メインコンテンツへスキップ
見出し画像

【G検定対策】シラバス2024年版 模擬問題2

    章末の「ご利用にあたって」を読んでからご利用ください。
    模擬問題として160問120分を意識して出題問題をランダムにしております。
    解答解説は最後にPDF添付しています。
    作成は2025/5/3です

    模擬問題 160問 120分

    シラバス順に並んでいますが本チャンではランダムありだったです。

    Q1. 人工知能(AI)の定義として最も適切なものを1つ選べ
    A. 人間の知的作業をすべて自動で模倣できるコンピュータ技術
    B. ロボット技術と機械学習技術を統合したもの
    C. 人間の知的行動を模倣するよう設計された人工的なシステム
    D. 全自動で自己学習し、人間の知識を超越するソフトウェア

    Q2. 古典的AIと機械学習の主な違いとして正しいものを1つ選べ
    A. 古典的AIはニューラルネットワークを使うが、機械学習は使わない
    B. 古典的AIはルールベースであり、機械学習はデータから学習する
    C. 機械学習は論理演算に基づくが、古典的AIは経験則を用いる
    D. 機械学習は強いAIの一形態である

    Q3. AIの「効果」(AI効果)と呼ばれる現象の説明として最も適切なものを1つ選べ
    A. AIが特定の専門分野で高精度な予測を行える効果
    B. AIの成功が一般的になると、それがAIと認識されなくなる現象
    C. AIが自動的に自己進化する能力
    D. AIによる省力化によって労働力が過剰になる現象

    Q4. 人工知能分野の歴史における「ダートマス会議(1956年)」の意義として正しいものを1つ選べ
    A. 最初の商用AIの実装を発表した
    B. 機械学習の理論を確立した
    C. 人工知能という概念が公式に提唱された
    D. ディープラーニングのフレームワークが開発された

    Q5. 人工知能が人間と区別できないほど自然に会話できるかを判断するテストとして最も適切なものを1つ選べ
    A. IQテスト
    B. CAPTCHA
    C. チューリングテスト
    D. ベイズ推定

    Q6. 「強いAI」と「弱いAI」の違いとして正しいものを1つ選べ
    A. 強いAIはロボットに搭載されるが、弱いAIはソフトウェアに限定される
    B. 弱いAIは人間の感情を理解するが、強いAIは論理演算しかできない
    C. 強いAIは汎用知能を備え、弱いAIは特定のタスクに特化している
    D. 強いAIは物理的な存在を持ち、弱いAIは持たない

    Q7. シンボルグラウンディング問題とは何か?
    A. AIにおけるシンボル操作が複雑すぎて処理できないこと
    B. 記号が他の記号によってしか定義されていないことにより意味を理解できない問題
    C. 記号の意味をニューラルネットワークが学習できない問題
    D. AIが感情を持たないために言語理解が困難になる問題

    Q8. 探索木を用いたAIアルゴリズムの特徴として正しいものを1つ選べ
    A. 論理的推論を行うためにディープラーニングを活用する
    B. すべての選択肢を深さ優先で順番に処理するのが特徴
    C. ゲームなどでの手の選択肢を木構造で表現し、探索する
    D. 強化学習と同様に報酬を得て状態を更新していく

    Q9. 知識表現に関して正しい説明を1つ選べ
    A. 知識表現とは、AIが意味のないデータをランダムに生成する手法である
    B. 知識表現は主にロボット制御のための情報圧縮技術を指す
    C. 知識表現は、人間の知識を構造化してAIが処理可能にする方法である
    D. 知識表現は感情モデルを表現するために使われる

    Q10. エキスパートシステムの代表例として最も適切なものを1つ選べ
    A. GPT-4
    B. MYCIN
    C. Deep Blue
    D. BERT


    Q11. トイ・プロブレムの特徴として正しいものを1つ選べ
    A. 解決困難な現実の問題に対して使われる問題設定
    B. AIが実行可能な現実的問題のみを指す
    C. 単純化されすぎて、AIには適さない問題
    D. 限定されたルールや環境下で設計された簡易的な問題

    Q12. 探索手法のうち、ランダム性を活用して状態空間を探索する手法はどれか?
    A. ミニマックス法
    B. αβ法
    C. モンテカルロ法
    D. ブルートフォース法

    Q13. 「東ロボくん」プロジェクトの目的として正しいものを1つ選べ
    A. 東大の入試に特化した教育用AIの開発
    B. 知識処理型AIによる難関大学合格を目指す挑戦
    C. AIによる自然言語処理の研究成果を公開するための計画
    D. 人工知能によるプログラム生成自動化の研究

    Q14. 意味ネットワークの例として最も適切なものを1つ選べ
    A. ニューラルネットワークの隠れ層構造
    B. 各概念がノードとしてつながり、関係性を記述する図式構造
    C. 関数と変数の関係を数式で記述したグラフ
    D. 機械学習の特徴量空間

    Q15. AI研究初期に自然言語理解を試みたプログラム「ELIZA」の特徴はどれか?
    A. 深層学習を用いた自己学習型言語モデル
    B. 事前学習モデルにより翻訳精度を改善したツール
    C. 入力された文章に対し、あらかじめ定義されたルールで応答した
    D. 感情を解析して心理的なフィードバックを行うシステム

    Q16. 人工知能が人間の知識をどのように得るかという課題に関係する概念はどれか?
    A. 感情表現の難しさ
    B. チューリングテスト
    C. 知識獲得のボトルネック
    D. 記号操作の非決定性

    Q17. 機械学習における「教師あり学習」の特徴として正しいものを1つ選べ
    A. 正解ラベルなしでクラスタリングを行う
    B. ラベル付きデータを用いてモデルを訓練する
    C. 環境との相互作用から報酬を得る
    D. 正解ラベルのないデータを生成するモデルを構築する

