AI実装検定B級～模擬試験②～ 2024年12月8日 ailearn 1. ニューラルネットワークにおいて、重みの初期化方法が重要な理由は何ですか？ 重みの初期化はモデルのサイズに直接影響を与えるため 適切な初期化が行われないと、勾配消失や発散が起こるため 重みの初期化によってモデルの複雑性が変わるため 初期化によって、訓練データの次元が変わるため None 2. GPTモデルのような自己回帰型モデルとBERTのような双方向モデルの違いは何ですか？ GPTは文脈を無視してテキストを生成するが、BERTは文脈を利用する GPTは双方向に文脈を処理し、BERTは単方向に処理する GPTは過去の単語を利用して次の単語を予測し、BERTは全体の文脈を同時に理解する GPTは単語ベクトルに依存せず、BERTはベクトル化しない None 3. 自然言語処理において、形態素解析の目的は何ですか？ テキストの文脈を理解する 単語の品詞や形を特定する 文書全体の構造を解析する 文書を分類する None 4. 「アンサンブル学習」の目的は何ですか？ 単一モデルよりも複雑なモデルを作るため モデルのパラメータを減らすため 複数の異なるモデルを組み合わせることで、予測精度を向上させるため モデルの学習速度を速めるため None 5. 自然言語処理において、形態素解析が難しいとされる言語はどれですか？ 英語 フランス語 ドイツ語 日本語 None 6. トランスフォーマーモデルが従来のRNNに対して持つ優位性として正しいものはどれですか？ 並列処理が可能で、計算効率が高い 長期的な依存関係を処理できない 単語間の順序を無視できる 計算コストが低い None 7. AI開発のプロセスにおいて、データの「前処理」が重要な理由は何ですか？ モデルの予測精度に影響を与えないため モデルが学習に使うデータを整理し、欠損値やノイズを除去するため モデルのサイズを削減するため モデルの学習時間を短縮するため None 8. 1997年、ガルリ・カスパロフがチェスでAIに敗れたときのAI「ディープブルー」はどの会社によって開発されましたか？ Google Microsoft IBM Apple None 9. 「アンサンブル学習」の利点は何ですか？ 単一のモデルよりも計算コストを削減できる モデルのパラメータ調整が不要である 訓練データを減らして学習できる 複数の異なるモデルを組み合わせることで、予測精度を向上させる None 10. トランスフォーマーモデルがテキスト分類や翻訳において効果的である理由は何ですか？ 短期的な依存関係を無視するため 単語の順序を無視して全ての単語を均等に処理するため 訓練データを使用せずに学習できるため 文脈全体を同時に処理し、単語間の関係を考慮できるため None 11. データの標準化と正規化の違いとして正しいものはどれですか？ 標準化はデータの平均を0、分散を1に揃え、正規化は0から1の範囲にスケールする 標準化はデータの範囲を揃え、正規化はデータの平均を揃える 標準化は欠損データを処理し、正規化はデータのラベルを処理する 標準化は異常値を削除し、正規化は外れ値を削除する None 12. モデルの「再現率（Recall）」が高いことの意味は何ですか？ モデルが正しく分類できるデータの割合が高い モデルが実際に正解であるデータを正しく分類できる割合が高い モデルの全体的な精度が高い モデルの学習速度が速い None 13. 「物理シンボルシステム仮説」がAI研究に与えた影響として最も正しいものはどれですか？ エキスパートシステムの普及を促進した AIの思考プロセスをシンボル操作として表現できるようになった 人間の脳の構造を模倣したシステムを開発する基盤となった 強化学習の基礎を確立した None 14. 1980年代以降のAI研究において、ニューラルネットワークが再び注目されるようになった理由はどれですか？ 人間の脳の動作を完全に解明したため エキスパートシステムの開発が成功したため コンピュータの性能が飛躍的に向上したため 新しいプログラミング言語が誕生したため None 15. BERTとTransformerの関係性について正しい説明はどれですか？ BERTはTransformerを利用したモデルである TransformerはBERTの改良版である BERTとTransformerは全く異なる技術である BERTはTransformerを不要とする新しいアーキテクチャである None 16. 