AI実装検定のカンペ完全版｜分野別に暗記すべき公式・用語・コードを総まとめ

AI実装検定の試験当日、「あの公式、何だっけ？」と焦った経験はありませんか？

この記事は、試験直前まで見返せる『デジタルカンペ』として、数学基礎から機械学習、ディープラーニング、Python実装まで、暗記必須の公式・用語・コードを分野別に総まとめしました。

B級受験者を中心に、A級との共通範囲もカバーしています。

このページをブックマークして、試験前日の最終確認に活用してください。

AI実装検定にカンペは持ち込める？結論と本記事の活用法

AI実装検定の受験を控えた方の中には、「試験会場にカンペを持ち込めるのか？」と疑問に思う方もいるでしょう。

結論から言うと、試験会場への持ち込みは一切禁止です。

本記事で紹介する「カンペ」は、試験直前まで確認できる要点まとめです。繰り返し見返すことで知識の定着をサポートします。

試験会場への持ち込みは一切禁止

AI実装検定は、公式サイトにも明記されている通り、CBT（Computer Based Testing）形式で実施されます。

試験会場では、メモ用紙や参考書、スマートフォンなどの持ち込みは一切認められていません。

受験者は、試験開始前に私物をロッカーに預け、本人確認書類のみを持参します。

試験中は監視カメラによる監視も行われており、不正行為が発覚した場合は即座に失格となります。

したがって、「カンペを持ち込んで楽に合格しよう」という発想は通用しません。

本記事の「カンペ」は試験直前まで見返す要点まとめ

では、本記事で提供する「カンペ」とは何でしょうか？

これは、試験直前まで何度も見返すことで、重要事項を脳に刻み込むための要点集です。

AI実装検定では、数学の公式、機械学習のアルゴリズム、ディープラーニングの用語、Pythonのコード例など、膨大な知識が問われます。

これらを全て暗記するのは困難ですが、本記事では頻出事項を厳選し、分野別に整理しています。

スマートフォンやタブレットでこのページをブックマークしておけば、通勤・通学中や試験会場への移動中に繰り返し確認できます。

試験前日の夜や当日の朝に最終チェックすることで、記憶の定着率が大幅に向上します。

対象レベル：B級を中心にA級共通範囲もカバー

本記事は、AI実装検定B級の受験者を主な対象としています。

B級は、「AIに関する基礎知識と実装力」を証明する資格で、数学・プログラミング・AIの3領域から各10問、合計30問が出題されます。

合格ラインは正答率70%以上（21問以上の正解）です。

また、A級との共通範囲（線形代数、微分、機械学習の基礎、ニューラルネットワークの基本構造など）も多く含まれているため、A級受験者の復習教材としても活用可能です。

A級は、「ビジネスレベルの知識・実装力」を問う試験で、60問中42問以上の正解（70%以上）が合格基準となります。

参考：AI実装検定B級、合格率、テキスト、勉強時間、試験日

【数学基礎】AI実装検定カンペ｜暗記必須の公式・概念

AI実装検定では、数学の基礎知識が問われます。

特に線形代数・微分・確率統計の3分野は頻出です。

ここでは、試験で必ず押さえておくべき公式と概念を整理します。

線形代数｜ベクトル・行列・固有値の頻出ポイント

ベクトルの内積は、AIの基礎中の基礎です。

2つのベクトル a = (a1, a2, …, an) と b = (b1, b2, …, bn) の内積は、a・b = a1×b1 + a2×b2 + … + an×bn で計算されます。

内積が0のとき、2つのベクトルは直交しています。

行列の積も頻出です。

行列A（m×n）と行列B（n×p）の積は、C（m×p）= AB となり、C(i,j) = Σ A(i,k)×B(k,j) で計算されます。

固有値と固有ベクトルは、主成分分析（PCA）などで重要です。

行列Aに対して、Av = λv を満たすスカラーλを固有値、ベクトルvを固有ベクトルと呼びます。

• 転置行列：行と列を入れ替えた行列（記号：A^T）
• 逆行列：AA^(-1) = I（単位行列）を満たす行列
• 行列式：det(A)、逆行列の存在条件（det(A) ≠ 0）

