E資格～模擬試験②～ 2024年12月7日 ailearn 1. 次のうち、Transformerにおける残差接続（Residual Connection）の目的として正しいものはどれですか？ モデルのパラメータを削減する 勾配消失問題を緩和し、深いネットワークでも学習を安定させる モデルの計算速度を向上させる 出力層の精度を向上させる None 2. 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 3. 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 4. エッジコンピューティングにおけるデータの「プライバシー保護」のために考慮すべき要素は何ですか？ データをクラウドで保存する データをリアルタイムで送信する データのローカル処理と暗号化 デバイスを分散させる None 5. 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 6. 「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 7. 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 8. 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 9. 「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 10. 「ブラックボックス攻撃」とはどのようなものですか？ モデルの内部構造を知らずに攻撃を行い、その結果を基にモデルの脆弱性を探る手法 モデルのパラメータを直接変更して攻撃する手法 モデルに対してラベル付きデータを用いて攻撃する手法 モデルの精度を最大化するための手法 None 11. アクセラレータを使用したディープラーニングのトレーニングにおいて、重要なパラメータの一つである「バッチサイズ」が大きくなると、どのような効果が期待されますか？ メモリ使用量が減少し、トレーニングが遅くなる メモリ使用量が増加し、トレーニングが高速化する メモリ使用量が増加し、トレーニングが遅くなる メモリ使用量が減少し、トレーニングが高速化する None 12. 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 13. 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 14. 「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 15. 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 16. 次のうち、Python環境におけるパッケージ管理ツールとして最も広く利用されているものはどれですか？ Maven pip NPM Gradle None 17. 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 18. 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 19. 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 20. 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 21. GPUとFPGAのハイブリッドシステムを導入することで期待できる効果として最も適切なものはどれですか？ 両方の利点を活かし、高速な並列計算とタスクごとの最適化が可能になる 消費電力を大幅に削減できる ストレージ容量が増える ネットワーク速度が向上する None 22. 「コントラスト学習（Contrastive Learning）」の目的は何ですか？ データの類似度を最大化し、異なるデータ間の距離を広げる 報酬を最大化するようにエージェントに行動を学習させる ラベル付きデータから分類器を訓練する 複数のモデルを比較して最適なモデルを選択する None 23. 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 24. 「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 25. 「ドロップアウト（Dropout）」の目的は何ですか？ モデルの学習速度を上げるため 過学習を防ぐため パラメータの数を減らすため モデルの複雑さを高めるため None 26. 次のうち、Transformerにおける「マスク付き注意機構（Masked Attention）」の役割として正しいものはどれですか？ 現在のトークン以降の情報を参照できないようにする 出力の一部を無視する モデルの計算速度を向上させる モデルの重みを固定する None 27. 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 28. 「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 29. ディープラーニングモデルを大規模データセットでトレーニングする際にクラウド環境を選択する利点として適切なものはどれですか？ 必要に応じて計算リソースをスケールアップ・スケールダウンできる ローカル環境での計算が常に速い インターネット接続が不要になる ストレージ容量を減らすことができる None 30. ディープラーニング環境において、仮想環境「Docker」を用いる際に、GPUを使用するために必要なセットアップはどれですか？ Dockerコンテナ内でJupyter Notebookをインストールする Dockerコンテナを使ってPythonパッケージを管理する Dockerコンテナ内でNVIDIAのCUDAおよびnvidia-docker2プラグインをインストールする Dockerコンテナを使ってAnacondaをインストールする None 31. 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 32. 「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 33. エッジコンピューティングのデバイスが持つ「電力制約」を軽減するために採用される技術はどれですか？ 低消費電力のプロセッサや効率的なアルゴリズムの利用 クラウドへのデータ転送の増加 バックアップの頻度を増加させる データ処理を全てクラウドに移行する None 34. 「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 35. 強化学習の「オフポリシー学習」とは何ですか？ エージェントが同じ行動を繰り返す学習 エージェントがリアルタイムで行動を修正する学習 エージェントが現在の方策に従わずに学習すること エージェントが報酬の割引率を調整する学習 None 36. GANの学習で発生する「勾配消失問題」を緩和するために提案された技術はどれですか？ バッチ正規化 再パラメータ化トリック Wasserstein損失関数 クロスエントロピー損失関数 None 37. 分散処理システムにおける「データパーティショニング」の目的は何ですか？ データを一箇所に集約して保存する データを圧縮して保存する データの一貫性を保証する データを複数のノードに分割して保存し、負荷を分散する None 38. アンサンブル学習（Ensemble Learning）の目的として正しいものはどれですか？ モデルのパラメータ数を減らす 複数のモデルを組み合わせて汎化性能を向上させる データの前処理を効率化する モデルのトレーニング時間を短縮する None 39. 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 40. 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 41. 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 42. 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 43. エッジコンピューティングにおける「リアルタイム性」を確保するために重要な要素はどれですか？ データをクラウドに送り、結果を待つこと データを定期的にバックアップすること 大量のデータを一度に送信すること データをエッジデバイスで即時に処理すること None 44. DQNにおいて「Double DQN（DDQN）」が提案された主な理由は何ですか？ Q値の過大評価を防ぎ、学習の安定性を向上させるため 学習速度を向上させるため 方策の更新頻度を増やすため 報酬関数を改善するため None 45. VAEが生成したデータがGANに比べてリアルさで劣る理由は何ですか？ GANは識別器を用いるため、VAEよりも高品質な生成が可能 VAEは再パラメータ化トリックを使用していないため GANはオートエンコーダを使用していないため VAEはデータの分類に特化しているため None 46. 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 47. 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 48. 「説明可能な強化学習」で利用されることの多いアプローチはどれですか？ 