シラバスや試験問題では、過学習（オーバーフィッティング）の概要に加え、それを検知・対策するための手法について問われます。具体的には、手元のデータを「学習用」と「検証用」に分割して精度を測定する「交差検証（クロスバリデーション）」の仕組みを理解しているかが重要です。また、過学習とは逆の現象である、モデルの表現力が低すぎて学習データすら十分に学習できない「学習不足（アンダーフィッティング）」とのトレードオフの関係（バイアスとバリアンスのトレードオフ）も重要な論点です。学習曲線のグラフ（横軸にエポック数、縦軸に損失）が示され、検証データの損失が上昇し始めるポイント（過学習が始まった時点）を読み取る問題に慣れておきましょう。

過学習に関連する用語としては、モデルが単純すぎてルールを学習しきれない「学習不足（アンダーフィッティング）」や、過学習を防ぐためのパラメータ制御技術である「正則化」があります。また、手元のデータを分割してモデルの評価を行う「交差検証（クロスバリデーション）」や、過学習の回避に効果的なアンサンブル学習の手法である「ランダムフォレスト」も密接に関連しています。