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 技術分野 後編(21〜37)|演習問題&解説

    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。

    分野:21. スキップ結合(4択 × 10問)

    Q1. スキップ結合(Skip Connection)の基本的な仕組みとして最も適切なものを1つ選べ
    A. 出力層と入力層を直接接続することで分類精度を上げる
    B. 一部の層をスキップして削除することでモデルを軽量化する
    C. ネットワーク内のある層の出力を後の層に直接加える構造
    D. 活性化関数を無効化して勾配を安定化させる方法

    Q2. スキップ結合の導入目的として最も適切なものを1つ選べ
    A. モデルの複雑さを増加させる
    B. 計算速度を下げて正確性を高める
    C. 勾配消失の問題を軽減し、深いネットワークでも学習を安定させる
    D. バッチサイズを増やして処理を高速化する

    Q3. スキップ結合を導入した代表的なネットワーク構造として最も適切なものを1つ選べ
    A. VGGNet
    B. AlexNet
    C. ResNet(Residual Network)
    D. Inception-v1

    Q4. ResNetの基本構成において、スキップ結合によって行われる操作として最も適切なものを1つ選べ
    A. 異なる入力を全結合層に結合する
    B. 畳み込み演算を2回行って合算する
    C. 層の出力に、入力をそのまま足し合わせる(恒等写像)
    D. 出力層のノイズを除去する

    Q5. スキップ結合が有効とされる理由として最も適切なものを1つ選べ
    A. 活性化関数の値が常に一定になる
    B. 勾配が後方に伝わりやすくなることで、深い層でも学習が可能になる
    C. 入力データの正規化を自動化できる
    D. 出力を一定値に固定できる

    Q6. スキップ結合を使わない深層ネットワークに起こりやすい問題として最も適切なものを1つ選べ
    A. ノイズが多くなり分類精度が下がる
    B. モデルが自動的に正則化される
    C. 勾配が層を通じて消失または爆発しやすくなる
    D. 層ごとの演算が無効になる

    Q7. ResNetの学習時にスキップ結合を導入することで、実現される出力の計算方式として最も適切なものを1つ選べ
    A. 出力 = 活性化関数(畳み込み2回)
    B. 出力 = 入力 × 重み + バイアス
    C. 出力 = 活性化関数(畳み込みの結果 + 入力)
    D. 出力 = 平均プーリング後の値

    Q8. スキップ結合が活躍する主なタスクとして最も適切なものを1つ選べ
    A. 単純な線形回帰
    B. 浅い層での画像分類
    C. 非常に深いネットワークを必要とする画像認識タスク
    D. 音声合成の正規化処理

    Q9. ResNetのスキップ結合により学習できる「残差(residual)」とは何を指すか、最も適切なものを1つ選べ
    A. 出力層の重み差
    B. 目的関数の正規化項
    C. 層の出力と入力との差分(出力 = f(x) − x)
    D. 畳み込み後に除去されたパラメータ群

    Q10. スキップ結合の効果を説明するものとして誤っているものを1つ選べ
    A. ネットワークが深くても学習が進みやすくなる
    B. 残差を学習することで効率的に学習できる
    C. 層が増えるほど性能が自動的に向上するため、設計が不要になる
    D. 勾配の流れが改善され、訓練が安定する

    A1. C
    解説:スキップ結合は、ある層の出力を後の層に直接加える構造です。

    A2. C
    解説:深層ネットワークにおける勾配消失を抑制し、学習の安定性を高めるために導入されます。

    A3. C
    解説:ResNet(Residual Network)はスキップ結合を基本構造として採用しています。

    A4. C
    解説:ResNetでは、層の出力に元の入力をそのまま足し合わせる(恒等写像)構造が使われます。

    A5. B
    解説:スキップ結合は、勾配をスムーズに伝播させ、深層でも学習可能にします。

    A6. C
    解説:深い層では勾配が消失・爆発しやすく、学習が困難になることがあります。

    A7. C
    解説:ResNetのブロックでは、活性化関数(畳み込み結果 + 入力)という形式で出力されます。

    A8. C
    解説:スキップ結合は、100層以上の非常に深いCNNなどにおいて効果を発揮します。

    A9. C
    解説:「残差」とは、ある変換 f(x) を学習する代わりに、その差分 f(x) − x を学習する手法です。

    A10. C
    解説:層が増えれば必ず性能が向上するわけではなく、設計や調整は依然として重要です。

    分野:22. 回帰結合層(RNN)(4択 × 10問)

    Q1. リカレントニューラルネットワーク(RNN)の主な特徴として最も適切なものを1つ選べ
    A. 入力の順序に依存せず、並列処理を重視するモデルである
    B. 入力の時間的順序や系列性を考慮した情報処理が可能なモデルである
    C. 全てのデータを同時に処理し、出力層で平均化するモデルである
    D. モデルが一度に1つの出力しか生成できない制約がある

    Q2. RNNが特に適しているデータの特徴として最も適切なものを1つ選べ
    A. ランダムなピクセルノイズ
    B. クラスラベルの分布
    C. 時系列や自然言語などの系列データ
    D. 一意に識別可能なID列

    Q3. RNNの学習方法として用いられる「Backpropagation Through Time(BPTT)」の特徴として最も適切なものを1つ選べ
    A. 時系列を無視して勾配を一括で計算する
    B. 時系列の各ステップに展開して、誤差を過去にさかのぼって伝播させる手法
    C. 畳み込み演算を使って時間方向の処理を行う手法
    D. モデル全体の出力平均を使って損失を最小化する手法

    Q4. RNNにおいて起こりやすい「勾配消失問題」の説明として最も適切なものを1つ選べ
    A. 勾配がすべて1に収束してしまう問題
    B. 勾配が大きくなりすぎて学習が進まなくなる問題
    C. 時系列が長くなると、誤差が伝播する過程で勾配が極端に小さくなり学習できなくなる問題
    D. 活性化関数が一定値に固定される問題

    Q5. 勾配消失問題や勾配爆発問題の緩和を目的として開発されたRNNの派生モデルとして最も適切なものを1つ選べ
    A. エルマンネットワーク
    B. ジョルダンネットワーク
    C. Long Short-Term Memory(LSTM)
    D. 多層パーセプトロン(MLP)

    Q6. LSTMにおける「ゲート機構」の役割として最も適切なものを1つ選べ
    A. 勾配の絶対値を小さくするための仕組み
    B. ネットワーク内の重みを正則化する役割
    C. 情報を保持・忘却・出力するかを制御し、長期依存関係を学習できるようにする
    D. 出力層において活性化関数を変更する

    Q7. GRU(Gated Recurrent Unit)における特徴として最も適切なものを1つ選べ
    A. LSTMと異なり複数のセル状態を保持する
    B. LSTMと比較して構造が簡潔で計算コストが低い
    C. 時系列をランダムにシャッフルする
    D. 正解ラベルを動的に変更する

    Q8. RNNの学習における「教師強制(Teacher Forcing)」の説明として最も適切なものを1つ選べ
    A. 教師モデルがRNNをすべて代行する訓練方式
    B. 出力時に常に0を用いることで学習を安定化させる手法
    C. 学習時にモデルの出力ではなく、正解データを次の入力として使用する手法
    D. 教師データのラベルをランダムに付け直すことで過学習を防ぐ手法

    Q9. 双方向RNN(Bidirectional RNN)の利点として最も適切なものを1つ選べ
    A. 過去の情報のみを活用できる点
    B. 並列処理が高速に行える点
    C. 過去と未来の情報の両方を活用して出力を決定できる点
    D. 順伝播が不要になる点

    Q10. エルマンネットワークとジョルダンネットワークの主な違いとして最も適切なものを1つ選べ
    A. 出力層を省略する構造であるかどうか
    B. 入力に用いる時系列データの長さ
    C. 前時刻の「隠れ状態」を用いるか、「出力」を用いるか
    D. 出力層で使う活性化関数の種類

    A1. B
    解説:RNNは、時系列や文などの系列データにおいて、時間的な依存関係を扱えるモデルです。

    A2. C
    解説:RNNは、連続する情報を持つ時系列データやテキストなどに適しています。

    A3. B
    解説:BPTTは、時間軸に沿ってネットワークを展開し、誤差を過去に伝播して学習します。

    A4. C
    解説:時系列が長くなると、勾配が小さくなりすぎて重み更新ができなくなるのが勾配消失問題です。

    A5. C
    解説:LSTMは、長期依存関係を学習できるようにゲート構造を導入したRNNの発展モデルです。

    A6. C
    解説:ゲート機構により、重要な情報を保持し、不要な情報を忘れる制御が行えます。

    A7. B
    解説:GRUは、LSTMよりも構造がシンプルでありながら、同様の性能を発揮できます。

    A8. C
    解説:教師強制は、次の入力に正解データを使うことで、学習を安定させるテクニックです。

    A9. C
    解説:双方向RNNは、前方と後方の情報の両方を参照して処理することで、精度が向上します。

    A10. C
    解説:エルマンネットワークは隠れ状態を、ジョルダンネットワークは出力を再入力として使用します。

    分野:23. Attention(4択 × 10問)

    Q1. Attention機構の基本的な役割として最も適切なものを1つ選べ
    A. 入力系列のすべての情報を一括処理することで学習を高速化する
    B. 入力内の各要素の重要度に重み付けを行い、必要な情報に注目できるようにする
    C. モデルの重みを一時的に固定することで安定化させる
    D. 時系列データを画像データに変換する

