E資格～模擬試験①～ 2024年12月7日2024年12月7日 ailearn 1. 次のうち、セマンティックセグメンテーションで頻繁に使用される「Skip Connection」の役割として正しいものはどれですか？ ネットワークの計算速度を向上させる エンコーダーからデコーダーに直接特徴を伝達し、詳細情報を補完する ピクセルごとの分類精度を下げる モデルのパラメータ数を減らす None 2. 機械学習モデルの評価指標である「精度（accuracy）」は何を意味しますか？ モデルが正しく分類したデータの割合 モデルの複雑さ モデルが学習したデータの量 モデルの訓練速度 None 3. セマンティックセグメンテーションにおいて、完全畳み込みネットワーク（Fully Convolutional Network, FCN）が導入された目的は何ですか？ 画像の分類を行うため 画像のサイズを正規化するため ピクセル単位での予測を効率的に行うため 計算コストを削減するため None 4. 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 5. 順伝播型ネットワークの最適化アルゴリズム「Adam」の特徴として正しいものはどれですか？ 学習率を固定している 勾配の過去の動きを利用し、自動で学習率を調整する 高い学習率でも常に収束する 勾配を無視して重みを更新する None 6. 次のうち、畳み込みニューラルネットワーク（CNN）の学習において、画像の「正規化」の目的は何ですか？ 画像の色調を揃える 画像の詳細を強調する 出力を拡大する 学習の安定化と勾配消失問題の軽減 None 7. 順伝播型ネットワークにおいて、出力層にシグモイド関数を使用する場合、どのような状況が適していますか？ 回帰問題 2クラス分類問題 多クラス分類問題 次元削減問題 None 8. ドロップアウト（Dropout）の主な役割は何ですか？ 訓練中にニューロンをランダムに無効化することで、過学習を防ぐ 学習率を自動調整する 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 9. 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 10. 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 11. 次のうち、セマンティックセグメンテーションにおいて「パッチベースのアプローチ」が適しているシナリオはどれですか？ リアルタイム予測が必要な場合 単純なオブジェクト分類 高解像度の大規模画像のセグメンテーション 計算リソースが限られている場合 None 12. 物体検出タスクにおいて、精度と速度のバランスが取れているモデルとして知られているのはどれですか？ ResNet Faster R-CNN VGG16 YOLO None 13. 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 14. 機械学習モデルの評価において、テストデータを使う理由は何ですか？ モデルの性能を過大評価するため モデルが未知のデータに対してどの程度適切に予測できるかを評価するため 訓練データの誤差を確認するため データを削減するため None 15. 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 16. YOLOv3では、どのようにして異なるサイズの物体を検出していますか？ アンカーのサイズを増やす RPNを使用して異なるスケールを提案する 全ての物体を同じスケールで検出する 異なる解像度の3つのスケールで予測を行う None 17. 「Global Average Pooling」が用いられる目的は何ですか？ 全結合層をなくし、モデルの過学習を防ぐ 入力データを正規化する モデルの計算コストを増やす 活性化関数を調整する None 18. a b c d None 19. 順伝播型ネットワークにおいて、ReLU関数が活性化関数として好まれる理由は次のうちどれですか？ 負の値に対しても出力があるため すべての出力が1になるため モデルの重みを正規化するため 勾配消失問題を軽減できるため None 20. 機械学習において、L2正則化（リッジ回帰）が効果的な理由として最も適切なのはどれですか？ モデルのパラメータをより複雑にするため モデルのパラメータに対するペナルティを課し、過学習を防ぐため データを正規化するため 学習速度を上げるため None 21. a b c d None 22. 次の中で、BERTとGPTの主な違いとして正しいものはどれですか？ BERTは双方向、GPTは一方向の文脈を学習する BERTは文章生成に特化しており、GPTは文章理解に特化している BERTは主に画像認識で使用され、GPTは音声認識で使用される BERTは小規模データで学習され、GPTは大規模データで学習される None 23. 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 24. 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 25. セマンティックセグメンテーションで使用される「Pyramid Scene Parsing Network（PSPNet）」の利点は何ですか？ オブジェクトのサイズにかかわらず、正確なセグメンテーションを実現できる 高速なリアルタイム予測が可能である 簡単なアーキテクチャを持つ 全結合層を使用せず、セグメンテーション精度を高める None 26. BERT（Bidirectional Encoder Representations from Transformers）の最大の特徴は何ですか？ 