ニューラルネットワーク（NN）は、AI・機械学習分野の土台となる重要な用語です。この記事では、脳の仕組みとの対応や層構造の考え方、試験での出題パターンまでを整理します。
対象試験と出題頻度
ニューラルネットワークは、ITパスポート・基本情報技術者・応用情報技術者の3区分で出題されるテーマです。
「ディープラーニングに用いられる技術は何か」という問いの正解選択肢として登場するパターンが定番化しています。
詳細をクリックして確認
ITパスポート
基本情報技術者
応用情報技術者
★★★☆☆
ランクB（標準）覚えておくと有利
用語の定義
情報処理試験を勉強していると、「ニューラルネットワークって結局何？ディープラーニングと何が違うの？」と混乱しがちです。
ニューラルネットワーク（Neural Network / NN）とは、一言で言うと
「人間の脳の神経回路（ニューロンのつながり）を数学的に模倣した計算モデル」
のことです。
イメージとしては、「バケツリレー」です。
火事の現場で、大勢の人が一列に並んでバケツを手渡しし、水を運びます。一人ひとりは「受け取る → 判断する（次に渡すかどうか）→ 渡す」というシンプルな動作しかしていません。しかし、列全体が連携すると大量の水を効率的に運搬できます。
ニューラルネットワークも同じで、一つひとつの計算ユニット（人工ニューロン）は単純な計算しかしませんが、それを何層にも重ねてつなぐことで、画像認識や音声認識などの高度な判断を実現します。
📊 ニューラルネットワークの基本情報
| 項目 | 内容 |
|---|---|
| 英語名 | Neural Network（NN） |
| 分類 | AI（人工知能）・機械学習の基盤技術 |
| モデルの由来 | 人間の脳神経細胞（ニューロン）の信号伝達 |
| 基本構成 | 入力層・隠れ層（中間層）・出力層の3層構造 |
| 関連技術 | ディープラーニング（深層学習）、パーセプトロン、誤差逆伝播法 |
解説
1943年にマカロックとピッツが提唱した「形式ニューロン」が出発点です。脳の神経細胞は、他の細胞から受け取った電気信号の合計が一定のしきい値を超えると「発火」し、次の細胞に信号を伝達します。
この仕組みを数式で表現し、コンピュータ上で再現しようとしたのがニューラルネットワークの始まりです。
生体ニューロンと人工ニューロンの対応
生体の神経細胞と、コンピュータ上のモデル（パーセプトロン）を対応させると次のようになります。
| 生体ニューロン | 人工ニューロン | 役割 |
|---|---|---|
| 樹状突起 | 入力（x） | 外部からの信号を受け取る |
| シナプスの強度 | 重み（w） | 信号の重要度を調整する |
| 細胞体 | 総和＋活性化関数 | 入力の合計を計算し、発火するか判定する |
| 軸索 | 出力（y） | 次のニューロンへ信号を送る |
図解：3層構造のしくみ
基本的な構造は「入力層 → 隠れ層（中間層）→ 出力層」の3層です。データは左から右へ流れ、各層のノード間には重みが設定されています。
ニューラルネットワークの3層構造
学習の流れ ─ 重みの調整で賢くなる
学習とは、出力と正解のズレ（誤差）を小さくするように重みを繰り返し調整する作業です。
代表的な手法が誤差逆伝播法（バックプロパゲーション）で、出力側から入力側へ誤差を逆順に伝えながら各層の重みを更新します。
学習の流れ（順伝播と逆伝播）
↓ 誤差を逆方向に伝播 ↓
※ この逆方向の重み更新を「誤差逆伝播法（バックプロパゲーション）」と呼ぶ
ディープラーニングとの関係
隠れ層が1層だけの単純な構造を「浅いネットワーク」、隠れ層を何層にも積み重ねた構造を「深い（ディープ）ネットワーク」と呼びます。
後者を用いた機械学習がディープラーニング（深層学習）です。つまり、ディープラーニングはニューラルネットワークの発展形であり、両者は「土台と応用」の関係にあります。
| 比較項目 | ニューラルネットワーク | ディープラーニング |
|---|---|---|
| 隠れ層の数 | 1層（基本形） | 2層以上（多層） |
| 特徴量の抽出 | 人間が設計する場合が多い | モデルが自動で学習する |
| 必要データ量 | 比較的少量でも動作 | 大量のデータが必要 |
| 代表的な種類 | 単純パーセプトロン、多層パーセプトロン | CNN（画像認識）、RNN（時系列データ） |
では、この用語が試験でどのように出題されるか見ていきましょう。
💡 ニューラルネットワークの核心を3行で
・脳の神経細胞（ニューロン）の信号伝達を数式で再現した計算モデル
・入力層・隠れ層・出力層の3層構造で、重みを学習で自動調整する
・隠れ層を多層化したものがディープラーニング（深層学習）
試験ではこう出る！
ニューラルネットワークは、IP・FE・APの午前問題（科目A）で繰り返し出題されています。出題パターンは大きく2つです。
📊 過去問での出題実績
| 試験回 | 出題内容 | 問われたポイント |
|---|---|---|
| IP R6 問95 |