    Q2. Attentionにおける「クエリ(Query)」「キー(Key)」「バリュー(Value)」の関係について最も適切なものを1つ選べ
    A. クエリとキーの類似度に基づいてバリューを重み付けして集約する
    B. クエリとバリューを掛け合わせてキーを予測する
    C. キーとバリューをランダムに選び、クエリを正規化する
    D. クエリは出力、キーとバリューは教師データから構成される

    Q3. Attention機構がRNNのどのような課題を解決するか、最も適切なものを1つ選べ
    A. RNNの非線形性の低さを補う
    B. 過学習を完全に防止する
    C. 長距離依存関係の情報を効果的に扱えるようにする
    D. モデルのサイズを小さくする

    Q4. Self-Attentionの説明として最も適切なものを1つ選べ
    A. 入力と異なる出力系列間の関係に注目する
    B. 自分自身の系列内の他の位置との関係に注目する
    C. 外部の知識グラフとの関係性を重視する
    D. 入力系列を画像に変換して分析する

    Q5. Source-Target Attention(Encoder-Decoder Attention)とは何か、最も適切なものを1つ選べ
    A. 異なるモダリティの入力を統合するための機構
    B. DecoderがEncoderの出力に注目して出力を生成する機構
    C. 出力系列の各位置が自分の過去の状態に注目する仕組み
    D. 入力系列の一部だけを切り取って出力に使う機構

    Q6. TransformerモデルがRNNと異なる点として最も適切なものを1つ選べ
    A. 層の数を固定できる点
    B. 畳み込みフィルタを使う点
    C. 入力系列全体を同時に処理することが可能である点
    D. シンプルな構造でパラメータが少ない点

    Q7. TransformerでSelf-Attentionを用いることの利点として最も適切なものを1つ選べ
    A. 過去の単語しか参照できない問題を解消できる
    B. 勾配消失問題を強調することで学習を高速化する
    C. 単語の意味を固定化することができる
    D. 出力の次元数を減らすことでモデルを軽量化できる

    Q8. Multi-Head Attentionの説明として最も適切なものを1つ選べ
    A. Attentionの複数の入力をランダムに接続する仕組み
    B. Attentionを並列に複数実行し、異なる視点から情報を抽出する機構
    C. 頭の数を増やすことでパラメータを削減する手法
    D. Attention層を深く積み重ねた構造

    Q9. Transformerにおける「位置エンコーディング(Positional Encoding)」の役割として最も適切なものを1つ選べ
    A. 各単語の品詞情報を反映するための符号化方式
    B. 単語の頻度を指数化する技術
    C. Attentionが系列の順序を認識できるように位置情報を加える
    D. モデルの出力を並べ替える処理

    Q10. Attentionが特に有効とされるタスクとして最も適切なものを1つ選べ
    A. 整数の素因数分解
    B. 音声認識や機械翻訳など、長文の文脈を理解する必要のあるタスク
    C. 数値の正規化と整形
    D. グラフデータの分類

    A1. B
    解説:Attentionは、系列内の重要な部分に着目して情報を重み付けして処理する仕組みです。

    A2. A
    解説:クエリとキーの類似度(内積など)を計算し、それを重みにしてバリューを加重平均します。

    A3. C
    解説:Attentionは、RNNが苦手とする長距離依存の情報を効率的に取り扱えます。

    A4. B
    解説:Self-Attentionは、同じ系列内の他の位置の情報に注目し合う仕組みです。

    A5. B
    解説:Source-Target Attentionは、DecoderがEncoderの出力を参照して次の出力を決定する機構です。

    A6. C
    解説:Transformerは、Attentionを用いて系列全体を一括処理でき、並列化にも優れます。

    A7. A
    解説:Self-Attentionにより、過去だけでなく未来の単語も参照できるようになります。

    A8. B
    解説:Multi-Head Attentionは複数の注意機構を並列に使い、情報を多面的に捉えます。

    A9. C
    解説:Transformerでは位置情報が失われがちなため、Positional Encodingを使って順序を補います。

    A10. B
    解説:Attentionは、音声認識や翻訳など、長いコンテキストが必要なタスクにおいて非常に有効です。

    分野:24. オートエンコーダ(4択 × 10問)

    Q1. オートエンコーダ(Autoencoder)の基本的な構造として最も適切なものを1つ選べ
    A. 入力データを分類器で処理し、確率を出力する構造
    B. 入力を低次元に圧縮し、その情報から元の入力を再構成する構造
    C. 入力と出力が独立したモデルで、それぞれ異なるデータを処理する構造
    D. 入力系列を逐次的に変換することで、翻訳結果を得る構造

    Q2. オートエンコーダの主な用途として最も適切なものを1つ選べ
    A. 高速な畳み込み処理
    B. 入力の正規化
    C. 次元削減や特徴抽出
    D. 活性化関数の最適化

    Q3. オートエンコーダにおけるエンコーダの役割として最も適切なものを1つ選べ
    A. 入力を分類してラベルを出力する
    B. 入力データをランダムに変換する
    C. 入力を低次元の潜在表現に変換する
    D. 入力を一定の値に固定する

    Q4. オートエンコーダにおける「事前学習」の活用例として最も適切なものを1つ選べ
    A. モデルの出力を検証用データで補正する
    B. オートエンコーダで学習した特徴量を他のモデルの入力として使う
    C. モデルの精度を人手で調整する
    D. クラスラベルを自動で補完する

    Q5. 積層オートエンコーダ(Stacked Autoencoder)の特徴として最も適切なものを1つ選べ
    A. 1層で完結する簡易構造
    B. オートエンコーダを複数積み重ね、段階的に高次元な特徴を学習する
    C. 出力層でのみ非線形変換を行う構造
    D. 活性化関数を省略することで効率化を図る構造

    Q6. 変分オートエンコーダ(VAE)の特徴として最も適切なものを1つ選べ
    A. 確率分布を用いず、決定論的に再構成を行う
    B. 入力データを直接ベクトルに変換してラベルを出力する
    C. 潜在変数の分布を仮定し、サンプリングにより生成モデルとしても利用可能
    D. ラベル付きデータでのみ学習が可能

    Q7. β-VAEの目的として最も適切なものを1つ選べ
    A. 出力画像のサイズを調整する
    B. 潜在空間の情報を圧縮して生成画像の品質を下げる
    C. 表現の「解釈可能性」を高めるため、潜在表現の独立性を強調する
    D. ノイズを除去するため、入力をゼロに近づける

    Q8. VQ-VAE(Vector Quantized VAE)の特徴として最も適切なものを1つ選べ
    A. 潜在空間を連続ベクトルではなく、離散コードブックで表現する
    B. モデルのパラメータ数を倍増させることで表現力を高める
    C. 正規化層を削除して学習を高速化する
    D. 出力の一部を画像、残りをテキストに変換する

    Q9. infoVAEの特徴として最も適切なものを1つ選べ
    A. 潜在変数に情報量を制限することで過学習を防ぐ
    B. 潜在空間と入力空間の相互情報量を最大化してより豊かな表現を学習する
    C. 出力画像をランダムに生成するノイズモデル
    D. 教師信号を強制的に書き換えて潜在表現を作る

    Q10. オートエンコーダ系モデルに共通する弱点として最も適切なものを1つ選べ
    A. 入力と異なるデータを復元しやすくなる
    B. 教師データがないと学習できない
    C. 過剰に表現力の高いモデルは、入力のノイズまで忠実に再現してしまう傾向がある
    D. データの次元が小さいと使用できない

    A1. B
    解説:オートエンコーダは入力を圧縮して潜在表現を学習し、そこから元の入力を再構成する構造です。

    A2. C
    解説:主に次元削減や教師なしの特徴抽出、再構成誤差による異常検知などに用いられます。

    A3. C
    解説:エンコーダは、入力を低次元の潜在表現(特徴ベクトル)へ変換する役割を担います。

    A4. B
    解説:オートエンコーダの潜在ベクトルは、他のタスク(分類など)に活用可能です(事前学習)。

    A5. B
    解説:複数のオートエンコーダを積み重ねることで、より高次の抽象的特徴を段階的に学習できます。

    A6. C
    解説:VAEでは、潜在変数に確率分布を仮定し、サンプリングを通じて生成モデルとしても活用されます。

    A7. C
    解説:β-VAEは独立性の高い潜在変数を学習し、より解釈しやすい表現を目指すモデルです。

    A8. A
    解説:VQ-VAEは潜在空間を離散化し、コードブックを用いて効率的な表現を実現します。

    A9. B
    解説:infoVAEは、潜在変数が入力の情報をしっかり持つよう相互情報量を高める設計になっています。

    A10. C
    解説:オートエンコーダは表現力が高すぎると、ノイズまで復元してしまい、過学習の原因になります。

    分野:25. データ拡張(4択 × 10問)

    Q1. データ拡張(Data Augmentation)の主な目的として最も適切なものを1つ選べ
    A. モデルのパラメータを増やすため
    B. 学習時間を短縮するため
    C. 学習データに多様性を持たせて過学習を防ぎ、汎化性能を向上させるため
    D. 学習データのサイズを一貫性のある小さなものに限定するため

    Q2. 「Random Flip」の説明として最も適切なものを1つ選べ
    A. ランダムにピクセルの値を反転させる処理
    B. 入力画像をランダムに回転させる処理
    C. 画像を左右または上下にランダムに反転させる処理
    D. 画像内のオブジェクトを削除する処理

    Q3. 「Rotate」の操作内容として最も適切なものを1つ選べ
    A. 色相を調整する
    B. ノイズを加える
    C. 画像を一定の角度またはランダムな角度で回転する
    D. コントラストを強調する

