AI実装検定B級～模擬試験①～ 2024年12月8日 ailearn 1. 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 2. 「推論」とは機械学習において何を指しますか？ 訓練済みのモデルを使用して、新しいデータに対して予測や分類を行うこと モデルのパラメータを学習すること データの前処理を行うこと データを可視化すること None 3. 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 4. 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 5. 「過学習」とは何ですか？ モデルがデータを学習できない現象 学習データに対しては高い精度を持つが、新しいデータに対しては性能が低下する現象 学習データに対してモデルが適用できない状態 正解データがない場合に起こる現象 None 6. 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 7. 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 8. 異常検知に使用される代表的なアルゴリズムはどれですか？ 主成分分析（PCA） 線形回帰 k-近傍法（k-NN） ニューラルネットワーク None 9. 「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 10. 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 11. 「データの前処理」として一般的に行われる操作はどれですか？ 欠損値の補完 モデルの評価 ハイパーパラメータのチューニング モデルのデプロイ None 12. パターン認識における「アンサンブル学習」の主な利点は何ですか？ 計算時間が大幅に短縮される 過学習のリスクがなくなる 複数のモデルを組み合わせることで、予測精度が向上する 単一のモデルを使用するよりもデータの処理が簡単になる None 13. 「データの正規分布」とはどのような形の分布を指しますか？ ランダムに分散したデータの分布 平均を中心に左右対称なベル型の分布 一方向に偏ったデータの分布 変数間の相関を表す分布 None 14. 「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 15. 2016年に、囲碁の世界チャンピオンに勝利したAIプログラムは何ですか？ AlphaGo IBM Watson ディープブルー LISP None 16. 特徴量選択の目的として最も適切なものは何ですか？ モデルのサイズを増加させる データの欠損を補完する データのサイズを増やす モデルの性能向上と計算コストの削減 None 17. k-NN法において、データの次元数が多くなると、分類精度が低下する「次元の呪い」が発生する理由は何ですか？ 計算速度が遅くなるため データ間の距離が均一化されるため クラス間の分離が悪くなるため 適切なkを選びにくくなるため None 18. 「交差検証」の目的は何ですか？ データ全体のパフォーマンスを評価するため、データセットを複数の部分に分けて評価を行う手法 モデルのハイパーパラメータを調整する手法 データの次元を削減する手法 データをクラスタリングする手法 None 19. 「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役割を果たしますか？ 勾配消失問題を解決するための技術 データを正規化する技術 モデルの推論を高速化する技術 過学習を防ぐために、ランダムにニューロンを無効化する技術 None 20. 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 21. k近傍法（k-NN）の分類アルゴリズムにおいて、kの値が小さすぎるとどのような問題が発生しますか？ オーバーフィッティング アンダーフィッティング データの次元が増える ノイズが減る None 22. 「バッチ学習」と「オンライン学習」の違いは何ですか？ バッチ学習はデータ全体を一度に使用して学習し、オンライン学習はデータを逐次使用して学習する バッチ学習は並列処理を行い、オンライン学習は単一処理を行う バッチ学習はリアルタイムで学習を行い、オンライン学習は事前に学習を行う バッチ学習は大規模データセットに対応し、オンライン学習は小規模データセットに特化する None 23. 「勾配消失問題」とはどのような問題ですか？ 学習が進むにつれて勾配が0に近づき、重みの更新が停止する問題 データがランダムに分散される問題 モデルが学習できない問題 データが欠損する問題 None 24. 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 25. 教師なし学習でよく使用されるタスクはどれですか？ 回帰 分類 クラスタリング 推論 None 26. 畳み込みニューラルネットワーク（CNN）において、プーリング層の主な役割は何ですか？ 特徴マップの次元を削減し、重要な特徴を抽出する 重みの学習を高速化する 非線形性を導入する データを正規化する None 27. パターン認識において「クラスタリング」はどのような目的で行われますか？ データのラベルを付けるため データをクラス分けするため データの次元を削減するため データを正規化するため None 28. データの「特徴量エンジニアリング」とは何を指しますか？ データの欠損値を補完する作業 データをスケーリングする作業 ラベルを付ける作業 データから有用な特徴を抽出し、モデルの学習に適した形にする作業 None 29. 1960年代のAIの発展を支えた代表的なAIプログラム「ELIZA」は、どのようなプログラムですか？ ロボット制御プログラム 自然言語処理プログラム 自動運転プログラム 数値解析プログラム None 30. 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 Time's up
