E資格～模擬試験①～ 2024年12月7日2024年12月7日 ailearn 1. 「バッチ正規化」の主な目的は何ですか？ データのスケールを均一にすることで、学習を安定させる 重みの初期化を行うため データを無作為に抽出するため モデルの複雑さを増加させるため None 2. 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 3. 自然言語処理において「ELMo（Embeddings from Language Models）」の最大の特徴は何ですか？ 単方向の文脈を考慮する 双方向の文脈を考慮し、動的な単語埋め込みを生成する 単語の出現頻度に基づいてベクトルを生成する 計算コストが非常に低い None 4. YOLOv3では、どのようにして異なるサイズの物体を検出していますか？ アンカーのサイズを増やす RPNを使用して異なるスケールを提案する 全ての物体を同じスケールで検出する 異なる解像度の3つのスケールで予測を行う None 5. L1正則化とL2正則化を組み合わせた「Elastic Net」が特に有効な場面はどれですか？ モデルの学習速度を上げたい場合 特徴量が多く、スパースな解を得たい場合 重みがすべてゼロになる場合 勾配消失問題を完全に防ぎたい場合 None 6. L2正則化を導入した場合、モデルの重みに対してどのような効果がありますか？ 重みがすべてゼロになる 大きな重みが抑制され、モデルがより滑らかになる 学習速度が向上する モデルの出力が倍増する None 7. セマンティックセグメンテーションにおける「クラス不均衡」を解決するために使用される手法はどれですか？ 学習率の増加 データ拡張 クラス重み付け クロスバリデーション 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. セマンティックセグメンテーションにおいて、「DeepLab」モデルの特徴は何ですか？ 単純なCNNを使用している 空間的ピラミッドプーリング（SPP）を採用し、異なるスケールでの特徴抽出を行う 全結合層を多用する モデルの深さが浅い None 10. 順伝播型ネットワーク（Feedforward Neural Network）で最も基本的な構造はどれですか？ 入力層、隠れ層、出力層 入力層と出力層のみ 入力層と2つの出力層 隠れ層と出力層のみ None 11. ResNetで導入された「スキップ接続（Skip Connection）」の主な目的は何ですか？ モデルの計算コストを削減する モデルのパラメータ数を増やす 勾配消失問題を軽減し、非常に深いネットワークでも学習を可能にする 入力データを強化する None 12. 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 13. 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 14. バッチ正規化（Batch Normalization）が勾配消失問題に対して効果的な理由は何ですか？ ニューロンの出力を無効化するため モデルの重みをゼロにするため 各層の出力を正規化することで、勾配が消失しにくくなるため 学習率を動的に調整するため None 15. 次のうち、画像認識モデルでよく使われる「データ拡張」の技術に含まれないものはどれですか？ 画像の回転 画像の平滑化 画像の拡大縮小 画像の反転 None 16. 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 17. 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 18. 「Fine-Tuning（ファインチューニング）」の効果として最も適切なものはどれですか？ モデル全体をゼロから再学習する 事前学習済みモデルを新しいタスクに適応させる 学習データを増加させる モデルのサイズを削減する None 19. 次のうち、BERTやGPTなどの事前学習済みモデルを特定のタスクに適応させるための技術はどれですか？ ドメイン適応 ファインチューニング クロスバリデーション データ拡張 None 20. BERTを使用した質問応答タスクにおいて、モデルが行う最も基本的な処理は次のうちどれですか？ 質問と回答の文脈を無視して直接予測する 回答文の出現頻度を基に最適な単語を選ぶ 質問と回答の文章をエンコードし、最適な回答位置を予測する 質問文を翻訳して回答する None 21. 