E資格～模擬試験～ 2024年10月31日2024年11月3日 ailearn 1. 次のうち、「Proximal Policy Optimization（PPO）」の特徴として最も適切なものはどれですか？ 方策の更新を制御し、過度な更新を防ぐ 経験再生を使用して効率的に学習する 確率的な行動選択を行わない データのバッチサイズを動的に変更する None 2. 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 3. VAEの潜在空間における「再パラメータ化トリック」の目的は何ですか？ データの次元を削減する モデルの学習速度を速める 勾配を計算可能にし、バックプロパゲーションを適用できるようにする モデルの精度を下げる 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. 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 6. 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 7. 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 8. 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 9. エッジコンピューティングと関連の深い技術として正しいものはどれですか？ バッチ処理システム クラウドファンディング リレーショナルデータベース IoT（Internet of Things） None 10. 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 11. 「正則化（Regularization）」の目的として正しいものはどれですか？ モデルのパラメータ数を増やす モデルの過学習を防ぐ 学習率を高める 勾配消失問題を解決する None 12. 「転移学習」の目的は何ですか？ ラベル付きデータを使って新しいモデルを訓練すること あるタスクで学習した知識を別のタスクに適用すること データの前処理を効率化すること モデルのパラメータを削減すること None 13. 強化学習の「オフポリシー学習」とは何ですか？ エージェントが同じ行動を繰り返す学習 エージェントがリアルタイムで行動を修正する学習 エージェントが現在の方策に従わずに学習すること エージェントが報酬の割引率を調整する学習 None 14. 次の中で、「Attention is All You Need」という論文が最初に導入した手法はどれですか？ Transformer Seq2Seq GRU CNN None 15. 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 16. 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 17. VAEが生成したデータがGANに比べてリアルさで劣る理由は何ですか？ GANは識別器を用いるため、VAEよりも高品質な生成が可能 VAEは再パラメータ化トリックを使用していないため GANはオートエンコーダを使用していないため VAEはデータの分類に特化しているため None 18. L1正則化（ラッソ回帰）の特徴として正しいものはどれですか？ モデルの重みがゼロになることがある 重みが減少するが、ゼロにはならない 勾配を一定に保つ モデルの精度を低下させる None 19. 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 20. 分散処理とは何を指しますか？ データを一元的に管理するシステム 複数の計算リソースにタスクを分配して処理を行う手法 一台のサーバーですべての計算を行う手法 クラウドでデータを保管する手法 None 21. 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 22. 半教師あり学習で使用される「擬似ラベル」の生成方法として正しいものはどれですか？ ラベルなしデータに対して既存のモデルが予測したラベルを用いる ラベル付きデータを使ってランダムにラベルを生成する ラベルなしデータをクラスタリングしてラベルを作成する ラベルなしデータを教師あり学習で学習する None 23. 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 24. ディープラーニング環境において、仮想環境「Docker」を用いる際に、GPUを使用するために必要なセットアップはどれですか？ Dockerコンテナ内でJupyter Notebookをインストールする Dockerコンテナを使ってPythonパッケージを管理する Dockerコンテナ内でNVIDIAのCUDAおよびnvidia-docker2プラグインをインストールする Dockerコンテナを使ってAnacondaをインストールする None 25. 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 26. 次のうち、Q学習とSarsaの主な違いとして正しいものはどれですか？ Q学習は方策を直接学習し、Sarsaは価値関数を学習する Q学習はオフポリシー、Sarsaはオンポリシーである Q学習は方策勾配法を使用し、Sarsaは使わない Q学習は報酬の割引率を持たず、Sarsaは持つ None 27. ニューラルネットワークの最適化で、重みの初期化方法として「He初期化」が特に有効な理由は何ですか？ ReLUなどの非線形活性化関数を使用する場合、勾配消失問題を防ぐため 学習率を調整しやすくするため バッチサイズを減少させるため 出力層の精度を向上させるため None 28. 物体検出アルゴリズムであるYOLOのバージョン3（YOLOv3）の主な改良点として正しいものはどれですか？ 1つの解像度でのみ予測を行う 異なるスケールで予測を行い、より小さな物体も検出できる 物体の位置情報のみを予測する RPNを使用して速度を改善した None 29. 「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 30. 