E資格～模擬試験～ 2024年10月31日2024年11月3日 ailearn 1. 順伝播型ネットワークにおいて、勾配消失問題が深層学習の学習速度にどのような影響を与えるか、最も適切な説明はどれですか？ 勾配が消失すると、ネットワークの学習速度が劇的に遅くなる 勾配消失問題は学習速度には影響しない 勾配が消失すると、ネットワークの学習速度が高速になる 勾配が消失しても、学習速度にはわずかな影響しかない None 2. 次のうち、「Self-Attention Mechanism」が使用される目的として最も適切なものはどれですか？ 文全体の文脈を考慮し、各単語間の依存関係を効率的に捉えるため 文章を効率的に要約するため 単語の出現頻度を学習するため テキストデータを前処理するため None 3. CNNにおける活性化関数として最もよく使用されるものはどれですか？ ReLU関数 シグモイド関数 ソフトマックス関数 タンジェントハイパボリック関数 None 4. 強化学習における「Q学習」の目的は何ですか？ データのラベルを予測すること 次元削減を行うこと モデルのバイアスを減らすこと すべての状態と行動の組み合わせに対して最適な価値を学習すること None 5. 順伝播型ネットワークにおけるドロップアウト率が高すぎる場合、どのような影響がありますか？ モデルが過学習しやすくなる モデルの重みがゼロに収束する モデルの精度が向上する モデルの学習が困難になり、収束しない可能性がある None 6. 自然言語処理において、次の中で「Seq2Seq」モデルにおける「Attention Mechanism」の導入効果として正しいものはどれですか？ モデルの学習速度が速くなる 入力シーケンスの特定の部分に集中して処理することで、翻訳精度を向上させる モデルの出力層のパラメータ数が減少する 時系列データを処理するための新しい手法である None 7. Transformerにおける「Decoder」の役割として正しいものはどれですか？ 入力シーケンスの圧縮された表現を生成する 自己注意のみを使用して出力を予測する 残差接続を使用して入力シーケンスをそのまま出力する エンコードされた情報を基に、出力シーケンスを逐次生成する None 8. アダム（Adam）最適化アルゴリズムはどのような特徴を持っていますか？ 定数学習率を使用する 勾配の過去の動きに基づいて学習率を自動で調整する 常に学習速度を遅くする 損失関数の形状に依存しない None 9. 生成モデルとは何を行うモデルですか？ データの分類を行うモデル データの生成を行うモデル データの回帰を行うモデル データの削減を行うモデル None 10. L2正則化（リッジ回帰）の目的は何ですか？ モデルのパラメータを増やすため モデルの複雑さを抑え、過学習を防ぐため 勾配の振動を抑えるため 学習速度を上げるため None 11. エッジデバイスの計算リソースを効率的に活用するために、使用される技術として最も適切なものはどれですか？ コンテナ仮想化 クラウドストレージ データウェアハウス データバックアップ None 12. 「MapReduce」の「Reduce」フェーズの役割は何ですか？ Mapフェーズで生成されたキーと値のペアを集約し、最終結果を生成する 入力データを分割し、キーと値のペアを生成する データをクラウドに送信する データを保存する None 13. エッジコンピューティングにおけるセキュリティ上の課題として正しいものはどれですか？ デバイスが分散しているため、物理的なセキュリティが難しい データの一元管理が可能である ネットワーク負荷が軽減される クラウド上で全てのデータを保管する None 14. 雑音が含まれる通信路において、符号化率 R が通信路容量 C より小さい場合、次のうち正しい記述はどれですか？ 伝送誤りが発生する 通信が誤りなく行われる 通信が停止する データの圧縮率が向上する None 15. Faster R-CNNの特徴として正しいものはどれですか？ 1ステージの物体検出アルゴリズムである YOLOよりも高速だが、精度は低い RPNを用いて物体の候補領域を生成する 物体の数に応じてニューラルネットワークを動的に構築する None 16. エッジコンピューティングが求められるシナリオとして適切なものはどれですか？ 