E資格～模擬試験①～ 2024年12月7日2024年12月7日 ailearn 1. 自然言語処理において、テキストデータの前処理として一般的に行われる「トークン化」とは何を指しますか？ テキストをエンコードする テキストを単語や文に分割する テキストを辞書に変換する テキストを圧縮する None 2. BERTを使用した質問応答タスクにおいて、モデルが行う最も基本的な処理は次のうちどれですか？ 質問と回答の文脈を無視して直接予測する 回答文の出現頻度を基に最適な単語を選ぶ 質問と回答の文章をエンコードし、最適な回答位置を予測する 質問文を翻訳して回答する None 3. 画像認識における「転移学習」の利点として正しいものはどれですか？ 学習をゼロから行う モデルの構造を変更する 学習率を高める 少ないデータでも高い精度を実現できる None 4. 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 5. 次のうち、ResNetにおいて使用されていない要素はどれですか？ 残差ブロック スキップ接続 ドロップアウト バッチ正規化 None 6. ニューラルネットワークの訓練において、「重みの初期化」が重要な理由は何ですか？ 適切な初期化を行わないと、勾配消失問題や勾配爆発が発生しやすくなるため 重みがランダムでないとモデルが過学習するため 重みの初期化が適切でないと、学習率が収束しないため 重みを初期化しないと、モデルの計算ができないため None 7. 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 8. 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 9. 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 10. 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 11. ある情報源が4つの異なる事象 {A, B, C, D} を等確率で生成する場合、この情報源のエントロピーはどれですか？ 1ビット 2ビット 4ビット 8ビット None 12. 「ImageNet」の役割として正しいものはどれですか？ 画像の生成 画像のノイズ除去 画像の圧縮 大規模な画像認識データセットと、事前学習済みモデルの基盤を提供する None 13. 機械学習において、交差検証を行う主な理由は何ですか？ 訓練データの誤差を最小化するため テストデータをより有効に使うため モデルの過学習を防ぐため モデルのハイパーパラメータを最適化するため None 14. 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 15. 物体検出において、1枚の画像に複数の物体を検出する手法として、最もよく使われる手法はどれですか？ YOLO CNN LSTM RNN None 16. 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 17. 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 18. 自然言語処理において「ELMo（Embeddings from Language Models）」の最大の特徴は何ですか？ 単方向の文脈を考慮する 双方向の文脈を考慮し、動的な単語埋め込みを生成する 単語の出現頻度に基づいてベクトルを生成する 計算コストが非常に低い None 19. 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 20. 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 21. ドロップアウトを使用する主な理由はどれですか？ 学習速度を上げるため モデルのパラメータ数を増やすため モデルの汎化性能を向上させるため モデルの誤差を最小化するため None 22. 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 23. 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 24. 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 25. 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 26. 順伝播型ネットワークで使用される活性化関数の役割は何ですか？ 重みを更新するため 非線形性を導入し、モデルに複雑なパターンを学習させるため モデルの重みを初期化するため 入力データを正規化するため None 27. 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 28. 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 29. CNNにおいて、畳み込み層とプーリング層の組み合わせはどのような効果をもたらしますか？ データの次元を削減し、重要な特徴を抽出する モデルの精度を低下させる モデルの計算速度を遅くする モデルの重みを無作為に変更する None 30. 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 31. 物体検出において、「多段階検出モデル」とは何を指しますか？ 画像を複数の段階で処理し、各段階で異なる特徴を学習するモデル モデルの層を追加し、複数の物体を検出するモデル データセットを分割して学習するモデル 異なる解像度の画像を同時に学習するモデル None 32. 「畳み込みカーネル（フィルタ）」が複数の層で共有される場合の利点は何ですか？ モデルのパラメータ数が減少し、効率が向上する モデルが過学習しやすくなる 畳み込み演算が高速化される モデルの複雑さが増す None 33. 「バッチ正規化」の主な目的は何ですか？ データのスケールを均一にすることで、学習を安定させる 重みの初期化を行うため データを無作為に抽出するため モデルの複雑さを増加させるため None 34. 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 35. 「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 36. 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 37. 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 38. 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 39. 「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 40. 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 41. 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 42. a b c d None 43. 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 44. セマンティックセグメンテーションで、アトリウムネットワーク（Atrous Convolution）が使用される理由として最も適切なものはどれですか？ 高解像度の特徴を維持しながら、広い受容野を確保するため 計算コストを削減するため 全結合層を減らすため モデルのサイズを縮小するため None 45. 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 46. 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 47. 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 48. 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 49. 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 50. ミニバッチ勾配降下法（Mini-batch Gradient Descent）はどのような手法ですか？ 訓練データ全体を使用して一度に学習する手法 データセット全体を小さなバッチに分割し、それぞれで勾配を計算して学習する手法 データを1つずつ順番に使って学習する手法 勾配を無視して重みを更新する手法 None 51. 