基礎理論の要点とまちがえやすい点（ITパスポート試験 論点テキスト）

このページの論点

テクノロジ系｜基礎理論｜20論点・要点108本・まちがえやすい点75本・式16本

• 離散数学
  • 2進数・8進数・16進数の相互変換
  • ビット数と表せる値の範囲・シフト演算
  • 負数の表現（補数）と2進化10進数
  • 集合の要素数と順列・組合せ
  • 基本論理演算（AND・OR・XOR・NOT・NAND・NOR）
  • 真理値表・論理回路とド・モルガンの法則
  • ビット列ごとの論理演算とXORの性質
• 応用数学
  • 確率の計算と期待値
  • 平均値・中央値・最頻値と加重平均
  • 標準偏差・分散・相関係数
  • 待ち行列理論と最適化手法
  • 状態遷移図とフィードバック制御
• 情報に関する理論
  • 情報量の単位（ビットとバイト）
  • 誤り検出と誤り訂正（パリティ・チェックサム）
  • 文字コード（ASCII・Unicode）と文字化け
  • 機械学習の学習方式（教師あり・なし・強化）
  • 機械学習・ニューラルネットワーク・ディープラーニング
  • 過学習・転移学習・ファインチューニング・アノテーション
  • 生成AI・LLM・RAG・ハルシネーション
  • AIの利用上の注意・バイアス・説明可能なAI

離散数学

2進数・8進数・16進数の相互変換

2進数・8進数・16進数と10進数の間の変換方法を扱う。各桁の重みを掛けて合計する計算や、4桁ずつ区切る変換が問われる。

要点

• 2進数を10進数に直すには、1が立っている桁の重みだけを足し合わせる。
• 16進数はA〜Fで10〜15を表し、A3は10×16＋3＝163のように上位桁に16を掛けて下位桁を足して10進数にする。
• 10進数を16進数にするには16で割り、商を上位桁、余りを下位桁とする。200は商12・余り8でC8になる。
• 2進数は下位から4桁ずつ区切ると16進数の1桁に対応し、11010110は1101がD、0110が6でD6になる。
• 8進数は各桁の値に8の累乗の重みを掛けて合計して10進数にする。247は7＋32＋128＝167となる。
• 2進数の小数点以下の各桁は2の−1乗、−2乗という重みを持ち、10進数の0.5は2進数の0.1で表される。

まちがえやすい点

• 2進数の1011を1101と読み違えると、11ではなく13になる。16進数のAは10、Bは11であり、1Bと1Aは異なる値である。
• 8進数の247をそのまま10進数の247とみなすのは誤りであり、8進数では各桁の重みが8の累乗であるため167となる。
• 2進数の0.01は0.25、0.11は0.75を表し、0.5を表す0.1ではない。

式

• n進数から10進数への変換各桁の値×（基数の桁位置乗）の合計8進数247は2×8の2乗＋4×8＋7＝167

ビット数と表せる値の範囲・シフト演算

nビットで表せる値の個数と最大値、ビットシフトによる倍数の変化、論理シフトと算術シフトの違いを扱う。

要点

• nビットで表せる値の個数は2のn乗であり、10ビットなら2の10乗＝1024通りになる。
• 8ビットの符号なし整数は0から255まで表せ、最大値255は表せる個数256より1小さい。
• 4桁の2進数で表せる最大値は、4桁すべてが1の8＋4＋2＋1＝15である。
• 2進数を左に1ビットシフトすると値は2倍になり、2ビットの左シフトは2の2乗で4倍になる。
• 論理シフトは空いた桁に0を補い、算術シフトは符号ビットを保ちながら、負数を含む2のべき乗倍の乗除算に用いられる。
• 2進数は1桁上がるごとに重みが2倍になるため、1桁左へずらすことは2倍することに等しい。

まちがえやすい点

• 256は8ビットで表せる値の個数であり、最大値の255とは異なる。127は符号付き8ビットの正の最大値であり、符号なしの最大値でもない。
• 512は9ビット、2048は11ビットで表せる個数であり、10ビットの1024とは異なる。ビット数が1増えるごとに個数は2倍になる。
• ビット列を循環させる操作はローテートであり、符号を保つ算術シフトとは別である。
• 2倍は1ビット左シフト、8倍は3ビット左シフト、4分の1倍は2ビット右シフトに相当し、2ビット左シフトの4倍とは異なる。

