AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. 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 2. 「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 3. 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 4. 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 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. 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 7. 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 8. 「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 9. 「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 10. 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 11. 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 12. 「正則化」を行う目的は何ですか？ モデルの計算速度を向上させるため データを前処理するため モデルの構造を変更するため モデルが過学習するのを防ぎ、汎化性能を向上させるため None 13. 「機械学習における学習」とは何を指しますか？ データを使用してモデルのパラメータを調整するプロセス 人間が直接データを入力する作業 プログラムを動かすための環境設定 モデルの推論結果を評価する作業 None 14. 「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 15. 「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 16. 1956年に開催された「ダートマス会議」は、AIの歴史において何を示唆した出来事でしたか？ AIの正式な誕生 初のAI論文の発表 初のAI企業の設立 人工知能の定義が初めて確立された None 17. 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 18. データ正規化がパターン認識モデルの精度向上に寄与する理由は何ですか？ 特徴量間のスケールを揃えることで、モデルのバイアスを防ぐため データを整数に変換するため 計算コストを低減するため データの次元を削減するため None 19. 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 20. 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 21. 回帰問題において、予測するものは何ですか？ カテゴリラベル クラスター 関数 連続的な数値 None 22. 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 23. モデルの「ドロップアウト（Dropout）」の主な目的は何ですか？ 訓練データの一部を無視して学習を進めることで、過学習を防ぐ モデルの出力を正規化するため 学習率を自動的に調整するため データを削除してモデルを簡略化するため None 24. NLPモデルにおいて「アテンション機構」の役割は何ですか？ モデルの計算負荷を軽減するため 特定の単語に対してより重要な重みを与えるため データの前処理を高速化するため 単語の順番を無視して解析するため None 25. 畳み込みニューラルネットワーク（CNN）の「フィルターサイズ」を小さくすると、どのような影響がありますか？ 過学習のリスクが減る モデルが非線形性を捉えにくくなる 学習に必要な計算量が増える 特徴マップの解像度が上がる None 26. モデルの評価において「クロスバリデーション」が用いられる主な目的は何ですか？ モデルの過学習を防ぎ、汎化性能を評価するため 訓練時間を短縮するため モデルの複雑さを増やすため データを削減するため None 27. 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 28. 「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 29. 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 30. パターン認識において「特徴ベクトル」とは何を指しますか？ データのラベル クラス分類の結果 データを特徴量で表現したベクトル パターンの一致度 None Time's up