「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 52. a b c d None 53. 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 54. 「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 55. ニューラルネットワークの学習において、バッチ正規化が勾配消失問題を軽減する理由は何ですか？ 重みの初期化を改善するため 学習率を動的に調整するため 各層の出力を正規化し、勾配が適切に伝播するため 出力層の活性化関数を変更するため None 56. 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 57. 「Fine-Tuning（ファインチューニング）」の効果として最も適切なものはどれですか？ モデル全体をゼロから再学習する 事前学習済みモデルを新しいタスクに適応させる 学習データを増加させる モデルのサイズを削減する None 58. 情報理論において、雑音が多い通信路でエラーを減らすための典型的な方法はどれですか？ 符号化の冗長性を減らす データを削除する 符号を短くする より多くの冗長性を追加する None 59. 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 60. 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 61. a b c d None 62. CNNの「パディング」が重要な理由は何ですか？ 畳み込み演算後の出力サイズを調整し、特徴の損失を防ぐため フィルタサイズを変更するため モデルの重みを自動更新するため データを無作為に削除するため None 63. 自然言語処理において「シーケンス・トゥ・シーケンス（Seq2Seq）」モデルがよく使用されるタスクはどれですか？ 画像認識 音声認識 自動翻訳 データ前処理 None 64. 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 65. 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 66. 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 67. セマンティックセグメンテーションにおいて、Encoder-Decoderアーキテクチャの利点として正しいものはどれですか？ 学習データを減らすことができる 予測速度を上げることができる 複雑なオブジェクトのセグメンテーションに有効である モデルの精度を犠牲にする None 68. 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 69. 勾配降下法（Gradient Descent）における主な目的は何ですか？ モデルの学習速度を上げる 損失関数の値を最小化するために重みを更新する モデルの複雑さを減らす データの分布を正規化する None 70. 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 71. CNNにおける「ストライド」とは何ですか？ プーリング層でのデータ抽出範囲 重みの更新方法 フィルタが畳み込む際の移動距離 活性化関数の種類 None 72. 次のうち、畳み込み層のフィルタ数を増やすと、どのような影響があるか？ 計算コストが減少する モデルがより複雑になり、抽出される特徴の数が増える モデルが単純化され、汎化性能が向上する モデルのトレーニング時間が短縮される None 73. 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 74. 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 75. 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 76. 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 77. a b c d 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. 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 80. 次のうち、BERTのトレーニングに使用される主なタスクはどれですか？ 画像分類 マスクされた単語の予測（Masked Language Model, MLM） 文章の圧縮 音声認識 None 81. 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 82. セマンティックセグメンテーションにおいて、バウンダリーピクセルの誤りを最小化するために効果的な手法はどれですか？ データ拡張 スキップ接続 CRFによる後処理 ドロップアウト None 83. アダム（Adam）の利点として正しいものはどれですか？ すべての学習問題で最高のパフォーマンスを発揮する 学習率を手動で調整する必要がない 勾配の過去の値に基づいて学習率を自動調整し、効率的に学習する どのような損失関数にも適用できる None 84. 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 85. ニューラルネットワークの学習において、「重みの初期化」が適切でないと、どのような現象が発生する可能性が最も高いですか？ 学習速度が非常に速くなる 勾配消失や勾配爆発が発生し、モデルの学習が進まなくなる モデルが常に最適解に収束する 学習が停止してしまう None 86. 条件付き確率 P(A | B) の定義はどれですか？ P(A) × P(B) P(A) / P(B) P(A ∩ B) / P(B) P(A) - P(B) None 87. 順伝播型ネットワークにおける「エポック」とは何ですか？ モデルの性能を評価するためのテストデータ 訓練データ全体を1度モデルに与えて学習するプロセス 重みを初期化するプロセス モデルのパラメータをチューニングするプロセス None 88. セマンティックセグメンテーションにおける「ダウンサンプリング」とは何ですか？ 画像の解像度を高めること 画像の次元を増加させること 画像をスケールアップすること 画像の特徴を圧縮し、情報を要約すること None 89. 情報圧縮におけるハフマン符号の役割は何ですか？ データのエントロピーを減らす データを効率的に符号化するために最適な可変長符号を生成する データを復元する データをランダムに並べ替える None 90. 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 91. 順伝播型ニューラルネットワークで、ドロップアウト率を適切に設定する理由は何ですか？ 過学習を防ぎつつ、モデルの精度を維持するため 勾配の爆発を防ぐため モデルの複雑さを減少させるため モデルの精度を向上させるため None 92. 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 93. 畳み込み層（Convolutional Layer）の主な役割は何ですか？ データの次元を削減する 入力画像から特徴を抽出する データを正規化する 全てのニューロンをランダムに無効化する None 94. 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 95. 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 96. 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 97. 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 98. 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 99. 順伝播型ネットワークにおける「勾配クリッピング」の主な目的は何ですか？ 勾配消失を防ぐため モデルの重みを初期化するため 勾配爆発を防ぎ、学習を安定させるため 学習率を自動調整するため None 100. 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 Time's up
