
【G検定対策】【基礎】演習問題1(100問)
章末の「ご利用にあたって」を読んでからご利用ください。
今回はとっつきやすい初級演習問題に絞って10問×10セット(100問)をお届けします。
① 問題群(Q1〜Q10)
Q1. 人工知能(AI)の定義として最も適切なものを1つ選べ。
① 人間の脳を模倣したハードウェア装置
② 人間の知的行動を模倣し、推論・認識・学習を行うソフトウェアシステム
③ 全ての作業を自動化するためのプログラム
④ 特定の計算処理を高速で行う関数集
Q2. AIが現実世界で起きうる全ての状況に対処できないことに関連する問題として最も適切なものを1つ選べ。
① シンボルグラウンディング問題
② フレーム問題
③ ブラックボックス問題
④ 過学習問題
Q3. 人間と人工知能の相違として、AIが一般的に苦手とする領域として最も適切なものを1つ選べ。
① 高速な計算処理
② ノイズ除去
③ 常識や文脈に依存する推論
④ データの記録
Q4. 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。
① IQテスト
② CAPTCHA
③ チューリングテスト
④ ベイズ推定
Q5. 第一次AIブームで中心的に研究された手法として最も適切なものを1つ選べ。
① ディープラーニング
② 経験則に基づく統計手法
③ 推論ベースのシンボリックアプローチ
④ ベイズ推定による確率モデル
Q6. 第二次AIブームにおける代表的なシステムとして最も適切なものを1つ選べ。
① 強化学習による探索モデル
② エキスパートシステム
③ 自己回帰モデル
④ トランスフォーマー
Q7. 機械学習における「教師あり学習」の特徴として最も適切なものを1つ選べ。
① ラベルなしデータを用いて学習する
② 報酬を最大化するように学習する
③ 入力データと正解ラベルのペアを用いて学習する
④ データの分布を学習する
Q8. 教師なし学習の主な利用目的として最も適切なものを1つ選べ。
① 異常検知やクラスタリング
② 音声認識と翻訳
③ 強化学習の報酬設計
④ ラベル分類の精度向上
Q9. 機械学習において「過学習」が起こる主な原因として最も適切なものを1つ選べ。
① 学習データが多すぎる
② モデルが単純すぎる
③ テストデータにバイアスがある
④ モデルが学習データに対して複雑すぎる
Q10. 汎化性能とは何を指すか、最も適切な説明を1つ選べ。
① 学習データに完全に一致する性能
② 未知データに対する予測精度
③ 訓練中の誤差を減らす能力
④ 過学習を防ぐための正則化技術
② 解答・解説群(A1〜A10)
A1【正解】②
【難易度】★
【出題】第1章 人工知能の定義
【解説】AIは人の知的行動(推論・認識・学習・意思決定など)を模倣するソフトウェア/計算システムを指す。①はハードウェア限定で範囲が狭い。③「全ての作業を自動化」は過剰主張でAI以外の自動化も含む。④はライブラリの説明に近く、知的行動の模倣を含まない。
A2【正解】②
【難易度】★
【出題】第1章 フレーム問題
【解説】フレーム問題は「何を考慮し、何を無視できるか」を機械的に定めにくいという課題。①シンボルグラウンディングは記号と意味(感覚運動経験)をどう結びつけるかの問題。③ブラックボックスは内部可視性の低さ、④過学習はデータ適合のしすぎに関する統計的問題。
A3【正解】③
【難易度】★
【出題】第1章 人工知能の限界
【解説】AIは大規模データの計算や記録(①④)は得意だが、暗黙知・常識・含意の解釈など文脈依存推論(③)は依然難しい。②ノイズ除去は手法次第で機械が優れることも多い。
A4【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「人間審査者が会話で相手を機械と識別できないなら知的とみなす」という基準。①IQは人間知能の一側面の指標、②CAPTCHAは機械判定用テスト、④は統計推論手法でテスト名ではない。
A5【正解】③
【難易度】★
【出題】第2章 AIの歴史(第一次AIブーム)
【解説】1950〜60年代は論理・探索・定理証明などシンボリック推論が中心。①DLは第三次AIブームの中心、②は当時の主流の言い方として不正確、④のベイズ手法は後年に体系化が進む。
A6【正解】②
【難易度】★
【出題】第2章 AIの歴史(第二次AIブーム)
【解説】1980年代は専門家の知識をif-thenルール化したエキスパートシステムが隆盛。①強化学習の大規模成功は第三次以降、③自己回帰は時系列モデルの一般語、④Transformerは2017年以降の手法。
A7【正解】③
【難易度】★
【出題】第3章 教師あり学習
【解説】教師あり学習は「入力xと正解yのペア」で写像f:x→yを学ぶ。①は教師なし、②は強化学習、④は生成モデル等で主に扱う目的(密度推定)。
A8【正解】①
【難易度】★
【出題】第3章 教師なし学習
【解説】教師なしはラベルなしデータから構造を抽出し、クラスタリング・次元削減・異常検知などに活用。②は主に教師あり+系列モデル、③はRL設計、④は教師ありの目的。
A9【正解】④
【難易度】★
【出題】第3章 過学習
【解説】モデル容量が大きすぎる・正則化不足・データ不足などで「学習データに過剰適合」し未知データで性能低下。①データが多いほど一般に過学習は緩和しやすい。②単純すぎるとむしろ未学習(アンダーフィット)。③テストの偏りは評価の歪みで原因の中心ではない。
A10【正解】②
【難易度】★
【出題】第3章 汎化性能
【解説】汎化は未知・将来のデータに対してどれだけ正確に予測できるか。①は訓練適合の話、③は訓練過程の性質、④は汎化を高めるための手段(例:正則化・早期終了)で定義そのものではない。
① 問題群(Q11〜Q20)
Q11. ディープラーニングの学習で多層ネットワークの重み勾配を効率に計算する中核手法として最も適切なものを1つ選べ。
① サポートベクターマシン
② 決定木
③ 誤差逆伝播法(Backpropagation)
④ 強化学習アルゴリズム
Q12. ニューラルネットワークの各「隠れ層」で主に行われる処理として最も適切なものを1つ選べ。
① データの圧縮のみ
② 入力の線形分類のみ
③ 活性化関数による非線形変換
④ 結果の正規分布化
Q13. 活性化関数としてReLUが広く用いられる主な理由として最も適切なものを1つ選べ。
① 出力が常に1になる
② 微分可能で勾配消失が起こりにくく計算も簡便
③ 計算コストが高いため汎用性が高い
④ 学習不要で初期化のみで済む
Q14. 多層パーセプトロン(MLP)が線形分離できない問題にも対応可能なのはなぜか。
