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、勾配降下法の目的は何ですか？ モデルの複雑性を増やす 誤差関数を最小化する 重みの初期値を決定する データを前処理する None 2. 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 3. 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 4. 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 5. ジェフリー・ヒントンらが提唱した「バックプロパゲーション法」がAIの学習において画期的だった理由はどれですか？ 非線形問題を解決できるようにした エキスパートシステムの改良に貢献した コンピュータの処理能力を劇的に向上させた 人間の知識をデータベースに取り込む方法を確立した None 6. テキストデータを用いた自然言語処理において、「BERT」の特徴として正しいものはどれですか？ トークン化を行わない 文脈を理解せずに処理する 双方向的に文脈を学習する 単語の出現回数に基づいてベクトル化する None 7. 「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 8. 「L2正則化」は、モデルのどのような問題に対処するために使用されますか？ 勾配消失問題 モデルの複雑性を抑え、過学習を防ぐ データの前処理を効率化する データの欠損値を補完する None 9. 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 10. モデルの「ハイパーパラメータ」とは何ですか？ 訓練データから学習されるパラメータ モデルの出力を正規化するためのパラメータ モデルの構造や学習率など、事前に設定されるパラメータ モデルの複雑性を制御するパラメータ None 11. ディープラーニングモデルにおける「バッチ正規化（Batch Normalization）」の主な利点は何ですか？ 学習率を自動的に調整する 各層の出力を安定化させ、学習を早くする モデルの複雑さを減少させる 過学習を完全に防ぐ None 12. AI開発における「ハイパーパラメータチューニング」の方法の一つである「グリッドサーチ」の特徴はどれですか？ 事前に定義した全てのハイパーパラメータの組み合わせを網羅的に試す ランダムにハイパーパラメータを調整する モデルの複雑性を減らすために使用される データの欠損値を補完するために使用される None 13. モデルの評価指標の一つである「AUC（Area Under Curve）」は、何を評価するために使用されますか？ モデルの学習速度 精度と再現率のバランス ROC曲線の下の面積を評価し、モデルの分類性能を測る 訓練データのサイズ None 14. 「AIの冬」が訪れた主な理由の一つとして、どの技術の限界があったためですか？ ニューラルネットワークの限界 強化学習の限界 自然言語処理技術の限界 エキスパートシステムの限界 None 15. AIモデルのデプロイ後に、モデルの性能が急激に低下する「データドリフト」が発生した場合の一般的な対応として正しいものはどれですか？ モデルを完全に削除し、再開発する モデルをそのまま運用し続ける モデルを再訓練するか、新しいデータで再度学習を行う モデルのハイパーパラメータを調整するだけで十分 None 16. 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 17. 1960年代にAI研究の発展を支えた「物理シンボルシステム仮説」を提唱したのは誰ですか？ ハーバート・サイモンとアレン・ニューウェル アラン・チューリングとジョン・マッカーシー フランク・ローゼンブラットとマービン・ミンスキー ジェフリー・ヒントンとヨシュア・ベンジオ None 18. 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 19. 「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 20. 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 21. 機械学習における「過学習」とは何ですか？ モデルが訓練データに対して過剰に適応し、汎化性能が低下する状態 モデルが訓練データにうまく適合できない状態 モデルが訓練データを誤って分類する状態 モデルが全てのデータをランダムに分類する状態 None 22. 1990年代に発展した「強化学習」の基本的なアイデアはどれですか？ 過去のデータから正しい答えを学習する 複数のAIモデルを統合して最適解を導く 自然言語を使ってAIが自己学習する 環境からのフィードバックに基づいて行動を学習する None 23. 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 24. AIモデルの開発において、「エンドツーエンド学習」の特徴は何ですか？ データの前処理から予測まで全てのプロセスを統合的に学習する手法 モデルの学習後に手動でパラメータを調整する手法 学習の初期段階でモデルの出力を決定する手法 複数のモデルを結合して予測を行う手法 None 25. データの前処理で「次元削減」を行う主な理由は何ですか？ データの精度を上げるため 訓練データを削除するため モデルの過学習を防ぐため データの特徴量を減らし、処理を効率化するため None 26. 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 27. 機械学習における「クロスバリデーション」の目的は何ですか？ モデルの過学習を防ぐため モデルのサイズを増やすため 学習時間を短縮するため データセットの欠損値を補完するため None 28. 「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 29. ニューラルネットワークにおいて「活性化関数」が持つ主な役割は何ですか？ データを正規化する モデルの誤差を計算する 各ニューロンの出力を制限し、非線形性を導入する 各層の重みを更新する None 30. 「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 Time's up