2010年代に入り、AI研究が再び活発化した理由として正しいものはどれですか？ ディープラーニング技術の進展 エキスパートシステムの復活 量子コンピュータの普及 新しいプログラミング言語の開発 None 17. AIの運用において「データドリフト」とは何ですか？ モデルの出力結果が安定しなくなる現象 モデルがデータをランダムに分類する現象 モデルの学習データが変更される現象 モデルが新しいデータに対して予測精度を失う現象 None 18. AI開発において「モデルの再訓練」が必要になる理由として適切でないものはどれですか？ データドリフトが発生したため 本番環境でモデルの精度が低下したため 新しいデータが追加されたため モデルのハイパーパラメータが最適化されたため None 19. AIモデルの開発と運用において「CI/CDパイプライン」の目的は何ですか？ モデルの予測精度を向上させるため モデルの学習を高速化するため 継続的なインテグレーションとデプロイを自動化し、モデルを迅速に展開・更新するため モデルの複雑性を減らすため None 20. テキスト生成モデル「GPT」において、自己回帰型モデルとしての特徴は何ですか？ テキストを固定された長さで生成する 過去の出力を次の入力として利用し、次の単語を予測する 文脈を理解せずにランダムに単語を生成する 文法ルールに基づいて完全に決定論的にテキストを生成する None 21. 「バッチ正規化」の主な目的は何ですか？ モデルのパラメータを自動調整するため モデルの学習時間を短縮するため モデルのハイパーパラメータを削減するため 各層の出力を正規化して、学習を安定化させるため None 22. 自然言語処理において、ニューラルネットワークを使ってテキストを分類するために広く使用されるモデルはどれですか？ CNN（畳み込みニューラルネットワーク） RNN（再帰型ニューラルネットワーク） LSTM（長短期記憶） GAN（生成的敵対ネットワーク） None 23. ニューラルネットワークにおいて「勾配消失問題」を解決するために有効な手法はどれですか？ ReLU活性化関数の使用 勾配降下法を使用する 交差エントロピー誤差を使用する ドロップアウトを適用する None 24. テキストの前処理で「ストップワード」とは何を指しますか？ 意味が強調される単語 検索エンジンにおける重要なキーワード 頻繁に使われるが、意味的に重要ではない単語 文書の分類基準となる単語 None 25. モデルの学習でよく使われる「誤差関数（損失関数）」の一つである「平均二乗誤差（MSE）」は、どのように計算されますか？ 予測値と実測値の差を全て足し合わせる 予測値と実測値の比率を計算する 予測値と実測値の差を二乗し、その平均を取る 予測値と実測値の差の絶対値を計算する None 26. 読み書き表現において、AIがテキストデータを処理する際に、まず行われる処理はどれですか？ クラスタリング トークン化 特徴量抽出 正規化 None 27. Word2Vecの「スキップグラムモデル」とはどのような手法ですか？ 単語の出現頻度に基づいて単語を分類する手法 中心となる単語から周囲の文脈を予測する手法 文章全体の意味を理解する手法 単語間の相互関係を無視する手法 None 28. 「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目的で使用されますか？ 訓練中に一部のニューロンをランダムに無効化することで、過学習を防ぐ モデルの学習速度を向上させるために使用される モデルのハイパーパラメータを調整するために使用される モデルの予測結果を正規化するために使用される None 29. 「正規表現（regex）」の使用例として適切でないものは次のうちどれですか？ テキスト内のパターンを検索する テキスト内の単語を置換する 特定のフォーマットを検出する 文書を感情分析する None 30. AI開発において、データの「標準化」とは何を指しますか？ データを0から1の範囲に変換する データを特定のスケールに揃えることで、特徴量のスケールを統一する データの欠損値を補完する データを全て削除する None Time's up
