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 前編(1〜20)|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:1. 人工知能の定義(4択 × 10問)

    Q1. 人工知能(AI)の定義として最も適切な選択肢を1つ選べ
    A. コンピュータが人間の感情を理解する技術全般を指す
    B. 人間の知的活動をコンピュータで模倣・代替することを目指す技術分野
    C. コンピュータの演算性能を高めるためのアルゴリズム設計手法
    D. ロボットに関するすべての研究分野を含む概念

    Q2. 「AI効果」とは何を指すか、最も適切な選択肢を1つ選べ
    A. 人間がAIに仕事を奪われることに対する恐怖のこと
    B. 一度AIが達成した知的課題が「AIでなくなった」と見なされる現象
    C. AIによって生じる心理的安心感のこと
    D. AIが暴走する可能性に対する社会的反応のこと

    Q3. 次のうち「人工知能」と「ロボット」の関係として最も適切な選択肢を1つ選べ
    A. 人工知能はロボットの一種である
    B. ロボットは人工知能とは無関係な工学技術である
    C. ロボットは人工知能を内蔵することもあるが、必ずしもAIを必要としない
    D. 人工知能とロボットは常に一体として設計される

    Q4. 次のうち「古典的な人工知能」に分類されるものとして最も適切な選択肢を1つ選べ
    A. 単純なIF文による制御
    B. ニューラルネットワークによる画像分類
    C. 強化学習によるエージェント制御
    D. 推論エンジンによるルールベースの問題解決

    Q5. 人工知能のレベルのうち、「機械学習」に分類される特徴として最も適切な選択肢を1つ選べ
    A. データに基づかず人間の知識でルールを構築する
    B. 人間のように直感的な判断が可能となる
    C. 経験的なデータからパターンや規則性を学習する
    D. 複数のセンサーを用いて物理的に動作する

    Q6. 単純な制御プログラムの例として最も適切なものを1つ選べ
    A. 囲碁で相手の手を予測するプログラム
    B. カメラ映像を解析して物体を認識するソフトウェア
    C. 温度が一定以上ならエアコンをONにするプログラム
    D. 自動でチャット応答を生成するAIボット

    Q7. 「ディープラーニング」の定義として最も適切な選択肢を1つ選べ
    A. 人間の感情や倫理を判断できる高度なAI手法
    B. 多層のニューラルネットワークを用いた機械学習の一種
    C. データベースからルールを抽出して意思決定する技術
    D. 物理世界の動作をロボットが模倣するための技術

    Q8. 次のうち「エージェント」として適切に定義されるものを1つ選べ
    A. 自律的に環境と相互作用しながら目標を達成しようとする存在
    B. 大量データを格納する記憶装置
    C. インターネット上で情報収集を行うだけのプログラム
    D. 人間に代わって物理的作業を行うロボット

    Q9. 人工知能が初めて学術的に提唱された場として、最も適切な選択肢を1つ選べ
    A. Turingテスト国際会議
    B. カーネギーメロン会議
    C. ダートマス会議
    D. AIパリ会議

    Q10. 次のうち「ディープラーニング」に該当しないものを1つ選べ
    A. LeNet
    B. ネオコグニトロン
    C. 回帰木モデル
    D. 多層パーセプトロン

    A1. B
    解説:人工知能は「人間の知的活動をコンピュータで模倣・代替する」ことを目的とした技術分野です。

    A2. B
    解説:「AI効果」とは、一度AIが達成した課題が“AIと見なされなくなる”認識の変化を指します。

    A3. C
    解説:ロボットはAIを含むこともありますが、AIを必須とはしません。

    A4. D
    解説:ルールベースの推論エンジンは古典的AI(第2次ブーム時代)の代表です。

    A5. C
    解説:機械学習は「データに基づく学習」によって知的処理を実現するアプローチです。

    A6. C
    解説:温度閾値でON/OFFする単純制御は、人工知能ではなく「制御プログラム」に該当します。

    A7. B
    解説:ディープラーニングは多層ニューラルネットワークを基盤とする学習手法です。

    A8. A
    解説:「エージェント」は環境と相互作用しながら自律的に目標を追う存在です。

    A9. C
    解説:1956年の「ダートマス会議」で“Artificial Intelligence”が初めて提唱されました。

    A10. C
    解説:回帰木モデルは決定木系であり、ディープラーニングには分類されません。

    分野:2. 人工知能分野で議論される問題(4択 × 10問)

    Q1. 「シンギュラリティ」として最も適切な定義を1つ選べ
    A. AIが人間と感情的に共感できるようになる転換点
    B. AIによる判断が倫理的基準を超える現象
    C. 人工知能が人間の知能を超える転換点
    D. AIが社会全体に普及する最初のタイミング

    Q2. 「トイ・プロブレム」とはどのような問題か、最も適切な選択肢を1つ選べ
    A. 計算資源が限られた中での大規模最適化問題
    B. AIの性能を評価するための実世界の課題
    C. 実際の問題を簡略化した小規模な問題で、研究の検証に使われるもの
    D. 遊び感覚でAIが解ける問題の総称

    Q3. 「チューリングテスト」の目的として最も適切なものを1つ選べ
    A. 人間と同じスピードで計算できるAIを検証するためのテスト
    B. 人間と区別がつかない応答ができるAIを確認するテスト
    C. AIが自動で学習できるかどうかを測る性能評価テスト
    D. AIが倫理的判断を正しく行えるかどうかを評価するテスト

    Q4. 「中国語の部屋」思考実験が示す議論の趣旨として、最も適切な選択肢を1つ選べ
    A. AIは構文処理だけで意味を理解しているわけではない
    B. AIは自然言語を完全に模倣できる
    C. AIは人間以上に論理的である
    D. 中国語はAIには処理が困難である

    Q5. 「強いAI」と「弱いAI」の違いとして最も適切なものを1つ選べ
    A. 処理速度の差
    B. 感情を持てるかどうかの違い
    C. 意識や思考を本質的に持つかどうかの違い
    D. ネットワーク接続の有無による違い

    Q6. 「フレーム問題」とは何か、最も適切な選択肢を1つ選べ
    A. AIの視覚処理能力の限界に関する問題
    B. AIが物事の変化しない部分を自動で識別できない問題
    C. AIが処理すべき情報を見落とす確率的問題
    D. コンピュータのグラフィック描画能力に関する問題

    Q7. 「知識獲得のボトルネック」とは何を指すか、最も適切な選択肢を1つ選べ
    A. 機械学習におけるデータ収集の困難さ
    B. 知識を人間からシステムに入力することの手間と困難さ
    C. AIが論理推論に失敗する頻度
    D. 知識ベースの読み出し速度の限界

    Q8. 次のうち「ルールベース機械翻訳」に該当するものとして最も適切な選択肢を1つ選べ
    A. 単語の共起関係を使って翻訳する手法
    B. 統計モデルにより文脈を学習する手法
    C. 明示的な文法・辞書に基づいて翻訳する手法
    D. ニューラルネットワークにより意味ベクトル変換を行う手法

    Q9. 「シンボルグラウンディング問題」とは何を問う問題か、最も適切な選択肢を1つ選べ
    A. 記号と記号の関係が正しく設計されているかを検証する問題
    B. AIが記号の意味を物理的・感覚的世界に結びつける方法の問題
    C. AIが記号を論理的に記述する能力に関する問題
    D. 記号を記憶に格納する際の効率に関する問題

    Q10. 「ローブナーコンテスト」とはどのようなものか、最も適切な選択肢を1つ選べ
    A. AIが人間の感情を読み取れるかを競う大会
    B. AIが人間の行動を模倣できるかを検証する競技
    C. チューリングテストに準じて、AIが人間らしい会話を行えるかを評価する大会
    D. AIが画像認識精度を競う国際コンペティション

    A1. C
    解説:シンギュラリティは、人工知能が人間の知能を超えるとされる転換点を指します。

    A2. C
    解説:トイ・プロブレムは、研究目的で使われる簡略化された小規模問題です。

    A3. B
    解説:チューリングテストは、AIが人間と区別できない応答をできるかどうかを評価するテストです。

    A4. A
    解説:中国語の部屋は「構文処理ができても意味理解には至らない」ということを示す思考実験です。

    A5. C
    解説:強いAIは意識や思考を持つとされ、弱いAIは特定タスクに限定された知能を持ちます。

    A6. B
    解説:フレーム問題は「何が変化し、何が変化しないか」をAIがうまく識別できない問題です。

    A7. B
    解説:知識獲得のボトルネックは、人間が知識を入力する作業が非常に困難であるという問題です。

    A8. C
    解説:ルールベース機械翻訳は、文法ルールと辞書によって翻訳を行う方式です。

    A9. B
    解説:シンボルグラウンディング問題は、記号と現実世界の意味とのつながりをどう作るかという問題です。

    A10. C
    解説:ローブナーコンテストは、チューリングテスト型の対話評価大会です。

    分野:3. 探索・推論(4択 × 10問)

    Q1. 探索アルゴリズム「幅優先探索」の特徴として最も適切なものを1つ選べ
    A. 解が深い位置にある場合でも、最初に見つける
    B. 各ノードを深く掘り下げながら探索を進める
    C. 階層ごとに全ノードを探索していくため、最短解を見つけやすい
    D. ノードをランダムに選択して探索する

    Q2. 「αβ法」において主に目的とされるのはどれか、最も適切な選択肢を1つ選べ
    A. 深さ優先探索の枝刈りを高速化する
    B. 探索結果の可視化を行う
    C. ミニマックス法の計算量を削減する
    D. モンテカルロ法の補正を行う

    Q3. 「ミニマックス法」の主な適用分野として最も適切なものを1つ選べ
    A. 経路探索
    B. 論理回路設計
    C. ゲームの戦略選択
    D. データ圧縮

    Q4. 「探索木」において、深さ優先探索の欠点として最も適切なものを1つ選べ
    A. メモリ消費量が大きい
    B. 最短経路を見つけにくい
    C. 同じノードを繰り返し探索してしまう
    D. 処理が並列化できない

    Q5. 「モンテカルロ法」に関する説明として、最も適切な選択肢を1つ選べ
    A. 全ての可能なパスを厳密に計算して最適解を求める手法
    B. ランダムサンプリングにより統計的に近似解を得る手法
    C. 記号的推論により論理的な解を導く手法
    D. 主成分分析を用いて次元を削減する手法

    Q6. 「ハノイの塔」はどのような性質の問題か、最も適切な選択肢を1つ選べ
    A. NP完全問題の一種であり、近似解しか求められない
    B. 動的計画法を用いて解く連続最適化問題
    C. 手順に従って正確に解ける決定問題で、探索木を使って表現できる
    D. 複数のエージェントが相互作用するゲーム理論問題

