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 2. 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 3. 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 4. 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 5. 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 6. 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 7. A B C D None 8. 誤差逆伝播法において、連鎖律を利用する最大の利点は何ですか？ 誤差を拡大することができる モデルの複雑さを軽減できる 勾配消失を防げる 各層でのパラメータ更新を効率的に行える None 9. 誤差逆伝播法を使用する際、学習率を自動的に調整する「Adam」の利点は何ですか？ すべてのパラメータに同じ学習率を適用できる 勾配消失を完全に防げる パラメータごとに異なる学習率を適用し、最適化を加速させる 勾配を計算する必要がなくなる None 10. 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 11. 3つの集合 A={1,2,3}、 B={2,3,4}、 C={3,4,5} において、式 A∖(B∩C) の結果は次のどれですか？ {1,2} {1} {3,4} {2} None 12. 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 13. A B C D None 14. 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 15. 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 16. 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 17. 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 18. 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 19. A B C D None 20. A B C D None 21. 誤差逆伝播法における勾配消失問題とは何ですか？ 出力がゼロになる問題 勾配が非常に大きくなり、学習が爆発する問題 勾配が非常に小さくなり、学習が停止する問題 勾配が変化しない問題 None 22. A B C D None 23. A B C D None 24. A B C D None 25. 誤差逆伝播法において、バッチ正規化を導入する主な目的はどれですか？ 勾配爆発を防ぐため 重みの初期化を改善するため 各層の出力を安定させ、学習を効率化するため 損失関数の最適化を行うため None 26. 誤差の微分が非凸関数である場合、勾配降下法において起こり得る現象はどれですか？ 勾配降下法は常にグローバル最適解に到達する 勾配が無視される 勾配が線形になる 局所最小値に留まる可能性がある None 27. 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 28. ある検査での事前確率が非常に低い場合、ベイズの定理を使用して事後確率を計算するときの影響はどのようになりますか？ 特異度が低いと事後確率は大幅に上昇する 感度が高いと事前確率が重要ではなくなる 感度が高くても事後確率は低くなる傾向がある 特異度が低くても事後確率は影響を受けない None 29. 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 30. 誤差の微分が急激に変化する場合、どのような問題が発生する可能性がありますか？ 過学習 勾配消失 勾配爆発 モデルの複雑化 None 31. 集合 A={1,3,5,7}、集合 B={2,4,5,6}、全体集合 U={1,2,3,4,5,6,7} において、 A∖(A∩B) の結果はどれですか？ {5} {1,3} {1,3,7} {5,7} None 32. ベイズの定理を使って、スパムフィルターの精度を改善するために必要な情報は次のどれですか？ スパムメールの事前確率、特定のキーワードが含まれる確率、スパムでないメールにキーワードが含まれる確率 スパムメールの件数、メール送信者のIPアドレス、メールのサイズ メール受信者の数、メールの送信時間、送信者のドメイン メールの件名、メールの本文、画像ファイルのサイズ None 33. A B C D None 34. 連鎖律（Chain Rule）とは、何を説明するための手法ですか？ 複数の関数の積分を行う手法 変数が連鎖している関数の微分を計算する手法 行列の計算を効率化する手法 ニューラルネットワークのパラメータを最適化する手法 None 35. A B C D None 36. 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 37. A B C D None 38. A B C D None 39. A B C D None 40. 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 41. A B C D None 42. A B C D None 43. A B C D None 44. A B C D None 45. 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 46. 以下のうち、連鎖律を適用した微分の順番として正しいものはどれですか？ 外側の関数から内側の関数へ微分する 内側の関数から外側の関数へ微分する 同時に全ての関数を微分する 関数を積分してから微分する None 47. A B C D None 48. A B C D None 49. A B C D None 50. あるテストの感度が90%である場合、次の説明のうち正しいものはどれですか？ テストが陽性である確率が90% 患者が病気であるときにテストが陽性を示す確率が90% 患者が健康であるときにテストが陽性を示す確率が90% 患者が病気であるときにテストが陰性を示す確率が90% None 51. 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 52. 誤差逆伝播法の主な目的は何ですか？ モデルの学習を高速化するため モデルの出力を予測するため 勾配を計算し、パラメータを更新するため データセットを正規化するため None 53. 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 54. 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 55. 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 56. A B C D None 57. 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 58. ニューラルネットワークにおける「重みの初期化」が誤差の微分に与える影響はどれですか？ 誤差の微分に影響を与えない 重みが大きすぎると勾配が爆発し、学習が不安定になる 重みが小さいと誤差がゼロに収束する 重みの初期化は勾配に関係しない None 59. A B C D None 60. A B C D None Time's up
