メインコンテンツへスキップ
見出し画像

【G検定対策】シラバス2024年版 模擬問題3

    章末の「ご利用にあたって」を読んでからご利用ください。
    今回は模擬問題として160問120分を意識して出題問題をランダムにしております。解答解説は最後にPDF添付しています。
    作成は2025/5/4です。


    模擬問題 160問 120分

    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 人間の知的作業をすべて自動で模倣できるコンピュータ技術
    ② ロボット技術と機械学習技術を統合したもの
    ③ 人間の知的行動を模倣するよう設計された人工的なシステム
    ④ 全自動で自己学習し、人間の知識を超越するソフトウェア

    Q2. 古典的AIと機械学習の主な違いとして正しいものを1つ選べ。
    ① 古典的AIはニューラルネットワークを使うが、機械学習は使わない
    ② 古典的AIはルールベースであり、機械学習はデータから学習する
    ③ 機械学習は論理演算に基づくが、古典的AIは経験則を用いる
    ④ 機械学習は強いAIの一形態である

    Q3. ディープラーニングの特徴として最も適切なものを1つ選べ。
    ① 明示的なルール定義が必要で、人間が特徴量を設計する
    ② 多層のニューラルネットワークにより特徴抽出と分類を自動で行う
    ③ 決定木ベースのアルゴリズムを改良した学習モデル
    ④ 主に画像以外のデータに特化した手法

    Q4. 「畳み込みニューラルネットワーク(CNN)」の用途として最も適切なものを1つ選べ。
    ① 自然言語処理
    ② 画像認識
    ③ 時系列予測
    ④ 強化学習

    Q5. ディープラーニングの応用例として最も適切なものを1つ選べ。
    ① 画像の自動分類
    ② 単純なルールベースの制御
    ③ データベースの正規化
    ④ ハードウェアの設計

    Q6. AIプロジェクトの社会実装において重要な要素として最も適切なものを1つ選べ。
    ① 技術的な実現可能性のみの評価
    ② 倫理的・法的な側面の考慮
    ③ コスト削減のみに注目する
    ④ 短期間での成果のみを重視する

    Q7. 2024年に発表された「GPT-4o」の特徴として最も適切なものを1つ選べ。
    ① 画像生成に特化したモデル
    ② 音声認識専用のモデル
    ③ テキスト、音声、画像を統合的に処理できるマルチモーダルモデル
    ④ 小規模データセット専用の軽量モデル

    Q8. 機械学習における「過学習(オーバーフィッティング)」の説明として正しいものを1つ選べ。
    ① 訓練データに対して高い精度を示すが、新しいデータに対しては精度が低下する現象
    ② モデルが常に高い汎化性能を持つ状態
    ③ 訓練データが不足している状態
    ④ モデルが全く学習できていない状態

    Q9. AIの法的・倫理的な課題として最も適切なものを1つ選べ。
    ① AIが人間の感情を完全に理解できないこと
    ② AIが自律的に判断を下す際の責任の所在
    ③ AIの計算速度が人間を超えること
    ④ AIが物理的な作業を行えないこと

    Q10. ニューラルネットワークにおいて「活性化関数」の役割として最も適切なものを1つ選べ。
    ① 勾配をゼロにする
    ② 出力を常に0〜1に制限する
    ③ 非線形性を導入することで学習能力を高める
    ④ 出力を整数に丸める

    Q11. 教師あり学習の例として最も適切なものを1つ選べ。
    ① クラスタリングによる顧客分類
    ② 自動運転における報酬学習
    ③ スパムメールかどうかの分類モデルの学習
    ④ 次元削減によるデータ圧縮

    Q12. Transformerにおいて、自己注意機構(Self-Attention)の役割として適切なものを1つ選べ。
    ① 入力全体に均等な重みを与える
    ② 入力系列中の単語間の依存関係を捉える
    ③ 出力層の損失を計算する
    ④ 学習率を自動で調整する

    Q13. 誤差逆伝播法(Backpropagation)の主な目的として正しいものを1つ選べ。
    ① 重みをランダムに初期化する
    ② モデルの出力を安定させる
    ③ 損失関数を最小化する方向に重みを更新する
    ④ 入力データをノイズから除去する

    Q14. 活性化関数「ReLU」の特徴として最も適切なものを1つ選べ。
    ① 負の入力に対しても値を返す
    ② 微分が常に一定
    ③ 0以下の入力に対しては出力0
    ④ 出力が常に0から1の範囲に収まる

    Q15. 強化学習において「報酬関数」の役割として最も適切なものを1つ選べ。
    ① エージェントの行動履歴を記録する
    ② エージェントの状態を初期化する
    ③ 目的に沿った行動を評価する
    ④ 状態遷移の確率を設定する

    Q16. モデルの評価指標のうち、分類問題において「適合率(Precision)」が高いとはどういうことか?
    ① 正解ラベルのうち、モデルが当てた割合が高い
    ② モデルが予測した陽性のうち、正解の割合が高い
    ③ モデルの再現率が高い
    ④ モデルの全体的な精度が高い

    Q17. 主成分分析(PCA)の目的として最も適切なものを1つ選べ。
    ① データを正規化する
    ② モデルの複雑さを高める
    ③ データの次元を削減し、特徴を抽出する
    ④ データをランダムに分割する

    Q18. バイアスとバリアンスのトレードオフに関する説明として正しいものを1つ選べ。
    ① 高バイアスは過学習の原因
    ② 高バリアンスは過学習につながる
    ③ バイアスが低いと必ず精度が上がる
    ④ バリアンスが高いとモデルは安定する