    Q18. 決定木の利点として最も適切なものを1つ選べ
    A. 訓練に大量の画像データを必要とする
    B. 線形分離しかできない
    C. モデルの構造が可視化しやすく、解釈性が高い
    D. 過学習しにくく、精度も常に高い

    Q19. k-近傍法(k-NN)の特徴として正しいものを1つ選べ
    A. 線形回帰と同様に係数を学習する
    B. 学習時にモデルパラメータを更新する
    C. 訓練データ全体を保存し、予測時に距離で判定する
    D. 層化サンプリングによる確率推定を用いる


    Q20. サポートベクターマシン(SVM)における「カーネル法」の役割はどれか?
    A. 教師なし学習に適用するための工夫
    B. 入力特徴量の次元を下げて計算量を減らす
    C. 高次元空間での非線形分離を可能にする
    D. ランダムに特徴量を生成して汎化能力を高める

    Q21. 勾配ブースティング法に関する説明として正しいものを1つ選べ
    A. 単一の強力な決定木を1回学習する手法
    B. 複数の弱学習器を直列に組み合わせて予測性能を向上させる
    C. 学習途中で正則化項を除去して精度を高める手法
    D. バギングを応用してモデルの分散を減らす技法

    Q22. ランダムフォレストの特徴として誤っているものを1つ選べ
    A. バギングに基づき複数の決定木を構築する
    B. 各決定木は異なるサブセットのデータで学習される
    C. 過学習のリスクが高いため使用は推奨されない
    D. 特徴量の一部をランダムに選択することで多様性を持たせる

    Q23. 線形回帰モデルで前提とされる仮定として適切なものはどれか?
    A. 説明変数はすべてカテゴリ変数である
    B. 誤差は平均0で独立かつ等分散の正規分布に従う
    C. 出力は離散的である
    D. 多重共線性があるほど予測性能が高くなる

    Q24. ロジスティック回帰の出力は何を意味するか?
    A. クラスごとの正確なラベル
    B. 連続値の回帰値
    C. クラスに属する確率
    D. 次元削減後の特徴ベクトル

    Q25. 教師なし学習で「クラスタリング」に分類される手法はどれか?
    A. 線形回帰
    B. PCA
    C. k-means
    D. ロジスティック回帰

    Q26. 主成分分析(PCA)の目的として正しいものはどれか?
    A. 教師ラベルに基づいて特徴量を選別する
    B. データの次元を削減し、情報の分散を保持する
    C. 新しいラベルを自動生成する
    D. データを階層的に分類する

    Q27. ベイズ分類器の特徴として最も適切なものを1つ選べ
    A. 全ての分類境界が非線形になる
    B. 条件付き確率を用いて予測を行う
    C. 学習データに依存せず推論できる
    D. 直感的には使いづらく、実務で用いられない

    Q28. LDA(潜在的ディリクレ配分法)の応用分野として最も関連が深いものはどれか?
    A. クラスタリングによる画像識別
    B. 音声データの雑音除去
    C. テキストのトピック抽出
    D. 医療画像のセグメンテーション

    Q29. 教師なし学習において「次元削減」に該当する手法はどれか?
    A. ランダムフォレスト
    B. PCA
    C. アンサンブル学習
    D. ブースティング

    Q30. 「コールドスタート問題」とは何に関係する課題か?
    A. 教師なし学習の初期化時のランダム性に起因する
    B. 初期段階で十分なユーザーデータがないレコメンドシステムにおける問題
    C. 強化学習において行動空間が未定義な状態
    D. モデル評価時に正解ラベルが取得できない問題


    Q31. アンサンブル学習に関する説明として最も適切なものを1つ選べ
    A. 1つのモデルの性能を最大限に引き出す単一学習法
    B. 同じモデルを繰り返し訓練する方法
    C. 複数のモデルを組み合わせて予測性能を向上させる手法
    D. 学習データを1つのモデルで完全に過学習させる手法

    Q32. ハイパーパラメータの調整に広く用いられる手法として最も適切なものを1つ選べ
    A. 勾配消失の検出
    B. グリッドサーチ
    C. 活性化関数の自動選択
    D. エポックによる学習打ち切り

    Q33. ディープラーニングにおいて「深い」ネットワークとは何を指すか?
    A. 入力データの次元が高いネットワーク
    B. 活性化関数が複雑なネットワーク
    C. 多層の中間層(隠れ層)を持つネットワーク
    D. 出力が確率分布であるネットワーク

    Q34. ニューラルネットワークにおける「活性化関数」の役割として最も適切なものを1つ選べ
    A. 学習率を決定する
    B. 入力データを正規化する
    C. 線形な入力を非線形に変換し、表現力を高める
    D. 勾配の発散を防ぐ

    Q35. 多層パーセプトロン(MLP)の各層において、非線形変換が必要な理由として最も適切なものを1つ選べ
    A. パラメータ数を減らすため
    B. モデルの訓練を早くするため
    C. 複雑な関数を近似するため
    D. データの正規化を行うため

    Q36. ディープラーニングの発展に大きく貢献した技術として正しいものはどれか?
    A. K平均法と強化学習の統合
    B. 計算機の高性能化とGPUの利用
    C. 単純ベイズとSVMの融合
    D. 線形回帰とRNNの併用

    Q37. ドロップアウトの主な目的はどれか?
    A. 計算コストを削減すること
    B. データの次元削減
    C. 過学習を防ぐこと
    D. 活性化関数の最適化

    Q38. バッチ正規化(Batch Normalization)の効果として適切なものを1つ選べ
    A. 出力層の活性化を減らす
    B. 勾配消失を完全に防ぐ
    C. 内部共変量シフトを軽減し、学習を安定させる
    D. モデルの非線形性を増加させる

    Q39. 畳み込みニューラルネットワーク(CNN)の主な用途として最も適切なものはどれか?
    A. 時系列予測
    B. 画像認識
    C. 自然言語翻訳
    D. 強化学習

