E資格～模擬試験①～ 2024年12月7日2024年12月7日 ailearn 1. CNNにおいて、フィルタ（カーネル）の役割は何ですか？ 特徴マップの次元を減らす 入力画像から特徴を抽出する モデルの精度を低下させる データのノイズを増やす None 2. 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 3. 次のうち、「BPE（Byte Pair Encoding）」が自然言語処理で使用される理由として正しいものはどれですか？ テキストデータを圧縮するため 単語の出現頻度を学習するため テキストデータの前処理を自動化するため 未知の単語や希少な単語を処理するためのサブワード分割手法 None 4. 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 5. 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 6. a b c d None 7. 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 8. 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 9. セマンティックセグメンテーションにおける「ダウンサンプリング」とは何ですか？ 画像の解像度を高めること 画像の次元を増加させること 画像をスケールアップすること 画像の特徴を圧縮し、情報を要約すること None 10. 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 11. 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 12. 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 13. 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 14. 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 15. a b c d None 16. 「LSTM（Long Short-Term Memory）」がRNNに比べて優れている点は何ですか？ 計算速度が速い 単語の出現頻度を学習できる 長期的な依存関係をより効果的に学習できる テキストの分類を効率化する None 17. 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 18. セマンティックセグメンテーションにおける「Dilated Convolution（膨張畳み込み）」の主な目的は何ですか？ 解像度を下げずに受容野を広げる ピクセルのスパース性を高める モデルの計算負荷を減らす モデルのパラメータ数を削減する None 19. 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 20. 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 21. 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 22. 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 23. ドロップアウト（Dropout）の役割は何ですか？ ニューロンをランダムに無効化し、過学習を防ぐ モデルの学習率を調整する 勾配の更新を加速する データの正規化を行う None 24. プーリング層の主な役割は何ですか？ パラメータの数を増やす 画像の解像度を高める 特徴マップの次元を縮小し、計算量を削減する 画像の色調を調整する None 25. 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 26. 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 27. ドロップアウト率が高すぎると、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 ニューロンが過度に活性化する モデルが十分に学習できなくなる モデルの汎化性能が向上する None 28. 順伝播型ネットワークの出力層でよく使用される活性化関数は次のうちどれですか？ ReLU シグモイド関数 ソフトマックス関数 タンジェント関数 None 29. セマンティックセグメンテーションにおける「U-Net」の特徴は何ですか？ 画像分類に特化したネットワーク ピクセルレベルのセグメンテーションを行うネットワーク 画像の解像度を下げるためのネットワーク 時系列データを扱うネットワーク None 30. 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 31. 平均 μ=0、標準偏差 σ=1 の標準正規分布の範囲 [-2, 2] に含まれる確率は約何%ですか？ 68% 95% 99.7% 50% None 32. 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 33. 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 34. 順伝播型ネットワークにおいて、バイアスユニットの役割は何ですか？ 入力データのスケールを調整する モデルの複雑さを減らす 関数のオフセットを調整し、モデルがより多様な入力に対応できるようにする モデルの学習速度を向上させる None 35. CNNで使用される「バッチ正規化（Batch Normalization）」の主な効果は何ですか？ データを無作為に抽出する 重みをゼロにリセットする ニューロンをランダムに無効化する 畳み込み層での出力を正規化し、学習を安定させる None 36. 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 37. 自然言語処理において「シーケンス・トゥ・シーケンス（Seq2Seq）」モデルがよく使用されるタスクはどれですか？ 画像認識 音声認識 自動翻訳 データ前処理 None 38. 順伝播型ネットワークにおける「ミニバッチ学習」とは何ですか？ 全ての訓練データを一度にモデルに入力する手法 訓練データを少数のサブセットに分け、それぞれで学習を行う手法 訓練データをランダムに並べ替える手法 訓練データを正規化する手法 None 39. 最適化手法の1つである「モーメンタム法」の主な目的は何ですか？ 勾配の振動を抑え、学習を加速するため モデルの複雑さを抑えるため 勾配爆発を防ぐため モデルの損失を増やすため None 40. ニューラルネットワークの学習において、「重みの初期化」が適切でないと、どのような現象が発生する可能性が最も高いですか？ 学習速度が非常に速くなる 勾配消失や勾配爆発が発生し、モデルの学習が進まなくなる モデルが常に最適解に収束する 学習が停止してしまう None 41. 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 42. 次のうち、セマンティックセグメンテーションで頻繁に使用される「Skip Connection」の役割として正しいものはどれですか？ ネットワークの計算速度を向上させる エンコーダーからデコーダーに直接特徴を伝達し、詳細情報を補完する ピクセルごとの分類精度を下げる モデルのパラメータ数を減らす None 43. モデルにおいて、L2正則化を導入することでどのような効果が得られますか？ モデルの複雑さを増やし、データに適合させる 重みがすべてゼロになる モデルの複雑さを抑え、過学習を防ぐ ニューロンの数を増加させる None 44. 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 45. 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 46. 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 47. a b c d None 48. A、B という2つの事象が互いに独立であるとき、P(A) = 0.3, P(B) = 0.4 のとき、A か B の少なくとも1つが起こる確率はどれですか？ 0.12 0.58 0.70 0.10 None 49. 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 50. 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 51. 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 52. 