① 隠れ層と非線形活性を重ねて表現力を獲得するため
② 出力を正規化するため
③ 入力の次元を必ず削減するため
④ 学習率を固定しているため
Q15. 過学習を抑える一般的手法として最も適切なものを1つ選べ。
① バッチサイズを極端に最小化する
② エポック数を常に最大化する
③ ドロップアウトを導入する
④ 正解ラベルを除去する
Q16. CNN(畳み込みニューラルネットワーク)の主な特徴として最も適切なものを1つ選べ。
① 時系列予測に特化している
② すべての層が再帰構造を持つ
③ 空間的局所パターンの抽出に優れる(受容野・重み共有)
④ 入力全体を一度に分類する
Q17. プーリング層の主な役割として正しいものを1つ選べ。
① モデルの全結合を可能にする
② 訓練データを水増しする
③ 特徴マップの次元削減と情報要約
④ 勾配消失を回避する
Q18. RNN(再帰型ニューラルネットワーク)が特に適している課題として最も適切なものを1つ選べ。
① 画像のエッジ検出
② 固定長データの静的分類
③ 自然言語文などの系列処理
④ クラスタリング
Q19. LSTMが従来のRNNより優れている点として最も適切なものを1つ選べ。
① 入力が可変長でも使える点のみ
② ノイズに必ず強い
③ 長期依存関係を保持・忘却するゲート機構
④ 活性化関数を自動選択
Q20. 強化学習でエージェントが最終的に学習・最適化を目指す行動方針の名称として正しいものを1つ選べ。
① 正則化関数
② ポリシー(方策)
③ クラス分類器
④ マージン関数
② 解答・解説群(A11〜A20)
A11【正解】③
【難易度】★
【出題】第4章 誤差逆伝播法
【解説】誤差逆伝播法は連鎖律で各層の偏微分を効率計算し重みを更新する。①②は別アルゴリズム、④は学習枠組みの総称で勾配計算法ではない。
A12【正解】③
【難易度】★
【出題】第5章 活性化関数
【解説】隠れ層は線形変換の後に非線形活性を適用して表現力を得る。①は限定的、②は線形モデルに近く表現力不足、④は正規化層の説明。
A13【正解】②
【難易度】★
【出題】第5章 活性化関数(ReLU)
【解説】ReLUは0/線形の分段関数で勾配が消えにくく計算も軽い。①は誤り、③は逆、④「学習不要」は活性化関数の性質ではない。
A14【正解】①
【難易度】★
【出題】第4章 ニューラルネット概要
【解説】非線形活性を持つ隠れ層を積むことで万能近似性により非線形決定境界を表現できる。②正規化・③次元削減・④学習率は直接理由ではない。
A15【正解】③
【難易度】★
【出題】第5章 正則化(ドロップアウト)
【解説】学習時にユニットをランダム無効化しアンサンブル効果で汎化を高める。①極端小バッチや②エポック最大化は逆効果になり得る。④は学習不能。
A16【正解】③
【難易度】★
【出題】第5章 畳み込み層
【解説】CNNは局所受容野・重み共有で空間パターンを抽出。①は用途の一例に過ぎず専用ではない。②はRNNの特徴。④はCNN固有の特徴説明になっていない。
A17【正解】③
【難易度】★
【出題】第5章 プーリング
【解説】プーリングは空間解像度を下げ情報を要約し平行移動に相対的に強くする。①は無関係、②はデータ拡張、④は勾配問題の主対策ではない。
A18【正解】③
【難易度】★
【出題】第6章 応用(系列処理)
【解説】RNNは過去状態を内部に保持し文・音声などの時系列依存関係を扱う。①は画像前処理、②固定長静的分類は他手法でも容易、④は教師なしの代表。
A19【正解】③
【難易度】★
【出題】第5章 回帰結合層(LSTM)
【解説】入力・忘却・出力ゲートで情報の保持/更新を制御し長期依存の勾配消失を緩和。①はRNN一般で可能、②は条件依存、④そんな機能はない。
A20【正解】②
【難易度】★
【出題】第6章 強化学習(方策)
【解説】強化学習の目的は累積報酬を最大化する最適方策π*の獲得。①④は目的関数の部品、③は別タスクのモデル。
① 問題群(Q21〜Q30)
Q21. ディープラーニングの学習時に用いる損失関数として、分類問題でよく使われるものはどれか。
① 平均二乗誤差
② 交差エントロピー損失
③ ハミング距離
④ クラスタ間距離
Q22. 「バッチ正規化(Batch Normalization)」の主な効果として最も適切なものを1つ選べ。
① 学習済みモデルの圧縮
② 勾配爆発の促進
③ 学習の安定化と高速化
④ クラス分類の精度向上
Q23. 機械学習モデルの評価指標として、「精度(Accuracy)」の定義に最も近いものを1つ選べ。
① TP / (TP + FN)
② TP / (TP + FP)
③ (TP + TN) / (TP + TN + FP + FN)
④ FP / (FP + TN)
Q24. 「Precision(適合率)」が高いとはどのような状態か。
① 偽陽性が少なく、陽性予測の的中率が高い
② 偽陰性が多く、再現率が低い
③ 正例の予測が少ない
④ 全体に対する分類率が高い
Q25. ROC曲線におけるAUCの意味として最も適切なものを1つ選べ。
① 分類の誤差率
② 真陽性率と偽陽性率の差
③ モデルのパラメータ数
④ モデルの識別能力の指標
Q26. データ前処理として「正規化(Normalization)」を行う主な目的として正しいものを1つ選べ。
① 離散値のカテゴリ化
② スケールの統一による学習効率の向上
③ 外れ値の除去
④ クラスタ数の最適化
Q27. 教師なし学習の一手法「k-means法」の特徴として最も適切なものを1つ選べ。
① ラベル付きデータを必要とする
② 初期セントロイドはランダムに初期化
③ 決定木に基づく階層的分類
④ 文書分類にのみ適用可能
Q28. 「主成分分析(PCA)」が主に行う処理として最も適切なものを1つ選べ。
① ラベル予測
② 時系列データの平滑化
③ データの次元削減
④ データのクラスタ数の自動推定
Q29. AIモデルの「説明可能性(Explainability)」を高める目的として最も適切なものを1つ選べ。
① モデル構造の複雑化
② 法的・倫理的な透明性の確保
③ 学習時間の短縮
④ 精度向上のみを重視すること
Q30. 「AIプロジェクトにおけるPoC」の目的として最も適切なものを1つ選べ。
① 市場への即時投入
② 法的課題の洗い出し
③ 実装前の技術的検証
④ モデルの収益化
② 解答・解説群(A21〜A30)
A21【正解】②
【難易度】★
【出題】第5章 損失関数(分類)