微分・偏微分｜勾配降下法に必要な計算の要点

微分は、関数の変化率を表します。

基本的な微分公式として、以下を覚えておきましょう。

• 冪関数：d/dx (x^n) = n×x^(n-1)
• 指数関数：d/dx (e^x) = e^x
• 対数関数：d/dx (ln x) = 1/x
• 三角関数：d/dx (sin x) = cos x、d/dx (cos x) = -sin x

偏微分は、多変数関数において、1つの変数で微分し、他の変数を定数として扱います。

例えば、関数 f(x, y) = x^2 + 3xy + y^2 の場合、

• xによる偏微分：∂f/∂x = 2x + 3y
• yによる偏微分：∂f/∂y = 3x + 2y

勾配（gradient）は、偏微分をベクトルとしてまとめたもので、∇f = (∂f/∂x, ∂f/∂y) と表記されます。

勾配降下法では、パラメータθを θ = θ – α×∇f(θ) のように更新します（αは学習率）。

確率・統計｜期待値・分散・ベイズの定理

期待値（平均）は、確率変数Xの平均的な値を表します。

離散型確率変数の場合、E(X) = Σ x×P(X=x) で計算されます。

分散は、データのばらつきを表す指標です。

Var(X) = E[(X – E(X))^2] = E(X^2) – (E(X))^2 で計算されます。

標準偏差は、分散の平方根（σ = √Var(X)）です。

ベイズの定理は、機械学習の基礎となる重要な定理です。

P(A|B) = P(B|A)×P(A) / P(B)

これは、事象Bが起こったときに事象Aが起こる条件付き確率を求める公式です。

ナイーブベイズ分類器などで頻繁に使用されます。

【機械学習】AI実装検定カンペ｜頻出アルゴリズムと用語

機械学習の分野では、教師あり学習・教師なし学習・強化学習の基本概念と、主要なアルゴリズムが出題されます。

ここでは、試験で頻出する用語とアルゴリズムを整理します。

教師あり学習｜回帰・分類・決定木・SVM

教師あり学習は、入力データと正解ラベルのペアから学習する手法です。

主なタスクとして、回帰（連続値の予測）と分類（カテゴリの予測）があります。

線形回帰は、最もシンプルな回帰手法で、y = w1×x1 + w2×x2 + … + b のような線形関数でデータを近似します。

損失関数として平均二乗誤差（MSE）= (1/n)×Σ(y_i – ŷ_i)^2 が使われます。

ロジスティック回帰は、分類タスクで使われる手法で、シグモイド関数 σ(z) = 1/(1+e^(-z)) を使って確率を出力します。

決定木は、データを段階的に分割してルールを学習する手法です。

分割基準として、ジニ不純度や情報利得（エントロピー）が使われます。

ジニ不純度は、Gini = 1 – Σ p_i^2（p_iはクラスiの確率）で計算されます。

サポートベクターマシン（SVM）は、マージン（クラス間の境界までの距離）を最大化する手法です。

カーネル関数（線形、多項式、RBFなど）を使うことで、非線形な分類も可能になります。

教師なし学習・強化学習｜クラスタリング・PCA・基本用語

教師なし学習は、正解ラベルなしでデータの構造を学習する手法です。

K-means法は、代表的なクラスタリング手法で、データをK個のクラスタに分割します。

アルゴリズムの流れは以下の通りです。

1. K個の中心点（セントロイド）をランダムに初期化
2. 各データ点を最も近いセントロイドに割り当て
3. 各クラスタの重心を再計算
4. 収束するまで2-3を繰り返す

主成分分析（PCA）は、次元削減の代表的な手法です。

データの分散が最大となる方向（主成分）を見つけ、低次元空間に射影します。

固有値が大きい順に主成分を選択することで、情報の損失を最小限に抑えます。

強化学習は、エージェントが環境との相互作用を通じて最適な行動を学習する手法です。

基本用語として以下を覚えておきましょう。

• 状態（State）：環境の現在の状況
• 行動（Action）：エージェントが選択する行動
• 報酬（Reward）：行動の結果得られる評価値
• 方策（Policy）：状態から行動への写像
• 価値関数（Value Function）：将来の累積報酬の期待値