単方向の文脈を捉える 画像認識に特化している 単語の出現頻度を考慮する 双方向の文脈を捉える None 27. 順伝播型ネットワークにおいて、重みの初期化が不適切な場合、学習にどのような影響がありますか？ 学習が全く行われない モデルの学習速度が極端に遅くなるか、適切に収束しない モデルがすべてのデータを無視する モデルの重みが自動で調整される None 28. 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 29. Faster R-CNNにおいて、RPNで生成された候補領域（Region Proposals）の数が多すぎると、どのような影響が考えられますか？ 検出精度が向上するが、計算コストが増加する 検出精度が低下し、計算コストも増加する 候補領域が多いほど、精度は一定のままで計算速度が向上する 候補領域が増えると、NMSの効果がなくなる None 30. 機械学習における「過学習」とは何ですか？ 訓練データに対してモデルが過剰に適合し、新しいデータに対しては性能が低下する現象 モデルが十分に訓練されていない現象 データが不足している状態 訓練データとテストデータが同じ場合にのみ発生する現象 None 31. 次のうち、「Self-Attention Mechanism」が使用される目的として最も適切なものはどれですか？ 文全体の文脈を考慮し、各単語間の依存関係を効率的に捉えるため 文章を効率的に要約するため 単語の出現頻度を学習するため テキストデータを前処理するため None 32. 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 33. CNNにおいて、フィルタ（カーネル）の役割は何ですか？ 特徴マップの次元を減らす 入力画像から特徴を抽出する モデルの精度を低下させる データのノイズを増やす None 34. 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 35. ニューラルネットワークにおける「勾配消失問題」とは何ですか？ 訓練データが不足する現象 勾配が増大しすぎる現象 勾配が極端に小さくなり、重みが更新されなくなる現象 訓練データに対する誤差が無限大になる現象 None 36. a b c d None 37. ドロップアウト率が高すぎると、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 ニューロンが過度に活性化する モデルが十分に学習できなくなる モデルの汎化性能が向上する None 38. シャノンの定理に基づき、ある通信路の容量が C = 10 kbps、信号対雑音比 (SNR) が 30 dB であるとき、この通信路の帯域幅はおよそどれですか？ 500 Hz 1 kHz 2 kHz 5 kHz None 39. 物体検出における「IoU（Intersection over Union）」とは何を表しますか？ 学習率の調整 予測バウンディングボックスと正解バウンディングボックスの重なり度合い 畳み込み層のフィルタ数 物体の大きさを正規化する指標 None 40. 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 41. 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 42. 次のうち、U-Netの主な応用先として正しいものはどれですか？ 画像の分類 画像の拡大縮小 画像のセグメンテーション 画像の変換 None 43. 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 44. 画像認識タスクで最も一般的に使用される損失関数はどれですか？ 平均二乗誤差 クロスエントロピー誤差 ヒンジ損失 ハブ損失 None 45. CNNにおける「転置畳み込み層（Transposed Convolutional Layer）」の目的は何ですか？ データの次元を削減する ニューロンを無効化する 出力層での活性化をゼロにする 入力データを拡大し、元の空間解像度を再構成する None 46. 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 47. ドロップアウト（Dropout）の役割は何ですか？ 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 モデルの重みをランダムに変更する ニューロンをランダムに無効化することで、過学習を防ぐ 重みを初期化する None 48. 平均 μ=0、標準偏差 σ=1 の標準正規分布の範囲 [-2, 2] に含まれる確率は約何%ですか？ 68% 95% 99.7% 50% None 49. 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 50. 情報理論における「無記憶（メモリーレス）通信路」とは何ですか？ 通信路が過去の入力に依存しない通信路 データが記録されない通信路 情報を保存しない通信路 通信中にデータが消失する通信路 None 51. 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 52. 順伝播型ネットワークにおいて、勾配消失問題が深層学習の学習速度にどのような影響を与えるか、最も適切な説明はどれですか？ 勾配が消失すると、ネットワークの学習速度が劇的に遅くなる 勾配消失問題は学習速度には影響しない 勾配が消失すると、ネットワークの学習速度が高速になる 勾配が消失しても、学習速度にはわずかな影響しかない None 53. 