AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. データの「正規化」とは何を指しますか？ 欠損値を補完すること データを一定の範囲にスケーリングすること データをグループに分けること データのラベルを付けること None 2. AI開発のプロセスにおいて、データの「前処理」が重要な理由は何ですか？ モデルの予測精度に影響を与えないため モデルが学習に使うデータを整理し、欠損値やノイズを除去するため モデルのサイズを削減するため モデルの学習時間を短縮するため None 3. AI開発における「ハイパーパラメータチューニング」の方法の一つである「グリッドサーチ」の特徴はどれですか？ 事前に定義した全てのハイパーパラメータの組み合わせを網羅的に試す ランダムにハイパーパラメータを調整する モデルの複雑性を減らすために使用される データの欠損値を補完するために使用される None 4. モデルのハイパーパラメータを最適化するための手法の一つとして、「グリッドサーチ」の特徴は何ですか？ 全てのハイパーパラメータの組み合わせを試して最適なものを見つける 一部のハイパーパラメータだけをランダムに試す ハイパーパラメータを自動的に調整する 訓練データを自動で増やす None 5. 「L1正則化」と「L2正則化」の違いは何ですか？ L1正則化は全ての重みをゼロにし、L2正則化は一部の重みを大きくする L1正則化は一部の重みをゼロにし、L2正則化は全ての重みを小さくする L1正則化は学習率を調整し、L2正則化はデータを正規化する L1正則化はデータの一部を削除し、L2正則化はデータの欠損を補う None 6. 1997年、ガルリ・カスパロフがチェスでAIに敗れたときのAI「ディープブルー」はどの会社によって開発されましたか？ Google Microsoft IBM Apple None 7. 「AIの冬」とは何を指していますか？ AIが初めて誕生した時期 AI研究が一時的に停滞した時期 AIが商業的に成功した時期 人工知能が誤解された時期 None 8. モデルの「ドロップアウト（Dropout）」の主な目的は何ですか？ 訓練データの一部を無視して学習を進めることで、過学習を防ぐ モデルの出力を正規化するため 学習率を自動的に調整するため データを削除してモデルを簡略化するため None 9. 異常検知のタスクにおいて、正常データが圧倒的に多く、異常データが少ない場合、最も適切な評価指標はどれですか？ 正答率（Accuracy） 平均絶対誤差（MAE） F1スコア 平均二乗誤差（MSE） None 10. ニューラルネットワークにおいて「勾配消失問題」を解決するために有効な手法はどれですか？ ReLU活性化関数の使用 勾配降下法を使用する 交差エントロピー誤差を使用する ドロップアウトを適用する None 11. テキストの前処理で「ストップワード」とは何を指しますか？ 意味が強調される単語 検索エンジンにおける重要なキーワード 頻繁に使われるが、意味的に重要ではない単語 文書の分類基準となる単語 None 12. ニューラルネットワークにおいて、隠れ層の数を増やすとどのような効果がありますか？ 学習時間が短くなる 過学習のリスクが減る モデルが単純化される モデルの表現力が高まる None 13. パターン認識において「特徴ベクトル」とは何を指しますか？ データのラベル クラス分類の結果 データを特徴量で表現したベクトル パターンの一致度 None 14. AIモデルの開発において「MLOps」が担う役割は何ですか？ モデルのデータ収集を自動化する 機械学習の開発と運用を統合し、自動化するプロセスを提供する モデルの複雑性を減らす モデルの出力を最適化する None 15. モデルの精度評価に用いられる「F1スコア」とは何ですか？ モデルの精度を示す基本的な指標 精度と再現率の調和平均を示す指標 訓練データのサイズを示す指標 モデルの学習速度を示す指標 None 16. 1956年に開催された「ダートマス会議」は、AIの歴史において何を示唆した出来事でしたか？ AIの正式な誕生 初のAI論文の発表 初のAI企業の設立 人工知能の定義が初めて確立された None 17. 自然言語処理において、生成的敵対ネットワーク（GAN）がテキスト生成に使用される際の特徴は何ですか？ 正規化なしでテキストを生成する テキストの文脈を理解せずに生成する テキスト生成を通じて、よりリアルな文章を生成する 単一のモデルでテキスト分類も同時に行う None 18. ニューラルネットワークの「学習率」を適切に設定しないと起こりうる問題はどれですか？ 学習率が高すぎると最適解に到達できない、または振動する可能性がある 学習率が高すぎると過学習が発生する 学習率が低すぎるとモデルが過学習する 学習率が低すぎるとデータが不足する None 19. 機械学習における「過学習」とは何ですか？ モデルが訓練データに対して過剰に適応し、汎化性能が低下する状態 モデルが訓練データにうまく適合できない状態 モデルが訓練データを誤って分類する状態 モデルが全てのデータをランダムに分類する状態 None 20. 主成分分析（PCA）を用いた次元削減において、どのようにして「情報の損失」を最小限に抑えることができますか？ データをすべて削除する 主成分のうち、分散が大きいものから順に選択する 主成分のうち、分散が小さいものから順に選択する データを標準化せずに使用する None 21. パターン認識における「アンサンブル学習」の主な利点は何ですか？ 計算時間が大幅に短縮される 過学習のリスクがなくなる 複数のモデルを組み合わせることで、予測精度が向上する 単一のモデルを使用するよりもデータの処理が簡単になる None 22. LSTM（長短期記憶）モデルの最大の利点は何ですか？ 長期的な文脈情報を保持できる 訓練データを少なくする 短期的な依存関係に強い 訓練が非常に早い None 23. 「バッチ正規化」の主な目的は何ですか？ モデルのパラメータを自動調整するため モデルの学習時間を短縮するため モデルのハイパーパラメータを削減するため 各層の出力を正規化して、学習を安定化させるため None 24. データの「標準化」とはどのような操作ですか？ データを平均0、標準偏差1にスケーリングする操作 データをグループに分ける操作 データを欠損値で補完する操作 データにラベルを付ける操作 None 25. AIモデルの開発において、「エンドツーエンド学習」の特徴は何ですか？ データの前処理から予測まで全てのプロセスを統合的に学習する手法 モデルの学習後に手動でパラメータを調整する手法 学習の初期段階でモデルの出力を決定する手法 複数のモデルを結合して予測を行う手法 None 26. ニューラルネットワークの「層の深さ」が増えると、どのような影響がある可能性が高いですか？ モデルがより複雑なパターンを学習できるが、勾配消失問題が発生しやすくなる モデルの計算時間が減少する モデルの汎化性能が常に向上する 学習が必要なくなる None 27. ニューラルネットワークの学習において、「早期終了（Early Stopping）」の目的は何ですか？ モデルの訓練を高速化する モデルが過学習する前に学習を停止する 学習率を自動調整する 訓練データのサイズを減らす None 28. 「損失関数」の役割は何ですか？ データを前処理するための関数 モデルの予測と実際の値との誤差を計算するための関数 モデルの構造を決定するための関数 学習率を調整するための関数 None 29. ニューラルネットワークにおいて「活性化関数」が持つ主な役割は何ですか？ データを正規化する モデルの誤差を計算する 各ニューロンの出力を制限し、非線形性を導入する 各層の重みを更新する None 30. AIの運用において「データドリフト」とは何ですか？ モデルの出力結果が安定しなくなる現象 モデルがデータをランダムに分類する現象 モデルの学習データが変更される現象 モデルが新しいデータに対して予測精度を失う現象 None Time's up