正規分布 N(0, 1) の上で、z スコアが -1.96 から 1.96 の範囲に入る確率はおよそどれですか？ 0.68 0.99 0.50 0.95 None 22. セマンティックセグメンテーションとは何ですか？ 画像内の個々の物体を検出する 画像の各ピクセルにクラスラベルを割り当てる 画像を前処理する手法 画像の解像度を上げるための手法 None 23. 確率の定義において、サンプルスペース（標本空間）とは何ですか？ 発生しうる全ての結果の集合 確率が0になる事象の集合 予想される結果の集合 可能な事象の一部を集めたもの None 24. 順伝播型ネットワークでの重み更新のための典型的な手法は次のうちどれですか？ 勾配降下法 k-means法 主成分分析 ブートストラップ法 None 25. 順伝播型ネットワークで使用される活性化関数の役割は何ですか？ 重みを更新するため 非線形性を導入し、モデルに複雑なパターンを学習させるため モデルの重みを初期化するため 入力データを正規化するため None 26. 情報理論において、雑音が多い通信路でエラーを減らすための典型的な方法はどれですか？ 符号化の冗長性を減らす データを削除する 符号を短くする より多くの冗長性を追加する None 27. RMSProp最適化アルゴリズムがアダグラードの改良版とされる理由は何ですか？ 累積された勾配が過度に蓄積されるのを防ぐため モデルの精度を常に向上させるため 学習率を一定に保つため 損失関数の形状に依存しないため None 28. 「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 29. 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 30. ドロップアウト率を0.5に設定した場合、訓練時の挙動として正しいのはどれですか？ 各訓練ステップで50%の重みがリセットされる ニューロンの出力が半減する 各訓練ステップでランダムに50%のニューロンが無効化される モデルの精度が常に向上する None 31. 物体検出タスクにおける「NMS（Non-Maximum Suppression）」の目的は何ですか？ 学習率を最適化する 画像の解像度を上げる 重複するバウンディングボックスを削除し、最も信頼度の高いボックスを選択する データのノイズを除去する None 32. 順伝播型ネットワークにおいて、出力層で使用されるソフトマックス関数が持つ主な利点は何ですか？ 2つのクラスのみを処理できる 出力を確率として解釈できるため、多クラス分類に適している 勾配爆発を防ぐ 重みの更新速度を遅くする None 33. 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 34. 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 35. Faster R-CNNにおいて、RPNで生成された候補領域（Region Proposals）の数が多すぎると、どのような影響が考えられますか？ 検出精度が向上するが、計算コストが増加する 検出精度が低下し、計算コストも増加する 候補領域が多いほど、精度は一定のままで計算速度が向上する 候補領域が増えると、NMSの効果がなくなる None 36. 物体検出アルゴリズムにおいて、画像の解像度が非常に高い場合に注意すべき点はどれですか？ 計算コストの増加と、細かい物体の誤検出 物体が見つからない モデルのパラメータ数が減少する 検出結果が一貫しなくなる None 37. セマンティックセグメンテーションにおいて、「ピクセルワイズソフトマックス（Pixel-wise Softmax）」が必要とされる理由は何ですか？ 画像全体に同一のラベルを割り当てるため モデルの出力を正規化するため デコーダー部分での計算コストを削減するため 各ピクセルごとにクラス確率を計算し、最も高いクラスを予測するため None 38. 自然言語処理における「ネガティブサンプリング」の目的として正しいものはどれですか？ モデルの計算速度を高速化するため 低頻度単語の重みを減少させるため 単語の埋め込みを計算する際、全単語を考慮せずに一部の単語だけを使用することで効率化するため ノイズの多いデータを除外するため None 39. 順伝播型ネットワークにおける活性化関数「シグモイド関数」が深層学習であまり使われない理由は何ですか？ 勾配消失問題を引き起こしやすいため 勾配爆発を引き起こすため 計算コストが高いため 非線形性が低いため None 40. CNNで「データ拡張（Data Augmentation）」を使用する目的は何ですか？ データセットを増やし、モデルの汎化性能を向上させる モデルの計算速度を向上させる モデルの学習率を自動で調整するため ニューロンの数を増やすため None 41. 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 42. BERT（Bidirectional Encoder Representations from Transformers）の最大の特徴は何ですか？ 単方向の文脈を捉える 画像認識に特化している 単語の出現頻度を考慮する 双方向の文脈を捉える None 43. 次のうち、ResNetにおいて使用されていない要素はどれですか？ 残差ブロック スキップ接続 ドロップアウト バッチ正規化 None 44. 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 45. a b c d None 46. 物体検出における「アンカー（Anchor）」の役割は何ですか？ 画像を小さく分割する バウンディングボックスの初期候補を提供する 物体のサイズを正規化する 出力層の勾配を安定化させる None 47. バッチ正規化とL2正則化を組み合わせる理由として最も適切なものはどれですか？ モデルの出力を一定にするため モデルの複雑さを増加させるため 勾配爆発を防ぐため 過学習を抑えつつ、学習速度を向上させるため None 48. 符号化定理に基づき、帯域幅 B と通信路容量 C の関係に影響を与える要因は何ですか？ 信号対雑音比 (SNR) データの種類 情報源のエントロピー 通信プロトコル None 49. 物体検出における「平均適合率（mAP: mean Average Precision）」とは何を指しますか？ モデルの学習速度を測定する指標 モデルの誤差を評価する指標 モデルの検出速度を評価する指標 モデルが異なるクラスの物体を検出する際の精度を平均した指標 None 50. モデルの汎化性能を向上させるために、L1とL2のどちらの正則化を使用すべきか判断する際の主な基準は何ですか？ 特徴量の数と重要度 モデルの計算コスト データセットのサイズ モデルのアーキテクチャの複雑さ None 51. セマンティックセグメンテーションの評価において、精度を高めるための一般的な前処理手法として適切なものはどれですか？ データの正規化 モデルの再訓練 ピクセル値のランダムシフト デコーダーの再設計 None 52. 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 53. 情報理論における「相互情報量」とは何を意味しますか？ 2つの変数がどれだけ同時に発生するかを示す 2つのデータセット間の距離 2つの確率変数間で共有される情報量 情報量を圧縮する際の削減率 None 54. 畳み込みニューラルネットワーク（CNN）で一般的に使用されるプーリング層の目的は何ですか？ データの空間次元を削減し、モデルの計算量を抑えるため データの正規化を行うため 入力画像を拡大するため 重みを更新するため None 55. 「Mask R-CNN」の主な用途として正しいものはどれですか？ 物体検出とセグメンテーションの両方を同時に行う 物体検出のみを行う 画像分類を行う 時系列データの解析を行う None 56. KNN（K-Nearest Neighbors）アルゴリズムにおいて、K の値を大きく設定すると何が起こりますか？ モデルのバイアスが大きくなり、過剰に単純化される可能性がある モデルがより過学習しやすくなる モデルの複雑さが増し、学習速度が低下する モデルの精度が常に向上する None 57. 画像認識タスクで最も一般的に使用される損失関数はどれですか？ 平均二乗誤差 クロスエントロピー誤差 ヒンジ損失 ハブ損失 None 58. 「誤り訂正符号」とは何ですか？ 情報を圧縮するための符号 通信速度を向上させるための符号 データに冗長性を追加し、誤りを検出し修正できる符号 データの圧縮率を向上させる符号 None 59. ドロップアウトを使用する主な理由はどれですか？ 学習速度を上げるため モデルのパラメータ数を増やすため モデルの汎化性能を向上させるため モデルの誤差を最小化するため None 60. 自然言語処理において「Attention Mechanism」の役割は何ですか？ 