chevron_left

G検定（ジェネラリスト検定）対策講座（2026年版）
PREMIUM
第3回

【G検定対策講座】第3回：ディープラーニング

2026年6月14日 60min
【G検定対策講座】第3回：ディープラーニング play_arrow おためし受講

スライド資料

会員登録して、全てのスライドを見よう

1 / 105

授業の概要

本授業では、G検定の最重要領域である「ディープラーニングの概要と要素技術」にフォーカスを当て、パーセプトロンの基本からニューラルネットワークの仕組み、推して代表的な技術（CNN・RNN）までを体系的に分かりやすく解説します。
※本講座は、「G検定対策講座 第3回」と同一内容です。

【この授業で学べること】

  • ニューラルネットワークの基礎となる「パーセプトロン」の仕組みと、重み・バイアスの役割
  • 活性化関数（Sigmoid、ReLUなど）の必要性と、モデルの学習を最適化する「勾配降下法」「誤差逆伝播法」の全体像
  • ディープラーニングが抱える代表的な課題（勾配消失、過学習など）と、それを解決するための工夫（ドロップアウト、バッチ正規化など）
  • 画像認識のスタンダードである「畳み込みニューラルネットワーク（CNN）」の構造（畳み込み層・プーリング層）と、代表的なモデル（LeNet、AlexNet、ResNet）の変遷
  • 時系列データの処理に適した「再帰型ニューラルネットワーク（RNN）」の仕組みと、派生技術（LSTM、GRU）
  • モデルの軽量化手法（量子化、蒸留、プルーニング）や転移学習のメリット

 

【授業構成】

  • イントロダクション
    • 講座の構成と第3回のゴール
  • ニューラルネットワークの仕組み
    • 順伝播の計算（パーセプトロン、重み、バイアス、活性化関数）
    • 逆伝播による学習（目的関数、勾配降下法、誤差逆伝播法）
  • ディープラーニングの課題と精度向上の工夫
    • 勾配消失問題とその対策（ReLU関数、特徴的な初期値）
    • 過学習とその対策（ドロップアウト、L1/L2正則化、バッチ正規化）
  • 代表的なディープラーニング技術
    • CNN（畳み込み層、プーリング層、全結合層）と代表的モデル（LeNet、AlexNet、ResNetなど）
    • RNN（時系列データ、中間層のフィードバック、LSTM、GRU）
  • ディープラーニングの応用・派生技術
    • モデルの軽量化（量子化・蒸留・プルーニング）、転移学習、オートエンコーダ
  • 第3回 章末問題演習＆解説
    • 知識を定着させるための本番予測問題の解答と解説

こんな人にオススメ

G検定を受験する方

担当の先生／パーソナリティ

チャプター

play_arrow
これから学ぶキーワード
00:21
play_arrow
・パーセプトロン
00:45
play_arrow
・ニューラルネットワーク
01:17
play_arrow
・重みとバイアス
01:01
play_arrow
・誤差逆伝播法
00:37
play_arrow
・勾配降下法
03:24
play_arrow
・活性化関数
29:31
play_arrow
ディープラーニングの研究分野と応用
11:42
play_arrow
章末問題（ディープラーニング）