E資格～模擬試験②～ 2024年12月7日 ailearn 1. 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 2. RNNのバックプロパゲーションでは、勾配がどのように計算されますか？ 順方向に伝播しながら計算 全タイムステップにわたって逆伝播し、誤差を計算 各タイムステップごとに個別に計算 勾配を記憶し、タイムステップごとに加算 None 3. Transformerにおける「ポジショナルエンコーディング」の役割は何ですか？ シーケンス全体を圧縮する 時系列データの位置情報を反映させる 勾配消失を防ぐ モデルの出力を正規化する None 4. 次のうち、ブースティングにおける勾配ブースティング（Gradient Boosting）の主な特徴として最も適切なものはどれですか？ 勾配消失問題を解決する モデルのパラメータ数を削減する データセットの拡張を行う 前のモデルの予測誤差を利用して次のモデルを改善する None 5. 分散処理システムにおける「分散キュー」の役割として正しいものはどれですか？ データをクラウドに保存する 複数のプロセス間でタスクを管理し、順序を保つ 処理タスクを一台のサーバーで管理する データのバックアップを行う None 6. ディープラーニングの推論において、TPUがGPUに対して有利となる理由として最も適切なものはどれですか？ TPUはグラフィックス処理が得意であるため TPUはプログラミングが容易であるため TPUはディープラーニング専用のハードウェアとして設計されており、推論に特化して最適化されているため TPUは消費電力が高いため None 7. Dockerを使った開発環境の構築で、複数のコンテナが相互に通信するために必要な設定は何ですか？ 各コンテナを独立したサーバーとして設定する すべてのコンテナを同じホストで実行する Docker Composeを使ってネットワークを構成する 各コンテナのIPアドレスを固定する None 8. 次の中で、GRUとLSTMの主な違いとして正しいものはどれですか？ GRUはLSTMに比べてゲートの数が多い GRUは計算コストがLSTMよりも高い GRUは勾配消失問題に弱い GRUは出力ゲートを持たない None 9. 仮想環境「Anaconda」が提供する主な機能はどれですか？ ウェブサイトのホスティング ゲーム開発環境の構築 クラウドサーバーの管理 データサイエンスや機械学習のためのPython環境とパッケージ管理の統合 None 10. 強化学習において、「探索」と「活用」のトレードオフは何を意味しますか？ 環境の状態を更新することと、行動を選択することのバランス Q値を更新することと、報酬を得ることのバランス 新しい行動を試すことと、既に得た知識を利用することのバランス 学習速度を速めることと、計算コストを下げることのバランス None 11. 自己教師あり学習の代表的な手法「SimCLR」の特徴は何ですか？ ラベル付きデータを用いてモデルを訓練する 入力データに対して異なる拡張を施し、コントラスト損失を用いて特徴を学習する 生成モデルを用いてデータを生成する 逐次データを用いてリアルタイムに学習を行う None 12. アンサンブル学習における「バギング（Bagging）」の主な特徴はどれですか？ モデルの出力を逐次的に更新する データの順序に依存する 複数のモデルを並列に訓練し、それぞれの予測を平均化する 勾配消失問題を防ぐ None 13. 変分オートエンコーダ（VAE）の目的は何ですか？ データの圧縮と生成 データの分類 データの回帰 データの分割 None 14. 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 15. 分散処理システムの利点として正しいものはどれですか？ 計算リソースの効率的な利用 全てのデータを一箇所に集約して管理する 一台のサーバーに負荷を集中させる ネットワーク帯域を減らす None 16. 「分散トランザクション処理」における「二相コミットプロトコル（2PC）」の目的は何ですか？ データの転送速度を向上させる データを圧縮するためのプロトコル ノード間でデータを共有するプロトコル 分散システムにおけるデータの一貫性を確保する None 17. 次のうち、「Proximal Policy Optimization（PPO）」の特徴として最も適切なものはどれですか？ 方策の更新を制御し、過度な更新を防ぐ 経験再生を使用して効率的に学習する 確率的な行動選択を行わない データのバッチサイズを動的に変更する None 18. 「教師なし学習」の主な目的は何ですか？ モデルが入力データから潜在的な構造を見つけ出すこと ラベル付きデータを使ってモデルを訓練すること 報酬に基づいて行動を選択すること モデルが自動的にラベルを生成すること None 19. 次のうち、Dockerが提供する主な機能はどれですか？ アプリケーションの実行環境をコンテナ化して、再現性の高い開発・運用環境を構築する GPUの計算速度を向上させる クラウドでデータベースを管理する ネットワーク通信を最適化する None 20. 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 21. 分散処理とは何を指しますか？ データを一元的に管理するシステム 複数の計算リソースにタスクを分配して処理を行う手法 一台のサーバーですべての計算を行う手法 クラウドでデータを保管する手法 None 22. 次のうち、AIの推論処理に特化したアクセラレータはどれですか？ SSD TPU HDD NIC None 23. 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 24. RNNを使用したシーケンス生成モデルで、次のタイムステップの予測を生成する際、予測結果が繰り返し使用されることによる誤差の累積を防ぐために使われる手法はどれですか？ バッチ正規化 ドロップアウト 学習率減衰 スケジュールサンプリング None 25. 次の中で、「Attention is All You Need」という論文が最初に導入した手法はどれですか？ Transformer Seq2Seq GRU CNN None 26. 仮想環境「Vagrant」を使用する場合、主にどのようなシナリオで役立つか？ 一貫性のある仮想マシン環境を簡単に構築し、チーム間で共有する場合 クラウドでのデータベース運用を最適化する場合 GPUを利用して大規模な計算を行う場合 ウェブサイトをホスティングする場合 None 27. 「自己教師あり学習」はどのような手法ですか？ 報酬を与えてエージェントに学習させる モデルが自らデータを生成する 他のモデルから知識を転移する ラベルなしデータに対して擬似ラベルを生成し、そのラベルでモデルを訓練する None 28. 次のうち、RNNにおいて双方向の情報フローを活用するモデルはどれですか？ Bidirectional RNN LSTM GRU Simple RNN None 29. StyleGANの特徴として正しいものはどれですか？ 生成される画像のスタイルを自由に制御できる テキスト生成に特化している 判別器を用いない モード崩壊を防ぐための技術が組み込まれている None 30. 次のうち、深層強化学習で多用される「ソフトアクタークリティック（SAC）」の特徴として正しいものはどれですか？ 方策を持たない強化学習手法である 最大エントロピー原理に基づき、行動の多様性を保持しつつ学習する 確定論的な方策を使用して学習する 報酬を一定に保ちながら学習を行う None 31. ディープラーニングのフレームワーク「TensorFlow」を使用する際に重要なソフトウェアライブラリはどれですか？ Flask React CUDA Django None 32. 環境構築において仮想環境を使用する主な理由は何ですか？ ハードウェアの性能を向上させるため 開発言語を変更するため ネットワークの速度を上げるため 異なるプロジェクトごとに異なる依存関係を分離して管理するため None 33. 「ハードサンプルマイニング」とは、どのような手法ですか？ ラベルなしデータを用いてランダムにサンプリングする手法 モデルのパラメータ数を削減する手法 モデルが誤分類しやすいデータを重点的に学習する手法 ラベル付きデータを使わずに学習する手法 None 34. 「教師なしクラスタリング」でよく使われる手法はどれですか？ サポートベクターマシン（SVM） ディープニューラルネットワーク ロジスティック回帰 K-means法 None 35. 「半教師あり学習」はどのようなデータを用いる学習方法ですか？ ラベル付きデータのみを使用する ラベルなしデータのみを使用する 少量のラベル付きデータと大量のラベルなしデータを組み合わせて使用する ラベル付きデータを生成する None 36. GAN（Generative Adversarial Network）の構成要素として正しいものはどれですか？ エンコーダとデコーダ 判別器と生成器 バッチ正規化とドロップアウト 畳み込み層とプーリング層 None 37. 分散処理システムでの「シャーディング」の目的は何ですか？ データを圧縮して保存する データを一箇所に集約して保存する データを複数のノードに分割して保存し、処理を分散させる データの一貫性を保証する None 38. VAEの潜在空間における「再パラメータ化トリック」の目的は何ですか？ データの次元を削減する モデルの学習速度を速める 勾配を計算可能にし、バックプロパゲーションを適用できるようにする モデルの精度を下げる None 39. 「Scaled Dot-Product Attention」において、スコアをスケーリングする理由は何ですか？ スコアが小さくなりすぎるのを防ぐため スコアが大きくなりすぎるのを防ぐため 勾配消失を防ぐため 計算コストを削減するため None 40. GANの判別器が「本物」と「偽物」のデータを正確に識別できるようになりすぎた場合、生成器にどのような問題が発生しますか？ 生成器が学習できなくなる 生成器がより高品質なデータを生成できる 生成器がモード崩壊を起こす 生成器のパラメータ数が増加する None 41. 「マルチエージェント強化学習」における課題の一つはどれですか？ 他のエージェントとの相互作用により、環境が動的に変化する エージェントが報酬を得られない場合がある エージェントが単独で行動し続けること 環境が静的であること None 42. 「Terraform」を使用する主な目的は何ですか？ インフラをコードとして管理し、クラウドリソースを自動的に構築・管理するため ディープラーニングモデルをトレーニングするため ネットワーク帯域を最適化するため データベースのパフォーマンスを改善するため None 43. CycleGANの主な用途として最も適切なものはどれですか？ 異なるドメイン間の画像変換 画像の分類 データの圧縮 文章生成 None 44. L2正則化の効果として正しいものはどれですか？ 小さなパラメータをゼロにする モデルの複雑さを抑える パラメータに対するペナルティを与える モデルの精度を向上させる None 45. Transformerのマルチヘッド注意機構では、異なる「ヘッド」を使用する利点は何ですか？ モデルのパラメータ数を減少させるため 異なる部分の情報に注意を向け、より多様な特徴を学習するため モデルの計算速度を向上させるため 出力層での勾配を安定させるため None 46. 分散処理システムでの「レプリケーション」の目的は何ですか？ データの可用性と耐障害性を高めるために、データを複数の場所にコピーする データを削除してシステムの負荷を軽減する データを一箇所に集約して処理する データをクラウドに送信する None 47. ディープQネットワーク（DQN）の主な特徴は何ですか？ エージェントの方策を直接学習する Q値の更新を行わない ランダムに行動を選択する 深層ニューラルネットワークを用いてQ値を近似する None 48. 「教師あり学習」とはどのような学習方法ですか？ ラベル付きデータを用いてモデルを訓練する ラベルなしデータを用いてモデルを訓練する 報酬を最大化するようにモデルを訓練する モデルが自律的にデータを生成する None 49. アクセラレータとして最も一般的に使用されるデバイスはどれですか？ GPU（Graphics Processing Unit） HDD（Hard Disk Drive） SSD（Solid State Drive） NIC（Network Interface Card） None 50. 「オンライン学習」とは何ですか？ 時間とともにデータを受け取り、その都度モデルを更新して学習する手法 一括してデータを学習し、最適なモデルを作成する手法 クラウドを利用してモデルを学習する手法 複数のモデルを同時に学習する手法 None 51. 次のうち、Q学習とSarsaの主な違いとして正しいものはどれですか？ Q学習は方策を直接学習し、Sarsaは価値関数を学習する Q学習はオフポリシー、Sarsaはオンポリシーである Q学習は方策勾配法を使用し、Sarsaは使わない Q学習は報酬の割引率を持たず、Sarsaは持つ None 52. 次のうち、GPUとFPGAの選択を決定する上で最も重要な要素は何ですか？ 計算の性質や目的に応じた適切なハードウェアの選択 ストレージの容量 ネットワーク帯域幅 デバイスの色 None 53. 「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 54. 「アンサンブル学習」におけるブースティングの目的は何ですか？ 複数の強い学習器を並列で訓練する ランダムにモデルを選択し、予測を行う データの次元を削減する 弱い学習器を連続的に訓練し、全体の予測精度を高める None 55. 「可視化に基づく説明性」を高めるために、畳み込みニューラルネットワークで使われる技術はどれですか？ パラメータチューニング フィルター可視化 バッチ正規化 データ拡張 None 56. 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 57. エッジコンピューティングの進化に伴い、将来的に予測される応用分野として適切なものはどれですか？ 大規模なデータセンターの運営 オンラインショッピングの配送管理 デスクトップアプリケーションの処理 スマートシティのリアルタイム交通管理システム None 58. 「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 59. Transformerモデルで使用される「自己注意（Self-Attention）」機構の役割は何ですか？ シーケンス内の全ての単語に均一な重みを割り当てる 各単語の相対的位置関係を強調する 各単語がシーケンス内の他の単語とどのように関連するかを捉える 各単語をランダムにシャッフルする None 60. エッジコンピューティングにおいて、デバイス間の通信の信頼性を確保するために必要な対策として最も適切なものはどれですか？ デバイスの計算速度を上げる ネットワークの冗長化やデータの暗号化 全てのデータをクラウドに送信する ネットワーク帯域を減らす None 61. リカレントニューラルネットワーク（RNN）の順伝播において、各タイムステップで計算される出力は何に基づいていますか？ 前のタイムステップの入力のみ 現在のタイムステップの入力のみ 現在のタイムステップの入力と前のタイムステップの出力 全タイムステップの入力 None 62. 「早期停止（Early Stopping）」の目的は何ですか？ 過学習を防ぐため、パフォーマンスが最適な時点で学習を終了する 学習速度を上げる 学習率を一定に保つ パラメータの数を増やす None 63. 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 64. 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 65. 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 66. LIME（Local Interpretable Model-agnostic Explanations）の主な特徴は何ですか？ モデル全体の動作をシミュレーションする ランダムにデータを選んでモデルの予測を評価する 特定の予測に対して、シンプルなローカルモデルを使って説明を行う モデルのパラメータを全て可視化する None 67. ディープQネットワーク（DQN）における「ターゲットネットワーク」の役割は何ですか？ 行動選択の速度を向上させるために使用される 報酬を増加させるために使用される 方策を変更するために使用される Q値の計算を安定化させるために使用される None 68. 開発環境において、「バージョン管理システム」として最も広く使用されているツールはどれですか？ Docker VirtualBox Git Jupyter Notebook None 69. 次のうち、「ローカル説明」とは何を指しますか？ モデル全体の振る舞いを説明すること 特定の予測結果に対してその理由を説明すること モデルの訓練データの説明を行うこと モデルの訓練プロセス全体を説明すること None 70. 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 71. データ拡張（Data Augmentation）の主な目的は何ですか？ モデルのサイズを減らす 学習率を調整する データの次元を削減する トレーニングデータを人工的に増やして過学習を防ぐ None 72. 「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 73. Q学習において、Q値（Q-value）は何を表しますか？ 状態の予測値 状態-行動ペアの価値 報酬の累積値 行動の確率分布 None 74. 次のうち、「REINFORCE」アルゴリズムの特徴として最も適切なものはどれですか？ Q値を用いて価値関数を近似する 経験再生を行い、効率的に学習を進める 方策勾配法を使用し、方策を直接最適化する 報酬の割引率を調整する None 75. 次のうち、アクセラレータを使用することで予想される課題として最も適切なものはどれですか？ ストレージ容量が増える 専用のプログラミングスキルが必要になる場合がある ネットワーク速度が低下する 汎用性が高くなりすぎる None 76. 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 77. ディープラーニング環境をクラウド上で効率的に運用するためのベストプラクティスはどれですか？ すべての計算をローカルマシンで行う GPUを搭載したインスタンスを使用し、必要に応じてスケールアウトする クラウド上でCPUのみを使用して計算する 固定されたインスタンスを使用し、スケールアウトは行わない None 78. 次の中で、「Attention Mechanism」を利用する利点は何ですか？ 遠い過去の情報に対しても重要な部分に注意を集中させることができる 勾配消失問題を解決できる 全ての入力情報に対して一様な重みを割り当てる 計算リソースを大幅に削減できる None 79. 「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 80. 「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 81. 