式

• nビットで表せる値の個数値の個数＝2のn乗符号なし整数の最大値は2のn乗−1

負数の表現（補数）と2進化10進数

2進数で負の数を表す2の補数の求め方と、10進数の各桁を4ビットで表す2進化10進数（BCD）の表し方を扱う。

要点

• 2の補数は各ビットを反転して1を加えることで負数を表す方式であり、加算回路だけで減算も処理できる。
• 8ビットの2の補数で−5を表すには、00000101を反転した11111010に1を加えて11111011とする。
• BCDは10進数の各桁を4ビットの2進数で個別に表す方式であり、59は5の0101と9の1001を並べた0101 1001となる。
• BCD（2進化10進数）は10進数の1桁を4ビットの2進数に対応させるため、10進数との対応がわかりやすい。

まちがえやすい点

• 1の補数は各ビットを反転するだけで1を加えない別方式であり、反転して1を加える2の補数とは異なる。
• 11111010は反転しただけの値、10000101は符号ビット付きの絶対値表現であり、−5の2の補数11111011ではない。
• 59を通常の2進数で表すと0011 1011であり、桁ごとに4ビットで表すBCDの0101 1001とは別である。
• グレイコードは隣り合う数値間で1ビットしか変化しない符号、ハフマン符号はデータ圧縮に使われる符号であり、BCDとは異なる。

式

• 2の補数による負数の表現負数＝（絶対値の全ビット反転）＋1−5は00000101→11111010→11111011

集合の要素数と順列・組合せ

和集合・積集合を使った人数計算と、順列nPr・組合せnCrの数え方の違いを扱う。重複の除き方と順序の区別が問われる。

要点

• 和集合の要素数は、2つの集合の要素数を足し、両方に含まれる要素数を1回だけ引いて求める。
• どちらの集合にも属さない要素数は、全体の数から和集合の要素数を引いて求める。
• 順列nPrは異なるn個からr個を選んで順序を考慮して並べる場合の数であり、5P3は5×4×3＝60通りである。
• 組合せnCrは順序を区別せずに選ぶ場合の数であり、6C2は(6×5)÷(2×1)＝15通りである。
• 5人から代表2人を選ぶ組合せは、5C2＝5×4÷(2×1)＝10通りである。

まちがえやすい点

• 順列は順序を区別するため、同じ個数を選ぶ組合せより多くなる。4P3は24通りで、組合せ4C3の4通りより大きい。
• 5C3は順序を考慮しない組合せの式であり、5!はn個全部を並べる階乗であって、順列5P3ではない。
• 順序を区別する順列6P2は30通りであり、並び順を区別しない組合せ6C2はその値を2で割った15通りで、異なる。
• 64は4の3乗で同じものを繰り返し選べる場合の数であり、異なる4個から3個を並べる順列の24通りとは別である。

式

• 順列の数nPr＝n×（n−1）×…（r個の積）5P3＝5×4×3＝60
• 組合せの数nCr＝nPr÷（r×…×1）6C2＝(6×5)÷(2×1)＝15
• 和集合の要素数集合Aの数＋集合Bの数−両方に含まれる数どちらにも属さない数は全体から和集合を引く

基本論理演算（AND・OR・XOR・NOT・NAND・NOR）

論理積・論理和・排他的論理和・否定・否定論理積・否定論理和の出力が1になる条件を扱う。

要点

• 論理積（AND）は2つの入力がともに1のときだけ1を出力し、論理和（OR）はどちらか一方でも1なら1を出力する。
• 排他的論理和（XOR）は2つの入力が一致しないときに1、一致するときに0を出力する演算である。
• 否定論理積（NAND）はAND演算の出力を反転した演算で、両方の入力が1のときだけ0を出力し、それ以外は1を出力する。
• 否定論理和（NOR）は論理和（OR）を否定した演算で、両方の入力が0のときだけ出力が1になる。
• 否定（NOT）は入力を反転する演算で、1つの入力だけを扱う単項演算である。

