E資格～模擬試験～ 2024年10月31日2024年11月3日 ailearn 1. 順伝播型ネットワークでの重み更新のための典型的な手法は次のうちどれですか？ 勾配降下法 k-means法 主成分分析 ブートストラップ法 None 2. アダム（Adam）最適化アルゴリズムはどのような特徴を持っていますか？ 定数学習率を使用する 勾配の過去の動きに基づいて学習率を自動で調整する 常に学習速度を遅くする 損失関数の形状に依存しない None 3. ResNetで導入された「スキップ接続（Skip Connection）」の主な目的は何ですか？ モデルの計算コストを削減する モデルのパラメータ数を増やす 勾配消失問題を軽減し、非常に深いネットワークでも学習を可能にする 入力データを強化する None 4. 次のうち、Grad-CAMの欠点として考えられるものはどれですか？ 勾配を計算するため、計算コストが高い すべてのモデルに対して適用できない 高次元の特徴量を扱えない 予測精度が下がる None 5. セマンティックセグメンテーションにおける「U-Net」の特徴は何ですか？ 画像分類に特化したネットワーク ピクセルレベルのセグメンテーションを行うネットワーク 画像の解像度を下げるためのネットワーク 時系列データを扱うネットワーク None 6. CNNのプーリング層で最大プーリング（Max Pooling）を使う利点は何ですか？ 全ての入力データを平均化できる 最も重要な特徴を強調し、空間次元を縮小できる 訓練データの分散を均等にする モデルの精度を常に向上させる None 7. 次のうち、Dockerが提供する主な機能はどれですか？ アプリケーションの実行環境をコンテナ化して、再現性の高い開発・運用環境を構築する GPUの計算速度を向上させる クラウドでデータベースを管理する ネットワーク通信を最適化する None 8. 次のうち、エッジコンピューティングにおいて「コンテナ技術」が重要視される理由として正しいものはどれですか？ クラウド上でデータを保存するためのセキュリティを強化する 軽量な仮想化環境を提供し、エッジデバイスでの効率的なデプロイを可能にする デバイスの寿命を延ばす 通信帯域を広げる None 9. 次のうち、VGG16やResNetなどの深層CNNモデルで重要視されるテクニックはどれですか？ 残差学習 学習率減衰 入力データの圧縮 ドロップアウト None 10. 物体検出モデルのトレーニングにおいて、精度向上のために「ハードネガティブマイニング」が使用される理由は何ですか？ モデルのパラメータ数を削減するため 学習データの一部を無視するため モデルが誤検出しやすい難しいネガティブ例を重点的に学習するため ネガティブ例を削除して学習を効率化するため None 11. セマンティックセグメンテーションの評価において、精度を高めるための一般的な前処理手法として適切なものはどれですか？ データの正規化 モデルの再訓練 ピクセル値のランダムシフト デコーダーの再設計 None 12. スパース学習において、L1正則化がモデルに与える影響は何ですか？ パラメータの値を増加させる モデルの全てのパラメータを均等に更新する モデルの複雑さを増す 多くのパラメータをゼロに近づけ、スパース性を促進する None 13. RNNの勾配爆発問題に対処するために採用される技術は次のうちどれですか？ 勾配クリッピング ドロップアウト L2正則化 バッチ正規化 None 14. 次のうち、画像認識モデルでよく使われる「データ拡張」の技術に含まれないものはどれですか？ 画像の回転 画像の平滑化 画像の拡大縮小 画像の反転 None 15. 順伝播型ネットワーク（Feedforward Neural Network）で最も基本的な構造はどれですか？ 入力層、隠れ層、出力層 入力層と出力層のみ 入力層と2つの出力層 隠れ層と出力層のみ None 16. FPGAと比べたGPUの利点として正しいものはどれですか？ 特定のタスクに特化して設計可能 プログラミングが容易で汎用性が高い 消費電力が少ない ハードウェア構成を自由に変更可能 None 17. 次のうち、生成モデルの一種である「Energy-Based Model（EBM）」の特徴はどれですか？ データを確率密度に変換する ラベル付きデータのみを使用して学習する 生成器と判別器を同時に使用する エネルギー関数を定義し、低エネルギー状態のデータを生成する None 18. アクセラレータの導入による計算コスト削減の方法として適切なものはどれですか？ ストレージ容量を増加させ、計算時間を短縮する ネットワーク帯域を広げ、データ転送を高速化する CPUのみで処理を行う 特定のタスクに最適化されたハードウェアを使用し、計算効率を向上させる None 19. ドロップアウトとL2正則化の主な違いは何ですか？ ドロップアウトはランダムにニューロンを無効化し、L2正則化は重みにペナルティを課す ドロップアウトは重みにペナルティを課し、L2正則化はニューロンを無効化する 両方ともモデルの複雑さを増加させる 両方とも重みをゼロにする None 20. 分散処理システムにおける「リーダー選出アルゴリズム」として正しいものはどれですか？ データの圧縮を行うアルゴリズム ノード間のデータ転送を最適化するアルゴリズム データベースのクエリを最適化するアルゴリズム PaxosやRaftなどの合意アルゴリズム None 21. エッジコンピューティングの利点として正しいものはどれですか？ データ処理の遅延を減らす データの安全性を低下させる データの送信コストを増加させる すべてのデータをクラウドに集約する None 22. エッジコンピューティングの導入によって、クラウド上のデータ処理に与える影響として正しいものはどれですか？ クラウドへのデータ送信量が減り、クラウドの負荷が軽減される クラウドへのデータ送信量が増え、クラウドの負荷が増加する クラウドの負荷には全く影響しない クラウドへの依存が完全になくなる None 23. エッジコンピューティングにおけるデータの「プライバシー保護」のために考慮すべき要素は何ですか？ データをクラウドで保存する データをリアルタイムで送信する データのローカル処理と暗号化 デバイスを分散させる None 24. 期待値とは何を意味しますか？ 確率変数の可能な値の中で最も高い値 確率変数が取る可能性のある値の平均値 事象が発生する確率 確率変数が取る値の最小値 None 25. DCGAN（Deep Convolutional GAN）の特徴は何ですか？ RNNを使用して時系列データを生成する LSTMを使用して文章を生成する 畳み込みニューラルネットワークを使用して画像生成を行う バッチ正規化を行わない None 26. 順伝播型ネットワークにおけるドロップアウト（Dropout）の役割は何ですか？ ニューロンをランダムに無効化して過学習を防ぐ 学習率を調整する 訓練データの一部を削除する モデルの精度を向上させるためにニューロンを追加する None 27. Pythonの「venv」ツールを使用する主な目的は何ですか？ GPUの性能を向上させるため プロジェクトごとに独立した仮想環境を作成し、依存関係を管理するため クラウド上でPythonプログラムを実行するため データベースのパフォーマンスを向上させるため None 28. 「説明可能AI」の導入が特に重要視されるケースはどれですか？ ゲームAIやチャットボット 音声認識システム 画像処理タスク 医療診断システムや金融スコアリングシステムなどの分野 None 29. CNNにおける「ソフトマックス関数」の役割は何ですか？ ニューラルネットワークの全てのニューロンを活性化する データを正規化する データの次元を削減する 出力層において、複数クラスの分類を確率として出力する None 30. 勾配降下法において、学習率が大きすぎると何が起こりますか？ モデルが過学習する 勾配が無限大になる 損失関数の最小値に収束せず、振動してしまう 訓練データが不足する None 31. 「教師あり学習」とはどのような学習方法ですか？ ラベル付きデータを用いてモデルを訓練する ラベルなしデータを用いてモデルを訓練する 報酬を最大化するようにモデルを訓練する モデルが自律的にデータを生成する None 32. 雑音が含まれる通信路において、符号化率 R が通信路容量 C より小さい場合、次のうち正しい記述はどれですか？ 伝送誤りが発生する 通信が誤りなく行われる 通信が停止する データの圧縮率が向上する None 33. CNNにおける「フィルタサイズ」と「ストライド」の関係について正しい説明はどれですか？ ストライドが大きくなると出力サイズが大きくなる ストライドが大きくなると出力サイズが小さくなる フィルタサイズが小さいと出力サイズが増える フィルタサイズが大きいとストライドが小さくなる None 34. 