JDLA Deep Learning for GENERAL 2021#1 @2021/3/20
【 合 格 】 合格率63%
総受験者数 6,062名
合格者数 3,866名
JDLA Deep Learning for ENGINEER 2022#1 @2022/2/18
【 合 格 】 合格率74%
総受験者数 1,327名
合格者数 982名
G検定の振り返り
G検定については、「ディープラーニングの基礎知識を有し、適切な活用方針を決定して、事業活用する能力や知識を有しているかを検定する。」と定義されています。何らかのAI開発を行いたいと思った際に、どのように進めたら良いかがある程度分かるのがG検定ということかと思います。E資格も含め、この資格ではシラバスが重要になってきますが、そこに書かれている範囲はかなり広いため、勉強には時間を要します。また、いくらやっても知らないことが出てくるため、なかなか安心感が得られないが心身に良くありません。実際、試験ではまったく見たことの無い問題も10題程度ありました。
一方で、試験自体は知識に関する選択問題のため、E資格取得後から振り返ってみれば、それほど難しいものではありません。しかも、試験は自宅で行うことができるので、混乱しそうな問題についてはノートなどにまとめておけば、確実に点を取れるという状況にもあります。なので、G検定についてはまとめノートを作ることを意識しておけば、合格に近づくと思います。そして、分からない分野については、キッパリ諦めることも肝心かと思います。ラッソ回帰とリッジ回帰の違いなどは、E資格取得した今もそれほど明瞭に理解できていないと思うなど、本質的に理解するのがかなり難しいためです。
E資格の振り返り
E資格はG検定とまったく別物だと考えた方が良いと思います。「ディープラーニングの理論を理解し、適切な手法を選択して実装する能力や知識を有しているかを認定する。」と定義されていますが、知識だけで無く「実装する能力」が求められている点が大きく異なります。そして、受験資格を得るためにはJLDA認定プログラムを修了している必要があります。認定プログラムは20件ほどありますが、それぞれに特徴があるので、どれを選ぶかはかなり重要です。
2021#1と2021#2の全体合格率はそれぞれ78%と74%でしたが、AVILENでは93%と85%とかなり高い数字になっていました。そしてAVILENは合格者数No.1の他に、この合格率の高さを売りにしていたので、私はAVILENを選択しました。ところが、これが難しい。その難しいプログラムを何とか修了できたら本番試験ではだいぶ余裕でしょう、というのが合格率の正しい見方のような気がします。
認定プログラムが難しいと感じるのは、すべてを自分のペースで進めなければならない点と基本的には独力で解決しなければならないため、だと思います。AI開発を志すくらいだからみずから動けるよね？と言われている気がしました。この点が最初に共有されていないためだと思うのですが、おそらく修了率は5割程度では無いかと想像しています。時々3ヶ月程度で合格しました！というブログ記事も見かけますが、私にはまったくムリ。ギリギリでした。最後の方は「ヤバい、ヤバい」と独り言が増えたくらいに追い込まれた感がありました。
E資格の認定プログラムを進めるにおいて、G検定は少しは役に立ったかな、というレベルでした。所見の言葉がほとんど無かったので、わりととっつきやすかったのは事実ですが、躓いた点を考えると必須では無いと思います。有名な本ではありますが、ゼロから作るDeepLearnigをしっかり読み込んで、手打ちしている方が効果的だったと思います。もしE資格を受験しようと思っていて、認定プログラムの開始までに時間的余裕があるのであれば、ゼロから作るDeepLearnigをやってみるのが良いと思います。
E資格では、①応用数学、②機械学習、③深層学習、④開発環境の4つの分野から出題されます。ゼロから作るDeepLearnigは、このうち②しか包含していないことに注意が必要です。私は当初、②と③の区別が付いていなかったため、AVILEN認定プログラムの途中で行き詰まってしまいました。やはり、ハンズオンとして検索性に優れる図書を一冊手に入れておく良いと思います。
先にも書きましたが、E資格は「実装する能力」が求められます。エンジニアと名乗るためには必要なことですが、非プログラマにとってハードルが高いのは事実です。実装はPythonで行いますが、環境設定も含め、講座が始まる前に慣れておくのが理想だと思います。この点でも、ゼロから作るDeepLearnigで一通り苦労しておけば、導入がラクになるはずです。
AVILENの場合、認定プログラムの修了期限は試験の1ヶ月前ほどでした。その後、修了者向けプログラムで模擬試験っぽいものなどを解く事になりましたが、なかなか高得点を取れませんでした。その原因は、認定プログラムの全期間にわたって、とりあえず受かることを優先にしたためです。もっと端的に言えば、本質的な理解をしないままで進めてきたからです。認定プログラムを進めるには、プログラムを実装して動くようにしなければなりませんが、なかなか上手くいきません。なので時間が掛かって、本質的な勉強に割ける時間が無くなるためです。
そして出題範囲がかなり広いため、浅い理解では覚えきれない状況に陥りました。繰り返し問題を解くのですが、なかなかオーバーフィッティングすらできない状況でした。なので最初の頃、すなわちプログラミングによる実装の前の応用数学については特に、基礎からしっかりと理解しておくのが良いと思います。
私の場合、①応用数学、③深層学習、④開発環境についてはほぼ平均点でしたが、②機械学習は平均に比較し20ptも高いスコアでした。これはゼロから作るDeepLearnigをやっていたためだと思います。あとこの本は大変に有名であるため、ネットに様々な情報があるので理解しやすいのです。なのでトレンドに左右されない①応用数学は、やはり点数を取れるようにがっつり勉強した方が良いと思います。
Pythonを動かす方法はいくつもありますが、私はGoogle colabを使いました。点群処理に手を出したことがあるのですが、その際に、colabのTPUを使って、その計算力に関心があったためです。とは言え、何を使っても特に問題は無かったと思います。2022#2からシラバスが改訂され、フレームワークを使って動かす必要があります。とにかく初心者はPyTorchが良いとのこと。colabだったらTensorFlowではないかとも思ったのですが、そんなことは無い、とのこと。今後は、PyTorchにも慣れたいと考えています。
コメント