AI 実装検定 教科書

AI 実装検定 は、AI のコードを 読める / 書ける / 設計できる 力を、3 段階(S/A/B)で測ります。G 検定が概念・倫理を、E 資格が高度な数学と実装を問うのに対し、本資格は 「実務で AI のコードを書く現場」を直接的に問う のが特徴です。

• 主催: 一般社団法人 エッジ AI 協会
• 等級: S(専門家) / A(中級) / B(入門) の 3 段階
• 形式: オンライン IBT(自宅 / 会社受験可)
• 問題数 / 時間: A 級 60 問 / 60 分(参考)
• 回答方式: 4 択選択式 + コード読解
• 合格基準: 級ごとに異なる(参考: A 級 70%)

他検定との位置付け

• G 検定(JDLA): AI 概念 ・ 歴史 ・ 倫理(コード問題ほぼなし)
• 生成 AI パスポート(GUGA): 生成 AI の活用リテラシー
• AI 実装検定 B 級: AI 実装の入門。コードの基礎が読める
• AI 実装検定 A 級: 中級。NumPy / PyTorch のコードを書ける / 設計できる
• AI 実装検定 S 級: 専門家。設計判断や論文レベル
• E 資格(JDLA): 高度な数学 + DL 実装。認定講座が必要

前提知識(A 級基準)

• Python の文法(リスト ・ 関数 ・ クラス)が読める
• 高校数学レベル(行列の積、偏微分の概念)を理解している
• Jupyter / Colab を起動して動かせる
• NumPy のブロードキャストが何となく分かる

100 〜 150 時間プラン(A 級向け)

1. Week 1 〜 2: Python + NumPy の手を動かす演習(本サイトの[Python データ分析 教科書](/certs/python-data/textbook)第 2 〜 3 章)
2. Week 3 〜 4: 機械学習の基礎(scikit-learn) + 評価指標 → 第 3 〜 4 章
3. Week 5 〜 7: ニューラルネット + PyTorch / TensorFlow の基礎 → 第 5 〜 7 章
4. Week 8: 主要モデル(CNN / RNN / Transformer)→ 第 8 章
5. Week 9: デプロイ + エッジ + MLOps の入口 → 第 9 章
6. Week 10: 演習 + 模擬試験 → 第 10 章

• 内包表記 / ジェネレータ式: メモリ効率と可読性
• ラムダ + map / filter / sorted: 関数型風の処理
• デコレータ: `@torch.no_grad()` などライブラリ使用で頻出
• コンテキストマネージャ(`with`): ファイル / モデル評価 / GPU 操作
• 型ヒント: `def f(x: torch.Tensor) -> torch.Tensor:`
• dataclass: パラメータ束ね

from typing import List
from dataclasses import dataclass

@dataclass
class Config:
    lr: float = 1e-3
    batch_size: int = 32
    epochs: int = 10

def batch_loader(data: List[int], batch_size: int):
    """ジェネレータでミニバッチを返す"""
    for i in range(0, len(data), batch_size):
        yield data[i : i + batch_size]

cfg = Config(lr=1e-4)
print(cfg)
for b in batch_loader(list(range(10)), 3):
    print(b)

• shape と axis: ニューラルネットでは `(batch, channel, height, width)` の規約が標準
• ブロードキャスト: shape の末尾から比較、サイズ 1 は伸ばす
• view と copy: スライスは元の view、`.copy()` で独立
• float32 vs float64: GPU は float32 が標準。混在は性能と精度に影響
• ufunc(`np.exp / log / sin`): 要素単位の高速演算

• 教師あり: 入力と正解ラベルのペアから学習。回帰 / 分類
• 教師なし: ラベルなしデータからパターン発見。クラスタリング / 次元削減
• 強化学習: 環境との相互作用で報酬最大化。AlphaGo / 自動運転
• 自己教師あり学習(SSL): データ自身から擬似ラベル。LLM の事前学習はこれ

scikit-learn の共通 API

from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris

X, y = load_iris(return_X_y=True)

pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('clf', RandomForestClassifier(n_estimators=100, random_state=0)),
])

scores = cross_val_score(pipe, X, y, cv=5)
print('CV mean:', scores.mean())

• 線形 / ロジスティック回帰: 解釈性 ◎、ベースライン
• 決定木: 解釈性 ◎、過学習しやすい
• ランダムフォレスト: バギング、OOB スコア利用
• 勾配ブースティング(XGBoost / LightGBM): テーブルデータの王者
• SVM: マージン最大化、カーネル法
• k-NN: 単純、スケーリング必須
• k-means / DBSCAN: クラスタリング
• PCA: 次元削減、可視化

