【G検定】試験本番によく出る英語略語まとめ  (過去問代わり・カンペとして使用OK)

当ページのリンクには広告が含まれます。

こんにちは、りょうたろです。
G検定の勉強をしていて、こんな気持ちになったことありませんか?

英語の略語が多すぎて訳わかんない!!覚えるのめんどくさい!

本ブログはこのような考えを持つ私のような人のために書きました。

目次

G検定の特徴

G検定は「ディープラーニングのに関する知識を事業に活用する人材の育成」を目的とした検定です。そのためディープラーニングの実装技術というよりも、ディープラーニングが生まれた背景やその活用方法が問われます。そのため、ディープラーニングにまつわる用語の問題が出題されるんです。でも、なかなか暗記は大変だし、ググっても別の専門用語が出てきたりしてなかなかうまくいきません。

なので、問題集に出てきた英語用語をアルファベット順で並べ、その概要とともにまとめました!

英語略語などまとめ

A~F

A

・AAAI(Association for the Advancement of Artificial Intelligence):
アメリカ人工知能学会
・AdaGrad: ディープラーニング、勾配降下法の学習率に関する手法
・Al(Artificial Intelligence): 人工知能
・AIアシスタント: Siri.Alexa など、人間の言葉を認識して補助を行うもの。
・AI ブーム:以下の様に3回ブームが到来
第一次 推論と探索、第二次 エキスパートシステム、第三次 機械学習と深層学習
・Alexa: Amazon社製の AI アシスタント
・AlexNet: ILSVRC2012 で ジェフリーヒントン率いるチームによって用いられたニューラルネットワーク。圧倒的な成績で優勝し、ディープラーニングが脚光を浴びる。
・AlphaGo:プロ囲碁棋士を破った、初のコンピューター囲碁プログラム。学習は DQN を使用。
・arXiv (アーカイブ) : 研究論文の公開・閲覧可能なWebサイト

B.

・BPTT ( Back Propagation Through Time ) : RNNを順伝播型ネットワークに書き換えて誤差逆伝播法を適用する方法。

C.

・Chainer:Preferred Networks社によって開発されたディープラーニングのフレームワーク。 Define-by-Run という形式を採用。
・CNN(Convolutional neural network):畳み込みニューラルネットワーク。画像認識に適したディープニューラルネットワーク。
・Coursera:世界中の大学講義を受講できるオンライン講座
・CTC (Connectionist Temporal Classification) : 入出力間で系列長が違う場合のニューラルネットワークを用いた分類法
・Cycプロジェクト:「専門家の知識を計算機に移植する」という動機のもと、一般常識を知識ベース化するプロジェクト

D.
・DeepMind 社:深層強化学習 Deep Q-Network(DQN) を開発した会社。
・Deep Q-Network(DQN) :行動価値を最大化する方策を効率的に計算する強化学習用のニューラルネットワーク。
・DENDRAL: 有機化合物の特定を行う、第2次AIブームのエキスパートシステムによるAI。
・DNN(Deep Neural Network) : 深層ニューラルネットワーク。
・DQN→Deep Q-Networkの略

E.
ELIZA : 1966年に発表された自然言語処理プログラム。チューリングテストの合格可能性を感じさせた。後に発表された、ELIZA との会話は RFC439 として記録。

F.

G~L

G.
・GAN(Generative Adversarial Network): 敵対的生成ネットワーク。イアン・グッドフェローらが教師なし学習の一手法として考案。生成ネットワークは識別ネットワークを欺く様なイメージを生成する様に学習、識別ネットワークはそれを正しく識別できる様に学習をして切磋琢磨する様なモデル。ヤン・ルカンにより「この10年間で最も面白いアイデア」と称賛。
・GoogleNet:画像認識コンペの ILSVRC 2014年王者 (22層のニューラルネットワーク構造)
・Google Scholar:学術論文の検索エンジン

H.