順伝播型ネットワークでのバッチ正規化（Batch Normalization）の主な効果は何ですか？ 訓練データの正規化を行い、データの分布を揃える 各層の出力を正規化し、学習の安定性を向上させる モデルの過学習を防ぐ モデルの重みをランダムに初期化する None 35. 自然言語処理において「TF-IDF」の目的は何ですか？ 単語の出現頻度を基に重要な単語を見つける 単語の順序を無視する 単語間の関係を学習する 単語の意味を変換する None 36. Q学習において、Q値（Q-value）は何を表しますか？ 状態の予測値 状態-行動ペアの価値 報酬の累積値 行動の確率分布 None 37. エッジコンピューティングが求められるシナリオとして適切なものはどれですか？ 大量のデータをバックアップするためのリモートサーバー 通常のデータストレージ用途のパーソナルクラウド 高速なリアルタイム処理が必要な自動運転システム 大規模なバッチ処理が必要な分析システム None 38. 分散処理の「フォールトトレランス」とは何ですか？ データをバックアップするための技術 データの保存容量を増やす技術 システムが障害発生時でも処理を継続できる能力 ネットワークを冗長化する技術 None 39. 自動運転車におけるエッジコンピューティングの役割として最も重要なものはどれですか？ 車両がクラウドサーバーにすべてのデータを送信して処理する 車両内でデータを保管するだけで、クラウドに依存する 車両が他の車両とデータを共有するための手段を提供する 車両内でリアルタイムにデータを処理し、外部ネットワークに依存せずに意思決定を行う None 40. エントロピー符号化の目的は何ですか？ データの信頼性を向上させること データの不確実性を増やすこと エントロピーに基づいて、情報量に応じた符号を割り当てることで、データの圧縮率を高めること データの雑音を増やすこと None 41. 情報源符号化において、符号の平均長がエントロピーに等しいとき、どのような符号化が達成されていますか？ 冗長な符号化 無駄のない最適な符号化 情報の損失を含む符号化 長すぎる符号化 None 42. 「経験再生（Experience Replay）」がDQNに導入される理由として正しいものはどれですか？ 訓練データのバイアスを減らし、効率的な学習を行うため 訓練データを削減するため エージェントの方策を改善するため 報酬をリアルタイムで更新するため None 43. GANの判別器が「本物」と「偽物」のデータを正確に識別できるようになりすぎた場合、生成器にどのような問題が発生しますか？ 生成器が学習できなくなる 生成器がより高品質なデータを生成できる 生成器がモード崩壊を起こす 生成器のパラメータ数が増加する None 44. 「グローバル説明」とは何を指しますか？ モデル全体の振る舞いを説明すること 特定の予測結果に対する理由を説明すること モデルの訓練データの説明を行うこと モデルの訓練プロセスを可視化すること None 45. 順伝播型ネットワークにおけるドロップアウト率が高すぎる場合、どのような影響がありますか？ モデルが過学習しやすくなる モデルの重みがゼロに収束する モデルの精度が向上する モデルの学習が困難になり、収束しない可能性がある None 46. 勾配降下法における「学習率」が大きすぎると何が起こりますか？ モデルが過学習する 損失関数が最適な値に急速に収束する 損失関数が最適な値に収束せず、振動する 勾配が爆発し、学習が停止する None 47. モデルの汎化性能を向上させるために、L1とL2のどちらの正則化を使用すべきか判断する際の主な基準は何ですか？ 特徴量の数と重要度 モデルの計算コスト データセットのサイズ モデルのアーキテクチャの複雑さ None 48. 次の中で、BERT（Bidirectional Encoder Representations from Transformers）とTransformerの主な違いとして正しいものはどれですか？ BERTは双方向の自己注意を使用し、Transformerは単方向の自己注意を使用する BERTはエンコーダー部分のみを使用し、Transformerはエンコーダーとデコーダーの両方を使用する BERTは逐次処理を行い、Transformerは並列処理を行う BERTは画像データ専用で、Transformerはテキストデータ専用である None 49. 強化学習における「エージェント」の役割は何ですか？ 