    Q4. 「Crop」の効果として最も適切なものを1つ選べ
    A. 画像内のすべてのオブジェクトを抽出する
    B. 特定の範囲を切り出すことで、部分的な情報に対する学習を促進する
    C. 入力画像を黒く塗りつぶす
    D. 背景を削除し前景だけを残す

    Q5. 「Cutout」に関する説明として最も適切なものを1つ選べ
    A. 画像の一部にランダムな矩形領域をマスク(削除)する手法
    B. ノイズを画像の中央に追加する手法
    C. 背景をぼかしてデータを拡張する手法
    D. 画像全体を回転して領域を切り取る手法

    Q6. 「Mixup」の特徴として最も適切なものを1つ選べ
    A. 同じ画像の異なる部分を結合して新たなデータを作成する
    B. 2つの画像とラベルを線形結合し、新しい訓練サンプルを作る手法
    C. 画像をノイズで置き換えることで頑健性を高める手法
    D. 画像の一部をランダムに白く塗りつぶす手法

    Q7. 「CutMix」の説明として最も適切なものを1つ選べ
    A. 画像全体を回転して別画像に挿入する
    B. ある画像の一部を他の画像に貼り付け、ラベルも混合する
    C. 画像内の色をすべて白黒に変換する
    D. 異なるカテゴリの画像を交互に合成する

    Q8. 「noising(ノイズ付加)」がもたらす効果として最も適切なものを1つ選べ
    A. モデルをより滑らかに動作させるために予測値を固定する
    B. データの正確さを上げる
    C. モデルのロバスト性を高め、入力変動への耐性をつける
    D. ラベルを変更することで学習を加速する

    Q9. 「paraphrasing(言い換え)」が使われる主なデータ形式として最も適切なものを1つ選べ
    A. 音声データ
    B. 画像データ
    C. 数値系列データ
    D. テキストデータ

    Q10. 「RandAugment」の特徴として最も適切なものを1つ選べ
    A. 手動で拡張手法の種類と強度を設定する
    B. 拡張の適用順序を学習によって最適化する
    C. 決まった数のランダムなデータ拡張手法を自動で適用する
    D. テキストデータに特化した拡張方法である

    A1. C
    解説:データ拡張は、データのバリエーションを増やすことで過学習を抑え、モデルの汎化性能を向上させます。

    A2. C
    解説:Random Flipは画像を左右または上下に反転させることで、向きに対する不変性を獲得します。

    A3. C
    解説:Rotateは、画像を任意の角度で回転させることで、回転に対するロバスト性を高めます。

    A4. B
    解説:Cropは一部分を切り出すことで、部分的な情報への注目と多様な学習を実現します。

    A5. A
    解説:Cutoutは、ランダムに画像の一部をマスクすることで、モデルが周辺情報にも注意するようにします。

    A6. B
    解説:Mixupは、2つの画像とラベルを線形に混合して、滑らかで汎用性のある決定境界の学習を促します。

    A7. B
    解説:CutMixは、ある画像の一部を別の画像に貼り付け、ラベルも対応して混合します。

    A8. C
    解説:ノイズを加えることで、モデルはわずかな変化に強くなり、ロバスト性が向上します。

    A9. D
    解説:paraphrasingは、意味を保ったまま表現を変える手法で、主にテキストデータに用いられます。

    A10. C
    解説:RandAugmentはあらかじめ設定した数だけ、ランダムなデータ拡張手法を自動的に適用する仕組みです。

    分野:26. 画像認識(4択 × 10問)

    Q1. 「画像認識」の基本的なタスク分類として最も適切なものを1つ選べ
    A. 物体識別、物体検出、セマンティックセグメンテーション、インスタンスセグメンテーション
    B. 時系列予測、強化学習、翻訳、画像生成
    C. 畳み込み、プーリング、正規化、Attention
    D. 音声合成、テキスト生成、構文解析、依存構造分析

    Q2. 「物体識別」の特徴として最も適切なものを1つ選べ
    A. 画像中の物体にバウンディングボックスを付ける
    B. 各画素ごとにクラスを割り当てる
    C. 画像全体に写っている1つの物体のクラスを特定する
    D. 各領域に含まれる複数の物体の相互関係を学習する

    Q3. 「セマンティックセグメンテーション」と「インスタンスセグメンテーション」の主な違いとして最も適切なものを1つ選べ
    A. セマンティックは物体単位、インスタンスは画素単位
    B. セマンティックは物体の位置を重視しないが、インスタンスは重視する
    C. セマンティックはクラスごとの領域識別、インスタンスは同じクラス内の個体も識別
    D. セマンティックはRGB情報、インスタンスは深度情報を使用

    Q4. 「YOLO」の特徴として最も適切なものを1つ選べ
    A. 一度の畳み込みでセグメンテーションを行う
    B. 複数のモデルを使って順番に検出を行う
    C. 画像全体を1回で処理し、物体の位置とクラスを同時に予測する
    D. 類似画像検索に特化したモデルである

    Q5. 「Mask R-CNN」の特徴として最も適切なものを1つ選べ
    A. 検出された物体ごとにピクセルレベルでマスクを出力する
    B. テキストラベルを画像に直接貼り付ける
    C. 物体認識を行うが、位置情報は無視する
    D. 動画の背景を除去して合成画像を生成する

    Q6. 軽量な画像認識モデルとして主にモバイル端末で利用されるモデルとして最も適切なものを1つ選べ
    A. ResNet
    B. MobileNet
    C. VGG
    D. AlexNet

    Q7. 「Vision Transformer(ViT)」の主な特徴として最も適切なものを1つ選べ
    A. CNNとRNNを融合した構造を持つ
    B. 畳み込み演算なしにAttention機構を用いて画像を処理する
    C. 深さの浅い構造で高速処理を実現している
    D. 時系列画像処理のために設計されたモデル

    Q8. 医療画像の解析や顕微鏡画像の分割で広く使われるセグメンテーションモデルとして最も適切なものを1つ選べ
    A. SSD
    B. YOLO
    C. U-Net
    D. FPN

    Q9. 姿勢推定に用いられる代表的なモデルとして最も適切なものを1つ選べ
    A. OpenPose
    B. DeepLab
    C. PSPNet
    D. EfficientNet

    Q10. パノプティックセグメンテーションの説明として最も適切なものを1つ選べ
    A. 複数の物体を同時にセグメントするが、ラベルは不要
    B. セマンティックセグメンテーションとインスタンスセグメンテーションの統合
    C. 高速な物体検出のための前処理アルゴリズム
    D. 画像全体に正規化をかけて分類する処理

    A1. A
    解説:画像認識タスクには、物体識別、検出、セマンティック・インスタンスセグメンテーションがあります。

    A2. C
    解説:物体識別は画像全体に含まれる1つの物体のクラスを予測するタスクです。

    A3. C
    解説:セマンティックはクラスごとの領域分類、インスタンスは同じクラス内の個体を区別します。

    A4. C
    解説:YOLOは"One Look"モデルで、物体の位置とクラスを一度の処理で同時に予測します。

    A5. A
    解説:Mask R-CNNは、物体検出に加え、ピクセル単位のマスク(輪郭)も出力します。

    A6. B
    解説:MobileNetは軽量かつ高速で、モバイル端末などの計算資源が限られた環境に適しています。

    A7. B
    解説:ViTはAttentionをベースにしており、畳み込みを使わずに画像を処理します。

    A8. C
    解説:U-Netは医療などの分野で高精度なピクセル単位の分割に使用されるセグメンテーションモデルです。

    A9. A
    解説:OpenPoseは人間の骨格を推定する姿勢推定モデルです。

    A10. B
    解説:パノプティックセグメンテーションは、セマンティックとインスタンスの統合的なアプローチです。

    分野:27. 自然言語処理(4択 × 10問)

    Q1. 自然言語処理(NLP)の代表的なタスクとして最も適切なものを1つ選べ
    A. 画像分類、物体検出、セグメンテーション
    B. 機械翻訳、感情分析、文書要約、質問応答
    C. 音声認識、画像生成、データ圧縮
    D. 畳み込み処理、活性化関数の最適化、バッチ正規化

    Q2. 「BoW(Bag-of-Words)」モデルの説明として最も適切なものを1つ選べ
    A. 単語の意味的関係をベクトル空間にマッピングする手法
    B. 文の構文木を出力するモデル
    C. 単語の出現回数のみに基づき、語順を無視して文を特徴づける手法
    D. 単語間の意味的類似度を教師データとして学習するモデル

    Q3. 「TF-IDF」に関する説明として最も適切なものを1つ選べ
    A. 頻出単語の重要度を上げることで分類精度を高める手法
    B. 文書全体でよく使われる単語に高いスコアを与える手法
    C. 特定文書では頻出だが、全体では稀な単語を高く評価する特徴量手法
    D. 品詞情報と意味情報を統合した統計手法

    Q4. 「word2vec」の主な目的として最も適切なものを1つ選べ
    A. 単語を一意な整数で表す
    B. 単語を連続値ベクトルで表し、意味的関係を保持する
    C. 文の構文を出力するパーサとして機能する
    D. 単語の出現順序をランダムに並び替える

    Q5. CBOWとスキップグラムの主な違いとして最も適切なものを1つ選べ
    A. CBOWは出力を確率で表し、スキップグラムはベクトルで表す
    B. CBOWは単語から文脈を予測、スキップグラムは文脈から単語を予測
    C. CBOWは時系列情報を用いず、スキップグラムは使用する
    D. 両者は処理対象が異なり、CBOWはテキスト、スキップグラムは画像を処理

