AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. データの「オーバーサンプリング」とは何ですか？ 少数のクラスのデータを増やすことで、クラス間のバランスを取る手法 データの次元を削減する手法 データの標準化を行う手法 欠損データを補完する手法 None 2. 「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 3. 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 4. 次のタスクのうち、「分類問題」に該当するものはどれですか？ 家の価格を予測する スパムメールを判定する 顧客のクラスターを見つける 画像からの次元削減を行う None 5. 「TF-IDF」はどのような目的で使用されますか？ 単語間の関連性を計算するため 単語の頻度と重要性を評価するため 文書を分類するため 文書間の類似度を測定するため None 6. 「エキスパートシステム」がAI研究に大きな影響を与えた年代はどの時期ですか？ 1950年代 1960年代 1970年代 1980年代 None 7. 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 8. 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 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. 1960年代に開発された最初のAI言語「LISP」を開発したのは誰ですか？ アラン・チューリング クロード・シャノン ジョン・マッカーシー ハーバート・サイモン None 11. 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 12. 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 13. 主成分分析（PCA）を適用する前にデータの「中心化」を行う理由は何ですか？ 計算コストを減らすため 分散を最大化するため データのスケールを揃えるため 次元削減の精度を上げるため None 14. 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 15. 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 16. 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 17. 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活性化関数はどれですか？ シグモイド関数 ソフトマックス関数 ReLU（Rectified Linear Unit） タンジェントハイパボリック関数 None 18. 1980年代にAI研究が停滞した要因として正しいものはどれですか？ 計算機の性能の限界 エキスパートシステムの失敗 AI法の制定 ディープラーニングの台頭 None 19. データ整理において「正規化」を行う主な理由は何ですか？ データの特徴を増やすため データのスケールを揃え、学習を安定させるため データの次元を減らすため モデルの訓練時間を増やすため None 20. 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 21. 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 22. 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 23. パターン認識における「ノイズ」とは何を指しますか？ 正しいデータ 不要で無関係なデータ 高品質のデータ 分類後のデータ None 24. 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 25. 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 26. 「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 27. 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 28. 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 29. 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 30. 「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 Time's up