環境の状態を制御する 環境からの報酬を基に行動を選択する 環境の次の状態を予測する 報酬を設定する None 50. ディープラーニング環境をGPU対応にするために必要な操作として最も適切なものはどれですか？ CPUのみを使用するように環境を設定する GPUを無効化してトレーニングを行う 特定のライブラリをインストールせずにトレーニングを行う GPU対応のディープラーニングライブラリとCUDAおよびcuDNNのインストール None 51. 畳み込みニューラルネットワークにおける「フィルタ（カーネル）」のサイズが大きくなると、何が起こりますか？ モデルが捉える特徴がより大きな範囲に渡る モデルが過学習しやすくなる モデルの計算量が減少する ニューロンの数が増加する None 52. 「SHAP（Shapley Additive Explanations）」の基本的な考え方は何ですか？ モデル全体の挙動を定性的に評価する モデルの計算時間を最小化する 各特徴が予測にどれだけ貢献したかを定量的に示す モデルをランダムに評価する None 53. セマンティックセグメンテーションにおいて、「アップサンプリング」はどの段階で行われますか？ 特徴抽出の前 エンコーダー部分で デコーダー部分で モデルの出力層で None 54. 「深層ニューラルネットワークの説明性」を高めるために使用される手法の一つである「勾配ベースの手法」とは何ですか？ データをクラスターに分けてその振る舞いを分析する手法 データをランダムに選んでモデルを評価する手法 モデルのパラメータを全て可視化する手法 出力に対する入力の寄与を勾配を用いて計算する手法 None 55. L2正則化を強くかけすぎると、どのような問題が発生する可能性がありますか？ モデルが過学習を起こす モデルが過度に単純化され、アンダーフィッティングする 学習が停止してしまう 勾配消失問題が発生する None 56. 強化学習において、「探索」と「活用」のトレードオフは何を意味しますか？ 環境の状態を更新することと、行動を選択することのバランス Q値を更新することと、報酬を得ることのバランス 新しい行動を試すことと、既に得た知識を利用することのバランス 学習速度を速めることと、計算コストを下げることのバランス None 57. 情報理論における「相互情報量」とは何を意味しますか？ 2つの変数がどれだけ同時に発生するかを示す 2つのデータセット間の距離 2つの確率変数間で共有される情報量 情報量を圧縮する際の削減率 None 58. 回帰分析において、目的変数が連続値である場合、適切な手法は次のどれですか？ ロジスティック回帰 線形回帰 サポートベクターマシン K-最近傍法 None 59. セマンティックセグメンテーションにおいて、評価指標として使用される「IoU（Intersection over Union）」とは何を表しますか？ 予測された領域と正解領域の重なり具合を評価する指標 画像の解像度を表す指標 モデルの精度を評価する指標 計算コストを表す指標 None 60. 正則化が効果を発揮する場面はどれですか？ データセットが大規模であり、過学習のリスクが低い場合 モデルが過小適合している場合 損失関数が適切に収束していない場合 訓練データが少なく、モデルが過学習する場合 None 61. 「ベイズ最適化」がモデルに適用される主な理由は何ですか？ データの次元を削減するため ハイパーパラメータの調整を効率的に行うため モデルのパラメータをランダムに設定するため モデルの精度を下げるため None 62. 自己教師あり学習の代表的な手法「SimCLR」の特徴は何ですか？ ラベル付きデータを用いてモデルを訓練する 入力データに対して異なる拡張を施し、コントラスト損失を用いて特徴を学習する 生成モデルを用いてデータを生成する 逐次データを用いてリアルタイムに学習を行う None 63. CNNにおいて、学習中に重みを更新する手法として一般的に使用されるのはどれですか？ 勾配降下法（Gradient Descent） k-means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 64. 強化学習において、報酬を割り引くために使用される値は何ですか？ 学習率 割引率（Discount Factor, γ） 方策（Policy） 探索パラメータ None 65. a b c d None 66. 「アンサンブル学習」において、バギングを使用する際、各モデルに異なるデータを提供するために使用される手法はどれですか？ ドロップアウト ブートストラップサンプリング 早期停止 クロスバリデーション None 67. FPGAが特に有効となる応用分野はどれですか？ 一般的なデータベース処理 ウェブページのレンダリング テキストエディタの動作 低遅延が要求されるリアルタイム処理や信号処理 None 68. 「ドロップアウト」のドロップ率（Dropout Rate）が高すぎる場合、どのような問題が発生しますか？ モデルがアンダーフィッティングする モデルが過学習する 勾配爆発が発生する モデルの学習速度が遅くなる None 69. 分散処理における「スケーラビリティ」とは何ですか？ システムが負荷や規模の変化に対応して拡張できる能力 データの保存容量を増やす機能 すべてのデータをクラウドに移行する機能 ネットワーク帯域を広げる機能 None 70. エントロピー H(X) = 2.5 のとき、この情報源の平均情報量はどれですか？ 2.5ビット 5ビット 10ビット 1.25ビット None 71. セマンティックセグメンテーションにおいて、「CRF（Conditional Random Field）」が使用される主な理由は何ですか？ セグメンテーション結果のスムーズさを向上させるため 学習速度を向上させるため モデルのパラメータ数を削減するため ピクセルごとのラベルを正規化するため None 72. 符号化率 R = 5 kbps、通信路容量 C = 8 kbps のとき、この通信の信頼性はどうなりますか？ 伝送誤りが発生する可能性が高い 伝送は誤りなく行われる可能性が高い 通信が遅くなる 通信が中断される None 73. バギング（Bagging）を用いることで得られる主なメリットは何ですか？ モデルのバイアスを減らす モデルの過学習を促進する モデルの学習速度を遅くする モデルのバリアンスを減らし、安定性を向上させる None 74. カイ二乗分布はどのような場面で使用されますか？ 分散の検定や独立性の検定に使用される 平均の差を検定するとき 相関係数を計算するとき 標本の大きさを決定するとき None 75. CNNモデルにおいて、過学習を防ぐために広く用いられるテクニックはどれですか？ ドロップアウト バッチ正規化 プーリング 活性化関数の変更 None 76. エッジコンピューティングが通信コスト削減に寄与する理由は何ですか？ すべてのデータをクラウドに送信するから クラウド側で計算を行い、デバイスに結果を返すから データをエッジデバイスで処理し、クラウドへの送信データ量を減らすから 大量のデータを一度に送信するから None 77. エッジコンピューティングにおけるセキュリティ上の課題として正しいものはどれですか？ デバイスが分散しているため、物理的なセキュリティが難しい データの一元管理が可能である ネットワーク負荷が軽減される クラウド上で全てのデータを保管する None 78. エッジコンピューティングにおける「リアルタイム性」を確保するために重要な要素はどれですか？ データをクラウドに送り、結果を待つこと データを定期的にバックアップすること 大量のデータを一度に送信すること データをエッジデバイスで即時に処理すること None 79. 標準偏差が示す意味として最も適切なのはどれですか？ データの平均からの偏差の最大値 データの最小値 データの平均からの値のばらつきの程度 データの最大値 None 80. 「早期停止（Early Stopping）」の目的は何ですか？ 過学習を防ぐため、パフォーマンスが最適な時点で学習を終了する 学習速度を上げる 学習率を一定に保つ パラメータの数を増やす None 81. リカレントニューラルネットワーク（RNN）の最大の特徴は何ですか？ 非線形活性化関数を使用すること パラメータの共有がないこと 時系列データに適していること 固定長のデータのみを扱うこと None 82. 次のうち、GPT（Generative Pretrained Transformer）が持つ最大の特徴はどれですか？ 双方向の文脈を捉える 一方向（左から右）のみで文脈を捉え、文章生成に特化している 画像処理に特化している 単語の出現頻度を基に文を生成する None 83. データ拡張（Data Augmentation）の主な目的は何ですか？ モデルのサイズを減らす 学習率を調整する データの次元を削減する トレーニングデータを人工的に増やして過学習を防ぐ None 84. 