    Q19. オンライン学習の特徴として正しいものを1つ選べ。
    ① 学習データ全体を一度に使って学習する
    ② 時間の経過とともに精度が必ず低下する
    ③ データの到着に応じて逐次モデルを更新する
    ④ 学習中は新しいデータを使用しない

    Q20. Explainable AI(XAI)の目的として最も適切なものを1つ選べ。
    ① モデルの推論時間を短縮する
    ② モデルの複雑さを増す
    ③ モデルの判断根拠を人が理解できる形で提示する
    ④ モデルの再学習を自動化する


    Q21. 人工知能研究の初期段階(1950〜60年代)における主要な研究テーマはどれか。
    ① ディープラーニングによる画像認識
    ② 推論エンジンによる記号処理
    ③ センサーデータによる強化学習
    ④ 大規模言語モデルの事前学習

    Q22. 機械学習アルゴリズム「k近傍法(k-NN)」の特徴として正しいものを1つ選べ。
    ① クラスの事前分布を推定して分類する
    ② 学習時に重みの更新が必要
    ③ 新しいデータの分類時に学習データと距離を計算する
    ④ 主に回帰問題に特化した手法

    Q23. 次のうち、再帰型ニューラルネットワーク(RNN)が得意とする処理はどれか。
    ① 単語の意味的クラスタリング
    ② 音声やテキストなどの時系列データの処理
    ③ 一括の画像分類
    ④ 統計的仮説検定

    Q24. 自然言語処理において、単語をベクトルとして表現する技術はどれか。
    ① オートエンコーダ
    ② Word2Vec
    ③ K平均法
    ④ Softmax関数

    Q25. GAN(敵対的生成ネットワーク)の構成要素に含まれないものはどれか。
    ① 識別器(Discriminator)
    ② 生成器(Generator)
    ③ エンコーダ(Encoder)
    ④ ノイズベクトル

    Q26. CNNにおいて「プーリング層」の役割として正しいものを1つ選べ。
    ① 入力次元を拡張する
    ② 特徴量の局所変化に対する不変性を持たせる
    ③ 勾配消失を防ぐ
    ④ 活性化関数を適用する

    Q27. 自然言語処理における「BERT」の大きな特徴はどれか。
    ① 順方向のみの文脈を考慮
    ② 文単位の分類しかできない
    ③ Transformerを基盤に双方向文脈を学習する
    ④ RNNを深層化したモデル構造

    Q28. クラスタリング手法の一つである「階層的クラスタリング」の特徴として適切なものはどれか。
    ① クラスタ数を事前に固定する必要がある
    ② 木構造を形成してクラスタの関係を視覚化できる
    ③ クラスタ内の分布を確率モデルとして仮定する
    ④ データをベクトルに変換する

    Q29. 転移学習の利点として正しいものを1つ選べ。
    ① 元のタスク以外の学習には使えない
    ② 新しいデータが不要になる
    ③ 少量のデータで高い性能を出しやすくなる
    ④ 学習済みモデルのすべての重みを削除する

    Q30. ディープラーニングで「バッチ正規化(Batch Normalization)」を用いる目的はどれか。
    ① モデルの層を深くする
    ② 学習中の内部共変量シフトを抑える
    ③ ニューラルネットワークを圧縮する
    ④ 最終的な損失関数を変更する

    Q31. 強化学習において「Q学習(Q-learning)」の特徴として正しいものを1つ選べ。
    ① モデルに環境の状態遷移を明示的に与える
    ② 即時報酬のみで行動を決定する
    ③ 状態と行動の価値を行動価値関数で表す
    ④ 教師データが必要不可欠

    Q32. 次のうち、主に異常検知に使われる手法として適切なものはどれか。
    ① Softmax分類器
    ② PCA(主成分分析)
    ③ GANの生成器
    ④ 自己符号化器(Autoencoder)

    Q33. モデルの汎化性能を測るために行うこととして適切なものはどれか。
    ① テストデータに対してモデルを訓練する
    ② 訓練データのみでモデルを評価する
    ③ 未知のデータで精度を測定する
    ④ 学習率を毎回変動させる

    Q34. ディープラーニングの学習において、損失関数の値を最小にするために用いるアルゴリズムはどれか。
    ① K-means法
    ② Q-learning
    ③ 勾配降下法(Gradient Descent)
    ④ Beam Search

    Q35. 次のうち、画像の「セグメンテーション」に最も関係が深いモデルはどれか。
    ① YOLO
    ② VAE
    ③ U-Net
    ④ GPT-3

    Q36. 「Zero-shot learning」の説明として正しいものを1つ選べ。
    ① テスト時に未学習のクラスを分類できる手法
    ② 学習済みモデルの重みを再調整する手法
    ③ 入力特徴量を削減する事前処理
    ④ 画像認識に使う畳み込み手法の一種

    Q37. AIによる差別(バイアス)の例として正しいものはどれか。
    ① ニューラルネットの精度が低い
    ② 訓練データに基づき性別で不利な判定をする
    ③ モデルの学習が遅い
    ④ 精度が高すぎて人が介入できない

    Q38. プロンプトエンジニアリングの目的として最も適切なものを1つ選べ。
    ① 画像分類モデルの再訓練
    ② 自然言語モデルに効果的な入力を与える
    ③ バッチ学習の実装
    ④ セマンティック検索の実行