まちがえやすい点

• 論理和はどちらか一方でも1なら1を出力する演算であり、ともに0のときだけ1を出力するのは論理和ではなくNORの動作である。
• XORは両方が1のときに0になり、1と1の行でも1になる論理和（OR）とは異なる。
• NANDは両方が1のときだけ0、XORは入力が異なるとき1、ANDは両方が1のとき1であり、NORとは出力が1になる条件が異なる。

式

• 否定論理積（NAND）NAND＝NOT（A AND B）両方が1のときだけ0
• 否定論理和（NOR）NOR＝NOT（A OR B）両方が0のときだけ1

真理値表・論理回路とド・モルガンの法則

真理値表の意味、表や論理回路図から論理演算を判別する方法、ド・モルガンの法則による否定の変形を扱う。

要点

• 真理値表は、論理式の入力として考えられるすべての組合せに対応する出力の値を一覧にした表である。
• ド・モルガンの法則により、AとBの論理積の否定は、Aの否定とBの否定の論理和に等しい。
• 真理値表でAとBが異なるときだけXが1になっていれば、その論理演算は排他的論理和である。
• 論理回路図でAND素子の出力に否定を表す丸が付いていれば、論理積の結果を反転した否定論理積（NAND）である。
• AND素子の先の小さな丸は否定を表し、入力がともに1のときは1が反転して出力は0になる。
• 2入力の表で、論理和が1になるのは0と0の行を除く3行であり、論理積が1になるのは両方が1の1行だけである。
• 述語論理は、対象の性質を表す式に、「すべての」「存在する」という量化を組み合わせて、命題を細かく記述できる論理体系。
• 演繹推論は、一般的な前提や法則から、論理の手順に従って個別の事例についての結論を導く推論。
• 帰納推論は、個々の具体的な事例の観察から、共通する一般的な規則や法則を導く推論。

まちがえやすい点

• 両方が1の行で論理和は1、排他的論理和は0と結果が分かれ、同じ入力の組合せでも両者は異なる出力になる。
• 排他的論理和の表は1と1の行で0になるため、1と1の行で1になる論理積や論理和とは異なる。
• 否定論理和（NOR）は0と0の行で1になり、AとBが異なるときだけ1になる排他的論理和ではない。
• 一方だけを否定した式や、AとBの論理和は、AとBの論理積の否定とは異なり、ド・モルガンの法則の内容と一致しない。
• 状態遷移表は状態と入力による遷移先をまとめた表であり、すべての入力の組合せに対する出力を示す真理値表とは目的が異なる。

式

• ド・モルガンの法則NOT（A AND B）＝（NOT A）OR（NOT B）論理積の否定は、各否定の論理和に等しい

ビット列ごとの論理演算とXORの性質

2進数のビット列に対する桁ごとのAND・OR・XORの計算と、同じ値で2回XORをかけると元に戻る性質を扱う。

要点

• ビットごとの論理積では、1100と1010の各桁を比べて両方が1の桁だけが1になり、結果は1000となる。
• ビットごとの論理和では、1100と1010の各桁でどちらか一方でも1なら1になり、結果は1110となる。
• ビットごとの排他的論理和では、1100と1010の各桁で2つのビットが異なれば1、同じなら0となり、結果は0110となる。
• 同じ値でXORを2回かけると打ち消し合って元の値に戻り、この性質は同じ鍵で暗号化と復号をする簡易暗号に利用される。

まちがえやすい点

• 1100と1010では、論理積の結果1000、論理和の結果1110、排他的論理和の結果0110はそれぞれ異なる値であり、演算の種類で結果が変わる。
• すべて0のビット列や鍵と一致するのは1回だけXORした場合などであり、2回XORをかけた結果ではない。

