AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. 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 2. 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 3. 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 4. AIモデルの「デプロイ」とは何ですか？ モデルを本番環境に展開し、実際に使用可能な状態にすること モデルの学習データを収集すること モデルのハイパーパラメータを最適化すること モデルの評価指標を設定すること None 5. 「アンサンブル学習」の目的は何ですか？ 単一モデルよりも複雑なモデルを作るため モデルのパラメータを減らすため 複数の異なるモデルを組み合わせることで、予測精度を向上させるため モデルの学習速度を速めるため None 6. 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 7. サポートベクターマシン（SVM）における「カーネル関数」の役割は何ですか？ 訓練データのノイズを除去する 特徴ベクトルをより高次元の空間にマッピングする 決定境界を線形化する データの正規化を行う None 8. Word2Vecの「スキップグラムモデル」とはどのような手法ですか？ 単語の出現頻度に基づいて単語を分類する手法 中心となる単語から周囲の文脈を予測する手法 文章全体の意味を理解する手法 単語間の相互関係を無視する手法 None 9. 「AIの冬」とは何を指していますか？ AIが初めて誕生した時期 AI研究が一時的に停滞した時期 AIが商業的に成功した時期 人工知能が誤解された時期 None 10. 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 11. ディープラーニングの基礎となる「バックプロパゲーション法」が最初に提案されたのはどの年代ですか？ 1950年代 1960年代 1980年代 2000年代 None 12. AI開発のプロセスにおいて、データの「前処理」が重要な理由は何ですか？ モデルの予測精度に影響を与えないため モデルが学習に使うデータを整理し、欠損値やノイズを除去するため モデルのサイズを削減するため モデルの学習時間を短縮するため None 13. 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 14. 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 15. 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 16. ニューラルネットワークにおいて、隠れ層の数を増やすとどのような効果がありますか？ 学習時間が短くなる 過学習のリスクが減る モデルが単純化される モデルの表現力が高まる None 17. モデルのハイパーパラメータを最適化するための手法の一つとして、「グリッドサーチ」の特徴は何ですか？ 全てのハイパーパラメータの組み合わせを試して最適なものを見つける 一部のハイパーパラメータだけをランダムに試す ハイパーパラメータを自動的に調整する 訓練データを自動で増やす None 18. モデルの学習でよく使われる「誤差関数（損失関数）」の一つである「平均二乗誤差（MSE）」は、どのように計算されますか？ 予測値と実測値の差を全て足し合わせる 予測値と実測値の比率を計算する 予測値と実測値の差を二乗し、その平均を取る 予測値と実測値の差の絶対値を計算する None 19. 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 20. AIモデルのデプロイ後に、モデルの性能が急激に低下する「データドリフト」が発生した場合の一般的な対応として正しいものはどれですか？ モデルを完全に削除し、再開発する モデルをそのまま運用し続ける モデルを再訓練するか、新しいデータで再度学習を行う モデルのハイパーパラメータを調整するだけで十分 None 21. 教師あり学習において、「正解データ」を持たない学習方法は何ですか？ 教師なし学習 強化学習 ディープラーニング ハイパーパラメータ調整 None 22. モデルの評価において「クロスバリデーション」が用いられる主な目的は何ですか？ モデルの過学習を防ぎ、汎化性能を評価するため 訓練時間を短縮するため モデルの複雑さを増やすため データを削減するため None 23. 「バッチ正規化」の主な目的は何ですか？ モデルのパラメータを自動調整するため モデルの学習時間を短縮するため モデルのハイパーパラメータを削減するため 各層の出力を正規化して、学習を安定化させるため None 24. 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 25. 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 26. 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 27. 主成分分析（PCA）を適用する前にデータの「中心化」を行う理由は何ですか？ 計算コストを減らすため 分散を最大化するため データのスケールを揃えるため 次元削減の精度を上げるため None 28. 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 29. 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 30. AIモデルの計算において、行列の掛け算が頻繁に使用される理由として正しいものはどれですか？ モデルのサイズを減らすため データの精度を上げるため 大量のデータを効率的に処理できるため モデルの複雑性を低下させるため None Time's up
