資格試験

Qualification Examination

当協会の実施する、資格試験について。

検定・資格概要

ディープラーニングに関する知識を有し、事業活用する人材(ジェネラリスト)と、ディープラーニングを実装する人材(エンジニア)の育成を目指します。各々に必要な知識やスキルセットを定義し、資格試験を行うとともに、協会が認定した事業者がトレーニングを提供します。各々年二回実施予定。日進月歩する技術であることから、検定・資格実施年毎に実施年号を付与する。

試験について

直近の試験日程

JDLA Deep Learning for GENERAL 2019 #3
  • 概要:ディープラーニングを事業に活かすための知識を有しているかを検定する
  • 受験資格:制限なし
  • 試験概要:120分、小問226問(前回実績)の知識問題(多肢選択式)、オンライン実施(自宅受験)
  • 出題問題:シラバスより出題
  • 申込期間:2019年 10月1日 (火) 13:00 〜 10月31日 (木) 23:59
  • 試験日: 2019年 11月9日 (土) 13:00より120分
  • 受験料: 一般 12,000円+税 学生 5,000円+税
  • 申込: G検定受験サイトよりお申し込み(クレジットカード決済またはコンビニ決済)
  • 受験サイト:https://www.jdla-exam.org/d/
JDLA Deep Learning for ENGINEER 2020 #1
  • 概要:ディープラーニングを実装するエンジニアの技能を認定する
  • 受験資格:JDLA認定プログラム (※1)を試験日の過去2年以内に修了していること (※2)
  • 試験概要:120分の会場試験にて、108問(前回実績)を出題
  • 試験会場:全国の指定試験会場から、お申し込み時に選択 (※3)
  • 出題問題:シラバスより、JDLA認定プログラム修了レベルの出題 (※4)
  • 申込期間:未定
  • 試験日:2020年2月22日(土)時間未定
  • 受験料:(※5) 一般 30,000円+税 学生 20,000円+税 JDLA正会員・賛助会員 25,000円+税(※6)
  • 申込サイト:https://cbt-s.com/examinee/examination/deeplearning.html

注釈(※)の詳細はこちら

(※1)「JDLA認定プログラム」は、高等教育機関や民間事業者が提供する教育プログラムで、当協会が別途定める基準およびシラバスを満たすもの。プログラムの一覧はこちら。 (※2)改定シラバス対応前のプログラムを終了した方も、受験をお申込みいただけます。詳細は、受講された認定プログラム事業者に直接お尋ねください。 (※3)各会場の定員により、ご希望の会場が選択できない場合があります。 (※4)ソースコードを含む問題については、Pythonで記述し、かつChainer・TensorFlow等の機械学習系ライブラリに依存しない問題を出題します。 (※5)団体でのバウチャー受験も承ります。お支払いは銀行振り込みで、バウチャー発行まで2営業日ほどお時間をいただきます。詳細は事務局(info@jdla.org)までお問い合わせください。 (※6)会員割引のバウチャーを発行致します。発行まで2営業日ほどお時間をいただきます。お支払いは銀行振込で、期日についてはご相談ください。なお、割引バウチャー以外でのお申し込みについては会員割引をお受け出来かねます。詳細は事務局(info@jdla.org)までお問い合わせください。
 

今後の試験予定

 

過去の試験情報

実施レポート

  • 各種受講者情報や受験動機、アンケートなどをレポーティング。

学習のシラバス

JDLA Deep Learning for GENERAL 2019 #3

  • 人工知能(AI)とは(人工知能の定義)
  • 人工知能をめぐる動向例題
     

    問題:国際的な画像認識コンペティション“ILSVRC2012”について、正しいものをすべて選べ。

    1. 画像認識は、2017年現在でディープラーニングが最も高い精度を実現できるタスクである。
    2. ImageNetとは、手書き文字認識のためのデータセットである。
    3. 優勝チームはトロント大学のジェフリー・ヒントン教授率いるSuperVisionである。
    4. このコンペティションであげられた成果は、「人工知能研究50年来のブレイク・スルー」と称された。
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢をそれぞれ1つずつ選べ。 第一次AIブームは1950年代に起こった。この頃に人工知能と呼ばれたプログラムは(ア)をもとに問題を解いていた。特に、1996年にIBMが開発した(イ)は、チェスの世界チャンピオンであるガルリ・カスパロフに勝利したことで有名である。しかし、ルールや設定が決まりきった迷路やパズルゲームなどの(ウ)と呼ばれる問題しか解けないという課題があったために、研究は下火になった。