    Q7. 「ブルートフォース(全探索)」の利点として最も適切なものを1つ選べ
    A. 常に最短時間で最適解が得られる
    B. 解空間の全てを網羅的に調べるため、必ず最適解が得られる
    C. ノードの重複を避けて処理時間を短縮できる
    D. 解の近似が許される問題にしか使えない

    Q8. 「STRIPS」が開発された主な目的として最も適切なものを1つ選べ
    A. ディープラーニングにおける学習効率の向上
    B. 視覚情報の高次元表現を生成すること
    C. 記号的な計画問題を形式的に表現・解決するためのフレームワーク
    D. 強化学習の報酬設計手法として使用されるモデル

    Q9. 「SHRDLU」はどのような機能を持つ初期AIシステムか、最も適切な選択肢を1つ選べ
    A. 画像内の物体を識別するモデル
    B. 数値計算能力に特化したエージェント
    C. ブロックの世界において自然言語で指示を受け、対話しながら操作できる
    D. 音声認識と翻訳を同時に行う会話エンジン

    Q10. 探索問題でよく使われる「探索木」とは何を表現したものか、最も適切な選択肢を1つ選べ
    A. 木構造でファイルシステムの管理を表現する図
    B. データベースのキー構造を図式化したもの
    C. 解空間をノードとエッジで構成し、探索経路を視覚化した構造
    D. アルゴリズムの分岐条件を記述するフローチャート

    A1. C
    解説:幅優先探索は階層順に探索するため、最短解を見つけやすい。

    A2. C
    解説:αβ法はミニマックス法の不要な探索枝をカットして効率化する手法です。

    A3. C
    解説:ミニマックス法はチェスや将棋などの対戦型ゲームにおける戦略選択に使われます。

    A4. B
    解説:深さ優先探索は解が浅い位置にある場合でも深く潜ってしまうため、最短経路が見つかりにくいことがあります。

    A5. B
    解説:モンテカルロ法はランダムサンプリングを使った統計的近似手法です。

    A6. C
    解説:ハノイの塔は明確なルールに従って解が得られる決定問題で、探索木で表現できます。

    A7. B
    解説:ブルートフォースは時間はかかるが、解空間を全て調べるため必ず最適解を得られる利点があります。

    A8. C
    解説:STRIPSは記号的計画問題を形式的に記述し、計画立案を自動化するために開発されました。

    A9. C
    解説:SHRDLUは「ブロックの世界」で自然言語指示を処理する初期の対話型AIです。

    A10. C
    解説:探索木は探索空間をノードとエッジで表し、探索経路を視覚化する構造です。

    分野:4. 知識表現とエキスパートシステム(4択 × 10問)

    Q1. 「知識表現」に関する説明として最も適切なものを1つ選べ
    A. センサーから取得した数値データをリアルタイムに処理すること
    B. データベースに格納されたファイル構造を最適化すること
    C. 人間の知識や概念をコンピュータで扱える形式に変換すること
    D. コンピュータの処理速度を高めるための最適化手法

    Q2. 「エキスパートシステム」の主な目的として最も適切なものを1つ選べ
    A. 機械のハードウェアを自動制御すること
    B. 人間の専門的知識を模倣して問題解決を行うシステムを実現すること
    C. 自然言語を高速に翻訳するための機械翻訳エンジンを開発すること
    D. Web検索結果をランキング化すること

    Q3. 「意味ネットワーク」の特徴として最も適切なものを1つ選べ
    A. 意味のないノードを排除するためのグラフ構造
    B. システムが自動で意味を生成するための機械学習手法
    C. 概念同士の関係性をノードとリンクで表現する知識表現手法
    D. 文法的構造を抽出するための構文解析ツール

    Q4. 「is-a関係」に該当する例として最も適切なものを1つ選べ
    A. 車は4つのタイヤを持つ
    B. 猫は動物である
    C. スマートフォンは電話を使う
    D. 時計は時刻を表示する

    Q5. 「オントロジー」に関する説明として最も適切なものを1つ選べ
    A. 音声データをテキストに変換するための処理方式
    B. 世界を構成する基本的な概念とその関係性を定義した知識体系
    C. 感情を定量化するための分類手法
    D. 統計的推論によって構成された仮説の集まり

    Q6. 「ウェブマイニング」の主な対象として最も適切なものを1つ選べ
    A. GPUの構造解析
    B. 自動車に関する運転挙動の分析
    C. インターネット上のデータから有用な知識を抽出する技術
    D. 仮想通貨の取引パターンの予測技術

    Q7. 「データマイニング」との違いを踏まえた「ウェブマイニング」の特徴として最も適切なものを1つ選べ
    A. 構造化されたデータのみを対象とする
    B. ネットワーク構造やリンク関係なども対象に含む
    C. ソーシャルネットワーク上の会話内容のみを対象にする
    D. 数値データのみに限定して処理を行う

    Q8. 初期のエキスパートシステム「MYCIN」が用いられた分野として最も適切なものを1つ選べ
    A. 画像認識による顔検出
    B. 自動運転制御の最適化
    C. 感染症の診断支援
    D. 株式市場の価格予測

    Q9. 「Question-Answering(質問応答システム)」の特徴として最も適切なものを1つ選べ
    A. 人間の声に反応して動作する音声認識システム
    B. 文書全体の要約を行うAIシステム
    C. ユーザーの自然言語による質問に対して、適切な答えを返すAI
    D. ネット上の質問掲示板に自動投稿するシステム

    Q10. IBMの「Watson」が世界的に注目を集めた理由として最も適切なものを1つ選べ
    A. 世界初の音声認識AIであったため
    B. クイズ番組で人間のチャンピオンに勝利したため
    C. 無人運転車の中核AIとして実用化されたため
    D. 自然言語をリアルタイム翻訳する技術を初めて導入したため

    A1. C
    解説:知識表現は、人間の持つ知識や概念をコンピュータで扱えるように記述することを指します。

    A2. B
    解説:エキスパートシステムは、専門家の知識を用いて問題解決を自動化するためのシステムです。

    A3. C
    解説:意味ネットワークは、概念同士の関係をノードとリンクで表現する知識表現手法です。

    A4. B
    解説:「猫は動物である」は「猫 is-a 動物」という上位概念への包含関係です。

    A5. B
    解説:オントロジーは、概念とその関係性を体系的に定義した構造で、知識共有や意味理解の基盤となります。

    A6. C
    解説:ウェブマイニングは、Web上のテキストやリンク構造などのデータから知見を抽出する技術です。

    A7. B
    解説:ウェブマイニングは、ハイパーリンクやページ構造などネットワーク的要素も扱います。

    A8. C
    解説:MYCINは感染症の診断・治療に用いられた初期の医療用エキスパートシステムです。

    A9. C
    解説:質問応答システムは、自然言語で質問を受け、適切な回答を返すシステムです。

    A10. B
    解説:Watsonはクイズ番組「Jeopardy!」で人間に勝利し、自然言語処理技術の進化を象徴しました。

    分野:5. 機械学習(4択 × 10問)

    Q1. 機械学習の基本的な定義として最も適切なものを1つ選べ
    A. 人間のルールに従って処理を自動化するシステム
    B. 大量のセンサーデータを高速処理する技術
    C. 明示的にプログラムされなくても、データから自動でパターンを学習する技術
    D. インターネットを通じて知識を検索する技術

    Q2. 機械学習とルールベース手法の主な違いとして最も適切なものを1つ選べ
    A. 機械学習は制御構造を自動生成できるが、ルールベースはできない
    B. 機械学習は人間の知識を直接記述するが、ルールベースは学習によって獲得する
    C. 機械学習は明示的なルールに基づかず、経験からパターンを獲得する
    D. 両者に違いはなく、用途によって呼び方が変わる

    Q3. 機械学習が注目されるようになった背景として最も適切なものを1つ選べ
    A. 高性能ロボットの低価格化
    B. データ量の爆発的増加と計算資源の進化
    C. インターネットの普及とSNSの流行
    D. 人工知能の倫理的議論の活性化

    Q4. 機械学習が効果を発揮する場面として最も適切なものを1つ選べ
    A. ルールが厳密に決まっているタスク(例:電卓)
    B. ユーザーの行動傾向やパターンが複雑で明文化しづらい場面
    C. ハードウェア制御のためのリアルタイム処理
    D. 法令に基づく定型的文書作成

    Q5. 次のうち、機械学習の応用例として最も適切なものを1つ選べ
    A. 電子レンジの加熱制御
    B. 銀行の金利計算
    C. メールのスパムフィルタリング
    D. OSのファイル管理機能

    Q6. 「ビッグデータ」が機械学習と関連する理由として最も適切なものを1つ選べ
    A. データ量が多いと計算時間が短縮されるため
    B. 複雑なパターン抽出には大量のデータが必要となるため
    C. ビッグデータは全て機械学習によって作成されているため
    D. ビッグデータを用いることで人手が不要になるため

    Q7. 機械学習と深層学習(ディープラーニング)の関係として最も適切なものを1つ選べ
    A. 機械学習の一分野として深層学習が位置づけられる
    B. 両者は全く異なる領域であり、関係性はない
    C. 深層学習が機械学習を包含する広義の概念である
    D. 機械学習は画像処理、深層学習は自然言語処理にのみ使われる

    Q8. 機械学習で重要な「次元の呪い」とは何を指すか、最も適切な選択肢を1つ選べ
    A. 高次元空間ではデータがまばらになり、学習が難しくなる問題
    B. 低次元のデータでは特徴が消失しやすい問題
    C. データのラベルが高次元になると正解率が下がる問題
    D. 高次元の学習では過学習が絶対に起こるという誤解

    Q9. 「レコメンデーションエンジン」がよく使われる場面として最も適切なものを1つ選べ
    A. ユーザーに合った商品やコンテンツを提示するECサイト
    B. 天気予報をリアルタイムで表示するアプリ
    C. スマートフォンのカメラによる顔認識
    D. 金融商品の価格を決定する数式エンジン

    Q10. 機械学習が不得意とする場面として最も適切なものを1つ選べ
    A. データにパターンが明確に存在する場面
    B. 教師データが大量に用意できる場面
    C. 結果の理由を明確に説明する必要がある場面
    D. 多くのサンプルからモデルを作成する場面