評価指標｜正解率・適合率・再現率・F1スコアの計算式

分類モデルの性能を評価する指標として、以下の4つは必ず覚えておきましょう。

混同行列（Confusion Matrix）を使って計算します。

• TP（True Positive）：正解がPositiveで予測もPositive
• TN（True Negative）：正解がNegativeで予測もNegative
• FP（False Positive）：正解がNegativeだが予測はPositive
• FN（False Negative）：正解がPositiveだが予測はNegative

正解率（Accuracy）= (TP + TN) / (TP + TN + FP + FN)

全体の予測のうち、正しく予測できた割合です。

適合率（Precision）= TP / (TP + FP)

Positiveと予測したもののうち、実際にPositiveだった割合です。

再現率（Recall）= TP / (TP + FN)

実際にPositiveのもののうち、正しくPositiveと予測できた割合です。

F1スコア = 2×(Precision×Recall) / (Precision + Recall)

適合率と再現率の調和平均で、両者のバランスを評価します。

【ディープラーニング】AI実装検定カンペ｜ニューラルネットワークの要点

ディープラーニングは、AI実装検定の中核をなす分野です。

ニューラルネットワークの基本構造から、活性化関数、最適化アルゴリズム、CNN・RNNまで、頻出事項を整理します。

基本構造｜入力層・隠れ層・出力層・重み・バイアス

ニューラルネットワークは、脳の神経細胞を模した構造を持ちます。

基本的な構造は以下の3層です。

• 入力層（Input Layer）：データを受け取る層
• 隠れ層（Hidden Layer）：中間的な特徴を抽出する層（複数層の場合もある）
• 出力層（Output Layer）：最終的な予測結果を出力する層

各層のニューロン間は重み（Weight）で接続されています。

また、各ニューロンにはバイアス（Bias）が加えられます。

順伝播（Forward Propagation）で行われる計算は以下の通りです。

z = w1×x1 + w2×x2 + … + b（線形変換）

a = f(z)（活性化関数を適用）

逆伝播（Backpropagation）では、誤差を逆向きに伝播させ、勾配を計算して重みとバイアスを更新します。

活性化関数｜シグモイド・ReLU・softmaxの特徴と使い分け

活性化関数は、ニューラルネットワークに非線形性を与える重要な要素です。

試験では、各関数の特徴と使い分けが問われます。

シグモイド関数（Sigmoid）

σ(z) = 1 / (1 + e^(-z))

• 出力範囲：0〜1
• 特徴：確率として解釈可能、勾配消失問題が発生しやすい
• 用途：二値分類の出力層

ReLU（Rectified Linear Unit）

ReLU(z) = max(0, z)

• 出力範囲：0〜∞
• 特徴：計算が高速、勾配消失問題を軽減、Dying ReLU問題（負の入力で勾配が0）
• 用途：隠れ層で最も一般的

Leaky ReLUやELUは、Dying ReLU問題を改善した派生版です。

softmax関数

softmax(z_i) = e^(z_i) / Σ e^(z_j)

• 出力範囲：0〜1（各要素の合計が1）
• 特徴：多クラス分類で確率分布を出力
• 用途：多クラス分類の出力層

最適化アルゴリズム｜SGD・モメンタム・Adamの違い

最適化アルゴリズムは、ニューラルネットワークの学習速度と精度に大きく影響します。

SGD（Stochastic Gradient Descent：確率的勾配降下法）

θ = θ – α×∇L(θ)

• 特徴：シンプルだが学習が遅い、局所最適解に陥りやすい
• 学習率αの調整が重要

モメンタム（Momentum）

v = β×v – α×∇L(θ)