大量のデータをバックアップするためのリモートサーバー 通常のデータストレージ用途のパーソナルクラウド 高速なリアルタイム処理が必要な自動運転システム 大規模なバッチ処理が必要な分析システム None 17. 順伝播型ネットワークにおける「勾配クリッピング」の主な目的は何ですか？ 勾配消失を防ぐため モデルの重みを初期化するため 勾配爆発を防ぎ、学習を安定させるため 学習率を自動調整するため None 18. CNNにおける「ストライド」とは何ですか？ プーリング層でのデータ抽出範囲 重みの更新方法 フィルタが畳み込む際の移動距離 活性化関数の種類 None 19. a b c d None 20. FPGA（Field Programmable Gate Array）の特徴として正しいものはどれですか？ 予め固定された構成を持つデバイス 主にデータストレージとして使用されるデバイス グラフィック処理を高速化するためのデバイス ユーザーがハードウェアの構成を再プログラム可能なデバイス None 21. CNNにおいて、畳み込み層とプーリング層の組み合わせはどのような効果をもたらしますか？ データの次元を削減し、重要な特徴を抽出する モデルの精度を低下させる モデルの計算速度を遅くする モデルの重みを無作為に変更する None 22. エントロピー H(X) = 2.5 のとき、この情報源の平均情報量はどれですか？ 2.5ビット 5ビット 10ビット 1.25ビット None 23. エッジコンピューティングが特に有効となるケースはどれですか？ クラウドの処理能力が高い場合 データ転送量を減らしたい場合 大量のデータを一括で処理する場合 データのバックアップを行う場合 None 24. 「セマンティックセグメンテーション」とは何を指しますか？ 画像内の個別の物体を検出する 画像の各ピクセルにラベルを割り当て、物体の領域を予測する 画像の解像度を上げる 画像のノイズを除去する None 25. ある情報源が4つの異なる事象 {A, B, C, D} を等確率で生成する場合、この情報源のエントロピーはどれですか？ 1ビット 2ビット 4ビット 8ビット None 26. 「特徴量の重要度」を示す手法の一つである「パーミュテーションインポータンス」とは何ですか？ 特徴量を削減し、その結果を評価する手法 特徴量の数を増加させてモデルを評価する手法 特徴量を一つずつ除外して評価する手法 特徴量をランダムにシャッフルし、その影響を測定する手法 None 27. セマンティックセグメンテーションで、アトリウムネットワーク（Atrous Convolution）が使用される理由として最も適切なものはどれですか？ 高解像度の特徴を維持しながら、広い受容野を確保するため 計算コストを削減するため 全結合層を減らすため モデルのサイズを縮小するため None 28. 符号化における「冗長性」とは何を意味しますか？ 情報を追加することでデータの信頼性を高めること 符号化したデータの長さを最小化すること 情報量が最小になるようにデータを圧縮すること 必要以上に多くのビットで符号化されている部分 None 29. 機械学習における「過学習」とは何ですか？ 訓練データに対してモデルが過剰に適合し、新しいデータに対しては性能が低下する現象 モデルが十分に訓練されていない現象 データが不足している状態 訓練データとテストデータが同じ場合にのみ発生する現象 None 30. リカレントニューラルネットワーク（RNN）の最大の特徴は何ですか？ 非線形活性化関数を使用すること パラメータの共有がないこと 時系列データに適していること 固定長のデータのみを扱うこと None 31. a b c d None 32. a b c d None 33. ディープラーニング環境をGPU対応にするために必要な操作として最も適切なものはどれですか？ CPUのみを使用するように環境を設定する GPUを無効化してトレーニングを行う 特定のライブラリをインストールせずにトレーニングを行う GPU対応のディープラーニングライブラリとCUDAおよびcuDNNのインストール None 34. 「転移学習」の目的は何ですか？ ラベル付きデータを使って新しいモデルを訓練すること あるタスクで学習した知識を別のタスクに適用すること データの前処理を効率化すること モデルのパラメータを削減すること None 35. L2正則化とドロップアウトのどちらかを使用すべき場面として最も適切な状況はどれですか？ データが非常に多く、過学習のリスクが低い場合 ニューラルネットワークの深さを増やしたい場合 モデルの訓練時間を短縮したい場合 データが少なく、過学習のリスクが高い場合 None 36. 物体検出タスクにおいて、精度と速度のバランスが取れているモデルとして知られているのはどれですか？ ResNet Faster R-CNN VGG16 YOLO None 37. 次のうち、教師なし学習の手法として最も適切なのはどれですか？ ロジスティック回帰 サポートベクターマシン 線形回帰 K-平均法 None 38. GPUと比べたFPGAの利点として正しいものはどれですか？ 固定されたアーキテクチャを持ち、高速な並列計算が得意である 主にグラフィックス処理に使用される アーキテクチャを柔軟に変更でき、特定の用途に最適化できる 大規模なディープラーニングに特化している None 39. a b c d None 40. 順伝播型ネットワークにおける「エポック」とは何ですか？ モデルの性能を評価するためのテストデータ 訓練データ全体を1度モデルに与えて学習するプロセス 重みを初期化するプロセス モデルのパラメータをチューニングするプロセス None 41. モデルの汎化性能を高めるために使用される「ラベルスムージング（Label Smoothing）」の主な効果として正しいものはどれですか？ 学習データのラベルにノイズを追加し、モデルの確信度を下げることで過学習を防ぐ ラベルを拡張してデータセットを増やす ラベルの不確実性を減らし、モデルの信頼性を高める 出力層のニューロン数を減らす None 42. 順伝播型ネットワークにおいて、出力層にシグモイド関数を使用する場合、どのような状況が適していますか？ 回帰問題 2クラス分類問題 多クラス分類問題 次元削減問題 None 43. Transformerの各層において、正規化（Normalization）はどのような役割を果たしますか？ 計算コストを削減する 出力を安定化させ、学習を効率化する モデルの深さを減らす 残差接続を削除する None 44. GANにおいて、判別器の役割は何ですか？ データを生成する データを圧縮する 本物のデータと偽物のデータを区別する データを分類する None 45. SSD（Single Shot Multibox Detector）の主な利点は何ですか？ RPNを使用しないことで、物体検出が高速である 精度が非常に高いが、速度は遅い バウンディングボックスの候補が少ないため、計算負荷が低い 一度に1つの物体しか検出できない None 46. ドロップアウトとL2正則化の主な違いは何ですか？ ドロップアウトはランダムにニューロンを無効化し、L2正則化は重みにペナルティを課す ドロップアウトは重みにペナルティを課し、L2正則化はニューロンを無効化する 両方ともモデルの複雑さを増加させる 両方とも重みをゼロにする None 47. ドロップアウトのドロップ率が低すぎると、モデルにどのような影響がありますか？ 過学習のリスクが増える モデルが学習しなくなる 学習率が増加する モデルが複雑すぎて収束しなくなる None 48. アダム（Adam）の利点として正しいものはどれですか？ すべての学習問題で最高のパフォーマンスを発揮する 学習率を手動で調整する必要がない 勾配の過去の値に基づいて学習率を自動調整し、効率的に学習する どのような損失関数にも適用できる None 49. 回帰分析において、目的変数が連続値である場合、適切な手法は次のどれですか？ ロジスティック回帰 線形回帰 サポートベクターマシン K-最近傍法 None 50. 「環境構築」とは何を指しますか？ ソフトウェアの実行に必要な開発・運用環境を整備する作業 プログラムのデバッグ作業 ネットワークの設定作業 ソフトウェアの保守とサポート業務 None 51. 「ベイズ最適化」がモデルに適用される主な理由は何ですか？ データの次元を削減するため ハイパーパラメータの調整を効率的に行うため モデルのパラメータをランダムに設定するため モデルの精度を下げるため None 52. エッジコンピューティングの導入によって、クラウド上のデータ処理に与える影響として正しいものはどれですか？ クラウドへのデータ送信量が減り、クラウドの負荷が軽減される クラウドへのデータ送信量が増え、クラウドの負荷が増加する クラウドの負荷には全く影響しない クラウドへの依存が完全になくなる None 53. 