メインコンテンツへスキップ
見出し画像

【G検定対策】模擬問題19 2025年9月試験対応(シラバス1.3対応テキスト版)

    章末の「ご利用にあたって」を読んでからご利用ください。
    今回は問題も解説もテキスト版です。(androidの方は履歴も残るアプリ版がお勧めです)
    模擬問題として160問(20問×8セット)、解答時間は120分を想定しております。最後に難易度は高めのチャレンジ問題20問
    問題作成の情報は2025/8/2です。

    模擬問題 160問 120分

    Q1. 2023年のG7広島サミットで合意された「広島AIプロセス」が目指すものとして、最も適切なものはどれか。
    ① AI技術の国際的な特許制度を廃止すること
    ② 特定国へのAI技術の輸出を全面的に禁止すること
    ③ 信頼できるAIの普及に向けた国際的な指針を策定すること
    ④ 全てのAIアルゴ-リズムのソースコードを公開させること

    Q2. AIがある技術を達成し社会に普及すると、人々がそれを特別な「AI」とは認識しなくなる現象を指す言葉は何か。
    ① フランケンシュタイン・コンプレックス
    ② AI効果(AI Effect)
    ③ テセウスの船
    ④ チャイニーズ・ルーム

    Q3. AIが扱う「記号(シンボル)」とその記号が指し示す実世界の「対象物」とが、本質的に結びついていないという問題を何と呼ぶか。
    ① フレーム問題
    ② チューリングテスト
    ③ シンボルグラウンディング問題
    ④ 身体性(Embodiment)

    Q4. チェスや将棋のようなゲームにおいて、膨大な手の中から最適な一手を見つけ出すために用いられる、古典的AIの代表的な探索アルゴリズムは何か 。
    ① 遺伝的アルゴリズム
    ② k-means法
    ③ 主成分分析(PCA)
    ④ Mini-Max法

    Q5. データ間の意味的な関連性や階層構造を「ノード」と「リンク」で表現する知識表現手法は何か。
    ① 意味ネットワーク
    ② 決定木
    ③ サポートベクターマシン
    ④ Q学習

    Q6. 専門家の知識をルールとしてコンピュータに実装し、専門家のように推論を行う古典的AIを特に何と呼ぶか。
    ① ジェネラティブAI
    ② エキスパートシステム
    ③ オートエンコーダ
    ④ 敵対的生成ネットワーク(GAN)

    Q7. データセットの次元数(特徴量の数)が非常に多くなると、データの密度が著しく低下し、モデルの学習や性能評価が困難になる現象を指す用語は何か。
    ① 過学習(Overfitting)
    ② 未学習(Underfitting)
    ③ 次元の呪い
    ④ 勾配消失問題

    Q8. ディープラーニングが従来の機械学習手法と比較して持つ、最も顕著な利点は何か。
    ① あらゆる問題に対して常に最も高い精度を発揮する。
    ② モデルの解釈性が非常に高く、判断根拠の説明が容易である。
    ③ 大量の計算資源やデータを必要としない。
    ④ データから特徴量を自動で学習・抽出し、表現学習を行う能力。

    Q9. 畳み込みニューラルネットワーク(CNN)の発展に大きく貢献し、特に手書き数字認識のタスクでそ
    の有効性を初めて示したモデルは何か。
    ① LeNet
    ② AlexNet
    ③ VGGNet
    ④ ResNet

    Q10. 正解ラベルが付与されたデータ(入力と出力のペア)を用いてモデルを学習させる機械学習の手法群を何と呼ぶか。
    ① 強化学習
    ② 教師あり学習
    ③ 教師なし学習
    ④ 半教師あり学習

    Q11. 与えられたデータセットを、事前に決められた数(k)のクラスタ(グループ)に分割する、代表的な教師なし学習アルゴリズムは何か。
    ① サポートベクターマシン(SVM)
    ② ロジスティック回帰
    ③ k-means法
    ④ ランダムフォレスト

    Q12. データの特徴量を保持しながら、より低い次元の空間にデータを変換(射影)することを目的とした、代表的な次元削減手法は何か。
    ① t-SNE
    ② DBSCAN
    ③ Apriori
    ④ 主成分分析(PCA)

    Q13. ある行動の結果として得られる報酬の期待値を学習することで、最適な行動戦略(方策)を見つけ出す機械学習の一分野は何か。
    ① 強化学習
    ② 転移学習
    ③ メタ学習
    ④ 自己教師あり学習

    Q14. 強化学習において、ある「状態」とそこで行う「行動」のペアの価値(期待される累積報酬)を関数として表現したものを何と呼ぶか。
    ① 方策関数(Policy Function)
    ② 行動価値関数(Action-Value Function)
    ③ 状態価値関数(State-Value Function)
    ④ 遷移確率(Transition Probability)

    Q15. 分類モデルの性能を評価する指標の一つで、縦軸に真陽性率(再現率)、横軸に偽陽性率をとってプロットした曲線のことを何と呼ぶか。
    ① 適合率-再現率曲線(Precision-Recall Curve)
    ② 混同行列(Confusion Matrix)
    ③ ROC曲線(Receiver Operating Characteristic Curve)
    ④ リフトチャート(Lift Chart)

    Q16. 学習済みモデルが、学習時には使用しなかった未知のデータ(テストデータ)に対して、どの程度正しく予測できるかを示す能力を何と呼ぶか。
    ① 計算効率
    ② 解釈性
    ③ 再現性
    ④ 汎化性能

    Q17. 回帰モデルの性能評価に用いられる指標で、予測値と実際の値の差(誤差)を二乗し、その平均値の平方根を計算したものは何か。
    ① 平均絶対誤差(MAE)
    ② 決定係数(R²)
    ③ 平均二乗誤差(MSE)
    ④ 二乗平均平方根誤差(RMSE)

    Q18. 決定木を複数組み合わせ、多数決や平均値によって最終的な予測を行うアンサンブル学習の手法は何か。
    ① アダブースト(AdaBoost)
    ② ランダムフォレスト
    ③ 勾配ブースティング
    ④ スタッキング

    Q19. あるタスクで学習したモデルの知識(重みなど)を、別の関連するタスクのモデル初期化などに利用し、学習効率や精度を向上させる手法を何と呼ぶか。
    ① アンサンブル学習
    ② 半教師あり学習
    ③ 転移学習
    ④ 少数派データ学習(FSL)

    Q20. 2つの確率分布の「違い」を測るための指標で、特に敵対的生成ネットワーク(GAN)の損失関数や、強化学習の方策更新などに応用されるものはどれか。
    ① コサイン類似度
    ② ユークリッド距離
    ③ マンハッタン距離
    ④ KLダイバージェンス(Kullback-Leibler Divergence)


    解答・解説

    Q1 【正解】③
    【難易度】★★
    【出題】時事枠 2023年G7広島AIプロセス/AIガバナンス
    【解説】広島AIプロセスは、生成AIなどの新しい技術がもたらす機会と課題に対応するため、信頼できるAI(Trustworthy AI)の実現と普及に向けた国際的なルール(指針や行動規範)作りを主導すること を目的としています。特許制度の廃止、技術輸出の全面禁止、ソースコードの全面公開といった内容は 、その目的とは異なります。

    Q2【正解】②
    【難易度】★ 【出題】第1章 AI効果
    【解説】「AI効果」とは、AIによって実現された技術が当たり前になると、それがAIであると認識されなくなる現象を指す(例:OCR、検索エンジン)。他の選択肢はAIに関する別の思考実験や概念である。

    Q3【正解】③
    【難易度】★★ 【出題】第1章 シンボルグラウンディング問題
    【解説】シンボルグラウンディング問題は、記号処理システムであるコンピュータが、記号(例:「リンゴ」という単語)とそれが示す実世界の対象(例:現実のリンゴ)をいかにして結びつけるかという根源的な課題を指す。

    Q4【正解】④
    【難易度】★ 【出題】第2章 Mini-Max法
    【解説】Mini-Max法は、二人零和有限確定完全情報ゲームにおいて、自身の利益を最大化し、相手の利益を最小化する手を選択するための探索アルゴリズムである。チェスAIなどに古くから利用されてきた。

    Q5【正解】①
    【難易度】★★ 【出題】第2章 意味ネットワーク
    【解説】意味ネットワークは、「犬は哺乳類である」といった知識を、「犬」ノードと「哺乳類」ノードを「is-a」というリンクで結ぶ形で表現する。知識の構造化に優れている。

    Q6【正解】②
    【難易度】★ 【出題】第2章 エキスパートシステム
    【解説】エキスパートシステムは、特定の専門分野の知識をルールベースで構築し、専門家(エキスパート)の意思決定を模倣するAIシステムである。1980年代にブームとなった。

    Q7【正解】③
    【難易度】★★ 【出題】第3章 次元の呪い
    【解説】「次元の呪い」は、特徴量の数が増える(高次元になる)と、データ点が空間内で非常にまばらになり、近傍のデータ点を見つけることが困難になるなど、機械学習アルゴリズムの性能を低下させる要因となる。

    Q8【正解】④
    【難易度】★ 【出題】第4章 ディープラーニングと機械学習の違い
    【解説】ディープラーニングの最大の強みは、人間が特徴量を設計せずとも、データの中からタスクの遂行に有効な特徴(表現)を自動で獲得できる点にある。これを表現学習と呼ぶ。

    Q9【正解】①
    【難易度】★ 【出題】第4章 LeNet
    【解説】LeNetは、ヤン・ルカン氏らによって1990年代に開発された初期のCNNであり、畳み込み層とプーリング層を組み合わせるという基本構造を確立し、手書き数字認識で高い性能を示した。

    Q10【正解】②
    【難易度】★ 【出題】第5章 教師あり学習
    【解説】教師あり学習は、入力データと正解ラベルのペアを「教師」として与え、モデルが未知の入力に対して正しい出力を予測できるように学習させる手法。回帰や分類が代表例である。

    Q11【正解】③
    【難易度】★ 【出題】第6章 k-means法
    【解説】k-means法は、非階層的クラスタリングの代表的な手法。各データ点を最も近いクラスタ中心に割り当て、クラスタ中心を更新する、という処理を繰り返すことで、データをk個のグループに分割する。

    Q12【正解】④
    【難易度】★ 【出題】第6章 主成分分析(PCA)
    【解説】主成分分析(PCA)は、データの分散が最も大きくなる方向(主成分)を新しい軸として見つけ出し、元の特徴量をより少ない数の合成変数で表現する手法。次元削減やデータの可視化に用いられる。

    Q13【正解】①
    【難易度】★ 【出題】第7章 強化学習
    【解説】強化学習は、エージェントが環境内で試行錯誤しながら行動し、得られる報酬を最大化するように学習する枠組みである。明確な正解が与えられない状況での意思決定問題に適している。

    Q14【正解】②
    【難易度】★★ 【出題】第7章 Q学習
    【解説】行動価値関数はQ関数とも呼ばれ、ある状態sで行動aを取った後に得られる累積報酬の期待値を表す。Q学習ではこのQ値を更新していくことで最適な行動を学習する。

    Q15【正解】③
    【難易度】★ 【出題】第8章 ROC曲線
    【解説】ROC曲線は、分類器の識別しきい値を変化させたときの真陽性率(TPR)と偽陽性率(FPR)の変化をプロットしたもので、曲線が左上に膨らむほど性能が高いと評価される。曲線下の面積(AUC)も重要な指標となる。

    Q16【正解】④
    【難易度】★★ 【出題】第8章 モデルの汎化性能
    【解説】汎化性能は、モデルが訓練データに過度に適応(過学習)せず、未知のデータに対しても高い精度を維持できる能力を指す。機械学習モデルの最も重要な評価基準の一つである。

    Q17【正解】④
    【難易度】★ 【出題】第8章 二乗平均平方根誤差(RMSE)
    【解説】RMSEは、予測誤差の大きさを評価する代表的な指標。誤差を二乗するため、大きな誤差の影響を強く反映する特徴がある。単位が目的変数と同じになるため、直感的に誤差の大きさを解釈しやすい。

    Q18【正解】②
    【難易度】★★ 【出題】第5章 ランダムフォレスト
    【解説】ランダムフォレストは、バギングを発展させたアンサンブル手法。データと特徴量をランダムにサンプリングして複数の決定木を構築し、それらの結果を統合することで、過学習を抑制し高い汎化性能を実現する。

    Q19【正解】③
    【難易度】★★ 【出題】第4章 転移学習
    【解説】転移学習は、大量のデータで学習済みのモデル(例:画像認識モデル)を、データが少ない別のタスク(例:特定の製品の不良品検知)に応用する手法。ゼロから学習するよりも効率的かつ高精度なモデル構築が可能になる。

    Q20【正解】④
    【難易度】★★★ 【出題】第3章 KLダイバージェンス
    【解説】KLダイバージェンスは、一方の確率分布がもう一方の確率分布をどれだけうまく近似できるかを示す指標。情報理論に由来し、2つの分布が完全に一致すると0になる。非対称である(D(P||Q) ≠D(Q||P))という特徴を持つ。


    Q21. AIの分野における「エージェント」という概念について、最も的確に説明しているものはどれか。
    ① 人間の指示に完全に従属して動作する受動的なプログラム。
    ② センサーで環境を認識し、アクチュエータを通じて環境に働きかけながら、自律的に目標達成を目指す主体。
    ③ 物理的な形状を持つロボットのみを指し、ソフトウェア上の存在は含まない。
    ④ 常に単一のタスクのみを実行するよう設計されたシステム。

    Q22. AIが物理的な身体を持つことによって、環境との実時間での相互作用を通じて知識やスキルを獲得するという考え方を示す概念は何か。
    ① 身体性(エンボディメント)
    ② 特異点(シンギュラリティ)
    ③ AI効果(AI Effect)
    ④ フレーム問題

    Q23. ある機械が知的であるかどうかを判断するために、人間と機械の対話を通じて、その機械が人間と見分けがつかないほど知的であるかを判定するテストを何と呼ぶか。
    ① ベンチマークテスト
    ② ユニットテスト
    ③ チューリングテスト
    ④ 負荷テスト

    Q24. ある行動が、現在の状況にどのような影響を及ぼし、またどのような影響を及ぼさないかを、AIが効率的に判断することの困難さを示す問題を何と呼ぶか。
    ① シンボルグラウンディング問題
    ② 手荷物問題(ナップサック問題)
    ③ チャイニーズ・ルーム
    ④ フレーム問題

    Q25. 特定の領域に存在する概念や知識を、その意味や関係性を含めて体系的に定義し、コンピュータが扱えるように形式化したものを何と呼ぶか。
    ① API(Application Programming Interface)
    ② オントロジー(Ontology)
    ③ SDK(Software Development Kit)
    ④ IDE(Integrated Development Environment)

    Q26. 1970年代に開発された、血液感染症の診断と治療法を推奨する医療診断支援を目的としたエキスパートシステムの代表例は何か。
    ① MYCIN
    ② AlphaGo
    ③ Watson
    ④ R-CNN

    Q27. 現代においてビッグデータがビジネスや研究で重要視される主な理由は何か。
    ① データ量が多ければ多いほど、必ず正確な予測が可能になるため。
    ② これまで見過ごされてきたパターンや相関関係をデータから発見し、新たな価値創造につなげられるため。
    ③ データの収集コストが完全にゼロになったため。
    ④ 法律によるデータ保護規制が全て撤廃されたため。

    Q28. ECサイトなどで見られるレコメンデーションエンジンにおいて、多くのユーザーの購買履歴や評価データを解析し、「自分と似た嗜好のユーザーが好むもの」を推薦する手法は何か。
    ① コンテンツベースフィルタリング
    ② ルールベースレコメンデーション
    ③ 協調フィルタリング
    ④ ランダム推薦

    Q29. 大量のテキストデータ(コーパス)を用いて、単語の出現確率や共起関係といった統計的な情報を基に、言語の構造や意味をモデル化する自然言語処理のアプローチは何か。
    ① 記号的自然言語処理
    ② 進化的自然言語処理
    ③ 形式文法によるアプローチ
    ④ 統計的自然言語処理

