【E資格】出力層と損失関数｜MSE・クロスエントロピー・ソフトマックスの使い分け
2026年7月5日
ニューラルネットワークの出力層と損失関数は、解きたいタスクの種類によって決まるペアです。この項目では、回帰・2値分類・多クラス分類・マルチラベル分類・順序回帰それぞれに対する出力層の設計と損失関数の選び方を学びます。E資格では組み合わせの正誤判定や損失の計算が頻出です。
【E資格】多層パーセプトロンとは｜全結合層・重み・バイアスの基礎を解説
2026年7月5日
多層パーセプトロン(MLP)は、深層学習のすべてのモデルの原型となる最も基本的なニューラルネットワークです。この項目では、全結合層・重み・バイアスという構成要素と、入力から出力までの順伝播の計算を学びます。CNNやTransformerを理解する上でも必須の土台です。
【E資格】性能指標まとめ｜混同行列・Precision・Recall・ROC/AUC・IoU・mAP
2026年7月4日
モデルの良し悪しは、タスクに合った指標で測らなければ正しく判断できません。この項目では、分類・回帰・物体検出・言語モデルまで、E資格で問われる主要な評価指標を体系的に整理します。計算問題として出題されやすい最重要項目のひとつです。
【E資格】検証集合とは｜訓練・検証・テストデータの分割と交差検証法
2026年7月4日
機械学習モデルの真の実力は「学習に使っていないデータ」でしか測れません。この項目では、データを訓練・検証・テストに分割する理由と、限られたデータを有効活用する交差検証の方法を学びます。モデル評価の土台となる、実務でも試験でも必須の知識です。
【E資格】機械学習の課題を徹底解説｜過剰適合・バイアスとバリアンス・次元の呪い
2026年7月4日
機械学習の目的は、訓練データへのあてはめではなく、未知のデータに対して高い性能を発揮すること(汎化)です。この項目では、過剰適合・過少適合という2大課題を、訓練誤差と汎化誤差、バイアスとバリアンスという枠組みで整理し、対策としての正則化、そして高次元データ特有の問題である次元の呪いを学びます。