Skip to content

DNET_EExamPrep

Jump to bottom
nishi_74322014 edited this page Sep 11, 2026 · 1 revision

E資格：試験対策

概要

資格取得：2024/9

実施概要

シラバスの変更

【応用数学】
　◆線形代数
　　◇特異値分解
【機械学習】
　◆機械学習の基礎
　　◇教師あり学習アルゴリズム
　　◇教師なし学習アルゴリズム
　　◇確率的勾配降下法
【深層学習】
　◆順伝播型ネットワーク
　　◇アーキテクチャの設計
　　◇誤差逆伝搬法およびその他の微分アルゴリズム　※以下のみ
　　　・全結合 MLP での誤差逆伝搬法
　◆深層モデルのための最適化
　　◇基本的なアルゴリズム　※以下のみ
　　　・ネステロフのモメンタム
　◆畳み込みネットワーク
　　◇構造出力
　　◇データの種類
　　◇効率的な畳み込みアルゴリズム
　◆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
　　◇回帰結合型のニューラルネットワーク　※以下のみ
　　　・教師強制と出力回帰のあるネットワーク
　　　・有向グラフィカルモデルとしての回帰結合型のネットワーク
　　　・RNNを使った文脈で条件付けされた系列モデリング
　　◇深層回帰結合型のネットワーク
　　◇再帰型ニューラルネットワーク
　　◇複数時間スケールのための Leaky ユニットとその他の手法　※以下のみ
　　　・時間方向にスキップ接続を追加
　　　・接続の削除
　◆深層学習の適応方法
　　◇画像認識
　　　・VGG

学習コンテンツ

  • 全般的に熟れていない印象があり、

  • 初学者が知っておくべき重要なポイントを理解できたのが、わりと後半だった。

    • 機械学習、深層学習ともに、AIは、逆問題的に処理する（学習して推論する）。

    • 機械学習、深層学習の学習では、主に、データの分布や、確率分布を学習している。

    • 順問題だと、すべての因果関係を知っている必要がある。

      • 因果関係が複雑な問題の場合は、コレは現実的ではない。
      • 逆問題の場合、トレンド（因果関係中の前提条件相当）が変わったら再学習すれば良い。

    • 学習は、関数による近似で行っている。
      この近似を数理最適化やパラメタ推定と呼ぶ。

    • 深層学習

      • のニューラルネットは、この関数に該当するが、
        合成関数による表現力と、誤差逆伝播法による計算可能性を併せ持っているのが特徴。
      • の特徴は、非構造データからの特徴量抽出をニューラルネットの多層化された
        合成関数を通過する中で自動的に行う点にある（CNN→畳み込み、LM→アテンション）。

  • Q:「ChatGPTはなぜ、人が話す命令を理解して回答できるのか？」
    （関数の近似と言う理解ではピンとこない）
    A:「言語モデルは確率的に次単語予測を行う生成モデルだから。」

認定プログラム

について思う事。

コンテンツ

  • 認定プログラムによっては内容が異なると思われ、不安がある。
  • 認定プログラムのコンテンツでは理解できずネットを参照している時間が長かった。
  • 認定プログラムを完了してからシラバスを眺めても解らないモノが多々ある状態。
  • 認定プログラムを完了してから黒本を眺めても解らない問題が多々ある状態。
  • 認定プログラムはシラバスの「グレー網掛：オプション（出題対象外）」も含んでいる。
  • 認定プログラムには試験に出ないプログラム実習も長時間あり、足切り的な意味もありそう。
    （ただし、実務的にはプログラム実習の方が圧倒的に役に立つが）

認定の感想

  • 以下の様な感想がWeb上にあり、所詮は足切り用と言う感もある。

    • 値段相応なのか、資料は統一性が無く、突貫でかき集めたような内容。

    • 2業者のプログラムを受講したが、業者次第で、網羅性が異なっている。

    • 終了試験、終了試験直後の状況は3-4割の正答率

      • 事例A：認定プログラム終了試験では初見で解ける問題が3割程度という感触だった。
      • 事例B：認定プログラム修了後に黒本をやったら
        正答率は5割に届かない壊滅的な理解度だった。
      • 事例C：認定プログラムは修了できたものの、E資格の黒本をやった結果、
        正答率が4割程度かつ、回答を見ても理解に時間がかかるといった絶望的な状況。

