メニューボタン
DLCP~ディープラーニング資格プラットフォーム~ » G検定取得対策ナレッジ » G検定とは

G検定とは

ニューラルネットワークのイメージ

G検定とは

popIn actionの公式サイトキャプチャイメージ
引用元:日本ディープラーニング協会
https://www.jdla.org/

G検定とは、ディープラーニングを事業に活かすための知識を有 しているジェネラリストであることを認定する試験で、2017年12月に第1回目が実施されました。

認定されるためには、一般社団法人 日本ディープラーニング協会(以下JDLA)が年二回実施している検定試験に合格する必要があります。 Googleの開発したAIが囲碁・将棋・チェスを制覇した話や、自動車の自動運転など、最近ではAIやディープラーニングの話題を耳にすることが多くなってきました。世界中で物のインターネット IoT(Internet of Things)など、様々な産業にディープラーニング技術をつなげていく取り組みが急速に進んでいます。これからのグローバル社会で戦っていくためには、日本国内においても、ディープラーニング技術を積極的に産業に取り入れていく必要性が重要視されています。

ディープラーニングを主要とする企業や研究者などが中心となって2017年6月に設立されたJDLAは、各産業へのディープラーニング活用、人材育成、産業・公的機関への提言、国際連携といった活動を行っていますが、AI人材を育成するためにG検定(事業活用する人材(ジェネラリスト))と、E資格(ディープラーニングを実装する人材(エンジニア))認定の試験を行っています。

G検定の試験概要

G検定の試験概要についても確認していきます。詳細に関しては以下の通りです。

受験資格に制限はありません

実施日 年3回(3月、7月、11月
出題範囲 シラバスより出題
(公式サイトに掲載されています)
問題数 小問228問の知識問題(多肢選択式)
合格率 71.4%(2019年7月実施)
2020年の試験日程
2020#1 2020年3月14日(土)(終了)
2020#2 2020年7月4日(土)
2020#3 2020年11月7日(土)

G検定の試験会場

オンライン実施(自宅受験)となります。自宅で受検できるので、テキストやインターネットを参照しながら回答することができます。しかし出題数が多く調べている時間がないので、事前に十分な試験対策をしておく必要があります。問題を見たら即答できるようでなければ、試験時間内で全ての問題に回答することは難しいでしょう。

G検定の受験費用

※G検定受験サイト(https://www.jdla-exam.org/d/)からクレジットカードまたはコンビニ決済で申し込みます。

G検定の出題範囲

シラバスから出題されます。出題範囲は主に8項目に分かれ、人工知能、ディープラーニングの概要などの基本知識から、ディープラーニングの仕組み、ハードウェア、活用方法まで出題は幅広いです。またディープラーニング利用時の影響、法的規制、倫理、現行の議論といった社会とディープラーニングの関係も出題されます。

シラバスの主な内容は以下の通りです。

これらの知識を体系的に身につけた上で試験本番に臨むことが重要です。

G検定資格取得のための対策法

それでは、G検定資格を取得するための対策法についてご紹介します。ただ漫然と勉強していても、なかなか合格に近づくことはできません。しっかりとした目的や指標を持った上で、効率的に勉強することがポイントです。

演習問題をできるだけ行う

まず、資格取得のための対策法として、演習問題をできるだけ行うことが挙げられます。解説を読んでいて理解できる部分もありますが、試験慣れするという意味でも数多くの演習問題をこなすことが重要です。

演習問題を行う中で、得意の分野や不得意の分野を発見し、不得意だと感じる分野を中心に解説を見返すことで効率的に知識を習得することができます。

ディープラーニング資格
G検定のおすすめ講座3選

公式テキストだけでは合格できない?

