AI実装検定B級～模擬試験①～ 2024年12月8日 ailearn 1. サポートベクターマシン（SVM）における「カーネル関数」の役割は何ですか？ 訓練データのノイズを除去する 特徴ベクトルをより高次元の空間にマッピングする 決定境界を線形化する データの正規化を行う None 2. k近傍法（k-NN）の分類アルゴリズムにおいて、kの値が小さすぎるとどのような問題が発生しますか？ オーバーフィッティング アンダーフィッティング データの次元が増える ノイズが減る None 3. 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 4. 教師なし学習でよく使用されるタスクはどれですか？ 回帰 分類 クラスタリング 推論 None 5. 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 6. 「データの正規分布」とはどのような形の分布を指しますか？ ランダムに分散したデータの分布 平均を中心に左右対称なベル型の分布 一方向に偏ったデータの分布 変数間の相関を表す分布 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. 教師あり学習において、「正解データ」を持たない学習方法は何ですか？ 教師なし学習 強化学習 ディープラーニング ハイパーパラメータ調整 None 9. ニューラルネットワークの基本的な構成要素で、情報が処理される場所はどこですか？ エポック 重み ニューロン（ノード） 活性化関数 None 10. リッジ回帰において、「L2正則化」の効果として正しいものはどれですか？ モデルの全ての重みをゼロに近づける 一部の特徴量を完全に無視する モデルの重みを小さくし、過学習を防ぐ データの次元を削減する None 11. 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 12. 時系列データに対するモデルを作成する際に考慮すべき特徴として最も重要なものは何ですか？ データのスケール データのラベルの有無 データの時間的な依存関係 データの次元数 None 13. 「過学習」とは何ですか？ モデルがデータを学習できない現象 学習データに対しては高い精度を持つが、新しいデータに対しては性能が低下する現象 学習データに対してモデルが適用できない状態 正解データがない場合に起こる現象 None 14. 「機械学習における学習」とは何を指しますか？ データを使用してモデルのパラメータを調整するプロセス 人間が直接データを入力する作業 プログラムを動かすための環境設定 モデルの推論結果を評価する作業 None 15. 「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 16. データの「バイアス・バリアンストレードオフ」において、バイアスが大きい場合にモデルが示す傾向は何ですか？ 過学習が起こりやすくなる 学習データに対する精度が高くなる モデルが単純化され、訓練データに過剰に適応しない テストデータに対する精度が高くなる None 17. 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 18. 異常検知に使用される代表的なアルゴリズムはどれですか？ 主成分分析（PCA） 線形回帰 k-近傍法（k-NN） ニューラルネットワーク None 19. 畳み込みニューラルネットワーク（CNN）において、プーリング層の主な役割は何ですか？ 特徴マップの次元を削減し、重要な特徴を抽出する 重みの学習を高速化する 非線形性を導入する データを正規化する None 20. 次のうち、「時系列データ」として最も適切な例はどれですか？ 写真の画像データ 人口分布データ 株価の推移 顧客の購買履歴データ None 21. 特徴量選択の目的として最も適切なものは何ですか？ モデルのサイズを増加させる データの欠損を補完する データのサイズを増やす モデルの性能向上と計算コストの削減 None 22. ディープラーニングの基礎となる「バックプロパゲーション法」が最初に提案されたのはどの年代ですか？ 1950年代 1960年代 1980年代 2000年代 None 23. 畳み込みニューラルネットワーク（CNN）の「フィルターサイズ」を小さくすると、どのような影響がありますか？ 過学習のリスクが減る モデルが非線形性を捉えにくくなる 学習に必要な計算量が増える 特徴マップの解像度が上がる None 24. 「勾配消失問題」とはどのような問題ですか？ 学習が進むにつれて勾配が0に近づき、重みの更新が停止する問題 データがランダムに分散される問題 モデルが学習できない問題 データが欠損する問題 None 25. データの「特徴量エンジニアリング」とは何を指しますか？ データの欠損値を補完する作業 データをスケーリングする作業 ラベルを付ける作業 データから有用な特徴を抽出し、モデルの学習に適した形にする作業 None 26. 2016年に、囲碁の世界チャンピオンに勝利したAIプログラムは何ですか？ AlphaGo IBM Watson ディープブルー LISP None 27. 「ドロップアウト」はニューラルネットワークにおいてどのような役割を果たしますか？ 勾配消失問題を解決するための技術 データを正規化する技術 モデルの推論を高速化する技術 過学習を防ぐために、ランダムにニューロンを無効化する技術 None 28. データの分布に偏りがある場合、モデルの精度にどのような影響がありますか？ 全てのクラスに対して均等に精度が向上する 偏りのあるクラスに対して過剰に適応し、他のクラスでの予測精度が低下する モデルが過学習を起こす モデルが学習できなくなる None 29. 「データの前処理」として一般的に行われる操作はどれですか？ 欠損値の補完 モデルの評価 ハイパーパラメータのチューニング モデルのデプロイ None 30. パターン認識において「クラスタリング」はどのような目的で行われますか？ データのラベルを付けるため データをクラス分けするため データの次元を削減するため データを正規化するため None Time's up