HMM (Hidden Markov Model) : 隠れマルコフモデル。「未来の状態が現状態にのみ依存する」という考え方の言語モデル。

I.
・ILSVRC (ImageNet Large Scale Visual Recognition Challenge ): ImageNetデータセットを用いた画像認識精度を競うコンペ。2010年に開始。
・ImageNetデータセット: ILSVRC (ImageNet Large Scale Visual Recognition Challenge )で用いられたデータセット。

J.

K.
・Kaggle:データ解析のコンペティションやディスカッション、データセットの提供が行われるプラットホーム。
・Keras:ディープラーニングに特化した Tensorflow のラッパー
・k-means法:k-平均法。教師なし学習のクラスタリングで用いられる手法。
・kNN法(k-nearest neighbor ):k-近傍法。データから近い順のk個のデータの所属の多数決により、所属不明点を分類するクラス分類アルゴリズム。
*k-means法とkNN法を混同しない様に注意。それぞれのアルゴリズムも要チェック!

L.
・LASSO: 自動的に「特徴量の選択」がおこなわれる、正則化手法(L1正則化)
・LAWS(Lethal Autonomous Weapons Systems):自律型致死兵器システム。AIの軍事利用に関する倫理的問題における論点の一つ。
・LDA (Local Density Approximation) : 局所密度近似。文中の単語から何がトピックかを推定する教師なし機械学習手法。
・LSI(Latent Smantic Indexing): 潜在意味解析。文章ベクトルにおいて、複数文書に共通して現れる単語を解析し、その関係を分析する技術。
・LSTM(Long short-term memory):遠い過去の入力を現在の出力に反映させる事を目的に、 RNN の拡張として1995年に登場した、時系列データ(sequential data)に対するモデル。

M~Rまで

M.
MYCIN:抗生物質の処方を行う、第2次AIブームのエキスパートシステムによるAI。

N.
・NeurlPS (Neural Information Processing Systems): 神経情報処理システムに関する会議およびワークショップ。
・NIPS(Neural Information Processing Systems): 神経情報処理システムに関する会議およびワークショップ。2018年から NeurIPS に。
・NumPy:線形代数の計算を行うフレームワーク

O.
・one-hot-encoding: 1つだけ1で、それ以外は0の特徴量(ベクトル)に変換する、特徴量エンジニアリング
・OpenAI:イーロンマスクにより設立された、非営利の AI 研究組織
・OpenAl Gym : 自分で制作した強化学習用のアルゴリズムを試験できる AI シュミレーションプラットホーム。
・OpenCyc:「専門家の知識を計算機に移植する」という動機のもと、一般常識を知識ベース化するプロジェクトを一般公開しているサイト。

P.
・PARRY: ELIZA の後に開発された会話ロボット。ELIZA との会話は RFC439 として記録。
・pix2pix:ある画像を何かしらの加工を施した画像に変換する事。
・Ponanza:プロ棋士と将棋ソフトが対決する電脳戦で、プロ棋士を次々破った将棋AI。
・Pytorch:パイトーチ。Chainer から派生したディープラーニングのフレームワーク。Chainerと同じく、Defined by Run を採用

R.
・ReLU(Rectified Linear Unit):正規化線形ユニット。現在の活性化関数の主流。勾配消失が起きにくい。
・ResNet:ILSVRC2015 で優勝したニューラルネットワーク(152層)。
・RFC439:ELIZA と PARRY の会話との会話記録。チューリングテストの大きな転換点。
・Ridge正則化:「特徴量の選択」はせず、パラメータのノルムを小さく抑える正則化手法(L2正則化)
・RNN(Recurrent Neural Network):再帰型ニューラルネットワーク。内部に閉路(行って戻ってくる経路)を持ち、時系列データを扱えるようにしたニューラルネットワーク。