「アンサンブル学習」の一種である「ブースティング」の特徴はどれですか？ 各モデルを並列に訓練する 正則化を強化する バッチサイズを増加させる 各モデルを逐次的に訓練し、前のモデルのエラーを修正する None 54. 「教師なし学習」でよく使用される次元削減手法はどれですか？ 主成分分析（PCA） K-近傍法 逆強化学習 サポートベクターマシン（SVM） None 55. CNNにおいて、次のうち「バックプロパゲーション」を行う際に重要なプロセスはどれですか？ 各フィルタの勾配を計算し、フィルタを更新する 出力層のノイズを削減する 活性化関数を変更する 入力データを拡張する None 56. セマンティックセグメンテーションにおいて、評価指標として使用される「IoU（Intersection over Union）」とは何を表しますか？ 予測された領域と正解領域の重なり具合を評価する指標 画像の解像度を表す指標 モデルの精度を評価する指標 計算コストを表す指標 None 57. 分散処理システムで「ネットワークボトルネック」が発生する主な原因として最も適切なものはどれですか？ 各ノードが独立して処理を行うこと 大量のデータがネットワークを介して送信される際の帯域幅不足 データの保存容量が不足すること データのローカリティが高い場合 None 58. 「スパース学習」とは何を目的とする手法ですか？ モデルの精度を向上させるためにパラメータ数を増やす モデルのパラメータの多くを0にすることで、計算コストを削減する ラベルなしデータを用いて特徴を学習する 報酬を用いてモデルを訓練する None 59. エッジコンピューティングにおける「フォグコンピューティング」との違いとして正しいものはどれですか？ フォグコンピューティングはエッジデバイスよりも上位のネットワーク層で処理を行う フォグコンピューティングはクラウドのみで処理を行う フォグコンピューティングはエッジデバイスを使用しない フォグコンピューティングはすべての処理をローカルで完結する None 60. Bidirectional LSTMのメリットとして、最も適切なものはどれですか？ 計算速度が速い 双方向から情報を処理するため、シーケンス全体の文脈を理解できる メモリ消費が少ない 勾配消失問題が完全に解決される None 61. ニューラルネットワークにおける「勾配消失問題」とは何ですか？ 訓練データが不足する現象 勾配が増大しすぎる現象 勾配が極端に小さくなり、重みが更新されなくなる現象 訓練データに対する誤差が無限大になる現象 None 62. モデルの汎化性能を向上させるために、L2正則化とドロップアウトを組み合わせる理由は何ですか？ モデルの複雑さを抑え、過学習を防ぐため モデルの学習速度を上げるため 重みを無作為に更新するため モデルの出力を正規化するため None 63. 物体検出において、「多段階検出モデル」とは何を指しますか？ 画像を複数の段階で処理し、各段階で異なる特徴を学習するモデル モデルの層を追加し、複数の物体を検出するモデル データセットを分割して学習するモデル 異なる解像度の画像を同時に学習するモデル None 64. 分散処理システムで使われる「マスター・スレーブアーキテクチャ」とは何ですか？ すべてのノードが同等にタスクを分担するアーキテクチャ 各ノードが独立して動作するアーキテクチャ タスクを一台のサーバーで処理するアーキテクチャ マスターがタスクを管理し、スレーブが処理を実行するアーキテクチャ None 65. CNNのプーリング層で最大プーリング（Max Pooling）を使う利点は何ですか？ 全ての入力データを平均化できる 最も重要な特徴を強調し、空間次元を縮小できる 訓練データの分散を均等にする モデルの精度を常に向上させる None 66. GANにおいて、生成器の目的は何ですか？ 偽のデータを生成し、それを判別器に対して本物のデータのように見せかける 本物のデータを識別する データを分類する データを削減する None 67. 次のうち、RNNの一種ではないものはどれですか？ LSTM GRU Transformer Bidirectional RNN None 68. 順伝播型ネットワークでのバッチ正規化（Batch Normalization）の主な効果は何ですか？ 