【解説】交差エントロピー損失は確率出力(例:ソフトマックス)と正解ラベルの不一致を測るため分類で標準的。①MSEは回帰向きで分類では学習が遅くなることがある。③ハミング距離・④クラスタ間距離は本問の損失ではない。
A22【正解】③
【難易度】★
【出題】第5章 正規化層(BatchNorm)
【解説】ミニバッチ統計で各層の分布を安定化し、学習の安定・収束を改善。①はモデル圧縮の話、②「促進」は逆、④はBNの直接目的ではなく副次的に向上する場合がある。
A23【正解】③
【難易度】★
【出題】第8章 評価指標(Accuracy)
【解説】Accuracy=(TP+TN)/全体。①は再現率(召喚率)、②は適合率(Precision)、④は偽陽性率の補集合に関係する分母(特異度の補数)で定義が異なる。
A24【正解】①
【難易度】★
【出題】第8章 評価指標(Precision)
【解説】Precision=TP/(TP+FP):陽性と予測した中で正解の割合。偽陽性が少ないほど高い。②はRecall低下の状況、③は量の多少で指標は決まらない、④はAccuracyの発想で不適切。
A25【正解】④
【難易度】★
【出題】第8章 ROC/AUC
【解説】AUCはROC曲線下の面積で、ランダムな正例と負例のペアで「正例のスコアが高い確率」に等しい。①誤差率ではない。②は単純差でAUCとは別。③は能力と無関係。
A26【正解】②
【難易度】★
【出題】第8章 前処理(スケーリング)
【解説】特長量のスケールを揃え、最適化の安定・収束を助ける(例:min–max, L2正規化)。①はエンコーディング、③は外れ値処理、④はクラスタリング設計で別問題。※「標準化(standardization)」は平均0・分散1にする手続で、正規化と使い分ける。
A27【正解】②
【難易度】★
【出題】第3章 教師なし学習(k-means)
【解説】k-meansは通常ランダムに初期セントロイドを置き、割当て→中心更新を反復しクラスタ内平方和(SSE)を最小化。①教師なしなのでラベル不要。③は決定木の説明、④は用途が限定されない。
A28【正解】③
【難易度】★
【出題】第8章 次元削減(PCA)
【解説】分散が最大となる直交基底へ射影して次元を下げる。①は教師ありの目的、②は平滑化手法、④はPCAの目的外(クラスタ数は与える)。
A29【正解】②
【難易度】★
【出題】第10章 ガバナンス・説明可能性
【解説】説明可能性は意思決定の根拠や影響を説明し、監査・規制遵守・ステークホルダーの理解に資する。①複雑化は逆効果になり得る。③は副次効果に過ぎない。④は精度至上主義で目的を外す。
A30【正解】③
【難易度】★
【出題】第7章 社会実装(PoC)
【解説】PoCは実装前に技術的・実務的に成立するかを小規模で検証する段階。①は製品投入、②はガバナンス文脈の一部、④はビジネス段階の目標でPoCの直接目的ではない。
① 問題群(Q31〜Q40)
Q31. AIシステムの社会実装で問題となる「バイアス」の例として最も適切なものを1つ選べ。
① データに欠損があること
② 特定属性に偏った学習データで判断が歪むこと
③ 入力ミスによる一時的な性能低下
④ 学習時間が短くなる傾向
Q32. 機械学習プロジェクトの進行で最初に行うべきフェーズはどれか。
① モデル評価
② データ収集・前処理
③ モデルのチューニング
④ 目的整理と課題設定(ビジネス理解)
Q33. 「アジャイル型AI開発」の特徴として最も適切なものを1つ選べ。
① 全工程を一括で開発・納品
② 厳密仕様に沿うウォーターフォール
③ 試作と検証を短サイクルで反復し段階的に改善
④ 学習済みモデルの再利用のみ
Q34. 倫理的AI設計における「透明性」とは何を意味するか。
① コードが短く読みやすいこと
② ユーザーのアクセスログ保存
③ 判断根拠や手続を説明可能にすること
④ 学習回数が多いこと
Q35. 機械学習に関する「データの匿名化」と特に関係が深い日本の法律はどれか。
① 労働基準法
② 景品表示法
③ 個人情報保護法
④ 独占禁止法
Q36. 機械学習における「ファインチューニング」の主な目的として適切なものを1つ選べ。
① モデルサイズの縮小
② 汎用モデルを特定タスクへ最適化
③ 初期データをランダム化
④ ラベルなしデータだけで精度向上
Q37. 「ディープフェイク」の主な問題点として最も適切なものを1つ選べ。
① 学習時間が極端に長い
② 映像の色合いが常に不自然
③ 現実と区別しにくく悪用リスクが高い
④ クラウド環境でしか使えない
Q38. AI技術者が備えるべき基本的な倫理意識として適切なのはどれか。
① 技術文書の完璧な翻訳
② 利用者の安全性・公平性を優先
③ 処理速度の最重視
④ 公開モデルは自由流用が当然
Q39. 2024年時点、日本国内においてAI利用に特化した包括的な法制度は存在するか。
① 存在し、すべてのAIに義務化
② 存在するが欧米企業のみ対象
③ 指針はあるが包括法は未整備
④ 完全な自由利用が認められる
Q40. AIの学習・利用に関する法的責任が特に問われやすいケースはどれか。
① 生成した文章が第三者の著作権を侵害
② 学習回数が不足している
③ 推論結果に誤差がある
④ 精度が90%未満である
② 解答・解説群(A31〜A40)
A31【正解】②
【難易度】★★
【出題】第10章 公平性・バイアス
【解説】偏ったデータに基づく学習は、特定属性(性別・年齢など)に不利な出力を生み、差別的影響を招きうる。①欠損は品質問題でバイアスの一因にはなり得るが定義そのものではない。③は入力品質の問題、④は学習時間で倫理的バイアスとは無関係。
A32【正解】④
【難易度】★
【出題】第7章 社会実装(CRISP-DM・ビジネス理解)
【解説】まずビジネス目的とKPI・制約を整理(ビジネス理解)し、次にデータ理解・準備へ進む。①評価・③チューニングは後段、②は目的・要件確定後に着手する。
A33【正解】③
【難易度】★
【出題】第7章 社会実装(開発プロセス)
【解説】アジャイルは短い反復で仮説検証し、要件や環境変化に適応する。①はビッグバン方式、②はウォーターフォール、④は手段の一部に過ぎない。
A34【正解】③
【難易度】★
【出題】第10章 透明性・説明責任
【解説】透明性はモデルの入力・処理・出力の根拠や限界を説明できる状態。①は可読性に過ぎない。②は監査の一要素で透明性の全体ではない。④は学習量の話で無関係。
A35【正解】③
【難易度】★
【出題】第9章 法律と契約(個人情報保護法)
【解説】個人情報保護法は「匿名加工情報」「仮名加工情報」などの枠組みを定め、匿名化の要件・第三者提供時の公表などを規定する。①②④は匿名化の中心規制ではない。
