AI実装検定A級～模擬試験④～ 2024年12月8日2024年12月8日 ailearn 1. 誤差逆伝播法において「チェーンルール」が重要な理由は何ですか？ チェーンルールを使うと勾配の計算が省略できる チェーンルールは複数の層を持つネットワークで勾配を計算するために必要 チェーンルールはデータ前処理を自動化する チェーンルールは学習率を自動的に調整する None 2. A B C D None 3. 誤差逆伝播法において、ミニバッチ学習を採用する利点は何ですか？ 学習速度が低下する 計算資源の効率化と勾配の安定化 パラメータの更新が遅くなる 学習率を小さくできる None 4. 誤差逆伝播法において、どのように勾配が計算されますか？ 出力層から順に勾配を計算していく 入力層から順に勾配を計算していく 各層で独立して勾配が計算される 勾配は固定されているため、計算は不要 None 5. 誤差の微分が振動しやすいデータセットにおいて、勾配降下法の収束を安定させるための手法はどれですか？ モデルのパラメータを大きくする 学習率を増加させる モメンタムを導入する 誤差関数を変更する None 6. A B C D None 7. A B C D None 8. ベイズの定理の応用で、事象 A の事前確率を何と呼びますか？ 事後確率 条件付き確率 累積確率 事前確率 None 9. A B C D None 10. 連鎖律が適用されないケースはどれですか？ 合成関数が含まれる場合 ロジスティック回帰の出力を微分する場合 シグモイド関数を微分する場合 定数関数の場合 None 11. 誤差逆伝播法において、リカレントニューラルネットワーク（RNN）で勾配消失を防ぐための適切な手法はどれですか？ シグモイド関数を使用する LSTMやGRUを用いたアーキテクチャを採用する RNNの層数を増やす 学習率を増加させる None 12. 誤差関数の微分がゼロに近づくと、勾配降下法の学習速度はどうなりますか？ 変わらない 加速する 遅くなる 逆転する None 13. A B C D None 14. A B C D None 15. A B C D None 16. あるテストで陽性反応が出た場合、その人が病気である確率を求めるために使用されるのは次のどれですか？ 事前確率 感度 特異度 事後確率 None 17. 誤差逆伝播法で使用する活性化関数において、勾配消失を防ぐための最適な選択肢はどれですか？ ReLU関数 シグモイド関数 ソフトマックス関数 双曲線正接関数（tanh） None 18. 誤差逆伝播法において、連鎖律が勾配消失問題を引き起こすことを防ぐための手法はどれですか？ 勾配クリッピングを行う 学習率を減少させる 活性化関数としてReLUを使用する 活性化関数としてシグモイドを使用する None 19. 活性化関数にシグモイド関数を使用した場合、誤差の微分にどのような影響がありますか？ 微分が大きくなり、学習が速くなる 微分が無限大になる 活性化関数が誤差の微分に影響を与えない 微分が小さくなり、勾配消失が発生しやすくなる None 20. 誤差の微分により、勾配降下法を使用する際に更新されるものは何ですか？ データの分布 モデルの出力 モデルの損失関数 モデルのパラメータ None 21. 誤差逆伝播法において、「勾配クリッピング」を使用する場面として最も適切なのはどれですか？ モデルが非常に大きな勾配を持つ場合 モデルが勾配消失に直面する場合 モデルが非常に小さな勾配を持つ場合 モデルが誤差関数を変更する場合 None 22. 2つの集合 A={a,b,c} と B={b,c,d,e} において、相対補集合 A∖B と B∖A の要素をまとめた集合は次のどれですか？ {b,c} {a,b,d,e} {a,d,e} {d,e} None 23. A B C D None 24. A B C D None 25. A B C D None 26. 集合 A={1,2,3} と集合 B={3,4,5} において、相対補集合 A∖B はどれですか？ {4,5} {3} {1,2,3,4,5} {1,2} None 27. ニューラルネットワークにおいて、深層層で連鎖律を用いた勾配計算が失敗しやすい理由はどれですか？ 活性化関数が非線形だから 勾配消失が発生するため 勾配が大きくなりすぎるため 学習率が不適切だから None 28. 非線形誤差関数における「局所最小値」に陥らないために有効な手法はどれですか？ 学習率を非常に小さく設定する 学習を途中で停止する モデルの初期化をランダムに行う 誤差の微分をゼロにする None 29. 連鎖律を適用する必要がある場合はどのような状況ですか？ 複数の関数が合成されている場合 関数が線形の場合 微分が不可能な場合 定数項を微分する場合 None 30. 誤差逆伝播法において、二乗和誤差（MSE）を損失関数として使用する場合、出力層の活性化関数として最適なのはどれですか？ シグモイド関数 ソフトマックス関数 線形関数 ReLU関数 None 31. 誤差関数の微分を利用する代表的なアルゴリズムはどれですか？ 勾配降下法 K平均法 サポートベクターマシン ロジスティック回帰 None 32. 誤差逆伝播法を使用する際、勾配爆発を防ぐための手法はどれですか？ 学習率を大きくする 正則化を使用しない ミニバッチのサイズを増やす 重みの初期化を適切に行う None 33. ベイズの定理を使用してマーケティングの予測を行う際に、事前確率が高い場合はどのような影響がありますか？ 