    Q40. プーリング層の役割として正しいものを1つ選べ
    A. 学習率の自動調整
    B. 出力の分類精度を向上させる
    C. 特徴マップの次元を削減し、重要な情報を抽出する
    D. 重みをランダムに初期化する


    Q41. ReLU(Rectified Linear Unit)の出力は次のうちどれか?
    A. 入力の2乗
    B. 入力が0より大きければそのまま、そうでなければ0
    C. 入力の符号を反転する
    D. 入力を正規分布に変換する

    Q42. 損失関数の例として「交差エントロピー損失」が用いられるのはどのような場合か?
    A. 回帰問題
    B. 教師なし学習
    C. 分類問題(特に確率出力を伴う)
    D. クラスタリング問題

    Q43. ニューラルネットワークにおける勾配消失問題はどのような層構造で起こりやすいか?
    A. 活性化関数を使わない浅いネットワーク
    B. 線形回帰モデル
    C. 多層でシグモイド関数を使用した深いネットワーク
    D. 入力層に近い全結合層のみの構成

    Q44. バックプロパゲーションの目的として正しいものを1つ選べ
    A. 出力の重みを確率的に選択する
    B. モデルの推論処理を高速化する
    C. 誤差を逆伝播させて各重みを更新する
    D. 学習率を一定に保つ

    Q45. 活性化関数「シグモイド関数」の特徴として最も適切なものを1つ選べ
    A. 出力が0または1の離散値になる
    B. 負の値をすべて0にする
    C. 出力が0〜1の連続値で滑らかなS字型カーブになる
    D. 入力値の正規分布を維持する

    Q46. ソフトマックス関数の用途として正しいものを1つ選べ
    A. 入力データのスケーリング
    B. 各クラスのスコアを確率に変換する
    C. ニューラルネットワークの正則化
    D. クラスタリング後のラベル決定

    Q47. 「重みの初期化」が不適切な場合に生じる問題として最も適切なものはどれか?
    A. 活性化関数の非線形性が消失する
    B. 学習が早すぎて収束しない
    C. 勾配消失または勾配爆発により学習が困難になる
    D. モデルの表現力が高くなりすぎる

    Q48. 学習率(Learning Rate)が高すぎると起こりうる現象として正しいものはどれか?
    A. 学習が非常に遅くなる
    B. 勾配がゼロになりやすくなる
    C. 最適解を飛び越え、発散する可能性がある
    D. 活性化関数がすべてReLUに変わる

    Q49. 過学習(オーバーフィッティング)の兆候として最も適切なものはどれか?
    A. 訓練データとテストデータの精度がほぼ同じ
    B. テストデータの精度が訓練データよりも高い
    C. 訓練データでは高精度だが、テストデータでは精度が低下する
    D. 両データで常に低精度である

    Q50. ニューラルネットワークの重みの更新で用いられる「勾配降下法」に関する記述として正しいものはどれか?
    A. 誤差が最大となる方向にパラメータを更新する
    B. ランダムに決定された方向にパラメータを更新する
    C. 誤差を最小にする方向にパラメータを更新する
    D. すべてのパラメータを固定し、バイアスのみを更新する


    Q51. エポック(epoch)とは何を意味するか?
    A. 1回の学習率の更新のこと
    B. 1バッチ分の学習のこと
    C. モデルの初期化処理のこと
    D. 訓練データ全体を1回学習させる処理の単位

    Q52. ミニバッチ学習の特徴として正しいものはどれか?
    A. 毎回すべてのデータを使って学習を行う
    B. データを1件ずつ逐次処理する方式である
    C. 学習データを小さなグループに分けて効率よく学習する
    D. バッチの順番を固定することで収束速度を上げる

    Q53. ドロップアウトにおいて、訓練時と推論時で行う処理の違いとして適切なものはどれか?
    A. 訓練時は全ノードを使用し、推論時は一部を無効にする
    B. 訓練時はランダムにノードを無効にし、推論時は全ノードを使う
    C. 両方とも常に一部のノードを無効にする
    D. 推論時には損失関数を変更する

    Q54. 「早期終了(Early Stopping)」の目的として最も適切なものはどれか?
    A. 学習速度を上げる
    B. バッチサイズを自動調整する
    C. 過学習を防ぐため、検証誤差が悪化したタイミングで学習を停止する
    D. 全てのデータを学習させる前にランダムに学習を止める

    Q55. モデルの正則化においてL1正則化の特徴はどれか?
    A. すべての重みに同じペナルティを加える
    B. 重みの絶対値の合計にペナルティを課すことでスパース性を促す
    C. 重みの二乗に対してペナルティを課す
    D. バッチ正規化と同等の効果を持つ

    Q56. 活性化関数「tanh」の特徴として正しいものはどれか?
    A. 出力範囲が0〜1である
    B. 出力範囲が−1〜1で、シグモイドより中心が0に近い
    C. 勾配消失を防ぐ性質を持つ
    D. 出力が階段状に変化する

    Q57. 畳み込みニューラルネットワーク(CNN)で使用される「フィルタ」の役割はどれか?
    A. 入力データのノイズ除去を行う
    B. 入力画像の中から特徴を抽出する
    C. 出力の分類精度を決定する
    D. バッチ正規化を補助する

    Q58. CNNにおけるパラメータ共有の利点として最も適切なものはどれか?
    A. 過学習を誘発する
    B. モデルの学習速度を低下させる
    C. 入力データに位置不変性を与える
    D. 活性化関数の種類を増やす

    Q59. CNNの「ストライド」の役割はどれか?
    A. 活性化関数の選択を制御する
    B. 畳み込みフィルタの重み初期値を決定する
    C. フィルタを適用する間隔を決め、出力サイズに影響を与える
    D. 勾配の大きさを調整する

