1.
AIプロジェクトで「異常検知」を行う際、時系列データを使用する場合に最も重要な前処理はどれですか？
2.
AIプロジェクトでデータ収集を行う際に重要なことは何ですか？
3.
データの特徴量を増やすことがモデル性能を向上させる場合、最も適切なアプローチはどれですか？
4.
データ分析における「特徴量エンジニアリング」の目的は何ですか？
5.
「アクティブラーニング」とはどのような手法ですか？
6.
データの「正規化」とは何を目的とした処理ですか？
7.
データの欠損値が多い場合に行われる代表的な処理方法はどれですか？
8.
データの「オーバーフィッティング」を防ぐために使用される一般的な手法はどれですか？
9.
「次元削減」を行う際に用いられる代表的な手法はどれですか？
10.
AIモデルを学習させる前に「データの分割」を行う理由は何ですか？
11.
データ収集において「ストリーミングデータ」とはどのようなデータを指しますか？
12.
「異常検知モデル」において、データの分布が重要である理由は何ですか？
13.
データ分析における「ヒストグラム」は何を示すものですか？
14.
「データバランシング」の主な目的として最も適切なのはどれですか？
16.
データ加工において「次元削減」が行われる理由は何ですか？
18.
「データの正規化」と「標準化」の違いは何ですか？
19.
AIプロジェクトで「データのクレンジング」が必要となる理由として最も適切なのはどれですか？
20.
データの前処理において「正規化」が重要となる理由は何ですか？
21.
「データのスケーリング」を行わないと発生する問題は何ですか？
22.
「データ拡張（Data Augmentation）」がAIモデルの学習に有効な理由は何ですか？
23.
データの収集において「データプライバシー法（例: GDPR）」に従わない場合のリスクは何ですか？
24.
AIにおいてデータの「ラベリング」とは何を指しますか？
25.
大規模データセットを扱う際に「データのサンプリング」を行う利点は何ですか？
26.
「ハイパーパラメータチューニング」を行う際に、過学習を防ぐための適切な手法はどれですか？