    Q30. 大規模言語モデル(LLM)が引き起こす可能性のある「ハルシネーション(幻覚)」とは、どのような現象を指すか。
    ① モデルが学習データに含まれる個人情報をそのまま出力してしまう現象
    ② モデルが事実に基づかない、もっともらしい虚偽の情報を生成する現象
    ③ モデルの応答速度が極端に遅くなる現象
    ④ モデルが特定の表現や単語を繰り返し使用する現象

    Q31. ニューラルネットワークを構成する基本的な要素として、通常は含まれないものはどれか。
    ① 入力層(Input Layer)
    ② 隠れ層(Hidden Layer)
    ③ 出力層(Output Layer)
    ④ 探索木(Search Tree)

    Q32. ニューラルネットワークの活性化関数の一つで、入力が0以下の場合は0を、0より大きい場合はその値をそのまま出力する関数は何か。
    ① シグモイド関数
    ② ReLU(Rectified Linear Unit)
    ③ ステップ関数
    ④ タンジェント(tanh)関数

    Q33. ニューラルネットワークの出力層で利用され、複数の出力値の合計が1になるように正規化することで、各クラスに所属する「確率」として解釈できるようにする関数は何か。
    ① ソフトマックス関数
    ② 指数関数
    ③ 対数関数
    ④ 恒等関数

    Q34. 2つの確率分布PとQがあり、分布Pが分布Qとどれだけ「異なっているか」を測るための情報量基準は何か。非対称であり、D(P||Q)とD(Q||P)は等しくならない。
    ① ピアソン相関係数
    ② コサイン類似度
    ③ カルバック・ライブラー情報量(KLダイバージェンス)
    ④ ジニ不純度

    Q35. 機械学習モデルの過学習を抑制するための正則化手法の一つで、損失関数にモデルの重みの「二乗和」に比例する項を追加する方法を何と呼ぶか。
    ① L0正則化
    ② L1正則化(Lasso)
    ③ Elastic Net
    ④ L2正則化(Ridge)

    Q36. ニューラルネットワークの学習時に、隠れ層のニューロンをランダムに一定割合で「無効化」しながら学習を進めることで、モデルのアンサンブル学習に似た効果を生み出し、過学習を抑制する手法は何か。
    ① ドロップアウト(Dropout)
    ② バッチ正規化(Batch Normalization)
    ③ 早期終了(Early Stopping)
    ④ データ拡張(Data Augmentation)

    Q37.ニューラルネットワークの層が深くなる(多層になる)と、出力層から入力層に向かって誤差を伝播させる際に、勾配がどんどん小さくなり、最終的に0に近くなって学習が進まなくなる問題を何と呼ぶか。
    ① 次元の呪い
    ② 特異点問題
    ③ 勾配消失問題
    ④ 勾配爆発問題

    Q38. ニューラルネットワークの学習における最適化アルゴリズムの一つで、過去の勾配の移動平均(モーメンタム)と、勾配の二乗の移動平均を組み合わせ、学習率をパラメータごとに自動調整する手法は何か。
    ① SGD(確率的勾配降下法)
    ② Adam(Adaptive Moment Estimation)
    ③ Adagrad
    ④ RMSprop

    Q39. ニューラルネットワークの各層への入力データの分布が、学習の過程で変化してしまう「内部共変量シフト」という問題を軽減し、学習の安定化と高速化に寄与する手法は何か。
    ① 重みの初期化
    ② データ標準化
    ③ バッチ正規化
    ④ ネットワーク剪定

    Q40. ニューラルネットワークの学習において、保有する訓練データセット全体を、1回通しで学習処理に使用した回数を数える単位を何と呼ぶか。
    ① バッチサイズ
    ② イテレーション
    ③ ステップ
    ④ エポック


    解答・解説

    Q21【正解】②
    【難易度】★ 【出題】第1章 エージェント
    【解説】エージェントは、環境を認識し、自律的な判断に基づいて目標を達成しようと行動する主体を指す。ソフトウェアエージェントや物理的なロボットなど、形態は様々である。

    Q22【正解】①
    【難易度】★★ 【出題】第1章 身体性(エンボディメント)
    【解説】身体性(エンボディメント)は、AIが物理的な身体を通じて環境と相互作用することの重要性を説く概念。この相互作用が、より高度な知能の獲得につながると考えられている。

    Q23【正解】③
    【難易度】★ 【出題】第1章 チューリングテスト
    【解説】チューリングテストは、AI研究の黎明期にアラン・チューリングによって提案された思考実験であり、機械の知的さを「人間との区別のつかなさ」で測ろうとするものである。

    Q24【正解】④
    【難易度】★★ 【出題】第1章 フレーム問題
    【解説】フレーム問題は、ある行動を実行した際に「変化しない事柄」をいちいち確認しなくても、AIが効率的に推論を進めることの難しさを示す。古典的AIにおける重要な課題である。

    Q25【正解】②
    【難易度】★ 【出題】第2章 オントロジー
    【解説】オントロジーは、元々は哲学用語だが、AI分野では知識を体系的に整理し、その関係性を明確に記述するための枠組みを指す。これにより、知識の共有や再利用が容易になる。

    Q26【正解】①
    【難易度】★ 【出題】第2章 エキスパートシステム
    【解説】MYCINは、専門医の知識をルールベースで実装した初期のエキスパートシステムの代表例。他の選択肢は、囲碁AI(AlphaGo)、質問応答システム(Watson)、物体検出モデル(R-CNN)である。

    Q27【正解】②
    【難易度】★ 【出題】第2章 ビッグデータ
    【解説】ビッグデータ活用の本質は、その量、多様性、速度(3V)を活かして、従来の手法では得られなかった新たな洞察やビジネス価値を引き出すことにある。

    Q28【正解】③
    【難易度】★ 【出題】第2章 レコメンデーションエンジン
    【解説】協調フィルタリングは、多くのユーザーの行動履歴から「嗜好が似たユーザー群」を見つけ出し、そのユーザー群が評価しているアイテムを推薦する、レコメンデーションの代表的な手法である。

    Q29【正解】④
    【難易度】★ 【出題】第2章 統計的自然言語処理
    【解説】統計的自然言語処理は、大規模なテキストデータ(コーパス)から単語の出現確率などを学習し、それに基づいて翻訳や文章生成などを行うアプローチである。現代の自然言語処理の主流となっている。

    Q30【正解】②
    【難易度】★★
    【出題】時事枠 大規模言語モデル(LLM)の課題
    【解説】ハルシネーションは、LLMが学習データには存在しない情報を、あたかも事実であるかのように 自信を持って生成してしまう現象を指す。これは、LLMが単語の確率的なつながりに基づいてテキストを 生成しており、情報の真偽を検証する能力を持たないために発生する。

    Q31【正解】④
    【難易度】★ 【出題】第4章 ニューラルネットワーク
    【解説】ニューラルネットワークの基本構造は、データを受け取る「入力層」、中間処理を行う1つ以上の「隠れ層」、最終結果を出力する「出力層」から構成される。探索木はAIの別のアルゴリズムである。

    Q32【正解】②
    【難易度】★ 【出題】第4章 活性化関数
    【解説】ReLUは、シンプルながら勾配消失問題を起こしにくいという利点から、ディープラーニングにおいて広く利用されている活性化関数である。

    Q33【正解】①
    【難易度】★ 【出題】第4章 ソフトマックス関数
    【解説】ソフトマックス関数は、多クラス分類問題の出力層で用いられ、各クラスに分類される確率を出力する。これにより、モデルの予測結果を確率的に解釈することが可能になる。

    Q34【正解】③
    【難易度】★★ 【出題】第4章 KLダイバージェンス
    【解説】KLダイバージェンスは、2つの確率分布の「隔たり」を測る指標。GANの学習や変分オートエンコーダ(VAE)など、様々な場面で利用される。

    Q35【正解】④
    【難易度】★★ 【出題】第4章 L2正則化
    【解説】L2正則化(Ridge回帰)は、モデルの重みが極端に大きな値になることを防ぎ、滑らかなモデルを作ることで過学習を抑制する。特定の重みが0になりやすいL1正則化とは異なる性質を持つ。

    Q36【正解】①
    【難易度】★ 【出題】第4章 ドロップアウト
    【解説】ドロップアウトは、学習のたびに異なる構造の小さなネットワークで学習していると解釈でき、これによりモデルが特定のニューロンの働きに過度に依存するのを防ぎ、汎化性能を高める。

    Q37【正解】③
    【難易度】★★ 【出題】第4章 勾配消失問題
    【解説】勾配消失問題は、シグモイド関数などの活性化関数を深いネットワークで用いた場合に特に発生しやすい。この問題の解決策として、ReLUや残差接続(ResNet)などが考案された。

    Q38【正解】②
    【難易度】★★ 【出題】第4章 Adam
    【解説】Adamは、過去の勾配の大きさと方向の両方を考慮して、パラメータごとに学習率を適応的に調整する手法。多くのディープラーニングのタスクで、高速かつ安定した学習を実現する。

    Q39【正解】③
    【難易度】★ 【出題】第4章 バッチ正規化
    【解説】バッチ正規化は、ミニバッチ単位で入力の分布を平均0、分散1に正規化する処理を層の間に挿入する。これにより、学習率を高く設定でき、学習の高速化に貢献する。

    Q40【正解】④
    【難易度】★ 【出題】第4章 エポック
    【解説】エポックは、訓練データ全体を何周学習させたかを示す単位。例えば10,000件の訓練データをバッチサイズ100で学習する場合、100回のイテレーション(バッチ処理)で1エポックとなる。


    Q41. AIの研究開発の初期段階で、アルゴリズムの性能評価や基本的な動作検証のために用いられる、現実世界の問題を意図的に単純化した問題を何と呼ぶか。
    ① ベンチマーク問題
    ② NP困難問題
    ③ 実世界問題
    ④ トイ・プロブレム

    Q42. ジョン・サールが提唱した思考実験で、「ルールブックに従って記号を操作しているだけで、その記号の意味を本当に理解しているとは言えない」と主張し、強いAIの実現可能性に疑問を投げかけたものはどれか。
    ① トロッコ問題
    ② テセウスの船
    ③ 中国語の部屋
    ④ マクスウェルの悪魔

    Q43. 古典的なAIプランニングの分野で、タスクの「初期状態」「目標状態」「行動(オペレータ)」を形式的に記述するための標準的な言語仕様は何か。
    ① STRIPS(Stanford Research Institute Problem Solver)
    ② LISP(List Processing)
    ③ Prolog(Programming in Logic)
    ④ SQL(Structured Query Language)

    Q44. ユーザーが自然言語で入力した質問に対し、知識ベースや文書から適切な回答を探し出して提示するシステムのことを一般的に何と呼ぶか。
    ① コンパイラ
    ② 質問応答(Question Answering)システム
    ③ オペレーティングシステム
    ④ データベース管理システム

    Q45. 人間が持つ膨大な量の「常識」をコンピュータが利用可能な知識ベースとして構築することを目指し、1984年から現在まで続く壮大なAI研究プロジェクトは何か。
    ① AIBOプロジェクト
    ② DARPAグランド・チャレンジ
    ③ ImageNetプロジェクト
    ④ Cyc(サイク)プロジェクト

    Q46. データマイニングの典型的なタスクの一つで、スーパーマーケットの購買データから「商品Aを買う顧客は、商品Bも同時に買う傾向がある」といった規則性を発見する手法は何か。
    ① アソシエーション分析
    ② クラスタリング
    ③ 回帰分析
    ④ 分類

    Q47. 機械学習プロジェクトを成功させる上で、最も重要かつ不可欠な前提条件は何か。
    ① 最新のディープラーニングモデルを使用すること。
    ② プロジェクトの目的に合致した、十分な量と質のデータが利用可能であること。
    ③ 全ての計算をクラウド上で行うこと。
    ④ モデルのパラメータ数を可能な限り少なくすること。

    Q48. 高次元のデータ空間において発生する「次元の呪い」を回避するためのアプローチとして、最も代表的で効果的なものはどれか。
    ① 学習データを可能な限り増やす。
    ② 主成分分析(PCA)や特徴量選択などを用いて、本質的な情報を保持しながら次元削減を行う。
    ③ より複雑なニューラルネットワークモデルを使用する。
    ④ 学習のイテレーション回数を増やす。

    Q49. 電子メールがスパムか否かを判定する分類問題において、各単語が独立に出現するという単純な仮定(ナイーブな仮定)に基づき、ベイズの定理を利用して確率を計算するアルゴリズムは何か。
    ① ナイーブベイズ分類器
    ② サポートベクターマシン(SVM)
    ③ 決定木
    ④ k近傍法(k-NN)

    Q50. 文書群が与えられた際に、各文書がどのような「トピック」の混合によって構成されているかを確率的に推定する、教師なし学習の手法は何か。
    ① 主成分分析(PCA)
    ② k-means法
    ③ 階層的クラスタリング
    ④ 潜在的ディリクレ配分法(LDA)

    Q51. 個体間の「非類似度」(距離や違い)の行列が与えられたときに、その関係性を維持しながら、低次元空間(主に2次元や3次元)に点を配置して可視化する手法は何か。
    ① 決定木
    ② 多次元尺度構成法(MDS)
    ③ アソシエーションルール
    ④ ランダムフォレスト

    Q52. 強化学習における代表的な2つのTD学習手法、Q学習とSARSAの根本的な違いは何か。
    ① Q学習はモデルベース、SARSAはモデルフリーの手法である。
    ② Q学習はオンライン学習、SARSAはオフライン学習専用である。
    ③ Q学習は方策オフ型(Off-policy)、SARSAは方策オン型(On-policy)の手法である。
    ④ Q学習は決定論的環境、SARSAは確率的環境でのみ使用可能である。

    Q53. 強化学習における「探索」と「活用」のトレードオフを調整する方策の一つで、確率εでランダムな行動をとり(探索)、確率1-εで現在の推定価値が最も高い行動をとる(活用)手法を何と呼ぶか。
    ① ε-greedy(イプシロン・グリーディ)法
    ② ソフトマックス法
    ③ UCB(Upper Confidence Bound)方策
    ④ トンプソンサンプリング

    Q54. 多腕バンディット問題などで用いられる方策で、「期待される報酬」と「その推定の不確実性」の両方を考慮し、不確実性が高い(あまり試行されていない)選択肢を優先的に探索する特徴を持つもの
    はどれか。
    ① ボルツマン選択
    ② 貪欲法(Greedy法)
    ③ ベイズ的最適化
    ④ UCB(Upper Confidence Bound)方策

    Q55. 複数の選択肢(スロットマシンのアームなど)があり、各選択肢の成功確率は未知である状況で、試行を繰り返しながら総報酬を最大化することを目指す問題の形式を何と呼ぶか。
    ① マルコフ決定過程(MDP)
    ② 多腕バンディット問題
    ③ ナップサック問題
    ④ 巡回セールスマン問題

    Q56. 手元にあるデータセットを訓練用とテスト用に分割する際、分割の仕方を複数回変えながら評価を行い、その平均値をもってモデルの汎化性能をより頑健に評価する手法は何か。
    ① ブートストラップ法
    ② ホールドアウト検証
    ③ 交差検証(クロスバリデーション)
    ④ ベイズ最適化

    Q57. モデルの汎化性能を評価する最も単純な方法で、データセットを「訓練用」と「テスト用」の2つに一度だけ分割し、訓練用で学習し、テスト用で性能を測定する手法を何と呼ぶか。
    ① ホールドアウト検証
    ② k-分割交差検証
    ③ Leave-one-out交差検証
    ④ 時系列分割交差検証

    Q58. 機械学習モデルの表現力を過度に高めた(例えば、決定木の深度を深くしすぎた)場合に発生しやすく、訓練データには非常に高い精度で適合するが、未知のデータに対してはうまく予測できなくなる
    現象は何か。
    ① 未学習(Underfitting)
    ② 過学習(Overfitting)
    ③ 勾配消失
    ④ 次元の呪い

    Q59. 統計モデルの良さを評価するための指標の一つで、モデルのデータへの当てはまりの良さ(尤度)と、モデルの複雑さ(パラメータ数)の両方を考慮し、両者のバランスをとる形で算出されるものはどれか。
    ① 正解率(Accuracy)
    ② 適合率(Precision)
    ③ 再現率(Recall)
    ④ 赤池情報量規準(AIC)