決定木モデルにおいて、エントロピーが最も低い分割の重要性は何ですか？ データの分散を最大化するため 分割後の不確実性が最も低くなるため、より純粋なグループが得られる モデルの複雑さを減少させるため 決定木の深さを増やすため None 54. 物体検出において「バックボーンネットワーク」の役割として正しいものはどれですか？ 物体の分類を行う 画像から特徴を抽出する バウンディングボックスを生成する 出力層を設計する None 55. 「アダム（Adam）」最適化アルゴリズムにおけるバイアス補正の役割は何ですか？ 勾配の過大評価を防ぐため モデルの重みを固定するため 損失関数を補正するため 勾配の初期段階での過小評価を防ぎ、より正確な更新を行うため None 56. 「LSTM（Long Short-Term Memory）」がRNNに比べて優れている点は何ですか？ 計算速度が速い 単語の出現頻度を学習できる 長期的な依存関係をより効果的に学習できる テキストの分類を効率化する None 57. 機械学習における「教師あり学習」とは何ですか？ ラベル付きデータを使ってモデルを訓練する手法 ラベルなしデータを使ってモデルを訓練する手法 データを自動生成する手法 モデルを評価する手法 None 58. 「セマンティックセグメンテーション」とは何を指しますか？ 画像内の個別の物体を検出する 画像の各ピクセルにラベルを割り当て、物体の領域を予測する 画像の解像度を上げる 画像のノイズを除去する None 59. L2正則化（リッジ回帰）の主な目的は何ですか？ モデルの重みを増加させる モデルの重みを抑え、過学習を防ぐ 勾配を大きくする モデルの複雑さを減らすため None 60. セマンティックセグメンテーションにおいて、「ピクセルワイズソフトマックス（Pixel-wise Softmax）」が必要とされる理由は何ですか？ 画像全体に同一のラベルを割り当てるため モデルの出力を正規化するため デコーダー部分での計算コストを削減するため 各ピクセルごとにクラス確率を計算し、最も高いクラスを予測するため None 61. 「RNN（Recurrent Neural Network）」が自然言語処理においてよく使用される理由として正しいものはどれですか？ 単語の順序を無視する 計算コストが非常に低い シーケンスデータを処理でき、過去の情報を保持できる 単語の関係性を学習できない None 62. 順伝播型ネットワークにおいて、勾配降下法の「ミニバッチサイズ」を大きく設定した場合の利点はどれですか？ モデルが過学習しやすくなる データの分散が大きくなる 勾配の更新が安定しやすくなり、収束速度が向上する可能性がある 訓練データがランダムに変更される None 63. CNNにおいて「ReLU（Rectified Linear Unit）」が活性化関数として好まれる理由は何ですか？ 出力が常に0になるため 勾配の爆発を防ぐため 計算が簡単で、勾配消失問題を軽減できるため データを正規化するため None 64. 順伝播型ネットワークにおいて、出力層で使用されるソフトマックス関数が持つ主な利点は何ですか？ 2つのクラスのみを処理できる 出力を確率として解釈できるため、多クラス分類に適している 勾配爆発を防ぐ 重みの更新速度を遅くする None 65. 強化学習における「Q学習」の目的は何ですか？ データのラベルを予測すること 次元削減を行うこと モデルのバイアスを減らすこと すべての状態と行動の組み合わせに対して最適な価値を学習すること None 66. シャノンの通信理論における「通信路容量」とは何ですか？ 通信路で誤りなく伝送できる最大のデータ量 通信路で送信できる最大のエントロピー 通信路で使用できる最大の帯域幅 通信路の信号対雑音比 None 67. CNNにおける活性化関数として最もよく使用されるものはどれですか？ ReLU関数 シグモイド関数 ソフトマックス関数 タンジェントハイパボリック関数 None 68. 物体検出において、マルチスケール特徴マップを利用するモデルの利点として正しいものはどれですか？ 計算コストを削減できる データ拡張が不要になる モデルが深くなるため精度が低下する 小さな物体や大きな物体の両方を検出できる None 69. 畳み込みニューラルネットワーク（CNN）で一般的に使用されるプーリング層の目的は何ですか？ データの空間次元を削減し、モデルの計算量を抑えるため データの正規化を行うため 入力画像を拡大するため 重みを更新するため None 70. 自然言語処理における「ネガティブサンプリング」の目的として正しいものはどれですか？ モデルの計算速度を高速化するため 低頻度単語の重みを減少させるため 単語の埋め込みを計算する際、全単語を考慮せずに一部の単語だけを使用することで効率化するため ノイズの多いデータを除外するため None 71. バッチ正規化とL2正則化を組み合わせる理由として最も適切なものはどれですか？ モデルの出力を一定にするため モデルの複雑さを増加させるため 勾配爆発を防ぐため 過学習を抑えつつ、学習速度を向上させるため None 72. 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 73. 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 74. ドロップアウト率を0.5に設定した場合、訓練時の挙動として正しいのはどれですか？ 各訓練ステップで50%の重みがリセットされる ニューロンの出力が半減する 各訓練ステップでランダムに50%のニューロンが無効化される モデルの精度が常に向上する None 75. エントロピー H(X) の値が最大になるのはどのような場合ですか？ 