【G検定】勾配ブースティングとは？GBDTの仕組みとXGBoost・LightGBMを解説
2026年5月26日
前のモデルの間違いを、次のモデルが少しずつ直していく——この「反省を繰り返す学習」を数学的に洗練させたのが勾配ブースティングです。XGBoostやLightGBMといった実装は、表形式データの予測コンペで長年トップに君臨してきました。G検定では「3つの手法の組み合わせ」という構成が問われます。
【G検定】Ape-Xとは？分散型の優先度付き経験再生をわかりやすく解説
2026年5月26日
DQNの「経験再生」を、大人数の分業体制と「重要な経験を優先して復習する」仕組みでスケールアップしたのがApe-X（Distributed Prioritized Experience Replay）です。1人の学習係（Learner）と大勢の行動係（Actor）という役割分担が、このキーワードの覚えどころです。
【G検定】決定木とは？条件分岐で予測する仕組みと剪定・情報利得をやさしく解説
2026年5月26日
「もし年収が400万円以上なら右へ、未満なら左へ」——そんなYes/Noの質問を繰り返して答えにたどり着くのが決定木です。仕組みが目で見てわかる、機械学習の中でもっとも直感的な手法のひとつです。G検定では剪定や情報利得といった独特の用語とセットで問われます。
【G検定】Agent57とは？Atari全57ゲームで人間超えを達成した強化学習AI
2026年5月26日
DQNの登場以来、深層強化学習はAtariのゲームを次々と攻略してきましたが、報酬がなかなか得られない一部のゲームだけはずっと苦手なままでした。その「最後の壁」を越え、Atari 2600の57ゲームすべてで人間のスコアを上回った最初のエージェントがAgent57です。
【G検定】A3Cとは？非同期並列で学ぶActor-Critic型深層強化学習を解説
2026年5月26日
DQNが切り開いた深層強化学習を、「大勢で同時に学ぶ」という発想でさらに進めたのがA3C（Asynchronous Advantage Actor-Critic）です。名前に含まれる3つの「A」──Asynchronous（非同期）・Advantage（アドバンテージ）・Actor-Critic──が、そのままこの手法の3大特徴になっています。