  • 特に、認定プログラム終了時に足りないと感じている部分

    • 応用数学（逆行列、固有値、特異値、ベイズ統計、情報量系）

      • 講義を聞いたダケだと計算・得点できない。
      • 修了試験～本試験対策でようやく暗記スべき計算の手順を見い出せる。
      • 更にネット上で勉強を進めると概念的にも理解できるようになってくる。

    • 深層学習

      • 基礎のDNN、CNN、RNNなどの基本要素
        ・認定プログラムのコンテンツ側が丁寧に説明しているかと言えばそうではない。
        ・コンテンツだけでは心もとないのでカサゴの本を使って理解するも
        　ソレだけでは得点できない。
        ・例えば、CNNのim2colの問題などは本試験対策として象徴的ではある
        　（しかし私が受験した時は出題されなかった笑）。

      • 高難易度の問は想定問題と独自学習の対策の併用が必要？
        ・言語モデルやTransformerについては深く理解したが、
        　其々にソレだけのコストを払うのは難しそう。
        ・高度なモデル、物体検出系、領域検出系、AE系、GAN系、深層強化学習系
        ・その他モデル、GNN、GCN、距離学習、メタ学習。

    • 認定プログラム中の「試験対策」は黒本より内容が圧倒的に薄い。

修了者ナンバー

認定プログラムを完了すると入手できるはずだが、
e-learningが完了していても自動的に発行されないものが多いので注意する。

  • ある認定プログラムでは、e-learning完了後にWeb上の試験に合格して
    修了者ナンバー依頼を出す。
  • ある認定プログラムでは、e-learningの巻末にある認定テストに合格するだけではなく、
    レポート提出なども必要で紛らわしい。
  • 修了者ナンバーは直近の試験日に合わせると、
    認定プログラム終了の１ヶ月前位に全要件を満たして申請する必要がある。
  • 認定プログラム完了後の4択試験の正答率が3-4割と考えると、
    １ヶ月前認定を受け１ヶ月で対策するスケジュールは難しい。

※ 余談だが2024/2に取得した修了者ナンバーは3万5千番代だったが
合格者数は、8千人未満で、認定取得も、資格取得していない人が相当数居る事が解る。

  • 資格合格率は6割程度で、その値を使用して計算すると、
    2万人以上は合格者が居てもおかしくはないが、
    実際は、認定者の2(.2)割の8千人程度に留まっている。
  • 実際に、認定取得後、黒本にチャレンジしても、3-4割程度しか得点できないので、
    更にココから、1か月程度の学習が必要になる黒本周回が必要になるので、
    受験していない人も多そう。

試験対策

G検定と異なる点

  • G検定（G検定：試験対策の該当節を参照）と異なる点

  • 試験はCBTでありググれないので暗記が必要な所は暗記が必要になる。

  • G検定と同じ４択だが、過去問が公開されていない。

  • 数学的なバックグラウンド（理解）を持っていないと、学習に時間がかかる。

    • が、高校数学までの数学知識の一部、大学教養レベルで、文系でもなんとかなる。
    • が、深い下位スタックには理工系の大学数学レベルの知識が必要になる部分もある。
    • ただ、試験は4択なので、概念的、上位スタックを理解しておけば回答は可能。
    • 数理最適化の部分を高校数学までの知識で理解し、
      さらに高度な部分は概念的理解にとどまる印象。