G検定を取得するための対策として、公式テキストだけでは合格が難しいと言うことができます。G検定向けの公式テキストも販売されていますが、それを行っただけで合格を目指すことは不可能ではないにしても難しいものがあります。

検定向けの講座を受けたり、他の参考書を見たりしながら体系的な知識を身につけることが重要です。公式テキストだけに頼った勉強法は避けておいた方が良いでしょう。

動画講習で実践的な知識を身につける

資格取得に向けて、テキストや参考書だけではなく、動画講習を受けて実践的な知識を身につけることもおすすめです。動画であれば音声付きで解説を聞くことができるので、より知識を入れやすくなります。独学で勉強を進める場合にもおすすめの対策です。

G検定を受けるメリット

超難関と言われているE資格に比べれば難易度が低いとはいえ、少し本を読んだくらいでは、全く太刀打ちできないほど難しいG検定。資格を取得すると、どのようなメリットがあるのでしょうか。
・ディープラーニングの基礎から体系的に学べる
ディープラーニングは、現在の第3次AIブームの中心であり、AI技術を支えている基幹技術です。今のAIを知る上でディープラーニングの知識は必要不可欠なものとなっています。G検定はAIやディープラーニングに精通した人材を育成するために作られた資格なので、資格取得のための学習をすることによって、ディープラーニングについて基礎から体系的に学ぶことができます。

就職や転職に有利になる

これからの社会はAIやディープラーニングが社会の中心的存在になっていくでしょう。企業ではAIの重要性を認識しているにもかかわらず、AI人材不足に悩んでいる状態です。大手企業の中では社員にG検定を受けさせているところもあり、AIの知識やAIを理解している人材は、高く評価される傾向にあります。G検定を取得しておけば、就職や転職に有利になるだけでなく、昇進や昇給にも影響する可能性があります。

JDLA交流会に参加できる

G検定合格者は、過去の試験を含め、G検定に合格者が集まるJDLA交流会に参加することができます。交流会は、ただ交流するだけでなく、ディープラーニングに関する研究発表や優秀者の表彰も行われます。会員企業や協会理事も参加するので、業界に人脈ができるというメリットもあります。

名刺に記載できる

G検定に合格すると名刺に認定マークを入れることができます。昨今のAIブームから、勝手にAI専門家を名乗る人も多くなっていますが、G検定認定者はAIに関して確かな専門知識を持っていることの証明になります。AI分野では知識や技術は不可欠なので、ビジネスや商談でも有利になるでしょう。
名刺の表記で最も良く使用されているのは、正式名称版が「JDLA Deep Learning for GENERAL 2018 #1 合格者」、短縮版が「JDLA G検定 2018 #1 合格者」となります。

G検定を受けた人の口コミ・感想

AI活用に本腰を入れ始めた会社からデータサイエンティストに任命されたのでG検定を受けました。ディープラーニング協会を立ち上げた東京大学の松尾教授の講演は2度ほど聞いたことがあったものの、実際はAIってなんですか?という状態。G検定の勉強をするために、参考図書になっている本2冊「人工知能は人間を超えるか (角川EPUB選書)」「AI白書 2017 (角川アスキー総合研究所)」を購入し、ディープラーニングの概要を頭にたたき込みました。G検定は自宅PCからオンラインで問題を解いていく形なので、ネットや本を見ながら解答できます。しかし、試験時間120分に対して問題数は200以上もあるので、とても調べている時間はありませんでした。結果は数日後に通知され、見事合格することができました。G検定に合格しておけば、技術者ではない人がAIベンダーに開発を依頼する時にもスムーズに話をすすめられると思います。またAI開発をやってみたいけどAIについて良く知らないという人ならE資格の前に受けるとAI概要が理解できて良いのではないでしょうか。

【引用元】
https://nori-life-log.com/g%E6%A4%9C%E5%AE%9A%E3%81%AB%E5%90%88%E6%A0%BC%E3%81%97%E3%81%9F%E8%A9%B1