    Q60. プーリング層において「最大プーリング(max pooling)」が行う処理はどれか?
    A. フィルタごとの最大重みを選択する
    B. 入力画像の最大の面積を保持する
    C. 局所領域内で最大値を選択して特徴マップを縮小する
    D. 畳み込み演算の回数を増やす


    Q61. 転移学習(Transfer Learning)の利点として適切なものはどれか?
    A. 学習済みモデルをそのまま他のタスクに使うことで、少ないデータで高精度が期待できる
    B. モデルの重みをすべて初期化することで精度を向上させる
    C. 一般には学習に時間がかかりすぎるため避けられる
    D. 主に教師なし学習でしか使用できない

    Q62. ファインチューニング(fine-tuning)とはどのような手法か?
    A. 学習途中でエポックをリセットして訓練を継続する方法
    B. 既存の学習済みモデルを微調整して新しいタスクに適用する方法
    C. ハイパーパラメータの初期値をランダムに設定すること
    D. プーリング層のストライド幅を調整すること

    Q63. 再帰型ニューラルネットワーク(RNN)はどのような入力に適しているか?
    A. 入力と出力が常に等しいベクトル
    B. 階層的な分類構造
    C. 時系列などの連続した系列データ
    D. 空間情報を含む画像データ

    Q64. RNNが抱える課題として最も知られているものはどれか?
    A. 畳み込み演算の複雑さ
    B. 出力が常に2値になること
    C. 長期依存関係の学習困難(勾配消失・爆発)
    D. 過学習しにくいこと

    Q65. 長・短期記憶(LSTM)ネットワークにおける「ゲート構造」の役割として正しいものはどれか?
    A. 重みの初期値を動的に生成する
    B. 活性化関数の種類を動的に選ぶ
    C. 情報の保持・更新・忘却を制御する
    D. ドロップアウト率を自動調整する

    Q66. 双方向RNN(Bidirectional RNN)の利点は何か?
    A. 計算負荷を半分にできる
    B. 過学習を防げる
    C. 入力系列を前後両方向から処理し、文脈理解を高める
    D. 入力と出力の次元を同一に保つ

    Q67. Attention(注意機構)の主な目的はどれか?
    A. 勾配爆発の抑制
    B. モデルの圧縮
    C. 入力の重要部分に重みを与えることで性能を向上させる
    D. 学習率を動的に変更する

    Q68. 自己注意(Self-Attention)はどのような処理を行うか?
    A. 畳み込み処理を省略して重みを平均化する
    B. 各要素が他のすべての要素と相互作用して重みを計算する
    C. 出力層のみで適用される正則化手法
    D. 隠れ層に対してフィルタを適用する方法

    Q69. Transformerモデルが従来のRNNより優れている点はどれか?
    A. パラメータが少なくなる
    B. 時系列順に処理するため、計算効率が高い
    C. 並列処理が可能で、長期依存の学習に優れる
    D. 教師なし学習しか適用できない

    Q70. BERTの特徴として最も適切なものを1つ選べ
    A. 文の生成に特化したモデルである
    B. トークンの前後文脈を同時に考慮する双方向モデルである
    C. 画像認識に特化した転移学習モデルである
    D. 音声認識の前処理モデルである


    Q71. 自然言語処理における「事前学習モデル(pretrained model)」の主な利点はどれか?
    A. 処理速度は遅くなるが、モデルの表現力が落ちる
    B. 汎用的な知識を事前に学習しており、少量のデータでも高精度が出やすい
    C. 新しいデータで再学習することはできない
    D. クラスタリング精度を高めるための構造

    Q72. GAN(敵対的生成ネットワーク)の構成要素として正しい組み合わせはどれか?
    A. 生成器と分類器
    B. 入力層と出力層
    C. 生成器と識別器
    D. エンコーダとデコーダ

    Q73. GANにおける「生成器(Generator)」の役割はどれか?
    A. 入力された画像を分類する
    B. 実データと識別器の重みを最適化する
    C. 偽のデータを生成し、識別器を騙す
    D. 入力ノイズを削除し、出力を正規化する

    Q74. DCGAN(Deep Convolutional GAN)の主な特徴はどれか?
    A. 再帰構造を持つ生成モデル
    B. CNNを用いて画像生成に特化したGAN
    C. 自然言語処理に応用されるGAN
    D. 識別器にRNNを用いるGAN

    Q75. VAE(Variational Autoencoder)の特徴として正しいものを1つ選べ
    A. 入力を分類する識別器である
    B. 入力画像の画質を高めるモデルである
    C. 潜在空間を確率的にモデリングする生成モデルである
    D. 教師あり学習でのみ使用される

    Q76. オートエンコーダ(Autoencoder)の構成に含まれるものはどれか?
    A. プーリング層
    B. エンコーダとデコーダ
    C. 強化学習エージェント
    D. クラス分類器

    Q77. Autoencoderの主な用途として適切なものはどれか?
    A. データの分類
    B. 次元削減と異常検知
    C. 強化学習における報酬設計
    D. シーケンス予測

    Q78. セマンティックセグメンテーションとは何を意味するか?
    A. 入力画像を圧縮し、情報を保存する処理
    B. 各画素ごとにクラスラベルを予測する画像処理技術
    C. 文書をトピックごとに分類する処理
    D. 各ピクセルの色を補正して画質を向上させる処理

    Q79. U-Netの主な用途はどれか?
    A. 音声認識
    B. テキスト分類
    C. 画像のセグメンテーション
    D. 動画のフレーム補間

    Q80. セグメンテーションで用いられる「スキップ接続」の目的として正しいものはどれか?
    A. 出力層の次元を拡大する
    B. エンコーダからデコーダに高解像度の特徴を伝える
    C. 学習率を固定するための工夫
    D. 勾配爆発を意図的に引き起こす