単語の重要度を測定し、重要な単語に焦点を当てる 単語の出現頻度を学習する 文全体の長さを調整する 文章の要約を行う None 61. セマンティックセグメンテーションにおいてよく使用される損失関数はどれですか？ 平均二乗誤差 クロスエントロピー損失 ヒンジ損失 ハブ損失 None 62. 順伝播型ニューラルネットワークにおけるL1正則化の効果はどれですか？ 重みの一部がゼロになり、特徴量選択の役割を果たす 重みの絶対値がすべて減少する モデルの訓練速度が遅くなる モデルが過学習しやすくなる None 63. CNNで「フィルタ数」を増加させることによる主な影響は何ですか？ モデルの計算量が減少する 過学習のリスクが減る モデルがより多様な特徴を捉えられるようになる モデルが重みを自動調整できるようになる None 64. 順伝播型ニューラルネットワークで、ドロップアウト率を適切に設定する理由は何ですか？ 過学習を防ぎつつ、モデルの精度を維持するため 勾配の爆発を防ぐため モデルの複雑さを減少させるため モデルの精度を向上させるため None 65. CNNにおける「パディング」の主な目的は何ですか？ 入力画像のサイズを増加させる 畳み込み演算後の出力サイズを保持するために入力データの周りをゼロで埋める 出力層での正規化を行う ニューロンの活性化を抑える None 66. 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 67. 機械学習における「バイアス-バリアンストレードオフ」とは何ですか？ モデルの複雑さとデータの量に関するトレードオフ 訓練データとテストデータのサイズのバランス モデルの誤差のうち、バイアスとバリアンスをバランスさせる必要がある現象 モデルのパラメータと予測性能のバランス None 68. 「Transformer」がLSTMやGRUに比べて自然言語処理で優れている点として最も適切なものはどれですか？ 時系列データの扱いが得意 計算コストが低い モデルの構造が単純である 並列計算が可能で、長いシーケンスも効率的に処理できる None 69. シャノンの通信理論における「通信路容量」とは何ですか？ 通信路で誤りなく伝送できる最大のデータ量 通信路で送信できる最大のエントロピー 通信路で使用できる最大の帯域幅 通信路の信号対雑音比 None 70. 情報理論における「無記憶（メモリーレス）通信路」とは何ですか？ 通信路が過去の入力に依存しない通信路 データが記録されない通信路 情報を保存しない通信路 通信中にデータが消失する通信路 None 71. エントロピー H(X) の値が最大になるのはどのような場合ですか？ 確率分布が偏っている場合 確率分布が 0 に近い場合 確率分布が均一な場合 確率分布が無限大の場合 None 72. CNNにおける「転移学習」の利点は何ですか？ モデルの計算コストを削減できる 訓練済みモデルを利用することで、少ないデータでも高精度のモデルを得られる CNNのフィルタサイズを自動調整できる 重みの更新を省略できる None 73. 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 74. 独立な事象 A と B の同時発生確率は、次のうちどれですか？ P(A) + P(B) P(A | B) × P(B) P(A) - P(B) P(A) × P(B) None 75. 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 76. 標準偏差が示す意味として最も適切なのはどれですか？ データの平均からの偏差の最大値 データの最小値 データの平均からの値のばらつきの程度 データの最大値 None 77. YOLOのような1ステージ物体検出アルゴリズムにおいて、バウンディングボックスの信頼度スコアが高いにもかかわらず誤検出が発生する原因として考えられる要素はどれですか？ NMSの適用が不適切だった アンカーサイズが不適切だった 物体の位置が正確にラベル付けされていなかった フィルタサイズが小さすぎた None 78. 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 79. 機械学習において、交差検証を行う主な理由は何ですか？ 訓練データの誤差を最小化するため テストデータをより有効に使うため モデルの過学習を防ぐため モデルのハイパーパラメータを最適化するため None 80. 次のうち、VGG16やResNetなどの深層CNNモデルで重要視されるテクニックはどれですか？ 残差学習 学習率減衰 入力データの圧縮 ドロップアウト None 81. 