    Q60. 「ある事柄を説明するためには、必要以上に多くの仮定を置くべきではない」という考え方を示し、機械学習のモデル選択において「性能が同等ならば、より単純なモデルを選ぶべき」という指針を与える原則は何か。
    ① パレートの法則
    ② ムーアの法則
    ③ オッカムの剃刀
    ④ ヘッブの法則


    解答・解説

    Q41【正解】④
    【難易度】★ 【出題】第1章 トイ・プロブレム
    【解説】トイ・プロブレムは、AIアルゴリズムの基本的な振る舞いを検証する目的で、チェスやパズルのようにルールが明確で、現実の問題から本質的な部分だけを抜き出して単純化した問題設定を指す。

    Q42【正解】③
    【難易度】★★ 【出題】第1章 中国語の部屋
    【解説】「中国語の部屋」は、部屋の中にいる人が、ルールブック(プログラム)に従って入力された中国語の記号を処理し、適切な記号を返すことはできても、中国語を「理解」しているわけではない、と主張する思考実験である。

    Q43【正解】①
    【難易度】★ 【出題】第2章 STRIPS
    【解説】STRIPSは、プランニング問題を「初期状態」「目標状態」「行動(前提条件、追加リスト、削除リスト)」の3要素で記述するための古典的かつ影響力のある形式言語である。

    Q44【正解】②
    【難易度】★ 【出題】第2章 質問応答システム
    【解説】質問応答(QA)システムは、ユーザーからの自然言語による質問を解釈し、膨大な情報源の中から的確な答えを探し出して提供するAI応用の一分野である。

    Q45【正解】④
    【難易度】★★ 【出題】第2章 Cycプロジェクト
    【解説】Cycプロジェクトは、明示的に教えられなくとも人間が暗黙的に理解している「常識」を、形式的な知識として記述し、巨大な知識ベースを構築することで、より真の理解力を持つAIを実現しようとする野心的な試みである。

    Q46【正解】①
    【難易度】★ 【出題】第2章 データマイニング
    【解説】アソシエーション分析(または相関ルールマイニング)は、データの中から「AならばBである」というような、項目間の関連性を見つけ出すデータマイニングの代表的な手法。「ビールとおむつ」の逸話が有名。

    Q47【正解】②
    【難易度】★ 【出題】第3章 機械学習の前提
    【解説】どのような高度なアルゴリズムを用いても、解きたいタスクに対して不適切であったり、品質が低かったり、量が不足しているデータでは、良い性能を持つモデルを構築することはできない。データこそが機械学習の根幹である。

    Q48【正解】②
    【難易度】★★ 【出題】第3章 次元の呪い対策
    【解説】次元の呪いは、特徴量空間が高次元になることでデータが疎になり、学習が困難になる問題。
    これに対し、元の情報の損失を最小限に抑えながら、より低い次元にデータを変換する次元削減が有効な対策となる。

    Q49【正解】①
    【難易度】★ 【出題】第3章 スパムフィルタ
    【解説】ナイーブベイズ分類器は、計算が高速で実装も比較的容易でありながら、特にテキスト分類のタスクで良好な性能を発揮するため、古くからスパムフィルタのコア技術として利用されてきた。

    Q50【正解】④
    【難易度】★ 【出題】第3章 LDA
    【解説】LDA(潜在的ディリクレ配分法)は、トピックモデルの一種であり、文書群の背後にある潜在的なトピックを自動的に抽出し、各文書がどのトピックをどのくらいの割合で含んでいるかを分析するために用いられる。

    Q51【正解】②
    【難易度】★★ 【出題】第3章 多次元尺度構成法(MDS)
    【解説】MDSは、各データポイント間の距離(非類似度)情報を可能な限り維持したまま、高次元のデータを人間が視覚的に理解しやすい低次元(通常2Dや3D)のマップ上に配置する手法である。

    Q52【正解】③
    【難易度】★★ 【出題】第3章 Q学習とSARSA
    【解説】この違いは、価値を更新する際の行動選択の仕方にある。SARSAは実際の方策に従って次に行動した結果で更新する(方策オン型)のに対し、Q学習は次の行動を価値が最大になるように選択して更新するため、実際の方策とは異なる(方策オフ型)。

    Q53【正解】①
    【難易度】★ 【出題】第3章 ε-greedy方策
    【解説】ε-greedy法は、強化学習における探索と活用のジレンマを解決するためのシンプルな方策。ほとんどの場合は最善手(活用)を打つが、時々(確率εで)ランダムな手(探索)を打つことで、未知のより良い手を見つけ出す機会を確保する。

    Q54【正解】④
    【難易度】★★ 【出題】第3章 UCB方策
    【解説】UCB方策は、「報酬の期待値が高い選択肢」と「まだあまり試行されておらず、情報が不確かな選択肢」の両方をバランス良く評価する。不確実性を「信頼区間の上限(Upper ConfidenceBound)」として定量化し、それを加味して行動を選択する。

    Q55【正解】②
    【難易度】★ 【出題】第3章 バンディットアルゴリズム
    【解説】多腕バンディット問題は、状態遷移がなく、一連の選択肢の中から逐次的に一つを選び、その報酬を最大化することを目指す問題設定。ウェブ広告の最適化など、多くの実用例がある。

    Q56【正解】③
    【難易度】★ 【出題】第3章 交差検証
    【解説】交差検証(クロスバリデーション)は、データを複数のグループに分割し、一つをテスト用、残りを訓練用として評価するプロセスを、テスト用のグループを入れ替えながら繰り返す。これにより、データの特定の分割の仕方に依存しない、より客観的な性能評価が可能になる。

    Q57【正解】①
    【難易度】★ 【出題】第3章 ホールドアウト検証
    【解説】ホールドアウト検証は、実装が簡単で計算コストも低いが、データの分割の仕方によって評価結果が大きく変動する可能性がある。また、学習に使えるデータ量が減ってしまうという欠点もある。

    Q58【正解】②
    【難易度】★ 【出題】第3章 モデルの複雑さ
    【解説】過学習は、モデルが訓練データに含まれるノイズや偶然のパターンまで学習してしまい、未知のデータに対する予測能力(汎化性能)が低下する状態を指す。モデルの複雑さと汎化性能はトレードオフの関係にある。

    Q59【正解】④
    【難易度】★★ 【出題】第3章 AIC
    【解説】AIC(Akaike's InformationCriterion)は、モデルの当てはまりの良さを示す対数尤度から、モデルの複雑さのペナルティとしてパラメータ数を引いたもので、この値が小さいほど良いモデルだと評価される。

    Q60【正解】③
    【難易度】★ 【出題】第3章 オッカムの剃刀
    【解説】オッカムの剃刀は、科学や哲学における思考の節約原理であり、「説明が競合した場合は、最も少ない仮定で成り立つものが最も良い」とする。これは、不必要に複雑なモデルを避け、汎化性能の高いモデルを選択する際の指針となる。


    Q61. 人間のように特定の分野に限定されず、多様な課題に対して自己学習し、応用する能力を持つAIの概念を何と呼ぶか。
    ① 汎用人工知能(AGI)
    ② 特化型人工知能(ANI)
    ③ 人工超知能(ASI)
    ④ 弱いAI

    Q62. AIが自ら人間より賢いAIを作り出す「知能の爆発」が始まり、技術開発の主導権が人間からAIに移ることで、人間社会に予測不能な変化が起こるとされる仮説上の時点を何と呼ぶか。
    ① AI効果(AI Effect)
    ② 技術的特異点(シンギュラリティ)
    ③ ムーアの法則の終焉
    ④ デジタルデバイド

    Q63. AIが、ある行動をとった際に「何が変化し、何が変化しないか」を効率的に判断することの根源的な困難さを示す、古典的AIにおける重要な課題は何か。
    ① チューリングテスト
    ② シンボルグラウンディング問題
    ③ フレーム問題
    ④ チャイニーズ・ルーム

    Q64. 知識表現において、「猫は哺乳類である」というように、ある概念がより大きなカテゴリ(クラス)に属していることを示す関係性を何と呼ぶか。
    ① part-of関係(部分・全体関係)
    ② has-a関係(所有関係)
    ③ instance-of関係(事例関係)
    ④ is-a関係(上位・下位関係)

    Q65. ウェブ上の情報に意味(セマンティクス)を付与し、コンピュータが自律的に情報を収集・解釈・利用できるようにすることを目指す構想や技術体系を何と呼ぶか。
    ① セマンティックWeb
    ② ディープウェブ
    ③ ダークウェブ
    ④ ソーシャルグラフ

    Q66. 1960年代に開発された、カウンセラーのようにユーザーの発言をオウム返しすることで対話を行っているように見せかけた、初期の自然言語処理プログラムの代表例は何か。
    ① PARRY
    ② ELIZA
    ③ SHRDLU
    ④ A.L.I.C.E.

    Q67. 専門家の知識をルールとして蓄積した「知識ベース」と、その知識を用いて問題解決のための推論を行う「推論エンジン」を中核とするAIシステムは何か。
    ① ニューラルネットワーク
    ② 遺伝的アルゴリズム
    ③ エキスパートシステム
    ④ 強化学習エージェント

    Q68. ウェブサイトのアクセスログやリンク構造、ページコンテンツなどを解析し、ユーザーの行動パターンやサイト間の関係性といった有用な知見を発見する技術を総称して何と呼ぶか。
    ① Webスクレイピング
    ② Webクローリング
    ③ Webデザイン
    ④ Webマイニング

    Q69. 1970年代に開発され、血液感染症の診断と治療薬の選択を支援することを目的とした、医療分野におけるエキスパートシステムの草分け的存在として知られるものは何か。
    ① MYCIN
    ② CADUCEUS
    ③ INTERNIST-I
    ④ PUFF

    Q70.
    レコメンデーションシステムにおいて、システムに登録されたばかりの新規ユーザーや新規アイテムのように、評価や行動の履歴データが不足しているために、適切な推薦が困難になる問題を何と呼ぶか。
    ① 多様性の欠如問題
    ② コールドスタート問題
    ③ スケーラビリティ問題
    ④ セレンディピティの欠如問題

    Q71. 高次元空間における各データ点間の局所的な構造(近傍関係)を維持しながら、低次元空間(主に2次元や3次元)に埋め込み、可視化することを目的とした次元削減手法は何か。
    ① 主成分分析(PCA)
    ② 線形判別分析(LDA)
    ③ t-SNE(t-distributed Stochastic Neighbor Embedding)
    ④ 多次元尺度構成法(MDS)

    Q72. ある行列を、3つの行列(直交行列、対角行列、直交行列)の積に分解する線形代数の手法で、次元削減、推薦システム、自然言語処理などに応用されるものは何か。
    ① LU分解
    ② QR分解
    ③ コレスキー分解
    ④ 特異値分解(SVD)

    Q73. 複数の異なる学習器(モデル)を組み合わせ、単一の学習器よりも高い精度や安定性を実現しようとする機械学習の枠組みを何と呼ぶか。
    ① アンサンブル学習
    ② 転移学習
    ③ 半教師あり学習
    ④ 自己教師あり学習

    Q74. アンサンブル学習の一種で、元の訓練データから復元抽出(ブートストラップサンプリング)によって複数のデータセットを作成し、それぞれで学習したモデルの結果を統合(多数決や平均)する手法は何か。
    ① ブースティング
    ② バギング
    ③ スタッキング
    ④ アダブースト

    Q75. 決定木アルゴリズムにおいて、各ノードでデータを分割する際に、分割後のグループの「不純度」や「乱雑さ」が最も小さくなるような特徴量と閾値を選ぶための指標として用いられるものはどれか。
    ① 平均二乗誤差(MSE)
    ② ジニ不純度
    ③ 決定係数(R²)
    ④ コサイン類似度

    Q76. 説明変数(入力)と目的変数(出力)の間に線形の関係を仮定し、訓練データとの誤差(残差)の二乗和を最小化するような直線を求める、回帰分析の最も基本的な手法は何か。
    ① リッジ回帰
    ② Lasso回帰
    ③ 多項式回帰
    ④ 最小二乗法による線形回帰

    Q77. ある事象が発生する確率を予測するために、線形回帰モデルの出力をシグモイド関数によって0から1の範囲に変換する、二値分類問題に広く用いられるアルゴリズムは何か。
    ① ロジスティック回帰
    ② サポートベクターマシン
    ③ k近傍法
    ④ 単純パーセプトロン

    Q78. バギングをベースとし、個々の決定木を学習させる際に、特徴量もランダムに一部を選択することで、モデル間の多様性を高め、高い汎化性能を実現するアンサンブル手法は何か。
    ① 勾配ブースティング決定木(GBDT)
    ② ランダムフォレスト
    ③ アダブースト
    ④ XGBoost

    Q79. サポートベクターマシン(SVM)が分類境界線を決定する際の基本的な考え方で、異なるクラスに属するデータ点との距離(マージン)が最大になるような境界を見つけ出すというものは何か。
    ① 経験リスク最小化
    ② 構造的リスク最小化
    ③ マージン最大化
    ④ 尤度最大化

    Q80. 線形分離不可能なデータに対して、データを高次元の特徴空間に写像し、その高次元空間上で線形分離を行うという考えを実現するための、SVMで用いられるテクニックは何か。
    ① 正則化
    ② ドロップアウト
    ③ バッチ正規化
    ④ カーネルトリック


    解答・解説

    Q61【正解】①
    【難易度】★★ 【出題】第1章 汎用人工知能
    【解説】汎用人工知能(AGI)は、特定のタスクに特化したAI(ANI)と対比され、人間のように様々な状況で思考・学習・応用できる能力を持つAIを指す。

    Q62【正解】②
    【難易度】★ 【出題】第1章 シンギュラリティ
    【解説】技術的特異点(シンギュラリティ)は、未来学者レイ・カーツワイル氏によって提唱された概念で、AIが全人類の知能を超えることで、文明のあり方が根底から覆されるという仮説である。

    Q63【正解】③
    【難易度】★★ 【出題】第1章 フレーム問題
    【解説】フレーム問題は、AIが限定されたフレーム(枠組み)の中で、考慮すべきことと無視してよいことをいかにして判断するか、という問題。現実世界の無限の可能性に対処する上での本質的な困難さを示す。

    Q64【正解】④
    【難易度】★ 【出題】第2章 is-a関係
    【解説】is-a関係は、知識表現における基本的な関係性の一つで、継承や分類の階層構造(例:AはBの一種である)を示す。instance-of関係はクラスとその具体例の関係(例:ポチは犬である)を指す。

    Q65【正解】①
    【難易度】★★ 【出題】第2章 意味ネットワーク・セマンティックWeb
    【解説】セマンティックWebは、ティム・バーナーズ=リーが提唱した、ウェブページに記述された情報の意味をコンピュータが扱えるようにする構想。意味ネットワークの考え方をウェブ全体に拡張したものと捉えられる。

    Q66【正解】②
    【難易度】★ 【出題】第2章 ELIZA
    【解説】ELIZAは、ジョセフ・ワイゼンバウムによって開発された、特定のキーワードに反応して定型文を返すことで人間と対話しているかのように見せかけるプログラム。AI研究の初期における重要な事例である。

    Q67【正解】③
    【難易度】★ 【出題】第2章 エキスパートシステム
    【解説】エキスパートシステムは、専門家の知識を「知識ベース」に、推論規則を「推論エンジン」に分離した構造を持つ。これにより、知識の追加や修正が容易になるという利点があった。

    Q68【正解】④
    【難易度】★ 【出題】第2章 ウェブマイニング
    【解説】Webマイニングは、Web上の膨大なデータ(コンテンツ、構造、利用ログ)を対象としたデータマイニング技術であり、マーケティングやサービス改善などに応用される。

    Q69【正解】①
    【難易度】★ 【出題】第2章 MYCIN
    【解説】MYCINは、約500のルールを用いて細菌感染症の診断を行うエキスパートシステム。実用はされなかったものの、その後のAI研究に大きな影響を与えた。