    Q81. Pixel-wise分類とは何を意味するか?
    A. 各ピクセルごとに物体検出を行う
    B. 各ピクセルに対してクラスを割り当てる
    C. ピクセルの明るさを分類基準にする
    D. 画像をブロック単位で分類する

    Q82. 物体検出タスクにおいて「YOLO」が採用している方式はどれか?
    A. R-CNNによる候補領域抽出
    B. 入力画像全体を一括で処理し、検出と分類を同時に行う
    C. スライディングウィンドウ法による逐次分類
    D. GANによる判別器と生成器の融合

    Q83. セグメンテーションと物体検出の違いとして正しいものはどれか?
    A. 物体検出は主に3次元データに適用されるが、セグメンテーションは2次元に限られる
    B. セグメンテーションは物体の境界ボックスを出力する
    C. 物体検出は物体の位置情報(バウンディングボックス)を返すが、セグメンテーションは画素単位のラベルを返す
    D. 両者は同じものであり、呼び方が異なるだけである

    Q84. One-hotベクトルの特徴として最も適切なものはどれか?
    A. 値がすべて異なる連続値で構成される
    B. ランダムなノイズに強い
    C. 1つの要素だけが1で、他はすべて0のベクトル
    D. 特徴量の次元削減に用いる

    Q85. 単語をベクトルで表す手法「Word2Vec」の利点は何か?
    A. 単語ごとに固有のクラスタ番号を割り当てる
    B. 単語の意味的な類似度をベクトル空間上で捉えられる
    C. 固有表現抽出に特化している
    D. 文法誤りを自動的に修正する

    Q86. 埋め込み表現(Embedding)の主な目的はどれか?
    A. データのランダム化
    B. モデルの深さを増やすこと
    C. 高次元の離散データを低次元の連続空間に変換すること
    D. 出力層での分類精度向上のため

    Q87. RNN系モデルにおいて、Seq2Seq(Encoder-Decoder)モデルの役割として正しいものはどれか?
    A. 自然言語の感情分析に特化している
    B. 入力系列を符号化し、出力系列を生成する構造を持つ
    C. モデルの圧縮を目的とした自動符号化器である
    D. 入力系列と出力系列が常に同一である

    Q88. Transformerベースのモデルが自然言語処理において主流になった理由として最も適切なものはどれか?
    A. 計算コストが低く、精度が高くなるため
    B. 層を深くすることでモデルサイズが減るため
    C. 並列計算が可能で長期依存関係の学習が容易だから
    D. 固有表現抽出に特化しているため

    Q89. BERTの事前学習タスクである「マスク言語モデル(MLM)」の内容として正しいものはどれか?
    A. 入力文にノイズを加えて復元させるタスク
    B. 一部の単語を[MASK]に置き換え、元の単語を予測するタスク
    C. 文の意味ベクトルを画像に変換するタスク
    D. トピック分類を行うための前処理タスク

    Q90. Transformersにおいて、位置エンコーディング(Positional Encoding)の目的は何か?
    A. 単語の品詞を予測する
    B. 文の前後関係を記号的に把握するためのタグ付け
    C. 入力系列の語順情報を保持する
    D. 出力層での活性化関数の正規化


    Q91. 学習済みの言語モデルに追加タスクを学習させる手法を何と呼ぶか?
    A. プルーニング
    B. ファインチューニング
    C. バギング
    D. イミュニティラーニング

    Q92. サブワード分割(subword tokenization)の利点として適切なものはどれか?
    A. 語彙サイズが大きくなるため表現力が増す
    B. 未知語を排除するためのルールベース処理
    C. 新語や未知語に対しても分割・表現が可能になる
    D. 構文木解析を不要にする

    Q93. グラフニューラルネットワーク(GNN)の主な用途として最も適切なものはどれか?
    A. ピクセル単位の画像分類
    B. 時系列データの予測
    C. ノード間の関係性を考慮したグラフ構造のデータ解析
    D. オーディオ信号のフィルタリング

    Q94. 強化学習において「エージェント」が行う役割として最も適切なものはどれか?
    A. 状態を記録し続けるロガー
    B. 状態を観測し、行動を選択し、報酬を受け取る存在
    C. 報酬を設定するルールベースシステム
    D. 価値関数を固定する外部装置

    Q95. Q学習(Q-learning)において「Q値」とは何を意味するか?
    A. 状態の出現確率
    B. 行動ごとの報酬の平均値
    C. ある状態で特定の行動を取った場合の期待される累積報酬
    D. 行動を決定する確率分布

    Q96. 強化学習において「探索」と「活用」のバランスを取るために使われる手法として適切なものはどれか?
    A. ReLU
    B. Experience Replay
    C. ε-greedy法
    D. Softmax活性化

    Q97. 深層強化学習において、DQN(Deep Q Network)が導入した革新として正しいものはどれか?
    A. 行動価値関数に畳み込みネットワークを用いた
    B. クラスタリングと報酬学習の併用
    C. LSTMによる系列処理の導入
    D. 転移学習による報酬予測の最適化

    Q98. Actor-Critic法の特徴として最も適切なものを1つ選べ
    A. エージェントが単独で状態遷移を記録する
    B. 状態価値を評価するCriticと行動方針を決めるActorを併用する
    C. 強化学習で使用される誤差逆伝播の別名
    D. ディープラーニングを用いずにQ関数を近似する方法

    Q99. A3C(Asynchronous Advantage Actor-Critic)の利点はどれか?
    A. 並列に動作する複数エージェントで学習の安定性と効率を高める
    B. 勾配消失を回避するために誤差関数を修正する
    C. 単一のエージェントで高速な学習を実現する
    D. 転移学習との組み合わせに特化した強化学習アルゴリズム

    Q100. 損失関数「均方誤差(MSE)」が最も適しているのはどのような問題か?
    A. 画像のクラス分類
    B. 回帰問題における予測値と正解値の誤差評価
    C. クラスタリングにおける距離計算
    D. 教師なし学習における次元削減