  • 範囲はG検定より狭いが（思ったより広く且つ）深い。

    • 故に体積（面積？）的にはE資格の方が大きく、且つ、難易度は高い印象。
    • 実務で使用しない数学的理解やライブラリ内部の実装も問われる。
    • 更に高難易度の問が多いので、対策以前の勉強自体も想定問題が中心になる。
      （通常、下位スタックを網羅的に学習するコンテンツは提供されておらず、
      また、時間的な制約で出来ない）。

勉強方法

  • シラバスに沿った学習は、先ずは、認定プログラムで行うことになる。

    • 改定タイミングに依存するが黒本より
      認定プログラムの方が最新のシラバスに沿っている。
    • 著名な対策業者書籍の黒本は問題提示後に各問題の解説を行うスタイルになっている。

  • 認定プログラムのコンテンツ、修了試験、模擬試験は
    別物と考えた方が良い。

    • オススメの試験の勉強方法は黒本を解く事で、
      講座は模擬試験を除き復習はオススメされていない。

  • 過去問が公開されていないので過去問対策はできない
    （認定プログラム付属の模擬試験は可能）。

    • 認定プログラムで認定を取った後は、
      以下を留意して黒本での試験対策を行う。
      • 認定プログラムのコンテンツはシラバスの
        「グレー網掛：オプション（出題対象外）」も含んでいる。
      • 認定プログラム中の「模擬試験」は黒本より内容が薄く解説も十分でない。
      • 認定プログラム中の「模擬試験」は黒本より最新動向が反映されている。

黒本での試験対策

  • 黒本

  • シラバスの出題対象外を除いて例題を解いていく。

  • 黒本には想定問題・模擬試験が収録されている。

  • 想定問題・模擬試験という体裁だが、体系的かつ重要ポイントが抑えてある。

  • 3・4周やれば十分合格できる。7周で100%に到達するらしい。

    • 1周、20時間1ヶ月程度、後半は3時間半日程度で1周できるらしい。
    • その状態で正解率は80-90%弱で合格（合格ライン65%）
      （...と言われていたが、過去形かもしれない）。

  • 最近は、黒本からの出題が減り、
    認定プログラムからの出題が増えているらしい。

    • シラバスの変更に黒本が追い付いていない
      （高度な深層学習の問題が増えている）。
    • 2022年8月の時点で問題集第2版（2022年2月以前の範囲）が
      カバーしていたのは全体の60～70％

Python

について、

  • 黒本の巻末の知識集が役立つ。
  • 行列演算がキーとなる。axisの方向など。

その他（試験対策）

  • 新シラバスの、認定プログラムや黒本の、
    カバー範囲外はどの様に勉強するか？

    • シラバスの変更に黒本が追い付いていない。
    • 認定プログラムの模擬試験も、
      シラバス変更がされた場合はどうするか？
    • （私は丁度、認定プログラム完了後、
      シラバス変更を跨いで受験した）

  • ぶっつけ本番で捻りが入ったケース
    （畳み込みの工夫によるパラメタ数の削減 → 計算量の削減 問題）は対応困難。

  • 過去問なし、シラバス変更などを考えると、過去問でなくても
    模擬試験にアクセスできると良いのだが、なかなか無いのが実情。

数学には

ビビらなくて良い。

基礎（数学）

シラバスにはない。

  • 微分
  • 行列計算

応用（数学）

応用以降はシラバスにある。

＜行列＞

  • 行列計算は機械学習・深層学習で必要。

  • 機械学習の簡単な最小二乗法は逆行列で解ける。

  • 深層学習の順伝播、逆伝播は行列計算の塊。

  • 固有値・特異値分解

    • 固有値分解

      • 主成分分析（PCA）
      • グラフベースのクラスタリング
      • スペクトルクラスタリング

    • 特異値分解

      • 主成分分析（PCA）
      • データ圧縮
      • 協調フィルタリング

＜最適化（機械学習の理論 の該当節）＞

  • 最小二乗法はそれほど難しくはないが、
  • 最尤法とベイズの定理についても理解しておくこと。

数式

  • 先ず、計算方法を示す数式もあるが、そうでないモノも多い。

  • また、高校数学では解かないといけないが、解くものでないモノも多い。

  • 多くの式は実際に計算するものではないので暗記すれば良いが
    （4択で計算している時間もない）、
    記号の羅列を暗記するのは難しいので、
    式の意味を理解したり、式の導出を行ったりすることで覚える。