θ = θ + v

• 特徴：過去の勾配の情報を保持（慣性）、SGDより高速に収束
• βは通常0.9に設定

Adam（Adaptive Moment Estimation）

• 特徴：モメンタムとRMSPropを組み合わせた手法、学習率を自動調整
• デフォルトパラメータ（β1=0.9、β2=0.999、ε=1e-8）で高性能
• 用途：現在最も広く使われている最適化手法

試験では、「Adamはモメンタムと適応的学習率を組み合わせた手法」という点を覚えておきましょう。

CNN・RNN｜畳み込み・プーリング・LSTMの基礎

CNN（Convolutional Neural Network：畳み込みニューラルネットワーク）は、画像認識で広く使われる構造です。

畳み込み層（Convolutional Layer）は、フィルタ（カーネル）を画像上でスライドさせて特徴マップを生成します。

パラメータとして以下を覚えておきましょう。

• フィルタサイズ：通常3×3や5×5
• ストライド：フィルタの移動幅（1や2）
• パディング：入力の周囲にゼロを追加（出力サイズを調整）

プーリング層（Pooling Layer）は、特徴マップのサイズを縮小し、計算量を削減します。

• 最大プーリング（Max Pooling）：領域内の最大値を選択
• 平均プーリング（Average Pooling）：領域内の平均値を計算

RNN（Recurrent Neural Network：再帰型ニューラルネットワーク）は、時系列データや自然言語処理で使われます。

RNNは、過去の情報を内部状態（隠れ状態）として保持しますが、勾配消失・爆発問題が発生しやすいという欠点があります。

LSTM（Long Short-Term Memory）は、この問題を解決した改良版です。

LSTMは、忘却ゲート・入力ゲート・出力ゲートという3つのゲート機構を持ち、長期依存性を学習できます。

GRU（Gated Recurrent Unit）は、LSTMを簡略化した構造で、パラメータ数が少なく高速です。

【Python実装】AI実装検定カンペ｜ライブラリと頻出コード

AI実装検定では、Pythonのコーディング問題や穴埋め問題が出題されます。

ここでは、NumPy・Pandas・TensorFlow・PyTorchの頻出コードを整理します。

NumPy・Pandas｜配列操作・データフレームの基本

NumPyは、数値計算ライブラリで、多次元配列の操作に使います。

頻出のコード例を覚えておきましょう。

• 配列の生成：np.array([1, 2, 3])、np.zeros((3, 3))、np.ones((2, 4))
• 配列の形状：arr.shape（形状の取得）、arr.reshape(2, 3)（形状の変更）
• 要素アクセス：arr[0]（1次元）、arr[1, 2]（2次元）
• 統計関数：np.mean(arr)、np.sum(arr)、np.max(arr)、np.std(arr)
• 行列演算：np.dot(A, B)（行列積）、A @ B（同上）、np.linalg.inv(A)（逆行列）

Pandasは、データ分析ライブラリで、表形式データの操作に使います。

• DataFrameの作成：pd.DataFrame({‘A’: [1, 2], ‘B’: [3, 4]})
• CSVの読み込み：pd.read_csv(‘data.csv’)
• データの抽出：df[‘A’]（列の選択）、df[df[‘A’] > 1]（条件抽出）
• 統計情報：df.describe()（基本統計量）、df.info()（データ型と欠損値）
• 欠損値処理：df.dropna()（削除）、df.fillna(0)（0で埋める）

TensorFlow・PyTorch｜モデル構築の流れ

TensorFlow（Keras API）でのモデル構築の基本的な流れを覚えておきましょう。

1. モデルの定義

model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])

2. コンパイル

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

3. 学習

model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

4. 予測

predictions = model.predict(X_test)

PyTorchでは、クラスベースでモデルを定義します。

class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(10, 64)
self.fc2 = nn.Linear(64, 1)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = torch.sigmoid(self.fc2(x))
return x

