分野別生成AIパスポート 用語集
ディープラーニングとニューラルネットワークの用語22語｜生成AIパスポート試験対策
ディープラーニングは、画像生成AIや大規模言語モデルなど、現在の生成AIを支える中核技術です。生成AIパスポート試験では、脳の神経細胞（ニューロン・シナプス）とニューラルネットワーク（人工ニューロン・重み）の対応関係、入力層・隠れ層・出力層の役割、そしてCNN・RNN・LSTMそれぞれの得意分野と課題がよく問われます。まず「脳の仕組み→ニューラルネットワークの構造」を押さえ、次に「重みと誤差による学習」、最後に「CNN→RNN→LSTM→Transformer」という発展の流れで覚えると整理しやすくなります。
ディープラーニングでぃーぷらーにんぐ★★★
ディープラーニングとは、人間の脳の神経回路をまねたニューラルネットワークを何層にも深く重ねることで、データから複雑な特徴やパターンを自動的に学習できるようにした機械学習の手法です。深層学習とも呼ばれます。画像認識や自然言語処理の精度を飛躍的に高め、現在の生成AIの土台となっています。
ニューラルネットワークにゅーらるねっとわーく★★★
ニューラルネットワークとは、人間の脳の神経細胞（ニューロン）がつながり合って情報を伝える仕組みをまね、数学的なモデルとして表現したものです。人工ニューロンを入力層・隠れ層・出力層に並べ、入力データを層ごとに変換しながら答えを導きます。つながりの強さである重みを調整することで学習します。
ニューロンにゅーろん★★☆
ニューロンとは、脳の高度な働きを支える神経細胞のことで、多数の突起を伸ばした複雑な形をしており、ほかの細胞と信号をやり取りして情報を伝えます。受け取った信号の量が一定を超えたときにだけ次の細胞へ情報を送る性質があり、この仕組みをプログラムで再現したものが人工ニューロンです。
シナプスしなぷす★★★
シナプスとは、神経細胞同士や、神経細胞と筋肉の細胞などの間にある情報の受け渡しを行う接合部分のことです。やり取りする量を調整して次の細胞へ送る信号の強さを決めており、同じ経路で繰り返し情報が伝わるとシナプスが大きくなって伝達の効率が上がります。ニューラルネットワークではこれを「重み」として表します。
人工ニューロンじんこうにゅーろん★★☆
人工ニューロンとは、脳の神経細胞（ニューロン）の働きをプログラムで再現した、ニューラルネットワークを構成する最小単位の計算部品のことです。ノードとも呼ばれます。前の層から受け取った情報に重みを掛け合わせて計算し、流れる情報の量を調整したうえで次の層へ渡します。
入力層にゅうりょくそう★★☆
入力層とは、ニューラルネットワークを構成する3種類の層のうち、最初にデータを受け取る層のことです。画像であれば各ピクセルの色の数値、文章であれば単語を数値に変換したものなどがここに入力されます。入力層で受け取ったデータは、隠れ層へと順に渡され、変換されていきます。
出力層しゅつりょくそう★★☆
出力層とは、ニューラルネットワークの最後に位置し、隠れ層で処理された情報をもとに最終的な結果を出す層のことです。画像認識であれば「バナナ」「リンゴ」などの判定結果がここから出てきます。出力層の結果と正解データとの差が誤差であり、学習ではこの誤差を小さくするように重みを調整します。
重みおもみ★★★
重みとは、ニューラルネットワークで人工ニューロン同士のつながりの強さを表す数値のことで、人間の神経細胞におけるシナプスの大きさに相当します。学習の初めはランダムな値に設定され、出力と正解との誤差が小さくなるように繰り返し調整されます。誤差を最小にする重みが見つかると、モデルが最適化されたことになります。
誤差ごさ★★☆
誤差とは、ニューラルネットワークなどのモデルが出力した答えと、本来の正解データとの間にある差のことです。たとえばバナナの画像を見せて「バナナ」と答えれば誤差はなく、「レモン」や「リンゴ」と答えれば誤差があることになります。学習では、この誤差が最小になるように重みを調整してモデルの性能を改善します。
ピクセルぴくせる★★☆
