AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. 「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 2. モデルの「汎化性能」を向上させるために適切な手法はどれですか？ 学習データを増やさない モデルの複雑さを高める 交差検証や正則化を使用する 過学習を促進する None 3. パターン認識における「教師あり学習」の特徴として正しいものはどれですか？ データにラベルがない 正しい答えをモデルに学習させる モデルは自己組織化によってパターンを見つける クラス分類を行わない None 4. 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 5. 1990年代に発展した「強化学習」の基本的なアイデアはどれですか？ 過去のデータから正しい答えを学習する 複数のAIモデルを統合して最適解を導く 自然言語を使ってAIが自己学習する 環境からのフィードバックに基づいて行動を学習する None 6. ニューラルネットワークにおいて「勾配消失問題」を解決するために有効な活性化関数はどれですか？ シグモイド関数 ソフトマックス関数 ReLU（Rectified Linear Unit） タンジェントハイパボリック関数 None 7. 分類問題において、一般的に使用されるアルゴリズムの一つはどれですか？ k-近傍法（k-NN） クラスタリング 主成分分析（PCA） サポートベクターマシン（SVM） None 8. AI開発において「モデルの再訓練」が必要になる理由として適切でないものはどれですか？ データドリフトが発生したため 本番環境でモデルの精度が低下したため 新しいデータが追加されたため モデルのハイパーパラメータが最適化されたため None 9. 「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 10. 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 11. 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 12. 1997年にチェスの世界チャンピオンを破ったAIの名前は何ですか？ ディープマインド IBM Watson ディープブルー AlphaGo None 13. 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 14. 「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 15. 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 16. 1950年代のAI研究において、ニューラルネットワークの基礎となった「パーセプトロン」を開発した人物は誰ですか？ フランク・ローゼンブラット アラン・チューリング ジョン・マッカーシー ジェフリー・ヒントン None 17. 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 18. 特徴抽出における主成分分析（PCA）の目的は何ですか？ データの次元を削減する データをクラス分けする データにノイズを加える データの品質を上げる None 19. 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 20. 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 21. 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 22. 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 23. 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 24. データ整理において「正規化」を行う主な理由は何ですか？ データの特徴を増やすため データのスケールを揃え、学習を安定させるため データの次元を減らすため モデルの訓練時間を増やすため None 25. 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 26. 「ハイパーパラメータ」とは何ですか？ モデルの学習プロセスで手動で設定されるパラメータ モデルの出力に直接影響を与えるパラメータ データの前処理に使われるパラメータ 推論時に動的に決定されるパラメータ None 27. 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 28. リッジ回帰において、「L2正則化」の効果として正しいものはどれですか？ モデルの全ての重みをゼロに近づける 一部の特徴量を完全に無視する モデルの重みを小さくし、過学習を防ぐ データの次元を削減する None 29. ニューラルネットワークの「層の深さ」が増えると、どのような影響がある可能性が高いですか？ モデルがより複雑なパターンを学習できるが、勾配消失問題が発生しやすくなる モデルの計算時間が減少する モデルの汎化性能が常に向上する 学習が必要なくなる None 30. 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 Time's up