    (ア)の選択肢
    1. 知識表現
    2. 表現学習
    3. 機械学習
    4. 探索・推論
    (イ)の選択肢
    1. Deep Blue
    2. Bonkras
    3. Ponanza
    4. Sharp
    (ウ)の選択肢
    1. A/Bテスト
    2. パターンマッチング
    3. トイ・プロブレム
    4. 逆問題
    • 探索・推論、知識表現、機械学習、深層学習
  • 人工知能分野の問題例題
     

    問題: 「強いAI・弱いAI」に関する説明として適切なものを2つ選べ。

    1. 「強いAI」は、エキスパートシステムと呼ばれ、現在でも広く実用されている。
    2. AGI(Artificial General Intelligence: 汎用人工知能)と呼ばれるものは、「強いAI」により近いものである。
    3. 本来の意味での「人間のように考えるコンピュータ」が開発されたことが、第3次人工知能ブームのきっかけである。
    4. 国際的な画像認識のコンペティションでは、「弱いAI」が人間を超える識別性能を実現している。
    例題
     

    問題:以下に挙げる用語は、第二次AIブームが起こった際に取り上げられた問題である。 それぞれの問題の説明としてふさわしいものをそれぞれ1つずつ選びなさい。 (ア)フレーム問題 (イ)シンボルグラウンディング問題

    選択肢
    1. 人間の持つ膨大な知識を体系化することが難しい。
    2. 有限な情報処理能力では、 知識を用いて現実のあらゆる問題を解くことは難しい。
    3. 単語の文字列などの記号と、それの表す意味を結びつけることが難しい。
    4. 膨大な知識を処理するための高速な計算機の開発が難しい。
    5. 十分なデータを取るためのインターネットを整備することが難しい。
    • トイプロブレム、フレーム問題、弱いAI、強いAI、身体性、シンボルグラウンディング問題、特徴量設計、チューリングテスト、シンギュラリティ
  • 機械学習の具体的手法例題
     

    問題:空欄に当てはまる語句の組み合わせとして最も適しているものを1つ選べ。 教師あり学習の問題は出力値の種類によって、大きく2種類に分けられる。(A) 問題は出力が離散値であり、カテゴリーを予測したいときに利用される。一方、(B) 問題は出力が連続値であり、その連続値そのものを予測したいときに利用される。

    1. 1. (A) 限定 (B) 一般
    2. 2. (A) 部分 (B) 完全
    3. 3. (A) 分類 (B) 回帰
    4. 4. (A) 線形 (B) 非線形
    例題
     

    問題:以下の文章は、さまざまな機械学習の手法について述べたものである。空欄に最もよく当てはまる選択肢を、語群の中から1つずつ選べ。

    学習データに教師データと呼ばれる正解ラベルつきのデータを用いる手法は(ア)と呼ばれ、対照的に正解ラベルがないデータを利用する手法は(イ)と呼ばれる。また、正解ラベルが一部のサンプルにのみ与えられている(ウ)という手法も存在する。 選択肢
    1. 教師なし学習
    2. 教師あり学習
    3. 強化学習
    4. 表現学習
    5. マルチタスク学習
    6. 半教師あり学習
    7. 多様体学習
    例題
     

    問題:以下の空欄に最もよく当てはまる選択肢を1つずつ選べ。

    分類問題にはさまざまな性能指標がある。ここでは、サンプルを陽性(Positive)と陰性(Negative)の2クラスに分ける2値分類を考える。(ア)は単純にサンプル全体のうち、予測が正解したサンプル数の比を取ったものである。また、偽陽性(False Positive, FP)を減らすことを重視する場合には(イ)を、逆に偽陰性(False Negative, FN)を減らすことを重視する場合には(ウ)を採用することが望ましい。しかし、この両者はトレードオフの関係にあることから、それらの調和平均を取った(エ)が利用されることも多い。 選択肢
    1. 正答率
    2. 実現率
    3. 協調率
    4. 調和率
    5. 適合率
    6. 再現率
    7. f値
    8. p値
    9. t値
    10. z値
    • 代表的な手法、データの扱い、応用
  • ディープラーニングの概要例題
     