夏休みを利用してAI資格試験であるG検定を受けてみました。自分は国立大学工学部博士後期課程卒業後、国の研究所でポスドクを行い、現在は民間会社で研究開発をしています。
受験した理由は、物質系の材料・プロセスの研究をしているのでMI(Material Informatics)を導入したいと思ったことと、AI関連の株やクラウドファンディングに投資しているので、基礎知識を知っておきたいと思ったからでした。受験用教材として「ディープラーニングG検定公式テキスト」「ディープラーニングG検定問題集(スキルアップAI株式会社)」「人工知能は人間を超えるか (角川EPUB選書)」「マンガでわかる!人工知能(Informatics&IDEA)」を選び、ある程度の知識を得たと判断してからStudy-AIの模擬試験を受けてみました。本番はスピード勝負なので、わからない問題があっても止まらずに進む必要があります。合格発表まで6日かかりましたが、無事合格できました。

【引用元】https://deji-kaji.tokyo/gkentei/

G検定の難易度・参加者の特徴

G検定はAIやディープラーニングに関しての知識や理解が問われる試験です。エンジニア向けのE資格ほどではないですが、やはり難易度は高いと言われています。

G検定の合格率

過去7回のG検定の受験者数、合格者数、合格率は以下のようになっています。

開催年度 受験者数 合格者数 合格率
2017年 1448名 823名 56.84%
2018年(1回目) 1988名 1136名 57.14%
2018年(2回目) 2680名 1740名 64.93%
2019年(1回目) 3436名 2500名 72.76%
2019年(2回目) 5143名 3672名 71.40%
2019年(3回目) 6580名 4652名 70.70%

合格率は60~70%くらいで過半数が合格しています。合格率だけ見ると難関とは思えませんが、誰でも簡単に合格するというわけではありません。

出題範囲を見ると、大学の教養課程レベルの高度な数学や理論的背景に関する理解も必要となります。AI概要といっても内容はかなり高度なので、かなり難しい試験と言えるでしょう。
G検定の合格ラインは非公開ですが、受験者の感想などを見ると70%前後のようです。

G検定参加者の特徴

受験者の年齢層は10代から70代と幅広いです。業種はエンジニアもいますが、プログラミングをまったく書いたことのない文系の人や、エンジニアとのコミュニケーションを必要とする非エンジニアの人が多いです。

年齢別受験者数2019年(11月)

年代 人数 比率
10代 54名 0.82%
20代 1902名 28.91%
30代 2027名 30.81%
40代 1703名  25.88%
50代 788名  11.98%
60代 92名 1.40%
70代 4名  0.06%
不明 10名 0.15%

職種別受験者数】2019年(11月)

職種 人数 比率
一般社員級 3364名 51.12%
主任・係長級 1290名 19.60%
課長級 769名 11.69%
部長級 349名 5.30%
役員・経営者 180名 2.74%
学生 412名 6.26%
その他 192名 2.92%
未回答 24名 0.36%

【引用元】JDLA試験実施レポート(2019年12月)
http://202.32.159.129/wp-content/uploads/2019/12/JDLA%E8%A9%A6%E9%A8%93%E5%AE%9F%E6%96%BD%E3%83%AC%E3%83%9D%E3%83%BC%E3%83%88_201912%E7%89%88v2.pdf

G検定の出題範囲 人工知能(AI)とは(人工知能の定義)

人工知能(AI:Artificial Intelligence)の定義、どのように成立してきたのか、これまで歴史的に行われてきた議論、人工知能における重要人物の名前、人工知能が抱えている問題など、人工知能に関する重要なキーワードについての問題が出題されます。
次にあげるような項目について把握しておく必要があります。

AIの定義

人工知能学会によると、人工知能とは「人間と同じ知的作業をする機械を工学的に実現する技術」とされていますが、AIの定義は学者や識者によって様々です。基本的な捉え方は、人間と同じように、認識、判断、推論などの知的情報処理能力を持つ計算機(コンピュータ)となります。