    Q70【正解】②
    【難易度】★★ 【出題】第2章 コールドスタート問題
    【解説】コールドスタート問題は、協調フィルタリングなど、ユーザーの過去の行動履歴に依存する推薦手法で特に顕著に現れる。この問題への対策として、属性情報を用いたり、話題の商品を提示したりするなどの工夫が行われる。

    Q71【正解】③
    【難易度】★ 【出題】第3章 t-SNE
    【解説】t-SNEは、高次元空間でのデータ点間の類似度を確率分布で表現し、その分布を可能な限り維持するように低次元空間に配置する。特にクラスタの可視化に優れている。

    Q72【正解】④
    【難易度】★★ 【出題】第3章 特異値分解(SVD)
    【解説】特異値分解(SVD)は、任意の行列を3つの行列の積に分解する強力な手法。情報の重要度を示す「特異値」が得られるため、データの主要な成分を抽出する次元削減や、ノイズ除去に応用される。

    Q73【正解】①
    【難易度】★ 【出題】第3章 アンサンブル学習
    【解説】アンサンブル学習は、「三人寄れば文殊の知恵」のように、単体では性能がそれほど高くない複数のモデルを組み合わせることで、互いの誤りを補正し、より頑健で精度の高いモデルを構築する手法の総称である。

    Q74【正解】②
    【難易度】★★ 【出題】第3章 バギング・ブースティング
    【解説】バギング(Bagging)は、並列学習が可能で、主にモデルの分散を減らし過学習を抑制する効果がある。一方、ブースティングは、逐次的にモデルを学習させ、前のモデルが間違えた箇所を重点的に学習することで、バイアスを減らす効果がある。

    Q75【正解】②
    【難易度】★ 【出題】第3章 決定木
    【解説】ジニ不純度や情報利得(エントロピーを用いる)は、ノード内のクラスの混ざり具合を示す指標。決定木は、この指標が最も小さくなる(=最も情報が整理される)ようにデータを分割していくことで木を成長させる。

    Q76【正解】④
    【難易度】★ 【出題】第3章 線形回帰
    【解説】最小二乗法は、観測データとモデルによる予測値との差(残差)の二乗和を最小化することで、最も当てはまりの良いパラメータ(回帰係数)を求める手法。線形回気における最も基本的なパラメータ推定法である。

    Q77【正解】①
    【難易度】★ 【出題】第3章 ロジスティック回帰
    【解説】ロジスティック回帰は、名前は「回帰」だが、実際には分類問題に用いられる。シグモイド関数を介して出力を確率として解釈できるため、二値分類のベースラインモデルとして広く利用される。

    Q78【正解】②
    【難易度】★ 【出題】第3章 ランダムフォレスト
    【解説】ランダムフォレストは、バギングによるデータのランダムサンプリングに加え、分割ノードで用いる特徴量もランダムに選択する。これにより、個々の決定木間の相関が弱まり、アンサンブル全体の性能が向上する。

    Q79【正解】③
    【難易度】★★ 【出題】第3章 SVM
    【解説】マージン最大化は、SVMの核心的なアイデア。マージンを最大化することにより、未知のデータに対する分類性能(汎化性能)が高い、頑健な分類境界を得ることができると考えられている。

    Q80【正解】④
    【難易度】★★ 【出題】第3章 カーネルトリック
    【解説】カーネルトリックは、実際にデータを高次元空間に写像することなく、高次元空間での内積計算を元の次元のデータだけで効率的に行うテクニック。これにより、複雑な非線形分離を可能にする。


    Q81. 古典的な探索アルゴリズムの一つである幅優先探索(BFS)の性質に関する記述として、最も適切なものはどれか。
    ① 始点から近いノードを順に探索するため、最短経路(最小手数)の解を発見できるが、探索空間が広がるとメモリ消費量が大きくなる傾向がある。
    ② 探索の順序が完全にランダムであり、再現性がない。
    ③ 常に最も深い階層にあるノードから探索を開始する。
    ④ 探索の過程で一度訪れたノードを再び訪れることはないため、メモリ効率が非常に良い。

    Q82. 幅優先探索と比較した場合の、深さ優先探索(DFS)の利点と欠点に関する記述として、最も適切なものはどれか。
    ① どのような探索木であっても、必ず最短経路の解を発見できる。
    ② 経路を深く追求していくため、メモリ消費量が比較的少なく、非常に深い階層にある解を高速に発見できる可能性がある。
    ③ 探索の計算量が、探索対象のノード数や枝の数に依存しない。
    ④ 探索が局所的な領域に留まることがなく、常に大域的な探索を行う。

    Q83. Mini-Max法などのゲーム木の探索において、明らかに無駄であると判断できる枝(ノード)の評価を省略し、探索効率を大幅に向上させるためのアルゴリズムは何か。
    ① 遺伝的アルゴリズム
    ② モンテカルロ木探索
    ③ αβ法(アルファベータ法)
    ④ Q学習

    Q84. 乱数を用いたシミュレーションを繰り返し行うことで、解析的に解くことが難しい問題の近似解を求める手法の総称は何か。囲碁AIの性能向上にも大きく貢献した。
    ① 勾配降下法
    ② ラグランジュの未定乗数法
    ③ 動的計画法
    ④ モンテカルロ法

    Q85. ロボットが「ブロックを積む」といったタスクの行動計画を自動生成する研究で開発された、古典的プランニングシステムの代表例は何か。
    ① STRIPS
    ② B-HIVE
    ③ AIBO
    ④ ASIMO

    Q86. 1960年代に開発されたエキスパートシステムの草分け的存在で、未知の有機化合物の質量分析データから、その化学構造を推定することを目的としたものは何か。
    ① SHRDLU
    ② DENDRAL
    ③ PARRY
    ④ ELIZA

    Q87. ユーザーとの対話を通じて情報を収集し、その応答に応じて次の質問を動的に生成・変更していくことで、問題解決や情報収集を行うシステムを何と呼ぶか。
    ① バッチ処理システム
    ② コンパイラ
    ③ インタビューシステム
    ④ オペレーティングシステム

    Q88. 研究や開発の促進を目的として、ライセンス条件に基づき、誰もが自由にアクセスし、利用・再配布・改変などができるように公開されたデータセットを何と呼ぶか。
    ① プロプライエタリデータ
    ② 機密データ
    ③ 個人情報データ
    ④ オープンデータセット

    Q89. 教師あり学習において、画像に「猫」というタグを付けたり、文章中の人名を抽出したりするなど、生のデータに正解となる情報(ラベル、メタデータ)を付与する作業を何と呼ぶか。
    ① データアノテーション
    ② データクレンジング
    ③ データ圧縮
    ④ データ可視化

    Q90. 機械学習の文脈における「バイアス」の説明として、最も適切なものはどれか。
    ① モデルの予測が、真の値に対して体系的にずれている度合い。または、訓練データに内在する社会的な偏見やサンプリングの偏り。
    ② モデルが訓練データに過剰に適合してしまい、未知のデータに対する性能が低下する度合い。
    ③ 訓練データセットに含まれるノイズの量。
    ④ モデルのパラメータが取りうる値の範囲。

    Q91. モデルが訓練データに過剰に適合してしまう「過学習」を抑制するために、損失関数にモデルの複雑さに対するペナルティ項を追加する手法の総称は何か。
    ① データ拡張(Data Augmentation)
    ② 早期終了(Early Stopping)
    ③ 正則化(Regularization)
    ④ アンサンブル学習

    Q92. ニューラルネットワークの過学習を抑制する手法の一つで、学習時に各層のニューロンをランダムに一定確率で無効化(ドロップ)することで、擬似的に複数の異なるネットワークを学習させる効果を生むものは何か。
    ① バッチ正規化
    ② 重みの初期化
    ③ 勾配クリッピング
    ④ ドロップアウト

    Q93. モデルの学習方法に関する説明として、最も適切なものはどれか。
    ① バッチ学習は訓練データ全体を一度に用いてパラメータを更新するのに対し、オンライン学習はデータが一つずつ、あるいは少数ずつ与えられるたびに逐次的にパラメータを更新する。
    ② バッチ学習は回帰問題専用、オンライン学習は分類問題専用の手法である。
    ③ バッチ学習は教師なし学習、オンライン学習は教師あり学習でのみ用いられる。
    ④バッチ学習は計算コストが低いが精度が悪く、オンライン学習は計算コストが高いが常に精度が良い。

    Q94. 全訓練データをいくつかの小さなまとまり(ミニバッチ)に分割し、ミニバッチごとにパラメータの更新を行う学習手法の利点は何か。
    ① 全データを一度に処理するバッチ学習と、1データずつ処理するオンライン学習の長所を両立し、計算効率と学習の安定性のバランスが良い。
    ② 必ず大域的最適解に収束することが数学的に保証されている。
    ③ ハイパーパラメータの調整が一切不要になる。
    ④ モデルの解釈性を飛躍的に向上させる。

    Q95. 複雑な損失関数の最適化において、ある近傍領域の中では最も良い値であるが、関数全体で見たときに最も良い値(大域最適解)であるとは限らない解を何と呼ぶか。
    ① 鞍点(Saddle Point)
    ② 特異点(Singular Point)
    ③ 局所最適解(Local Optimum)
    ④ ナッシュ均衡点

    Q96. 「あらゆる問題に対して、他のどのアルゴリズムよりも常に優れた性能を発揮する、万能で最適な単一のアルゴリズムは存在しない」ということを示す、機械学習における重要な理論は何か。
    ① CAP定理
    ② ベイズの定理
    ③ 中心極限定理
    ④ ノーフリーランチの定理

    Q97. 勾配降下法などの最適化アルゴリズムにおいて、損失関数の勾配に基づいてパラメータをどの程度更新するかを決定するハイパーパラメータは何か。
    ① 学習率(Learning Rate)
    ② バッチサイズ(Batch Size)
    ③ エポック数(Epochs)
    ④ 活性化関数(Activation Function)

    Q98. 過学習を防ぐための正則化手法の一つで、訓練データでの損失は下がり続けていても、別途用意した検証データでの損失が増加に転じた時点で学習を打ち切る手法を何と呼ぶか。
    ① データ拡張(Data Augmentation)
    ② 早期終了(Early Stopping)
    ③ ドロップアウト(Dropout)
    ④ 重み減衰(Weight Decay)

    Q99. ディープラーニングにおいて、モデルのパラメータ数を増やしていくと、テスト誤差が一度悪化した後に、さらにパラメータを増やすことで再び向上するという、古典的な統計学の常識とは異なる振る舞いを示す現象は何か。
    ① 勾配爆発
    ② 次元の呪い
    ③ 二重降下(ダブルディセント)現象
    ④ 自己回帰

    Q100. 機械学習モデルの学習プロセスそのものを制御するためのパラメータで、学習を通じて自動的に最適化されるのではなく、人間が事前に設定する必要があるものを総称して何と呼ぶか。
    ① 重み(Weight)
    ② バイアス(Bias)
    ③ 損失(Loss)
    ④ ハイパーパラメータ


    解答・解説

    Q81【正解】①
    【難易度】★★ 【出題】第2章 探索手法(幅優先探索)
    【解説】幅優先探索は、探索の開始点から近い順に探索範囲を広げていくため、解が見つかった場合、それが必ず最短経路(最小手数)であることが保証されます。しかし、探索空間の全ノードを階層ごとに保持する必要があるため、メモリ消費量が大きくなる欠点があります。

    Q82【正解】②
    【難易度】★ 【出題】第2章 探索手法(深さ優先探索)
    【解説】深さ優先探索は、一本の経路を深く進むため、途中の分岐ノードの情報のみを保持すればよく、メモリ効率が良いです。そのため、解が非常に深い場所にある場合に、幅優先探索よりも速く到達できる可能性があります。ただし、最短経路を保証せず、無限ループに陥るリスクもあります。

    Q83【正解】③
    【難易度】★★ 【出題】第2章 αβ法
    【解説】αβ法(アルファベータ法)は、二人零和有限確定完全情報ゲームの探索において、Mini-Max法を改良したものです。相手が最善を尽くした場合に、どう考えても現在の最善手より悪くなることが確定した手の探索を打ち切る(剪定する)ことで、計算量を削減します。

    Q84【正解】④
    【難易度】★ 【出題】第2章 モンテカルロ法
    【解説】モンテカルロ法は、ランダムサンプリングを用いて数値計算やシミュレーションを行う手法の総称です。AlphaGoなどの囲碁AIでは、局面の評価や有望な手の探索にモンテカルロ木探索が用いられ、性能を飛躍的に向上させました。

    Q85【正解】①
    【難易度】★ 【出題】第2章 STRIPS
    【解説】STRIPS(Stanford Research Institute Problem Solver)は、1971年に開発されたAIで、特にロボットなどの自律エージェントのための自動計画(Automated Planning)問題に適用されました。

    Q86【正解】②
    【難易度】★★ 【出題】第2章 DENDRAL
    【解説】DENDRALは、1960年代にスタンフォード大学で開発された世界初のエキスパートシステムの一つです。質量分析法によって得られたデータから、有機化合物の分子構造を推定するという専門的な課題を解決しました。

    Q87【正解】③
    【難易度】★ 【出題】第2章 インタビューシステム
    【解説】インタビューシステムは、固定的な質問リストではなく、ユーザーの回答内容を解釈し、それに基づいて次の質問を生成・選択する動的な対話能力を持ちます。診断システムや顧客サポートなどで応用されます。

    Q88【正解】④
    【難易度】★ 【出題】第2章 オープンデータセット
    【解説】オープンデータセットは、学術研究や技術開発の再現性確保と促進のために、非営利・営利を問わず多くの人が利用できるよう公開されています。ImageNetなどがその代表例です。

    Q89【正解】①
    【難易度】★ 【出題】第2章 データアノテーション
    【解説】データアノテーションは、機械学習モデル、特に教師あり学習モデルを訓練するために不可欠なプロセスです。この作業の質と量が、モデルの性能を大きく左右します。

    Q90【正解】①
    【難易度】★★ 【出題】第3章 バイアス
    【解説】機械学習におけるバイアスは複数の文脈で使われます。一つはモデルの予測の偏り(バイアス-バリアンス分解)、もう一つはデータ自体が持つ偏り(人種や性別に関する社会的バイアスなど)です。どちらもモデルの公平性や性能に重大な影響を与えます。

    Q91【正解】③
    【難易度】★ 【出題】第4章 正則化
    【解説】正則化は、モデルの重みが大きくなりすぎて、訓練データにのみ過剰に適合するのを防ぐためのテクニックです。損失関数に、重みの大きさに対するペナルティ項(L1正則化、L2正則化など)を加えるのが一般的です。

    Q92【正解】④
    【難易度】★ 【出題】第4章 ドロップアウト
    【解説】ドロップアウトは、学習のたびに意図的にニューラルネットワークの一部を機能させなくすることで、単一のニューロンや特徴に過度に依存しない、より頑健な(ロバストな)モデルの学習を促します。

    Q93【正解】①
    【難易度】★ 【出題】第4章 バッチ学習・オンライン学習
    【解説】学習データをどのように使ってモデルを更新するかの違いです。バッチ学習は安定していますが、全データをメモリに保持する必要があります。オンライン学習は逐次更新が可能で、変化し続けるデータに適応できます。

    Q94【正解】①
    【難易度】★ 【出題】第4章 ミニバッチ学習
    【解説】ミニバッチ学習は、バッチ学習の安定した勾配計算と、オンライン学習の計算効率の良さという、両者の利点を組み合わせた手法です。現代のディープラーニングでは最も標準的な学習方法となっています。

    Q95【正解】③
    【難易度】★★ 【出題】第4章 局所最適解・大域最適解
    【解説】勾配降下法などの最適化手法は、勾配がゼロになる地点で停止しますが、それが必ずしも関数全体の最小値(大域最適解)である保証はなく、単なる谷底(局所最適解)である可能性があります。
    これは深層学習における最適化の難しさの一因です。

    Q96【正解】④
    【難易度】★★ 【出題】第4章 ノーフリーランチの定理
    【解説】この定理は、ある特定の問題で非常に良い性能を発揮するアルゴリズムが、別の問題では全く役に立たない可能性があることを示唆しています。つまり、解きたい問題の性質に合わせて適切なアルゴリズムを選択・設計することの重要性を説いています。