    問題:あるニューラルネットワークのモデルを学習させた際、テストデータに対する誤差を観測していた。そのとき、学習回数が100を超えるまでは誤差が順調に下がり続けていたが、それ以降は誤差が徐々に増えるようになってしまった。その理由として最も適切なものを1つ選べ。

    1. 学習回数が増えるほど、誤差関数の値が更新されにくくなるため。
    2. 学習回数が増えるほど、学習データにのみ最適化されるようになってしまうため。
    3. 学習回数が増えるほど、一度に更新しなければならないパラメータの数が増えていくため。
    4. 学習回数が増えるほど、計算処理にかかる時間が増えてしまうため。
    例題

    問題:近年急速にディープラーニングが高い成果を上げるようになった理由として当てはまるものを全て選べ。

    1. 半導体技術の進歩による計算機の性能向上やGPUによる高速な並列演算により、現実的な時間で学習を行うことができるようになったため。
    2. 神経科学の発展により、画像認識や自然言語処理に対する視覚野や言語野など、タスクに対応した人間の脳の構造を実物通りに再現できるようになったため。
    3. インターネットの普及により、表現力の高いモデルが過学習を起こさずにすむ大量のデータを得ることができるようになったため。
    4. 誤差逆伝播法の発明によってそれまで困難だった多層ニューラルネットワークの訓練が可能になったため。
    5. ディープラーニング向けのフレームワークが多数開発され、実装が容易になったため。
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢を1つずつ選べ。

    最適化手法の一つである最急降下法は、学習時に全ての教師データを同時に用いる。これは、(ア)と呼ばれている。一方、ディープラーニングの場合、通常は教師データが大規模になることが多く、(ア)が困難である。そこで、一部のデータのみを用いてパラメータの更新を逐次おこなう確率的勾配降下法が用いられることが多い。ひとつのサンプルだけを利用する手法は(イ)と呼ばれる。(ア)と(イ)は、どちらにも長所と短所があり、折衷案として、ある一定数のサンプル群を利用する(ウ)が採用されることもある。
    1. セット学習
    2. バッチ学習
    3. オンライン学習
    4. ポイント学習
    5. サンプリング学習
    6. ミニバッチ学習
    • ニューラルネットワークとディープラーニング、既存のニューラルネットワークにおける問題、ディープラーニングのアプローチ、CPU と GPU
    • ディープラーニングにおけるデータ量
  • ディープラーニングの手法例題
     

    問題:通常のニューラルネットワークにはない、畳み込みニューラルネットワークがもつ分類問題の汎化性能の向上に寄与する特徴として、最も適切なものを1つ選べ。

    1. ネットワークの中間層で、再帰的にフィードバックが与えられる。
    2. 決定境界を非線形にするために、活性化関数が利用される。
    3. 画像全体に対して、一定範囲ごとに入力の特徴量が抽出される。
    4. 出力層において、出力が確率に変換される。
    例題

    問題:次の文章の(A)、(B)の組み合わせとして、最も適しているものを1つ選べ。 時系列データの分析には、もともと( A )が最も適していると考えられていたが、時系列データのひとつである音声処理の分野では( B )が非常に高い精度を記録している。

    1. (A)リカレントニューラルネットワーク (B)畳み込みニューラルネットワーク
    2. (A)リカレントニューラルネットワーク (B)Autoencoder
    3. (A)畳み込みニューラルネットワーク (B)リカレントニューラルネットワーク
    4. (A)畳み込みニューラルネットワーク (B)Autoencoder
    5. (A)Autoencoder (B)畳み込みニューラルネットワーク
    6. (A)Autoencoder (B)リカレントニューラルネットワーク
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢を語群の中から1つずつ選べ。