分類

• Accuracy / Precision / Recall / F1
• ROC-AUC: 閾値非依存、不均衡やや弱
• PR-AUC: 不均衡に強い
• Log Loss: 予測確率の質
• Confusion Matrix: TP/FP/TN/FN

回帰

• MSE / RMSE: 大きな誤差を罰する
• MAE: 外れ値に頑健
• $R^2$: 説明分散の割合
• MAPE: 相対誤差(0 近傍で不安定)

• Grid Search: 全組合せ網羅。次元の呪い
• Random Search: 同予算で Grid より発見率高
• ベイズ最適化: ガウス過程で次の試行を選ぶ。Optuna が標準
• Hyperband / BOHB: 早期終了 + ベイズ
• ASHA(非同期的成功半減): 並列性高い大規模探索

import optuna
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_breast_cancer

X, y = load_breast_cancer(return_X_y=True)

def objective(trial):
    n = trial.suggest_int('n_estimators', 50, 500)
    md = trial.suggest_int('max_depth', 3, 20)
    clf = RandomForestClassifier(n_estimators=n, max_depth=md, random_state=0)
    return cross_val_score(clf, X, y, cv=5).mean()

study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=20)
print(study.best_params)

ニューラルネットの 1 層は 線形変換 → 活性化関数 の組み合わせ。$h=\sigma (Wx+b)$ という形が基本ブロックです。学習は 誤差逆伝播(backpropagation) で各パラメータの勾配を計算し、勾配降下で更新します。

• 順伝播(Forward): 入力から出力を計算
• 損失関数(Loss): 出力と正解の差を測る
• 逆伝播(Backward): 連鎖律で各パラメータの勾配を計算
• 更新(Optimizer): SGD / Adam で重みを更新

活性化関数

• Sigmoid: $\sigma (x)=1/(1+e^{-x})$。出力 (0, 1)。勾配消失しやすい
• tanh: $(-1,1)$。Sigmoid より中心化
• ReLU: $\max (0,x)$。深層 NN の標準。死に ReLU 問題
• Leaky ReLU / GELU / Swish: ReLU の改良版
• Softmax: 多クラス分類の出力

損失関数

• MSE: 回帰
• Cross Entropy: 分類
• Binary Cross Entropy: 2 値分類
• Hinge Loss: SVM
• Triplet Loss: 距離学習

• SGD: 確率的勾配降下。学習率の調整が必要
• Momentum: 過去の勾配方向を加味
• Adam: 適応的学習率 + Momentum。標準
• AdamW: Adam + 適切な weight decay
• RMSprop: 勾配の二乗平均で正規化

import torch

# Tensor の作成
x = torch.tensor([[1.0, 2.0], [3.0, 4.0]], requires_grad=True)
print(x.shape, x.dtype, x.device)

# 演算は autograd により計算グラフが構築される
y = (x ** 2).sum()
y.backward()
print(x.grad)  # dy/dx = 2x = [[2,4],[6,8]]

# GPU 利用
if torch.cuda.is_available():
    x_gpu = x.to('cuda')

• `requires_grad=True`: 勾配計算の対象
• `backward()`: 自動微分で勾配計算
• `detach()`: 計算グラフから切り離す
• `with torch.no_grad():`: 推論時に勾配計算を停止(メモリ節約)

• Dataset: `__len__` と `__getitem__` を実装
• DataLoader: バッチ化 + シャッフル + 並列化
• Transform: 画像 ・ テキストの前処理パイプライン
• `num_workers`: 並列ロードでデータ I/O 高速化
• `pin_memory=True`: GPU 転送高速化

import tensorflow as tf
from tensorflow.keras import layers, models

# Sequential API
model_seq = models.Sequential([
    layers.Input(shape=(10,)),
    layers.Dense(32, activation='relu'),
    layers.Dense(2, activation='softmax'),
])

# Functional API(分岐 / 結合に強い)
inputs = layers.Input(shape=(10,))
h = layers.Dense(32, activation='relu')(inputs)
outputs = layers.Dense(2, activation='softmax')(h)
model_fn = models.Model(inputs=inputs, outputs=outputs)

model_fn.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy'],
)
model_fn.summary()