式

• XORの2回適用（X XOR K）XOR K＝X同じ鍵で暗号化と復号ができる

応用数学

確率の計算と期待値

事象が同時に起こる確率の掛け算、場合の数による確率、期待値の求め方を扱う。個数の比で確率を求める点が問われる。

要点

• 2つの事象が同時に起こる確率は、一方の確率と、そのうえでもう一方が起こる条件付き確率を掛け合わせて求める。
• 2個のサイコロの目の組合せは6×6＝36通りで、和が7になるのは6通りなので、その確率は6分の1である。
• 互いに独立な2枚のコインの出方は2×2＝4通りで、2枚とも表になる確率は4分の1である。
• 期待値は賞金とその確率の積の総和で求め、10分の1の確率で500円が当たるくじの賞金の期待値は50円である。
• 起こりやすさが等しくない場合の確率は個数の比で求める。10個中2個が不良品なら、不良品の確率は0.2、良品は0.8である。

まちがえやすい点

• 確率の足し算は互いに排反な事象の和事象を求める場合の操作であり、同時に起こる確率を求める掛け算とは別である。
• 不良品か良品かの2通りだから半々の0.5とするのは誤りであり、個数の比で求めた不良品の確率0.2とは異なる。
• 500円は当選金そのものであり、確率を掛けた期待値50円ではない。
• 1/2は1枚だけを考えた場合、1/8は3枚投げた場合の確率であり、2枚とも表の確率1/4とは異なる。

式

• 同時に起こる確率確率＝一方の確率×条件付き確率0.03×0.90＝0.027
• 期待値期待値＝Σ（賞金×その確率）500円×1/10＋0円×9/10＝50円
• 場合の数による確率確率＝該当する場合の数÷全体の場合の数和が7になる確率は6÷36

平均値・中央値・最頻値と加重平均

データの代表値である平均値・中央値・最頻値の求め方と性質、個数の重みを考える加重平均を扱う。

要点

• 加重平均は合計金額を合計個数で割って求め、100円2個と200円3個なら(100×2＋200×3)÷(2＋3)＝160円である。
• 中央値はデータを昇順に並べたときちょうど中央に来る値であり、5個のデータでは3番目の値が中央値となる。
• 平均値は全データの合計を個数で割って求め、3、5、7、9、11の平均値は35÷5＝7である。
• 最頻値は最も多く出現する値であり、2、3、3、3、5、8では3が3回現れるため最頻値は3となる。
• 平均値はすべての値を合計して割るため極端に大きい外れ値に引っ張られ、外れ値の影響を受けにくいのは中央値である。
• データの並べ替えは、数値の大小や五十音順などの基準に従って、データを順番に並べ直す処理のこと。
• 線形代数は、ベクトルや行列を対象に、連立一次方程式や座標の変換などを扱う数学の分野。
• 微分と積分は、関数の瞬間的な変化の割合を求める微分と、その逆の関係にあり面積などを求める積分のこと。

まちがえやすい点

• (100＋200)÷2＝150円と単純に平均するのは個数の偏りを無視しており、数量の多い200円側に引き寄せられる加重平均の160円とは異なる。
• 2、4、4、6、9のデータでは、平均値は5、最頻値は4であり、中央値の4とは異なる指標である。
• 35は合計値そのものであり平均ではない。平均値は合計を個数の5で割った7である。
• 2、3、3、3、5、8の平均値は4であり、最も多く現れる値を表す最頻値の3とは異なる指標である。

式

• 加重平均加重平均＝（Σ単価×個数）÷合計個数合計金額を合計個数で割る
• 平均値（算術平均）平均値＝データの合計÷データの個数35÷5＝7

標準偏差・分散・相関係数

データのばらつきを表す分散と標準偏差、2つの変量の直線的な関係を表す相関係数の意味を扱う。

要点

• 標準偏差は分散の平方根であり、データが平均値からどの程度散らばっているかを元のデータと同じ単位で表す。
• 相関係数は2つの変量の直線的な関係の強さと向きを-1から1までの値で表し、0に近いほど直線的な関係が弱い。
• 平均値が等しい2つのデータ群では、標準偏差が大きい方が平均値の周りでのばらつきが大きい。
• 標準偏差と分散は単一の変量のばらつきを表し、偏差値は集団内での相対的な位置を表す指標である。
• 仮説検定は、立てた仮説が正しいかどうかを、標本データと確率をもとに判断する統計的な手法。

