【G検定】積層オートエンコーダとは？1層ずつ積み上げる学習の仕組みをわかりやすく解説
2026年7月3日
オートエンコーダを何段も重ねて「深い」ネットワークにしたものが積層オートエンコーダです。ディープラーニング初期に「深い構造でも学習できる」ことを示した立役者であり、事前学習・ファインチューニングとセットでG検定に登場する重要キーワードです。
【G検定】データの偏りとは？AIの公平性を損なう原因と各工程での対策をわかりやすく解説
2026年7月3日
不公平なAIの多くは、不公平なデータから生まれます。学習データが特定の属性や集団に偏っている状態——「データの偏り」は、公平性の節に登場するバイアス問題の大もとを指す総論的なキーワードです。どの工程で偏りが入り込み、どう対処するのかを整理して理解しましょう。
【G検定】代理変数とは？センシティブ属性を除いても差別が残る理由をわかりやすく解説
2026年7月3日
性別や人種の列をデータから消したのに、AIの判断は相変わらず偏っている——。その犯人が「代理変数」です。郵便番号や職業のような一見中立な変数が、センシティブ属性の身代わりとして働いてしまう。AIの公平性を考えるうえで避けて通れない仕組みを解説します。
【E資格】次元圧縮を徹底解説｜主成分分析(PCA)・寄与率・SNEとt-SNEの違い
2026年7月3日
次元圧縮は、高次元データの情報をできるだけ保ちながら低次元の表現に変換する教師なし学習の手法です。データの可視化・ノイズ除去・前処理に広く使われ、線形手法の代表が主成分分析(PCA)、非線形な可視化手法の代表がt-SNEです。
【E資格】決定木を徹底解説｜CART・Gini係数からRandom Forest・勾配ブースティングまで
2026年7月3日
決定木は、特徴量に関する条件分岐を木構造で積み重ねて予測を行う教師あり学習の手法です。単体でも解釈しやすいモデルですが、多数の木を組み合わせるRandom Forestや勾配ブースティングの構成要素として、現在も表形式データで広く使われています。