人工知能の分類

単純な制御プログラム、診断プログラムのような古典的人工知能、機械学習による人工知能、ディープラーニングによる人工知能があります。

人工知能の歴史

1946年エニアック(ENIAC)がペンシルバニア大学でA開発され、1956年にダートマス会議でジョン・マッカーシーが初めてAIという言葉を使ったことから、1950年代後半~1960年代の第一次AIブーム(推論・探索)、1980年代の第二次AIブーム〈エキスパートシステム)、2010年からの第三次AIブーム(ディープラーニング)までについて。

【引用元】人工知能学会:AIとは?https://www.ai-gakkai.or.jp/comic_no1/

G検定の出題範囲 人工知能をめぐる動向

内容は、探索・推論、知識表現、機械学習、深層学習となっています。
具体的には人工知能が技術面から見て、どのように発展し、深層学習(ディープラーニング)になったのか、これまでの動向について出題されます。探索・推論、知識表現、機械学習、深層学習の詳細な内容に関しての知識も必要です。
次にあげるような項目について把握しておく必要があります。

探索・推論

探索木、幅優先検索、深さ優先検索、ハノイの塔、ロボット(プランニング、STRIPS(Stanford Research Institute Problem Solver)、SHRDLU)、ボードゲーム(囲碁、将棋、チェス、オセロ)、Mini-Max法、モンテカルロ法

知識表現

人工無能、知識ベース、エキスパートシステム、DENDRAL、自然言語処理、意味ネットワーク、オントロジー、is-aとpart-ofの関係、重量オントロジー、軽量オントロジー、ワトソン、東ロボくん、

機械学習

機械学習、統計的自然言語処理

深層学習

ニューラルネットワーク、ディープラーニング(深層学習)

【JDLAの例題】

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。

【引用元】:一般社団法人 日本ディープラーニング協会 人工知能をめぐる動向 例題 https://www.jdla.org/certificate/general/issues/#g-issues_No01

G検定の出題範囲 人工知能分野の問題

内容は、トイ・プロブレム、フレーム問題、弱いAI、強いAI、身体性、シンボルグランンディング問題、特徴量設計、チューリングテスト、シンギュラリティとなっています。
具体的には人工知能がかかえている問題、人工知能の研究で議論されている問題、問題解決ができない理由など、深い知識が必要とされる問題が出題されます。
次にあげるような項目について把握しておく必要があります。

トイ・プロブレム(おもちゃ問題)

現実世界の問題を簡略化したもので本質を理解する

フレーム問題

現在やろうとしていることに関する事柄だけを選ぶことは難しいという問題

強いAIと弱いAI

哲学者ジョン・サールの論文によると、AIは人間の知能に近い能力を人工的に実現する強いAIと、人間の知能の一部に特化した能力を実現する弱いAIに分類され、強いAIの実現は不可能であると提唱している

身体性

知能には身体が不可欠であり、概念は外界と相互作用することで捉えられる

シンボルグラウンディング問題(記号設置問題)

認知科学者スティーブン・ハルナッドによると、シンボル(記号)と対象がどうやって結びつくのか、その意味をAIは理解していない

特徴量設計

物事を決定するために大きな影響を持つのは特徴量(変数)であるが、ディープラーニングは明確に特徴量を示すことができない

チューリングテスト(人工知能を判定する方法)

人間が別の場所にあるコンピューターと会話し、相手がコンピューターだとわからなければコンピューターに知識があるとする知能判定で、2次世界大戦でドイツ軍の暗号エニグ」を解読したアラン・チューリングが提案

シンギュラリティ(技術的特異点)

未来において、AI技術が自ら人間より賢い知能を生み出し、人類に代わって文明の進歩の主役になる時を指す概念で、レイ・カーツワイル博士が提唱

【JDLAの例題】

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

  1. 人間の持つ膨大な知識を体系化することが難しい。
  2. 膨大な情報のうちから、必要なものだけを選んで考慮することが難しい。
  3. 単語などの記号と、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。

【引用元】:一般社団法人 日本ディープラーニング協会 人工知能分野の問題
例題 https://www.jdla.org/certificate/general/issues/#g-issues_No02