まちがえやすい点

• 平均値・中央値・最頻値はデータの代表値であり、ばらつきを表す標準偏差ではない。
• 標準偏差の大小からは、データの個数や最大値の大小は判断できない。標準偏差が表すのはばらつきであり、個数や最大値とは別である。
• 偏差値は集団内での相対的な位置を表す指標であり、2つの変量の関係の強さを表す相関係数とは異なる。

式

• 標準偏差標準偏差＝√分散分散の正の平方根

待ち行列理論と最適化手法

待ち時間や行列の長さを確率的に分析する待ち行列理論と、制約条件下で目的の値を最適にする線形計画法・遺伝的アルゴリズムを扱う。

要点

• 待ち行列理論は、客がランダムに到着して順番にサービスを受ける状況を、到着率とサービス率から待ち時間や行列長を確率的に分析する理論である。
• 線形計画法は、変数間の関係を一次式の制約条件で表し、その条件下で目的関数を最大化・最小化する変数の値を求める数理計画の手法である。
• 遺伝的アルゴリズムは、解の候補を遺伝子に見立て、優れた解を選び交叉・突然変異を繰り返して次第に良い解へ近づける最適化手法である。

まちがえやすい点

• 線形計画法は最適配分に用いる手法であり、変数間の関係分析に用いる回帰分析とは目的が異なる。
• ABC分析は重点管理の対象を決める分類手法、決定木分析は意思決定の分岐を図式化する手法であり、最適化を目的とする線形計画法とは別である。
• 二分探索法やハッシュ法はデータ探索の手法、スタックはデータ構造であり、最適解を探す遺伝的アルゴリズムとは異なる。

状態遷移図とフィードバック制御

状態と遷移でシステムの振る舞いを表す状態遷移図の読み方と、出力と目標値の誤差で入力を調整するフィードバック制御を扱う。

要点

• 状態遷移図は、あらかじめ定義した複数の状態と、入力によって状態がどのように遷移するかという規則でシステムの振る舞いを表現するモデルである。
• 状態遷移図では矢印の向きが遷移の可否と方向を表し、矢印が出ていない先の状態へは直接遷移できない。
• ある状態へ向かう矢印が1つの状態からだけ出ている場合、その状態へ遷移できるのは矢印の出ている状態からだけである。
• フィードバック制御は出力を測定して目標値との誤差を検出し、その誤差を小さくするように入力を修正し続ける制御方式である。
• 有向グラフは、辺に向きがあり、頂点から頂点への一方向の関係を表せるグラフ。
• 無向グラフは、辺に向きがなく、辺でつながる二つの頂点が互いに行き来できる関係を表すグラフ。

まちがえやすい点

• フローチャートは処理の手順、ER図はデータの実体と関連、クラス図はオブジェクトの構造を表し、状態遷移を表す状態遷移図とは異なる。
• シーケンス制御はあらかじめ定めた順序で処理を進める制御であり、出力を見て調整するフィードバック制御ではない。
• 矢印が出ていない状態からは先の状態へ直接遷移できず、矢印が出ている状態とは遷移の可否が異なる。

情報に関する理論

情報量の単位（ビットとバイト）

ビットとバイトの関係、1ビットが表せる状態の数、16進数の桁数と情報量の対応を扱う。

要点

• 情報量の単位として、1バイトは8ビットで構成され、2進数8桁分の情報量を表す。
• 1ビットは0か1の2通りを表し、nビットなら2のn乗通りの状態を表せる。
• 16進数1桁は2進数4桁（4ビット）に対応するため、16進数2桁は4×2＝8ビット、すなわち1バイトに相当する。
• 単位の接頭語はキロ・メガ・ギガの順に大きくなるため、1キロバイトは1メガバイトより小さい。

まちがえやすい点

• キロバイトはビットではなくバイト単位の接頭語であり、ビットとは単位が異なる。
• 4ビットは16進1桁分、16ビットは16進4桁分に当たり、16進2桁の8ビットではない。