    Q39. 2024年に登場したGoogleのGemini 1.5モデルの特徴として正しいものはどれか。
    ① テキスト入力のみを処理できる
    ② 動画生成に特化している
    ③ 長文コンテキスト処理能力が大幅に強化された
    ④ 強化学習専用のアルゴリズムである

    Q40. モデルの公平性を確保するための手法として最も適切なものを1つ選べ。
    ① 正解率が最も高いモデルを常に選ぶ
    ② 結果に関係なく全ての出力を均一にする
    ③ 属性ごとに評価し、偏りを検出・緩和する
    ④ 訓練データを完全にランダムにする


    Q41. 機械学習における「ハイパーパラメータ」として正しいものはどれか。
    ① モデルの出力ラベル
    ② 損失関数の出力値
    ③ 学習率やバッチサイズなどの設定値
    ④ 訓練データ中の特徴量

    Q42. 次のうち「過学習」への対策として最も適切なものを1つ選べ。
    ① モデルの層を増やす
    ② 訓練データの一部を除外する
    ③ L2正則化などの制約を加える
    ④ 活性化関数をReLUから変更する

    Q43. 活性化関数「Sigmoid」の特徴として正しいものを1つ選べ。
    ① 出力範囲が -1 ~ 1
    ② 微分可能で勾配が消失しにくい
    ③ 出力が0〜1の間で滑らかに変化する
    ④ 入力が0のとき、出力も常に0になる

    Q44. 次のうち「アンサンブル学習」に該当する手法として適切なものはどれか。
    ① 単一の深層ニューラルネットワーク
    ② 決定木モデルの単独使用
    ③ 複数モデルの出力を統合して予測する手法
    ④ 主成分分析による特徴圧縮

    Q45. 機械学習のクロスバリデーション(交差検証)の目的として最も適切なものはどれか。
    ① テストデータの水増し
    ② モデルの訓練速度向上
    ③ モデルの汎化性能の安定的な評価
    ④ データの次元削減

    Q46. 次のうち「畳み込み演算」の説明として正しいものはどれか。
    ① ピクセル値の積和演算により特徴を抽出する
    ② 入力画像をRGBからグレースケールに変換する
    ③ 入力画像のサイズを増やす操作
    ④ 学習を安定化させる正規化処理

    Q47. 深層学習において「ドロップアウト」の目的として最も適切なものはどれか。
    ① 過学習を抑制するため一部のノードを無効化する
    ② 重みの初期値を固定化する
    ③ 学習率を自動で調整する
    ④ 勾配消失を完全に防ぐ

    Q48. Transformerモデルにおける「位置エンコーディング」の役割として正しいものはどれか。
    ① 文法誤りを検出する
    ② 単語の出現位置情報をモデルに与える
    ③ 活性化関数として働く
    ④ 出力層の分類結果に対応する

    Q49. 人間の脳の仕組みに基づく人工ニューラルネットワークの基本単位はどれか。
    ① カーネル
    ② ニューロン(ノード)
    ③ バイアス項
    ④ デコーダ

    Q50. 深層学習モデルにおける「重みの初期化」が重要な理由はどれか。
    ① 訓練データの水増しを行うため
    ② 勾配の発散や消失を防ぐため
    ③ 出力の精度を直接向上させるため
    ④ 正則化の強度を調整するため

    Q51. 「自己符号化器(Autoencoder)」の主な用途として最も適切なものを1つ選べ。
    ① テキストの要約生成
    ② 特徴の圧縮と復元を通じた異常検知
    ③ 音声合成
    ④ 文法誤りの検出

    Q52. 次のうち「教師なし学習」に分類されるものはどれか。
    ① 線形回帰
    ② 決定木分類
    ③ クラスタリング
    ④ 感情分析モデルの訓練

    Q53. 「強化学習」の特徴として正しいものはどれか。
    ① ラベル付きデータから学習する
    ② エージェントが環境と相互作用して報酬を得る
    ③ 一括で入力されたデータを反復学習する
    ④ 教師信号が常に一定である

    Q54. 次のうち「非線形分離問題」に対応できるカーネル法を利用するモデルはどれか。
    ① 線形回帰モデル
    ② 決定木モデル
    ③ サポートベクターマシン(SVM)
    ④ ロジスティック回帰モデル

    Q55. 次のうち、「AIプロジェクトのPoC(概念実証)」の目的として最も適切なものはどれか。
    ① 最終製品の納品
    ② 本番システムの構築
    ③ 技術的実現可能性の検証
    ④ 法的責任の明確化

    Q56. ディープフェイクの技術的基盤として最も関連が深いものはどれか。
    ① 決定木アルゴリズム
    ② 強化学習
    ③ 敵対的生成ネットワーク(GAN)
    ④ 自然言語処理モデル(NLP)

    Q57. 自動運転におけるAI技術の役割として正しいものはどれか。
    ① 車体の素材選定
    ② 道路インフラの設計
    ③ 障害物の認識や経路の判断
    ④ 自動車の燃料効率の改善

    Q58. 次のうち、GPTモデルのような「トランスフォーマーベースの言語モデル」において重要な学習戦略はどれか。
    ① 自己符号化器による再構築
    ② 遷移確率の事前定義
    ③ マスク言語モデルや因果言語モデルの使用
    ④ 複数エージェントの強化学習

    Q59. AIモデルが「説明可能」であることの利点として正しいものを1つ選べ。
    ① モデルがより高速に動作する
    ② データの前処理が不要になる
    ③ 利用者が判断根拠を理解しやすくなる
    ④ 常に高い精度が保証される