  • 数式は自然言語で数行に渡る説明を一目で示したもの。
    （リメディアル教育コンテンツでも方程式＝説明）
    プログラム実装の土台となっている数学的な理論を
    図示したグランド・デザイン的なモノになっている。

    • 数式の意味が理解できる ≒ 設計を理解できる。
    • 数式の意味が理解できる ≒ プログラムを実装できる。

式の導出

  • 式の導出については、基本的な定理を知っていれば導出できるケースが多い。

  • 生成AI系言語モデル（GPTなど）は数式の計算過程も教えてくれるので、
    数式をコピペして質問すると良い。

    • TeXやPPTで記述した式をコピペすれば式を理解してくれる。
    • 加えて計算過程を示せと命令すれば、計算過程を教えてくれる。

全体の理解

  • ...には数式（理論）⇔ 設計図（組立）⇔ プログラム（実装）が必要。

    • 例えば、CNNの畳み込みを数式で記載することはできる。

    • ただし、それぞれの要素自体の説明には自然言語が必要になる。

    • また、それぞれの要素の関連の説明にも自然言語が必要になる。

    • 更に、実際の実装についても、自然言語（＋図表）による説明が必要になる。

    • 例えば、im2colで空間的なイメージや実装の理解が困難な場合、
      （例えば高次元配列の次元の入換や計算量を減らすためのトリッキーな実装）
      図表でも難しいので、自然言語の脚注で対応することになる。

  • ...と言う事は、即ち自然言語の説明を読めってことだが、

    • 行間なく自然言語での説明が記述されているコンテンツも少ない。

      • （今の所、）数式については認定プログラムの説明は全然ダメ。
      • ググって動画やブログを掘り当ててナントカ理解するような状況。

    • なお、自分で解読するには以下で行うようだが難易度が高い。
      （AIcia Solid Project曰く以下の試行で解読可能とのことだが）

      • 特別な値を代入してみる。
      • 増減を考える。
      • 極限を考える。

    • 昨今、生成AIが使えるようになってきているので、

      • コレに数式を説明させるとよい。
      • TeXやPPTで記述した式をコピペすれば式を理解してくれる。

高度なモデル（数学）

  • 特に、VAEやGANなどの生成モデルの数式は、理論の雰囲気を掴む程度。
  • また、強化学習系は難しいものが多い。黒本に丸暗記と書かれているものも。

そもそも数式とは？

  • ChatGPTに質問するとよい。
    プロンプト「そもそも数式とは？」

  • 更に回答から認識を確認する。

    • プロンプト

      • 数式は、人間は理論を自然言語や図表を使用して説明するが、
        それだと非常に時間がかかるので、記号化し効率を高めていると言えますか？
      • また、公式の導出などの過程を考慮すると、下位スタックをブラックボックス化して
        再利用して効率を向上させていると言えますか？

    • ChatGPT:

      • はい、まさにおっしゃる通りです。あなたの考え方は非常に本質的で、
        数学や数式の存在理由・構造的性質をよく捉えています。
        以下にそれを整理して説明します。
      • （中略）
      • あなたの問いに対する答えは明確に 「はい」 です。
        この考えは、数学をただの計算技術ではなく、
        高度に構造化された知的インフラとして理解するうえで非常に重要です。