新しい情報が事後確率に与える影響が大きくなる 条件付き確率がすべてのケースにおいて一定になる 新しい情報によって事前確率が無効になる 新しい情報が得られても事後確率に大きな影響はない None 34. A B C D None 35. 誤差逆伝播法で活性化関数としてReLUがよく使用される理由はどれですか？ ReLUは計算が簡単で、勾配消失問題を防ぎやすいため ReLUは出力が常にゼロになるため ReLUは二次関数の特性を持つため ReLUは正規化を自動で行うため None 36. 誤差逆伝播法で計算される「勾配」とは何を指しますか？ 誤差と出力の積 損失関数に対するパラメータの変化率 パラメータの値そのもの 出力の総和 None 37. ベイズの定理を使って、ある感染症が地域内で流行している確率を計算する場合、以下の情報のうちどれが最も重要ですか？ 地域の人口と感染者数 感染者数と病院の数 事前確率、感度、特異度 感染者の平均年齢と症状 None 38. 誤差逆伝播法において、勾配クリッピングを適用する目的は何ですか？ 勾配が消失するのを防ぐため 勾配が爆発するのを防ぐため 誤差を直接修正するため 勾配を小さくするため None 39. 誤差関数の微分が非線形関数である場合、最適化に与える影響は何ですか？ 最適化が容易になる 最適化が非線形に複雑化する 最適化に影響しない モデルのバイアスが増加する None 40. 誤差逆伝播法における「スキップ接続」（Skip Connection）の効果はどれですか？ 勾配消失を防ぎ、より深いネットワークを学習可能にする ネットワークの深さを減らす 出力の非線形性を高める モデルのパラメータを減少させる None 41. A B C D None 42. A B C D None 43. 誤差逆伝播法において、どの損失関数が一般的に使用されますか？ クロスエントロピー損失 ロジスティック損失 平均絶対誤差（MAE） 平均二乗誤差（MSE） None 44. 誤差逆伝播法において、損失関数が非凸である場合の主な課題は何ですか？ 勾配がゼロになることが多い 損失関数が多くの局所最小値を持ち、最適解に到達しにくい 誤差が増加しやすい 誤差関数が変更されやすい None 45. 誤差逆伝播法はどのようなタイプのニューラルネットワークに適用されますか？ フィードフォワード型ニューラルネットワーク 再帰型ニューラルネットワーク（RNN） 畳み込みニューラルネットワーク（CNN） 全てのニューラルネットワーク None 46. ニューラルネットワークにおける「誤差逆伝播法」は、誤差の微分をどのように活用しますか？ 隠れ層の出力を修正するため 重みの更新を計算するため 出力層の活性化関数を変更するため データの前処理を行うため None 47. A B C D None 48. 連鎖律はニューラルネットワークのどの部分で活用されますか？ 誤差関数の計算 出力層での活性化関数の計算 勾配を逆方向に伝播する際の計算 モデルの初期化 None 49. ある病気に関するテストの特異度が95%であるとします。この特異度は何を意味しますか？ テストが陽性である確率が95% 患者が病気であるときにテストが陽性を示す確率が95% 患者が健康であるときにテストが陰性を示す確率が95% 患者が病気であるときにテストが陰性を示す確率が95% None 50. A B C D None 51. 誤差逆伝播法を効率化するために、モメンタム法を導入する理由は何ですか？ モメンタム法は誤差を直接修正するため モメンタム法は勾配消失を防ぐため モメンタム法は勾配の振動を抑え、収束を早めるため モメンタム法は損失関数を変更するため None 52. 誤差の微分を利用した最適化アルゴリズムで、勾配降下法以外に使用されるものはどれですか？ 遺伝的アルゴリズム K平均法 主成分分析 モメンタム法 None 53. A B C D None 54. ベイズの定理において、事前確率と事後確率の違いはどれですか？ 事前確率は新しい情報を考慮した確率で、事後確率は過去のデータに基づく確率 事前確率は外的情報を考慮せず、事後確率は新しい情報を考慮した確率 事前確率は条件付き確率、事後確率は無条件の確率 事前確率は過去のデータに基づき、事後確率は無条件の確率 None 55. 誤差の微分が非常に小さくなることで発生する「勾配消失問題」を回避するために、どの手法が有効ですか？ 活性化関数をReLUに変更する シグモイド関数を使用する 重みの初期化をランダムにする 学習率を増加させる None 56. 誤差関数の微分を用いる目的は何ですか？ モデルの予測精度を測定するため 勾配降下法を通じてモデルのパラメータを最適化するため データセットの分散を計算するため モデルの出力を標準化するため None 57. A B C D None 58. A B C D None 59. 勾配消失問題が発生する場合、どのように誤差の微分を扱うべきですか？ 微分値を大きくするために活性化関数を変更する 勾配を無視して重みを直接変更する 誤差逆伝播を使用しない 勾配を小さくするためにバッチ正規化を行う None 60. 誤差の微分を計算する際に、勾配がゼロになる点はどのような意味を持ちますか？ 誤差が最大化される点 モデルが最適化されていない点 誤差が最小化される点 モデルの学習が停止する点 None Time's up