    Q60. モデルの「過少適合(アンダーフィッティング)」の主な原因として最も適切なものはどれか。
    ① モデルが複雑すぎる
    ② 訓練データが多すぎる
    ③ モデルがデータのパターンを捉えきれていない
    ④ 評価データの質が高すぎる


    Q61. ニューラルネットワークにおいて、活性化関数として「tanh」が使用される理由として正しいものはどれか。
    ① 出力が常に正の値になるため
    ② 学習率の自動調整が可能になるため
    ③ 出力が−1から1の範囲に収まり、ゼロ中心であるため
    ④ 重みの初期化を容易にするため

    Q62. データの前処理で「正規化(Normalization)」を行う目的として正しいものはどれか。
    ① 欠損値を補完するため
    ② 次元を削減するため
    ③ 特徴量のスケールを統一し学習を安定化させるため
    ④ モデルの過学習を促進するため

    Q63. 機械学習における「ROC曲線」の用途として最も適切なものはどれか。
    ① モデルの学習速度を評価する
    ② モデルのクラス間の距離を可視化する
    ③ 二値分類モデルの性能(再現率と偽陽性率)を視覚的に示す
    ④ データの次元を圧縮する手法

    Q64. 機械学習モデルにおいて「精度(Accuracy)」が高い場合に注意すべき点はどれか。
    ① 常に再現率が高いとは限らない
    ② クラスの数が多いことを示す
    ③ データが均等に分布していることを示す
    ④ 精度が高ければ常に最良のモデルである

    Q65. ディープラーニングにおける「エポック(epoch)」の意味として正しいものはどれか。
    ① モデルの最終出力の数
    ② 1回の学習ステップで処理するデータの数
    ③ 訓練データ全体を1回学習した単位
    ④ モデルのパラメータの数

    Q66. 「正則化(regularization)」の目的として最も適切なものはどれか。
    ① モデルを複雑にして精度を高める
    ② 過学習を防ぐためにモデルの自由度を制限する
    ③ モデルの学習速度を上げるために計算量を増やす
    ④ 重みの初期値を自動で決定する

    Q67. 次のうち「データ拡張(Data Augmentation)」の例として適切なものはどれか。
    ① テストデータにノイズを加える
    ② 学習データにランダムな変換を施して水増しする
    ③ 活性化関数を増やす
    ④ バッチサイズを固定する

    Q68. AIモデルを評価する際に使用される「混同行列(Confusion Matrix)」で、真陽性(TP)に該当するのはどれか。
    ① 実際は陽性でモデルも陽性と予測したもの
    ② 実際は陰性でモデルは陽性と予測したもの
    ③ 実際は陽性でモデルは陰性と予測したもの
    ④ 陰性を正しく陰性と予測したもの

    Q69. CNNにおける「フィルタ(カーネル)」の働きとして正しいものはどれか。
    ① 入力画像をRGBからグレースケールに変換する
    ② 入力画像のサイズを拡大する
    ③ 特定の局所領域に注目して特徴を抽出する
    ④ 活性化関数の出力を調整する

    Q70. 「活性化関数」がネットワークに導入される理由として最も適切なものはどれか。
    ① 入力データのノイズを除去する
    ② ネットワークに非線形性を与え、表現力を向上させる
    ③ 層の数を削減できる
    ④ 重みの初期化を簡易にするため

    Q71. 次のうち、「AIを導入するメリット」に関する記述として最も適切なものはどれか。
    ① 全業務の自動化が短期間で可能になる
    ② 専門家の判断を完全に代替できる
    ③ 作業の効率化や人的ミスの低減が期待できる
    ④ 社会的課題のすべてを解決できる

    Q72. 次のうち、教師あり学習における「損失関数」として代表的なものはどれか。
    ① 平均二乗誤差(MSE)
    ② 相関係数
    ③ AUC
    ④ ROC曲線

    Q73. 自然言語処理における「トークナイゼーション(Tokenization)」の説明として最も適切なものはどれか。
    ① テキストの要約を自動で行う手法
    ② 音声を文字に変換する手法
    ③ テキストを単語やサブワードに分割する処理
    ④ 単語の感情スコアを算出する手法

    Q74. 画像認識モデルにおいて「転移学習」が有効な理由として適切なものはどれか。
    ① 新しい画像を完全に無視できる
    ② 少量の学習データでも高性能が得られる
    ③ 常に高い再現率が保証される
    ④ 高精度モデルに学習を引き継ぐ必要がない

    Q75. 「ベイズの定理」はどのような場面で使われるか。
    ① 誤差逆伝播を計算する
    ② 事後確率の計算に用いられる
    ③ 画像のセグメンテーション
    ④ クラスタリングの前処理

    Q76. AIが「ブラックボックス」と呼ばれる理由として最も適切なものはどれか。
    ① 人間の手で作られたものではないから
    ② 処理速度が非常に速いから
    ③ 内部の判断過程がわかりにくいから
    ④ 入力が自動生成されるから

    Q77. 次のうち、「因果関係の推定」に最も関係がある技術はどれか。
    ① ニューラルネットワーク
    ② ディープフェイク
    ③ 構造方程式モデリング(SEM)
    ④ 畳み込み演算

    Q78. データ分析における「相関」と「因果」の関係として正しいものはどれか。
    ① 相関があれば必ず因果がある
    ② 因果があれば常に相関があるとは限らない
    ③ 相関がなければ因果もない
    ④ 相関と因果は同義である

    Q79. AIにおける「公平性」の観点から行うべき対応として最も適切なものはどれか。
    ① すべての個人に同じ出力結果を与える
    ② 特定の属性に基づく判断を意図的に強調する
    ③ 属性別に予測結果を評価し偏りを修正する
    ④ モデルの精度を最優先し公平性を無視する