    A1. C
    解説:機械学習は、明示的なルールなしにデータから自律的にパターンを学習する技術です。

    A2. C
    解説:機械学習は経験に基づく学習、ルールベースは人間がルールを与える点が異なります。

    A3. B
    解説:機械学習の発展には「ビッグデータ」と「計算資源(GPU等)」の発展が不可欠です。

    A4. B
    解説:明文化しづらい複雑な行動・選好パターンには機械学習が有効です。

    A5. C
    解説:スパムフィルターは、機械学習を応用した代表的な事例です。

    A6. B
    解説:多様で複雑な特徴を捉えるには、大量のデータ(ビッグデータ)が必要です。

    A7. A
    解説:深層学習は、ニューラルネットワークを活用した「機械学習の一分野」です。

    A8. A
    解説:「次元の呪い」とは、次元数が増えることでデータがまばらになり学習が困難になる現象です。

    A9. A
    解説:レコメンデーションエンジンはECサイトで個人に最適な商品を提示する仕組みです。

    A10. C
    解説:機械学習モデルは高精度な予測は可能でも「なぜそう判断したか」の説明が苦手です。

    分野:6. ディープラーニング(4択 × 10問)

    Q1. 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
    A. 明示的なルール定義が必要で、人間が特徴量を設計する
    B. 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
    C. 決定木ベースのアルゴリズムを改良した学習モデル
    D. 主に画像以外のデータに特化した手法

    Q2. ディープラーニングが急速に注目されたきっかけとして最も関連が深い出来事を1つ選べ
    A. IBMのWatsonがクイズ大会で人間に勝利した
    B. AlphaGoが囲碁で世界王者を破った
    C. ILSVRCで従来モデルを圧倒する精度を示したモデルが登場した
    D. 自動運転車が公道走行に成功した

    Q3. 「ImageNet」プロジェクトが果たした役割として最も適切なものを1つ選べ
    A. 音声認識の精度向上に貢献した大規模音声データセット
    B. 画像認識精度を競うベンチマークとデータセットの提供
    C. 言語処理モデルの構築に必要な構文データを提供
    D. 医療画像診断用の標準プロトコルを規定した

    Q4. ディープラーニングと古典的な機械学習の主な違いとして最も適切なものを1つ選べ
    A. ディープラーニングは教師なし学習にしか使えない
    B. 古典的手法はニューラルネットワークに依存している
    C. ディープラーニングでは特徴量の自動抽出が可能
    D. 古典的手法の方が大規模データに強い

    Q5. ディープラーニングの初期モデル「LeNet」が得意としたタスクとして最も適切なものを1つ選べ
    A. 顔認識
    B. 手書き文字認識
    C. 自然言語翻訳
    D. 音声認識

    Q6. 「ネオコグニトロン」の役割として最も適切なものを1つ選べ
    A. 感情分析に特化した自然言語処理モデル
    B. スパースコーディングによるデータ圧縮方式
    C. CNNの先駆けとして位置不変性を実現する構造を持ったモデル
    D. 強化学習における報酬予測モデル

    Q7. 「AlphaGo」の成功においてディープラーニングが果たした役割として最も適切なものを1つ選べ
    A. ルールベースの判断を完全に再現することで人間を超えた
    B. CNNと強化学習を組み合わせて、直感的な戦略判断を可能にした
    C. 強化学習のみで構築され、ディープラーニングは使われていない
    D. 人間の対戦データのみを模倣する教師あり学習モデル

    Q8. ディープラーニングの学習には大量のデータが必要となるが、その理由として最も適切なものを1つ選べ
    A. 特徴抽出機構が手作業であるため、学習に時間がかかる
    B. モデルが複雑なため、過学習を防ぐにはデータ量を増やす必要がある
    C. データが多い方がネットワーク構造が簡素になるため
    D. 少量のデータではGPUを活用できないため

    Q9. 「LLM(大規模言語モデル)」に分類されるモデルとして最も適切なものを1つ選べ
    A. LeNet
    B. ResNet
    C. GPT
    D. DeepLab

    Q10. ディープラーニングが特に得意とする分野として最も適切なものを1つ選べ
    A. 小規模な論理推論
    B. 感情や倫理判断
    C. 音声・画像・自然言語のような非構造データの処理
    D. 財務諸表の監査と記述整合性の検証

    A1. B
    解説:ディープラーニングは多層ニューラルネットにより、特徴抽出から分類までを自動で行います。

    A2. C
    解説:2012年のILSVRCでAlexNetが圧倒的な精度を示し、DLの注目が一気に高まりました。

    A3. B
    解説:ImageNetは、画像認識技術の研究促進を目的とした大規模な画像データセットです。

    A4. C
    解説:古典的な機械学習では人手で特徴設計が必要でしたが、DLでは自動抽出が可能です。

    A5. B
    解説:LeNetは郵便番号の手書き文字認識に使われた初期CNNモデルです。

    A6. C
    解説:ネオコグニトロンはCNNの前身であり、位置不変性を意識した構造を持ちます。

    A7. B
    解説:AlphaGoはCNNで盤面を評価し、強化学習で戦略を学びました。

    A8. B
    解説:DLはパラメータが多く、過学習を避けるには大量データが必要です。

    A9. C
    解説:GPTはLLM(大規模言語モデル)に分類される代表的モデルです。

    A10. C
    解説:ディープラーニングは非構造データ(画像・音声・テキスト)の解析が得意です。

    分野:7. 教師あり学習(4択 × 10問)

    Q1. 教師あり学習における「教師データ」の定義として最も適切なものを1つ選べ
    A. 入力データのみで構成された訓練用データセット
    B. 入力データと、それに対する正解ラベルのペアからなるデータ
    C. 出力結果だけを集めたデータセット
    D. モデルの学習後に使用される評価専用データ

    Q2. 教師あり学習において「分類問題」に該当するタスクとして最も適切なものを1つ選べ
    A. 次月の売上金額を予測する
    B. 商品レビューのスコアを予測する
    C. メールがスパムか否かを判定する
    D. 地域ごとの平均気温を予測する

    Q3. 「回帰問題」に該当するものとして最も適切な選択肢を1つ選べ
    A. 犬か猫かを画像から判別する
    B. 顧客の年収を予測する
    C. レストランのカテゴリを分類する
    D. 顔画像から性別を推定する

    Q4. 決定木モデルの特徴として最も適切なものを1つ選べ
    A. 訓練データに完全に一致する線形関数を出力する
    B. データをランダムに並び替えて学習を行う
    C. 条件分岐によりデータを木構造で分類・予測する
    D. すべての変数を同時に使って1つの数式を構築する

    Q5. SVM(サポートベクターマシン)の特徴として最も適切なものを1つ選べ
    A. 出力層に活性化関数を持つネットワーク構造である
    B. 教師なし学習アルゴリズムである
    C. マージンを最大化する分類境界を学習する
    D. 出力が確率的なラベルとして表現される

    Q6. アンサンブル学習において「バギング」に分類される手法として最も適切なものを1つ選べ
    A. ランダムフォレスト
    B. 勾配ブースティング
    C. ロジスティック回帰
    D. ニューラルネットワーク

    Q7. 「多クラス分類」が必要とされる問題として最も適切なものを1つ選べ
    A. 顧客がリピーターか否かを予測する
    B. 都道府県名を入力された住所から判別する
    C. 商品価格を予測する
    D. 音声データから雑音を除去する

    Q8. 「線形回帰モデル」の目的として最も適切なものを1つ選べ
    A. 入力データをクラスタに分類すること
    B. 離散ラベルを出力する分類を行うこと
    C. 入力変数と出力の線形な関係をモデル化して数値を予測すること
    D. 状態の価値を推定するために報酬を最大化すること

    Q9. 「ロジスティック回帰」が主に用いられるタスクとして最も適切なものを1つ選べ
    A. 自然言語から感情スコアを算出する
    B. 病気の有無(Yes/No)を予測する
    C. 人間の行動パターンを生成する
    D. 未来の株価を連続的に予測する

    Q10. 「カーネルトリック」の目的として最も適切なものを1つ選べ
    A. 入力変数の数を減らして次元削減を行う
    B. 線形では分離できないデータを高次元空間に写して線形分離可能にする
    C. モデルの計算コストを削減するためにパラメータ数を減らす
    D. データをクラスタに分類するための距離関数を定義する

    A1. B
    解説:教師あり学習では「入力」と「正解ラベル」のペアで構成されたデータを使用します。

    A2. C
    解説:スパムか否かなど、カテゴリを判断するタスクは「分類問題」に該当します。

    A3. B
    解説:年収のように連続値を予測する問題は「回帰問題」です。

    A4. C
    解説:決定木は条件分岐を繰り返しながら分類・予測を行うモデルです。

    A5. C
    解説:SVMはマージン最大化により最適な分類境界を学習するアルゴリズムです。

    A6. A
    解説:バギングの代表的手法には「ランダムフォレスト」があります。

    A7. B
    解説:都道府県など複数のカテゴリから1つを選ぶ問題は「多クラス分類」です。

    A8. C
    解説:線形回帰は、説明変数と目的変数の線形関係を仮定し数値を予測します。

    A9. B
    解説:ロジスティック回帰は、Yes/Noなど2値分類に使われる確率的分類手法です。

    A10. B
    解説:カーネルトリックにより、非線形問題を高次元空間で線形分離可能にします。

    分野:8. 教師なし学習(4択 × 10問)

    Q1. 教師なし学習の定義として最も適切なものを1つ選べ
    A. 入力と正解のペアから規則を学習する方法
    B. 出力変数を目的としない、データの構造やパターンを学習する方法
    C. 報酬に基づいて方策を学習する方法
    D. モデルの予測精度を検証するための手法

    Q2. クラスタリングの目的として最も適切なものを1つ選べ
    A. ラベルのあるデータを分類する
    B. 連続値の予測モデルを構築する
    C. 類似した特徴を持つデータをグループに分ける
    D. ターゲット変数との相関を分析する

    Q3. 「k-means法」における「k」が示す意味として最も適切なものを1つ選べ
    A. 学習回数
    B. 学習率
    C. クラスタの数
    D. 特徴量の次元

    Q4. 教師なし学習の代表的手法である「主成分分析(PCA)」の目的として最も適切なものを1つ選べ
    A. データのカテゴリラベルを推定する
    B. データ間の相関を用いてノイズを除去する
    C. 高次元データをより少ない次元で表現する
    D. データを系列的に並べて予測する

    Q5. 次のうち「次元削減」に該当する手法として最も適切なものを1つ選べ
    A. ロジスティック回帰
    B. k-meansクラスタリング
    C. 主成分分析(PCA)
    D. ランダムフォレスト

    Q6. 「協調フィルタリング」に関する説明として最も適切なものを1つ選べ
    A. 商品のメタ情報(特徴)を用いて推薦を行う手法
    B. 他ユーザーとの類似性に基づいて推薦を行う手法
    C. データを時系列として分析する手法
    D. 教師あり学習をベースにした分類手法