次のうち、Python環境におけるパッケージ管理ツールとして最も広く利用されているものはどれですか？ Maven pip NPM Gradle None 85. 次のうち、ブースティングにおける勾配ブースティング（Gradient Boosting）の主な特徴として最も適切なものはどれですか？ 勾配消失問題を解決する モデルのパラメータ数を削減する データセットの拡張を行う 前のモデルの予測誤差を利用して次のモデルを改善する None 86. エッジコンピューティングの課題として最も適切なものはどれですか？ データの集中管理が難しい クラウドへの依存度が高い ネットワークの帯域幅を広げる必要がある デバイス側の計算リソースや電力制約 None 87. 「反事実的説明（Counterfactual Explanation）」の主な目的は何ですか？ 予測結果が変わるために、どの特徴量をどの程度変えるべきかを示す モデルのパラメータを変更する手法を提示する ランダムに特徴量を入れ替えて結果を評価する 予測結果を変更することなくデータを拡張する None 88. DQNにおいて「Double DQN（DDQN）」が提案された主な理由は何ですか？ Q値の過大評価を防ぎ、学習の安定性を向上させるため 学習速度を向上させるため 方策の更新頻度を増やすため 報酬関数を改善するため None 89. CNNで使用される「バッチ正規化（Batch Normalization）」の主な効果は何ですか？ データを無作為に抽出する 重みをゼロにリセットする ニューロンをランダムに無効化する 畳み込み層での出力を正規化し、学習を安定させる None 90. RNNで使用される「状態ベクトル」は、どのような役割を果たしますか？ パラメータ更新を行う 各タイムステップでの入力データを保持する 各タイムステップでの出力を計算するために使用される 現在の状態を次のタイムステップに伝える None 91. 次のうち、Wasserstein GAN（WGAN）の目的は何ですか？ GANのモード崩壊問題を完全に解決する GANの学習の安定性を向上させ、生成データの質を高める GANのトレーニング時間を短縮する VAEと統合するための手法を提供する None 92. RNNを使用したシーケンス生成モデルで、次のタイムステップの予測を生成する際、予測結果が繰り返し使用されることによる誤差の累積を防ぐために使われる手法はどれですか？ バッチ正規化 ドロップアウト 学習率減衰 スケジュールサンプリング None 93. 「誤り訂正符号」とは何ですか？ 情報を圧縮するための符号 通信速度を向上させるための符号 データに冗長性を追加し、誤りを検出し修正できる符号 データの圧縮率を向上させる符号 None 94. 「メタ学習」の主な目的は何ですか？ 学習アルゴリズム自体を学習し、新しいタスクに迅速に適応すること 学習済みのモデルを再利用して、新しいデータを学習すること モデルのハイパーパラメータを最適化すること データの次元を削減すること None 95. RMSPropの特徴は何ですか？ 勾配の二乗平均を使用して学習率を調整する 一定の学習率で更新を行う モデルの重みをランダムに更新する 過去の重みを使用しない None 96. StyleGANの特徴として正しいものはどれですか？ 生成される画像のスタイルを自由に制御できる テキスト生成に特化している 判別器を用いない モード崩壊を防ぐための技術が組み込まれている None 97. CNNの「畳み込みフィルタの数」を増やすと、モデルにどのような影響がありますか？ モデルの学習速度が大幅に低下する モデルが捉える特徴の種類が増加し、精度が向上する可能性がある モデルが過学習しやすくなる ニューロンが無効化される None 98. リカレントニューラルネットワーク（RNN）における「バックプロパゲーション・スルー・タイム（BPTT）」の最大の課題は何ですか？ 勾配爆発 メモリ効率の悪さ 勾配消失 学習速度の低下 None 99. CNNで「フィルタ数」を増加させることによる主な影響は何ですか？ モデルの計算量が減少する 過学習のリスクが減る モデルがより多様な特徴を捉えられるようになる モデルが重みを自動調整できるようになる None 100. 畳み込みニューラルネットワーク（CNN）において、畳み込み層の役割は何ですか？ 入力データの次元を削減する 入力画像の特徴を抽出する ノイズを除去する 出力を正規化する None Time's up