    Q80. 2024年に公開された「Sora」の特徴として正しいものはどれか。
    ① 音声翻訳に特化した大規模言語モデル
    ② 数値予測専用の時系列モデル
    ③ テキストから動画を生成するマルチモーダルAI
    ④ 医療画像の異常を検出するCNNベースの診断支援AI


    Q81. 機械学習の「ラベル付きデータ」を使用する学習方法はどれか。
    ① 教師なし学習
    ② 教師あり学習
    ③ 強化学習
    ④ クラスタリング

    Q82. 次のうち、「主成分分析(PCA)」の主な目的として正しいものはどれか。
    ① ラベル付きデータの分類精度向上
    ② 次元削減により情報の要約と可視化を行う
    ③ 教師信号に従った誤差最小化
    ④ 異常検知による高精度分類

    Q83. AIの社会実装において、法規制への配慮が必要となるケースはどれか。
    ① 履歴書の読み取りアプリ
    ② 音声合成によるナビゲーション
    ③ 顔認識による入退室管理
    ④ 天気予報の自動配信

    Q84. 「L1正則化(Lasso)」と「L2正則化(Ridge)」の主な違いは何か。
    ① L1は誤差を減らすが、L2は増やす
    ② L1は重要でない特徴量の重みを0にしやすい
    ③ L2は疎な解を与えるが、L1は与えない
    ④ 両者に違いはない

    Q85. 次のうち、「バッチ学習」と「オンライン学習」の違いとして最も適切なものはどれか。
    ① バッチ学習は常に精度が高い
    ② オンライン学習はすべてのデータを一度に処理する
    ③ バッチ学習は全データで学習し、オンライン学習は逐次更新する
    ④ 両者はモデル構造が全く異なる

    Q86. AIモデルの「過学習」に該当するケースとして適切なものはどれか。
    ① 訓練データとテストデータの両方で精度が高い
    ② 訓練データには高精度だが、未知データでは精度が低い
    ③ 訓練が完了せず精度が上がらない
    ④ モデルが非常に単純で精度が低い

    Q87. 強化学習における「探索と活用(exploration vs. exploitation)」の説明として正しいものはどれか。
    ① 活用は新しい選択肢を試すこと
    ② 探索は既知の最良の行動を繰り返すこと
    ③ 探索は未知の選択肢を試し、活用は既知の良い選択肢を選ぶ
    ④ 両者は意味が同じ

    Q88. 「バイアス」と「バリアンス」の関係について正しいものはどれか。
    ① 両方が低いほど過学習になる
    ② バイアスが高いとモデルが複雑になる
    ③ バリアンスが高いとモデルがデータに過度に適合する
    ④ バイアスが高いと予測のばらつきが大きくなる

    Q89. 機械学習において「ドメイン知識」が重要とされる理由として最も適切なものはどれか。
    ① 学習データの取得を不要にする
    ② モデルの実装に直接使える
    ③ 特徴量設計やデータ前処理に有効である
    ④ 評価指標の代替になる

    Q90. 「勾配消失問題」が深層ニューラルネットで起こる主な原因はどれか。
    ① 出力層の活性化関数が非線形であるため
    ② 中間層の重みが常に1になるため
    ③ 活性化関数の勾配が小さくなり伝播しにくくなるため
    ④ 損失関数の選択が誤っているため

    Q91. モデル評価において、「再現率(Recall)」が高い状態とはどのような状態か。
    ① 実際の陽性をモデルが多く捉えている
    ② モデルの全体的な精度が高い
    ③ モデルの予測がほとんど陽性である
    ④ 実際の陰性を正しく分類している

    Q92. 「適合率(Precision)」が高い状態とはどういうことか。
    ① モデルが陽性と予測した中に偽陽性が多い
    ② モデルの正解率が常に100%である
    ③ モデルが陽性と予測したものの中に、実際の陽性が多い
    ④ 再現率と必ず一致する

    Q93. 「データドリブン型」のAI導入戦略として最も適切な特徴はどれか。
    ① 直感や経験に基づいてモデルを選定する
    ② データに基づいて仮説を立て、改善を行う
    ③ すべての処理をハードコードで行う
    ④ モデルの選定を外部に完全委託する

    Q94. 「K-means法」によるクラスタリングにおいて、クラスタ数kの設定方法として最も一般的なものはどれか。
    ① kを大きくすればするほど良い結果が得られる
    ② 観測データの数と同じkを設定する
    ③ エルボー法などで妥当なkを見つける
    ④ kの設定はクラスタリング結果に影響しない

    Q95. AIの導入プロジェクトにおいて「PoC(概念実証)」段階の主な目的はどれか。
    ① 本番環境でのサービス提供
    ② 実装コストの回収
    ③ 技術的に実現可能かを評価する
    ④ エンドユーザーへの説明責任を果たす

    Q96. 人工知能の「第3次ブーム」の特徴として最も適切なものはどれか。
    ① ルールベース推論の進化
    ② ニューラルネットによる音声処理
    ③ ビッグデータとGPUによるディープラーニングの発展
    ④ 知識ベースによる会話処理

    Q97. LSTM(長短期記憶)ネットワークがRNNと比較して優れる理由はどれか。
    ① 勾配消失を緩和し、長期依存関係を学習できる
    ② パラメータが固定されているため学習が不要
    ③ 出力が必ず確率値になる
    ④ 活性化関数を使わないため過学習が起きにくい