    Q6. 「BERT」の特徴として最も適切なものを1つ選べ
    A. 単方向のRNNで構成される
    B. トークンを1つずつ予測する生成モデル
    C. 双方向の文脈を同時に考慮するマスク言語モデル
    D. 入力文の統計量だけで予測を行う単純モデル

    Q7. 「ELMo」と「BERT」の共通点として最も適切なものを1つ選べ
    A. 文の意味情報を無視して構文のみ学習する
    B. 固定の単語埋め込みベクトルを用いる
    C. 文脈依存の動的な単語表現を生成できる
    D. 画像処理のためのネットワーク構造を基盤とする

    Q8. 「GLUEベンチマーク」が評価対象としているものとして最も適切なものを1つ選べ
    A. モデルのパラメータ数と推論速度
    B. 言語モデルの自然言語理解能力
    C. 音声認識精度
    D. モデルの学習時間の短さ

    Q9. 「Seq2Seq」モデルの用途として最も適切なものを1つ選べ
    A. 時系列の予測と分類
    B. 画像からテキストを生成する
    C. 入力系列から出力系列を生成するタスク(例:翻訳)
    D. 数値計算タスクの高速化

    Q10. 「LLM(大規模言語モデル)」が持つ特徴として最も適切なものを1つ選べ
    A. 少数データでは学習ができない
    B. テキスト生成や要約、対話など多様なタスクを1モデルで処理できる
    C. 入力文の構文しか理解できない
    D. 書き言葉に限定してしか対応できない

    A1. B
    解説:自然言語処理には、翻訳・感情分析・要約・質問応答など多様なタスクがあります。

    A2. C
    解説:BoWは単語の出現頻度に基づく特徴量で、語順は無視されます。

    A3. C
    解説:TF-IDFは、文書に固有で重要な単語を重視する特徴抽出手法です。

    A4. B
    解説:word2vecは、単語を意味的関係を保ったベクトル空間に写像するモデルです。

    A5. B
    解説:CBOWは文脈から単語を予測し、スキップグラムは単語から文脈を予測します。

    A6. C
    解説:BERTは双方向の文脈を同時に考慮するマスク言語モデルです。

    A7. C
    解説:どちらも入力文脈に応じて単語の埋め込みを動的に生成するモデルです。

    A8. B
    解説:GLUEは自然言語理解の能力を測定する総合的な評価指標群です。

    A9. C
    解説:Seq2Seqは翻訳などの入力系列→出力系列タスクで用いられます。

    A10. B
    解説:LLMは大規模データで学習され、多様な自然言語タスクを1つのモデルでこなせます。

    分野:28. 音声処理(4択 × 10問)

    Q1. 音声処理の代表的なタスクとして最も適切なものを1つ選べ
    A. 音声合成、音声認識、話者識別、感情分析
    B. 時系列予測、画像生成、物体検出、翻訳
    C. 感情推定、姿勢推定、画像分類、動画生成
    D. 音素抽出、画像切り抜き、記号処理、構文解析

    Q2. 音声認識の目的として最も適切なものを1つ選べ
    A. テキストデータから音声を生成する
    B. 音声波形を画像に変換する
    C. 音声信号から話された言葉(テキスト)を抽出する
    D. 音声データの圧縮比を最適化する

    Q3. 「メル周波数ケプストラム係数(MFCC)」の役割として最も適切なものを1つ選べ
    A. 音声をグラフ構造に変換する
    B. 音声信号を人間の聴覚特性に基づいた特徴量に変換する
    C. 音声を画像化し視覚的に表示する
    D. 音声のエネルギー値を正規化する

    Q4. 「A-D変換(アナログ-デジタル変換)」の目的として最も適切なものを1つ選べ
    A. デジタル信号を可聴周波数に変換する
    B. アナログ音声信号をデジタル信号に変換する
    C. 音声信号のエネルギーを低下させる
    D. データベース検索のために文字列に変換する

    Q5. 「フォルマント周波数」と関係の深い音声の特徴として最も適切なものを1つ選べ
    A. 声の高さ(ピッチ)
    B. 話者の感情状態
    C. 母音の音質に影響する共振周波数
    D. 音声信号の平均振幅

    Q6. 「高速フーリエ変換(FFT)」の説明として最も適切なものを1つ選べ
    A. 音声信号を波長ごとに分割するための関数
    B. 音声信号を周波数領域に変換するアルゴリズム
    C. 音声の長さを圧縮するための処理手法
    D. 音声を画像に変換する手法

    Q7. 「CTC(Connectionist Temporal Classification)」の用途として最も適切なものを1つ選べ
    A. 音声信号を高周波と低周波に分けるための手法
    B. 音声合成の際に発話スピードを制御する機構
    C. 音声認識などで出力ラベルと入力の時間的対応が曖昧な場合の損失関数
    D. 話者識別のためにスペクトルを正規化する処理

    Q8. 「WaveNet」の特徴として最も適切なものを1つ選べ
    A. 音声認識用の畳み込みネットワーク
    B. 音声信号を音素に変換するエンコーダ
    C. 音声波形を1サンプルずつ生成する高品質な音声合成モデル
    D. 話者の感情を分類する統計モデル

    Q9. 「話者識別」の説明として最も適切なものを1つ選べ
    A. 音声からテキストを抽出する
    B. 話している人が誰かを特定するタスク
    C. 音声に含まれる感情を推定するタスク
    D. 音声信号を翻訳してテキストに変換するタスク

    Q10. 「音素」とは何か、最も適切なものを1つ選べ
    A. 音声に含まれるノイズの周波数成分
    B. 音声の大きさを決めるエネルギー単位
    C. 意味を区別する最小の音声単位
    D. 文法構造を定める音声規則のこと

    A1. A
    解説:音声処理には音声認識・音声合成・話者識別・感情分析など多様なタスクが含まれます。

    A2. C
    解説:音声認識は、音声信号からテキスト情報を抽出するタスクです。

    A3. B
    解説:MFCCは人間の聴覚特性に基づいた特徴抽出手法で、音声認識によく使われます。

    A4. B
    解説:A-D変換はアナログ音声信号をデジタルに変換する処理です。

    A5. C
    解説:フォルマント周波数は母音の音質に大きく関わる共振周波数です。

    A6. B
    解説:FFTは、時間領域の音声信号を周波数領域に変換する効率的なアルゴリズムです。

    A7. C
    解説:CTCは時系列出力と正解ラベルの対応関係が曖昧な場合に適用される損失関数です。

    A8. C
    解説:WaveNetは音声波形を1サンプルずつ生成する高品質な音声合成モデルです。

    A9. B
    解説:話者識別は「誰が話したか」を推定する音声処理タスクです。

    A10. C
    解説:音素は意味の違いを生む最小単位の音で、言語音の基本的な構成要素です。

    分野:29. 深層強化学習(4択 × 10問)

    Q1. 深層強化学習の基本的な考え方として最も適切なものを1つ選べ
    A. 教師ラベルをもとに誤差を最小化する
    B. データのクラスタ構造に基づいて分類する
    C. 状態に基づいて行動を選択し、得られる報酬を最大化するように学習する
    D. 入力データの次元を削減して予測精度を高める

    Q2. 「エージェント(Agent)」が強化学習において果たす役割として最も適切なものを1つ選べ
    A. 環境の報酬関数を設計する
    B. 状態を観測し、行動を選択して報酬を受け取る主体
    C. 状態遷移を乱数で制御する機構
    D. 統計的特徴量を可視化するツール

    Q3. 「DQN(Deep Q-Network)」の特徴として最も適切なものを1つ選べ
    A. すべての行動を一括で予測するRNNベースのモデル
    B. 状態と行動の組に対する価値(Q値)を深層学習で推定する
    C. 画像分類タスクに特化した教師あり学習モデル
    D. 一定のポリシーに従って行動確率を予測する方策勾配法

    Q4. 「ダブルDQN」が導入された主な理由として最も適切なものを1つ選べ
    A. エージェント数を倍増させるため
    B. 方策と価値のネットワークを入れ替えることで計算速度を上げるため
    C. Q値の過大評価を防ぐため
    D. 状態空間の次元を拡張するため

    Q5. 「デュエリングネットワーク構造」の特徴として最も適切なものを1つ選べ
    A. 同一の入力から複数のQ関数を同時に学習する
    B. 状態の価値と行動のアドバンテージを分離して学習する構造
    C. 相互の行動ポリシーを模倣するアーキテクチャ
    D. 報酬とコストを別々に最適化する構造

    Q6. 「報酬成形(Reward Shaping)」の目的として最も適切なものを1つ選べ
    A. 報酬をランダムに与えて探索を加速する
    B. より効率的な学習のために報酬関数に補助的な報酬を加える
    C. 報酬を正規化し、行動のスパース性を抑える
    D. 環境の状態数を減らすための正則化

    Q7. 「PPO(Proximal Policy Optimization)」の特徴として最も適切なものを1つ選べ
    A. 勾配消失を回避するための教師強制法
    B. 小さな方策変更での安定した改善を目的とした方策勾配法
    C. 環境を模倣してモデルを省略する学習手法
    D. 多エージェント間の通信を制御するプロトコル