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 82. 「Hadoop」はどのような分散処理フレームワークですか？ 単一のサーバーでデータを処理するためのフレームワーク データベースの検索を高速化するフレームワーク ビッグデータを分散処理するためのオープンソースのフレームワーク 小規模なデータセットを処理するためのフレームワーク None 83. 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 84. 「メタ学習」の主な目的は何ですか？ 学習アルゴリズム自体を学習し、新しいタスクに迅速に適応すること 学習済みのモデルを再利用して、新しいデータを学習すること モデルのハイパーパラメータを最適化すること データの次元を削減すること None 85. エッジコンピューティングが通信コスト削減に寄与する理由は何ですか？ すべてのデータをクラウドに送信するから クラウド側で計算を行い、デバイスに結果を返すから データをエッジデバイスで処理し、クラウドへの送信データ量を減らすから 大量のデータを一度に送信するから None 86. Pythonの「venv」ツールを使用する主な目的は何ですか？ GPUの性能を向上させるため プロジェクトごとに独立した仮想環境を作成し、依存関係を管理するため クラウド上でPythonプログラムを実行するため データベースのパフォーマンスを向上させるため None 87. 自動運転車におけるエッジコンピューティングの役割として最も重要なものはどれですか？ 車両がクラウドサーバーにすべてのデータを送信して処理する 車両内でデータを保管するだけで、クラウドに依存する 車両が他の車両とデータを共有するための手段を提供する 車両内でリアルタイムにデータを処理し、外部ネットワークに依存せずに意思決定を行う None 88. Gated Recurrent Unit（GRU）の特徴として正しいものはどれですか？ 忘却ゲートがない 出力ゲートがない 計算がLSTMより複雑 勾配消失問題を解決しにくい None 89. 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 90. スパース学習において、L1正則化がモデルに与える影響は何ですか？ パラメータの値を増加させる モデルの全てのパラメータを均等に更新する モデルの複雑さを増す 多くのパラメータをゼロに近づけ、スパース性を促進する None 91. 「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 92. 「経験再生（Experience Replay）」がDQNに導入される理由として正しいものはどれですか？ 訓練データのバイアスを減らし、効率的な学習を行うため 訓練データを削減するため エージェントの方策を改善するため 報酬をリアルタイムで更新するため None 93. 次のうち、深層強化学習でよく使用される「アクター・クリティック（Actor-Critic）」の特徴は何ですか？ 方策を直接学習するアクターと、価値関数を学習するクリティックが協調して学習を行う エージェントが方策を持たずに学習を行う 環境の次の状態を予測するモデル 報酬が無い場合でも学習が進行する None 94. Python環境における依存関係の管理を簡素化するツールとして適切なものはどれですか？ Poetry Flask Git Docker None 95. 強化学習における「エージェント」の役割は何ですか？ 環境の状態を制御する 環境からの報酬を基に行動を選択する 環境の次の状態を予測する 報酬を設定する None 96. 「ディープラーニングモデルのフェアネス（公平性）」を評価するための方法として最も適切なものはどれですか？ モデルの計算速度を評価する データの分散を計算する パラメータの正則化を行う 特徴量ごとの予測結果の偏りを測定する None 97. 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 98. アクセラレータの導入による計算コスト削減の方法として適切なものはどれですか？ ストレージ容量を増加させ、計算時間を短縮する ネットワーク帯域を広げ、データ転送を高速化する CPUのみで処理を行う 特定のタスクに最適化されたハードウェアを使用し、計算効率を向上させる None 99. RNNで使用される「状態ベクトル」は、どのような役割を果たしますか？ パラメータ更新を行う 各タイムステップでの入力データを保持する 各タイムステップでの出力を計算するために使用される 現在の状態を次のタイムステップに伝える None 100. 「カーネルPCA」と通常のPCAの違いは何ですか？ カーネルPCAは非線形な次元削減が可能 カーネルPCAは教師あり学習の手法 カーネルPCAはラベル付きデータを使用する カーネルPCAは次元を増加させる手法 None Time's up