    Q97【正解】①
    【難易度】★ 【出題】第4章 学習率
    【解説】学習率は、モデルの学習速度と安定性を左右する最も重要なハイパーパラメータの一つです。
    大きすぎると学習が発散してしまい、小さすぎると収束に非常に長い時間がかかるか、局所最適解に陥りやすくなります。

    Q98【正解】②
    【難易度】★ 【出題】第4章 早期終了
    【解説】早期終了は、モデルが訓練データに適合しすぎる(過学習が始まる)兆候を、検証データに対する性能悪化として捉え、その時点で学習をストップするシンプルな正則化手法です。

    Q99【正解】③
    【難易度】★★ 【出題】第4章 二重降下現象
    【解説】この現象は、モデルの表現力が非常に高くなり、訓練データを「補間」する領域に入ると発生すると考えられています。パラメータ数がデータ点数を超えたあたりで、テスト誤差が再び低下し始めるというもので、過学習に関する従来の理解を覆す発見として注目されています。

    Q100【正解】④
    【難易度】★ 【出題】第4章 ハイパーパラメータ
    【解説】ハイパーパラメータは、モデルの構造や学習の挙動を決定する設定値です。学習率、バッチサイズ、ニューラルネットワークの層の数やノード数、正則化の強さなどがこれにあたり、これらの調整はモデルの性能を大きく左右します。


    Q101. 機械学習モデルが訓練データに過剰に適合し、未知のデータに対する予測性能が低下する「過学習」を抑制するための方法として、最も代表的なものはどれか。
    ① 訓練データのサンプル数を意図的に大幅に削減する。
    ② L1/L2正則化やドロップアウトを導入し、モデルの複雑さにペナルティを与えるか、学習時に制約を設ける。
    ③ モデルの層やパラメータの数を可能な限り増やし、表現力を最大化する。
    ④ 活性化関数をすべて線形関数に置き換える。

    Q102. 限られたデータセットからモデルの汎化性能をできるだけ正確に推定するために、データを複数のグループに分割し、訓練用とテスト用を入れ替えながら評価を繰り返す手法は何か。
    ① ホールドアウト検証
    ② 交差検証(クロスバリデーション)
    ③ ベイズ最適化
    ④ 適合率-再現率曲線

    Q103.
    モデルの性能評価手法の一つであるホールドアウト法に関する説明として、最も適切なものはどれか。
    ① データセットを訓練用、検証用、テスト用の3つに分割し、それぞれ一度だけ使用する。
    ② 全てのデータを訓練に用い、同じデータで性能を評価する。
    ③ データセットを非復元抽出し、複数のモデルを並行して学習させる。
    ④ データセットを一度だけ訓練用とテスト用に分割し、学習と評価を行う。

    Q104.
    二値分類モデルの性能評価に用いられるROC曲線とAUCに関する記述として、最も適切なものはどれか。
    ① ROC曲線は、縦軸に偽陽性率、横軸に真陽性率をとってプロットしたものである。
    ② AUCはROC曲線と横軸、そしてy軸で囲まれた部分の面積であり、その値が1に近いほど性能が高いと評価される。
    ③ AUCの値は、常に0.5未満でなければならない。
    ④ ROC曲線が対角線(y=x)に完全に一致する場合、モデルの性能は最も高いと判断される。

    Q105. 分類モデルの評価指標である「再現率(Recall)」、または「真陽性率(TPR)」の定義として、最も適切なものはどれか。
    ① 陽性と予測されたサンプルのうち、実際に陽性であったサンプルの割合。
    ② 陰性と予測されたサンプルのうち、実際に陰性であったサンプルの割合。
    ③ 実際に陽性であるサンプルのうち、正しく陽性と予測されたサンプルの割合。
    ④ 全てのサンプルのうち、正しく予測されたサンプルの割合。

    Q106. 分類モデルの評価において、適合率(Precision)と再現率(Recall)のトレードオフの関係を考慮し、両者のバランスをとるための指標として用いられるものは何か。
    ① F値(F1スコア)
    ② 正解率(Accuracy)
    ③ 偽陽性率(FPR)
    ④ 決定係数(R²)

    Q107.
    分類問題の評価指標の一つである「正解率(Accuracy)」の定義として、最も適切なものはどれか。
    ① 陽性と予測したデータのうち、実際に陽性であったデータの割合。
    ② 実際に陽性であったデータのうち、陽性と予測できたデータの割合。
    ③ 実際に陰性であったデータのうち、陰性と予測できたデータの割合。
    ④ 全てのデータのうち、予測が正解であったデータの割合。

    Q108. 統計モデルの良さを評価する情報量規準の一つで、モデルの当てはまりの良さ(最大対数尤度)とモデルの複雑さ(パラメータ数)のバランスを評価するものは何か。
    ① 赤池情報量規準(AIC)
    ② 平均二乗誤差(MSE)
    ③ 決定係数(R²)
    ④ コサイン類似度

    Q109. 赤池情報量規準(AIC)と同様にモデルの良さを評価する指標であるが、データ数(サンプルサイズ)が大きくなるほど、モデルの複雑さに対してより強いペナルティを課す特徴を持つものは何か。
    ① マハラノビス距離
    ② ハミング距離
    ③ ベイズ情報量規準(BIC)
    ④ KLダイバージェンス

    Q110. 「必要以上に多くの仮定を置くべきではない」という原則を示し、機械学習においては「同様の性能を持つモデルが複数あるならば、より単純な(パラメータの少ない)モデルを選択すべき」という指針を与える考え方は何か。
    ① ノーフリーランチの定理
    ② オッカムの剃刀
    ③ CAP定理
    ④ ヘッブの法則

    Q111. 機械学習モデルの性能評価における「訓練誤差」と「汎化誤差」の関係性について、最も適切な説明はどれか。
    ① 訓練誤差は訓練データに対するモデルの誤差であり、汎化誤差は未知のデータに対する誤差の期待値である。
    ② 汎化誤差は、常に訓練誤差よりも小さくなる。
    ③ 訓練誤差と汎化誤差は、常に同じ値をとる。
    ④ モデルの学習が進むと、訓練誤差と汎化誤差は両方とも必ずゼロに収束する。

    Q112. ディープニューラルネットワークのような複雑なモデルにおいて、モデルが高い性能を発揮しても、その内部でどのような特徴に基づいて判断を下しているのか、人間には理解・解釈が困難であるという問題を何と呼ぶか。
    ① コールドスタート問題
    ② フレーム問題
    ③ ブラックボックス問題
    ④ シンボルグラウンディング問題

    Q113. AIの予測結果に対して、「なぜそのように判断したのか」という根拠や理由を人間が理解できる形で提示することを目指す技術や研究分野を何と呼ぶか。
    ① オントロジー工学
    ② 知識工学
    ③ 自動計画
    ④ 説明可能AI(XAI)

    Q114. 個々の予測に対して、どの特徴量がどの程度その予測に貢献したかを算出することで、ブラックボックスモデルの判断根拠を説明する代表的な手法の組み合わせはどれか。
    ① k-means法と階層的クラスタリング
    ② LIMEとSHAP
    ③ PCAとt-SNE
    ④ AdamとSGD

    Q115. 畳み込みニューラルネットワーク(CNN)を用いた画像認識タスクにおいて、モデルが画像のどの部分に注目して判断を下したのかを、ヒートマップとして可視化する手法は何か。
    ① サイクルGAN
    ② オートエンコーダ
    ③ 敵対的サンプル
    ④ Grad-CAM

    Q116. 学習済みのニューラルネットワークモデルにおいて、パラメータ(重み)の精度を32ビット浮動小数点数から8ビット整数などに下げることで、モデルサイズと計算量を削減し、推論を高速化する手法は何か。
    ① ファインチューニング
    ② 転移学習
    ③ 量子化(Quantization)
    ④ データ拡張

    Q117. 大規模で高精度な「教師モデル」の知識(出力確率など)を利用して、軽量で高速な「生徒モデル」を効率的に学習させるアンサンブル学習の一手法は何か。
    ① スタッキング
    ② 蒸留(Distillation)
    ③ バギング
    ④ ブースティング

    Q118. 学習済みのニューラルネットワークから、性能への影響が小さいと判断される接続(重み)やニューロンを削除することで、モデルを軽量化・高速化する手法を何と呼ぶか。
    ① ドロップアウト
    ② 正則化
    ③ プルーニング(枝刈り)
    ④ バッチ正規化

    Q119. スマートフォンやIoTデバイスなどの端末(エッジ)側でAIの推論処理を行うことにより、クラウドとの通信遅延をなくし、リアルタイム性やプライバシー保護を向上させるアプローチを何と呼ぶか。
    ① クラウドAI
    ② フォグコンピューティング
    ③ グリッドコンピューティング
    ④ エッジAI

    Q120. 大規模なニューラルネットワークを初期化した時点で、その内部には既に「宝くじに当たった」かのような、単独で学習させても高い性能を発揮する小さな部分ネットワーク(サブネットワーク)が存在するという仮説は何か。
    ① ノーフリーランチの定理
    ② ドロップアウト仮説
    ③ モーメンタム仮説
    ④ 宝くじ仮説(Lottery Ticket Hypothesis)


    解答・解説

    Q101【正解】②
    【難易度】★ 【出題】第4章 過学習対策
    【解説】過学習はモデルが訓練データに適合しすぎた状態です。これを防ぐには、モデルの表現力を制限する(複雑さを下げる)ことが有効です。具体的には、損失関数に重みの大きさをペナルティとして加えるL1/L2正則化や、学習時にランダムにノードを無効化するドロップアウトなどが代表的な手法です。

    Q102【正解】②
    【難易度】★ 【出題】第8章 交差検証
    【解説】交差検証は、データを複数のグループに分割し、それぞれを一度ずつテストデータとして使用し、残りを訓練データとして評価を繰り返します。これにより、データセットの特定の分割に依存しない、より客観的で信頼性の高い汎化性能の評価が可能になります。

    Q103【正解】④
    【難易度】★ 【出題】第8章 ホールドアウト法
    【解説】ホールドアウト法は、性能評価手法の中で最もシンプルです。データセットを訓練用とテスト用に一度だけ分割し、訓練用データでモデルを学習させ、未知のデータに対する性能をテスト用データで評価します。

    Q104【正解】②
    【難易度】★ 【出題】第8章 ROC曲線とAUC
    【解説】AUC(Area Under the Curve)は、ROC曲線の下側の面積を指します。ROC曲線は縦軸に真陽性率(TPR)、横軸に偽陽性率(FPR)をとります。AUCの値は0から1の範囲をとり、1に近いほどモデルの識別性能が高いことを示します。ランダムな予測では0.5に近くなります。

    Q105【正解】③
    【難易度】★ 【出題】第8章 真陽性率(TPR)
    【解説】再現率(Recall)または真陽性率(TPR)は、実際に陽性である全サンプルのうち、モデルが正しく「陽性」と予測できたサンプルの割合を示します。病気の検出などで見逃しを減らしたい場合に重要な指標となります。①は適合率(Precision)の定義です。

    Q106【正解】①
    【難易度】★ 【出題】第8章 F値(F1スコア)
    【解説】F値(F1スコア)は、適合率と再現率の調和平均をとった指標です。両者はトレードオフの関係にあるため、F値を用いることで、両方のバランスを考慮した総合的な性能評価が可能になります。

    Q107【正解】④
    【難易度】★ 【出題】第8章 精度(accuracy)
    【解説】正解率(Accuracy)は、全てのデータの中で、モデルが正しく予測できた(陽性を陽性、陰性を陰性と予測した)数の割合を示す、最も直感的な性能指標です。ただし、データが不均衡な場合には注意が必要です。

    Q108【正解】①
    【難易度】★★ 【出題】第8章 AIC
    【解説】赤池情報量規準(AIC)は、モデルの当てはまりの良さ(対数尤度)と、モデルの複雑さ(パラメータ数)のトレードオフを評価する指標です。AICの値が小さいほど、より良いモデルであると判断されます。

    Q109【正解】③
    【難易度】★★ 【出題】第8章 BIC
    【解説】ベイズ情報量規準(BIC)もAICと同様にモデル選択のための指標ですが、パラメータ数に対するペナルティ項にデータ数(N)が含まれています。そのため、データ数が多くなるほど、より単純なモデルを選択する傾向が強くなります。

    Q110【正解】②
    【難易度】★ 【出題】第8章 オッカムの剃刀
    【解説】オッカムの剃刀は、「説明に必要な仮定は少ないほど良い」という思考の節約原理です。機械学習では、同じ性能ならより単純な(パラメータが少ない、構造が単純な)モデルの方が、未知のデータに対する性能(汎化性能)が高い傾向があるという経験則の根拠として引用されます。

    Q111【正解】①
    【難易度】★ 【出題】第8章 訓練誤差・汎化誤差
    【解説】訓練誤差は、モデルの学習に使用した訓練データに対する誤差です。一方、汎化誤差は、まだ見ぬ未知のデータ(テストデータ)に対する誤差の期待値を指します。機械学習の目標は、この汎化誤差を最小化することにあります。

    Q112【正解】③
    【難易度】★ 【出題】第10章 ブラックボックス問題
    【解説】ブラックボックス問題は、特にディープラーニングのように内部構造が非常に複雑なモデルにおいて、なぜその予測結果に至ったのかという判断プロセスや根拠を人間が直接的に理解することが困難である状況を指します。

    Q113【正解】④
    【難易度】★ 【出題】第10章 説明可能AI
    【解説】説明可能AI(XAI)は、AIのブラックボックス問題を解決し、モデルの透明性や解釈性を高めることを目的とした一連の技術や研究分野です。これにより、AIの判断に対する信頼性を確保し、公平性や倫理的な課題に対処することを目指します。

    Q114【正解】②
    【難易度】★★ 【出題】第10章 LIME・SHAP
    【解説】LIME(Local Interpretable Model-agnostic Explanations)とSHAP(SHapley Additiveex Planations)は、XAIを実現するための代表的な手法です。これらは、特定の予測に対して、どの特徴量がどのように影響したかを定量的に示すことで、モデルの判断根拠を局所的に説明します。

    Q115【正解】④
    【難易度】★★ 【出題】第10章 CAM・Grad-CAM
    【解説】CAM(Class Activation Mapping)やその後継であるGrad-CAMは、CNNが画像のどの領域を判断根拠として重視しているかを可視化するXAIの手法です。これにより、例えば「猫」と認識した場合に、画像の猫の顔や耳の部分が強く活性化していることを確認できます。

    Q116【正解】③
    【難易度】★★ 【出題】第7章 量子化
    【解説】量子化は、モデル軽量化技術の一つです。通常32ビットで表現されるモデルの重みを、よりビット数の少ない(例:8ビット整数)データ型に変換することで、モデルのファイルサイズを削減し、メモリ使用量や計算量を減らして推論を高速化します。

    Q117【正解】②
    【難易度】★★ 【出題】第7章 蒸留(Distillation)
    【解説】知識蒸留は、巨大で複雑だが高性能な「教師モデル」の振る舞い(クラス確率など)を、軽量で高速な「生徒モデル」に学習させる手法です。これにより、生徒モデルはゼロから学習するよりも効率的に高い性能を獲得できます。

    Q118【正解】③
    【難易度】★★ 【出題】第7章 プルーニング
    【解説】プルーニング(枝刈り)は、学習済みのニューラルネットワークから、予測への影響が小さい重みやニューロンを削除するモデル軽量化技術です。これにより、モデルのサイズを削減し、推論速度を向上させることができます。

    Q119【正解】④
    【難易度】★★ 【出題】第7章 エッジAI
    【解説】エッジAIは、データをクラウドに送信せず、スマートフォンやカメラ、自動車などのエッジデバイス上で直接AI処理を実行する技術です。これにより、通信遅延の解消、オフラインでの動作、プライバシーの保護といったメリットが生まれます。

    Q120【正解】④
    【難易度】★★ 【出題】第5章 宝くじ仮説
    【解説】宝くじ仮説は、大規模なネットワークは、学習初期の段階で、宝くじに当たったかのように性能の良い小さなサブネットワークを含んでいる、という興味深い仮説です。このサブネットワークを見つけ出せれば、効率的な学習やモデル圧縮が可能になると期待されています。