    Q7. 「コンテンツベースフィルタリング」の説明として最も適切なものを1つ選べ
    A. 他者の評価情報に基づく推薦方法
    B. 各コンテンツの属性情報を用いて、ユーザーに合うものを推薦する方法
    C. ユーザーのクラスタ情報を使って予測する方法
    D. 購買履歴の類似性から分類を行う教師なし学習手法

    Q8. 「コールドスタート問題」が発生する典型的な状況として最も適切なものを1つ選べ
    A. サーバが過負荷状態になって処理が停止する
    B. 推薦システムで新規ユーザーや新商品に対して推薦精度が低下する
    C. 時系列モデルで季節性をうまく捉えられない
    D. 画像分類で物体の位置を検出できない

    Q9. 「トピックモデル」として最も適切な手法を1つ選べ
    A. CNN(畳み込みニューラルネットワーク)
    B. LDA(潜在的ディリクレ配分法)
    C. k-NN(k近傍法)
    D. Q学習

    Q10. 「t-SNE」の目的として最も適切なものを1つ選べ
    A. テキストの分類精度を上げるための文法解析手法
    B. 多次元データを2〜3次元に可視化するための次元削減手法
    C. クラス分類のための重み最適化アルゴリズム
    D. 時系列データのトレンド予測に用いる回帰手法

    A1. B
    解説:教師なし学習は、出力ラベルなしでデータ構造や潜在パターンを学習する手法です。

    A2. C
    解説:クラスタリングは、類似した特徴を持つデータを自動的にグルーピングする目的で使います。

    A3. C
    解説:k-means法の「k」は分割したいクラスタ(グループ)の数を表します。

    A4. C
    解説:PCAは、多次元データを少数の主成分に要約して、可視化や分析を容易にします。

    A5. C
    解説:PCA(主成分分析)は代表的な次元削減手法です。

    A6. B
    解説:協調フィルタリングは、他のユーザーの行動と類似性を使って推薦を行う手法です。

    A7. B
    解説:コンテンツベースフィルタリングは、商品の属性情報を使って推薦を行う方法です。

    A8. B
    解説:コールドスタート問題は、新規ユーザーや商品に関する情報不足によって推薦精度が下がる問題です。

    A9. B
    解説:LDA(潜在的ディリクレ配分法)は、文書に隠れた「トピック」の分布を学習する手法です。

    A10. B
    解説:t-SNEは、高次元のデータを2〜3次元に縮約し、視覚的にクラスタ傾向を観察するための手法です。

    分野:9. 強化学習(4択 × 10問)

    Q1. 強化学習において「エージェント」が果たす役割として最も適切なものを1つ選べ
    A. 学習データの前処理を行う存在
    B. 環境から報酬を得て行動を学習する主体
    C. 学習したモデルの評価を行うシステム
    D. 外部から正解を与える監視者

    Q2. 強化学習の特徴として最も適切なものを1つ選べ
    A. 入力データと正解ラベルを用いて学習する
    B. 過去の行動を記録し分類する手法
    C. 試行錯誤を通じて報酬を最大化するような行動を学習する
    D. 時系列データを主成分に分解して予測を行う

    Q3. 「環境(environment)」が強化学習において担う役割として最も適切なものを1つ選べ
    A. モデルの重みを初期化するプロセス
    B. エージェントに対して状態と報酬を返す存在
    C. 人間の行動を模倣して教師データを生成する装置
    D. 状態遷移を行わず、単一の出力を返す関数

    Q4. 強化学習において「状態(state)」の説明として最も適切なものを1つ選べ
    A. 現在までに得られた報酬の合計
    B. エージェントが置かれている時点での環境の情報
    C. モデルが予測した正解ラベル
    D. 行動によって変化する報酬の種類

    Q5. 強化学習で「報酬(reward)」として最も適切なものを1つ選べ
    A. モデルの正解率を測る指標
    B. エージェントの状態変化を予測する値
    C. エージェントがある行動を取った結果として環境から与えられるスカラー値
    D. 環境が学習する速度を調整するパラメータ

    Q6. 「方策(policy)」に関する説明として最も適切なものを1つ選べ
    A. 状態に対する価値を数値化する関数
    B. 遷移確率を保存するテーブル
    C. 状態に応じて取るべき行動を決定する関数またはルール
    D. 報酬を最大化する状態遷移の記録

    Q7. 「Q学習」においてQ値が表すものとして最も適切なものを1つ選べ
    A. 各エージェントの学習速度
    B. 行動による即時報酬の確率
    C. 状態と行動の組における将来の累積報酬の期待値
    D. 状態ごとの報酬の最大値

    Q8. 「ε-greedy法」が活用される目的として最も適切なものを1つ選べ
    A. 学習データの次元を削減するため
    B. 行動の選択において探索と活用のバランスを取るため
    C. 報酬の値を平均化して滑らかにするため
    D. 過学習を抑えるためにパラメータを正則化するため

    Q9. 「価値ベースの手法」と「方策ベースの手法」の違いとして最も適切なものを1つ選べ
    A. 前者は確率的な行動選択、後者は常に決定論的行動選択
    B. 価値ベースは状態の価値を学習し、方策ベースは方策自体を直接学習する
    C. 両者は同義であり、呼び名が異なるだけ
    D. 価値ベースは強化学習には用いられない

    Q10. 次のうち「深層強化学習(Deep RL)」の説明として最も適切なものを1つ選べ
    A. 強化学習において主成分分析を併用したモデル
    B. ニューラルネットワークを用いて価値や方策を近似する手法
    C. 教師あり学習における多層構造の回帰モデル
    D. 深層生成モデルに報酬信号を追加したクラスタリング技術

    A1. B
    解説:エージェントは強化学習において環境と相互作用し、報酬を得ながら行動方策を学ぶ主体です。

    A2. C
    解説:強化学習の本質は試行錯誤を通じて報酬を最大化する行動の学習にあります。

    A3. B
    解説:環境はエージェントの行動に対して状態と報酬を返す役割を持ちます。

    A4. B
    解説:状態とは、エージェントが現在置かれている環境の状況を表す情報です。

    A5. C
    解説:報酬は、エージェントが行動した結果として環境から与えられるスカラー値です。

    A6. C
    解説:方策は「どの状態でどの行動をとるか」を決めるルールや関数です。

    A7. C
    解説:Q値は、ある状態で特定の行動をとったときの将来的な報酬の期待値を表します。

    A8. B
    解説:ε-greedy法は、ランダムに行動する確率(ε)を持たせて探索と活用のバランスを保ちます。

    A9. B
    解説:価値ベースは状態の価値を推定し、方策ベースは行動方策自体を直接最適化します。

    A10. B
    解説:深層強化学習は、ディープラーニングを活用して方策や価値関数を近似する強化学習の手法です。

    分野:10. モデルの選択・評価(4択 × 10問)

    Q1. モデル選択時に重視すべき「バイアス-バリアンス・トレードオフ」に関する説明として最も適切なものを1つ選べ
    A. 高バイアスモデルはテストデータに過剰適合しやすい
    B. 高バリアンスモデルはトレーニングデータに対して誤差が大きくなる
    C. バイアスとバリアンスのバランスをとることで汎化性能を最適化する
    D. バリアンスが低いほど過学習しやすくなる

    Q2. 過学習しやすいモデルの選択例として最も適切なものを1つ選べ
    A. データ量が少ないときに高次元の深層学習モデルを使う
    B. 線形回帰を使って画像を分類する
    C. 小規模データに対して単純な決定木を使う
    D. 特徴量を少なく設定したSVMを使う

    Q3. 汎化性能の評価において重要な概念として最も適切なものを1つ選べ
    A. モデルの学習時間
    B. 訓練データに対する最小誤差
    C. 未知データに対する予測精度
    D. モデルのパラメータ数

    Q4. モデル選択における「アンダーフィッティング」の特徴として最も適切なものを1つ選べ
    A. 訓練データに対しては高精度だが、テストデータで性能が落ちる
    B. モデルが複雑すぎて計算時間がかかる
    C. 学習不足により訓練データすらうまく予測できない
    D. テストデータでの精度は高いが、説明力が乏しい

    Q5. モデル選択で用いられる「交差検証(クロスバリデーション)」の利点として最も適切なものを1つ選べ
    A. テストデータを使わずに予測できる
    B. 評価指標を複数得られるためモデルを正確に比較できる
    C. 外れ値を検出できるため精度が向上する
    D. パラメータの自動調整を行う技術である

    Q6. モデルの選択肢が複数ある場合、まず行うべきこととして最も適切なものを1つ選べ
    A. 最も複雑なモデルを選んで過学習を回避する
    B. すべてのモデルを交差検証し、性能指標を比較する
    C. データを全て訓練に使い、最高精度を持つモデルを採用する
    D. 学習速度の早いモデルのみを対象とする

    Q7. 「モデルの複雑さ」が大きくなると起こりやすくなる現象として最も適切なものを1つ選べ
    A. 学習データの不足
    B. アンダーフィッティング
    C. 過学習
    D. 高バイアスエラー

    Q8. 「情報量基準(AIC, BIC)」によるモデル選択の特徴として最も適切なものを1つ選べ
    A. 精度の高いモデルほど必ず選ばれる
    B. 複雑なモデルを優先して選ぶ
    C. モデルの良さと複雑さをバランスよく評価する
    D. テストデータの予測精度に基づいてモデルを選択する

    Q9. 次のうち、分類モデルの性能比較に有効な評価指標として最も適切なものを1つ選べ
    A. 決定係数(R²)
    B. 平均二乗誤差(MSE)
    C. 正解率(accuracy)
    D. ピアソン相関係数

    Q10. モデル選択時に「ドメイン知識」を活用する理由として最も適切なものを1つ選べ
    A. モデルのハイパーパラメータの自動最適化を支援するため
    B. 精度の数値比較よりも計算コストを削減するため
    C. 解釈性・実用性を考慮して、現実に適したモデルを選ぶため
    D. 既存のベンチマーク結果と一致させるため