詳細

数学的基礎

シラバスにはない。

方程式

  • 方程式（DS：数学的基礎 の該当節）

微分・積分

微分・偏微分

応用数学

  • 出題量内訳 10%
  • 約9割正解が目標

線形代数

確率分布

パラメタ推定

機械学習・情報理論

  • 機械学習・情報理論（機械学習（machine learning） の該当節）

  • 自己情報量

  • エントロピー ≒ 平均情報量 ≒ シャノン・エントロピー

  • 交差エントロピー（クロスエントロピー）→ 対数尤度関数

  • 結合エントロピー、条件付きエントロピー、相互情報量

  • KLダイバージェンス（相対エントロピー、KL情報量）、JSダイバージェンス

機械学習

  • 出題量内訳 35%
  • 約9割正解が目標

機械学習の概観

機械学習、教師あり学習、教師なし学習、半教師あり学習（機械学習（machine learning） の該当節）

機械学習の最適化

（パラメタ推定）

パターン認識

アルゴリズム

学習上の課題点

検証集合

性能指標

深層学習（DNN）

  • DNN（ニューラルネットワーク の該当節）

深層学習（DNN、CNN、RNN）合わせて

  • 出題量内訳 50%
  • 約5割正解が目標

多層パーセプトロン

全結合層、重み、バイアス

活性化関数

損失関数（誤差関数）

勾配降下法

  • 勾配降下法（ニューラルネットワーク（学習） の該当節）

アルゴリズム（深層学習のテクニック の該当節）

誤差逆伝播法

計算グラフ、
合成関数の偏微分、連鎖律、
勾配消失（ニューラルネットワーク の該当節）

ミニバッチ学習

重みの初期値

正規化

ハイパーパラメタとチューニング

＝性能向上

過学習対策

＝「汎化」性能向上

その他（DNN）

深層学習（CNN）

  • CNN（畳み込みニューラルネットワーク（CNN））

深層学習（DNN、CNN、RNN）合わせて

  • 出題量内訳 50%
  • 約5割正解が目標

畳み込み

  • 畳み込み（畳み込みニューラルネットワーク（CNN） の該当節）

プーリング

  • プーリング（畳み込みニューラルネットワーク（CNN） の該当節）

データ集合の拡張

CNNでの正規化

im2col実装

（元 Wiki でも内容は未記載。）

深層学習（RNN）

  • RNN（再帰型ニューラルネットワーク（RNN））

深層学習（DNN、CNN、RNN）合わせて

  • 出題量内訳 50%
  • 約5割正解が目標

RNNの内容

  • RNNの内容（再帰型ニューラルネットワーク（RNN） の該当節）

長期依存性の課題

Sequence-to-Sequence

RNNの実装

  • RNNの実装（再帰型ニューラルネットワーク（RNN） の該当節）

RNN Encoder-Decoder

Bidirectional RNN（双方向 RNN）

ゲート付きRNN(LSTM)

ゲート付きRNN(GRU)

分野別の深層学習

画像処理

言語処理

高度なモデル

AE

GAN

GNN

（元 Wiki でも内容は未記載。）

GCN

（元 Wiki でも内容は未記載。）

距離学習

（元 Wiki でも内容は未記載。）

メタ学習

（元 Wiki でも内容は未記載。）

深層強化学習

深層学習の説明性（XAI）

CAM、Grad-CAM

（元 Wiki でも内容は未記載。）

LIME、SHAP

（元 Wiki でも内容は未記載。）

その他（詳細）

Few / One / Zero-Shot

開発・運用環境

  • 開発・運用環境（深層学習（deep learning） の該当節）

  • 出題量内訳 5%

  • 約9割正解が目標

モデルの軽量化

  • モデルの軽量化（深層学習（deep learning） の該当節）

  • プルーニング（枝刈り）

  • 蒸留(Distillation)

  • 量子化（Quantization）

分散深層学習

  • 分散深層学習（深層学習（deep learning） の該当節）

  • モデル並列化

  • データ並列化

ハード・システム基盤

参考

認定プログラム（参考）

金額が安いプログラムはそれなり。

認定プログラム事業者

AI_STANDARD

  • 実際、受けた。
  • 廉価だった。
  • 実装編は良かった。
  • 解説は寄せ集め感があった。

Study-AI

  • 実際、受けた。
  • 法人向けのもので高価だった。
  • 実装編はあまり良くなかった。
  • ベースはラビットチャレンジのHG専用コース
  • ラビットチャレンジは情報が多くて良い。
  • 解説は、良いものもあるが、属人的でバラツキがある感じ。
  • 振り返って全体的に難しいと感じるのは解説が良くないせい。

