AI実装検定B級～模擬試験～ 2024年10月31日 ailearn 1. 「ハイパーパラメータ」とは何ですか？ モデルが自動で調整するパラメータ 学習の前に設定されるモデルのパラメータ 学習データに基づいて計算されるパラメータ モデルの出力結果を評価するための指標 None 2. 「交差検証」を使用する利点として最も適切なものはどれですか？ 学習時間を短縮できる データの欠損を補完することができる データの分割方法に依存せずに、モデルの汎化性能を評価できる 学習率を最適化できる None 3. 「正則化」がパターン認識において果たす主な役割は何ですか？ データの次元を削減する モデルの過学習を防ぐ 特徴量を無視する 学習速度を向上させる None 4. 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 5. AI開発において、データの「標準化」とは何を指しますか？ データを0から1の範囲に変換する データを特定のスケールに揃えることで、特徴量のスケールを統一する データの欠損値を補完する データを全て削除する None 6. 次のうち、データの可視化に使われる手法はどれですか？ 線形回帰 散布図 決定木 ニューラルネットワーク None 7. 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 8. 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 9. 「機械学習における学習」とは何を指しますか？ データを使用してモデルのパラメータを調整するプロセス 人間が直接データを入力する作業 プログラムを動かすための環境設定 モデルの推論結果を評価する作業 None 10. 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 11. ニューラルネットワークの基本的な構成要素で、情報が処理される場所はどこですか？ エポック 重み ニューロン（ノード） 活性化関数 None 12. 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 13. 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 14. 1980年代の「AIの冬」を引き起こした主な要因として最も正しいものはどれですか？ ディープラーニングの発展 エキスパートシステムの限界 ハードウェア技術の進歩 AIに対する規制強化 None 15. 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 16. モデルの評価指標の一つである「AUC（Area Under Curve）」は、何を評価するために使用されますか？ モデルの学習速度 精度と再現率のバランス ROC曲線の下の面積を評価し、モデルの分類性能を測る 訓練データのサイズ None 17. 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手法はどれですか？ ReLU活性化関数の使用 勾配降下法を使用する 交差エントロピー誤差を使用する ドロップアウトを適用する None 18. 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 19. 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 20. パターン認識の主要なステップに含まれないものは次のうちどれですか？ データ収集 特徴抽出 クラス分類 ラベル付け None 21. 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 22. 次のうち、回帰問題に適しているアルゴリズムはどれですか？ サポートベクターマシン 線形回帰 k-近傍法 クラスタリング None 23. 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 24. 「AIの父」として知られている科学者は誰ですか？ アラン・チューリング ジョン・マッカーシー マービン・ミンスキー ジェフリー・ヒントン None 25. 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 26. 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 27. 主成分分析（PCA）を用いた次元削減において、どのようにして「情報の損失」を最小限に抑えることができますか？ データをすべて削除する 主成分のうち、分散が大きいものから順に選択する 主成分のうち、分散が小さいものから順に選択する データを標準化せずに使用する None 28. 「アンサンブル学習」の利点は何ですか？ 単一のモデルよりも計算コストを削減できる モデルのパラメータ調整が不要である 訓練データを減らして学習できる 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 None 29. 「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 30. 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 Time's up