    画像認識の国際的なコンペティションのひとつに、ILSVRC(ImageNet Large Scale Visual Recognition Competition)がある。ここで、2012年にCNNのモデルである(ア)が優勝を飾った。それからというもの、続けざまにCNNのモデルが高い成果を上げている。2014年にはインセプションモジュールという構造を利用した(イ)が優勝し、オックスフォード大のチームが開発した(ウ)もまたそれに迫る優秀な成績を収めた。また、2015年には残差学習という深いネットワークの学習を可能にした(エ)がそれぞれ優勝している。 選択肢
    1. AlexNet
    2. ElmanNet
    3. GoogLeNet
    4. ImageNet
    5. LeNet
    6. ResNet
    7. VGG16
    8. WaveNet
    例題
     

    問題:以下の文章の空欄に最も適切に当てはまる選択肢を、各語群の中からそれぞれひとつずつ選べ。

    RNN(Recurrent Neural Network)は、(ア)を扱うことに優れている。それまでのフィードフォワードニューラルネットワークと比較して特徴的なのは、入力データに加え(イ)を隠れ層に入力する(ウ)構造を取り入れたことである。 選択肢 (ア)
    1. 周期データ
    2. 累積データ
    3. 連鎖データ
    4. 系列データ
    選択肢 (イ)
    1. 前回の入力
    2. 前回の中間層の状態
    3. 過去のすべての入力
    4. 過去のすべての中間層の状態
    選択肢 (ウ)
    1. 再帰
    2. 畳み込み
    3. 逆伝播
    4. 正則化
    • 活性化関数、学習率の最適化、更なるテクニック、CNN、RNN
    • 深層強化学習、深層生成モデル
  • ディープラーニングの研究分野例題
     

    問題:RNN(Recurrent Neural Network)が自然言語処理の分野で精度の向上に寄与した理由として、最も適しているものを1つ選べ。

    1. 畳み込み層で畳み込み処理を行うことにより、単語の出現位置から文脈を読み取れるようになったため。
    2. 隠れ層で過去の情報を保持できるようになり、文字の並びから意味を抽出できるようになったため。
    3. ネットワークの外部に記憶部分を設けることで、文章のパターンを簡単に参照できるようになったため。
    4. 正しい文章の出力ができるようになるまで繰り返し自動で学習できるようになったため。
    例題
     

    問題:以下の文章の空欄に最も適切に当てはまる選択肢を、各語群の中からそれぞれひとつずつ選べ。

    ロボティクス分野でも、機械学習の応用が進められている。例えば、ロボットの動作制御にQ学習やモンテカルロ法などを用いる(ア)のアルゴリズムを利用する事例は多く存在する。また、ロボットはカメラ(視覚)、マイク(聴覚)、圧力センサ(触覚)などの異なったセンサ情報を収集できる(イ)システムを持っていることから、これらの情報をDNNで統合的に処理する研究や、ロボットの一連の動作の生成をひとつのDNNで実現しようとする(ウ)の研究も行われている。 選択肢 (ア)
    1. 一気通貫学習
    2. 教師あり学習
    3. 挙動学習
    4. 適応的学習
    5. 強化学習
    6. 表現学習
    選択肢 (イ)
    1. マルチモーダル
    2. インセプション
    3. コグニティブ
    4. フルスクラッチ
    選択肢 (ウ)
    1. 一気通貫学習
    2. 教師あり学習
    3. 挙動学習
    4. 適応的学習
    5. 強化学習
    6. 表現学習
    • 画像認識、自然言語処理、音声処理、ロボティクス (強化学習)、マルチモーダル
  • ディープラーニングの応用に向けて
    • 産業への応用、法律、倫理、現行の議論
●G検定テキスト

深層学習教科書 ディープラーニング G検定(ジェネラリスト) 公式テキスト

日本ディープラーニング協会が執筆した公式テキスト。最新シラバス「JDLA Deep Learning for GENRAL 2018」に完全準拠しており、各章末には練習問題も。

詳細

JDLA Deep Learning for ENGINEER 2020 #1

  • 応用数学
    • 線形代数
    • 確率・統計
    • 情報理論
  • 機械学習
    • 機械学習の基礎
    • 実用的な方法論
  • 深層学習
    • 順伝播型ネットワーク
    • 深層モデルのための正則化
    • 深層モデルのための最適化
    • 畳み込みネットワーク
    • 回帰結合型ニューラルネットワークと再帰的ネットワーク
    • 生成モデル
    • 強化学習
    • 深層学習の適応方法
  • 開発・運用環境
    • ミドルウェア
    • 軽量化・高速化技術
    より詳細なシラバスはこちら: JDLA_E2020シラバス
    ※過去のシラバスはこちら: JDLA_E2019シラバス

