AI実装検定B級～模擬試験①～ 2024年12月8日 ailearn 1. 「次元削減」とは何を指しますか？ データを新しいクラスに分類する手法 データを時系列に沿って並べ替える手法 データを標準化する手法 データの次元数を減らして、学習効率や可視化を向上させる手法 None 2. 次のうち、ニューラルネットワークにおける「活性化関数」として適切なものはどれですか？ 勾配消失問題 バッチ正規化 ReLU（Rectified Linear Unit） 正則化 None 3. 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 4. 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 5. 主成分分析（PCA）を用いた次元削減において、どのようにして「情報の損失」を最小限に抑えることができますか？ データをすべて削除する 主成分のうち、分散が大きいものから順に選択する 主成分のうち、分散が小さいものから順に選択する データを標準化せずに使用する None 6. データの「正規化」とは何を指しますか？ 欠損値を補完すること データを一定の範囲にスケーリングすること データをグループに分けること データのラベルを付けること None 7. 「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 8. 1997年にチェスの世界チャンピオンを破ったAIの名前は何ですか？ ディープマインド IBM Watson ディープブルー AlphaGo None 9. 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 10. 「正則化」がパターン認識において果たす主な役割は何ですか？ データの次元を削減する モデルの過学習を防ぐ 特徴量を無視する 学習速度を向上させる None 11. 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 12. 次のうち、回帰問題に適しているアルゴリズムはどれですか？ サポートベクターマシン 線形回帰 k-近傍法 クラスタリング 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. パターン認識におけるサポートベクターマシン（SVM）の役割は何ですか？ データをクラスタリングする データを二次元に変換する データを最適な境界で分類する データを圧縮する None 15. 「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 16. 「交差検証」を使用する利点として最も適切なものはどれですか？ 学習時間を短縮できる データの欠損を補完することができる データの分割方法に依存せずに、モデルの汎化性能を評価できる 学習率を最適化できる None 17. 「推論」とは機械学習において何を指しますか？ 訓練済みのモデルを使用して、新しいデータに対して予測や分類を行うこと モデルのパラメータを学習すること データの前処理を行うこと データを可視化すること None 18. 「L1正則化」と「L2正則化」の違いは何ですか？ L1正則化は全ての重みをゼロにし、L2正則化は一部の重みを大きくする L1正則化は一部の重みをゼロにし、L2正則化は全ての重みを小さくする L1正則化は学習率を調整し、L2正則化はデータを正規化する L1正則化はデータの一部を削除し、L2正則化はデータの欠損を補う None 19. 特徴抽出における主成分分析（PCA）の目的は何ですか？ データの次元を削減する データをクラス分けする データにノイズを加える データの品質を上げる None 20. パターン認識の主要なステップに含まれないものは次のうちどれですか？ データ収集 特徴抽出 クラス分類 ラベル付け None 21. モデルの「汎化性能」を向上させるために適切な手法はどれですか？ 学習データを増やさない モデルの複雑さを高める 交差検証や正則化を使用する 過学習を促進する None 22. 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 23. 「交差検証」の目的は何ですか？ データ全体のパフォーマンスを評価するため、データセットを複数の部分に分けて評価を行う手法 モデルのハイパーパラメータを調整する手法 データの次元を削減する手法 データをクラスタリングする手法 None 24. 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 25. 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 26. 「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 27. 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 28. 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 29. 「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 30. 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 Time's up