    Q8. 「sim2real(simulation to real)」の意味として最も適切なものを1つ選べ
    A. 現実環境で得られたデータを模倣してシミュレーションを構築する技術
    B. 現実世界の環境変動をランダムに設定するアルゴリズム
    C. シミュレーションで学習したポリシーを現実世界に適用する手法
    D. シミュレータの出力を画像として可視化する技術

    Q9. 「OpenAI Five」や「AlphaStar」が活用された分野として最も適切なものを1つ選べ
    A. 自然言語処理タスク
    B. 音声合成モデルの強化
    C. 複雑なリアルタイム戦略ゲームでのマルチエージェント制御
    D. センサーデータの異常検知タスク

    Q10. 「RLHF(Reinforcement Learning with Human Feedback)」の説明として最も適切なものを1つ選べ
    A. 人間の行動をリアルタイムで強化学習に組み込むリアルタイム補助学習法
    B. 人間のフィードバックを報酬として利用し、強化学習を安定化させる手法
    C. 人間が定義した報酬関数を用いて教師あり学習を実施する手法
    D. 人間の知識をもとに状態空間を削減する前処理技術

    A1. C
    解説:強化学習では、エージェントが状態に基づいて行動を選び、報酬最大化を目指して学習します。

    A2. B
    解説:エージェントは環境と相互作用し、行動選択と報酬受け取りを行う主体です。

    A3. B
    解説:DQNは、状態-行動ペアにおけるQ値をニューラルネットで推定します。

    A4. C
    解説:ダブルDQNは、Q値の過大評価を防ぐためにターゲットと評価ネットを分離します。

    A5. B
    解説:デュエリング構造は、状態の価値と各行動の差分(アドバンテージ)を別々に学習します。

    A6. B
    解説:報酬成形は、元の報酬に補助的報酬を追加し、より効率的な学習を促します。

    A7. B
    解説:PPOは、方策の更新を小さく保つことで、安定した学習を実現する方策勾配法です。

    A8. C
    解説:sim2realは、シミュレータで学習したポリシーを現実の環境に転用する手法です。

    A9. C
    解説:OpenAI FiveやAlphaStarは、複雑なリアルタイム戦略ゲームでマルチエージェント制御に利用されました。

    A10. B
    解説:RLHFは、人間からのフィードバックを報酬として学習に取り入れる手法です。

    分野:30. データ生成(4択 × 10問)

    Q1. データ生成タスクの代表的な応用として最も適切なものを1つ選べ
    A. 音声認識とテキスト分類
    B. 画像分類と物体検出
    C. 音声生成、画像生成、文章生成などの新しいコンテンツの生成
    D. 構文解析と機械翻訳

    Q2. 敵対的生成ネットワーク(GAN)の構成要素として最も適切な組み合わせを1つ選べ
    A. エンコーダとデコーダ
    B. 生成器(Generator)と識別器(Discriminator)
    C. 入力層と出力層
    D. 教師ネットワークと補助ネットワーク

    Q3. 「CycleGAN」の特徴として最も適切なものを1つ選べ
    A. 入力画像にランダムなノイズを加えて変換するモデル
    B. 教師ありの画像変換モデルで、ラベル付きペア画像が必要
    C. 対応画像ペアがなくても、ドメイン間の画像変換を学習できるモデル
    D. 音声信号の時間的変換を行うモデル

    Q4. 「Pix2Pix」と「CycleGAN」の主な違いとして最も適切なものを1つ選べ
    A. Pix2Pixは画像分類、CycleGANは画像生成に用いられる
    B. Pix2Pixはペア画像を必要とし、CycleGANは必要としない
    C. CycleGANはラベル付きデータを必要とし、Pix2Pixは不要
    D. 両者とも音声合成タスクで使われる

    Q5. 「DCGAN(Deep Convolutional GAN)」の特徴として最も適切なものを1つ選べ
    A. 時系列データを対象としたGAN
    B. 畳み込み層を用いた画像生成に特化したGAN
    C. 教師あり分類に特化したディープネットワーク
    D. 分類と生成を同時に行うハイブリッドモデル

    Q6. 「Diffusion Model」の特徴として最も適切なものを1つ選べ
    A. 高速かつ低解像度の画像分類に用いるモデル
    B. 時系列データをリアルタイム処理する手法
    C. ノイズを段階的に除去することでデータを生成する確率モデル
    D. 単語の共起頻度を可視化する手法

    Q7. 「NeRF(Neural Radiance Fields)」の主な用途として最も適切なものを1つ選べ
    A. 自然言語による画像生成
    B. 3次元空間における新しい視点画像の合成
    C. ラベル付けデータの自動生成
    D. 音声信号から表情を推定する処理

    Q8. データ生成モデルが実世界で活用されている分野として最も適切なものを1つ選べ
    A. データ可視化のみ
    B. モデル圧縮のためのフィルタ設計
    C. 仮想試験、コンテンツ生成、医療画像の補完など多様な分野
    D. 時系列データの正規化専用ツール

    Q9. 文章生成にGANが直接使われにくい理由として最も適切なものを1つ選べ
    A. GANはテキストデータの意味を保持できないため
    B. 離散的なトークンの生成に対して誤差逆伝播が困難なため
    C. 文章データは分類問題にしか適用できないため
    D. GANは教師あり学習専用モデルであるため

    Q10. 音声生成タスクで用いられる深層学習モデルとして最も適切なものを1つ選べ
    A. ResNet
    B. WaveNet
    C. U-Net
    D. BERT

    A1. C
    解説:データ生成タスクでは、画像・音声・文章など新たなデータを生成する応用が含まれます。

    A2. B
    解説:GANは生成器と識別器の2つのネットワークが競合的に学習します。

    A3. C
    解説:CycleGANはペア画像なしでドメイン変換を実現できる画像生成モデルです。

    A4. B
    解説:Pix2Pixはペア画像を前提とした教師あり学習、CycleGANは非ペアでも学習可能です。

    A5. B
    解説:DCGANは畳み込みニューラルネットワークを用いた画像生成に特化したモデルです。

    A6. C
    解説:Diffusion Modelは、段階的にノイズを除去してデータを生成する高品質な生成モデルです。

    A7. B
    解説:NeRFは異なる視点からの画像を再構成する3次元再構成モデルです。

    A8. C
    解説:データ生成モデルは仮想試験、医療、ゲーム、創作など多様な現場で活用されています。

    A9. B
    解説:GANは連続値の画像生成に適しており、離散的なテキスト生成には逆伝播が難しいとされます。

    A10. B
    解説:WaveNetは音声波形を1サンプルずつ生成する高品質な音声生成モデルです。

    分野:31. 転移学習・ファインチューニング(4択 × 10問)

    Q1. 転移学習(Transfer Learning)の主な目的として最も適切なものを1つ選べ
    A. モデルのサイズを縮小するため
    B. 他のタスクで学習した知識を別の関連タスクに応用するため
    C. データの次元を削減して可視化するため
    D. ラベルなしデータをクラスタリングするため

    Q2. 「ファインチューニング(Fine-tuning)」の説明として最も適切なものを1つ選べ
    A. 訓練済みモデルを新しいデータに対してパラメータの一部または全体を再調整すること
    B. モデルの出力を均等化するための学習法
    C. 全てのパラメータをゼロから再学習する方法
    D. データのノイズを削除するための正則化手法

    Q3. 転移学習が有効に働く場面として最も適切なものを1つ選べ
    A. 学習データが大量に存在する場合
    B. 新しいタスクに対してデータが極めて少ない場合
    C. モデルがすでに高い精度を出している場合
    D. タスクごとに完全に異なる入力形式を用いる場合

    Q4. 「事前学習済みモデル(Pre-trained Model)」が利用される主な利点として最も適切なものを1つ選べ
    A. 訓練コストは増えるが精度が下がる
    B. 学習データの可視化が自動で行える
    C. 少量のデータでも高い精度を実現しやすい
    D. モデルの過学習を促進するため

    Q5. 「Few-shot Learning」の説明として最も適切なものを1つ選べ
    A. 数千件のデータを使って高精度を目指す学習方式
    B. データが無くても学習できる生成的手法
    C. 少数のサンプルから新しいタスクを学習する方式
    D. テキストの構文のみでラベルを推定する方式

    Q6. 「One-shot Learning」の特徴として最も適切なものを1つ選べ
    A. 一度の学習ステップで全てのモデルを更新する手法
    B. 単一の例から新しいクラスの識別を行う手法
    C. 入力系列を一括で分類するバッチ学習法
    D. ノイズ付きのデータから反復的に学習する手法

    Q7. 「自己教師あり学習(Self-Supervised Learning)」の説明として最も適切なものを1つ選べ
    A. 教師データなしで全く学習できない方式
    B. 自動生成された疑似ラベルを用いて学習する方式
    C. 教師が与えるフィードバックを模倣する手法
    D. すでに学習済みの出力を再利用する手法

    Q8. 「破壊的忘却(Catastrophic Forgetting)」に関する説明として最も適切なものを1つ選べ
    A. モデルが特定のラベルを繰り返し予測する現象
    B. 新しいタスクの学習によって、以前のタスクの知識が失われる現象
    C. 学習が途中で停止し再開できなくなる現象
    D. モデルが正解を出力しなくなるメモリリーク

    Q9. 「半教師あり学習(Semi-Supervised Learning)」の特徴として最も適切なものを1つ選べ
    A. 教師ありデータのみで構成された学習方式
    B. 完全に教師なしのクラスタリング手法
    C. ラベル付きデータとラベルなしデータを組み合わせて学習する手法
    D. ランダムに生成されたデータだけで学習する手法