訓練データの正規化を行い、データの分布を揃える 各層の出力を正規化し、学習の安定性を向上させる モデルの過学習を防ぐ モデルの重みをランダムに初期化する None 69. Transformerの構成要素の一つである「Multi-Head Attention」の目的は何ですか？ 単一の注意機構よりも複雑な関係を捉えるため 計算リソースを削減するため モデルの層を深くするため 勾配消失問題を回避するため None 70. 「説明可能AI」の導入が特に重要視されるケースはどれですか？ ゲームAIやチャットボット 音声認識システム 画像処理タスク 医療診断システムや金融スコアリングシステムなどの分野 None 71. L1正則化の効果で特に重要なものはどれですか？ モデルの学習速度を向上させる 特徴量の選択を自動的に行う 重みをランダムに調整する 学習率を低下させる None 72. 次のうち、畳み込みニューラルネットワーク（CNN）の学習において、画像の「正規化」の目的は何ですか？ 画像の色調を揃える 画像の詳細を強調する 出力を拡大する 学習の安定化と勾配消失問題の軽減 None 73. 半教師あり学習で使用される「擬似ラベル」の生成方法として正しいものはどれですか？ ラベルなしデータに対して既存のモデルが予測したラベルを用いる ラベル付きデータを使ってランダムにラベルを生成する ラベルなしデータをクラスタリングしてラベルを作成する ラベルなしデータを教師あり学習で学習する None 74. 大数の法則は何を示していますか？ 大きな数は常に正しい 標本の数を増やすと、標本平均が母平均に近づく 母集団分布の形状が標本サイズに依存する 標本の数を増やすと、分散が増大する None 75. 次のうち、Transformerが従来のSeq2Seqモデル（RNNベース）に比べて優れている点として正しいものはどれですか？ 時間的依存性が強くなる 全てのシーケンスを逐次処理する モデルのサイズが小さい 長いシーケンスでも並列処理が可能である None 76. 「クロスバリデーション」の目的は何ですか？ モデルのパラメータ数を減らす モデルの学習速度を向上させる モデルの性能をより正確に評価する データ拡張を行う None 77. 物体検出タスクで使用される「RPN（Region Proposal Network）」の目的は何ですか？ 画像から物体領域の候補を抽出する 画像のノイズを除去する 物体のラベルを分類する 画像のサイズを調整する None 78. 次のうち、エッジコンピューティングが適用される例として最も適切なものはどれですか？ センサーが集めたデータをリアルタイムで処理するIoTシステム 大規模なデータセンターでのバックアップ処理 個人のパソコンでのデータ保存 クラウド上でのデータ分析 None 79. 次のうち、自然言語処理において「Word2Vec」で学習されるものは何ですか？ 単語のベクトル表現 文全体の意味 単語の出現頻度 単語の順序 None 80. 深層強化学習において、エージェントの行動の説明性を向上させるために使われる技術の一つは何ですか？ 状態価値関数の可視化 勾配ブースティング サポートベクターマシンの適用 データの正規化 None 81. バッチ正規化を使用することで、次のどの効果が得られますか？ モデルの収束速度が速くなる トレーニングデータの必要量が増加する 正則化の効果が薄れる 勾配爆発問題が発生しやすくなる None 82. 分散処理システムにおいて「データローカリティ」とは何を指しますか？ データを一箇所に集約して処理すること データを処理するノードが、データに近い場所にあること データをクラウドに保存すること データを定期的にバックアップすること None 83. 中心極限定理が示す内容として最も正しいのはどれですか？ 標本のサイズを大きくすると、標本平均の分布が正規分布に近づく 標本のサイズを大きくすると、データはすべてゼロに収束する 標本の分散は無限に増大する 標本の標準偏差はすべて同じになる None 84. 「強化学習」におけるエージェントの目標は何ですか？ 与えられたデータからパターンを見つけ出す 環境との相互作用を通じて報酬を最大化する行動を学習する ラベル付きデータを用いて予測精度を高める 環境の状態を常に予測する None 85. 「MapReduce」における「Map」フェーズの役割は何ですか？ 入力データを分割し、キーと値のペアを生成する データを一元化し、集約結果を生成する 入力データをそのまま出力する データをクラウドに送信する None 86. 