    Q121. 日本の内閣府が示す「人間中心のAI社会原則」に含まれていないものはどれか。
    ① 人間の基本的人権の尊重
    ② AIの性能が人間を超えることを禁止する原則
    ③ 多様性と公平性の確保
    ④ 安全性とプライバシーの確保

    Q122. 企業や組織が、AIの利活用に伴うリスクを適切に管理し、社会的な信頼を確保しながらAI開発・運用を進めるための組織的な仕組みやルール体系を何と呼ぶか。
    ① AIガバナンス
    ② AIアライアンス
    ③ AIインキュベーション
    ④ AIアクセラレーション

    Q123. 欧州連合(EU)のAI法案で採用されている、AIが社会や人間に与えるリスクの大きさに応じて、禁止から報告義務まで段階的な規制を課すアプローチを何と呼ぶか。
    ① ゼロトラスト・アプローチ
    ② リスクベース・アプローチ
    ③ サンドボックス・アプローチ
    ④ ウォーターフォール・アプローチ

    Q124. AIの開発・学習に大量のデータを利用する際、個人の権利利益を保護するために遵守しなければならない日本の法律は何か。
    ① 製造物責任法(PL法)
    ② 不正競争防止法
    ③ 個人情報保護法
    ④ 金融商品取引法

    Q125. 個人情報保護法において、元の個人情報を特定の個人を識別できないように加工し、かつ、その個人情報を復元できないようにした情報のことを何と呼ぶか。
    ① 仮名加工情報
    ② 要配慮個人情報
    ③ 個人関連情報
    ④ 匿名加工情報

    Q126. AIシステムの開発者や提供者が、そのAIの意思決定プロセスや結果について、ステークホルダーに対して適切に説明できるようにしておくべき責任を何と呼ぶか。
    ① 説明責任(アカウンタビリティ)
    ② 製造物責任(PL)
    ③ 善管注意義務
    ④ 守秘義務

    Q127. AIモデルの学習データに起因する、特定の属性(性別、人種など)に対する予測の偏り(バイアス)を軽減するための対策として、最も適切なものはどれか。
    ① モデルのパラメータ数を可能な限り増やす。
    ② 特定の属性を持つデータのみを学習に用いる。
    ③ データの多様性を確保し、バイアスを検出・評価する仕組みを導入する。
    ④ モデルの学習率を極端に小さく設定する。

    Q128. AIの社会実装において、特に倫理的な配慮が求められ、第三者委員会などによる倫理審査の対象となる可能性が最も高い応用分野はどれか。
    ① ECサイトにおける商品の推薦
    ② スマートフォンにおける写真の自動分類
    ③ SNSにおける友人関係の可視化
    ④ 採用活動における候補者のスクリーニング

    Q129. ディープラーニングなどの複雑なAIモデルが、なぜそのような予測・判断を下したのか、その根拠を人間が理解することが困難であるという課題を何と呼ぶか。
    ① 次元の呪い
    ② ブラックボックス問題
    ③ コールドスタート問題
    ④ フレーム問題

    Q130. AIを用いたサービス、特に個人のプロファイリングや重要な判断に関わるサービスを提供する際に、データ利用の目的やAIによる判断について利用者に十分な情報を提供し、その上で同意を得るという考え方を何と呼ぶか。
    ① インフォームド・コンセント
    ② プライバシー・バイ・デザイン
    ③ フェイルセーフ
    ④ フールプルーフ

    Q131. 欧州のAI法案(EU AI Act)において、原則として禁止される「許容できないリスク」を持つAIシステムの例として挙げられているものはどれか。
    ① 医療診断を支援するAI
    ② 重要インフラを制御するAI
    ③ 人々の行動に基づいて社会的信用を評価するソーシャルスコアリングAI
    ④ 採用候補者を評価するAI

    Q132. AIの判断結果をユーザーや社会が受け入れ、信頼するためには、AIが「なぜ」その結論に至ったのかを理解できることが重要である、という考え方や性質を何と呼ぶか。
    ① 頑健性(Robustness)
    ② 拡張性(Scalability)
    ③ 再現性(Reproducibility)
    ④ 説明可能性(Explainability)

    Q133. AIの予測結果が、特定の集団に対して意図せず不利益な結果(差別的アウトカム)を生じさせていることが判明した場合、まず取るべき対応として最も適切なものはどれか。
    ① AIの利用を即時かつ永久に中止する。
    ② 学習データやモデルのアルゴリズムにバイアスがないか調査し、改善策を検討する。
    ③ 影響を受けた集団からの意見をすべて無視する。
    ④ モデルの出力結果をランダムな値に置き換える。

    Q134. 実効性のあるAIガバナンス体制を組織内に構築する上で、最も重要なアプローチはどれか。
    ① 技術者、法務・コンプライアンス担当者、事業責任者、倫理の専門家など、多様な視点からルールやプロセスを設計・運用すること。
    ② 経営層のトップダウンのみで、全てのルールを決定すること。
    ③ 外部のコンサルタントに全ての設計と運用を委託すること。
    ④ 国際的なガイドラインが定まるまで、自主的なルール作りは行わないこと。

    Q135. AIを活用したシステムやサービスを開発する際に、企画・設計の初期段階からプライバシー保護の仕組みを組み込んでおくべきだ、という考え方を何と呼ぶか。
    ① セキュリティ・バイ・デフォルト
    ② アジャイル開発
    ③ オープン・クローズ戦略
    ④ プライバシー・バイ・デザイン

    Q136. AIを導入した業務プロセスにおいて、AIの判断を人間が最終的に確認・承認する、あるいはAIと人間がそれぞれの得意分野を分担するなど、両者の役割分担と責任の所在を明確にすることの重要性を示す概念は何か。
    ① シンギュラリティ
    ② 完全自動化
    ③ AIと人間の協働
    ④ 技術的失業

    Q137. ブラックボックスモデルの説明可能性(Explainability)を向上させるための具体的な技術的アプローチとして、最も適切なものはどれか。
    ① モデルのパラメータをすべて非公開にする。
    ② モデルの学習に使用したデータをすべて削除する。
    ③ LIMEやSHAPなどの手法を用いて、個々の予測に対する特徴量の寄与度を可視化する。
    ④ モデルのアーキテクチャを可能な限り複雑にする。

    Q138. AIが社会の様々な側面に大きな影響を与えるようになった現代において、AI倫理に関する原則やガイドラインが国際的に議論されている最も根本的な理由は何か。
    ① AIの利活用が、人権、プライバシー、公平性といった根源的な価値と衝突するリスクを適切にコントロールし、人間中心の社会を実現するため。
    ② AI開発の国際競争において、自国が優位に立つためのルールを形成するため。
    ③ AI研究者の学術的な興味を満たすため。
    ④ 全てのAIをオープンソース化するため。

    Q139. AIの社会実装において、「人間中心のAI」という理念が意味することとして、最も適切なものはどれか。

    ① AIの性能や効率のみを最優先する。
    ②AIが人間の尊厳と個人の自律を尊重し、人々がAIを信頼し安全にその恩恵を受けられる社会を目指す。
    ③ AIに関する全ての意思決定を、一部の専門家のみが行う。
    ④ 人間によるAIへの介入を一切禁止する。

    Q140. 自社が開発・提供するAIサービスが、倫理的に問題のある判断を下したり、社会に損害を与えたりした場合、企業に求められる対応として最も不適切なものはどれか。
    ① 迅速に事実関係を調査し、影響を受けたステークホルダーに対して透明性のある説明を行う。
    ② 原因を究明し、技術的・組織的な再発防止策を講じる。
    ③ 被害者への救済措置を検討し、誠実に対応する。
    ④ 社会的な批判を避けるため、問題が自然に忘れ去られるまで情報を公開しない。


    解答・解説

    Q121【正解】②
    【難易度】★ 【出題】第10章 AI倫理原則
    【解説】日本の「人間中心のAI社会原則」では、人権の尊重、プライバシー確保、安全確保、公平性、説明責任、透明性などが掲げられています。AIの性能が人間を超えることを一律に禁止する原則は含まれていません。

    Q122【正解】①
    【難易度】★★ 【出題】第10章 AIガバナンス
    【解説】AIガバナンスとは、AIのリスクを管理し、その便益を最大化するための組織的な統治の仕組みを指します。法規制の遵守だけでなく、倫理的・社会的な課題への対応も含まれます。

    Q123【正解】②
    【難易度】★★ 【出題】第10章 EU AI規制
    【解説】EUのAI法案におけるリスクベース・アプローチは、AIシステムがもたらすリスクを「許容できないリスク」「高リスク」「限定的リスク」「最小リスク」の4段階に分類し、それぞれのリスクレベルに応じた規制を課すものです。

    Q124【正解】③
    【難易度】★ 【出題】第9章 個人情報保護
    【解説】個人情報保護法は、個人情報の有用性に配慮しつつ、個人の権利利益を保護することを目的としています。AIの学習データとして個人情報を利用する際には、この法律のルール(取得時の同意、利用目的の特定など)に従う必要があります。

    Q125【正解】④
    【難易度】★ 【出題】第9章 匿名加工情報
    【解説】匿名加工情報は、個人情報保護法に定められた加工基準に従って、特定の個人を識別できず、かつ元の個人情報を復元できないように加工された情報です。これにより、プライバシーを保護しつつ、データの利活用を促進することが期待されます。

    Q126【正解】①
    【難易度】★★ 【出題】第9章 説明責任
    【解説】説明責任(アカウンタビリティ)とは、AIシステムの挙動やその結果について、開発者や提供者がステークホルダー(利用者、規制当局など)に対して、事後的に説明できる状態を確保する責任を指します。

    Q127【正解】③
    【難易度】★★ 【出題】第9章 バイアス対策
    【解説】AIのバイアス対策として、学習データセットの段階で、多様な属性の人々がバランス良く含まれているかを確認することが基本です。また、モデルの出力に偏りがないかを継続的に監視し、バイアスを検出・評価するプロセスも重要となります。

    Q128【正解】④
    【難易度】★★ 【出題】第7章 倫理審査
    【解説】採用、融資、人事評価、医療診断など、個人の人生や権利に重大な影響を与える可能性があるAIの応用分野では、その公平性や倫理的な妥当性を評価するための倫理審査が特に重要となります。

    Q129【正解】②
    【難易度】★★ 【出題】第10章 ブラックボックスリスク
    【解説】ブラックボックス問題は、AIの判断根拠が不明確であるため、不公平な判断や誤った判断がなされた場合の原因究明が困難になり、説明責任を果たすことや、適切な救済措置をとることが難しくなるというリスクにつながります。

    Q130【正解】①
    【難易度】★ 【出題】第9章 インフォームド・コンセント
    【解説】インフォームド・コンセントは、元々は医療分野の概念ですが、AIの利用においても、個人データの利用目的や、AIによってどのような判断がなされる可能性があるかを事前に利用者に分かりやすく説明し、明確な同意を得ることの重要性を示します。

    Q131【正解】③
    【難易度】★★ 【出題】第9章 EU AI法
    【解説】EUのAI法案では、サブリミナルな操作を行うAIや、脆弱性を悪用するAI、そして公的機関による汎用的なソーシャルスコアリングなど、基本的人権を侵害する恐れのあるAIを「許容できないリスク」として原則禁止しています。

    Q132【正解】④
    【難易度】★ 【出題】第10章 説明可能性
    【解説】説明可能性(Explainability)は、AIの判断プロセスと結果を人間が理解できる能力を指します。これにより、AIへの信頼が醸成され、不適切な判断がなされた場合の原因究明や修正が容易になります。

    Q133【正解】②
    【難易度】★★ 【出題】第10章 差別的アウトカム
    【解説】AIによる差別的なアウトカムが確認された場合、その原因が学習データにあるのか、モデルの設計にあるのかを調査し、バイアスを緩和するための技術的・運用的対策を講じることが求められます。

    Q134【正解】①
    【難易度】★★ 【出題】第10章 ガバナンス体制
    【解説】AIガバナンスは、技術的な課題だけでなく、法務、倫理、事業戦略など、多岐にわたる論点を含みます。そのため、一部の部門だけでなく、組織横断的で多様な専門性を持つメンバーによる体制構築が不可欠です。

    Q135【正解】④
    【難易度】★ 【出題】第9章 プライバシー・バイ・デザイン
    【解説】プライバシー・バイ・デザインは、開発の最終段階でプライバシー対策を付け足すのではなく、サービスの企画・設計といった上流工程から、プライバシー保護をシステムに組み込むという考え方です。

    Q136【正解】③
    【難易度】★ 【出題】第7章 AIと人間の協働
    【解説】AIを単なる自動化ツールとしてではなく、人間の能力を拡張するパートナーとして捉える考え方です。AIの提案を人間が最終判断したり、定型業務をAI、例外対応を人間が担うなど、適切な役割分担と責任の明確化が重要です。

    Q137【正解】③
    【難易度】★ 【出題】第10章 説明可能性向上策
    【解説】説明可能性(XAI)を向上させるための技術として、LIMEやSHAPのように、ある予測に対してどの特徴量がポジティブまたはネガティブに影響したかを可視化する手法や、判断ルールを抽出する手法などがあります。

    Q138【正解】①
    【難易度】★ 【出題】第10章 AI倫理原則
    【解説】AI技術が自律的に判断を行い、社会や個人に広範かつ重大な影響を及ぼす可能性があるからこそ、その開発と利用にあたっては、人権や公平性といった普遍的な価値観を損なわないための倫理的な指針が不可欠となります。

    Q139【正解】②
    【難易度】★ 【出題】第10章 人間中心AI
    【解説】「人間中心のAI」とは、技術開発や効率性を最優先するのではなく、あくまでAIは人間を支援し、幸福に貢献するための道具であるという考え方です。人間の尊厳、多様性、幸福(ウェルビーイング)が中心に置かれます。

    Q140【正解】④
    【難易度】★ 【出題】第10章 倫理違反・事故対応
    【解説】AIに関する問題が発生した場合、情報を隠蔽することは、企業の社会的信用を著しく損ない、被害を拡大させる最悪の対応です。透明性のある情報公開、原因究明、再発防止策の実施、そしてステークホルダーへの誠実な対応が求められます。


    Q141. 機械学習モデルの性能に関する「バイアス」と「バリアンス」のトレードオフについて、最も適切な記述はどれか。
    ① バイアスとバリアンスは互いに独立しており、一方を下げても他方には影響しない。
    ② バイアスが高く、バリアンスも高いモデルが、最も理想的なモデルである。
    ③ バイアスが高いモデルは訓練データに適合できていない「未学習」の状態にあり、バリアンスが高いモデルは訓練データに適合しすぎた「過学習」の状態にある。
    ④ モデルの複雑さを上げると、バイアスとバリアンスは両方とも単調に減少し続ける。

    Q142. 学習済みの機械学習モデルが、未知のデータに対してどれだけ正確に予測できるかを示す「汎化性能」を評価するために、最も直接的に用いられる指標は何か。
    ① 訓練データに対する損失(訓練誤差)
    ② モデルのパラメータ数
    ③ 学習にかかった合計時間
    ④ テストデータに対する正解率や損失(汎化誤差)

    Q143. 学習率、正則化の強さ、決定木の深さなど、機械学習モデルの学習前に人間が設定するハイパーパラメータについて、複数の候補値を格子状(グリッド)に組み合わせて総当たりで試し、最も性能が良い組み合わせを発見する手法は何か。
    ① グリッドサーチ
    ② 勾配降下法
    ③ ベイズ最適化
    ④ ランダムサーチ

    Q144. ハイパーパラメータの探索において、評価に時間のかかる複雑なモデルなどを対象に、過去の探索結果を基に次に試すべき有望なパラメータを確率的に推測することで、効率的に最適値を見つけ出そうとする手法は何か。
    ① グリッドサーチ
    ② ベイズ最適化
    ③ 進化的アルゴリズム
    ④ ランダムサーチ

    Q145. 複数のモデルを組み合わせて単一のモデルよりも高い性能を目指すアンサンブル学習の手法に該当しないものは、次のうちどれか。
    ① ランダムフォレスト
    ② 勾配ブースティング
    ③ バギング
    ④ k-means法

