AI実装検定B級～模擬試験②～ 2024年12月8日 ailearn 1. AIモデルの開発において、「エンドツーエンド学習」の特徴は何ですか？ データの前処理から予測まで全てのプロセスを統合的に学習する手法 モデルの学習後に手動でパラメータを調整する手法 学習の初期段階でモデルの出力を決定する手法 複数のモデルを結合して予測を行う手法 None 2. 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 3. BERTモデルが従来の自然言語処理モデルと異なる点として、特に注目されるのはどの特徴ですか？ 単一方向で文脈を学習する 双方向に文脈を学習する 訓練時間が非常に短い 形態素解析を必要としない None 4. 2010年代に入り、AI研究が再び活発化した理由として正しいものはどれですか？ ディープラーニング技術の進展 エキスパートシステムの復活 量子コンピュータの普及 新しいプログラミング言語の開発 None 5. データの前処理で「次元削減」を行う主な理由は何ですか？ データの精度を上げるため 訓練データを削除するため モデルの過学習を防ぐため データの特徴量を減らし、処理を効率化するため None 6. モデルの精度評価に用いられる「F1スコア」とは何ですか？ モデルの精度を示す基本的な指標 精度と再現率の調和平均を示す指標 訓練データのサイズを示す指標 モデルの学習速度を示す指標 None 7. 1960年代にAI研究の発展を支えた「物理シンボルシステム仮説」を提唱したのは誰ですか？ ハーバート・サイモンとアレン・ニューウェル アラン・チューリングとジョン・マッカーシー フランク・ローゼンブラットとマービン・ミンスキー ジェフリー・ヒントンとヨシュア・ベンジオ None 8. 勾配降下法の中でも「ミニバッチ勾配降下法」の利点は何ですか？ 全データセットを一度に処理する 計算コストが非常に低い 全てのデータを使わずに学習を進めるため、効率的でメモリ使用量も少ない 過学習を防ぐために使われる None 9. 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 10. テキスト生成モデル「GPT」において、自己回帰型モデルとしての特徴は何ですか？ テキストを固定された長さで生成する 過去の出力を次の入力として利用し、次の単語を予測する 文脈を理解せずにランダムに単語を生成する 文法ルールに基づいて完全に決定論的にテキストを生成する None 11. 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 12. AIの運用において「データドリフト」とは何ですか？ モデルの出力結果が安定しなくなる現象 モデルがデータをランダムに分類する現象 モデルの学習データが変更される現象 モデルが新しいデータに対して予測精度を失う現象 None 13. BERTとTransformerの関係性について正しい説明はどれですか？ BERTはTransformerを利用したモデルである TransformerはBERTの改良版である BERTとTransformerは全く異なる技術である BERTはTransformerを不要とする新しいアーキテクチャである None 14. 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 15. モデルの「再現率（Recall）」が高いことの意味は何ですか？ モデルが正しく分類できるデータの割合が高い モデルが実際に正解であるデータを正しく分類できる割合が高い モデルの全体的な精度が高い モデルの学習速度が速い None 16. GPTモデルのような自己回帰型モデルとBERTのような双方向モデルの違いは何ですか？ GPTは文脈を無視してテキストを生成するが、BERTは文脈を利用する GPTは双方向に文脈を処理し、BERTは単方向に処理する GPTは過去の単語を利用して次の単語を予測し、BERTは全体の文脈を同時に理解する GPTは単語ベクトルに依存せず、BERTはベクトル化しない None 17. 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 18. ニューラルネットワークにおいて、勾配降下法の目的は何ですか？ モデルの複雑性を増やす 誤差関数を最小化する 重みの初期値を決定する データを前処理する None 19. 「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 20. 自然言語処理（NLP）において、最も一般的に使用される「ベクトル表現」はどれですか？ ワードクラウド TF-IDF ワード2ベック（Word2Vec） 形態素解析 None 21. 1997年、ガルリ・カスパロフがチェスでAIに敗れたときのAI「ディープブルー」はどの会社によって開発されましたか？ Google Microsoft IBM Apple None 22. 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 23. ディープラーニングモデルにおける「バッチ正規化（Batch Normalization）」の主な利点は何ですか？ 学習率を自動的に調整する 各層の出力を安定化させ、学習を早くする モデルの複雑さを減少させる 過学習を完全に防ぐ None 24. 機械学習における「クロスバリデーション」の目的は何ですか？ モデルの過学習を防ぐため モデルのサイズを増やすため 学習時間を短縮するため データセットの欠損値を補完するため None 25. 機械学習における「過学習」とは何ですか？ モデルが訓練データに対して過剰に適応し、汎化性能が低下する状態 モデルが訓練データにうまく適合できない状態 モデルが訓練データを誤って分類する状態 モデルが全てのデータをランダムに分類する状態 None 26. 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 27. ニューラルネットワークの学習において、「早期終了（Early Stopping）」の目的は何ですか？ モデルの訓練を高速化する モデルが過学習する前に学習を停止する 学習率を自動調整する 訓練データのサイズを減らす None 28. ジェフリー・ヒントンらが提唱した「バックプロパゲーション法」がAIの学習において画期的だった理由はどれですか？ 非線形問題を解決できるようにした エキスパートシステムの改良に貢献した コンピュータの処理能力を劇的に向上させた 人間の知識をデータベースに取り込む方法を確立した None 29. 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 30. 「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 Time's up