誤り検出と誤り訂正（パリティ・チェックサム）

パリティビット・チェックサム・チェックディジットなど誤り検出の方式の違いと、誤り検出と誤り訂正の違いを扱う。

要点

• パリティビットは、データ中の1の個数を偶数または奇数にそろえるために付加する検査用ビットで、1ビット誤りの検出に用いられる基本的な方式である。
• 偶数パリティは、パリティビットを含めた1の総数が偶数になるように検査ビットを付加し、受信側で1の個数が偶数でなければ誤りと判断する方式である。
• チェックサムは、送信データを一定の計算式で処理した検査用の値を付加し、受信側で再計算した値と比較して伝送誤りを検出する方式である。
• チェックディジットはコード番号の末尾などに付加する検査用の数字で、あらかじめ決めた計算式により誤りなく入力・読み取りされたかを検証できる。
• 誤り検出は誤りが生じたことを検知できるが修復はできず、誤り訂正符号は誤りの位置まで特定し元のデータに自動的に復元できる。

まちがえやすい点

• 偶数パリティは1ビットの誤り検出はできても位置の特定や訂正はできず、1の個数を奇数にそろえる奇数パリティとは別である。
• チェックディジットは主に番号の入力誤り検出に用いられ、通信データの誤り検出に用いるパリティビットとは異なる。
• ハッシュ値はデータの改ざん検知などに使う値、シーケンス番号は単なる連番であり、チェックディジットとは目的や仕組みが異なる。
• 誤り検出と誤り訂正を同一視するのは誤りであり、検出は修復できないのに対し、訂正は元のデータに復元できる点で異なる。

文字コード（ASCII・Unicode）と文字化け

ASCII・Unicode・UTF-8など文字コードの特徴と、作成時と表示時の文字コードの食い違いによる文字化けを扱う。

要点

• Unicodeは各国語の文字を含む世界中の文字を単一の文字コード体系で扱えるよう策定された規格で、UTF-8などの符号化方式で実装される。
• UTF-8はUnicodeの符号化方式の一つで、文字ごとに1〜4バイトの可変長で表し、ASCII文字は1バイトで表現できる。
• ASCIIは英数字や記号を7ビット（128種類）で表す最も基本的な文字コードで、多くの文字コードの基礎となっている。
• 文字化けは、作成時の文字コードと表示する側が解釈に使う文字コードが食い違い、正しい文字に変換できないことで起こる。
• 文字コードが違えば同じバイト列が別の文字として解釈されるため、ファイルの受け渡しでは文字コードの指定が必要である。
• シフトJISコードは、半角英数字を1バイト、漢字や仮名を2バイトで表す、日本語環境のパソコンで広く使われてきた文字コード。

まちがえやすい点

• ASCIIは英数字と記号を中心とした7ビットの規格であり、世界中の文字を扱うUnicodeとは異なる。
• Shift_JISとEUC-JPは日本語を表すための文字コードであり、英字を7ビットで表す基本規格のASCIIではない。
• 7ビットで英数字だけを表すのはASCIIそのものであり、1〜4バイトの可変長で表すUTF-8とは別である。
• 解像度・通信速度・圧縮の有無は、文字コードの食い違いとは異なり、文字化けの原因ではない。

機械学習の学習方式（教師あり・なし・強化）

教師あり学習・教師なし学習・強化学習の違いを、学習に使うデータの与え方と代表的な処理から扱う。

要点

• 教師あり学習は、入力データと正解ラベルの組を大量に学習し、未知の入力に対する予測や分類を行えるようにする方式である。
• 教師なし学習は、正解ラベルのないデータから、データ同士の類似性やパターンをコンピュータが自ら見つけ出す方式で、顧客のグループ分けなどに利用される。
• 強化学習は、正解データの代わりに行動の結果への報酬を与え、試行錯誤を通じて報酬が最大になる行動方針を学習させる方式である。
• 教師なし学習の代表的な処理は、似た特徴を持つデータを自動的にグループに分けるクラスタリングである。