ラビットチャレンジ

  • 個人でやるならコレの一般コースが良さそう。
  • 高額なプレミアムコースは上記の法人向けのモノだと思うが、
    「質問対応あり」と言っても、それは、あまり活用しなかった。

AI研究所

公開情報が多かったのでサンプルとして

事業者一覧

他にもいろいろありそう

YouTube

Qiita

E資格（Qiita）

jun40vn

MeiyByeleth

（E資格対策）

深層学習 Day n系

zenn

E資格（zenn）

https://zenn.dev/search?q=E%25E8%25B3%2587%25E6%25A0%25BC

robes

書籍

ゼロつく

  • ゼロつく（深層学習（deep learning） の該当節）

（ゼロから作るDeep Learning）

  • 本格的な入門書
  • 外部のライブラリに頼らずPythonでゼロからディープラーニングを作る
  • これにより、ディープラーニングの原理を学び実装レベルで理解する。

黒本

徹底攻略ディープラーニングE資格エンジニア問題集 第2版 - インプレスブックス
https://book.impress.co.jp/books/1120101184

  • 想定問題・模擬試験が収録。双方に相対的に重厚な解説が付録している。

  • 黒本で対策すれば合格できる（と言われていた、しかし、過去形かも）。

  • 問題は「解説 → 問題」ではなく「問題 → 解説」のフォーマットなので、

    • シラバスの体系を網羅した対策と言えるかどうか？は疑問が残る。
    • （しかも、黒本改定がシラバス改定に追いついておらず古い）
    • ただし、合格を目標にした場合は、本書での学習効率は良いと思われる。

移行メモ

  • 元 Wiki で見出しそのものが他ページ・同ページ内へのリンクになっていた箇所は多数あるが、 GitHub Wiki では見出しからアンカが生成されるため、 見出しをプレーン・テキストとし、リンクは直下の本文に置いた。
  • PukiWiki のページ内アンカ（#xxxxxxxx）は GitHub Wiki では再現できないため、 同一ページ内のアンカは見出しから生成されるアンカに張り替え、 他ページのアンカを指すリンクは「〜（ページ名 の該当節を参照）」の形に置き換えた。
  • 元 Wiki には「E資格」「その他」「認定プログラム」「基礎」「応用」「高度なモデル」 という見出しが複数あり GitHub Wiki でアンカが衝突するため、 括弧で文脈を補って一意にした （「E資格（Qiita）」「E資格（zenn）」「その他（試験対策）」「その他（DNN）」 「その他（詳細）」「認定プログラム（参考）」「基礎（数学）」「応用（数学）」 「高度なモデル（数学）」）。
  • 元 Wiki の %%…%% による打ち消しは <del> タグに置き換えた。
  • 元 Wiki の行頭空白によるシラバス抜粋は、フェンス付きコードブロックにした。
  • 元 Wiki の「技術進歩が活発では頻繁に変更」→「活発で頻繁に変更」、 「言語モデルはの確率的に」→「言語モデルは確率的に」、 「暗記するのは難い」→「暗記するのは難しい」、 「なんとなかる」→「なんとかなる」、「得に」→「特に」、 「黒本チャレンジしても」→「黒本にチャレンジしても」に正した。

Tags: 移行, 資格, E資格, JDLA, 深層学習, 機械学習, 応用数学, 認定プログラム, 黒本, DNN, CNN, RNN

このWikiは「Open棟梁Project」,「OSSコンソーシアム 開発基盤部会」によって運営されています。

NetDevInfraWiki

マイクロソフト系技術情報 Wiki
Open 棟梁 Wiki

（未着手）

開発基盤部会 Wiki

移行管理: DONE ／ TODO

Clone this wiki locally