• `compile`: optimizer / loss / metrics を一括指定
• `fit`: 学習を 1 メソッドで実行
• `evaluate`: テストデータで評価
• `predict`: 予測
• Callback: EarlyStopping / ReduceLROnPlateau / ModelCheckpoint

• PyTorch: 研究 ・ Kaggle ・ 論文実装で主流。動的グラフで書きやすい
• TensorFlow / Keras: 本番デプロイ ・ TF-Lite(モバイル)・ TFX が強み
• JAX: 関数型 + XLA で高速。Google 内部で増加
• 最近の傾向: PyTorch 2.0 + torch.compile で性能ギャップ縮小、PyTorch がデファクト化

• 畳み込み層: 局所特徴を抽出。重みの共有
• プーリング層: 空間方向にダウンサンプル
• 全結合層: 最終的な分類
• Batch Normalization: 学習安定化
• Dropout: 過学習抑制
• 代表モデル: LeNet / AlexNet / VGG / ResNet / EfficientNet / Vision Transformer(ViT)

• RNN: 時系列の順序を扱う。勾配消失に弱い
• LSTM / GRU: ゲート機構で長期依存を扱う
• Seq2Seq: 機械翻訳の古典構造(エンコーダ + デコーダ)
• Transformer: Attention 機構。並列化可能、現代の LLM の基盤
• BERT / GPT / T5 / Llama: Transformer の派生

• Q-learning / DQN: 行動価値関数を学習
• Policy Gradient / PPO: 方策を直接最適化
• Actor-Critic: 価値と方策を併用
• GAN: 生成器 + 識別器の敵対学習
• VAE: 潜在空間からのサンプリング
• 拡散モデル: ノイズ除去で生成。画像生成の主流

エッジ AI はクラウドではなく デバイス側 で AI 推論を行う設計。スマホ ・ 監視カメラ ・ 自動車 ・ 工場などで導入が進み、プライバシー / 低遅延 / オフライン動作 / 通信コスト削減 が動機です。

• TensorFlow Lite: モバイル / マイコン向け軽量 TF
• ONNX: フレームワーク間相互運用
• TensorRT: NVIDIA GPU 向け最適化
• OpenVINO: Intel CPU / GPU 向け
• Core ML: Apple デバイス向け
• TPU / NPU: 専用ハードウェア

• 量子化(Quantization): float32 → int8 / int4 で 4 〜 8 倍軽量化
• プルーニング(Pruning): 不要な重みを削除
• 蒸留(Distillation): 大モデル(教師) → 小モデル(生徒)
• MobileNet / EfficientNet-Lite: モバイル向けの設計済モデル
• LoRA / QLoRA: LLM の効率的微調整(低ランク適応)

• 実験管理: MLflow / W&B / Neptune
• モデルレジストリ: バージョン管理 + ステージング
• 特徴量ストア: 訓練 / 推論で同じ特徴量を再利用
• CI/CD for ML: テスト + 自動デプロイ
• 監視: 予測分布 ・ 遅延 ・ ドリフト検出
• A/B テスト / シャドーデプロイ: 安全な新モデル投入

1. 第 2 章: NumPy のブロードキャスト 3 規則・shape の規約
2. 第 3 章: 教師あり/なし/強化学習の違い、scikit-learn の Estimator API
3. 第 4 章: 評価指標(分類/回帰)、Optuna による探索
4. 第 5 章: ReLU / Adam / 勾配消失 / Batch Norm
5. 第 6 章: PyTorch の `zero_grad → forward → loss → backward → step` 5 行
6. 第 7 章: Keras Sequential / Functional API / Callback
7. 第 8 章: CNN / RNN / Transformer の特徴と代表モデル
8. 第 9 章: 量子化・プルーニング・蒸留 / TFLite・ONNX
9. MLOps: 実験管理・モデルレジストリ・ドリフト検出

試験当日のコツ

• 1 問 1 分 のペース感覚。コード読解問題は『まず関数名を見る』で 6 割解ける
• 極端な選択肢に警戒: 『常に』『必ず』は誤答が多い
• A 級は B 級を含む: B 級向けの基礎事項も出る
• 前日 30 分の復習: PyTorch / Keras の代表シグネチャを実機で確認

AI 実装検定 A 級 → E 資格(JDLA、より深い数学 + 実装)が王道。または 生成 AI パスポート → G 検定 で AI の事業活用や倫理側を補強する道もあります。本サイトの[/textbook](/textbook)で各検定の教科書にアクセスできます。