学習ループでは、optimizer.zero_grad()→loss.backward()→optimizer.step() の流れを覚えておきましょう。

穴埋め問題対策｜compile・fit・predictの引数パターン

AI実装検定では、コードの穴埋め問題が頻出します。

model.compile()の主な引数

• optimizer：’adam’、’sgd’、’rmsprop’など
• loss：’binary_crossentropy’（二値分類）、’categorical_crossentropy’（多クラス分類）、’mse’（回帰）
• metrics：[‘accuracy’]、[‘mae’]など

model.fit()の主な引数

• X, y：訓練データとラベル
• epochs：学習回数（整数）
• batch_size：バッチサイズ（通常32や64）
• validation_split：検証データの割合（0.2など）
• validation_data：(X_val, y_val)のタプル

model.predict()の引数

• X_test：テストデータ
• batch_size：予測時のバッチサイズ（省略可）

これらの引数パターンを覚えておくと、穴埋め問題で迷わずに済みます。

【直前チェック用】AI実装検定カンペ暗記リスト｜試験前日はここだけ見る

試験直前は、時間が限られています。

ここでは、試験前日の夜や当日の朝に最終確認すべき事項を厳選してまとめます。

このセクションだけでも繰り返し見返すことで、得点アップが期待できます。

公式・計算式10選｜これだけは絶対覚える

以下の10個の公式は、試験で必ず出題される可能性が高いものです。

1. シグモイド関数：σ(z) = 1 / (1 + e^(-z))
2. ReLU関数：ReLU(z) = max(0, z)
3. softmax関数：softmax(z_i) = e^(z_i) / Σ e^(z_j)
4. 交差エントロピー損失：L = -Σ y_i × log(ŷ_i)
5. 平均二乗誤差：MSE = (1/n) × Σ (y_i – ŷ_i)^2
6. 勾配降下法：θ = θ – α × ∇L(θ)
7. 正解率：Accuracy = (TP + TN) / (TP + TN + FP + FN)
8. 適合率：Precision = TP / (TP + FP)
9. 再現率：Recall = TP / (TP + FN)
10. F1スコア：F1 = 2 × (Precision × Recall) / (Precision + Recall)

これらの公式は、計算問題や選択問題で頻繁に問われます。

特に、活性化関数の出力範囲と評価指標の計算式は暗記必須です。

紛らわしい用語の区別｜過学習vs未学習・精度vs適合率

試験では、似たような用語を区別する問題が多く出題されます。

過学習（Overfitting）vs 未学習（Underfitting）

• 過学習：訓練データに過度に適合し、テストデータの精度が低い。対策：正則化、ドロップアウト、データ拡張
• 未学習：訓練データすら十分に学習できていない。対策：モデルの複雑化、学習回数の増加

正解率（Accuracy）vs 適合率（Precision）

• 正解率：全体の予測のうち、正しかった割合。不均衡データでは不適切
• 適合率：Positiveと予測したもののうち、実際にPositiveだった割合。スパム検知などで重要

バッチ勾配降下法（BGD）vs 確率的勾配降下法（SGD）vs ミニバッチSGD

• BGD：全データで勾配を計算。正確だが遅い
• SGD：1サンプルずつ勾配を計算。高速だが不安定
• ミニバッチSGD：小さなバッチ単位で計算。両者のバランス

バイアス（Bias）vs 分散（Variance）

• バイアス：モデルの予測値と真の値のずれ。高いと未学習
• 分散：予測値のばらつき。高いと過学習

数字で覚える重要事項｜出力範囲・パラメータの値

試験では、数値に関する選択問題が出題されることがあります。

活性化関数の出力範囲

• シグモイド：0〜1
• tanh：-1〜1
• ReLU：0〜∞
• softmax：0〜1（合計が1）

デフォルトのハイパーパラメータ

• 学習率（Learning Rate）：0.001〜0.01が一般的
• バッチサイズ：32、64、128が標準
• モメンタムのβ：0.9
• Adamのβ1：0.9、β2：0.999
• ドロップアウト率：0.2〜0.5