    Q146. 畳み込みニューラルネットワーク(CNN)において、画像から局所的なパターン(エッジ、模様、部品など)を検出するためのフィルター処理を行う中心的な層は何か。
    ① 全結合層
    ② プーリング層
    ③ 畳み込み層
    ④ 出力層

    Q147. CNNにおいて、畳み込み層で抽出された特徴マップの位置感度をある程度低下させ、計算量を削減する役割を持つ層は何か。Maxプーリングなどが代表的である。
    ① プーリング層
    ② ドロップアウト層
    ③ バッチ正規化層
    ④ 活性化関数

    Q148. 内部に再帰的なループ構造を持ち、過去の情報を記憶しながら時系列データを処理することができるため、自然言語処理や音声認識に広く用いられるニューラルネットワークの基本モデルは何か。
    ① 順伝播型ニューラルネットワーク(FFNN)
    ② リカレントニューラルネットワーク(RNN)
    ③ オートエンコーダ
    ④ 畳み込みニューラルネットワーク(CNN)

    Q149. RNNが苦手とする、時系列データにおける長期的な依存関係(例:文章の冒頭と文末の呼応)を、「ゲート」と呼ばれる仕組みを導入することで学習しやすくした改良モデルは何か。
    ① 単純パーセプトロン
    ② ボルツマンマシン
    ③ LSTM(Long Short-Term Memory)
    ④ サポートベクターマシン

    Q150.
    自然言語処理モデルなどにおいて、入力系列のどの部分に「注意」を向けるべきかを動的に学習し、文脈に応じた重要な情報に重み付けを行うことで、モデルの性能を飛躍的に向上させた仕組みは何か。
    ① 正則化
    ② 活性化関数
    ③ 損失関数
    ④ Attention(アテンション)機構

    Q151.
    RNNの再帰構造やCNNの畳み込み構造を用いず、Attention機構のみをベースに構築され、特に「自己注意機構(Self-Attention)」によって入力系列内の単語間の関係性を捉える画期的なモデルは何か。
    ① Transformer
    ② LeNet
    ③ AlexNet
    ④ VGGNet

    Q152. Transformerをベースとし、文章中のある単語の意味を、その単語の前後両方の文脈を同時に考慮して学習することで、文脈理解の精度を大きく向上させた画期的な事前学習済み言語モデルは何か。
    ① BERT(Bidirectional Encoder Representations from Transformers)
    ② GPT(Generative Pre-trained Transformer)
    ③ Word2Vec
    ④ ELMo

    Q153.
    Transformerのデコーダ部分をベースとし、膨大なテキストデータでの事前学習を通じて、与えられた文脈に続く自然な文章を生成する能力に優れ、対話システムや要約などに応用されるモデル群は何か。
    ① YOLO
    ② ResNet
    ③ GPTシリーズ
    ④ U-Net

    Q154. 画像に徐々にノイズを加えていき、その逆の過程(ノイズから元の画像を復元する過程)を学習することで、非常に高品質で多様な画像を生成できるようになった、新しい生成モデルの手法は何か。
    ① 敵対的生成ネットワーク(GAN)
    ② 変分オートエンコーダ(VAE)
    ③ フローベースモデル
    ④ 拡散モデル(Diffusion Model)

    Q155. 画像を小さなパッチに分割し、それらを単語のようなトークンの系列と見なしてTransformerに入力することで、画像認識の分野でもTransformerの有効性を示したモデルは何か。
    ① Vision Transformer(ViT)
    ② EfficientNet
    ③ MobileNet
    ④ Inception

    Q156.大量のラベルなしデータから、データ自体が持つ構造を利用して擬似的なラベル(例:一部を隠した画像を復元させるタスク)を自動生成し、それを解くことでデータの特徴表現を学習する手法は何か。
    ① 教師あり学習
    ② 自己教師あり学習
    ③ 強化学習
    ④ 半教師あり学習

    Q157. あるタスク(例:大規模な画像データセットでの物体認識)で学習済みのモデルの重みを、別の関連するタスク(例:特定の医療画像の分類)の初期値として再利用し、少ないデータでも効率的に高い性能を得る手法は何か。
    ① スクラッチ学習
    ② メタ学習
    ③ 転移学習
    ④ アンサンブル学習

    Q158. 画像、テキスト、音声、センサーデータなど、複数の異なる種類(モダリティ)の情報を同時に入力し、統合的に処理・判断を行うAIを何と呼ぶか。
    ① シングルタスクAI
    ② 教師なしAI
    ③ 生成AI
    ④ マルチモーダルAI

    Q159. 株価、気象データ、センサーログなど、時間的な順序で記録されたデータ(時系列データ)のパターンを分析し、将来の値を予測するタスクやそのための手法群を何と呼ぶか。
    ① クラスタリング
    ② 時系列解析
    ③ アソシエーション分析
    ④ 次元削減

    Q160. 生成AIが作成したコンテンツの著作権は誰に帰属するのか、学習データに著作物が含まれる場合の権利処理はどうあるべきか、といった、現行法では想定されていなかった新たな法的課題への対応が求められている状況を示す選択肢はどれか。
    ① 生成AIの利用に伴う著作権やプライバシーなどの法的・倫理的課題
    ② 生成AIの計算コストの最適化
    ③ 生成AIのモデルアーキテクチャの標準化
    ④ 生成AIの学習データセットの非公開化


    解答・解説

    Q141【正解】③
    【難易度】★★ 【出題】第8章 バイアス・バリアンス
    【解説】バイアスはモデルの予測の「体系的なズレ」で、高いと未学習(訓練データすら表現できない)になります。バリアンスはデータのばらつきに対するモデルの「感度」で、高いと過学習(訓練データに過敏に反応し、未知のデータに対応できない)になります。両者はトレードオフの関係にあります。

    Q142【正解】④
    【難易度】★ 【出題】第8章 汎化性能の評価
    【解説】汎化性能とは、モデルが学習に用いていない未知のデータに対してどれだけ正しく予測できるかという能力です。この性能は、学習とは別に用意されたテストデータ(または検証データ)に対する誤差や正解率などの指標で評価されます。

    Q143【正解】①
    【難易度】★★ 【出題】第8章 グリッドサーチ
    【解説】グリッドサーチは、複数のハイパーパラメータの候補値を設定し、その全ての組み合わせを試すことで、最も性能の良いハイパーパラメータのセットを見つけ出す、網羅的な探索手法です。

    Q144【正解】②
    【難易度】★★ 【出題】第8章 ベイズ最適化
    【解説】ベイズ最適化は、ハイパーパラメータ探索のためのより高度な手法です。これまでの探索結果から「次はこのあたりを試せば、もっと良い結果が出そうだ」という予測を立てながら探索を進めるため、グリッドサーチよりも少ない試行回数で効率的に最適値を見つけられる可能性があります。

    Q145【正解】④
    【難易度】★ 【出題】第5章 アンサンブル学習
    【解説】k-means法は、データ群をk個のクラスタに分割するための、教師なし学習に分類されるクラスタリングアルゴリズムです。バギング、ブースティング、ランダムフォレストは、いずれも複数のモデルを組み合わせるアンサンブル学習の代表的な手法です。

    Q146【正解】③
    【難易度】★ 【出題】第5章 畳み込み層
    【解説】畳み込み層は、カーネル(フィルター)と呼ばれる小さな行列を画像上でスライドさせながら計算を行うことで、エッジ、コーナー、テクスチャといった局所的な視覚的特徴を抽出する役割を担います。CNNの中核となる層です。

    Q147【正解】①
    【難易度】★ 【出題】第5章 プーリング層
    【解説】プーリング層は、特徴マップの解像度を下げ(ダウンサンプリング)、計算量を削減すると同時に、微小な位置ずれに対して頑健な特徴表現を得る効果があります。MaxプーリングやAverageプーリングがよく用いられます。

    Q148【正解】②
    【難易度】★ 【出題】第5章 RNN
    【解説】RNN(リカレントニューラルネットワーク)は、ネットワーク内にループ構造を持つことで、前の時刻の情報を保持し、現在の入力と合わせて処理することができます。この性質により、単語の並びが重要な文章や、時間の流れが重要な時系列データの扱いに適しています。

    Q149【正解】③
    【難易度】★★ 【出題】第5章 LSTM
    【解説】LSTM(Long Short-Term Memory)は、RNNの勾配消失問題を解決するために考案されました。「忘却ゲート」「入力ゲート」「出力ゲート」という3つのゲート機構により、長期的な情報を選択的に保持・破棄することが可能になり、長い系列の学習性能が向上しました。

    Q150【正解】④
    【難易度】★★ 【出題】第5章 Attention
    【解説】Attention(アテンション)機構は、特に長い文章の翻訳などで、出力単語を予測する際に、入力文章のどの単語に注目すべきかを動的に計算する仕組みです。これにより、文脈に応じた柔軟な情報選択が可能となり、翻訳精度などが劇的に向上しました。

    Q151【正解】①
    【難易度】★★ 【出題】第5章 Transformer
    【解説】Transformerは、RNNの再帰的な処理を完全に排除し、Attention機構、特に自己注意機構(Self-Attention)を全面的に採用したモデルです。並列計算に優れ、入力系列内の大域的な依存関係を捉える能力が高く、現代の多くの言語モデルの基礎となっています。

    Q152【正解】①
    【難易度】★★ 【出題】第5章 BERT
    【解説】BERTは、文章の一部をマスクで隠し、そのマスクされた単語を前後の文脈から予測するというタスクで事前学習を行います。これにより、単語の意味をその左右両方の文脈から深く理解する能力を獲得し、様々な自然言語処理タスクで高い性能を示しました。

    Q153【正解】③
    【難易度】★ 【出題】第5章 GPT系モデル
    【解説】GPT(Generative Pre-trained Transformer)シリーズは、与えられたテキストに続く、もっともらしいテキストを生成することを得意とする自己回帰型の言語モデルです。ChatGPTなどの対話AIや、文章作成支援、要約など、幅広い応用で知られています。

    Q154【正解】④
    【難易度】★★ 【出題】第6章 Diffusionモデル
    【解説】拡散モデル(Diffusion Model)は、クリーンな画像に徐々にノイズを加えていく過程(拡散過程)と、ノイズ画像からノイズを段階的に取り除いていく逆過程(デノイジング過程)を学習します。
    この逆過程を利用することで、ランダムノイズから非常に高品質な画像を生成できます。

    Q155【正解】①
    【難易度】★★ 【出題】第6章 Vision Transformer
    【解説】Vision Transformer(ViT)は、これまで画像認識の主流であったCNNとは異なり、画像をパッチと呼ばれる小さな正方形の領域に分割し、それらをTransformerへの入力系列として扱うアプローチです。大規模なデータセットで学習させることで、CNNを上回る性能を達成しました。

    Q156【正解】②
    【難易度】★★ 【出題】第6章 自己教師あり学習
    【解説】自己教師あり学習は、人間によるラベル付けが不要な「教師なし学習」の一種です。データ自体から自動的に問題(例:画像の回転角度を当てる、文章の一部を予測する)を作り出し、それを解くことで、下流のタスクに役立つ汎用的な特徴表現を獲得します。

    Q157【正解】③
    【難易度】★ 【出題】第6章 転移学習
    【解説】転移学習は、大量のデータで学習済みのモデルが獲得した知識(特徴を捉える能力など)を、データが少ない別のタスクに「転移」させる手法です。これにより、ゼロから学習するよりも少ないデータと時間で、高精度なモデルを構築できます。

    Q158【正解】④
    【難易度】★ 【出題】第6章 マルチモーダルAI
    【解説】マルチモーダルAIは、人間が目や耳など複数の感覚器から情報を得るように、画像とテキスト(キャプション)、動画と音声など、複数の異なる種類のデータ(モダリティ)を統合的に理解し、処理するAIです。

    Q159【正解】②
    【難易度】★ 【出題】第6章 時系列解析
    【解説】時系列解析は、時間の経過とともに観測されるデータを扱う分野です。統計的なモデルであるARIMAや、ディープラーニングモデルであるRNN、LSTMなどが、未来の値を予測したり、データの周期性やトレンドを分析したりするために用いられます。

    Q160【正解】①
    【難易度】★★ 【出題】時事枠 生成AIと法
    【解説】生成AIの急速な発展に伴い、その生成物が既存の著作権を侵害していないか、学習データに個人情報や機密情報が含まれていないか、生成物に関する責任の所在はどこにあるのか、といった法整備やガイドライン策定が追いついていない点が大きな課題となっています。



    チャレンジ問題

    Q1. 以下の要件を満たすAIサービスを新規開発する際、プライバシー・バイ・デザインの観点から、設計の初期段階で最も優先すべき対応を1つ選べ。
    要件:
    ・位置情報や購買履歴などの個人情報を利用する
    ・関連する法規制を遵守する必要がある
    ・利用者に安心してサービスを使ってもらいたい

    1. 個人データを暗号化し、サービス提供の後に説明資料を作成する。

    2. 収集するデータ範囲を意図的に広げ、将来的な活用に備える。

    3. サービス設計段階から個人情報の利用目的や保存期間を定義し、管理・説明体制を構築する。

    4. サービス開始後、インシデントが発生した場合に限定して説明責任を果たす。

    Q2. 教師なし学習のk-means法で5つのクラスタを生成した後、クラスタ数kを3または7に変更した場合に想定される影響として、最も適切なものを1つ選べ。

    1. kの値を変更しても、各クラスタの重心や分布は変わらない。

    2. kの値を減らすと、クラスタの数は必然的に増加する。

    3. クラスタ数を変更しても、クラスタ内の分散は常に一定に保たれる。

    4. kの値を増やすと、各クラスタ内のデータポイントから重心までの平均距離が短くなる傾向がある。

    Q3. ImageNetのような大規模データセットの登場が、ディープラーニングに与えた影響として最も適切なものを1つ選べ。

    1. 複雑な画像認識タスクにおいて、人間と同等かそれ以上の精度を達成することが可能となった。

    2. あらゆる画像認識タスクで、特徴量エンジニアリングが完全に不要になった。

    3. モデルの推論速度が、どのような条件下でも常に高速化された。

    4. 大規模データセットは、小規模なデータセットでしか効果を発揮しないモデルの訓練に用いられる。

    Q4. 強化学習において、報酬設計が不適切だった場合に生じやすい問題として、最も適切なものを1つ選べ。

    1. 報酬設計の巧拙にかかわらず、エージェントは常に最適な方策を獲得できる。

    2. エージェントが、開発者の意図しない近道や望ましくない行動を学習してしまう可能性がある。

    3. 学習プロセスにおけるエピソードの長さが、必ず短くなる。

    4. この問題は、方策勾配法以外の強化学習アルゴリズムでは発生しない。

    Q5. 2025年に発表されたVision Transformer (ViT) 系の最新手法が、従来のCNNベースのモデルよりも特定のタスクで優れた精度を示した主な要因として、最も適切なものを1つ選べ。

    1. モデルのアーキテクチャが単純化され、CNNよりも必ずモデルサイズが小さくなるため。

    2. 活性化関数に、従来は使われなかった全く新しい関数が採用されたため。

    3. 画像をパッチに分割し、自己注意機構を用いて大域的な特徴を効率的に捉えられるため。

    4. 入力画像に対するラベル付けが不要となり、教師なし学習が可能になったため。

    Q6. サポートベクターマシン(SVM)において、カーネルトリックがもたらす主要な数学的効果として、最も適切なものを1つ選べ。

    1. SVMの目的関数が不要になり、計算コストが大幅に削減される。

    2. 学習データの次元数を、特徴量の重要度に応じて自動的に削減する。

    3. カーネル関数を適用することで、全てのデータ点が誤りなく完璧に分類される。

    4. 入力データを高次元の特徴空間に写像し、線形分離を可能にすること。

    Q7. 2つのAIレコメンドモデル(A: 既存モデル、B:
    新規モデル)の性能差を検証するためにA/Bテストを実施する場合、統計的な有意差を確認するための検定方法として最も適切なものを1つ選べ。