    Q98. データ前処理の手法として「欠損値補完(imputation)」の目的として最も適切なものはどれか。
    ① 異常検知の自動化
    ② モデルの学習速度向上
    ③ 欠損データによる分析への悪影響を防ぐ
    ④ モデルのパラメータ数削減

    Q99. ディープラーニングの学習において「学習率(learning rate)」が大きすぎる場合に起こりうる問題はどれか。
    ① 学習が非常に遅くなる
    ② 局所最適にとどまる
    ③ 損失が安定せず、最小値に収束しない
    ④ 重みが更新されない

    Q100. 次のうち、OpenAIが2023年に発表した「GPT-4」の特徴として最も適切なものはどれか。
    ① 完全に画像生成に特化したモデル
    ② マルチモーダル処理が可能なLLM
    ③ 強化学習特化型のAIエージェント
    ④ 医療診断支援専用のモデル


    Q101. 次のうち、畳み込みニューラルネットワーク(CNN)の構成要素に該当しないものはどれか。
    ① 畳み込み層
    ② プーリング層
    ③ 再帰層
    ④ 全結合層

    Q102. 機械学習モデルの「汎化性能」を高めるための方法として適切なものはどれか。
    ① 訓練データに完全適合するまで学習を繰り返す
    ② テストデータを学習に含める
    ③ 正則化やクロスバリデーションを用いる
    ④ モデルの深さを無制限に増やす

    Q103. 強化学習において、報酬が遅れて得られる状況を扱う際に重要な概念はどれか。
    ① 割引率(discount factor)
    ② 学習率(learning rate)
    ③ 過学習(overfitting)
    ④ 正則化(regularization)

    Q104. 次のうち、「自然言語処理(NLP)」のタスクに該当するものはどれか。
    ① 異常検知
    ② セマンティックセグメンテーション
    ③ 音声認識
    ④ 感情分析

    Q105. 教師なし学習の代表例として適切なものはどれか。
    ① ロジスティック回帰
    ② 決定木
    ③ K-meansクラスタリング
    ④ 線形回帰

    Q106. LSTMの構造に含まれる「ゲート」の役割として正しいものはどれか。
    ① 外部データとの接続を制御する
    ② 勾配の計算速度を上げる
    ③ 記憶の保持・削除・追加を制御する
    ④ 損失関数の値を決定する

    Q107. 自己回帰モデル(ARモデル)はどのようなデータに適しているか。
    ① 画像データ
    ② ラベル付きデータ
    ③ 時系列データ
    ④ テキスト分類データ

    Q108. 画像分類における「Fine-tuning(ファインチューニング)」の説明として正しいものはどれか。
    ① ランダムな重みでモデルを再学習する
    ② 学習済みモデルの重みを初期値として一部再学習する
    ③ モデルの出力層を完全に削除する
    ④ 学習済みモデルのすべての層を固定する

    Q109. 次のうち、「回帰分析」の目的に最も近いものはどれか。
    ① クラスラベルの分類
    ② 時系列データのクラスタリング
    ③ 数値データの予測
    ④ ノイズ除去処理

    Q110. 次のうち、「RNN(再帰型ニューラルネットワーク)」が苦手とする課題はどれか。
    ① 入力の順序を保持すること
    ② 勾配消失により長期依存の学習が困難
    ③ 入力長の変動への対応
    ④ 時系列データのモデリング

    Q111. 「IoT × AI」の組み合わせが有効な理由として最も適切なものはどれか。
    ① AIによってIoT機器の消費電力をゼロにできる
    ② IoTデバイスが自動でAIモデルを生成する
    ③ センサーデータをリアルタイムにAI分析できるため
    ④ IoTがAIの学習データを削除できるため

    Q112. 機械学習における「過少適合(アンダーフィッティング)」に対する対策として最も適切なものはどれか。
    ① モデルを単純にする
    ② 学習回数を減らす
    ③ 特徴量を削減する
    ④ モデルの表現力を高める

    Q113. 次のうち、「学習率」が適切でないときに生じる可能性が高い問題はどれか。
    ① 精度が高すぎる
    ② モデルが自動的に正則化される
    ③ 最適な重みに収束しない
    ④ 学習データを必要としない

    Q114. AIモデルに対する説明責任(アカウンタビリティ)を求める理由として正しいものはどれか。
    ① モデルの構造を保護するため
    ② 出力結果に対する納得感・公平性の担保
    ③ 誤りを隠蔽するため
    ④ モデルの高速化

    Q115. 機械学習の「分類問題」で最もよく使われる出力関数はどれか。
    ① ReLU
    ② tanh
    ③ Softmax
    ④ Linear

    Q116. 時系列データ予測において「季節性」があるとはどのような現象か。
    ① 予測値がランダムに変動する
    ② データに周期的な傾向が見られる
    ③ モデルが一定の誤差を持つ
    ④ 外部要因の影響を完全に受けない

    Q117. データの「スケーリング(標準化)」処理を行う主な目的として正しいものはどれか。
    ① 欠損値を除去する
    ② データの重複を防止する
    ③ 特徴量間の単位や範囲の差を解消する
    ④ モデルの深さを決定する

    Q118. ディープラーニングにおいて、「勾配クリッピング(Gradient Clipping)」の目的はどれか。
    ① 勾配が発散するのを防ぐ
    ② パラメータを離散化する
    ③ 層の数を削減する
    ④ モデルを圧縮する