まちがえやすい点

• 教師あり学習は正解ラベル付きのデータから入力と出力の関係を学ぶ方式であり、正解を与えずデータの構造を見つける教師なし学習ではない。
• 正解のないデータからパターンを見つけるのは教師なし学習、報酬をもとに行動を学ぶのは強化学習であり、教師あり学習とは学習データの与え方が異なる。
• 条件分岐で処理を振り分ける処理は学習ではなく通常のプログラムであり、教師なし学習のクラスタリングとは別である。
• 転移学習はある課題で学習済みのモデルを別の課題に流用する手法であり、報酬に基づく試行錯誤で学ぶ強化学習とは異なる。

機械学習・ニューラルネットワーク・ディープラーニング

機械学習、ニューラルネットワーク、ディープラーニングの関係と、それぞれが何を指すかを扱う。

要点

• 機械学習は、大量のデータからコンピュータが自動的にパターンや規則性を学習し、未知のデータに対する予測や分類・判断を行えるようにする技術である。
• ニューラルネットワークは、人間の脳の神経細胞（ニューロン）とその結合を数理モデルとして模した仕組みで、入力層・中間層（隠れ層）・出力層から構成される。
• ディープラーニング（深層学習）は、多層のニューラルネットワークを用い、従来は人が設計していた特徴量を大量のデータから自動的に抽出して学習する手法である。
• バックプロパゲーションは、出力と正解との誤差を出力側から入力側へ向かって伝え、各層の重みを調整するニューラルネットワークの学習方法。
• 活性化関数は、ニューラルネットワークの各ノードで、入力の重み付き合計を変換し、次の層へ渡す出力を決める関数。
• CNNは、畳み込みの処理で画像の局所的な特徴を捉える、画像認識で広く使われるニューラルネットワーク。
• RNNは、直前の出力を次の入力に戻す構造で、時系列や文章など順序のあるデータを扱えるニューラルネットワーク。

まちがえやすい点

• 機械学習とディープラーニングは対等な二つの技術ではなく、機械学習の中にディープラーニングが含まれる包含関係にあり、位置づけが異なる。
• 決定木は条件分岐を木構造で表す予測モデル、線形回帰は変数間の関係を直線的な式で表す統計手法であり、脳の神経回路を模したニューラルネットワークとは別である。
• エキスパートシステムは専門家の知識をルールとして蓄積し推論するAI手法であり、多層のニューラルネットワークを用いるディープラーニングとは仕組みが異なる。
• ミドルウェアや仮想化、正規化は学習・予測とは異なる目的の技術・作業であり、機械学習とは別物である。

過学習・転移学習・ファインチューニング・アノテーション

学習済みモデルの再利用や追加学習の手法、学習データへのラベル付け、過学習という現象を扱う。

要点

• ファインチューニングは、学習済みのAIモデル（基盤モデル）に、特定の目的や業務に特化した少量のデータを追加で学習させて適応させる手法である。
• 転移学習は、既存の学習済みモデルの知識を別の課題へ再利用し、少量データでも効率よく学習する手法である。
• アノテーションは学習データに正解ラベルを付ける作業であり、教師あり学習の品質を左右する。
• 過学習は、モデルが訓練データの細部やノイズにまで過度に適合し、未知データへの対応力である汎化性能が下がる現象である。
• 事前学習は、個別の用途に合わせた調整の前に、幅広いデータでモデルに一般的な特徴を学習させておくこと。

まちがえやすい点

• プロンプトエンジニアリングはモデル自体は変更せず指示文の工夫で回答を引き出す手法であり、モデルを追加学習させるファインチューニングとは異なる。
• アノテーションは学習データに正解ラベルなどを付与する作業であり、モデル自体を追加学習させるファインチューニングではない。
• ナビゲーションは操作の道案内、マイグレーションはデータやシステムの移行、リファクタリングは動作を保ったコードの整理であり、ラベル付けのアノテーションとは別である。
• 正規化はデータの尺度をそろえる処理、次元削減は特徴量を圧縮する手法であり、訓練データに適合しすぎる過学習とは異なる概念である。
• 教師なし学習は正解なしでパターンを見出す方式、深層学習は多層のニューラルネットを使う手法であり、学習済みモデルを再利用する転移学習とは異なる。