情報圧縮におけるハフマン符号の役割は何ですか？ データのエントロピーを減らす データを効率的に符号化するために最適な可変長符号を生成する データを復元する データをランダムに並べ替える None 82. 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 83. 機械学習モデルの評価指標である「精度（accuracy）」は何を意味しますか？ モデルが正しく分類したデータの割合 モデルの複雑さ モデルが学習したデータの量 モデルの訓練速度 None 84. 勾配降下法において、学習率の役割は何ですか？ 重みの初期値を設定するため モデルの複雑さを調整するため データのサイズを調整するため 重みの更新量を決定するため None 85. 順伝播型ネットワークの最適化アルゴリズム「Adam」の特徴として正しいものはどれですか？ 学習率を固定している 勾配の過去の動きを利用し、自動で学習率を調整する 高い学習率でも常に収束する 勾配を無視して重みを更新する None 86. a b c d None 87. 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 88. 次のうち、畳み込み層のフィルタ数を増やすと、どのような影響があるか？ 計算コストが減少する モデルがより複雑になり、抽出される特徴の数が増える モデルが単純化され、汎化性能が向上する モデルのトレーニング時間が短縮される None 89. ミニバッチ勾配降下法（Mini-batch Gradient Descent）はどのような手法ですか？ 訓練データ全体を使用して一度に学習する手法 データセット全体を小さなバッチに分割し、それぞれで勾配を計算して学習する手法 データを1つずつ順番に使って学習する手法 勾配を無視して重みを更新する手法 None 90. ニューラルネットワークの学習において、バッチ正規化が勾配消失問題を軽減する理由は何ですか？ 重みの初期化を改善するため 学習率を動的に調整するため 各層の出力を正規化し、勾配が適切に伝播するため 出力層の活性化関数を変更するため None 91. 機械学習モデルの評価において、テストデータを使う理由は何ですか？ モデルの性能を過大評価するため モデルが未知のデータに対してどの程度適切に予測できるかを評価するため 訓練データの誤差を確認するため データを削減するため None 92. 次のうち、GPT（Generative Pretrained Transformer）が持つ最大の特徴はどれですか？ 双方向の文脈を捉える 一方向（左から右）のみで文脈を捉え、文章生成に特化している 画像処理に特化している 単語の出現頻度を基に文を生成する None 93. 勾配降下法において、学習率が大きすぎると何が起こりますか？ モデルが過学習する 勾配が無限大になる 損失関数の最小値に収束せず、振動してしまう 訓練データが不足する None 94. 期待値とは何を意味しますか？ 確率変数の可能な値の中で最も高い値 確率変数が取る可能性のある値の平均値 事象が発生する確率 確率変数が取る値の最小値 None 95. 「畳み込みカーネル（フィルタ）」が複数の層で共有される場合の利点は何ですか？ モデルのパラメータ数が減少し、効率が向上する モデルが過学習しやすくなる 畳み込み演算が高速化される モデルの複雑さが増す None 96. セマンティックセグメンテーションモデルにおいて、Skip Connectionを導入することによる効果として正しいものはどれですか？ モデルの計算負荷を増加させるが、精度は変わらない モデルの精度を向上させ、詳細な特徴を保持する モデルの学習速度が著しく低下する 全結合層を追加する必要がある None 97. 画像認識における「転移学習」の利点として正しいものはどれですか？ 学習をゼロから行う モデルの構造を変更する 学習率を高める 少ないデータでも高い精度を実現できる None 98. 物体検出において、1枚の画像に複数の物体を検出する手法として、最もよく使われる手法はどれですか？ YOLO CNN LSTM RNN None 99. 勾配降下法の「アダグラード（Adagrad）」アルゴリズムが効果的な場合はどれですか？ データのクラス数が非常に多い場合 モデルが深層ニューラルネットワークの場合 クラスごとのデータが均一である場合 特徴量ごとのスケールが大きく異なる場合 None 100. 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 Time's up
