AI実装検定B級は、AIの実装に必要な知識（Pythonプログラミング・数学・機械学習・ディープラーニングの基礎）を問う検定です。範囲は8分野と広く、AI用語・数学の公式・ライブラリの関数といった『覚えるべきキーワード』が多いのが特徴です。この記事では、頻出の用語・公式・関数を分野ごとに一覧で整理します。試験直前の総まとめや、学習の抜け漏れチェックに活用してください。
① AI基礎の重要用語
- 強いAI（汎用型）：人間のような高度な知能を持つが未実現／弱いAI（特化型）：特定分野に特化
- 3度のブーム：第1次＝推論と探索、第2次＝エキスパートシステム、第3次＝機械学習・ディープラーニング
- 機械学習の分類：教師あり学習（分類・回帰）／教師なし学習（クラスタリング）／強化学習（報酬を最大化）
- 過学習：教師データに偏りすぎて未知データに弱い／汎化性能：未知データへの精度
- 前処理：標本化（サンプリング＝一定間隔で値を取る）／量子化（アナログ値を離散値に）
ニューラルネットワークの用語
- ニューロン：脳の神経細胞を模した基本単位
- 層：入力層（データが入る）→ 中間層 → 出力層
- 重み：入力の重要度／バイアス：積の結果に加える調整値
- 順伝播：入力から出力へ順に処理／誤差：出力値と正解値のズレ
- 平均二乗誤差（MSE）：誤差を二乗して平均をとった誤差関数
- 誤差逆伝播法：誤差を出力側から入力側へ伝え重みを調整（連鎖律を用いる）
② ③ 数学の公式・キーワード
- 微分公式：x^n → nx^(n-1)、定数 → 0、e^x → e^x（不変）、log x → 1/x
- 偏微分：着目する変数以外は定数とみなす／連鎖律：合成関数の微分に使う
- L1ノルム＝成分の絶対値の和（L1正則化・LASSO）／L2ノルム＝二乗和の平方根（矢印の長さ）
- 内積＝成分の積の和（結果は数値）／内積が0なら2ベクトルは直交
- 行列式：2次は ad−bc、三角行列は対角成分の積／det=0 なら逆行列なし
- 固有値：det(A−kE)=0 を解く／確率：0以上1以下、条件付き確率P(B|A)=P(A∩B)/P(A)
④ Python基礎の頻出ポイント
- 文字列：連結は +、繰り返しは *、コメントは #、改行は \n
- メソッド：upper()＝大文字化、replace()＝置換
- リスト：インデックスは0始まり、末尾は -1、範囲外は IndexError
- for文：range() で範囲指定、字下げ（インデント）はスペース4回など
- 条件分岐：if・elif・else、比較は ==（等しい）・!=（等しくない）
- 関数：def で定義、return で値を返す、引数で値を渡す、import で読み込み
⑤ NumPyの関数・属性
- import numpy as np／配列生成は np.array()
- zeros＝0埋め、ones＝1埋め、full＝指定値埋め、eye＝単位行列
- arange＝範囲でstepずつ（stopは含まない）、linspace＝要素数を指定
- 行列の積は dot() または @／属性：ndim（次元）・shape（形状）・size（要素数）
- reshape＝形状変更、view＝メモリ共有、copy＝独立した複製、concatenate＝連結（axis指定）
- 集約：sum・max・mean・min（axis=0は縦、axis=1は横）／マスク x[x>2] で条件抽出
⑥ pandasの型・メソッド
- import pandas as pd／Series＝1次元、DataFrame＝2次元（行・列ラベルを持つ）
- 欠損値：NaN／isna＝欠損をTrue、notna＝欠損以外をTrue
- dropna＝欠損行/列を削除（axis・thresh）、fillna＝欠損を値で埋める
- ffill＝直前の値で前方補完、bfill＝直後の値で後方補完
- 列取得：df['列名']／読み込み：read_csv()／集計：groupby・agg・mean
- 結合：concat（axis）、merge（on・how＝inner/outer/left）
⑦ データ可視化の関数
- Matplotlib：plot（折れ線）、scatter（散布図）、hist（ヒストグラム）
- plot引数：marker（点の形、'o'で丸）、linestyle（省略時は実線）、label（凡例用）
- 凡例は plt.legend()／描画領域は plt.figure()／Figure・Axesは plt.subplots()
- alpha＝透明度（重なりを見やすく）、bins＝ヒストグラムの区切り（分布の解像度）
- seaborn：heatmap＝値を色の濃淡で表現、相関行列の可視化に便利
- seaborn：ペアプロット図＝変数間の関係を一覧、統計データの可視化に特化
⑧ scikit-learnのアルゴリズムと手順
- 共通手順：モデルの準備 → fit（学習） → predict（予測）
- k近傍法（KNeighborsClassifier）：近いk個の多数決／kが小さいとノイズに弱い
- 決定木（DecisionTreeClassifier）：Yes-Noの質問で分岐／max_depth で深さを制限
- SVM（SVC）：決定境界との距離を最大化／kernel＝linear（線形）・rbf（非線形）
- 線形回帰（LinearRegression）：数値を予測／相関関係を捉える
- 分割・評価：train_test_split（シャッフルで偏りを防ぐ）、accuracy_score（正解率）
直前チェック：混同しやすいポイント
- 強いAI（未実現） vs 弱いAI（特化型・実在）
- 教師あり（分類・回帰） vs 教師なし（クラスタリング） vs 強化学習
- L1ノルム（絶対値の和） vs L2ノルム（二乗和の平方根）
- NumPy：zeros / ones / full の埋める値の違い
- pandas：dropna（削除） vs fillna（補完）、ffill（前） vs bfill（後）
- scikit-learn：fit（学習が先） → predict（予測が後）の順序は逆転できない
ケンテイラボで用語と関数を定着させよう
ここで整理した用語・公式・関数は、ケンテイラボのAI実装検定B級対策288問で繰り返し演習することで定着します。8分野に絞り込んで弱点を潰し、似た関数の区別を問う問題や、コードの実行結果を答える問題を重点的に解けば、暗記が『使える知識』に変わります。チートシートで全体像をつかんだら、無料の問題演習で得点力に変えていきましょう。