    A1. C
    解説:汎化性能を最適化するには、バイアス(単純)とバリアンス(複雑)のバランスが重要です。

    A2. A
    解説:少量データに対して高次元の複雑なモデルを使うと、過学習のリスクが高まります。

    A3. C
    解説:汎化性能とは、訓練に使われていないデータに対する予測力です。

    A4. C
    解説:アンダーフィッティングは、モデルが単純すぎて訓練データも十分に学習できていない状態です。

    A5. B
    解説:交差検証により、複数の分割結果に基づいて安定したモデル比較が可能になります。

    A6. B
    解説:交差検証によって、複数モデルを同一条件で比較することが望まれます。

    A7. C
    解説:モデルが複雑になると、訓練データへの適合が過剰になりやすく、過学習が起こります。

    A8. C
    解説:AICやBICは、モデルの適合度と複雑さを考慮して、最適なモデルを選択する指標です。

    A9. C
    解説:正解率(accuracy)は、分類問題における基本的な評価指標の1つです。

    A10. C
    解説:ドメイン知識は、現実の制約や解釈性を考慮し、より実践的なモデル選択に貢献します。

    分野:11. ニューラルネットワークとディープラーニング(4択 × 10問)

    Q1. ニューラルネットワークの「入力層」の役割として最も適切なものを1つ選べ
    A. 重みを更新して学習する
    B. 損失関数を最小化する
    C. 外部からのデータをモデル内部に取り込む
    D. 出力の活性化関数を適用する

    Q2. ニューラルネットワークにおける「隠れ層」の主な役割として最も適切なものを1つ選べ
    A. モデルの出力結果を分類する
    B. 入力データのラベルを保持する
    C. 特徴量を抽出し、非線形変換を行う
    D. 出力を直接制御する

    Q3. 単純パーセプトロンが表現できないものとして最も適切なものを1つ選べ
    A. 論理積(AND)
    B. 論理和(OR)
    C. 否定(NOT)
    D. 排他的論理和(XOR)

    Q4. 多層パーセプトロン(MLP)が単純パーセプトロンと比較して持つ利点として最も適切なものを1つ選べ
    A. 線形な関数しか学習できない
    B. 非線形な関係を表現できる
    C. パラメータ数が少ない
    D. ラベル情報を必要としない

    Q5. ディープラーニングが機械学習と比較して特に優れている点として最も適切なものを1つ選べ
    A. 少数のデータでも高精度な予測ができる
    B. 多層構造により特徴抽出から分類までを自動化できる
    C. 学習速度が常に速い
    D. ハイパーパラメータの調整が不要である

    Q6. ディープラーニングの学習には通常多くのデータが必要とされる理由として最も適切なものを1つ選べ
    A. モデルが高精度なクラスタリング機能を持っているため
    B. 人手によるラベル付けが不要だから
    C. 多くのパラメータを持つため、学習に十分な情報が必要となるため
    D. モデルが決定木を内包しているため

    Q7. ディープラーニングの学習において「GPU」が活用される主な理由として最も適切なものを1つ選べ
    A. データを長期保存できるため
    B. 高速なデータベース検索ができるため
    C. 行列演算を並列処理できるため、学習の高速化が図れるため
    D. モデルの説明性が向上するため

    Q8. 「TPU(Tensor Processing Unit)」の特徴として最も適切なものを1つ選べ
    A. 音声処理専用のプロセッサ
    B. 画像生成専用のハードウェア
    C. ディープラーニングのために最適化された専用チップ
    D. 通常のPCで利用可能な汎用チップ

    Q9. ディープラーニングが適用されやすいタスクとして最も適切なものを1つ選べ
    A. 財務諸表の監査
    B. 高精度な数式計算
    C. 音声認識や画像分類などの非構造データ処理
    D. マクロ経済の因果推論分析

    Q10. ディープラーニングの構造が深くなることによる一般的な影響として最も適切なものを1つ選べ
    A. 誤差が必ずゼロに収束する
    B. 処理速度が向上し過学習が減る
    C. 複雑なパターンを学習できる一方で、勾配消失などの問題が起こりやすくなる
    D. 学習が不要になる

    A1. C
    解説:入力層は外部データをネットワークに渡す役割を担います。

    A2. C
    解説:隠れ層は入力を加工し、モデル内部で特徴を抽出・変換します。

    A3. D
    解説:単純パーセプトロンは線形分離可能な問題にしか対応できず、XORは非線形であるため表現できません。

    A4. B
    解説:多層パーセプトロンは非線形変換を複数行うことで、複雑なパターンも学習可能です。

    A5. B
    解説:ディープラーニングの利点は、特徴量設計を人手で行わなくても、学習中に自動抽出できる点です。

    A6. C
    解説:ディープラーニングは多くのパラメータを学習するため、大量の学習データが必要になります。

    A7. C
    解説:GPUは並列処理能力が高く、ディープラーニングの行列演算を効率的に処理できます。

    A8. C
    解説:TPUはGoogleが開発した、深層学習向けの専用チップです。

    A9. C
    解説:ディープラーニングは音声や画像などの非構造データに特に強い特徴を持ちます。

    A10. C
    解説:層が深くなることで表現力は高まりますが、勾配消失などの学習困難が生じやすくなります。

    分野:12. 活性化関数(4択 × 10問)

    Q1. 活性化関数の主な役割として最も適切なものを1つ選べ
    A. モデルの出力値を正規化する
    B. ニューラルネットワークに非線形性を導入する
    C. データの順序を並び替える
    D. 重みの初期値を調整する

    Q2. 「シグモイド関数」の出力値の範囲として最も適切なものを1つ選べ
    A. −∞ ~ ∞
    B. 0 ~ 1
    C. −1 ~ 1
    D. 0 ~ ∞

    Q3. 「ReLU(Rectified Linear Unit)」関数の定義として最も適切なものを1つ選べ
    A. f(x) = x²
    B. f(x) = tanh(x)
    C. f(x) = max(0, x)
    D. f(x) = 1 / (1 + e^(−x))

    Q4. ReLU関数の利点として最も適切なものを1つ選べ
    A. 全ての入力に対して出力が一定になるため計算が速い
    B. 勾配が常に一定であるため過学習が起こらない
    C. 負の値を0にして計算量を減らし、学習の収束を早める
    D. 入力を指数的に増幅することで学習を強化する

    Q5. 「tanh関数」の出力範囲として最も適切なものを1つ選べ
    A. 0 ~ 1
    B. −1 ~ 1
    C. −∞ ~ ∞
    D. 0 ~ ∞

    Q6. シグモイド関数が深層ニューラルネットワークにおいて使われにくい理由として最も適切なものを1つ選べ
    A. 勾配消失が起こりやすいため
    B. 出力値が常に0になるため
    C. 勾配が負の値しか取れないため
    D. 線形関数に近いため

    Q7. ReLU関数の欠点として知られている「死んだReLU問題」に関する説明として最も適切なものを1つ選べ
    A. 勾配が常に1になり、学習が進まなくなる
    B. 入力が負の領域に入ると勾配が0になり、重みが更新されなくなる
    C. 活性化関数が誤って分類される
    D. 出力が1を超えるとエラーが発生する

    Q8. 活性化関数「Leaky ReLU」の特徴として最も適切なものを1つ選べ
    A. ReLUよりも高速で学習できる
    B. 負の入力に対しても小さな傾きを持つことで死んだReLUを回避する
    C. 出力を指数関数的に拡大する
    D. 勾配を強制的にゼロにすることで学習を安定化させる

    Q9. 「Softmax関数」の主な用途として最も適切なものを1つ選べ
    A. 活性化関数の学習率を調整する
    B. 多クラス分類の出力層で各クラスに属する確率を表現する
    C. 出力層の重みを自動調整する
    D. 中間層の線形性を確保するために使う

    Q10. 活性化関数の選択がモデル性能に与える影響として最も適切なものを1つ選べ
    A. 活性化関数を使わない方がモデルの表現力が高くなる
    B. どの関数を使っても結果に大きな差はない
    C. 適切な活性化関数を選ぶことで、学習の安定性や収束速度が向上する
    D. 活性化関数は出力層にのみ影響するため、選択の重要性は低い

    A1. B
    解説:活性化関数は、ニューラルネットワークに非線形性を与えることで表現力を高めます。

    A2. B
    解説:シグモイド関数の出力範囲は 0 ~ 1 です。

    A3. C
    解説:ReLU関数は f(x) = max(0, x) と定義されます。

    A4. C
    解説:ReLUは負の値を0にして計算量を削減し、学習収束を早める効果があります。

    A5. B
    解説:tanh関数の出力範囲は −1 ~ 1 です。

    A6. A
    解説:シグモイド関数は勾配が小さくなりやすく、深層での学習時に勾配消失が起こりやすいです。

    A7. B
    解説:ReLUは負の入力で出力が常に0になるため、そのノードが学習に寄与しなくなる問題があります。

    A8. B
    解説:Leaky ReLUは負の入力に対しても微小な傾きを持ち、死んだReLU問題を緩和します。

    A9. B
    解説:Softmax関数は多クラス分類において、各クラスに属する確率を出力層で表現します。

    A10. C
    解説:活性化関数の選定は学習の効率や性能に大きく影響する重要な要素です。

    分野:13. 誤差関数(4択 × 10問)

    Q1. 誤差関数(損失関数)の主な役割として最も適切なものを1つ選べ
    A. 活性化関数の出力を正規化する
    B. 学習済みモデルの再構築を行う
    C. モデルの予測と正解とのずれを定量化する
    D. ハイパーパラメータの数を決定する

    Q2. 「平均二乗誤差(MSE)」が主に用いられるタスクとして最も適切なものを1つ選べ
    A. クラスタリング
    B. 回帰問題
    C. 多クラス分類
    D. 次元削減

    Q3. 「交差エントロピー誤差」が最も適しているのはどのようなタスクか、最も適切なものを1つ選べ
    A. 画像の圧縮
    B. 回帰問題
    C. 分類問題(特にソフトマックスを出力層に用いる場合)
    D. クラスタ数の推定

    Q4. 「カルバック・ライブラー情報量(KL)」の説明として最も適切なものを1つ選べ
    A. 2つの確率分布の差を測る非対称な指標
    B. データの平均と分散を比較する統計量
    C. ハードマージンを用いた分類基準
    D. 時系列予測における誤差の加重平均

    Q5. KL情報量において、PとQがまったく同一の分布であるときの値として最も適切なものを1つ選べ
    A. 1
    B. 0
    C. ∞
    D. −1

    Q6. 「Contrastive Loss」が最もよく使われる場面として最も適切なものを1つ選べ
    A. 入力データの次元を削減する場合
    B. 画像分類において、クラスラベルを出力する場合
    C. 類似性学習(類似・非類似ペアの距離を学習)
    D. 時系列解析においてピーク検出を行う場合

    Q7. 「Triplet Loss」の構成として正しいものを1つ選べ
    A. 1つの入力データと対応するラベルとの誤差
    B. 異なる3つの特徴次元の加算誤差
    C. アンカー、ポジティブ、ネガティブの3組のデータ間距離
    D. ランダムに選んだ3点の分類誤差の平均