ディープラーニングに用いられる技術を選ぶ問題。 | ・正解は「ニューラルネットワーク」 ・ソーシャルネットワーク、フィージビリティスタディがひっかけ |
| IP R5 問74 |
ニューラルネットワークの説明として正しいものを選ぶ問題。 | ・「脳神経系の仕組みをコンピュータで模したモデル」が正解 ・ユビキタスネットワーク、住基ネットの説明がひっかけ |
| IP R5 問91 |
活性化関数に関する記述を選ぶ問題。 | ・ニューロンの出力値を決定する関数という点が問われた |
| FE H30春 午前 問3 |
ディープラーニングの特徴を選ぶ問題。 | ・「脳神経回路を模倣し、ニューラルネットワークを用いる」が正解 ・エキスパートシステムの説明がひっかけ |
| AP R3秋 午前 問3 |
ディープラーニングに最も関連が深いものを選ぶ問題。 | ・「神経回路網を模倣、多層の素子と信号線のパラメータ調整」が正解 ・遺伝的アルゴリズムの説明がひっかけ |
| AP R1秋 午後 問3 |
ニューラルネットワークのプログラミングに関する記述問題。 | ・順伝播・逆伝播の計算手順を問うプログラミング問題 |
📝 IPA試験での出題パターン
パターン1：「ディープラーニングに関連する技術を選べ」
4つの選択肢の中からニューラルネットワークを選ばせる形式。ひっかけとして「ソーシャルネットワーク（SNS）」「エキスパートシステム」「遺伝的アルゴリズム」などが並ぶ。「脳神経」「多層」「パーセプトロン」が含まれる選択肢を選べばOKです。
パターン2：「ニューラルネットワークの説明を選べ」
名前に「ネットワーク」が入るため、通信ネットワーク系の選択肢（ユビキタスネットワーク、住基ネットなど）が紛れ込む。「脳神経を模倣」「ディープラーニングで用いる」という2つのキーワードで判別してください。
ここだけは確実に押さえてください。活性化関数やバックプロパゲーションの数式レベルの理解まではIPやFEでは求められないので、深追いは不要です。
【確認テスト】理解度チェック
ここまでの内容を理解できたか、簡単なクイズで確認してみましょう。
Q. AIにおけるディープラーニングに用いられる技術として、最も適切なものはどれでしょうか？
- A. 与えられた問題の解の候補を記号列で表現し、交配や突然変異を繰り返して最適解に近づける手法。
- B. 人間の脳神経回路を模倣し、多層に配置されたノードと重み付きの接続で構成されるモデル。
- C. 専門家の知識をルール化し、「AならばB」という推論規則に基づいて問題を解くシステム。
正解と解説を見る
正解：B
解説：
ニューラルネットワークは、脳の神経細胞（ニューロン）の信号伝達を数学的に再現したモデルです。ディープラーニングはこのモデルの隠れ層を多層化して高度なパターン認識を可能にした技術であるため、選択肢Bが正解です。
選択肢Aは遺伝的アルゴリズムの説明です。生物の進化の仕組みを模倣した最適化手法であり、ニューラルネットワークとは原理が異なります。選択肢Cはエキスパートシステムの説明です。ルールベースの推論であり、データから自動学習するニューラルネットワークとはアプローチが根本的に異なります。
よくある質問（FAQ）
Q. ニューラルネットワークとAI（人工知能）は同じ意味ですか？
同じ意味ではありません。AIは「人間の知的活動をコンピュータで再現する技術全般」を指す広い概念です。その中に機械学習があり、機械学習の手法の一つとしてニューラルネットワークが位置づけられます。つまり「AI ⊃ 機械学習 ⊃ ニューラルネットワーク ⊃ ディープラーニング」という包含関係です。
Q. CNNやRNNという用語も試験に出ますか？
CNN（畳み込みニューラルネットワーク）は画像認識に特化した構造、RNN（再帰型ニューラルネットワーク）は時系列データの処理に特化した構造です。ITパスポートのシラバス6.3ではCNNが記載されており、IP R7 問80で「畳み込みニューラルネットワーク」の説明が出題されています。名称と「何に使うか」を押さえておけば得点に直結します。
Q. 「活性化関数」とは具体的に何ですか？
各ニューロンが入力値の重み付き合計を受け取った後、最終的に出力する値を決定する関数です。代表的なものにシグモイド関数（出力を0〜1に変換）やReLU関数（負の値を0にする）があります。IP R5 問91ではこの活性化関数について「各ニューロンにおいて、複数の入力値にそれぞれ対応する重みを乗じた値の和を入力として、出力値を求めるために用いる」と出題されました。
Q. 実務ではニューラルネットワークをどう使いますか？
実務では、画像認識（顔認証、製品の外観検査）、自然言語処理（チャットボット、翻訳）、音声認識（スマートスピーカー）、異常検知（不正取引の検出）など幅広い領域で使われています。近年では、TensorFlowやPyTorchといったオープンソースのフレームワークを使えば、コード数十行で基本的なモデルを構築できるため、エンジニアにとっての参入障壁は大きく下がっています。