確率分布が偏っている場合 確率分布が 0 に近い場合 確率分布が均一な場合 確率分布が無限大の場合 None 76. L2正則化（リッジ回帰）の目的は何ですか？ モデルのパラメータを増やすため モデルの複雑さを抑え、過学習を防ぐため 勾配の振動を抑えるため 学習速度を上げるため None 77. KNN（K-Nearest Neighbors）アルゴリズムにおいて、K の値を大きく設定すると何が起こりますか？ モデルのバイアスが大きくなり、過剰に単純化される可能性がある モデルがより過学習しやすくなる モデルの複雑さが増し、学習速度が低下する モデルの精度が常に向上する None 78. 自然言語処理において「Attention Mechanism」の役割は何ですか？ 単語の重要度を測定し、重要な単語に焦点を当てる 単語の出現頻度を学習する 文全体の長さを調整する 文章の要約を行う None 79. セマンティックセグメンテーションにおける「クラス不均衡」を解決するために使用される手法はどれですか？ 学習率の増加 データ拡張 クラス重み付け クロスバリデーション None 80. 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 81. 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 82. CNNにおける「転移学習」の利点は何ですか？ モデルの計算コストを削減できる 訓練済みモデルを利用することで、少ないデータでも高精度のモデルを得られる CNNのフィルタサイズを自動調整できる 重みの更新を省略できる None 83. 物体検出モデルにおいて「マルチスケール予測」とは何ですか？ 物体を異なるスケールで検出する手法 物体を異なる解像度で分類する手法 学習データを複数のスケールで処理する手法 モデルを異なる学習率で訓練する手法 None 84. 次のうち、「BPE（Byte Pair Encoding）」が自然言語処理で使用される理由として正しいものはどれですか？ テキストデータを圧縮するため 単語の出現頻度を学習するため テキストデータの前処理を自動化するため 未知の単語や希少な単語を処理するためのサブワード分割手法 None 85. 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 86. 正規分布 N(0, 1) の上で、z スコアが -1.96 から 1.96 の範囲に入る確率はおよそどれですか？ 0.68 0.99 0.50 0.95 None 87. 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 88. 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 89. 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 90. PCA（主成分分析）の主な目的は何ですか？ データの分類精度を高めること 高次元データを低次元に変換し、データの重要な情報を保持しつつ次元削減を行うこと データのクラスラベルを予測すること データのクラスタを見つけること None 91. ドロップアウトがリカレントニューラルネットワーク（RNN）に対して効果的な理由は何ですか？ 過学習を防ぎ、ネットワークが長期間の依存関係を捉えるのを助ける 重みの初期化を行うため 訓練データのサイズを増加させるため 勾配消失を完全に防ぐため None 92. CNNで「データ拡張（Data Augmentation）」を使用する目的は何ですか？ データセットを増やし、モデルの汎化性能を向上させる モデルの計算速度を向上させる モデルの学習率を自動で調整するため ニューロンの数を増やすため None 93. CNNにおける「パディング」の主な目的は何ですか？ 入力画像のサイズを増加させる 畳み込み演算後の出力サイズを保持するために入力データの周りをゼロで埋める 出力層での正規化を行う ニューロンの活性化を抑える None 94. 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 95. 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 96. 順伝播型ネットワークにおける「ミニバッチ学習」とは何ですか？ 全ての訓練データを一度にモデルに入力する手法 訓練データを少数のサブセットに分け、それぞれで学習を行う手法 訓練データをランダムに並べ替える手法 訓練データを正規化する手法 None 97. 正則化の導入により、どのようにしてモデルのバイアス-バリアンストレードオフが影響を受けますか？ 正則化によりバイアスが減少し、バリアンスが増加する 正則化によりバイアスが増加し、バリアンスが減少する バイアスとバリアンスの両方が増加する バイアスとバリアンスの両方が減少する None 98. ドロップアウトのドロップ率が低すぎると、モデルにどのような影響がありますか？ 過学習のリスクが増える モデルが学習しなくなる 学習率が増加する モデルが複雑すぎて収束しなくなる None 99. アダム（Adam）最適化アルゴリズムで使用される「1次モーメント推定」と「2次モーメント推定」の役割は何ですか？ 勾配の平均と分散を計算し、適応的な学習率を提供するため モデルの重みを初期化するため モデルの誤差を最小化するため ニューラルネットワークの層数を増やすため None 100. 確率の定義において、サンプルスペース（標本空間）とは何ですか？ 発生しうる全ての結果の集合 確率が0になる事象の集合 予想される結果の集合 可能な事象の一部を集めたもの None Time's up