    Q10. 転移学習・ファインチューニングにより大幅な精度向上を実現したモデルの例として最も適切なものを1つ選べ
    A. YOLO
    B. ResNet
    C. BERT
    D. DBSCAN

    A1. B
    解説:転移学習は、既存の学習済みモデルを利用して、別の関連タスクに知識を応用します。

    A2. A
    解説:ファインチューニングは、事前学習済みモデルを新タスクに合わせて微調整する手法です。

    A3. B
    解説:転移学習は、データが少ない新タスクで特に有効です。

    A4. C
    解説:事前学習済みモデルは、少ないデータでも良い性能を発揮しやすくなります。

    A5. C
    解説:Few-shot Learningは、数件〜十数件程度のサンプルから学習する方式です。

    A6. B
    解説:One-shot Learningは、1例のサンプルから新しいクラスを学習する方法です。

    A7. B
    解説:自己教師あり学習は、ラベルを必要とせず、自身で生成した疑似ラベルで学習します。

    A8. B
    解説:破壊的忘却とは、新しいタスクを学ぶ際に、以前の知識が失われる現象です。

    A9. C
    解説:半教師あり学習は、ラベル付きとラベルなしのデータを併用して学習します。

    A10. C
    解説:BERTは事前学習とファインチューニングにより多様な自然言語処理タスクで高精度を実現しました。

    分野:32. マルチモーダル(4択 × 10問)

    Q1. 「マルチモーダル処理」の基本的な説明として最も適切なものを1つ選べ
    A. 音声と音声のみを統合する処理
    B. 異なる種類の情報(例:画像とテキスト)を統合的に扱う処理
    C. 単一の情報から複数の分類を行う処理
    D. 時系列データに特化した処理方式

    Q2. 「Image Captioning(画像キャプション生成)」のタスク内容として最も適切なものを1つ選べ
    A. 複数の画像を分類する
    B. 音声から画像を生成する
    C. 画像を入力として自然言語で説明文を出力するタスク
    D. テキストを基に画像内の対象を分類するタスク

    Q3. 「Text-To-Image(テキストから画像生成)」タスクに該当するものとして最も適切なものを1つ選べ
    A. 画像を見て質問に答える
    B. テキストをもとに新しい画像を生成する
    C. 画像のラベルをテキストに変換する
    D. 音声を画像に変換するタスク

    Q4. 「Visual Question Answering(VQA)」の説明として最も適切なものを1つ選べ
    A. テキストのみを使って質問に答える
    B. 画像と質問文を入力として答えを出力するタスク
    C. 音声質問に画像で答えるタスク
    D. 画像を使わず知識ベースから答えを出すタスク

    Q5. 「CLIP」の特徴として最も適切なものを1つ選べ
    A. 時系列データの分類に特化した軽量モデル
    B. 画像とテキストを同じ空間に埋め込んで対応関係を学習するモデル
    C. 大量の音声データを翻訳するための基盤モデル
    D. 医療診断支援向けに構築された画像生成モデル

    Q6. 「DALL·E」の特徴として最も適切なものを1つ選べ
    A. 入力画像から正確なキャプションを生成するためのモデル
    B. テキストから多様で高品質な画像を生成するモデル
    C. 文法誤りを検出する自然言語処理モデル
    D. 音声コマンドに応答するロボティクスモデル

    Q7. 「Flamingo」の主な目的として最も適切なものを1つ選べ
    A. 音声・映像を同時に処理して予測を行うリアルタイム分析モデル
    B. マルチモーダル少数ショット学習に対応し、画像と言語を統合的に理解するモデル
    C. 時系列テキスト予測のための言語専用モデル
    D. 動画の編集と生成を行う基盤モデル

    Q8. 「Unified-IO」の説明として最も適切なものを1つ選べ
    A. 入力を統一的にベクトル化して次元削減する手法
    B. 複数のタスク(画像キャプション、VQAなど)を単一モデルで処理する統合マルチモーダルモデル
    C. 音声から直接制御命令を出力する制御系モデル
    D. 映像の切り抜きと自動生成を行うマルチカメラモデル

    Q9. 「zero-shot」学習が意味することとして最も適切なものを1つ選べ
    A. 学習済みのデータしか処理できない状態
    B. 学習したクラスとは異なる未学習のクラスにも対応できるモデルの性質
    C. 全くの教師なしで訓練する学習方式
    D. タスクに特化しない汎用分類器を作る方式

    Q10. マルチモーダルAIが実世界で活用されている例として最も適切なものを1つ選べ
    A. 音声による回路設計最適化
    B. テキスト処理専用の自然言語応答システム
    C. ロボットによる視覚と指示文の統合処理、ARナビゲーション、画像付き検索など
    D. 画像分類のみを行う医療支援モデル

    A1. B
    解説:マルチモーダル処理は、画像+テキスト、音声+映像など異なるモダリティの情報を統合して扱います。

    A2. C
    解説:Image Captioningは、画像を見てその内容を自然言語で説明するタスクです。

    A3. B
    解説:Text-To-Imageは、文章から内容に合った画像を生成するタスクです。

    A4. B
    解説:VQAは画像と質問文を同時に入力し、質問に対する答えを出すマルチモーダルタスクです。

    A5. B
    解説:CLIPは画像とテキストを同一空間にマッピングして両者の関連性を学習するモデルです。

    A6. B
    解説:DALL·Eは、与えられたテキストをもとに画像を生成できるモデルです。

    A7. B
    解説:Flamingoは、画像と言語を統合して、少数ショットのマルチモーダルタスクに対応します。

    A8. B
    解説:Unified-IOは、画像生成・質問応答・キャプションなど複数の視覚言語タスクを1つのモデルで処理します。

    A9. B
    解説:zero-shotは、訓練されていないクラスに対しても推論が可能な性質を指します。

    A10. C
    解説:マルチモーダルAIは、ロボットの視覚・言語統合、ARアプリ、画像+検索などに広く応用されています。

    分野:33. モデルの解釈性(4択 × 10問)

    Q1. 「モデルの解釈性」が重要とされる主な理由として最も適切なものを1つ選べ
    A. モデルの出力を高速化できるから
    B. 学習時の誤差を隠蔽するため
    C. モデルの予測理由を人間が理解・納得できるようにするため
    D. 学習パラメータの数を削減するため

    Q2. 「説明可能AI(XAI)」の目的として最も適切なものを1つ選べ
    A. 訓練データを圧縮すること
    B. モデルの実行時間を測定すること
    C. モデルの予測や行動を説明し、信頼性や透明性を向上させること
    D. モデルのパフォーマンスを最大化することのみを目的とする

    Q3. モデルの解釈性が特に重要視される分野として最も適切なものを1つ選べ
    A. ゲームAIとキャラクター生成
    B. 金融、医療、裁判などの高リスク領域
    C. 映像生成とアニメーション分野
    D. 音声合成と音楽生成

    Q4. 「SHAP」の説明として最も適切なものを1つ選べ
    A. モデルの精度を向上させる最適化アルゴリズム
    B. 各特徴量が予測に与える影響を公平に分配して定量評価する手法
    C. 画像データに特化した特徴マップ抽出手法
    D. 畳み込み層における重みの可視化手法

    Q5. 「LIME(Local Interpretable Model-agnostic Explanations)」の特徴として最も適切なものを1つ選べ
    A. モデル全体を逐次的に可視化する
    B. 任意のブラックボックスモデルの局所的挙動を近似的に説明する手法
    C. 特徴量の順番を並び替えることで可視化を行う手法
    D. モデル出力の変化をハイパーパラメータで表す手法

    Q6. 「Grad-CAM」の主な用途として最も適切なものを1つ選べ
    A. 入力画像の類似度を数値化する
    B. 畳み込みニューラルネットワークの出力に対する貢献度を可視化する
    C. 時系列予測モデルの重みを可視化する
    D. 正解ラベルを予測に強制的に反映させる

    Q7. 「CAM(Class Activation Mapping)」と「Grad-CAM」の違いとして最も適切なものを1つ選べ
    A. CAMは勾配情報を使用せず、Grad-CAMは勾配を使用する
    B. Grad-CAMは教師なし学習で、CAMは教師あり学習で用いられる
    C. CAMは自然言語処理用、Grad-CAMは画像分類用
    D. 両者とも出力層に限定された技術

    Q8. 「Permutation Importance」の説明として最も適切なものを1つ選べ
    A. 各特徴量の値をランダムに入れ替えたときのモデル精度の変化で重要度を測る
    B. 全ての特徴量を順番に学習することで順序性を確認する
    C. モデルの活性化関数を可視化する手法
    D. モデルの予測時間を測定するベンチマーク手法

    Q9. SHAPが他の手法と異なる利点として最も適切なものを1つ選べ
    A. モデルを事前に可視化して学習速度を高速化できる
    B. 局所ではなく、全体の特徴量重要度を正確に測定できる
    C. あらかじめ指定された出力を強制的に学習させることができる
    D. モデルを簡素化し、データを削減できる

    Q10. モデルの解釈性が低い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
    A. モデルが高性能になる
    B. モデルを現場で導入しやすくなる
    C. モデルの判断根拠が不明で信頼性が低下する
    D. モデルの学習が高速化する