A36【正解】②
【難易度】★
【出題】第5章 転移学習・微調整
【解説】事前学習モデルの表現を活かし、ターゲットタスクのデータで微調整して性能を高める。①は圧縮(量子化・蒸留等)の目的、③は前処理の問題、④は自己学習の文脈で別手法。
A37【正解】③
【難易度】★
【出題】第10章 誤用・安全性(ディープフェイク)
【解説】高品質な偽動画・音声が詐欺・誹謗・世論操作に悪用されるリスクが大きい。①は本質ではない。②は技術進歩で必ずしも当たらない。④は環境依存ではなくローカルでも可能。
A38【正解】②
【難易度】★
【出題】第10章 倫理・ガバナンス
【解説】安全性・公平性・プライバシー・説明責任を優先する姿勢が基本。①は技能の一つ、③の速度至上は目的化で危険、④はライセンス・権利を無視しており不適切。
A39【正解】③
【難易度】★
【出題】第9章 法制度(日本の現状)
【解説】2024年時点、日本にはAI横断の包括法はなく、個人情報保護法やガイドライン(省庁・業界)を組み合わせて運用する。①②④はいずれも現状と合致しない。
A40【正解】①
【難易度】★★
【出題】第9章 著作権・責任
【解説】生成物が既存著作物の複製・翻案と評価されると著作権侵害のリスクが高い。②学習回数の不足や④精度の低さ自体は直ちに法的責任に結び付かない。③の誤差は通常の限界で、虚偽表示や損害発生など別要件が必要となる。
① 問題群(Q41〜Q50)
Q41. ニューラルネットワークにおいて「重み(weights)」が果たす役割として最も適切なものを1つ選べ。
① 入力データの構造を可視化する
② 各入力の重要度を調整し出力を変化させる
③ モデルのサイズを圧縮するための係数
④ 誤差関数の最小値を固定する
Q42. 活性化関数「シグモイド関数」の特徴として正しいものを1つ選べ。
① 線形関数である
② 微分可能で0〜1の出力範囲を持つ
③ 出力が常に0または1に限定される
④ 負の値しか出力しない
Q43. 入力と出力が同一で、内部表現を介して次元圧縮や異常検知に利用されるニューラルネットワークはどれか。
① GAN
② LSTM
③ オートエンコーダ
④ 強化学習
Q44. データに含まれる「ノイズ」の定義として最も適切なものを1つ選べ。
① 訓練データのラベルそのもの
② モデルが学習すべき特徴の一部
③ 学習に不要または妨げとなるランダムな変動成分
④ 学習済みモデルの重み情報
Q45. 機械学習モデルにおける「バリデーションデータ」の主な用途は何か。
① モデルのパラメータを本番運用用に変換する
② 学習が完了した後の汎化性能を測る
③ 学習中の性能確認や過学習の監視に使う
④ データの前処理段階で使用される
Q46. 「クロスバリデーション」の目的として最も適切なものを1つ選べ。
① テストデータでのみ性能を測るため
② 学習と評価を1回だけで行うため
③ 学習データ不足を補うための水増し
④ モデルの汎化性能を安定して評価する
Q47. 「エポック(epoch)」の定義として最も正しいものを1つ選べ。
① モデルの学習率を調整する回数
② 1回の学習で更新される重みの総数
③ 学習データ全体を1回通して学習する単位
④ 学習結果を保存するタイミング
Q48. ハイパーパラメータの例として適切なものを1つ選べ。
① 学習に用いるデータの特徴量
② 活性化関数の瞬間的な勾配値
③ 学習率やバッチサイズ
④ モデルの出力クラス数
Q49. 正則化(Regularization)の目的として最も適切なものを1つ選べ。
① 収束を常に高速化するため
② データの可視化を行うため
③ 過学習を防ぐためにモデルの複雑さを抑制する
④ 学習率を一定に保つため
Q50. 「ラッソ回帰(Lasso)」の特徴として最も適切なものを1つ選べ。
① 誤差関数を指数関数で表す
② モデルの出力を離散化する
③ 一部の係数を0にして特徴量を選択する
④ クラス分類専用の手法である
② 解答・解説群(A41〜A50)
A41【正解】②
【難易度】★
【出題】第4章 ニューラルネット概要(重みの役割)
【解説】重みは入力信号に掛ける係数で、各入力の寄与度を調整し出力を決める学習可能パラメータ。①は可視化手法の話、③は圧縮(量子化・蒸留等)の文脈、④は最小値を「固定」するものではない。
A42【正解】②
【難易度】★
【出題】第5章 活性化関数(Sigmoid)
【解説】シグモイドは連続・微分可能で出力∈(0,1)。確率解釈に便利だが、飽和領域で勾配が小さくなる欠点もある。①は非線形なので×、③は二値化ではない、④は出力が負にならないので×。
A43【正解】③
【難易度】★
【出題】第5章 表現学習(オートエンコーダ)
【解説】オートエンコーダはエンコーダで潜在表現に圧縮し、デコーダで再構成する。再構成誤差を用いて次元削減や異常検知に活用。①は生成対向、②は系列モデル、④は学習枠組み。
A44【正解】③
【難易度】★
【出題】第3章 データ理解(ノイズ)
【解説】ノイズは学習目標と無関係なランダム変動で、推定を歪めうる。①はラベルそのもの(誤ラベルはまた別問題)、②は有用特徴、④は学習済みパラメータ。
A45【正解】③
【難易度】★
【出題】第3章 評価と検証(検証データ)
【解説】バリデーションは学習中に性能を確認し、過学習やハイパーパラメータ調整を行うために用いる。②は最終性能評価=テストデータの役割、①④は目的が異なる。
A46【正解】④
【難易度】★★
【出題】第3章 評価と検証(クロスバリデーション)
【解説】データをK分割し交互に学習・評価することで、データ分割の偶然性を平均化し汎化性能を安定に推定。①は×、②は1回のみで不安定、③はデータの「水増し」ではない。
A47【正解】③
【難易度】★
【出題】第4章 学習過程(エポック・イテレーション)
【解説】エポック=学習用データ全体を1周させる単位。ミニバッチ1回の更新は通常「イテレーション」。①②④はいずれも定義と異なる。
A48【正解】③
【難易度】★
【出題】第3章 学習の基礎(ハイパーパラメータ)
【解説】学習率・バッチサイズ・正則化係数・層数などは学習前に外部で設定する値(学習で直接更新されない)。④のクラス数はデータ仕様であり、通常はハイパーパラメータとは呼ばない。
A49【正解】③
【難易度】★
【出題】第5章 正則化
【解説】L1/L2、ドロップアウト、早期終了などで自由度を抑え汎化性能を高める。①は常に高速化を約束しない。②は可視化手法、④は学習率制御で別問題。
A50【正解】③
【難易度】★★
【出題】第3章 教師あり学習(回帰:Lasso)