深層強化学習の全体的な挙動を評価する手法 データをランダムに選んでモデルを評価する手法 状態価値や行動価値を明示的に説明する手法 パラメータチューニングを用いる手法 None 49. 「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 50. ディープラーニング環境を構築する際に一般的に使用されるプログラミング言語はどれですか？ C++ Python Java Ruby None 51. 「反事実的説明（Counterfactual Explanation）」の主な目的は何ですか？ 予測結果が変わるために、どの特徴量をどの程度変えるべきかを示す モデルのパラメータを変更する手法を提示する ランダムに特徴量を入れ替えて結果を評価する 予測結果を変更することなくデータを拡張する None 52. RNNの勾配爆発問題に対処するために採用される技術は次のうちどれですか？ 勾配クリッピング ドロップアウト L2正則化 バッチ正規化 None 53. 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 54. 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 55. Transformerモデルにおいて、従来のRNNと異なる最大の特徴は何ですか？ 並列計算が可能であること 時系列データを扱えないこと シーケンスの長さが固定であること 勾配消失問題を解決できないこと None 56. 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 57. 分散処理システムにおける「リーダー選出アルゴリズム」として正しいものはどれですか？ データの圧縮を行うアルゴリズム ノード間のデータ転送を最適化するアルゴリズム データベースのクエリを最適化するアルゴリズム PaxosやRaftなどの合意アルゴリズム None 58. 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 59. 「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 60. Transformerモデルにおける「Layer Normalization」は、どの段階で適用されますか？ マルチヘッド注意機構の出力と残差接続の間 フィードフォワード層の入力部分 モデル全体の最終層 ポジショナルエンコーディングの後 None 61. 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 62. 「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 63. 「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 64. 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 65. 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 66. 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 67. 「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 68. 「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 69. 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 70. 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 71. 深層強化学習において、連続行動空間を処理するために使用されるアルゴリズムはどれですか？ DQN（Deep Q-Network） DDPG（Deep Deterministic Policy Gradient） REINFORCE Q学習 None 72. 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 73. 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 74. VAEにおいて、潜在空間の次元数を増やすとどのような効果がありますか？ 再構成精度が向上するが、生成データの多様性が低下する 再構成精度が低下し、生成データの多様性が向上する 再構成精度と生成データの多様性が両方とも向上する モデルの計算コストが下がる None 75. 「ドロップアウト」のドロップ率（Dropout Rate）が高すぎる場合、どのような問題が発生しますか？ モデルがアンダーフィッティングする モデルが過学習する 勾配爆発が発生する モデルの学習速度が遅くなる None 76. Transformerにおける「Encoder-Decoder構造」の役割は何ですか？ データの圧縮と復元 入力データと出力データの間でシーケンスを学習する 勾配の計算を高速化する バッチ処理を効率化する None 77. 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 78. 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 79. 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 80. 強化学習における「方策（Policy）」とは何を指しますか？ エージェントが次の状態を予測するためのモデル エージェントが各状態でどの行動を取るかを決定するルール 環境から得られる報酬の計算方法 エージェントのQ値を更新するアルゴリズム None 81. 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 82. 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 83. 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 84. 「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 85. 「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 86. 分散処理の「フォールトトレランス」とは何ですか？ データをバックアップするための技術 データの保存容量を増やす技術 システムが障害発生時でも処理を継続できる能力 ネットワークを冗長化する技術 None 87. 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 88. アクセラレータの導入が期待される分野として最も適切なものはどれですか？ テキストエディタの開発 ディープラーニングモデルのトレーニングや推論 ウェブブラウジング データベースの管理 None 89. GANの訓練における問題点として最も一般的なものは何ですか？ 過学習 学習率の低下 バッチサイズの不足 モード崩壊 None 90. エッジコンピューティングの課題として最も適切なものはどれですか？ データの集中管理が難しい クラウドへの依存度が高い ネットワークの帯域幅を広げる必要がある デバイス側の計算リソースや電力制約 None 91. 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 92. 分散処理システムで「キャパシティプランニング」を行う際に考慮すべき要素はどれですか？ ノード数、データ量、処理速度、ネットワーク帯域 データの種類とラベルの数 データを一元的に管理する方法 クラウドストレージの容量 None 93. 次のうち、GPUを利用してディープラーニングを高速化するために必要なドライバやライブラリのセットはどれですか？ CUDAとcuDNN OpenGLとVulkan DirectXとOpenAL TensorFlowとPyTorch None 94. 「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 95. 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 96. 次のRNNモデルのうち、長期依存の問題を解決するために設計されたモデルはどれですか？ LSTM フィードフォワードネットワーク CNN DNN None 97. 「コントラスト学習」において、ポジティブペアとネガティブペアの定義は何ですか？ ポジティブペアはラベル付きデータ、ネガティブペアはラベルなしデータを指す ポジティブペアは類似したデータ、ネガティブペアは異なるデータを指す ポジティブペアはラベルなしデータ、ネガティブペアは生成されたデータを指す ポジティブペアは同じモデル、ネガティブペアは異なるモデルを指す None 98. 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 99. 「Grad-CAM（Gradient-weighted Class Activation Mapping）」の主な目的は何ですか？ 畳み込みニューラルネットワークの中で、どの部分が予測に寄与したかを可視化する モデル全体の動作を評価する データの次元を削減する ラベルなしデータを自動的にラベル付けする None 100. 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 Time's up
