ディープラーニングの応用例（G検定技術分野）

画像認識・自然言語処理・音声処理・生成モデルなど、分野ごとの代表的なモデルを扱います。

この分野から10問解く

中項目

ほかの3項目

概要

この分野で扱うこと

ディープラーニングが実際に何に使われているかを、分野ごとに学ぶ分野です。キーワードは131語と全分野で最も多く、当サイトの推計では出題の比重も最も大きい分野です。9つの中項目は、3つのまとまりで捉えると整理できます。

分野ごとの応用：画像認識、自然言語処理、音声処理、深層強化学習、データ生成。
モデルを別の課題や複数の種類のデータに広げる技術：転移学習・ファインチューニング、マルチモーダル。
実際に使うための技術：モデルの解釈性、モデルの軽量化。

学ぶ順番

前の分野「ディープラーニングの要素技術」で学んだCNN、RNN、Attentionを先に押さえておくと、モデル名の意味がつかみやすくなります。キーワードが特に多い画像認識と自然言語処理から始め、音声処理、データ生成、深層強化学習と進みます。そのあと、転移学習とマルチモーダルで、大規模に事前学習したモデルを使い回す流れをつかみます。最後に、解釈性と軽量化で締めくくります。

つまずきやすいところ

モデル名を年表のように丸暗記しようとすると、覚えきれずに混ざります。各モデルについて「どの課題を解くか」「前のモデルの何を改良したか」の2点だけをメモし、系譜として覚えるのが近道です。たとえば画像認識なら、AlexNetのあと、層を深くしたVGGやGoogLeNet、スキップ結合でさらに深くしたResNetへと続きます。

つまずきやすい点

物体検出は物体の位置を矩形とクラスで示し、セマンティックセグメンテーションは画素ごとにクラスを付け、インスタンスセグメンテーションは同じクラスの物体も1つずつ区別する、という出力の違い
BERTはTransformerのエンコーダで前後両方の文脈を使って学習し、GPT系の大規模言語モデルはデコーダで前の語から次の語を予測するという違い
GANは生成器と識別器を競わせて学習し、Diffusion Modelはノイズを少しずつ加える過程を逆にたどってデータを生成する点
蒸留は大きなモデルの出力をまねて小さなモデルを学習させる方法、プルーニングは重要度の低い重みや結合を削る方法、量子化は数値を少ないビット数で表す方法で、どれも軽量化の手法である点

この分野の用語135語

AlexNet、一般物体認識、インスタンスセグメンテーション、SENet、SSD、EfficientNet、FCN（Fully Convolutional Network）、FPN、MnasNet、Open Pose、GoogLeNet、姿勢推定、SegNet、セマンティックセグメンテーション、DeepLab、DenseNet、NAS（Neural Architecture Search）、パノプティックセグメンテーション、PSPNet、Vision Transformer、Faster R-CNN、Fast R-CNN、VGG、物体検出、物体識別、Mask R-CNN、MobileNet、U-Net、YOLO、ResNet、n-gram、ELMo、感情分析、機械翻訳、Question-Answering（質問応答）、GLUE、形態素解析、構文解析、CEC、Seq2Seq、GPT、CBOW、自然言語処理、情報検索、スキップグラム、大規模言語モデル、単語埋め込み、チャットボット、TF-IDF、統計的機械翻訳、BERT、PaLM、BoW（Bag-of-Words）、fastText、分散表現、文書要約、word2vec、ワンホットベクトル、WaveNet、A-D変換、音韻、音声合成、音声認識、音素、隠れマルコフモデル、高速フーリエ変換（FFT）、CTC、スペクトル包絡、パルス符号変調器（PCM）、フォルマント、メル尺度、メル周波数ケプストラム係数（MFCC）、話者識別、RLHF、アルファスター（AlphaStar）、APE-X、エージェント、Agent57、A3C、OpenAI Five、オフライン強化学習、強化学習、残差強化学習、sim2real、状態表現学習、ダブルDQN、DQN、デュエリングネットワーク、ドメインランダマイゼーション、ノイジーネットワーク、PPO、報酬成形、マルチエージェント強化学習（MARL）、Rainbow、連続値制御、音声生成、画像生成、GAN、CycleGAN、DCGAN、Diffusion Model、NeRF、Pix2Pix、文章生成、教師あり学習、自己教師あり学習、事前学習済みモデル、対照学習、転移学習、破滅的忘却、半教師あり学習、ファインチューニング、Few-shot学習、One-shot学習、Image Captioning、基盤モデル、CLIP、Zero-shot、DALL-E、Text-To-Image、Visual Question Answering、Flamingo、マルチタスク学習、Unified-IO、Grad-CAM、SHAP、説明可能AI（XAI）、Permutation Importance、LIME、エッジAI、蒸留、宝くじ仮説、プルーニング、モデル圧縮、量子化

混同しやすい用語の比較

ほかの8件

出題の目安約27問

全145問のうち、約27問前後と当サイトで推計しています。幅をもたせると約23〜29問（全体の16〜20%）です。分野別の出題数は公表されていません。

全体の問題数「145問程度」の出典：JDLAのFAQ 最終確認日：2026年10月30日

AIで作成人による確認：未誤りを報告

出典と作成について

作成：ウカトレ編集部（AIで作成し、別のAIが一次資料と照合。手順は編集方針）

最終更新日：2026年10月30日最終確認日：2026年10月30日

出典

G検定試験出題範囲（シラバス2024）第1.4版（技術分野ディープラーニングの応用例（項目26〜34））2026年10月30日閲覧
Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, Communications of the ACM 60(6), 84–90 (2017; 初出はNIPS 2012)2026年10月30日閲覧
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, Deep Residual Learning for Image Recognition (2015)2026年10月30日閲覧
Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (2018)2026年10月30日閲覧
Rishi Bommasani et al., On the Opportunities and Risks of Foundation Models (2021)2026年10月30日閲覧

改訂履歴

すべての分野