    Q8. 平均二乗誤差(MSE)の特徴として最も適切なものを1つ選べ
    A. 誤差の正負に関係なく常に小さくなるため、分類問題に適している
    B. 誤差が大きい値に対してペナルティを強く与える性質を持つ
    C. 出力層にソフトマックスを用いる場合に最適な誤差関数である
    D. 誤差の平均をそのまま出力するため、ロバスト性が高い

    Q9. 誤差関数を選定する際に最も重要な基準として適切なものを1つ選べ
    A. 誤差関数の式がシンプルであること
    B. モデルの出力形式とタスクの目的に適合していること
    C. 実装が容易であること
    D. 計算速度が速いこと

    Q10. 誤差関数の値を最小化することで達成される目的として最も適切なものを1つ選べ
    A. ハイパーパラメータの自動更新
    B. 入力データの次元圧縮
    C. モデルが正解に近い出力をするよう学習を進める
    D. 特徴量の削除によるモデルの単純化

    A1. C
    解説:誤差関数はモデルの予測と正解とのずれを数値で表現し、学習の基準とします。

    A2. B
    解説:平均二乗誤差は連続値を扱う回帰問題でよく使われます。

    A3. C
    解説:交差エントロピーは分類問題、特に確率出力を用いるソフトマックスと相性が良いです。

    A4. A
    解説:KL情報量は、2つの確率分布の違いを測る非対称な指標です。

    A5. B
    解説:2つの分布が完全に一致する場合、KL情報量は0になります。

    A6. C
    解説:Contrastive Lossは、2つのデータの類似性・非類似性を学習するタスクに用いられます。

    A7. C
    解説:Triplet Lossは、アンカー・ポジティブ・ネガティブの3つの距離関係を利用します。

    A8. B
    解説:MSEは誤差を2乗するため、大きな誤差に対するペナルティが強くなります。

    A9. B
    解説:タスクに合った誤差関数を選ぶことが、学習の成功には重要です。

    A10. C
    解説:誤差関数の最小化により、モデルは正解に近い予測を行えるようになります。

    分野:14. 正則化(4択 × 10問)

    Q1. 機械学習において「正則化」を導入する主な目的として最も適切なものを1つ選べ
    A. モデルの計算速度を上げるため
    B. 特徴量のスケールを揃えるため
    C. 過学習を防ぎ、汎化性能を向上させるため
    D. 精度評価の指標を統一するため

    Q2. L1正則化に関する特徴として最も適切なものを1つ選べ
    A. モデルの全パラメータを0に近づける
    B. 特徴量の一部を0にし、スパースなモデルを構築する
    C. 損失関数に定数を加えて精度を安定させる
    D. ニューラルネットワークの層を減らす処理である

    Q3. L2正則化の特徴として最も適切なものを1つ選べ
    A. 特徴量を選択しやすくするための手法
    B. パラメータの絶対値を最小化する手法
    C. パラメータの二乗和にペナルティを与えることで、過剰な重みを抑制する
    D. 学習率の自動調整アルゴリズムの一種

    Q4. 「ラッソ回帰(Lasso)」が採用している正則化手法として最も適切なものを1つ選べ
    A. L0正則化
    B. L1正則化
    C. L2正則化
    D. ドロップアウト

    Q5. 「リッジ回帰(Ridge)」が用いている正則化手法として最も適切なものを1つ選べ
    A. L1正則化
    B. L2正則化
    C. L0正則化
    D. ドロップアウト

    Q6. L0正則化の特徴として最も適切なものを1つ選べ
    A. パラメータをすべて0に近づける効果がある
    B. モデルの複雑さを抑えるため、パラメータ数そのものにペナルティを与える
    C. パラメータの変動を増やすことで学習速度を上げる
    D. 重みをランダムに初期化することで、汎化性能を高める

    Q7. 「ドロップアウト」に関する説明として最も適切なものを1つ選べ
    A. 学習後に不要なノードを削除する技術
    B. 学習中にランダムに一部のノードを無効化することで過学習を防ぐ手法
    C. モデルから特徴量を完全に除去する処理
    D. 出力層のラベルをランダムに変更して汎化性を向上させる手法

    Q8. L1正則化と比較した場合のL2正則化の違いとして最も適切なものを1つ選べ
    A. L2はよりスパースなモデルを作る傾向がある
    B. L2は全ての重みをなめらかに抑える効果がある
    C. L2は特徴量選択に強いが、L1は重みの安定性が高い
    D. L2は非線形モデルにしか使えない

    Q9. モデルのスパース性(非ゼロ要素が少ない)を高めたい場合に適した正則化手法として最も適切なものを1つ選べ
    A. L0正則化やL1正則化
    B. L2正則化
    C. ドロップアウト
    D. バッチ正規化

    Q10. 正則化パラメータ(例:λ)を調整する主な目的として最も適切なものを1つ選べ
    A. モデルの学習率を制御するため
    B. データをスケーリングするため
    C. 正則化の強さを調整し、過学習と汎化性能のバランスを取るため
    D. モデルの出力を標準化するため

    A1. C
    解説:正則化は過学習を抑え、モデルの汎化性能(未知データへの対応力)を高めます。

    A2. B
    解説:L1正則化は不要な特徴量の係数を0にして、スパースなモデルを作ります。

    A3. C
    解説:L2正則化は重みの二乗和にペナルティを与えることで、大きな値を持つ重みを抑制します。

    A4. B
    解説:ラッソ回帰はL1正則化を用い、特徴量の選択を促すモデルです。

    A5. B
    解説:リッジ回帰はL2正則化を利用し、重みを全体的に小さくして過学習を防ぎます。

    A6. B
    解説:L0正則化は、非ゼロのパラメータの個数に直接ペナルティを課す手法です。

    A7. B
    解説:ドロップアウトは学習中にランダムにノードを無効化し、過学習を防ぎます。

    A8. B
    解説:L2正則化はすべてのパラメータを均等に抑える傾向があり、滑らかなモデルになります。

    A9. A
    解説:スパース性を高めたい場合、L0やL1正則化が有効です。

    A10. C
    解説:λは正則化の強さを制御し、複雑すぎるモデルを抑えるために調整されます。

    分野:15. 誤差逆伝播法(4択 × 10問)

    Q1. 誤差逆伝播法(Backpropagation)の主な目的として最も適切なものを1つ選べ
    A. 出力層の活性化関数を最適化する
    B. 損失関数の値をデータから直接計算する
    C. 誤差を出力層から入力層へ伝播させて各重みの勾配を計算する
    D. モデルの出力を定数に変換する

    Q2. 誤差逆伝播法で重要となる数学的性質として最も適切なものを1つ選べ
    A. 確率積分
    B. 連鎖律(Chain Rule)
    C. ラグランジュ未定乗数法
    D. ベイズ推定

    Q3. 誤差逆伝播法で生じる「勾配消失問題」とは何か、最も適切なものを1つ選べ
    A. 学習率がゼロになり、重みが全く更新されなくなる現象
    B. 出力値が全て1に収束する問題
    C. 深いネットワークにおいて、勾配が層を遡るにつれて極端に小さくなり、学習が進まなくなる問題
    D. 勾配が整数値しか取れなくなり、最適化が停止する問題

    Q4. 勾配消失問題が特に発生しやすい活性化関数として最も適切なものを1つ選べ
    A. ReLU
    B. tanh
    C. Softmax
    D. Hard Sigmoid

    Q5. 「勾配爆発問題」に関する説明として最も適切なものを1つ選べ
    A. 勾配が非常に大きな値になり、重みが発散してしまう現象
    B. 勾配がゼロに近づき、収束が遅くなる現象
    C. 勾配が複数同時に計算されることでノイズが乗る現象
    D. 勾配が正の値しか取らなくなることで局所最適に陥る現象

    Q6. 「信用割当問題(Credit Assignment Problem)」の説明として最も適切なものを1つ選べ
    A. 学習データに正解ラベルが付いていない場合に生じる問題
    B. どの層・どのニューロンが誤差にどれだけ関与したかを判断するのが難しいという問題
    C. 出力層の活性化関数が複数あると勾配が分配される問題
    D. ネットワークの途中層が情報を保持できない問題

    Q7. 勾配消失への対策として最も適切な手法を1つ選べ
    A. シグモイド関数を全層で使用する
    B. 活性化関数にReLUやLeaky ReLUを使用する
    C. 損失関数を定数に置き換える
    D. 学習率を0に設定する

    Q8. 勾配爆発問題に対して有効な手法として最も適切なものを1つ選べ
    A. ドロップアウトを強化する
    B. 勾配クリッピングを行い、勾配の大きさを制限する
    C. 活性化関数をtanhからsigmoidに切り替える
    D. ミニバッチサイズを減らす

    Q9. 誤差逆伝播法の計算において、連鎖律(Chain Rule)が用いられる理由として最も適切なものを1つ選べ
    A. 複数のデータセットを統合するため
    B. ニューラルネットワークの各層が複数の関数で構成されているため
    C. 勾配を指数関数的に減衰させるため
    D. モデルの精度評価を確率で行うため

    Q10. 誤差逆伝播法の適用が難しいケースとして最も適切なものを1つ選べ
    A. ニューラルネットワークが浅く、活性化関数が単純な場合
    B. 損失関数が線形関数で構成されている場合
    C. 出力と損失の関係が非微分関数で表される場合
    D. 学習データにラベルが付いている場合

    A1. C
    解説:誤差逆伝播法は、出力層から順に誤差を遡り、重みに対する勾配を計算する手法です。

    A2. B
    解説:誤差逆伝播法では、関数の合成に対する微分のルール「連鎖律」が基礎となります。

    A3. C
    解説:勾配消失は、深い層に行くにつれ勾配が小さくなり、重みが更新されにくくなる問題です。

    A4. B
    解説:tanhやsigmoidのように勾配が飽和しやすい関数は、勾配消失を引き起こしやすいです。

    A5. A
    解説:勾配爆発は、勾配が極端に大きくなって重みが発散し、学習が不安定になる現象です。

    A6. B
    解説:信用割当問題は、誤差の責任をどのユニットにどの程度帰属させるかが不明確な問題です。

    A7. B
    解説:ReLUやLeaky ReLUは、勾配がゼロになりにくく、勾配消失の対策として有効です。

    A8. B
    解説:勾配クリッピングにより、勾配の値が一定の範囲に収まるよう調整し、爆発を防ぎます。

    A9. B
    解説:ニューラルネットは関数の合成で成り立っており、連鎖律により勾配を各層に伝播します。

    A10. C
    解説:損失関数が微分不可能な場合、誤差逆伝播法による勾配計算ができず、適用が難しくなります。

    分野:16. 最適化手法(4択 × 10問)