推薦図書

JDLA認定プログラム

JDLAでは、ディープラーニングの理論を理解し、適切な手法を選択して実装する能力を持つ人材を育成する講座を、JDLA認定プログラムとして認定推奨しています。いずれかの認定プログラムの受講を修了すると、E資格の受験が可能になります。

※お申し込み・お問い合わせは各認定プログラムの実施事業者までご連絡ください。

なお、新たにJDLA認定プログラムとして講座の認定をお考えの事業者様・教育機関様は、お問い合わせフォームよりお問い合わせください。

合格者の声

●G検定

・印刷業・システムコンサルタント 50代 Iさん

会社の事業モデルをAI志向へ切り替えるにあたり、自らもシステムエンジニア/コンサルタントからAIコンサルタントへシフトすべく、人工知能関連技術に関してはゼロベースの状態から勉強を始めました。 Deep Learningの発想、アイデアはどれも興味深く楽しく学べました。またG検定対策のおかげで基礎から網羅的に学ぶことができました。弊社では現在G検定合格者3名、全社的な取り組みとして推進しており、その効果として社内の一部ではAI用語も通じるようになりつつあります。

・高校生 10代 Sさん

著名な数学者 ジョン・E・リトルウッドは、下記の内容を述べています。『試験はほんとうの数学ではなく、次の段階に進むために勝たなければならない技巧的なゲームに過ぎない』と、今回のG検定はまさしく上記の内容に合致して、真のAIエンジニアの素養および本質を問うテストとは言い難いと思いましたが、深層学習へのかなり入門的な試験だと思うので、初めのステップとしてはいいかもしれません。大学卒業以上の多変数の微分積分、微分方程式、線形代数が理解できていれば、余裕です。

・ICTシステム開発・製品企画 40代 Mさん

現在、自社にてDeeplearningを活用した製品、「画像を利用した異常検知システム」の製品開発責任者をしております。自身の知識レベルの判定とメンバー育成に活用できるのか判断したい考えから試験を活用しました。結果として、試験勉強の段階から試験範囲が非常に幅広い内容となっていることもあり、試験勉強をすることで知識が深まったり改めて再認識することが多く、非常に大きな気づきが得られました。まだまだ発展途上な分野な為、定期的に試験を受けてみることで常に新たな気づきが得られると考えております。

・製造業 30代 Nさん

自分の理解度確認のために受けてみました。試験はディープラーニングだけでなく、統計的機械学習の理論から世間動向まで幅広い出題があり、良い意味で期待を裏切られました。また、成績優秀者として表彰もしていただいたことから、会社の中でも一目置かれるようになったため、今はまわりにG検定を勧める! 教える立場にもなっています。

・AIエンジニア 30代 Yさん

当時はAIエンジニアを夢見て転職活動中で、G検定を受講したのも転職のアピール目的でした。AIエンジニアの求人は経験者募集が多く、未経験の私にとって非常に厳しいものでしたが、G検定を受験した際に学んだ知識があったおかげで面接時にAI関連のトークを面接官とでき、なんとか内定を頂くことができました!とっても嬉しいです!

・ICTシステム構築・アプリケーションエンジニア 50代 Mさん

マネージャーからエンジニア、データサイエンティストまで、G検定は非常に役立つと感じています。まず勉強する範囲が幅広く、全体網羅的に身につける必要があります。たとえ試験を受けなくても、勉強するだけで、今後の業務に非常に役立ちます。次に、合格後は、G検定合格者として、その技術力、および、知見をアピールすることができます。JDLA、および、G検定の知名度は徐々に広がってきており、第三者からの認定の意味は非常に大きいものがあります。最後に、合格者どうしのコミュニケーションの場があり、交流ができるとともに、更に技術力を高め、切磋琢磨するモチベーションを保つことができます。Deep Learningは、今後のシステム開発において基盤となる技術であることを含め、是非ともG検定をおすすめしたいと思います。