【解説】L1正則化により一部係数が0になり、スパース性を通じて特徴選択が起こる。①は誤り、②は離散化手法ではない、④は回帰手法で分類専用ではない。

① 問題群(Q51〜Q60)
Q51. 畳み込みニューラルネットワーク(CNN)において、「カーネル(フィルタ)」の役割として最も適切なものを1つ選べ。
① 出力層の活性化関数を選択する
② 全結合層の重みを削減する
③ 入力画像から局所的特徴を抽出する
④ ラベルごとの誤差を正規化する
Q52. プーリング層で「最大値プーリング(Max Pooling)」を使用する目的として適切なものを1つ選べ。
① 特徴量を正規化する
② 層の深さを調整する
③ 特徴マップのサイズを縮小し、重要な情報を保持する
④ 出力を一様に分布させる
Q53. ディープラーニングで勾配消失問題を軽減する工夫として適切なものはどれか。
① 活性化関数にReLUを用いる
② 活性化関数を除去する
③ バッチサイズを無制限に増やす
④ 誤差関数を0に固定する
Q54. 自然言語処理(NLP)において単語の「意味」をベクトルで表現する手法として最も適切なものを1つ選べ。
① TF-IDF
② One-hotベクトル
③ Word2Vec
④ BoW(Bag of Words)
Q55. Transformerで用いられる「自己注意機構(Self-Attention)」の目的として適切なものを1つ選べ。
① 画像データの分類を高速化する
② 各入力要素が他の要素との関係性を学習する
③ 活性化関数を補完する
④ 単語の出現頻度をカウントする
Q56. BERTの特徴として最も適切なものを1つ選べ。
① 文を左から右へ順に処理するRNNベース
② 教師なしクラスタリングを行うモデル
③ 双方向に文脈を考慮するTransformerベース
④ 単語を一つずつ翻訳するルールベースモデル
Q57. 「ファインチューニング」とは何を意味するか。
① モデルの初期重みを全てリセットする
② 事前学習済みモデルを特定タスク用に再調整する
③ 活性化関数を再定義する
④ データの前処理に新たな手法を導入する
Q58. 強化学習で使われる「報酬(Reward)」の役割として最も適切なものを1つ選べ。
① 学習終了の条件を定義する
② モデルの重みを初期化する
③ エージェントの行動の良し悪しを評価する
④ 入力データの特徴量を正規化する
Q59. Q学習における「Q値」の意味として正しいものを1つ選べ。
① 各状態のランダム性を表す
② 状態と行動の組における期待報酬
③ モデルの学習率を固定する定数
④ エージェントの報酬回数
Q60. 「Deep Q-Network(DQN)」に関して正しい説明を1つ選べ。
① 画像データの分類に特化したCNNモデル
② 自己教師あり学習に基づく分類器
③ Q学習とディープラーニングを組み合わせた手法
④ 未ラベルデータでクラスタを生成するアルゴリズム
② 解答・解説群(A51〜A60)
A51【正解】③
【難易度】★
【出題】第5章 畳み込み層(カーネル)
【解説】カーネルは小領域に畳み込みを施し、エッジ・模様などの局所特徴を抽出する学習可能フィルタ。重み共有により計算・パラメータも削減できる。①活性化の選択とは無関係。②は効果の一部に過ぎず主目的ではない。④は誤り。
A52【正解】③
【難易度】★
【出題】第5章 プーリング
【解説】最大値プーリングは空間サイズを下げつつ代表値を残し、平行移動に対するロバスト性や過学習抑制に寄与する。①は正規化層の役割、②は設計上の別論点、④は目的と異なる。
A53【正解】①
【難易度】★
【出題】第4章 学習安定化(勾配消失対策)
【解説】ReLU系活性(正側で勾配≈1、負側0)は深いネットでも勾配が消えにくい。その他、残差接続や正規化、適切初期化も有効。②活性無しは表現力が線形に退化。③は直接対策にならない。④は学習が成立しない。
A54【正解】③
【難易度】★
【出題】第6章 自然言語処理(分散表現)
【解説】Word2Vecは周囲語の共起からベクトルを学習し、語間の意味関係(類似・アナロジー)を捉える。①TF-IDFや④BoW、②One-hotは“数え上げ”表現で意味距離を直接は表現しにくい。
A55【正解】②
【難易度】★
【出題】第5章 Attention(Self-Attention)
【解説】Self-Attentionは各トークンのQ/K/V内積で相互依存を重み付けし、長距離依存や文脈関係を学習する。①は副次的効果ではなく目的外。③活性化の代替ではない。④はBoW系の処理。
A56【正解】③
【難易度】★
【出題】第6章 自然言語処理(BERT)
【解説】BERTは双方向TransformerでMLM(マスク化言語モデル)等により文脈依存表現を学ぶ。①はRNNの説明、②はクラスタリングではない、④はルールベース翻訳の説明。
A57【正解】②
【難易度】★
【出題】第5章 転移学習・微調整
【解説】大規模事前学習モデルの一部または全体を、ターゲットタスクのデータで再学習して適応させる。しばしばベース層凍結+ヘッド学習から開始する。①③④は定義と異なる。
A58【正解】③
【難易度】★
【出題】第6章 強化学習(報酬設計)
【解説】報酬は行動の良否を数値化し、累積報酬最大化の方向に方策を導く信号。①は停止条件の一例で報酬の定義ではない。②④は別工程。
A59【正解】②
【難易度】★★
【出題】第6章 強化学習(Q学習)
【解説】Q(s,a)はその状態でその行動を取ったときに得られる割引累積報酬の期待値。Q学習は最適Q*を反復更新で近似する。①③④はいずれも定義と無関係。
A60【正解】③
【難易度】★★
【出題】第6章 強化学習(DQN)
【解説】DQNはQ学習を深層ネットで関数近似し、画像入力のAtariなど複雑環境でも学習可能にした。経験再生(Replay)やターゲットネットで学習を安定化。①②④は別手法・別目的。
① 問題群(Q61〜Q70)
Q61. 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を1つ選べ。
① 教師ネットワークとクラスタネットワーク
② エンコーダとデコーダ
③ 生成器と識別器
④ 畳み込み器と再帰器
Q62. 「転移学習」が特に有効とされるのはどのような場合か。
① 学習データが極めて大量にあるとき
② 全く異なるタスク間の知識を転送したいとき
③ 学習データが少なく、元タスクと類似性がある場合
④ ハイパーパラメータの最適化が不要な場合
Q63. 次のうち、画像のセマンティックセグメンテーションに多用されるネットワークはどれか。
① RNN