G検定の出題範囲 機械学習の具体的手法

内容は、代表的な手法、データの扱い、応用となっています。
具体的には、機械学習のアルゴリズム、代表的な計算手法、仕組みなど、技術的知識に関する問題が出題されます。サポートベクターマシンなど内部的な仕組みやデータの取り扱いや成形方法に関する問題が出題されることもあります。
次にあげるような項目について把握しておく必要があります。

代表的な手法

教師あり学習(線形回帰(linear regression)、ロジスティク回帰(logistic regression)、ランダムフォレスト(random forest)、ブースティング(boosting)、サポートベクターマシン(Support Vector Machine)、ニューラルネットワーク(neural network))、教師なし学習(k-means、主成分分析(Prinipal Component Analysis PCA)、)

データの扱い

指標、正則化、線形回帰

【JDLAの例題】

機械学習では、教師データをいくつかに分割して、そのうち一部だけを学習に利用するのが原則である。逆に言えば、その他の教師データはあえてモデルの学習に利用せずに、残しておく。そのような手法を採用する目的として、最も適切なものを1つ選べ。

  1. いったん少ないデータ量で学習させ、初期段階の計算資源を節約するため。
  2. データの中に含まれる異常値を持つサンプルを取り除くため。
  3. 半教師あり学習はデータの一部がラベル付けされていなくても行えるため。
    モデルが運用される際に示す性能を正しく見積もるため。

【引用元】:一般社団法人 日本ディープラーニング協会 機械学習の具体的手法 例題 https://www.jdla.org/certificate/general/issues/#g-issues_No03

G検定の出題範囲 ディープラーニングの概要

内容は、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となっています。
具体的には、ディープラーニング(深層学習)における基本的な事柄の他、ハードウェアやニューラルネットワークやなど技術面に関する問題も出題されます。
次にあげるような項目について把握しておく必要があります。

ニューラルネットワークとディープラーニング

ディープラーニングに関する基本項目(多層パーセプトロン、課題の種類に応じた様々なディープラーニングモデル

既存ニューラルネットワークの問題

誤差逆伝播法、シグモイド関数の特性、隠れ層、勾配消失問題

ディープラーニングのアプローチ

オートエンコーダー、積層オートエンコーダー、ファインズチューニング、深層信念ネットワーク
CPUとGPU
CPU(Central Prossesing Unit)とGPU(Grphics Prossesing Unit)、GPGPU(General-Purpose computing on GPU)

【JDLAの例題】

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。
  4. 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。

【引用元】:一般社団法人 日本ディープラーニング協会 ディープラーニングの概要 例題 https://www.jdla.org/certificate/general/issues/#g-issues_No04

 G検定の出題範囲 ディープラーニングの手法

内容は、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、深層生成モデルとなっています。
具体的には、ディープラーニング(深層学習)の仕組み、学習を行う時のテクニック、最適化アルゴリズム、精度を高めるテクニック、ニューラルネットワークの仕組みなど、ディープラーニング技術に必要な知識に関する問題が出題されます。
次にあげるような項目について把握しておく必要があります。

活性化関数

tahnh関数、ReLU関数

学習率の最適化

勾配下降法、勾配下降法の問題と改善、プラトーの解決方法

更なるテクニック

ドロップアウト、early stopping、データの正規化と重みの初期化、バッチ正規化

CNN(Convolution Neural Network 畳み込みニューラルネットワーク)

畳み込み、プーリング、全結合層、データ拡張、CNN発展形、転移学習、

RNN(Recurent Neural Network リカレントニューラルネットワーク)

LSTM、RNN発展形

深層強化学習

Q学習(Q learning)、DQN(Deep Q-Network)、Double DQN、Dueling Network、Categorical DQN、Rainbow、AlphaGo(アルファ碁)

深層生成モデル

音声生成モデル(WaveNet)、画像生成モデル(変分オートエンコーダー(Varialation AutoEncoder VAE)、敵対的生成ネットワーク(Generative Adversarial Network GNA))