    A1. C
    解説:予測理由が不明だとユーザーや専門家の信頼を得にくいため、解釈性は重要です。

    A2. C
    解説:XAIは予測の根拠を明示し、モデルの透明性と信頼性を高めることを目的としています。

    A3. B
    解説:医療・金融・司法などの高リスク分野では、判断理由の説明が極めて重要です。

    A4. B
    解説:SHAPはゲーム理論に基づき、特徴量ごとの予測への貢献度を定量的に示します。

    A5. B
    解説:LIMEは任意のモデルに対して、特定入力の近傍での挙動を近似して説明します。

    A6. B
    解説:Grad-CAMはCNNの出力に寄与する領域をヒートマップとして可視化できます。

    A7. A
    解説:CAMは特定構造のモデル限定で、Grad-CAMはより汎用性があり勾配を用います。

    A8. A
    解説:Permutation Importanceは、特徴量の順序を乱すことで予測性能の変化から重要度を推定します。

    A9. B
    解説:SHAPは局所・全体両方で一貫した評価が可能で、正確なグローバル重要度評価が強みです。

    A10. C
    解説:解釈性が低いと、モデルの動作が不明瞭で導入・運用上の信頼を損なう可能性があります。

    分野:34. モデルの軽量化(4択 × 10問)

    Q1. モデルの軽量化が求められる主な背景として最も適切なものを1つ選べ
    A. モデルの精度が高すぎることによる過学習防止のため
    B. 大規模な計算機での処理を制限するため
    C. 計算資源の限られた環境(例:エッジデバイス)での利用を可能にするため
    D. モデルの汎用性を下げるため

    Q2. 「エッジAI」の説明として最も適切なものを1つ選べ
    A. クラウドで全処理を行い、エッジではデータを転送するAI手法
    B. 小型デバイスなどのエッジ環境上でAI推論を実行する方式
    C. AIの中心的モデルを指す言葉
    D. オンライン学習に特化したAIの形式

    Q3. 「モデル圧縮」の目的として最も適切なものを1つ選べ
    A. モデルの出力を人間が読みやすくする
    B. モデルの重みを暗号化してセキュリティを高める
    C. モデルのサイズや演算量を削減して推論を効率化する
    D. 訓練データ量を増加させることで性能を向上させる

    Q4. 「量子化(Quantization)」の特徴として最も適切なものを1つ選べ
    A. 入力データを物理量に変換する操作
    B. モデルの重みや活性化値の精度を低く(例えば32bit→8bit)することでモデルを小さくする
    C. 出力ラベルの確率を2値化する処理
    D. 訓練中のノイズを増幅するための技術

    Q5. 「プルーニング(Pruning)」の説明として最も適切なものを1つ選べ
    A. モデルの重みを正則化して削除する処理
    B. 重要度の低い重みやニューロンを削除し、モデルを軽量化する技術
    C. ランダムに重みを切り捨てる処理
    D. 入力データを切り詰めて次元を削減する処理

    Q6. 「蒸留(Distillation)」の特徴として最も適切なものを1つ選べ
    A. 複数のモデルを同時に学習すること
    B. 教師モデルの出力を模倣することで、軽量な生徒モデルを学習させる技術
    C. モデルのパラメータを冷却して計算を安定化させる技術
    D. 重みを量子化する前処理技術

    Q7. 「宝くじ仮説(Lottery Ticket Hypothesis)」の説明として最も適切なものを1つ選べ
    A. モデルの学習成功は運に左右されるとする理論
    B. 学習済みネットワークには初期化がうまくいったサブネットワーク(当たりくじ)が含まれており、それを抽出・再学習すれば高性能が得られるという仮説
    C. 正規化の過程でランダムにノードを選別する処理
    D. ハイパーパラメータを無作為に選ぶことで性能を向上させる方法

    Q8. モデルの軽量化が特に有効なユースケースとして最も適切なものを1つ選べ
    A. GPUサーバー上でのバッチ学習
    B. スマートフォンやIoTデバイス上でのリアルタイム推論
    C. 超大規模クラスタでの分散処理
    D. 教師あり学習におけるハイパーパラメータ探索

    Q9. 蒸留によって得られる「生徒モデル(Student Model)」の一般的な特徴として最も適切なものを1つ選べ
    A. 学習済み教師モデルよりも常に高精度
    B. 教師モデルと同じ構造・同じサイズ
    C. 教師モデルよりも小型・軽量でありながら、近い性能を持つ
    D. 教師モデルの正解ラベルを直接再利用するだけのモデル

    Q10. モデル軽量化手法の導入によって最も期待される効果として最も適切なものを1つ選べ
    A. モデルの学習時間が長くなる
    B. 精度が自動的に向上する
    C. 計算リソースの削減、推論速度の向上、消費電力の低減
    D. モデルのブラックボックス性が強まる

    A1. C
    解説:エッジデバイスなどの制約環境でAIモデルを活用するために、軽量化が必要とされます。

    A2. B
    解説:エッジAIとは、IoTデバイスやスマホ等の端末上でモデルを直接動かす技術です。

    A3. C
    解説:モデル圧縮は、演算負荷やメモリ使用量を削減することを目的とします。

    A4. B
    解説:量子化は、モデルの重みなどを低ビット表現にすることで、サイズと演算効率を改善します。

    A5. B
    解説:プルーニングは、モデルの不要な重みやユニットを削除して軽量化します。

    A6. B
    解説:蒸留は、複雑な教師モデルの出力を使って、より軽量な生徒モデルに知識を伝達する技術です。

    A7. B
    解説:宝くじ仮説は、有効な初期値を持つ小規模なサブネットワークが学習成功の鍵になるとする仮説です。

    A8. B
    解説:軽量モデルはスマホやIoTなどの処理能力が限られた端末で特に有効です。

    A9. C
    解説:蒸留によって得られる生徒モデルは、教師モデルよりも小型で効率的ながら高性能です。

    A10. C
    解説:軽量化は、推論時間短縮、メモリ・電力消費の削減などに効果を発揮します。

    分野:35. AI プロジェクトの進め方(4択 × 10問)

    Q1. AIプロジェクトにおける「PoC(Proof of Concept)」の目的として最も適切なものを1つ選べ
    A. 本番システムを完全に構築して納品すること
    B. 検証をスキップして早期リリースを図ること
    C. アイデアや技術が実現可能かどうかを小規模に検証すること
    D. 法的リスクを回避するためのテスト運用を行うこと

    Q2. CRISP-DMのプロセスで「ビジネス理解」が含意する主な活動として最も適切なものを1つ選べ
    A. アルゴリズムの選定
    B. 実験的にモデルを構築する
    C. ビジネス課題の明確化と分析目標の定義
    D. 統計モデルを用いた事後評価

    Q3. 「MLOps」がカバーする主な領域として最も適切なものを1つ選べ
    A. AIモデルのハイパーパラメータ調整のみ
    B. モデルの開発からデプロイ、運用・監視までの一連のライフサイクル
    C. データの正規化と前処理のみを行うフレームワーク
    D. オンライン学習モデル専用のテスト環境

    Q4. AIプロジェクトを進める際に「アジャイル手法」が効果的とされる理由として最も適切なものを1つ選べ
    A. 全工程を一括で定義することで効率的になるため
    B. 要件が初期から確定している場合に向くため
    C. 顧客やステークホルダーとの対話を重視し、柔軟に変更に対応できるため
    D. ドキュメント量を増やすことでプロジェクトの透明性が増すため

    Q5. AIシステムの運用における「ヘルスモニタリング」の目的として最も適切なものを1つ選べ
    A. GPU温度の監視による機器保護
    B. モデルの推論速度の最小化
    C. モデル性能やデータ分布の変化を継続的に監視すること
    D. モデルのソースコードの暗号化

    Q6. 「ステークホルダーのニーズ」をAIプロジェクト初期に把握すべき理由として最も適切なものを1つ選べ
    A. データ収集が不要になるため
    B. AIの出力結果が必ずしも求められるアクションに繋がるとは限らないため
    C. 法的拘束力を持つ契約に備えるため
    D. 推論速度を改善するための情報が得られるため

    Q7. 「CRISP-ML」の説明として最も適切なものを1つ選べ
    A. 機械学習に特化したAI運用のためのライフサイクル管理プロセス
    B. NLPタスク専用のフレームワーク
    C. アジャイルとウォーターフォールを混在させた開発プロセス
    D. クラウド上でモデルを自動学習させる技術

    Q8. 「オープン・イノベーション」に該当する取り組みとして最も適切なものを1つ選べ
    A. 社内メンバーだけでアイデアを出し合うブレインストーミング
    B. 他社や大学、研究機関と連携して技術や知見を取り入れる活動
    C. クローズドソースで独自モデルを開発する活動
    D. 社内の利用ログを可視化するプロジェクト

    Q9. AIプロジェクトで「Docker」や「Jupyter Notebook」を活用する主な利点として最も適切なものを1つ選べ
    A. モデルをサーバー上で学習させずにすむ
    B. クラウドにデータをアップロードせずに済む
    C. 実験環境の再現性や共有性を高め、共同作業を効率化できる
    D. データの正規分布を保証する

    Q10. AIプロジェクトで「サービスやプロダクトとして世に出す」局面で注意すべきこととして最も適切なものを1つ選べ
    A. モデルを最も複雑にすること
    B. モデルの性能だけでなく、運用可能性・保守性・説明責任なども考慮すること
    C. モデルの訓練に用いたデータのラベル数を増やすこと
    D. 推論結果を完全に隠蔽すること