② GAN
③ U-Net
④ Transformer
Q64. セマンティックセグメンテーションとはどのようなタスクか。
① 複数物体の3次元再構成
② 画像中の各ピクセルにクラスラベルを付与する
③ 自然言語の文法構造を解析する
④ ラベルなし画像のクラスタリング
Q65. 訓練データには高精度だが、新しいデータで性能が低いモデルは何の典型例か。
① 過学習
② 未学習
③ 正則化
④ 過少適合
Q66. モデルの「再現率(Recall)」が高いとはどういう状態か。
① 正解データのうち正しく検出された割合が高い
② 誤予測の割合が高い
③ データの分布にバイアスがある
④ 選択した特徴量の精度が高い
Q67. 混同行列(Confusion Matrix)の構成要素に含まれないものはどれか。
① 真陽性(TP)
② 偽陽性(FP)
③ 正則化(Reg)
④ 偽陰性(FN)
Q68. F1スコアの説明として最も適切なものを1つ選べ。
① 精度と誤検出率の平均
② 適合率と再現率の調和平均
③ 精度と再現率の相加平均
④ モデルの損失関数に等しい
Q69. 「ROC曲線」が表す関係として正しいものはどれか。
① 再現率と精度の関係
② 真陽性率と偽陽性率の関係
③ 学習率とエポック数の関係
④ クラスタ間の距離と分布
Q70. ディープラーニングの訓練で「GPU」が重視される主な理由はどれか。
① バッテリー消費が少ないから
② 並列計算が得意で大量の行列演算に適しているから
③ メモリ容量がCPUより常に多いから
④ サーバーコストが必ず安いから
② 解答・解説群(A61〜A70)
A61【正解】③
【難易度】★
【出題】第6章 生成モデル(GAN)
【解説】GANは生成器(偽/本物に見えるデータを作る)と識別器(本物と偽物を見分ける)が競い合い、生成品質を高める。②はオートエンコーダ系の構成、①④は用語として不適切。
A62【正解】③
【難易度】★
【出題】第5章 転移学習
【解説】近縁ドメイン・近縁タスクの表現を流用すると、少量データでも高性能が得やすい。①はゼロから学べるため転移の必然性が低い。②の「全く異なるタスク」では転移効果が弱いことが多い。④は転移有無に関わらず最適化は必要。
A63【正解】③
【難易度】★
【出題】第6章 画像認識(セグメンテーション)
【解説】U-Netはエンコーダ—デコーダとスキップ接続で高解像の位置情報を保ちつつ分割する。①は系列向け、②は生成対向、④は近年応用されるが“多用”という文脈ではU-Netが代表的。
A64【正解】②
【難易度】★
【出題】第6章 画像認識(セグメンテーション)
【解説】セマンティックセグメンテーションは各画素をクラスに割り当てる。インスタンス単位の区別(個体ごとのマスク)は「インスタンスセグメンテーション」。
A65【正解】①
【難易度】★
【出題】第3章 モデル評価(過学習)
【解説】学習データには適合するが未知データに弱い状態が過学習。対策は正則化、データ拡張、早期終了、交差検証、モデル容量の調整など。④の過少適合(アンダーフィット)はその逆。
A66【正解】①
【難易度】★
【出題】第8章 評価指標(Recall)
【解説】再現率=TP/(TP+FN)。真の正例の取りこぼし(FN)が少ないほど高い。②は誤り、③④は指標の定義と無関係。
A67【正解】③
【難易度】★
【出題】第8章 評価指標(混同行列)
【解説】混同行列はTP・FP・FN・TNで構成される。正則化(Reg)は学習テクニックで、混同行列の要素ではない。
A68【正解】②
【難易度】★
【出題】第8章 評価指標(F1)
【解説】F1=2×(Precision×Recall)/(Precision+Recall)。極端にどちらかが低い場合のバランス悪化を反映できる。
A69【正解】②
【難易度】★
【出題】第8章 評価指標(ROC/AUC)
【解説】ROCはTPR(感度)とFPRの関係。曲線下の面積AUCはランダム対比での識別能力を表す(1に近いほど良い)。
A70【正解】②
【難易度】★
【出題】第4章 計算資源(GPU・並列計算)
【解説】GPUは多数のコアで行列・畳み込みなどのSIMD並列に強く、学習を高速化する。③はGPUが“常に”多いとは限らない。①④は主理由ではない。
① 問題群(Q71〜Q80)
Q71. 「特徴量エンジニアリング」とは何を行う工程か。
① AIモデルの評価指標を調整する工程
② データから有用な入力変数を抽出・生成する工程
③ 学習済みモデルの圧縮工程
④ テストデータの精度測定工程
Q72. 教師なし学習の代表的なアルゴリズムとして適切なものを1つ選べ。
① k-meansクラスタリング
② 線形回帰
③ ニューラルネットワーク
④ 決定木
Q73. 「次元の呪い」とはどのような問題を指すか。
① データ量が多すぎてモデルが収束しないこと
② 次元数が増えると距離や密度が意味を持たなくなること
③ 出力次元が多くなることで正解ラベルが増えること
④ 低次元で特徴量が消失すること
Q74. ベイズの定理で、事後確率を求めるために必要な情報として適切でないものはどれか。
① 事前確率
② 尤度
③ ベイズ誤差
④ 周辺確率
Q75. クラスタリングにおける「エルボー法」の目的はどれか。
① 距離尺度を可視化する
② 最適なクラスタ数を決定する
③ ラベルごとの精度を測定する
④ 高次元特徴量を削減する
Q76. ニューラルネットワークにおいて「初期値の設定」が重要な理由として正しいものを1つ選べ。
① 初期値が固定されていれば学習が不要になるから
② 最適化の収束や性能に大きく影響するから
③ 損失関数を安定化させるための計算が不要になるから
④ 出力のばらつきを抑えるため
Q77. ハイパーパラメータの最適化手法として適切なものを1つ選べ。
① ミニマックス最適化
② ヒューリスティック選択
③ グリッドサーチ
④ 勾配消失検出
Q78. AIモデル開発の際、学習・検証・テストに用いるデータ分割の適切な方法はどれか。
① テストデータをモデル訓練に用いる
② 検証データを使って重みを決定する
③ 学習・検証・テストに分け、テストは評価専用とする
④ 学習データを複製してすべてに使う
Q79. 「交差検証(cross-validation)」の中でも、k-fold法の特徴として正しいものを1つ選べ。
① k個のクラスを分類する手法である
② 学習データをk個に分割し、順に検証用として使う
③ ランダムにデータを削除し検証を行う
④ テストデータを複製して評価を繰り返す
Q80. 統計における「標準偏差」が意味するものはどれか。