S~Zまで

S.
・SAE J3016 (Society of Automotive Engineers):SAE international という米国団体が定めた自動運転レベルの定義。(現在はSAEレベル3)
・scikit-learn:機械学習全般に強いライブラリー。
・SciPy:サイパイ。確率・統計に強いライブラリー。
・seaborn:シーボーン。グラフ描画のためのライブラリー。
・SGD(stochastic gradient descent):確率的勾配降下法。訓練データ毎に重みを更新する、逐次学習システム。(⇄ミニバッチ勾配降下)
・Siri:Apple社製のAIアシスタント。
・SVM(support vector machine):サポートベクターマシン。「マージンの最大化」というコンセプトのもと、2クラスを線形分類するアルゴリズム。マージンとは、2つのクラスを分ける直線(決定境界)を中心とした、2クラス間の距離のこと。

T.
・tanh関数:ハイパボリックタンジェント関数、活性化関数の一つ。(-1<y<1)
・Tay(テイ): Microsoft社が開発したおしゃべりボット。Twitter ユーザーから不適切な誘導を受けて学習した結果、不適切な言動や行動を繰り返し、サービス停止された。
・Tensorflow : ディープラーニングに関する計算を行うフレームワーク。Google製。

V.
・VGG16:ILSVRC2014 で”準”優勝したニューラルネットワーク(16層)。優勝はGoogLeNet(22層)

W.
・Watson:ワトソン。2011年のクイズ番組でクイズ王を破った、IBM社による人工知能。第三次AIブームのきっかけのひとつ。
・Word2Vec:ワード to ベクトル。2013年 Google社により開発。単語をベクトルとして表現し、単語同士の意味の近さ、足し算や引き算の演算アナロジーが可能となった。
・WSDM (Web Search and Data Mining):機械学習に関する会議の名称。

まとめ

意外とボリュームがありました。テスト前または本番中の用語確認に使ってください。
ただ、アルゴリズムなどに関しては、概要だけ知ってOKとせず、どういうメカニズムで動いているのかを少しでも調べる努力をするだけで理解度が大幅アップすると思います!

皆さん自身でまとめノートを作るのもいいですが、そのような時間があるなら、G検定を受ける上で必須の 徹底攻略 ディープラーニングG検定 ジェネラリスト 問題集 を完璧にした方が良いです。

【合格への近道】おすすめ参考書

G検定を受ける上で苦労したのが「どの参考書を使うか」です。少ないネットでの情報をかき集めたり、実際に自分で購入して使った経験をもとに、オススメ参考書や勉強法についてまとめています。

ディープラーニング G検定 公式テキスト(白本)

まずは ディープラーニング G検定 公式テキスト が良いです。この本は通称(白本)と呼ばれています。試験範囲はひと通り網羅しておりそれほど堅苦しい書き方でもないので読みやすいです。やっぱり公式テキストは外せないですね。直前になると売り切れる事もあるようなのでご注意を。

徹底攻略ディープラーニングG検定ジェネラリスト問題集 (黒本)

白本とセットで勉強していただきたいのが徹底攻略ディープラーニングG検定ジェネラリスト問題集 通称(黒本)です。非常にわかりやすい良本で、私の勉強の軸は黒本でした。ただわかりやすい分、全体的に難易度は低めです。また、G 検定本番のテストで黒本と全く同じ問題が数問出ました。勉強方法は以下にまとめています。

これ1冊で合格! スッキリわかるディープラーニングG検定(青本)

これ1冊で合格! スッキリわかるディープラーニングG検定 テキスト&問題演習(青本)は、資格試験で有名なTAC 社によって出版されたテキスト&問題集です。黒本に比べて青本の方が情報が新しく、最新の本試験に沿った内容がのっています。また、過去問分析にもとづく予想問題もあり、テスト本番前の最終確認に使うのも良いでしょう。ただ内容は少し難しいので、1冊目から青本に行くのは厳しいかなという印象です。白本&黒本→青本の順がオススメです。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

元薬局薬剤師。今は一般会社で働き、副業ライター(月5-6桁)しつつ自由に暮らす30代男性。英語学習(TOEIC920点)やライティング、マーケティング、メンタル術など、社会で必要とされつつ、個人で稼げるために必要なスキルを磨いて、その様子を発信しています。
詳しい自己紹介は(https://iroirotantan.com/ryoutaro/)で

コメント

コメントする

目次