順伝播型ネットワークにおいて、勾配降下法の「ミニバッチサイズ」を大きく設定した場合の利点はどれですか？ モデルが過学習しやすくなる データの分散が大きくなる 勾配の更新が安定しやすくなり、収束速度が向上する可能性がある 訓練データがランダムに変更される None 53. ニューラルネットワークの訓練において、「重みの初期化」が重要な理由は何ですか？ 適切な初期化を行わないと、勾配消失問題や勾配爆発が発生しやすくなるため 重みがランダムでないとモデルが過学習するため 重みの初期化が適切でないと、学習率が収束しないため 重みを初期化しないと、モデルの計算ができないため None 54. 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 55. 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 56. 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 57. 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 58. 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 59. 「ImageNet」の役割として正しいものはどれですか？ 画像の生成 画像のノイズ除去 画像の圧縮 大規模な画像認識データセットと、事前学習済みモデルの基盤を提供する None 60. 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 61. 情報源符号化において、符号の平均長がエントロピーに等しいとき、どのような符号化が達成されていますか？ 冗長な符号化 無駄のない最適な符号化 情報の損失を含む符号化 長すぎる符号化 None 62. 物体検出における「IoU（Intersection over Union）」とは何を表しますか？ 学習率の調整 予測バウンディングボックスと正解バウンディングボックスの重なり度合い 畳み込み層のフィルタ数 物体の大きさを正規化する指標 None 63. CNNにおける「転置畳み込み層（Transposed Convolutional Layer）」の目的は何ですか？ データの次元を削減する ニューロンを無効化する 出力層での活性化をゼロにする 入力データを拡大し、元の空間解像度を再構成する None 64. 「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 65. 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 66. 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 67. セマンティックセグメンテーションにおいて、「アップサンプリング」はどの段階で行われますか？ 特徴抽出の前 エンコーダー部分で デコーダー部分で モデルの出力層で None 68. 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 69. 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 70. a b c d None 71. 「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 72. 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 73. 「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 74. 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 75. CNNにおける「ソフトマックス関数」の役割は何ですか？ ニューラルネットワークの全てのニューロンを活性化する データを正規化する データの次元を削減する 出力層において、複数クラスの分類を確率として出力する None 76. 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 77. 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 78. CNNの「パディング」が重要な理由は何ですか？ 畳み込み演算後の出力サイズを調整し、特徴の損失を防ぐため フィルタサイズを変更するため モデルの重みを自動更新するため データを無作為に削除するため None 79. L1正則化（ラッソ回帰）の特徴として正しいものはどれですか？ モデルの重みがゼロになることがある 重みが減少するが、ゼロにはならない 勾配を一定に保つ モデルの精度を低下させる None 80. 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 81. 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 82. 順伝播型ネットワークにおいて、ミニバッチのサイズが大きすぎると、学習にどのような影響がありますか？ 学習が不安定になり、損失関数が振動する 勾配の更新が速くなり、過学習が発生しやすくなる 勾配の更新が遅くなり、学習が効率的に進まない モデルが過学習するリスクが低くなる None 83. セマンティックセグメンテーションにおいて、Encoder-Decoderアーキテクチャの利点として正しいものはどれですか？ 学習データを減らすことができる 予測速度を上げることができる 複雑なオブジェクトのセグメンテーションに有効である モデルの精度を犠牲にする None 84. CNNの「畳み込みフィルタの数」を増やすと、モデルにどのような影響がありますか？ モデルの学習速度が大幅に低下する モデルが捉える特徴の種類が増加し、精度が向上する可能性がある モデルが過学習しやすくなる ニューロンが無効化される None 85. 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 86. 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 87. CNNにおける「フィルタサイズ」と「ストライド」の関係について正しい説明はどれですか？ ストライドが大きくなると出力サイズが大きくなる ストライドが大きくなると出力サイズが小さくなる フィルタサイズが小さいと出力サイズが増える フィルタサイズが大きいとストライドが小さくなる None 88. 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 89. 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 90. 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 91. RMSPropの特徴は何ですか？ 勾配の二乗平均を使用して学習率を調整する 一定の学習率で更新を行う モデルの重みをランダムに更新する 過去の重みを使用しない None 92. 条件付き確率 P(A | B) の定義はどれですか？ P(A) × P(B) P(A) / P(B) P(A ∩ B) / P(B) P(A) - P(B) None 93. 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 94. エントロピー符号化の目的は何ですか？ データの信頼性を向上させること データの不確実性を増やすこと エントロピーに基づいて、情報量に応じた符号を割り当てることで、データの圧縮率を高めること データの雑音を増やすこと None 95. 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 96. 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 97. 勾配降下法における「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 損失関数が最適な値に急速に収束する 損失関数が最適な値に収束せず、振動する 勾配が爆発し、学習が停止する None 98. 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 99. 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 100. 機械学習において、L2正則化（リッジ回帰）が効果的な理由として最も適切なのはどれですか？ モデルのパラメータをより複雑にするため モデルのパラメータに対するペナルティを課し、過学習を防ぐため データを正規化するため 学習速度を上げるため None Time's up