① データの正規性の指標
② データの外れ値を表す係数
③ データが平均からどれだけ散らばっているかの度合い
④ 平均値との比率
② 解答・解説群(A71〜A80)
② 解答・解説群(A71〜A80)
A71【正解】②
【難易度】★
【出題】第2章 特徴量エンジニアリング
【解説】特徴量エンジニアリングは、ドメイン知識や統計処理で有用な変数を選択・生成・変換(例:対数化、標準化、集約)し、学習を助ける工程。①④は評価工程、③はモデル圧縮の話。
A72【正解】①
【難易度】★
【出題】第3章 教師なし学習
【解説】k-meansは代表的な教師なしクラスタリング。②線形回帰・④決定木は教師ありが基本、③は学習形態を指す一般語で特定アルゴリズムではない。
A73【正解】②
【難易度】★★
【出題】第8章 次元と距離
【解説】高次元ではデータが疎になり、最近傍と遠方の距離差が縮むなど“距離の意味”が弱まる。これにより近傍法や密度推定が難化。①③④はいずれも定義と異なる。
A74【正解】③
【難易度】★★
【出題】第8章 ベイズ推論
【解説】ベイズの定理:P(仮説|データ)=P(データ|仮説)P(仮説)/P(データ)。必要なのは事前確率・尤度・周辺(証拠)確率。ベイズ誤差は分類の理論的下限で定理の計算項目ではない。
A75【正解】②
【難易度】★
【出題】第3章 クラスタリング
【解説】クラスタ数Kとクラスタ内平方和(SSE)の関係を描き、改善が鈍化する“肘(エルボー)”点を目安にKを選ぶ。①③④は目的が異なる。
A76【正解】②
【難易度】★
【出題】第4章 学習安定化(初期化)
【解説】初期化は収束速度・到達解・勾配の安定に影響(例:Xavier/He初期化は活性分散を保ち勾配爆発・消失を緩和)。①③は誤り。④も副次効果として起こり得るが主理由を最も表すのは②。
A77【正解】③
【難易度】★
【出題】第3章 ハイパーパラメータ最適化
【解説】グリッドサーチは離散格子上で全探索。実務ではランダムサーチやベイズ最適化も有効。①はゲーム理論の枠組み、②は具体性不足、④は異常検知の一部で最適化手法ではない。
A78【正解】③
【難易度】★
【出題】第7章 社会実装(データ分割・リーケージ防止)
【解説】学習(train)で重み学習→検証(valid)でチューニング→テスト(test)は最終評価専用。①・②はリーケージの典型、④は評価が成立しない。
A79【正解】②
【難易度】★
【出題】第3章 評価法(交差検証)
【解説】学習データをk等分し、k回の学習・検証を回して平均性能を得る。①は分類タスクの説明、③④は方法として不適切。
A80【正解】③
【難易度】★
【出題】第8章 統計基礎(ばらつき)
【解説】標準偏差は分散の平方根で、平均からの散らばりの大きさを表す。①は正規性の有無自体は別検定、②は外れ値の定義ではない、④は定義に該当しない。
① 問題群(Q81〜Q90)
Q81. 「回帰問題」に該当するものとして最も適切なものを1つ選べ。
① メールがスパムか否かを分類する
② 手書き数字を0〜9に分類する
③ 家の面積から価格を予測する
④ 商品レビューから感情を分類する
Q82. 線形回帰モデルにおいて、目的変数を説明・予測するために用いる変数の名称はどれか。
① 教師ラベル
② 説明変数
③ 中間変数
④ モデル係数
Q83. 機械学習における「ラベル付きデータ」が必須なのはどの学習か。
① 教師あり学習
② 教師なし学習
③ 強化学習
④ 自己教師あり学習
Q84. AIプロジェクトの要件定義で最初に確認すべきことはどれか。
① 使用するクラウド環境の選定
② 評価指標の閾値設定
③ 解決すべき課題と目的の明確化
④ ハイパーパラメータの初期値設定
Q85. 「AIの説明責任」に関わる考え方として最も適切なものはどれか。
① モデル構造を極力複雑にする
② 判断根拠を人が理解できるようにする
③ 学習データの削除依頼を拒否する
④ 精度が高ければ説明は不要である
Q86. 日本のAI倫理ガイドラインに関し、総務省(AIネットワーク社会推進会議等)が掲げる原則の1つとして正しいものはどれか。
① 不透明性の維持
② 人間中心の原則
③ 利益最大化の優先
④ アルゴリズム非開示原則
Q87. 機械学習プロジェクトのPoC(概念実証)で優先的に確認すべき項目として最も適切なものを1つ選べ。
① AI人材の採用可否
② サービス提供国の法規制
③ 技術的実現性とデータの質
④ ビジネスモデルの収益性
Q88. 学習に用いるデータの「個人情報」について、匿名化データの扱いとして正しいものはどれか。
① 匿名化されれば一切制限なく利用できる
② 再識別が不可能であれば個人情報に該当しない
③ 匿名化の有無は利用目的に関係しない
④ 匿名化しても個人情報保護法の対象である
Q89. AI開発における「透明性」の確保手段として最も適切なものを1つ選べ。
① 出力結果の数値だけを公開する
② モデル設計と判断根拠を可視化・説明可能にする
③ 推論アルゴリズムを非公開にする
④ ユーザーに一切の情報を伝えない
Q90. AIによる差別リスクを最小化するために必要なアプローチはどれか。
① 推論速度の高速化
② 保護属性の適切な取り扱い(必要に応じた除外・制御)とバイアス分析
③ クラス分類の精度最大化
④ 学習データの増量による汎化
② 解答・解説群(A81〜A90)
A81【正解】③
【難易度】★
【出題】第3章 教師あり学習(回帰)
【解説】回帰は連続値(価格・温度など)の予測。①②④はいずれも離散ラベルを当てる分類タスク。
A82【正解】②
【難易度】★
【出題】第3章 回帰モデル
【解説】目的変数(従属変数)を説明・予測する側の変数が「説明変数(独立変数)」。④モデル係数は重みであり、変数そのものではない。
A83【正解】①
【難易度】★
【出題】第3章 学習パラダイム
【解説】教師あり学習は「入力と正解ラベル」の対で学ぶ。②教師なしはラベル不要、③強化学習は報酬信号、④自己教師ありは擬似ラベルを自動生成。
A84【正解】③
【難易度】★
【出題】第7章 社会実装(要件定義)
【解説】まず課題・目的・制約・KPIを明確化し、その後に評価指標やデータ、インフラ選定へ進む。①②④は上流の目的定義を受けて決める事項。
A85【正解】②
【難易度】★
【出題】第10章 透明性・説明責任
【解説】説明責任は意思決定の根拠・影響・限界を説明できること。①複雑化は逆行、③権利対応に反する可能性、④高精度でも説明は重要。
A86【正解】②
【難易度】★★
【出題】第10章 倫理・原則