    Q119. AIの「公平性」問題に関する技術的対策として最も適切なものはどれか。
    ① 特定属性のデータをすべて削除する
    ② 結果を意図的に均一化する
    ③ バイアスの検出と補正を行う
    ④ 学習データを完全にランダム化する

    Q120. 2024年に発表された「Diffusion Transformer」の特徴として正しいものはどれか。
    ① トークンベースの逐次生成モデル
    ② テキストから高解像度画像を生成する拡散型アーキテクチャ
    ③ 入力画像をベクトルに変換する分類モデル
    ④ 大規模音声認識モデルに特化した構造


    Q121. 「マルチモーダルAI」の特徴として最も適切なものはどれか。
    ① 入力として音声のみを扱うAIモデル
    ② テキストと数値データのみを扱うモデル
    ③ 複数の種類のデータ(例:画像・音声・テキスト)を統合的に扱うAI
    ④ 出力が常に映像データとなるAIモデル

    Q122. 「Attention機構」が導入された主な目的として正しいものはどれか。
    ① 全入力に均等な重みを割り当てるため
    ② 出力層の精度を無条件で上げるため
    ③ 入力の中で重要な部分に注目し重みを調整するため
    ④ ハードウェアリソースを節約するため

    Q123. ディープラーニングで学習を高速化・安定化させるために行う初期処理はどれか。
    ① データのエンコーディング
    ② 活性化関数の一括固定
    ③ 特徴量の正規化や標準化
    ④ 損失関数の事前計算

    Q124. 「強化学習」のエージェントが最適な行動方針を学習するために使う情報はどれか。
    ① 前処理された教師信号
    ② 与えられたクラスタラベル
    ③ 状態・行動・報酬の履歴
    ④ 誤差逆伝播の勾配履歴

    Q125. 次のうち、Explainable AI(XAI)の実現手法として正しいものはどれか。
    ① ドロップアウトの導入
    ② 勾配消失の防止策
    ③ LIME(局所的解釈可能モデル)
    ④ 自己回帰モデルの導入

    Q126. 次のうち、生成AIに分類される技術として最も適切なものはどれか。
    ① 自動クラスタリング
    ② ノイズ除去
    ③ ChatGPTによる文章生成
    ④ 回帰モデルによる売上予測

    Q127. 「GPU」がAI分野で広く利用される主な理由はどれか。
    ① ハードウェアが軽量なため
    ② 消費電力が低いため
    ③ 行列演算の並列処理に優れるため
    ④ プログラムの記述が不要なため

    Q128. AIによる意思決定の信頼性を高めるために必要な取り組みとして最も適切なものはどれか。
    ① 結果のランダム化
    ② 意思決定根拠の提示や透明性の確保
    ③ 結果の即時破棄
    ④ データの暗号化のみ

    Q129. Transformerにおいて、「自己注意機構(self-attention)」が果たす役割はどれか。
    ① 出力層で損失を最小化する
    ② 文中の単語間の関係を重みとして捉える
    ③ 全てのトークンを削除する
    ④ 入力順序をランダムにする

    Q130. 次のうち、AIプロジェクトの「フェーズ設計」に含まれないものはどれか。
    ① 課題定義と目的設定
    ② データ収集と前処理
    ③ 評価指標の設計
    ④ ハードウェアの物理設計

    Q131. Transformerの入力に追加される「位置エンコーディング」の目的として最も適切なものはどれか。
    ① 活性化関数の自動補完
    ② 層の重みの更新速度向上
    ③ 単語の出現順序をモデルに伝える
    ④ モデルサイズの圧縮

    Q132. 次のうち、教師なし学習の応用例として最も適切なものはどれか。
    ① 手書き数字の分類
    ② 顔写真のクラスタリング
    ③ 医療診断結果の予測
    ④ 商品レビューの感情分類

    Q133. 機械学習における「ハイパーパラメータ最適化」の目的として最も適切なものはどれか。
    ① 学習率やバッチサイズなどの設定を最適化し性能を向上させる
    ② 重みの初期値を常に一定にする
    ③ 全データをモデルに記憶させる
    ④ ラベルの順序をランダムにする

    Q134. 「Transformer」が従来のRNNに比べて優れている理由として最も適切なものはどれか。
    ① 計算が逐次的で処理速度が遅い
    ② 並列処理が可能で長距離依存も扱いやすい
    ③ 入力長に制限がある
    ④ 出力がすべて0または1となる

    Q135. 時系列予測で使用される「移動平均モデル(MA)」の特徴として正しいものはどれか。
    ① ランダムな予測を行う
    ② 過去の誤差項を加味して現在の値を予測する
    ③ 出力に自己回帰成分を用いる
    ④ 系列の順序をシャッフルして処理する

    Q136. 次のうち、「AIガバナンス」に含まれる取り組みとして最も適切なものはどれか。
    ① 法令無視によるモデルの高速化
    ② 説明責任・公平性・プライバシーの確保
    ③ モデルのブラックボックス化の推奨
    ④ バイアスを意図的に強調

    Q137. 次のうち、生成モデルの一種ではないものはどれか。
    ① GAN
    ② VAE
    ③ CNN
    ④ Diffusion

    Q138. AIの応用分野として「異常検知」に特化して使われるモデルとして適切なものはどれか。
    ① Autoencoder
    ② YOLO
    ③ GPT-4
    ④ Q-learning

    Q139. 学習データと評価データの分割を行う主な目的はどれか。
    ① モデルの学習精度を計算する
    ② モデルの過学習を促すため
    ③ モデルの汎化性能を客観的に評価する
    ④ 学習を早期に終了するため