生成AI・LLM・RAG・ハルシネーション

生成AI、大規模言語モデル、検索拡張生成、ハルシネーション、マルチモーダルAIの意味と関係を扱う。

要点

• 生成AIは、自然言語などで与えた指示をもとに文章・画像・音声・プログラムコードといった新たなコンテンツを生成するAI技術で、大規模言語モデル（LLM）などを用いて実現される。
• LLM（大規模言語モデル）は、大量のテキストデータを学習して人間の自然な文章を理解・生成できるようになった、パラメータ数が非常に大きい言語モデルである。
• RAG（検索拡張生成）は、生成AIが回答を作る際に外部のデータベースや文書を検索して得た情報をもとに、より正確な回答を生成する技術で、ハルシネーションの抑制にも役立つ。
• ハルシネーションは、生成AIが事実に基づかない誤った情報や存在しない情報を、あたかも真実であるかのようにもっともらしく生成してしまう現象である。
• マルチモーダルAIは、文字・画像・音声・動画など複数の種類の情報を同時に扱い、統合的に処理できるAIである。

まちがえやすい点

• エキスパートシステムは専門家の知識をルールとして蓄積し推論するAIであり、新たなコンテンツを生成する生成AIとは異なる方式である。
• OCRは印刷・手書き文字を画像から認識してテキスト化する技術であり、大量のテキストで学習した言語モデルのLLMではない。
• ファインチューニングはモデル自体を再学習させる手法、プロンプトエンジニアリングは指示文の工夫で回答を引き出す手法であり、外部情報を検索して回答に反映させるRAGとは別である。
• オーバーフィッティングは未知データへの予測精度が下がる現象、バイアスは学習データの偏りが結果に反映される現象であり、ハルシネーションとは異なる。
• エッジAIは端末側で推論するAI、ルールベースAIは事前の規則で判断する仕組みであり、扱うデータ種類を指すマルチモーダルAIではない。

AIの利用上の注意・バイアス・説明可能なAI

生成AIを業務で使う際のリスクと確認の必要性、学習データの偏り（バイアス）、判断根拠を示す説明可能なAIを扱う。

要点

• 生成AIの出力には誤った情報、古い情報、偏った情報などが含まれる可能性があるため、利用にあたっては人による確認や検証が重要である。
• 生成された文章や画像には、学習データに起因する著作権侵害のリスクや事実誤認・偏りが含まれうるため、内容を人が確認し必要に応じて修正して利用する。
• 学習データに特定の属性への偏りがあると、AIの判断結果にもその偏りが反映されることがあり、個人情報を含むデータではプライバシーへの配慮も欠かせない。
• バイアス（偏り）は、学習データの偏りによって特定の属性の人に不公平な結果が出るなど、AIの判断が偏ってしまう問題である。
• 説明可能なAI（XAI）は、ブラックボックス化しがちなAIの判断根拠を人が理解できる形で示す技術や考え方である。
• 生成AIの業務利用では、入力した情報が学習や運用に使われる可能性があるため機密情報は入力せず、生成内容は事実関係の裏づけを取る。

まちがえやすい点

• 生成AIはもっともらしい誤りを出すことがあり、確認せずに公開すると誤情報の発信や権利侵害につながる。
• データ量を増やしても偏りが自動的に解消されるのではなく、バイアスは判断結果に影響しうるため、データの内容への配慮が必要である。
• 過学習は訓練データに適合しすぎ未知データの精度が落ちる現象、ハルシネーションは誤情報をもっともらしく作る現象であり、バイアスとは別である。
• AGIは人間並みの汎用知能、生成AIは新たなコンテンツを作る技術であり、判断根拠を示す説明可能なAIとは異なる。
• 出力を無条件に正確とみなす考えや機密情報の入力を推奨する考え、利用の事実を常に隠す考えは、生成AIの適切な利用ではない。

ほかのページ

出典と作り方

この読み物は、IPA「ITパスポート試験 シラバス Ver.6.5」の中分類の順に、アプリ「ITウカール」の収録問題の解説をもとにアプリ製薬が作成したものです。公式の文章の転載ではありません。問題文・選択肢は載せていません。

• ITパスポート試験 シラバス Ver.6.5（IPA）