E資格（JDLA）の出題範囲と受験資格を整理します。G検定との違いから確認できます。

E資格（JDLA Deep Learning for ENGINEER）は、日本ディープラーニング協会（JDLA）が認定するディープラーニングの実装能力を証明する資格です。同じJDLAが実施するG検定とは、対象者・受験資格・問われる内容が大きく異なります。

この記事では、E資格の概要・受験資格・出題範囲・G検定との違いを整理します。

E資格とG検定は「対象者」と「受験資格」が異なります

JDLAが実施する資格はE資格とG検定の2種類です。名前が似ているため混同されますが、受験対象と内容は別物です。

項目	E資格	G検定
対象者	ディープラーニングを実装するエンジニア・研究者	AIを事業に活用するジェネラリスト・ビジネスパーソン
受験資格	JDLAが定める認定プログラムの修了が必要	制限なし（誰でも受験可能）
問われる内容	深層学習の数学的理解・実装（Python/NumPy等）	AIの知識・活用法（プログラミング不要）
試験形式	多肢選択式・プログラミング問題（自宅CBT）	多肢選択式・知識問題（自宅オンライン）

出典：JDLA（日本ディープラーニング協会）公式サイト「E資格・G検定概要」をもとに整理。

E資格の最大の特徴は「認定プログラムの修了が受験資格になる」点です。G検定のように「試験日に申し込めば誰でも受験できる」わけではありません。まずJDLAが認定した教育機関のコースを修了してから受験します。

E資格を受験するには、JDLAが認定した教育機関（認定プログラム）のコースを修了する必要があります。認定プログラムは大学・専門学校・オンライン学習サービスなど多数の機関が提供しており、修了後に受験資格が付与されます。

認定プログラムの費用・期間は機関によって異なります。E資格の受験を検討する場合は、JDLAが公表している認定事業者の一覧から、自分のペース・予算に合ったコースを選ぶことが最初のステップです。

認定プログラムの修了を証明する際は、プログラム修了後にJDLAから発行される修了証（または受験資格証明）が必要になります。詳細はJDLA公式サイトでご確認ください。

JDLAが公表しているE資格の出題範囲は大きく3つに分かれます。

分野	主な内容
応用数学	線形代数（行列・固有値・特異値分解）・確率・統計（ベイズ統計含む）・情報理論（エントロピー・相互情報量）
機械学習	線形回帰・ロジスティック回帰・SVM・決定木・アンサンブル学習・クラスタリング・次元削減（PCA）・モデル評価（交差検証・正則化）
深層学習	ニューラルネットワーク（順伝播・逆伝播・活性化関数・最適化）・CNN・RNN・LSTM・Attention機構・Transformer・生成モデル（VAE・GAN）・転移学習・実装（NumPy/PyTorch等）

出典：JDLA「E資格 2025 #2 受験のご案内」の出題範囲表をもとに整理。

E資格の応用数学では、深層学習の理論を数式で理解するために必要な数学的基礎を問われます。高校数学に近い内容ではなく、大学1〜2年レベルの線形代数・確率論・情報理論が中心です。

線形代数：行列の積・逆行列・固有値と固有ベクトル・特異値分解（SVD）。ニューラルネットワークの重みは行列で表現されるため、行列計算は深層学習の根幹です
確率・統計：確率分布（正規分布・ベルヌーイ分布など）・最尤推定・ベイズ統計。機械学習モデルの学習は確率最適化の問題として定式化されます
情報理論：エントロピー・クロスエントロピー・KLダイバージェンス。損失関数（交差エントロピー損失）の理論的な背景となります

E資格の出題で比重が高いのが深層学習の分野です。概念の説明を選ぶだけでなく、Pythonのコード断片を見て動作を答えるような、実装レベルの理解を問う問題も含まれます。

誤差逆伝播（バックプロパゲーション）：ニューラルネットワークの重みを更新するアルゴリズム。計算グラフ上での微分の連鎖律を理解することが求められます
CNN（畳み込みニューラルネットワーク）：画像認識に使われる構造。畳み込み・プーリング・パディングの仕組みと出力サイズの計算が出題されます
RNN・LSTM：時系列データ・テキストに使われる構造。勾配消失問題とLSTMがその対策になる仕組みが問われます
Attention機構・Transformer：近年の自然言語処理の基盤。Self-Attentionのスケールドドット積の計算・位置エンコーディングが出題範囲です
生成モデル（VAE・GAN）：画像生成等に使われるモデル。VAEの潜在変数・GANの敵対的学習の仕組みが問われます