    Q101. バッチサイズが大きい場合に期待される影響として最も適切なものはどれか?
    A. 学習がランダム性を伴いやすくなる
    B. 学習が安定しやすくなるが、収束速度が遅くなることがある
    C. 学習速度が常に向上する
    D. テスト精度が極端に低下する

    Q102. ドロップアウト率を高く設定しすぎると起こる可能性が高いことはどれか?
    A. モデルの過学習が促進される
    B. 学習が全く進まなくなることがある
    C. 正則化が効きすぎてテスト精度が常に100%になる
    D. エポック数を増やさないと学習が始まらない

    Q103. バッチ正規化は主にどのような層に対して適用されるか?
    A. 出力層
    B. 入力層
    C. 中間層(隠れ層)
    D. 活性化関数層のみ

    Q104. シーケンス生成モデルで「温度(temperature)」パラメータの役割はどれか?
    A. 学習率を動的に調整する係数
    B. 出力分布の平滑さ(ランダム性)の調整
    C. 活性化関数の出力を正規化する処理
    D. 教師データのシャッフルの強度

    Q105. クロスエントロピー損失関数の出力が0に近いときの意味として正しいものはどれか?
    A. モデルの重みがすべて初期値に戻っている
    B. モデルの予測と正解ラベルがほぼ一致している
    C. モデルが分類に失敗している
    D. モデルが過学習している

    Q106. 畳み込み演算において、「ゼロパディング」を施す主な理由はどれか?
    A. 畳み込み結果をフィルタよりも小さくするため
    B. 出力サイズを小さくしてモデルを圧縮するため
    C. 出力サイズを入力と同じに保つため
    D. 活性化関数の勾配を抑制するため

    Q107. Attention機構の「クエリ(Query)」「キー(Key)」「バリュー(Value)」の役割で正しいものはどれか?
    A. クエリは出力、キーは教師信号、バリューは勾配情報
    B. クエリとキーの類似度を計算し、その重みでバリューを加重平均する
    C. クエリは学習率、キーはバッチサイズ、バリューは出力層の活性化
    D. クエリとキーは同一情報源であるため計算は不要

    Q108. ディープラーニングの社会実装において特に重要視される要素の1つは何か?
    A. ネットワークの層数の多さ
    B. パラメータの初期化精度
    C. 説明可能性(Explainability)
    D. 学習率の自動調整

    Q109. 説明可能なAI(XAI)に関する記述として最も適切なものはどれか?
    A. モデルの構造を可視化するだけで十分とされる
    B. 精度を向上させるための教師なし学習技術である
    C. 出力の根拠や理由をユーザーが理解できる形で提供する手法である
    D. AIが自己進化する仕組みのことを指す

    Q110. ディープラーニングモデルのバイアスに関する懸念として適切なものはどれか?
    A. 学習が高速になりすぎること
    B. バイアスが大きいほど汎化性能が高くなること
    C. 偏ったデータにより不公平な判断を下す可能性
    D. モデルのサイズが大きくなること


    Q111. AIシステムにおいて「公平性(Fairness)」が重視される理由として正しいものはどれか?
    A. 計算コストを削減するため
    B. 全ユーザーに対して同一の性能を保証するため
    C. 特定の集団や属性に対して不当な扱いを防ぐため
    D. モデルの精度を最大化するため

    Q112. ディープラーニングを用いた医療診断支援システムで重要となる要件はどれか?
    A. モデルの隠れ層が多いこと
    B. 推論速度の遅さ
    C. 診断根拠が明確に示されること
    D. パラメータが少ないこと

    Q113. 自動運転技術におけるAI活用の課題として正しいものはどれか?
    A. AIが人間よりも慎重すぎる判断を行うこと
    B. AIが交通法規を完全に理解するまで学習できないこと
    C. センサーデータの多様性とリアルタイム処理の複雑さ
    D. ディープラーニングでは画像を扱えないこと

    Q114. 音声認識におけるディープラーニングの代表的な利用用途として正しいものはどれか?
    A. 音声波形の物理的復元
    B. 音声データの可逆圧縮
    C. 音声からのテキスト変換(音声認識)
    D. 音声のボリューム調整

    Q115. AIによるレコメンドシステムにおいて「協調フィルタリング」の特徴として正しいものはどれか?
    A. 商品の内容情報に基づいて推薦する
    B. 類似ユーザーの行動履歴に基づいて推薦する
    C. 遺伝的アルゴリズムにより推薦精度を最適化する
    D. ランダムに推薦することで多様性を担保する

    Q116. ディープラーニングによる画像生成技術が応用されている分野として最も関連の深いものはどれか?
    A. 医療現場での完全自動診断
    B. フェイク画像や動画の生成(ディープフェイク)
    C. 気象予測の精度向上
    D. 検索エンジンのランキング最適化

    Q117. AIが人間の創造的活動に貢献する事例として最も適切なものはどれか?
    A. 通信プロトコルの圧縮
    B. 音楽や絵画の自動生成
    C. データベースの正規化
    D. 遺伝子配列の手動分析

    Q118. ディープラーニングの社会実装における「リアルタイム性」の重要性が特に高い分野はどれか?
    A. 書籍推薦
    B. 翻訳履歴の集計
    C. 自動運転や監視カメラによる異常検知
    D. オフラインの科学文献分析

    Q119. ディープラーニング導入時に現場担当者と連携すべき理由として正しいものはどれか?
    A. モデルの収束を早めるため
    B. 実データの意味や文脈を理解し、有効な前処理や評価が可能になるため
    C. クラスタリングの精度が上がるため
    D. 数学的背景を共有するため

    Q120. AIチャットボットの活用において、ユーザーの満足度向上のために重要な要素はどれか?
    A. 応答のスピードのみ
    B. 文法エラーの多さ
    C. コンテキスト(文脈)の理解
    D. ユーザーによるプログラミング