    Q140. 次のうち、2024年〜2025年の時点で「マルチモーダル生成AI」に該当する最新モデルはどれか。
    ① Sora
    ② ResNet
    ③ BERT
    ④ K-means


    Q141. 「AI倫理指針」の策定が求められる理由として最も適切なものはどれか。
    ① AIによる全自動判断を禁止するため
    ② モデルの学習速度を制限するため
    ③ AIが社会的影響を持つ判断を行う可能性があるため
    ④ AIの精度向上を妨げるため

    Q142. 次のうち、「モデルの過学習状態」を見分ける指標として適切なものはどれか。
    ① 訓練データとテストデータの精度差
    ② 訓練データのサイズ
    ③ 学習率の値
    ④ 活性化関数の種類

    Q143. AI開発における「アジャイル手法」の特徴として正しいものはどれか。
    ① ウォーターフォール型に従い開発を一括で進める
    ② 初めにすべての要件を決定してから開発する
    ③ 小さな単位で実装・評価を繰り返す
    ④ ハードウェア設計を優先する

    Q144. AIモデルの「ブラックボックス性」に関するリスクの1つとして最も適切なものはどれか。
    ① 演算速度が遅くなる
    ② モデルの判断根拠が不明確になる
    ③ 訓練データがすべて削除される
    ④ パラメータ数が減少する

    Q145. 画像処理タスク「物体検出(object detection)」に用いられる代表的な手法はどれか。
    ① YOLO
    ② LSTM
    ③ PCA
    ④ BERT

    Q146. モデルの性能評価において「F1スコア」が有効な理由として正しいものはどれか。
    ① 精度(Accuracy)を100%にする
    ② 適合率と再現率の調和平均でバランスをとる
    ③ モデルの学習速度を向上させる
    ④ 出力の正規化を行う

    Q147. AIシステムにおける「ロバスト性」が意味するのはどれか。
    ① モデルの再学習が不要であること
    ② 入力の変化やノイズに対して安定していること
    ③ 高い正解率が保証されていること
    ④ 実行速度が常に一定であること

    Q148. 「教師なし学習」が有効なシナリオとして最も適切なものはどれか。
    ① 学習用データにラベルがない場合
    ② 分類精度の高いモデルを作りたい場合
    ③ 教師ありデータが大量にある場合
    ④ 強化学習による意思決定が必要な場合

    Q149. 次のうち、AIにおける「説明可能性」の技術でないものはどれか。
    ① SHAP
    ② LIME
    ③ Dropout
    ④ 決定木

    Q150. AIプロジェクトにおける「MLOps(エムエルオプス)」の主な目的として正しいものはどれか。
    ① モデルの演算精度を最大化する
    ② 学習済みモデルをハードウェアに最適化する
    ③ モデルの開発・運用の自動化と管理効率化
    ④ ハイパーパラメータを固定する

    Q151. 「SVM(サポートベクターマシン)」におけるマージンの意味として正しいものはどれか。
    ① クラス分類に使用するラベルの数
    ② クラス間の距離を最大化する領域
    ③ モデルの学習回数の指標
    ④ 特徴量の数に比例する係数

    Q152. クラスタリングで「シルエット係数」が用いられる主な目的はどれか。
    ① 特徴量の数を決めるため
    ② 学習率の最適化
    ③ クラスタの妥当性を数値化するため
    ④ モデルの複雑さを測定するため

    Q153. 時系列データの傾向や周期性を把握するために行う処理として適切なものはどれか。
    ① 微分と積分
    ② 正規分布への変換
    ③ 移動平均の計算
    ④ 活性化関数の変更

    Q154. 2024年に話題となったOpenAI「GPT-4o」の最大の特徴として正しいものはどれか。
    ① 強化学習に特化した構造を持つ
    ② 言語、画像、音声を統合的に処理するマルチモーダル性
    ③ 医療診断専用の言語モデル
    ④ テキスト生成のみに対応する軽量版

    Q155. ニューラルネットワークの「全結合層」における特徴として適切なものはどれか。
    ① 空間的特徴を捉える
    ② 特定の位置に重みを集中させる
    ③ 入力されたすべてのノードと接続し出力を得る
    ④ 勾配計算を行わず構造を固定する

    Q156. AIのバイアス問題において、差別的結果を防ぐために重要な要素はどれか。
    ① 学習データの多様性と公平性の確保
    ② モデル構造の固定化
    ③ 実行速度の向上
    ④ 評価指標を減らす

    Q157. 次のうち、データの可視化に有効な手法として適切なものはどれか。
    ① 勾配降下法
    ② 決定境界の削除
    ③ 主成分分析(PCA)
    ④ LSTM

    Q158. 「フェイクコンテンツ対策」における技術的アプローチとして正しいものはどれか。
    ① 生成モデルの活性化関数を変更する
    ② コンテンツの出所や生成履歴を示すメタデータ管理
    ③ トレーニングを非公開にする
    ④ 出力内容を自動で削除する

    Q159. データ収集時に「インフォームド・コンセント」が重要視される理由はどれか。
    ① モデルの演算速度を向上させるため
    ② モデルの再利用を制限するため
    ③ 個人が情報提供に同意した上で収集を行うため
    ④ データをすべて匿名化するため

    Q160. 2025年時点でAI関連の重要な国際的な倫理基準として採用が進んでいるのはどれか。
    ① EU AI Act
    ② Turing協定
    ③ GDPR-Bot規制
    ④ W3C学習モデル条約



    画像
    おつかれさまでした。解答解説は下記PDFです。

    解答解説



    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。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。



     
     
    「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