    Q1. 勾配降下法(Gradient Descent)の主な目的として最も適切なものを1つ選べ
    A. モデルの複雑さを増加させる
    B. 損失関数の値を最小化するためにパラメータを更新する
    C. 学習データのサイズを増加させる
    D. モデルの出力を正規化する

    Q2. 確率的勾配降下法(SGD)の特徴として最も適切なものを1つ選べ
    A. 全データを一度に使用して勾配を計算する
    B. ミニバッチを使用せず、1データずつ勾配を計算する
    C. 勾配の計算を省略する
    D. 勾配を計算せずにランダムにパラメータを更新する

    Q3. モーメンタム(Momentum)法の主な利点として最も適切なものを1つ選べ
    A. 学習率を動的に変更する
    B. 勾配の振動を抑え、収束を加速する
    C. 勾配の計算を高速化する
    D. 損失関数を変更する

    Q4. Adam最適化アルゴリズムの特徴として最も適切なものを1つ選べ
    A. 学習率を固定し、勾配の平均のみを考慮する
    B. 勾配の1次モーメントと2次モーメントの推定を組み合わせて学習率を調整する
    C. 勾配の2次モーメントのみを使用する
    D. 勾配の符号のみを使用してパラメータを更新する

    Q5. AdaGradの主な特徴として最も適切なものを1つ選べ
    A. 学習率を一定に保つ
    B. パラメータごとに学習率を調整し、頻繁に更新されるパラメータの学習率を減少させる
    C. 勾配の平均を使用して学習率を増加させる
    D. 学習率をランダムに変更する

    Q6. RMSpropの主な利点として最も適切なものを1つ選べ
    A. 学習率を指数関数的に増加させる
    B. 勾配の移動平均を使用して学習率を調整し、収束を安定化させる
    C. 勾配の符号のみを使用する
    D. 学習率をデータセットのサイズに比例させる

    Q7. ハイパーパラメータの調整方法として最も適切なものを1つ選べ
    A. モデルの出力を手動で変更する
    B. グリッドサーチやランダムサーチを使用して最適なパラメータを探索する
    C. 学習データを削除する
    D. 損失関数を変更する

    Q8. 早期終了(Early Stopping)の主な目的として最も適切なものを1つ選べ
    A. 学習時間を無制限に延長する
    B. モデルの過学習を防ぐために、検証誤差が増加し始めた時点で学習を停止する
    C. 学習率を増加させる
    D. モデルの複雑さを増加させる

    Q9. 鞍点(Saddle Point)に関する説明として最も適切なものを1つ選べ
    A. 全ての方向において勾配がゼロであり、最小値である点
    B. 一部の方向で勾配がゼロであり、他の方向では勾配が非ゼロである点
    C. 全ての方向において勾配が最大である点
    D. 勾配が常に増加する点

    Q10. 学習率に関する説明として最も適切なものを1つ選べ
    A. 学習率が高すぎると収束が早くなるが、最適解を飛び越える可能性がある
    B. 学習率が低すぎると収束が早くなる
    C. 学習率は常に一定であるべきである
    D. 学習率はモデルの出力に影響を与えない

    A1. B
    解説:勾配降下法は、損失関数の値を最小化するために、パラメータを勾配の方向に更新する手法です。

    A2. B
    解説:確率的勾配降下法(SGD)は、1つのデータポイントごとに勾配を計算し、パラメータを更新します。

    A3. B
    解説:モーメンタム法は、過去の勾配情報を利用して、勾配の振動を抑え、収束を加速します。

    A4. B
    解説:Adamは、勾配の1次モーメント(平均)と2次モーメント(分散)の推定を組み合わせて学習率を調整します。

    A5. B
    解説:AdaGradは、パラメータごとに学習率を調整し、頻繁に更新されるパラメータの学習率を減少させます。

    A6. B
    解説:RMSpropは、勾配の移動平均を使用して学習率を調整し、収束を安定化させます。

    A7. B
    解説:ハイパーパラメータの調整には、グリッドサーチやランダムサーチなどの手法が用いられます。

    A8. B
    解説:早期終了は、検証誤差が増加し始めた時点で学習を停止し、過学習を防ぐ手法です。

    A9. B
    解説:鞍点は、一部の方向で勾配がゼロであり、他の方向では勾配が非ゼロである点で、最適化を困難にします。

    A10. A
    解説:学習率が高すぎると、最適解を飛び越えてしまう可能性があり、収束が不安定になります。

    分野:17. 全結合層(4択 × 10問)

    Q1. 全結合層(Fully Connected Layer)の主な特徴として最も適切なものを1つ選べ
    A. 一部のニューロンのみと接続される
    B. 畳み込み演算を行う層である
    C. 全ての入力ノードが全ての出力ノードに接続されている
    D. 時系列データを扱う専用の構造である

    Q2. 全結合層が持つパラメータの総数を求めるために必要な情報として最も適切なものを1つ選べ
    A. 入力データの平均値と分散
    B. 層の深さとバッチサイズ
    C. 入力ノード数と出力ノード数
    D. 学習率とエポック数

    Q3. 全結合層の計算内容に最も近い数式表現として最も適切なものを1つ選べ
    A. 出力 = 入力 × 畳み込みフィルタ
    B. 出力 = 活性化関数(入力)
    C. 出力 = 入力ベクトルと重み行列の積 + バイアス
    D. 出力 = 入力 - バイアス

    Q4. 全結合層における重みの役割として最も適切なものを1つ選べ
    A. データの正解ラベルを示す
    B. 各入力の影響度を調整するパラメータ
    C. データのサイズを一定に保つ定数
    D. 出力の正規化に使用される係数

    Q5. 全結合層が特に重要な役割を果たす場面として最も適切なものを1つ選べ
    A. 画像の局所的特徴を抽出する処理
    B. モデル全体のサイズを縮小する処理
    C. 畳み込み層などで抽出された特徴を統合して、最終的な分類や回帰を行う
    D. 時系列データの未来予測

    Q6. 全結合層における「線形関数」の意味として最も適切なものを1つ選べ
    A. 入力を指数的に拡張する関数
    B. 入力に非線形変換を加える活性化関数
    C. 入力と重みの積和をそのまま出力する関数
    D. 入力と出力をランダムに対応させる関数

    Q7. 全結合層が持つパラメータ数を求める数式として最も適切なものを1つ選べ
    A. 入力ノード数 × 出力ノード数
    B. 入力ノード数 + 出力ノード数
    C. 出力ノード数 ÷ 入力ノード数
    D. 入力ノード数 × 出力ノード数 + 出力ノード数(バイアス分)

    Q8. 全結合層を持ちすぎるモデルの欠点として最も適切なものを1つ選べ
    A. 勾配消失が起こる
    B. 特徴抽出能力が低くなる
    C. パラメータ数が多くなり、過学習のリスクが高まる
    D. 出力層のノード数が減る

    Q9. 全結合層を通すことで行われる処理として最も適切なものを1つ選べ
    A. ノイズ除去
    B. 特徴の圧縮と最終的な分類判断
    C. ピクセル値のスムージング
    D. 畳み込み演算の繰り返し

    Q10. 次のうち、全結合層の特徴として誤っているものを1つ選べ
    A. 全ての入力が全ての出力に接続されている
    B. 多くのパラメータを必要とする
    C. 空間的特徴を局所的に処理するために使われる
    D. 最終的な分類や回帰のために用いられる

    A1. C
    解説:全結合層では、すべての入力ノードがすべての出力ノードに接続されています。

    A2. C
    解説:パラメータ数は、入力ノード数 × 出力ノード数(+ バイアス項)で決まります。

    A3. C
    解説:出力は「入力ベクトル × 重み行列 + バイアス」という線形変換により求められます。

    A4. B
    解説:重みは入力ごとの重要度を調整するための学習パラメータです。

    A5. C
    解説:畳み込みなどで抽出した特徴を統合し、分類・回帰などの最終判断を行う役割があります。

    A6. C
    解説:線形関数とは、重み付き和(線形変換)のことで、非線形活性化関数とは異なります。

    A7. D
    解説:パラメータ数は「入力 × 出力 + 出力(バイアス)」で求められます。

    A8. C
    解説:全結合層が多いとパラメータが急増し、過学習しやすくなります。

    A9. B
    解説:全結合層では、特徴を圧縮・集約して最終的な判断に用います。

    A10. C
    解説:空間的特徴を局所的に処理するのは畳み込み層であり、全結合層の役割ではありません。

    分野:18. 畳み込み層(4択 × 10問)

    Q1. 畳み込み層(Convolutional Layer)の主な役割として最も適切なものを1つ選べ
    A. 入力データをランダムに変換する
    B. 空間的特徴を抽出し、位置情報を保持したまま処理する
    C. 全ての入力ノードを全ての出力ノードに接続する
    D. 時系列データの長期依存を保持する

    Q2. 全結合層と比較した畳み込み層の特徴として最も適切なものを1つ選べ
    A. 入力ごとに異なる重みを用いる
    B. 畳み込み層はパラメータ数が多く過学習しやすい
    C. 特定の領域に限定して重みを適用し、パラメータ数を削減できる
    D. 空間構造を無視して全体を一括処理する

    Q3. 畳み込み層で使用される「カーネル(フィルタ)」の働きとして最も適切なものを1つ選べ
    A. モデルの重みを正規化する
    B. 入力画像を圧縮する
    C. 局所領域の特徴を抽出する重み行列
    D. バイアス項を制御するスカラー値

    Q4. 畳み込み層の「ストライド」が大きくなると起こる現象として最も適切なものを1つ選べ
    A. 出力のサイズが小さくなる
    B. フィルタの重みが増加する
    C. バイアスが適用されなくなる
    D. 計算速度が遅くなる

    Q5. 畳み込み層で特徴マップのサイズを保つために使われる処理として最も適切なものを1つ選べ
    A. フィルタの反転
    B. バッチ正規化
    C. パディング(Padding)
    D. 活性化関数の変更

    Q6. Dilation Convolution(膨張畳み込み)に関する説明として最も適切なものを1つ選べ
    A. 特徴マップの値を二乗して拡張する
    B. 入力領域に間隔を空けてカーネルを適用することで受容野を拡大する
    C. 畳み込み結果にノイズを加える
    D. 計算を効率化するためカーネルサイズを小さくする

    Q7. Depthwise Separable Convolution の特徴として最も適切なものを1つ選べ
    A. 畳み込みを2段階に分け、計算量とパラメータ数を削減する
    B. バイアス項を複数のチャネルで共有する手法
    C. 全てのチャネルに一様なフィルタを適用する方式
    D. 局所的領域ではなく全体の平均を使って特徴を抽出する方法