【JDLAの例題】

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

【一般社団法人 日本ディープラーニング協会 ディープラーニングの手法 例題 https://www.jdla.org/certificate/general/issues/#g-issues_No05

 G検定の出題範囲 ディープラーニングの研究分野

内容は、画像認識、自然言語処理、音声処理、ロボティクス (強化学習)、マルチモーダルとなっています。
具体的には、ディープラーニングが応用されている様々な分野に関する問題が出題されます。
次にあげるような項目について把握しておく必要があります。

画像認識分野

アレックスネット(AlexNet)、R-CNN、R-CNN(Regional CNN)、高速RCNN(fast CNN)、R-CNNの発展系、セマンティックセグメンテーション、インスタンスセグメンテーション

自然言語処理分野

単語の意味を表現するベクトル空間モデル、単語埋め込みモデル、マルチタスク言語モデル、ニューラルチューリングマシーン(NTM)

音声認識分野

WaveNet(音声認識、音声生成、テキスト読み上げ)

ロボティクス(強化学習)

RL(Reinforcement Learning)、DQN(Deep Q Networks)、アルファ碁(AlphaGo)、モンテカルロ探索

【JDLAの例題】

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。

【引用元】:一般社団法人 日本ディープラーニング協会 ディープラーニングの研究分野 例題 https://www.jdla.org/certificate/general/issues/#g-issues_No06

G検定の出題範囲 ディープラーニングの応用

内容は、産業への応用、法律、倫理、現行の議論となっています。
具体的には、ディープラーニングがどういうことに応用出来るのか?どういう技術が使えるのか?など実社会での利用やAIに関する法律や現在議論されている事柄についての問題が出題されます。
次にあげるような項目について把握しておく必要があります。

産業への応用事例

ものづくり、モビリティ、医療、介護、インフラ・防犯・監視、サービス・小売・飲食店、物流、農業、金融、学習、インターネット関連サービス、カスタマーサポートなどの領域への応用事例

法律、倫理、現行の議論

ディープラーニングシステムだけでなく開発をする上で常に注意すべきこと、機械学習特有の注意点

G検定とは?まとめ

AIやディープラーニングは一部のエンジニアや研究者が知っていればいい技術だと考えている人も多いです。しかし、これからはIT企業に勤務する人だけでなく、様々な業種で働く人、理科系だけでなく文科系出身の会社員、企業の経営層にとっても必要で重要な技術となっていきます。これからの社会で生きていくために、AIやディープラーニングの基本的概念と知識は押さえておくべきと言えるでしょう。
JDLAの実施するG検定(ジェネラリスト検定)は、ディープラーニングに関する知識を持ち、事業活用できる人材であることを認証する試験です。G検定に合格していなければディープラーニングの仕事が出来ないということはありませんが、ディープラーニングの仕事をする際にG検定の資格があれば客観的なスキルを伝えることができます。
またAIやディープラーニングの概要を知っておきたいという人にも最適な試験です。
今や、空前のAIブームとも言われ、さらなる成長も予想される中、G検定の価値も高まっていくと考えられます。将来有望なG検定の資格、今のうちに取得しておいてはどうでしょうか。

講座と問題集

ダブルで学べる
G検定資格取得講座

本で理解しきれない点を動画講習でカバーでき、多くの練習問題が用意されているG検定対策講座から
お得に受講できる事業者を比べてみました(価格はすべて2020年6月調査時点)。

AVILEN

受講料

19,000

合格保証

全額保証

演習問題

363

公式サイトへ

※税別価格、価格は2020年6月調査時点

AI研究所

受講料

48,000

合格保証

-

演習問題

100

公式サイトへ

※税別価格、価格は2020年6月調査時点

資格スクエア

受講料

60,000

合格保証

-

演習問題

200

公式サイトへ

※税別価格、価格は2020年6月調査時点