【G検定過去問風テスト】「特徴量の主体」を見極めろ！古典的機械学習と深層学習の決定的違い

2026年7月17日 2026年7月21日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

従来の「古典的な機械学習」と比較したときの、「ディープラーニング（深層学習）」の最大の特徴として、最も適切な選択肢を1つ選べ。

A）データから予測や分類を行うために、ドメインの専門家（人間）がデータの特徴量を緻密に定義・設計して入力する必要がある点。
B）予測の根拠や判断プロセスが非常にシンプルであり、モデルがなぜその結論に至ったのかを人間が容易に説明できる点。
C）人間が注目すべきポイントを指定しなくても、大量のデータからAI自身が自動的に「特徴量」を抽出・学習できる点。
D）モデルの学習に必要なデータ量が比較的少量で済み、高性能なGPUやTPUなどの計算リソースを一切必要としない点。

🔍 ここをクリックして正解を見る

正解: C）人間が注目すべきポイントを指定しなくても、大量のデータからAI自身が自動的に「特徴量」を抽出・学習できる点。

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

ディープラーニングの最大の本質は「特徴量の自動抽出」。
古典的な機械学習：特徴量を設計するのは「人間（専門家）」。
ディープラーニング：特徴量を自動で見つけ出すのは「AI自身」。
試験では、この「主体の入れ替え」が最も多いひっかけパターン！

■ 初学者向け解説（例え話や背景）

「ディープラーニングと機械学習って、結局何が一番違うの？」

ここがすっきりつながると、G検定の多くの問題が一気に解けるようになります。その決定的な違いは、「データのどこに注目するかを決めるのはだれか？」ということです。

これを、「ダイヤモンドの鑑定」に例えてみましょう。

* 従来の機械学習は「ベテラン鑑定士の指示に従う見習い」
従来の機械学習では、人間のベテラン鑑定士（専門家）が「いいかい、ダイヤの価値を決めるのは『カットの美しさ』『透明度』『色』『重さ』の4つ（特徴量）だよ」と手取り足取り指示します。AIはその指定されたポイントだけをチェックして点数を計算します。つまり、人間が注目ポイントを用意してあげる必要があったのです。

* ディープラーニングは「何万個ものダイヤを見て野生の勘をつかんだ天才」
一方のディープラーニングは、人間から注目ポイントを教わりません。その代わりに、何万個・何百万個もの本物と偽物のダイヤの画像をひたすら見まくります（大量のデータ）。すると、多層のネットワークを通じて「なるほど、本物は光の屈折のこのわずかな角度や、この独特の輝きに共通点があるぞ！」と、人間すら言葉にできない「美しさの秘密（特徴量）」を自力で発見してしまうのです。

この「人間が教えなくても、AIが勝手に注目ポイントを見つけてくれる」という大革命こそが、画像認識や音声認識でAIが人間を超える精度を出せるようになった一番の理由です。

■ 選択肢の解説

A) データから予測や分類を行うために、ドメインの専門家（人間）がデータの特徴量を緻密に定義・設計して入力する必要がある点。（×）:

これは「従来の（古典的な）機械学習」の説明です。問題文の「主体の入れ替え」を狙った典型的なひっかけ選択肢です。
B) 予測の根拠や判断プロセスが非常にシンプルであり、モデルがなぜその結論に至ったのかを人間が容易に説明できる点。（×）:

ディープラーニングは、何層もの複雑なネットワークで処理を行うため、内部の判断基準がブラックボックス化しやすく、人間が説明するのは難しいというデメリット（課題）があります。説明しやすいのはむしろ「古典的な機械学習」です。
C) 人間が注目すべきポイントを指定しなくても、大量のデータからAI自身が自動的に「特徴量」を抽出・学習できる点。（○）:

これぞ大正解！ディープラーニングの定義そのものであり、試験で最も得点に直結する超重要フレーズです。
D) モデルの学習に必要なデータ量が比較的少量で済み、高性能なGPUやTPUなどの計算リソースを一切必要としない点。（×）:

これも中身が真逆です。ディープラーニングは自力で特徴量を見つけるために「膨大なデータ（数万〜数百万件以上）」が必要で、それを処理するために高性能な「GPUやTPU」が必須となります。