深層強化学習において、次元削減技術が導入される理由として正しいものはどれですか？ 状態空間が高次元である場合、効率的に学習するため 行動空間が不確実な場合、行動選択を高速化するため 方策の更新頻度を増加させるため 報酬をより多く得るため None 87. バッチ正規化（Batch Normalization）の効果として最も適切なものはどれですか？ モデルのトレーニングを安定化させる 勾配消失問題を完全に防ぐ 過学習を防ぐために学習データを削減する 学習率を低下させる None 88. エッジコンピューティングの利点として正しいものはどれですか？ データ処理の遅延を減らす データの安全性を低下させる データの送信コストを増加させる すべてのデータをクラウドに集約する None 89. 物体検出モデルのトレーニングにおいて、精度向上のために「ハードネガティブマイニング」が使用される理由は何ですか？ モデルのパラメータ数を削減するため 学習データの一部を無視するため モデルが誤検出しやすい難しいネガティブ例を重点的に学習するため ネガティブ例を削除して学習を効率化するため None 90. 「アンサンブル学習」において、バギングを使用する際、各モデルに異なるデータを提供するために使用される手法はどれですか？ ドロップアウト ブートストラップサンプリング 早期停止 クロスバリデーション None 91. 物体検出において「バックボーンネットワーク」の役割として正しいものはどれですか？ 物体の分類を行う 画像から特徴を抽出する バウンディングボックスを生成する 出力層を設計する None 92. 複数のプロジェクトで異なるバージョンのPythonやライブラリを利用する場合、どのような環境構築手法が推奨されますか？ すべてのプロジェクトで同じ環境を使い回す システム全体にすべてのライブラリをインストールする 各プロジェクトで同じライブラリのバージョンを強制的に使用する 各プロジェクトごとに仮想環境を作成し、依存関係を分離する None 93. 強化学習において「逆強化学習（Inverse Reinforcement Learning）」の目的は何ですか？ エージェントの行動を予測すること 環境の状態を再構成すること 報酬関数を未知の状態で推定すること 方策を直接学習すること None 94. ニューラルネットワークの最適化で、重みの初期化方法として「He初期化」が特に有効な理由は何ですか？ ReLUなどの非線形活性化関数を使用する場合、勾配消失問題を防ぐため 学習率を調整しやすくするため バッチサイズを減少させるため 出力層の精度を向上させるため None 95. 畳み込みニューラルネットワークにおける「フィルタ（カーネル）」のサイズが大きくなると、何が起こりますか？ モデルが捉える特徴がより大きな範囲に渡る モデルが過学習しやすくなる モデルの計算量が減少する ニューロンの数が増加する None 96. 自然言語処理において「TF-IDF」の目的は何ですか？ 単語の出現頻度を基に重要な単語を見つける 単語の順序を無視する 単語間の関係を学習する 単語の意味を変換する None 97. 「HDFS（Hadoop Distributed File System）」の特徴として正しいものはどれですか？ データを一元的に保存する従来型のファイルシステム 大規模データを分散して保存し、高い耐障害性を持つファイルシステム データベースの検索を高速化するためのファイルシステム 小規模データの保存に特化したファイルシステム None 98. 「RNN（Recurrent Neural Network）」が自然言語処理においてよく使用される理由として正しいものはどれですか？ 単語の順序を無視する 計算コストが非常に低い シーケンスデータを処理でき、過去の情報を保持できる 単語の関係性を学習できない None 99. GPUを使用する利点として正しいものはどれですか？ 並列計算による大量のデータ処理が可能 ストレージ容量が増加する ネットワーク速度が向上する データの一貫性が保証される None 100. DCGAN（Deep Convolutional GAN）の特徴は何ですか？ RNNを使用して時系列データを生成する LSTMを使用して文章を生成する 畳み込みニューラルネットワークを使用して画像生成を行う バッチ正規化を行わない None Time's up