    1. p値が常に1となるような特殊な検定手法を選択する。

    2. 二項検定やt検定といった統計的仮説検定を用いて、クリック率などの指標に有意な差があるか評価する。

    3. A/Bテストの信頼性を確保するため、サンプルサイズは1に設定する。

    4. モデルの性能を比較するため、両モデルから説明変数を全て削除して評価する。

    Q8. 決定木の学習において、あるノードで分岐基準として「ジニ不純度」と「情報利得(エントロピー)」を計算したところ、両者の利得が同じ値になった。この状況の解釈として最も適切なものを1つ選べ。

    1. このような状況では、ジニ不純度よりもエントロピーを常に優先して利用すべきである。

    2. このノードにおける分岐は、必ず二値分類でなければならないことを示唆している。

    3. そのノードにおいて、どちらの指標を用いても得られる情報の利得が等しく、分割の評価が一致することを意味する。

    4. ジニ不純度とエントロピーは、数学的に同じ値を取ることはない。

    Q9. 日本国内でAIを用いて個人の興味や関心を分析する「プロファイリング」サービスを展開する際、個人情報保護法上の義務または留意点として、最も適切なものを1つ選べ。

    1. AIによるプロファイリングには、いかなる法的根拠も必要とされない。

    2. AIによる判断であるため、その判断根拠を利用者に開示する義務はない。

    3. プロファイリングを行うにあたり、利用者本人からの事前の同意は一切不要である。

    4. どのようなデータに基づきプロファイリングを行い、それを何の目的で利用するのかを本人に
      通知または公表する義務がある。

    Q10.あるデータセットに対して主成分分析(PCA)を実施したところ、第1主成分の寄与率が90%以上に達した。この結果を業務効率化に活かすための対応として、最も適切なものを1つ選べ。

    1. 第1主成分のみを利用して次元削減を行っても、元のデータの情報の大部分を保持したまま業務を効率化できる可能性が高い。

    2. 寄与率が高い場合、情報損失を避けるためには全ての主成分を利用する必要がある。

    3. 第1主成分は、データセット内のクラスラベルと必ず一致する。

    4. 主成分の数は、元データのサンプル数に直接的に依存して決まる。

    Q11.AIモデルをクラウド経由でサービス提供する際、日本国外のサーバーにパーソナルデータを移転する場合がある。この「越境移転」に関する規制対応として、最も重要なものを1つ選べ。

    1. クラウドベンダーが提示する利用規約の内容を確認するだけで十分である。

    2. データの移転先となる国の個人情報保護法制が十分な水準にあるかを確認し、必要に応じて本人の同意を得る。

    3. モデルの精度向上を最優先とし、データは移転先国に関係なく自由に利用できる。

    4. 越境移転は国内法でのみ規制されるため、海外の法律を考慮する必要はない。

    Q12. 2025年3月に公開された大規模言語モデル(LLM)の「責任あるAI」運用ガイドラインに基づき、AIチャットボットを導入する際の運用方法として、最も推奨されるものを1つ選べ。

    1. AIチャットボットが生成した応答は、監査や修正を経ずに全てそのまま公開する。

    2. ユーザーからの訂正依頼に対しては、必ずAIが自動で応答する体制を構築する。

    3. AIの応答記録を管理・監査し、不適切な応答に対するユーザーからの訂正要求を受け付ける体制を整備する。

    4. プライバシー保護のため、AIとの対話ログは一切保存しない方針を徹底する。

    Q13. 強化学習において、エージェントが「価値反復法」を用いて最適な行動価値を学習する場合、各状態の価値を更新するために必要となる要素の組み合わせとして、最も適切なものを1つ選べ。

    1. モデルのパラメータ数と、その勾配情報。

    2. 方策関数の損失関数の値。

    3. 学習に用いる教師ありデータセットのラベル。

    4. ある状態から次の状態への遷移確率、得られる報酬、そして次状態の価値の推定値。

    Q14. 二値分類モデルの性能を評価する際、ROC曲線下の面積(AUC)の値が0.5に近かった。このモデルの性能に関する解釈として、最も適切なものを1つ選べ。

    1. モデルが高い汎化性能を持っていることが保証されている。

    2. モデルの予測性能が、ランダムに推測する場合とほぼ同等であることを示している。

    3. 偽陽性率(FPR)が常に0であり、非常に信頼性が高いモデルである。

    4. クラスラベルの順序が完全に逆転して学習されている。

    Q15. 日本における2024年のAI戦略において、AIの社会実装と人材育成を加速させるために新たに強化された政策のポイントとして、最も適切なものを1つ選べ。

    1. DX推進の一環として、社会人向けのリスキリング(学び直し)施策や、教育現場でのAI倫理教育が強化されている。

    2. AI技術の独占を防ぐため、個人によるAIの開発が全面的に禁止された。

    3. AIの商用利用に厳しい制限が課され、産業応用が停滞している。

    4. 将来的なリスクを考慮し、AI関連の研究開発に対する政府の資金提供が全面的に廃止された。

    Q16. 2024年末に発効した「EU AI法(AI Act)」において、市民の安全や権利に重大な影響を及ぼす「高リスクAIシステム」に課される義務として、最も適切なものを1つ選べ。

    1. 高リスクAIシステムには、特に制約は設けられていない。

    2. 開発者は、利用者の同意さえ得れば自由にサービスを提供できる。

    3. 透明性を確保するため、使用しているアルゴリズムの全てを公開する義務がある。

    4. リスク管理システムの構築、技術文書の作成、利用履歴の記録保持といった厳格な義務が課される。

    Q17. Diffusionモデルを用いて画像を生成する際、「逆拡散過程」におけるノイズ除去のスケジューリング(制御パラメータ)が不適切だった場合に、最も起こりやすい問題を1つ選べ。

    1. モデルの学習速度が、パラメータ設定に関わらず必ず向上する。

    2. 生成される画像のサイズが、意図せず必ず小さくなる。

    3. 生成される画像にノイズが残存したり、意図した通りの画像が生成されないなど、品質が著しく低下する。

    4. 逆拡散過程の制御により、入力画像へのラベル付けが不要になる。

    Q18. AIモデルの予測根拠を局所的に説明する手法「LIME」を用いる際、その説明の精度を高めるための工夫として、最も適切なものを1つ選べ。

    1. LIMEの精度を高めるため、元となるモデルの学習率を可能な限り大きく設定する。

    2. 説明対象のサンプル周辺で、特徴量を変動させる範囲やサンプリング数をタスクに応じて適切に設定する。

    3. 解釈のバイアスをなくすため、全ての特徴量をランダムにマスキングして説明を生成する。

    4. LIMEは単独で利用することが推奨されており、他の説明手法と併用することはできない。

    Q19. データセットに「ラベルノイズ」(誤ったラベル)が多く含まれた状態で深層学習モデルを訓練した場合、モデルの挙動として最も適切なものを1つ選べ。

    1. モデルが誤ったラベルのパターンまで過剰に学習してしまい、未知のデータに対する汎化性能が著しく低下する。

    2. ラベルノイズは、深層学習の過程で自動的に検知・除去されるため、性能に影響はない。

    3. ノイズの多いデータを学習することで、モデルの表現能力(キャパシティ)が増加する。

    4. 学習データにノイズが含まれていると、学習速度は常に向上する傾向がある。

    Q20. AI導入による社会的なインパクトを評価する際に考慮すべき「間接的な負の影響」の例として、最も適切なものを1つ選べ。

    1. AIモデルの予測精度が継続的に向上すること。

    2. AIの活用によって、定型的な業務が自動化されること。

    3. AIの運用に必要なハードウェアのコストが減少すること。

    4. 特定の職種の需要が減少し、新たなスキルを持つ人材との間に経済的な格差が生じること。


    解答・解説

    Q1 【正解】③
    【難易度】★★★
    【出題】第9章 プライバシー・バイ・デザイン
    【解説】「プライバシー・バイ・デザイン」とは、「企画段階からプライバシー保護を設計に 組み込む」という考え方です。③は、まさにその考え方を実践しています。対して①や④は問題が 起きてからの「後手」の対応、②は必要なデータだけを集める「データ最小化」の原則に反する ため、不適切です。

    Q2 【正解】④
    【難易度】★★★
    【出題】第8章 k-meansクラスタ数
    【解説】クラスタの数(k)を増やすと、データはより多くの小さなグループに分割されます。
    グループが小さくなるほど、内部のデータは密集するため、中心(重心)までの平均距離は短 くなります。他の選択肢は、k-means法の基本的な性質とは逆、または無関係です。

    Q3 【正解】①
    【難易度】★★★
    【出題】第6章 ImageNet・大規模データ
    【解説】ディープラーニングは、大量の学習データ(教科書)があるほど賢くなります。Image Netのような巨大なデータセットが登場したことで、AIは膨大な量の画像パターンを学習し、複 雑な画像認識タスクで人間を超える精度を達成するブレークスルーとなりました。

    Q4 【正解】②
    【難易度】★★★
    【出題】第7章 強化学習・報酬設計
    【解説】報酬はAIの行動の「道しるべ」です。この設計を間違えると、AIは報酬を得るための 「ズル」や「近道」を学習してしまいます。これを「報酬ハッキング」と呼び、開発者が意図 しない、時には問題のある行動を引き起こす原因となります。

    Q5 【正解】③
    【難易度】★★★
    【出題】時事枠 2025年ViT
    【解説】ViTは、画像をパズルのピース(パッチ)のように分割し、「自己注意機構」という仕 組みでピース同士の関係性を一気に把握します。これにより、画像全体の文脈(大域的な特徴 )を捉えるのが得意で、従来のCNNを上回る性能を達成しました。

    Q6 【正解】④
    【難易度】★★★
    【出題】第5章 カーネルトリック
    【解説】平面の紙に描いた赤と青の点を一本の直線で分けられない場合でも、紙を曲げて立体 的に見れば、一枚の板で分離できることがあります。カーネルトリックは、このようにデータ をより高次元の空間に写すことで、単純な線(面)で分離できるようにする数学的なテクニックです。

    Q7 【正解】②
    【難易度】★★★
    【出題】第8章 A/Bテスト・統計検定
    【解説】A/Bテストで出た差が「偶然」なのか「実力」なのかを判断するには、数学的な裏付けが必要です。t検定などの「統計的仮説検定」は、その差が偶然とは考えにくい(=有意な差である)ことを客観的に示すための信頼できる手法です。

    Q8 【正解】③
    【難易度】★★★
    【出題】第8章 ジニ不純度・エントロピー
    【解説】ジニ不純度もエントロピーも、あるグループ内にどれだけ異なるクラスが混ざっているか(不純度)を測るための指標です。計算方法は異なりますが、目指す目的は同じです。そのため、両者の評価が一致することはありえ、その場合はどちらの指標を使っても分割の優劣は同じと判断できます。

    Q9 【正解】④
    【難易度】★★★
    【出題】第9章 プロファイリングと個人情報保護
    【解説】個人情報保護法は、企業が個人データをどう扱うかに透明性を求めています。AIが分析する場合でも、そのルールは同じです。「どんな情報を」「何のために」使うのかを本人に伝えたり、公表したりすることは、事業者の基本的な義務です。

    Q10 【正解】①
    【難易度】★★★
    【出題】第8章 PCA
    【解説】主成分分析(PCA)は、データが持つ情報を最もよく表す「総合的な軸」を見つける手法です。「寄与率」はその軸がどれだけ元の情報を代表しているかを示します。第1主成分だけで90%以上の情報を持つなら、他の情報を捨ててこの1軸に絞っても、データの本質はほとんど
    失われません。

    Q11 【正解】②
    【難易度】★★★
    【出題】第9章 データ越境移転
    【解説】個人のデータを海外に移す際は、国内と同じように安全に扱われる保証が必要です。
    そのため、日本の個人情報保護法は、移転先の国の保護レベルが十分かを確認し、不十分な場合は原則として本人の同意を得ることを事業者に義務付けています。

    Q12 【正解】③
    【難易度】★★★
    【出題】時事枠 LLM運用ガイドライン
    【解説】「責任あるAI」とは、AIを野放しにせず、人間がきちんと管理・監督することを意味 します。具体的には、AIの応答を人間がチェック(監査)したり、ユーザーが間違いを指摘・訂正できる仕組みを整えたりすることが、信頼できるサービス運用に不可欠です。

    Q13 【正解】④
    【難易度】★★★
    【出題】第7章 価値反復法
    【解説】価値反復法は、ある状況(状態)の「良さ(価値)」を判断するために、「①次に行く可能性が高いのはどこか(遷移確率)」「②その時どれくらいの報酬がもらえるか(報酬)」「③移動先の価値はどれくらいか(次状態の価値)」という3つの情報を組み合わせて計算します 。

    Q14 【正解】②
    【難易度】★★★
    【出題】第8章 ROC・AUC
    【解説】AUCは、モデルが2つのクラスをどれだけうまく見分けられるかを0から1のスコアで示します。1が完璧なモデルで、0.5は「当てずっぽう(コイン投げ)」と全く同じレベルであることを意味します。つまり、そのモデルには予測能力がほとんどないと言えます。

    Q15 【正解】①
    【難易度】★★★
    【出題】時事枠 2024年AI政策
    【解説】日本のAI戦略は、一部の専門家育成だけでなく、より多くの人がAIを仕事で活用できるようになることを目指しています。そのために、社会人がAIスキルを学び直す「リスキリング」の支援や、子供の頃からAI倫理を学ぶ教育の強化が重要な柱となっています。

    Q16 【正解】④
    【難易度】★★★
    【出題】第9章 EU AI法
    【解説】EU AI法は、AIをリスクの高さで分類します。特に、個人の権利や安全に大きな影響を与える「高リスクAI」(例:採用、融資審査)には、厳格なルールを課しています。リスク管理の証明、技術資料の準備、利用履歴の記録などが義務付けられます。

    Q17 【正解】③
    【難易度】★★★
    【出題】第6章 Diffusionモデル
    【解説】Diffusionモデルは、ノイズだらけの状態から少しずつノイズを取り除いて画像を完成させます。この「ノイズ除去のさじ加減(制御パラメータ)」が非常に重要で、設定を間違えるとノイズがうまく取り除けなかったり、画像の形が崩れたりして、品質が大きく低下します
    。

    Q18 【正解】②
    【難易度】★★★
    【出題】第10章 LIME
    【解説】LIMEは、複雑なAIの判断を説明するために、その判断の周辺に似たようなデータを多数作り、シンプルな「代理モデル」を当てはめて解釈します。このとき、どれくらい似たデータを、いくつ作るか、というサンプリングの設定が、説明の正確さを左右する重要な鍵となります。

    Q19 【正解】①
    【難易度】★★★
    【出題】第5章 ラベルノイズ
    【解説】AIに間違った答え(ラベルノイズ)が含まれる教科書で学習させると、AIはその間違いごと覚えてしまいます。その結果、新しい問題(未知のデータ)を解かせたときに、間違った知識を適用してしまい、正答率(汎化性能)が大きく下がってしまいます。

    Q20 【正解】④
    【難易度】★★★
    【出題】第7章 社会的インパクト評価
    【解説】AI導入の評価では、業務効率化のような直接的なメリットだけでなく、社会に与える間接的な影響も考える必要があります。例えば、AIに仕事が奪われることで失業者が生まれたり、AIを使いこなせる人とそうでない人の間に経済的な格差が生まれたりすることは、代表的な負の社会的インパクトです。






    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。

    【★ / ★★ / ★★★】は各問題の難易度(Difficulty)を表しています。

    • ★(1つ星)=基礎レベル
       → 基本定義や単語の意味理解など、暗記で解ける問題。
       例:AIの定義、教師あり学習の代表例、PCAの目的など。

    • ★★(2つ星)=応用レベル
       → 概念の比較や誤り選択、複数要素の組み合わせ理解が必要。
       例:L1とL2正則化の違い、F1スコアの意味、クラスタ数の決定方法など。

    • ★★★(3つ星)=実践・高度レベル
       → 実際のケース適用、評価指標の選択、数式・法的適用、時事モデル理解など。
       例:GPT-4oのマルチモーダル特徴、AI倫理の制度設計、過学習の評価法など。


    関連記事


     
     
    「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