    Q121. OCR(光学式文字認識)でディープラーニングを使う主な理由はどれか?
    A. コンピュータが手書き文字を生成するため
    B. 高解像度画像の圧縮を目的とするため
    C. 書体や手書きなど多様な文字パターンに柔軟に対応できるため
    D. 音声認識との連携を目的とするため

    Q122. ディープラーニングを活用した顔認識技術における課題として最も適切なものはどれか?
    A. 処理速度が常に遅いこと
    B. 光や角度による認識精度の変動やプライバシー問題
    C. 識別対象が多いほど精度が上がること
    D. 顔画像しか処理できないこと

    Q123. スマートスピーカーの音声認識における前処理の代表例として適切なものはどれか?
    A. 画像のノイズ除去
    B. テキストマイニング
    C. 音声信号のスペクトル変換
    D. アクセントの強制変換

    Q124. AIによるニュース記事の自動要約に適したモデルはどれか?
    A. GAN
    B. CNN
    C. RNNやTransformer
    D. SVM

    Q125. 製造業におけるAI活用の代表的な例として正しいものはどれか?
    A. ウェブサイトのデザイン生成
    B. 製品の異常検知や故障予測
    C. 音声アシスタントによるナビゲーション
    D. 小説の自動生成

    Q126. 小売業におけるAI活用の例として適切なものはどれか?
    A. 工場内のリアルタイム温度制御
    B. 顧客の購買履歴からの需要予測
    C. 医療画像の分類
    D. 宇宙データの解析

    Q127. 教育分野におけるAI活用で期待される効果はどれか?
    A. 生徒ごとの学習履歴に基づく個別最適化
    B. 授業時間の短縮による学力向上
    C. テキストの物理的保存
    D. 学習内容の画一化

    Q128. 農業におけるAI活用の例として正しいものはどれか?
    A. 気象衛星の自動打ち上げ
    B. 土壌の物理的入れ替え
    C. 作物の成長状態や病害の画像解析による判断
    D. 植物に直接プログラムを書き込む技術

    Q129. AIによる在庫管理の利点として最も適切なものはどれか?
    A. 毎回手動で計算できるようになる
    B. 人の目でチェックする手間が増える
    C. データ分析により最適な発注時期や量を予測できる
    D. 商品の情報がすべて削除される

    Q130. 金融分野におけるディープラーニングの代表的な活用例はどれか?
    A. 暗号資産の物理保管
    B. 顧客の信用スコア推定や不正取引の検知
    C. 金融商品の手動運用
    D. 通貨のデジタル発行業務


    Q131. エネルギー分野におけるAIの活用として正しいものはどれか?
    A. ガソリンの生成量を手動で調整する
    B. 電力需要予測やスマートグリッドの最適制御
    C. 石炭の純度分類を人間が行う
    D. 水力発電の自動修理システムの停止

    Q132. サプライチェーンにおけるAIの役割として最も適切なものはどれか?
    A. すべての工程を人間が管理する仕組みを提案する
    B. 需要予測や在庫最適化、物流効率化の支援を行う
    C. 工場の建設設計を自動化する
    D. 作業員の採用活動を行う

    Q133. 防犯カメラにAIを導入する主な目的として正しいものはどれか?
    A. 過去映像の編集
    B. 映像の高解像度変換
    C. 異常行動のリアルタイム検出や通知
    D. 映像データの自動消去

    Q134. ディープラーニングを使った音声合成技術の応用例として最も適切なものはどれか?
    A. 音の圧縮と解凍
    B. 人間の声に近い自然な音声の生成
    C. 音楽の自動演奏
    D. 騒音の遮断

    Q135. スマートシティにおけるAI活用例として最も適切なものはどれか?
    A. 通信インフラのアナログ化
    B. 市民のSNS投稿の検閲
    C. 交通流やごみ収集ルートの最適化
    D. 地方自治体の合併決定

    Q136. ディープラーニングの活用により実現される「予測保守」の目的はどれか?
    A. 製品に不具合が起きた後に対応する
    B. 保守部品の価格を変動させる
    C. 故障の兆候を検知して事前に保守対応する
    D. 保守スケジュールを固定する

    Q137. ドローンとAIの組み合わせによる活用例として最も適切なものはどれか?
    A. 手動による地図作成支援
    B. 人間が操縦し続ける必要がある遠隔操作機
    C. 空撮画像を解析して農地の状態を自動判定
    D. 天候に関係なく常時飛行可能にする

    Q138. AIを活用した人材マッチングシステムにおける課題として最も適切なものはどれか?
    A. AIが常に最新のトレンドを把握できること
    B. 応募者のプライバシー保護やバイアスの排除
    C. 求人側がAIを信頼しすぎる点
    D. 全ての職種にAIが対応できないこと

    Q139. 音声認識と自然言語処理の組み合わせによって可能になるサービスはどれか?
    A. 音声からのリアルタイム翻訳
    B. 音声の音量調整
    C. 高周波ノイズの除去
    D. 音楽の自動演奏

    Q140. Eコマース分野におけるAI活用の典型例はどれか?
    A. オフライン店舗の拡張
    B. レビューをランダムに並べ替えること
    C. 購買履歴に基づくパーソナライズドな商品推薦
    D. 商品価格を固定する制度設計


    Q141. AIが人間の意思決定を支援する際に重要な要素はどれか?
    A. 感情に基づいた推論
    B. 実行速度のみの優先
    C. 結果に至るプロセスの透明性と説明可能性
    D. 高精度なブラックボックスモデルのみの使用

    Q142. ディープラーニング導入の社会的課題として最も適切なものはどれか?
    A. プログラミング言語の選択肢が少ない
    B. 一般的に精度が常に低いこと
    C. 職業構造の変化や雇用への影響
    D. 教師なし学習しか使えないこと