【解説】日本の原則群では「人間中心」「プライバシー保護」「公平性」「安全・安心」「説明責任/透明性」等が掲げられる。①③④は原則の趣旨と反対。
A87【正解】③
【難易度】★
【出題】第7章 社会実装(PoC)
【解説】PoCは小規模に技術的実現性(性能・計算資源)とデータ品質・取得可能性を検証する段階。④収益性はPoV/実証実験や事業化検討で扱う。
A88【正解】②
【難易度】★★
【出題】第9章 法と契約(個人情報保護)
【解説】再識別できないよう加工された「匿名加工情報」は個人情報ではないが、第三者提供時の事項公表など法上のルールは残る。①無制限ではない。③利用目的は重要。④「対象」とは個人情報そのものを指す文脈では誤解を招く。
A89【正解】②
【難易度】★
【出題】第10章 透明性・説明可能性
【解説】モデルカード/データカード、可視化、説明手法(SHAP・LIME等)で設計・前提・限界・根拠を示す。①数値だけでは不十分。③④は透明性を損なう。
A90【正解】②
【難易度】★★
【出題】第10章 公平性・バイアス
【解説】保護属性やその代理変数への依存を点検・制御し、公平性指標(DP, EO/EOdds 等)でバイアスを分析・改善する。①③④は重要だが、差別リスク低減を直接保証しない。
① 問題群(Q91〜Q100)
Q91. 「バッチ学習」と「オンライン学習」の違いとして正しいものはどれか。
① バッチ学習は順次処理、オンライン学習は一括処理
② バッチ学習は全データを一度に使い、オンライン学習は逐次的に学習する
③ オンライン学習は学習率が常に一定である
④ 両者は同義である
Q92. ニューラルネットワークにおいて「勾配爆発」が発生する主因として最も適切なものを1つ選べ。
① 入力次元が小さい
② 活性化の勾配が0付近で平坦
③ 学習率が極端に小さい
④ 逆伝播で勾配が層を通じて指数的に増幅される
Q93. 自然言語処理における「形態素解析」の主な目的はどれか。
① 単語の並び順を入れ替える
② 文の構文木を作る
③ 文章を単語などの最小単位に分割する
④ 文中の感情を判定する
Q94. テキストの特徴量表現としての「TF-IDF」が反映するものはどれか。
① 単語の出現頻度と文書集合内での希少性
② 単語の品詞と意味分類
③ 単語の感情スコアと主観度
④ 単語同士の位置関係
Q95. 「自己教師あり学習」の特徴として最も適切なものを1つ選べ。
① 教師データで強化学習を行う
② 学習データに擬似ラベル/前課題を与えて自己生成した監督信号で学ぶ
③ テストデータのみで学ぶ
④ 人手で誤差を訂正して与える
Q96. 機械翻訳で「Attention機構」が有効な主理由として最も適切なものを1つ選べ。
① GPUで並列化できる
② 入力文全体を一度に固定長に圧縮できる
③ 各語の重要度に応じて入力のどこに着目すべきか重み付けできる
④ 出力文の長さを一定にできる
Q97. 強化学習における「状態(State)」の意味として正しいものを1つ選べ。
① モデルの学習率
② エージェントが現在置かれている環境の情報
③ ただちに得られる報酬の大きさ
④ 可能な行動の一覧
Q98. サポートベクターマシン(SVM)の特徴として最も適切なものを1つ選べ。
① 線形分離可能なデータにしか使えない
② クラス間距離を最小化する境界を学ぶ
③ マージンを最大化する分離超平面を学ぶ(カーネルで非線形にも対応)
④ 多層ニューラルネットを内部に必ず持つ
Q99. 決定木において、分割の基準として用いられる指標はどれか。
① 平均絶対誤差
② ジニ不純度やエントロピー
③ スパース性スコア
④ クラス内平均
Q100. AIシステム導入後の運用フェーズで必要な活動として最も適切なものを1つ選べ。
① モデル設計のみを繰り返す
② テストデータを削除する
③ モデルの性能監視(データ/概念ドリフト検知)と継続的な改善
④ 推論結果を無条件に採用する
② 解答・解説群(A91〜A100)
A91【正解】②
【難易度】★
【出題】第3章 学習の基礎(学習方式)
【解説】バッチ学習は全データをまとめて最適化、オンライン学習(インクリメンタル学習)は到着順に更新し続ける。③はオンライン学習でも可変LRを用いるため誤り。①④も不正確。
A92【正解】④
【難易度】★★
【出題】第4章 学習安定化(勾配爆発)
【解説】深層/RNNなどで誤差逆伝播時に勾配が層を通じて増幅し数値が発散する現象。対策には勾配クリッピング、正規化、残差接続、適切初期化や学習率設定などがある。①②③は原因の本質ではない。
A93【正解】③
【難易度】★
【出題】第6章 自然言語処理(前処理)
【解説】形態素解析は語彙分割(と品詞付与)を目的とする基本前処理。②は構文解析、④は感情分析の工程。
A94【正解】①
【難易度】★
【出題】第6章 自然言語処理(テキスト表現)
【解説】TF(文書内頻度)×IDF(語の希少性)で、コーパス全体でよく出る汎用語の重みを下げ、特徴的な語を強調する。②③④は別種の特徴。
A95【正解】②
【難易度】★★
【出題】第4章 学習パラダイム(自己教師あり)
【解説】入力の一部マスク、前後関係予測、対比学習などで擬似ラベル/前課題を自動生成し監督信号を得る。①③④はいずれも定義と異なる。
A96【正解】③
【難易度】★
【出題】第5章 Attention
【解説】Attentionは翻訳時に入力のどの単語に「どれだけ」注意を向けるかを学習し、長文での情報圧縮損失を緩和する。①は副次的要因、②はSeq2Seqの固定長ベクトルの制約、④は要件ではない。
A97【正解】②
【難易度】★
【出題】第6章 強化学習(定式化)
【解説】状態sは環境の現在情報で、方策πはsから行動aを選ぶ。③は報酬r、④は行動集合Aで別概念、①はハイパーパラメータ。
A98【正解】③
【難易度】★
【出題】第3章 教師あり学習(SVM)
【解説】SVMはマージン最大化を目的とし、ソフトマージンやカーネル法で非線形・マージン違反への柔軟性を持つ。①は誤り、②は最小化ではなく最大化、④はNNではない。
A99【正解】②
【難易度】★
【出題】第3章 教師あり学習(決定木)
【解説】分類木ではジニ不純度やエントロピー減少を基準に分割。回帰木ではMSEなどを用いる。①③④は標準的基準ではない。
A100【正解】③
【難易度】★
【出題】第7章 社会実装(運用・MLOps)
【解説】本番ではデータドリフト/概念ドリフトや性能劣化を監視し、閾値超過で再学習・特徴更新・ロールバック等を行う。①②④は運用として不適切。
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。
関連記事