    A1. C
    解説:PoCは、AI技術やアイデアが実際に機能するかを試すための初期検証です。

    A2. C
    解説:CRISP-DMにおける「ビジネス理解」は、AIの分析が解決すべき課題を定義する工程です。

    A3. B
    解説:MLOpsは、モデルの開発・デプロイ・監視・改善まで一連の運用を指します。

    A4. C
    解説:アジャイルは変更やフィードバックに柔軟に対応できる手法で、AI開発に適しています。

    A5. C
    解説:ヘルスモニタリングは、精度劣化や入力データの変化などを監視して早期対応を促します。

    A6. B
    解説:AIの予測結果が業務的な価値に直結するとは限らないため、初期段階でのニーズ把握が重要です。

    A7. A
    解説:CRISP-MLは、機械学習を前提としたAI開発・運用のための管理フレームワークです。

    A8. B
    解説:オープン・イノベーションは、組織外の知見を取り入れて価値創造を図る取り組みです。

    A9. C
    解説:DockerとJupyter Notebookは環境の再現性・共有性を高め、開発効率を向上させます。

    A10. B
    解説:AIの社会実装には、性能だけでなく説明性・保守性・ユーザーへの影響など総合的配慮が必要です。

    分野:36. データの収集・加工・分析・学習(4択 × 10問)

    Q1. AIの学習用データを収集する際に最も注意すべき点として最も適切なものを1つ選べ
    A. データのラベルをできるだけランダムにすること
    B. データが最新であるかどうかより、量を優先すること
    C. 利用目的に応じた正確かつ偏りの少ないデータであること
    D. 高性能なGPUでデータを収集すること

    Q2. 「アノテーション」の目的として最も適切なものを1つ選べ
    A. データの容量を削減すること
    B. データに意味情報やラベルを付与して、機械学習モデルの学習を可能にすること
    C. データを暗号化してセキュリティを確保すること
    D. データをランダムに分割してシャッフルすること

    Q3. 「オープンデータセット」を利用する際の留意点として最も適切なものを1つ選べ
    A. 著作権やライセンスの制限を確認し、適切に利用する必要がある
    B. すべてのオープンデータは商用利用が許可されている
    C. 精度が保証されているので品質確認は不要
    D. データはリアルタイムに更新されることが前提である

    Q4. 「データリーケージ(Data Leakage)」が起きるとどのような影響があるか、最も適切なものを1つ選べ
    A. 学習精度が安定する
    B. 本番環境では性能が向上する
    C. 学習時に本来知られてはならない情報が含まれることで、不正確なモデル評価や過学習を招く
    D. モデルの学習が早く終わるため効率的になる

    Q5. 「コーパス(corpus)」の説明として最も適切なものを1つ選べ
    A. 音声データの記録方法
    B. センサーから取得された構造化データ群
    C. 自然言語処理で使われる、テキスト文書を集めたデータセット
    D. 時系列の株価データのうち、高頻度取引に関係するデータ

    Q6. 機械学習用のデータを「前処理」する主な理由として最も適切なものを1つ選べ
    A. モデルの構造を単純化するため
    B. データのノイズや欠損を補完し、学習に適した状態に整えるため
    C. 入力データを全て削除して整理するため
    D. ランダムにデータを並べ替えるため

    Q7. データ分析における「バイアス」への対処で最も適切なものを1つ選べ
    A. モデルが高精度ならバイアスは無視してよい
    B. バイアスを含んだデータはそのまま使うべき
    C. 特定の属性に偏りがないかを分析・確認し、必要に応じて補正・除去する
    D. バイアスの測定は困難なので無視するのが一般的

    Q8. 複数チームでAI開発を行う際に、データ共有で最も重視すべきこととして最も適切なものを1つ選べ
    A. データのサイズよりもアルゴリズムを統一すること
    B. データが正規化されていることよりも、更新頻度を重視すること
    C. 利用ルール・セキュリティ・アクセス権限などを明確に定めること
    D. 全てのメンバーが自由にラベルを付与できるようにすること

    Q9. モデル学習用のデータセットを検証用に分割する理由として最も適切なものを1つ選べ
    A. モデルが訓練データに適合しすぎるのを防ぐため
    B. データの保存容量を減らすため
    C. 検証用データの特徴量を削除するため
    D. データのラベルを無効化するため

    Q10. モデルの学習後に「ドリフト(drift)」が起きた場合の現象として最も適切なものを1つ選べ
    A. モデルが常に正解を出すようになる
    B. 入力データや分布の変化により、予測性能が低下する
    C. モデルのサイズが自動的に小さくなる
    D. 入力と出力が完全に逆になる

    A1. C
    解説:AIモデルの精度や公平性を保つには、バランスの取れた適切なデータ収集が不可欠です。

    A2. B
    解説:アノテーションは、学習可能なデータを作成するために必要なラベル付けなどの工程です。

    A3. A
    解説:オープンデータにはライセンスが付いている場合が多く、使用条件の確認が必須です。

    A4. C
    解説:テストデータに学習データの情報が混入すると、本番で過学習や誤評価が発生します。

    A5. C
    解説:コーパスは自然言語処理タスクで使用される大規模テキストデータセットです。

    A6. B
    解説:前処理によってデータ品質を高め、学習効果の高いデータ形式に整えます。

    A7. C
    解説:バイアスは、モデルの公正性・信頼性に大きく影響するため、分析と対処が必要です。

    A8. C
    解説:安全・適切なデータ共有のために、ルールやアクセス制御の明確化が不可欠です。

    A9. A
    解説:過学習の防止や汎化性能の確認のため、訓練用と検証用の分割が行われます。

    A10. B
    解説:ドリフトはデータの変化により、学習時の性能が時間とともに低下する現象です。

    分野:37. AI に必要な数理・統計知識(4択 × 10問)

    Q1. 「期待値」に関する説明として最も適切なものを1つ選べ
    A. 観測された値の最小値
    B. 試行の最頻値
    C. 確率変数が取り得る値とその確率の積の総和(または積分)
    D. データの中央値

    Q2. 「分散」の意味として最も適切なものを1つ選べ
    A. データの最大値と最小値の差
    B. データの中心からのばらつきの平均(偏差の2乗平均)
    C. データを正規化するための係数
    D. 相関の度合いを測る指標

    Q3. 「相関係数」に関する説明として最も適切なものを1つ選べ
    A. 2つの変数の関係を表す指標で、−1から1の範囲を取る
    B. 変数間の関係性は測定できない
    C. 標準偏差をもとにして計算されるが常に正の値を取る
    D. 外れ値の影響を受けにくい非線形の指標

    Q4. 「最尤法(Maximum Likelihood Estimation)」の目的として最も適切なものを1つ選べ
    A. 仮説の棄却を判定するため
    B. 統計量の平均値を算出するため
    C. 観測データのもとで最も尤もらしいパラメータを推定するため
    D. データを圧縮するための最適な符号化を見つけるため

    Q5. 「外れ値」の説明として最も適切なものを1つ選べ
    A. 平均よりも大きい値のすべて
    B. データの中央値のこと
    C. 他のデータと比べて著しく異なる値
    D. 分布の中心に集中するデータ

    Q6. 「正規分布」の特徴として最も適切なものを1つ選べ
    A. 左右非対称の分布である
    B. 平均を中心とした左右対称の釣鐘型分布
    C. 離散的な分布で、整数値のみを取る
    D. 常に中央値が0である分布

    Q7. 「マハラノビス距離」の特徴として最も適切なものを1つ選べ
    A. 平均からの直線距離を表す
    B. 単位が揃っていない場合に使用できない距離
    C. データの分散や共分散を考慮した距離
    D. 時系列データ専用の距離

    Q8. 「ユークリッド距離」と「コサイン類似度」の違いとして最も適切なものを1つ選べ
    A. ユークリッド距離は方向の類似性、コサイン類似度は距離を表す
    B. ユークリッド距離はベクトルの長さに比例し、コサイン類似度は角度に基づく
    C. 両者は常に一致する
    D. コサイン類似度はスカラー値のみを扱う

    Q9. 「帰無仮説」と「対立仮説」の関係として最も適切なものを1つ選べ
    A. 両者は同時に受容される
    B. 対立仮説が棄却されると帰無仮説が採択される
    C. 帰無仮説が否定されることで、対立仮説の支持が強まる
    D. 両者はまったく無関係の仮説

    Q10. 「偏相関係数」が示す意味として最も適切なものを1つ選べ
    A. 他の変数の影響を除外せずに求めた2変数間の相関
    B. 他の変数の影響を取り除いたうえでの2変数間の相関
    C. 相関係数と共分散の和を表す
    D. 3変数間の平均値の関係を表す

    A1. C
    解説:期待値は、確率変数がとる値にその確率を掛けて合計(または積分)した理論的平均です。

    A2. B
    解説:分散は、データの平均からの偏差の2乗の平均であり、ばらつきの大きさを示します。

    A3. A
    解説:相関係数は2つの変数の関係性を−1〜1の範囲で示します。

    A4. C
    解説:最尤法は、観測されたデータが得られる確率を最大化するパラメータを求める手法です。

    A5. C
    解説:外れ値は、他のデータと比べて極端に異なる値のことを指します。

    A6. B
    解説:正規分布は左右対称な釣鐘型の連続分布で、多くの自然現象に現れます。

    A7. C
    解説:マハラノビス距離は、共分散を考慮することでデータのスケールや相関を反映した距離です。

    A8. B
    解説:ユークリッド距離は長さベースの距離、コサイン類似度はベクトル間の角度ベースの類似性を示します。

    A9. C
    解説:帰無仮説が棄却された場合、対立仮説の支持が強まるという論理構造になります。

    A10. B
    解説:偏相関係数は、他の変数の影響を取り除いたうえで2変数間の純粋な関係を示す指標です。

     
     
    「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