    Q8. Atrous Convolution とも呼ばれる手法の主な目的として最も適切なものを1つ選べ
    A. フィルタサイズを減らすことで精度を安定させる
    B. パディングなしでフィルタを適用することで特異性を持たせる
    C. より広い文脈情報を取得するためにカーネル適用範囲を拡張する
    D. 活性化関数を動的に変更する

    Q9. 畳み込み層における「特徴マップ」とは何を表すか、最も適切なものを1つ選べ
    A. モデル全体の出力結果
    B. 入力画像のバッチサイズ
    C. フィルタを通じて得られた空間的特徴の集合
    D. データの正解ラベルの集合

    Q10. 畳み込み層が主に適用されるデータの特性として最も適切なものを1つ選べ
    A. クラスタ構造を持つ数値データ
    B. 一意に識別可能なIDデータ
    C. 空間的あるいは局所的な構造を持つデータ(画像など)
    D. 独立したカテゴリ変数から成るデータ

    A1. B
    解説:畳み込み層は空間的特徴を捉えながら処理することができ、画像や音声などに適しています。

    A2. C
    解説:畳み込み層は局所的な領域にのみ重みを適用することで、パラメータ数を削減できます。

    A3. C
    解説:カーネル(フィルタ)は、入力画像の局所領域に適用される小さな重み行列です。

    A4. A
    解説:ストライドが大きくなると、フィルタが飛び飛びに適用されるため、出力サイズが小さくなります。

    A5. C
    解説:パディングは、入力の周囲にゼロを追加し、出力サイズを一定に保つために使用されます。

    A6. B
    解説:Dilation Convolutionはカーネルの適用間隔を空けて、広い受容野を得る技術です。

    A7. A
    解説:Depthwise Separable Convolutionは、空間方向とチャネル方向の畳み込みを分離することで効率化を図ります。

    A8. C
    解説:Atrous Convolution(膨張畳み込み)は、間隔を空けてカーネルを適用し、文脈の広い特徴を抽出する手法です。

    A9. C
    解説:特徴マップとは、フィルタの適用によって得られた中間的な空間的表現の集合です。

    A10. C
    解説:畳み込み層は、画像のような空間構造のあるデータの処理に適しています。

    分野:19. 正規化層(4択 × 10問)

    Q1. 正規化層(Normalization Layer)の主な目的として最も適切なものを1つ選べ
    A. モデルのサイズを圧縮する
    B. 活性化関数を置き換える
    C. 中間層の出力の分布を安定させ、学習を効率化する
    D. 損失関数を自動調整する

    Q2. バッチ正規化(Batch Normalization)の処理単位として最も適切なものを1つ選べ
    A. ニューロンごとの出力値
    B. データセット全体
    C. 同一ミニバッチ内のデータに対してチャネル単位
    D. 層全体の勾配

    Q3. バッチ正規化を導入することで得られる効果として最も適切なものを1つ選べ
    A. 学習速度が低下するが精度が向上する
    B. 活性化関数を不要にできる
    C. 勾配消失や勾配爆発の緩和、学習の安定化
    D. データのノイズを完全に除去できる

    Q4. レイヤー正規化(Layer Normalization)が主に使われる状況として最も適切なものを1つ選べ
    A. 畳み込みニューラルネットワーク(CNN)
    B. データの正規表現変換
    C. 再帰型ニューラルネットワーク(RNN)などバッチサイズが不安定な場合
    D. 活性化関数が固定されている場合

    Q5. インスタンス正規化(Instance Normalization)の処理単位として最も適切なものを1つ選べ
    A. バッチ全体の平均値
    B. 各データサンプル内のチャネルごとの出力
    C. 層全体のパラメータ
    D. 重みとバイアスの合計

    Q6. グループ正規化(Group Normalization)の特徴として最も適切なものを1つ選べ
    A. 入力全体を一括で正規化するため計算コストが高い
    B. 各チャネル単位で出力を最大化する
    C. チャネルを複数のグループに分割し、グループごとに正規化する
    D. 出力層の損失値を小さくするための正則化手法である

    Q7. 正規化層を使用することで期待される効果として最も適切なものを1つ選べ
    A. モデルの精度は下がるが学習速度は上がる
    B. 過学習のリスクが高まる
    C. 勾配の安定化により、学習が高速かつ安定する
    D. 損失関数が正規化されることで結果が標準化される

    Q8. バッチ正規化と比較して、レイヤー正規化の主な違いとして最も適切なものを1つ選べ
    A. レイヤー正規化はミニバッチのサイズに依存しない
    B. レイヤー正規化は畳み込み処理に特化している
    C. レイヤー正規化は学習率の自動調整機能を持つ
    D. レイヤー正規化は出力層でのみ使用される

    Q9. バッチ正規化で使用される2つのパラメータ「γ(スケール)」と「β(シフト)」の目的として最も適切なものを1つ選べ
    A. 正規化の前にノイズを加える
    B. 正規化後の出力に柔軟性を持たせるため再スケーリング・再シフトを行う
    C. 勾配の増幅を意図的に発生させる
    D. 学習率の動的制御を行う

    Q10. 正規化層が適用される主なタイミングとして最も適切なものを1つ選べ
    A. 活性化関数の前または後
    B. モデルの保存時
    C. 損失関数の評価時
    D. ハイパーパラメータ調整の後

    A1. C
    解説:正規化層は、内部共変量シフトを抑え、学習を安定かつ効率化します。

    A2. C
    解説:バッチ正規化は、チャネル単位で、同一ミニバッチ内の出力を正規化します。

    A3. C
    解説:バッチ正規化は勾配爆発・消失を緩和し、学習の安定性と収束の速さを向上させます。

    A4. C
    解説:レイヤー正規化は、RNNなどでバッチサイズが変動する場合に効果的です。

    A5. B
    解説:インスタンス正規化は、各データサンプルのチャネルごとの出力を正規化します。

    A6. C
    解説:グループ正規化はチャネルを複数のグループに分け、グループごとに正規化を行います。

    A7. C
    解説:正規化により勾配の安定性が増し、学習が効率化されます。

    A8. A
    解説:レイヤー正規化は、1サンプル単位で処理されるためバッチサイズに依存しません。

    A9. B
    解説:γとβは、正規化後の表現力を保持するために再スケーリング・再シフトを行うパラメータです。

    A10. A
    解説:正規化層は、活性化関数の前または後に挿入されるのが一般的です。

    分野:20. プーリング層(4択 × 10問)

    Q1. プーリング層(Pooling Layer)の主な役割として最も適切なものを1つ選べ
    A. 出力層の誤差を正規化する
    B. 特徴マップのサイズを縮小し、計算効率と位置の不変性を得る
    C. 畳み込みフィルタのサイズを調整する
    D. 重みをすべて固定する処理を行う

    Q2. 「最大値プーリング(Max Pooling)」の特徴として最も適切なものを1つ選べ
    A. プーリング領域内の全ての値を平均化する
    B. プーリング領域内の値の中央値を出力とする
    C. プーリング領域内の最大の値を出力とする
    D. 全領域で一つの値に集約する

    Q3. 「平均値プーリング(Average Pooling)」の説明として最も適切なものを1つ選べ
    A. すべての層の平均を取る
    B. 入力画像の平均画素値を保持する
    C. 各プーリング領域の平均値を特徴マップにする
    D. 最小値を抽出して出力する

    Q4. プーリング層を使用することで得られる「不変性」の意味として最も適切なものを1つ選べ
    A. 学習速度が常に一定である性質
    B. 学習率を調整せずに済む性質
    C. 入力データの位置や形状が少し変わっても出力が安定する性質
    D. モデルが常に最大の精度を出す性質

    Q5. 畳み込み層と比較した際のプーリング層の特徴として最も適切なものを1つ選べ
    A. パラメータを持たない
    B. 全ての入力と出力を完全に接続する
    C. 勾配を用いてパラメータを更新する
    D. ノイズを学習するために用いられる

    Q6. プーリング層を導入する理由として最も適切なものを1つ選べ
    A. データの精度を落とすため
    B. 学習済みのモデルを再学習するため
    C. モデルのサイズと計算コストを抑え、特徴の抽象度を高めるため
    D. 活性化関数の変化を検出するため

    Q7. 「グローバルアベレージプーリング(GAP)」の説明として最も適切なものを1つ選べ
    A. 各チャネルごとに全特徴マップの平均を1つの値に圧縮する
    B. 入力画像全体の最大値を1つ抽出する
    C. バッチごとに平均を求めて比較する
    D. 時系列データの変動を平準化する

    Q8. 次のうち、最大値プーリングが最も有効とされる場面として最も適切なものを1つ選べ
    A. 細かなパターンの平均的傾向を学びたいとき
    B. 最も強い特徴の有無に基づいて判断したいとき
    C. 入力データのラベルを削除したいとき
    D. 重みを削除してモデルを軽量化したいとき

    Q9. プーリング処理における「ストライド」の設定が大きくなると起きる現象として最も適切なものを1つ選べ
    A. 出力特徴マップが高精度になる
    B. 出力のサイズが小さくなる
    C. パラメータ数が増える
    D. モデルの表現力が上がる

    Q10. GAP(Global Average Pooling)層が全結合層の代替として使われる主な理由として最も適切なものを1つ選べ
    A. モデルの学習率を調整しやすくなるため
    B. 時系列の情報を保持できるため
    C. パラメータを持たず、特徴マップの解釈性が高くなるため
    D. モデルの精度を自動的に評価できるため

    A1. B
    解説:プーリング層は特徴マップの空間サイズを小さくし、計算負荷と位置依存性を低減します。

    A2. C
    解説:最大値プーリングは、各領域で最大の値を選択し、最も強い特徴を残します。

    A3. C
    解説:平均値プーリングは、各領域の平均値をとって出力します。

    A4. C
    解説:不変性とは、位置やスケールの微小な変化に対して出力が安定する特性です。

    A5. A
    解説:プーリング層は固定の操作を行うため、学習すべきパラメータを持ちません。

    A6. C
    解説:プーリング層は情報の抽象化と、モデルの簡素化・高速化に寄与します。

    A7. A
    解説:GAPはチャネルごとに特徴マップの平均を計算し、1つの数値に圧縮します。

    A8. B
    解説:最大値プーリングは、強い局所的特徴の有無が重要な場合に効果的です。

    A9. B
    解説:ストライドを大きくすると、プーリングがより広範囲を飛ばして行われ、出力サイズが縮小します。

    A10. C
    解説:GAPは全結合層のようにパラメータを持たず、出力の意味が直感的で解釈しやすくなります。

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

    あなたへのおすすめ