CNNのフィルタサイズ

• 畳み込み層：3×3、5×5が一般的
• プーリング層：2×2が標準

データ分割の比率

• 訓練：検証：テスト = 6:2:2 または 7:1.5:1.5
• K-分割交差検証：K=5や10が一般的

AI実装検定カンペを活かす直前1週間の勉強法

このカンペを最大限に活用するための、試験直前1週間の勉強法を紹介します。

計画的に取り組むことで、短期間でも大幅な得点アップが可能です。

1〜3日目：カンペで苦手分野を特定し集中攻略

試験1週間前の最初の3日間は、苦手分野の特定と集中攻略に充てます。

まず、本記事のカンペを一通り読み、「理解が曖昧な部分」「計算できない公式」をリストアップしましょう。

特に以下の分野は重点的に復習してください。

• 数学の計算問題：微分、行列の積、確率の計算など、手を動かして練習
• 評価指標の計算：混同行列を使った適合率・再現率の計算を何度も解く
• ニューラルネットワークの順伝播：具体的な数値例で計算練習

参考動画として、以下のYouTube動画も活用できます。

この動画では、G検定のカンペ作成方法が解説されていますが、AI実装検定にも応用できる考え方が学べます。

4〜6日目：問題演習とカンペの往復で定着

試験4〜6日目は、問題演習とカンペの往復で知識を定着させます。

AI実装検定の公式問題集や、Study-AIの動画教材に含まれる演習問題を解きましょう。

問題を解く際の流れは以下の通りです。

1. 問題を解く（わからなくても一旦考える）
2. 答え合わせをする
3. 間違えた問題や迷った問題について、本記事のカンペで該当箇所を確認
4. カンペを見ながら、もう一度同じ問題を解く

この「問題→カンペ確認→再挑戦」のサイクルを繰り返すことで、知識が長期記憶に定着します。

また、AI実装検定A級を1週間で取得する方法という記事も参考になります。

この記事では、「参考書と問題を繰り返す」ことの重要性が強調されています。

前日〜当日：移動時間でカンペを最終周回

試験前日と当日は、新しいことを学ぶのではなく、既に学んだことの確認に徹しましょう。

前日の夜は、本記事の「直前チェック用カンペ暗記リスト」を繰り返し読みます。

特に、公式・計算式10選と紛らわしい用語の区別は、寝る直前に見返すことで記憶に残りやすくなります。

試験当日は、以下のタイミングでカンペを確認しましょう。

• 起床後：朝食を取りながら、活性化関数の出力範囲や評価指標の計算式を確認
• 移動中：電車やバスの中で、スマートフォンから本記事を開いて最終チェック
• 試験会場到着後：試験開始の直前まで、紛らわしい用語の区別を見返す

試験開始直前の5分間が、記憶の定着に最も重要です。

この時間を有効活用することで、試験中に「さっき見たばかり」の知識を思い出しやすくなります。

まとめ｜このページをブックマークしてAI実装検定に備えよう

本記事では、AI実装検定で頻出する公式・用語・コードを分野別に総まとめしました。

• 数学基礎：線形代数、微分、確率統計の公式を整理
• 機械学習：教師あり・教師なし学習のアルゴリズムと評価指標を網羅
• ディープラーニング：ニューラルネットワークの構造、活性化関数、最適化手法を解説
• Python実装：NumPy、Pandas、TensorFlow、PyTorchの頻出コードを紹介
• 直前チェック用リスト：試験前日に見返すべき公式・用語を厳選

試験会場へのカンペ持ち込みはできませんが、このページをブックマークして繰り返し見返すことで、知識を確実に定着させることができます。

AI実装検定は、正答率70%以上で合格できる試験です。

30問中21問（B級）、60問中42問（A級）を正解すれば合格ラインに到達します。

本記事のカンペを活用し、苦手分野を集中的に攻略することで、短期間でも合格レベルに到達できるでしょう。

最後に、AI実装検定の公式受験者ポータルで試験日程や申込方法を確認し、計画的に学習を進めてください。

このページを何度も見返し、AI実装検定の合格を勝ち取りましょう。