ピクセルとは、デジタル画像を構成する最小単位の点のことで、画素とも呼ばれます。AIが画像を認識するときは、画像を細かなピクセルに分け、それぞれから「画像のどこにあるか」という位置情報と、「何色か」という色情報を数値として取り出します。色情報はRGBの3つの数値の組で表されます。
RGBあーるじーびー★★☆
RGBとは、赤（Red）・緑（Green）・青（Blue）という光の三原色の強さを組み合わせて色を表す方法のことです。デジタル画像の各ピクセルの色は、たとえば「R52, G135, B32」のようにRGBの3つの数値の組で表されます。AIはこの数値を色情報として取り出し、画像の特徴をとらえる手がかりにします。
CNNしーえぬえぬ★★★
CNNとは、畳み込みニューラルネットワーク（Convolutional Neural Network）の略で、画像認識や画像処理に特に強いディープラーニングの代表的な仕組みです。
畳み込みたたみこみ★★☆
畳み込みとは、CNNの中心となる処理で、入力データ全体を一度に見るのではなく、小さな範囲（局所的な部分）を少しずつずらしながら、その部分ごとにまとめて計算し特徴を取り出す演算のことです。すべての入力をつなぐ通常のネットワークより計算量を抑えられ、画像の中の線や模様などの特徴を効率よく見つけられます。
RNNあーるえぬえぬ★★★
RNNとは、Recurrent Neural Networkの略で、過去の情報を内部に保持しながら新しい入力を順番に処理していくニューラルネットワークです。公式テキストでは回帰型ニューラルネットワークや再帰型ニューラルネットワークと表記されています。
シーケンスデータしーけんすでーた★★☆
シーケンスデータとは、文章・音声・動画・音楽のように、要素が順番に連なっていて、その並び順に意味があるデータの集まりのことです。文章なら単語の順番、動画ならフレームの順番、音楽なら音符の順番が変わると意味が変わってしまいます。RNNやLSTMは、このようなデータの処理を得意とする仕組みです。
時系列データじけいれつでーた★★☆
時系列データとは、株価や気温、音声、言語のように、時間の経過とともに変化していく値を、時間の順番に沿って記録したデータのことです。過去の値が未来の値に影響するという特徴があり、順番を入れ替えると意味が失われます。自己回帰モデルやRNN、LSTMは、こうした時系列データの扱いを得意としています。
勾配消失問題こうばいしょうしつもんだい★★★
勾配消失問題とは、ニューラルネットワークの学習において、重みを修正するための手がかりとなる値（勾配）が、層をさかのぼって伝わるうちにどんどん小さくなって消えてしまい、学習が進まなくなる問題のことです。公式テキストでは、RNNで長いシーケンスデータを扱う際に起きやすい課題として紹介されています。
勾配爆発問題こうばいばくはつもんだい★★★
勾配爆発問題とは、ニューラルネットワークの学習において、重みを修正するための値（勾配）が層や時点をさかのぼるうちに極端に大きく膨らんでしまい、重みが急激に変化して学習が不安定になる問題のことです。公式テキストでは、勾配消失問題と並んで、RNNで長いシーケンスを扱う際に生じやすい課題として紹介されています。
LSTMえるえすてぃーえむ★★★
LSTMとは、Long Short-Term Memory（長・短期記憶）の略で、RNNを改良し、時系列データや文章などのシーケンスデータで長期間にわたる依存関係を学習できるようにしたニューラルネットワークです。
ボルツマンマシンぼるつまんましん★★☆
ボルツマンマシンとは、ジェフリー・ヒントンとテリー・セジュノスキーらのグループが1980年代に提唱した、確率的に動作するニューラルネットワークです。0か1かの二値を中心とした従来の学習から、実数値を扱う多層の学習を可能にし、停滞していたAI研究を再び活気づけました。生成モデルの源流の一つとされます。
制約付きボルツマンマシンせいやくつきぼるつまんましん★★☆
制約付きボルツマンマシンとは、学習に時間がかかりすぎるというボルツマンマシンの弱点を改善するために、ネットワークを「入力部分」と「推定部分」の2つに分ける制約を加えたモデルで、公式テキストでは1986年の開発とされています。