    Q143. 平均値と中央値の違いとして最も適切なものはどれか?
    A. 平均値は常に中央値より大きくなる
    B. 中央値は外れ値の影響を受けにくい
    C. 中央値はカテゴリ変数にしか使えない
    D. 平均値は順序尺度には使えない

    Q144. 分散の定義として正しいものはどれか?
    A. データの最大値と最小値の差
    B. データの全体的な傾向を示す
    C. データのばらつきの平均
    D. データの合計を標本数で割った値

    Q145. 相関係数が−1に近い場合の関係性として最も適切なものはどれか?
    A. 2つの変数は正の線形関係にある
    B. 2つの変数は無関係である
    C. 2つの変数は強い負の線形関係にある
    D. 2つの変数の平均は等しい

    Q146. 統計的仮説検定における「p値」の意味として正しいものはどれか?
    A. 帰無仮説が正しいときに、観測された結果以上の差が出る確率
    B. 仮説が正しい確率
    C. 有意水準を上回る確率
    D. 検定統計量の平均値

    Q147. 標準偏差について正しい説明はどれか?
    A. 分散の平方根であり、元の単位と同じ尺度になる
    B. 全データの積をとって平均化した値
    C. 最小値と最大値の差を基にした指標
    D. 常に0以上1未満の値を取る

    Q148. ベイズ推定の特徴として最も適切なものはどれか?
    A. サンプルが大きいほど確率が0に近づく
    B. 事前確率とデータに基づく尤度を用いて事後確率を求める
    C. 頻度主義と同様にp値に注目する
    D. 決定木のアルゴリズムで利用される理論

    Q149. 個人情報保護法における「個人情報」に該当するものとして最も適切なものはどれか?
    A. 無作為に取得された統計データ
    B. 特定の個人を識別できる氏名やメールアドレス
    C. 商品コードや価格表
    D. 匿名化されたアンケート結果

    Q150. GDPR(一般データ保護規則)の主な目的は何か?
    A. データベース構築の効率化
    B. データの売買を自由化すること
    C. EU圏内の個人データ保護と移転規制
    D. AIの技術的発展の促進


    Q151. ディープフェイクに関する懸念として正しいものはどれか?
    A. 医療現場での応用が進まないこと
    B. コンテンツの画質が悪化すること
    C. 偽情報やなりすましによる信頼性の低下
    D. 音声認識技術の活用が減少すること

    Q152. AIによる差別的判断を避けるために重要な視点はどれか?
    A. データのランダム性を高めること
    B. バイアスのあるデータやアルゴリズムの検証と修正
    C. 結果の精度を優先して評価を行うこと
    D. 学習データを削除すること

    Q153. AI倫理の中核をなす考え方として最も適切なものはどれか?
    A. AIの利益最大化
    B. 技術の進歩のみに集中する
    C. 公平性、説明可能性、プライバシーの尊重
    D. 経済的合理性と投資回収の最大化

    Q154. AIを用いた医療診断支援システムにおける法的留意点として正しいものはどれか?
    A. AIが誤診した場合でも医師の責任は問われない
    B. 医療AIは常に患者の同意なしで使用できる
    C. 説明責任を持つのは最終判断を行う医師である
    D. データの提供者は使用目的を知る必要がない

    Q155. 日本の個人情報保護法において、データを匿名加工する目的は何か?
    A. データを無料で再利用できるようにするため
    B. 研究や統計分析などの目的で、個人を特定せずに活用するため
    C. 他国へのデータ移転を制限するため
    D. AIの誤作動を防止するため

    Q156. AIと契約に関する問題として適切なものはどれか?
    A. AIは契約主体となりうる
    B. 契約責任は常に開発者に帰属する
    C. AIが自動で契約内容を判断する場合でも人の確認が必要
    D. 契約書はAIによって自動的に法的効力を持つ

    Q157. 「説明可能なAI(XAI)」が重要視される理由として正しいものはどれか?
    A. モデルのサイズを圧縮できるから
    B. 法的責任や社会的信頼の確保に関係するから
    C. 学習速度が向上するから
    D. ハードウェアへの負荷が軽減されるから

    Q158. AIによる自動意思決定に関して、GDPRが規定している個人の権利はどれか?
    A. 常に最終決定をAIが行う権利
    B. 自動処理の内容を秘密にされる権利
    C. 意思決定に対して人による介入を求める権利
    D. データを匿名にする義務

    Q159. データ倫理の観点から、AI開発で推奨される取り組みはどれか?
    A. モデルの精度のみを追求する
    B. データ収集段階から透明性と同意取得を徹底する
    C. 利用者にアルゴリズムを非公開にする
    D. 開発企業だけでガバナンスを行う

    Q160. AI開発における「アカウンタビリティ」とは何を意味するか?
    A. モデルの複雑性を最大化すること
    B. 使用データをすべて公開する義務
    C. システムの動作や結果に対する説明責任を負うこと
    D. 訓練済みモデルを自動削除すること


    解答解説

    画像
    おつかれさまでした。解答解説は下記PDFです

    ご利用にあたって

    • 本問題は、一般社団法人日本ディープラーニング協会(JDLA)が公開する「G検定(ジェネラリスト検定)シラバス 2024」 に基づいて、出題範囲の理解促進を目的として独自に作成されたものです。

    • JDLAならびにG検定の試験実施機関とは一切関係ありません。

    • 出題形式や選択肢、解説は正確性・網羅性を完全に保証するものではありません。

    • 本資料の利用はあくまで学習補助・理解促進の参考資料としてご活用ください。 利用によって生じた結果や損害について、制作者は一切の責任を負いません。

    • 問題は基礎を中心として単純な知識選択型(定義や特徴などの正誤や適合判断)としております。そこそこ問題配分は考えて作成しています。


     
     
    「人生は自己育成ゲーム」というコンセプトで、資格やスキルの話などを緩くやりたいと思っています。

    あなたへのおすすめ