム演習
- AIガバナンスと責任あるAI - ISO 42001・NIST AI RMF
- 迷路
- 身体性・トイ・プロブレム・チューリングテスト
- 過度な期待
- AIの冬 - 2度の停滞期と教訓
- 過度な期待のピーク
- AIの冬 - 2度の停滞期と教訓
- 適切な重み初期化
- 勾配消失問題 - DL長年の敵とその解決策
- 適応的学習率
- 最適化手法 - SGD・Momentum・AdaGrad・RMSprop・Adam
- 適用範囲
- G検定 過去問解説 - 出題パターン5分類と頻出テーマ
- 選挙干渉
- ディープフェイクと敵対的攻撃
- 重みの絶対値
- モデル軽量化 - 蒸留・量子化・プルーニング
- 重み初期化
- 勾配消失問題 - DL長年の敵とその解決策
- 非構造化データ
- 特徴量設計と特徴量エンジニアリング - DLが革命的だった理由
- 音声
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 音声生成
- 【総まとめ】Phase 4: 生成AIと応用
- 音声認識
- RNN・LSTM・GRU - 時系列処理のニューラルネット
- 音声通訳
- マルチモーダルモデル - GPT-4o・Claude・Gemini
- 頭脳
- AIエージェントとFunction Calling
- 類似度検索
- RAG (検索拡張生成) - LLMの知識を最新化する技術
- 類似度計算
- 数学の基礎 - ベクトル・行列・微分・指数対数
- 顧客セグメンテーション
- k-means - 重心反復で自動クラスタリング
- 高リスクAI
- Human-in-the-Loop と AIの社会実装
- 高品質
- 拡散モデル - Stable Diffusion・DALL-E・Midjourney