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 31. 「Scaled Dot-Product Attention」において、スコアをスケーリングする理由は何ですか？ スコアが小さくなりすぎるのを防ぐため スコアが大きくなりすぎるのを防ぐため 勾配消失を防ぐため 計算コストを削減するため None 32. ディープQネットワーク（DQN）における「ターゲットネットワーク」の役割は何ですか？ 行動選択の速度を向上させるために使用される 報酬を増加させるために使用される 方策を変更するために使用される Q値の計算を安定化させるために使用される None 33. プーリング層の主な役割は何ですか？ パラメータの数を増やす 画像の解像度を高める 特徴マップの次元を縮小し、計算量を削減する 画像の色調を調整する None 34. 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 35. 「オンライン学習」とは何ですか？ 時間とともにデータを受け取り、その都度モデルを更新して学習する手法 一括してデータを学習し、最適なモデルを作成する手法 クラウドを利用してモデルを学習する手法 複数のモデルを同時に学習する手法 None 36. 「環境構築」とは何を指しますか？ ソフトウェアの実行に必要な開発・運用環境を整備する作業 プログラムのデバッグ作業 ネットワークの設定作業 ソフトウェアの保守とサポート業務 None 37. 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 38. 分散処理システムでの「レプリケーション」の目的は何ですか？ データの可用性と耐障害性を高めるために、データを複数の場所にコピーする データを削除してシステムの負荷を軽減する データを一箇所に集約して処理する データをクラウドに送信する None 39. 物体検出タスクにおける「NMS（Non-Maximum Suppression）」の目的は何ですか？ 学習率を最適化する 画像の解像度を上げる 重複するバウンディングボックスを削除し、最も信頼度の高いボックスを選択する データのノイズを除去する None 40. 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 41. 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 42. 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 43. 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 44. GAN（Generative Adversarial Network）の構成要素として正しいものはどれですか？ エンコーダとデコーダ 判別器と生成器 バッチ正規化とドロップアウト 畳み込み層とプーリング層 None 45. アクセラレータとして最も一般的に使用されるデバイスはどれですか？ GPU（Graphics Processing Unit） HDD（Hard Disk Drive） SSD（Solid State Drive） NIC（Network Interface Card） None 46. 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 47. リカレントニューラルネットワーク（RNN）における「Teacher Forcing」の目的は何ですか？ 学習を高速化するため 勾配消失問題を防ぐため モデルが過去の正しい出力に基づいて学習するようにするため 過学習を防ぐため None 48. 次のうち、ドロップアウトを適用する際に避けるべき層はどれですか？ 入力層 隠れ層 出力層 全結合層 None 49. RMSProp最適化アルゴリズムがアダグラードの改良版とされる理由は何ですか？ 累積された勾配が過度に蓄積されるのを防ぐため モデルの精度を常に向上させるため 学習率を一定に保つため 損失関数の形状に依存しないため None 50. ディープラーニング環境をクラウド上で効率的に運用するためのベストプラクティスはどれですか？ すべての計算をローカルマシンで行う GPUを搭載したインスタンスを使用し、必要に応じてスケールアウトする クラウド上でCPUのみを使用して計算する 固定されたインスタンスを使用し、スケールアウトは行わない None 51. モデルの汎化性能を向上させるために、L2正則化とドロップアウトを組み合わせる理由は何ですか？ モデルの複雑さを抑え、過学習を防ぐため モデルの学習速度を上げるため 重みを無作為に更新するため モデルの出力を正規化するため None 52. GANの訓練における問題点として最も一般的なものは何ですか？ 過学習 学習率の低下 バッチサイズの不足 モード崩壊 None 53. Transformerの各層において、正規化（Normalization）はどのような役割を果たしますか？ 計算コストを削減する 出力を安定化させ、学習を効率化する モデルの深さを減らす 残差接続を削除する None 54. 「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 55. 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 56. 符号化における「冗長性」とは何を意味しますか？ 情報を追加することでデータの信頼性を高めること 符号化したデータの長さを最小化すること 情報量が最小になるようにデータを圧縮すること 必要以上に多くのビットで符号化されている部分 None 57. 仮想環境「Vagrant」を使用する場合、主にどのようなシナリオで役立つか？ 一貫性のある仮想マシン環境を簡単に構築し、チーム間で共有する場合 クラウドでのデータベース運用を最適化する場合 GPUを利用して大規模な計算を行う場合 ウェブサイトをホスティングする場合 None 58. 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 59. a b c d None 60. 「説明可能AI（Explainable AI, XAI）」の主な目的は何ですか？ モデルがなぜ特定の予測を行ったのかを理解しやすくすること モデルの学習速度を向上させること モデルの訓練データ量を減らすこと モデルの予測精度を下げること None 61. 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 62. ディープラーニングの推論において、TPUがGPUに対して有利となる理由として最も適切なものはどれですか？ TPUはグラフィックス処理が得意であるため TPUはプログラミングが容易であるため TPUはディープラーニング専用のハードウェアとして設計されており、推論に特化して最適化されているため TPUは消費電力が高いため None 63. 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 64. バッチ正規化（Batch Normalization）が勾配消失問題に対して効果的な理由は何ですか？ ニューロンの出力を無効化するため モデルの重みをゼロにするため 各層の出力を正規化することで、勾配が消失しにくくなるため 学習率を動的に調整するため None 65. 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 66. ディープラーニングモデルを大規模データセットでトレーニングする際にクラウド環境を選択する利点として適切なものはどれですか？ 必要に応じて計算リソースをスケールアップ・スケールダウンできる ローカル環境での計算が常に速い インターネット接続が不要になる ストレージ容量を減らすことができる None 67. 「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 68. 「コントラスト学習（Contrastive Learning）」の目的は何ですか？ データの類似度を最大化し、異なるデータ間の距離を広げる 報酬を最大化するようにエージェントに行動を学習させる ラベル付きデータから分類器を訓練する 複数のモデルを比較して最適なモデルを選択する None 69. RNNのバックプロパゲーションでは、勾配がどのように計算されますか？ 順方向に伝播しながら計算 全タイムステップにわたって逆伝播し、誤差を計算 各タイムステップごとに個別に計算 勾配を記憶し、タイムステップごとに加算 None 70. 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 71. 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 72. 次のうち、エッジコンピューティングが適用される例として最も適切なものはどれですか？ センサーが集めたデータをリアルタイムで処理するIoTシステム 大規模なデータセンターでのバックアップ処理 個人のパソコンでのデータ保存 クラウド上でのデータ分析 None 73. GPUとFPGAのハイブリッドシステムを導入することで期待できる効果として最も適切なものはどれですか？ 両方の利点を活かし、高速な並列計算とタスクごとの最適化が可能になる 消費電力を大幅に削減できる ストレージ容量が増える ネットワーク速度が向上する None 74. 生成モデルとは何を行うモデルですか？ データの分類を行うモデル データの生成を行うモデル データの回帰を行うモデル データの削減を行うモデル None 75. リカレントニューラルネットワーク（RNN）の順伝播において、各タイムステップで計算される出力は何に基づいていますか？ 前のタイムステップの入力のみ 現在のタイムステップの入力のみ 現在のタイムステップの入力と前のタイムステップの出力 全タイムステップの入力 None 76. 「フェアネス」の確保が特に重要な領域はどれですか？ 医療、金融、司法などの分野 画像分類タスク 音声認識システム ゲームAI None 77. 「可視化に基づく説明性」を高めるために、畳み込みニューラルネットワークで使われる技術はどれですか？ パラメータチューニング フィルター可視化 バッチ正規化 データ拡張 None 78. 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 79. 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 80. 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 81. 順伝播型ネットワークにおける活性化関数「シグモイド関数」が深層学習であまり使われない理由は何ですか？ 勾配消失問題を引き起こしやすいため 勾配爆発を引き起こすため 計算コストが高いため 非線形性が低いため None 82. 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 83. 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 84. 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 85. CycleGANの主な用途として最も適切なものはどれですか？ 異なるドメイン間の画像変換 画像の分類 データの圧縮 文章生成 None 86. 2つの独立した確率変数 X と Y の期待値 E(X) = 3, E(Y) = 5 のとき、X + Y の期待値はどれですか？ 15 3 8 5 None 87. 「説明可能な強化学習」で利用されることの多いアプローチはどれですか？ 深層強化学習の全体的な挙動を評価する手法 データをランダムに選んでモデルを評価する手法 状態価値や行動価値を明示的に説明する手法 パラメータチューニングを用いる手法 None 88. 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 89. 「分散トランザクション処理」における「二相コミットプロトコル（2PC）」の目的は何ですか？ データの転送速度を向上させる データを圧縮するためのプロトコル ノード間でデータを共有するプロトコル 分散システムにおけるデータの一貫性を確保する None 90. CNNにおける「ReLU関数」が学習効率を高める理由はどれですか？ 出力をゼロに制限するため データを正規化するため 重みをゼロにするため 非線形性を導入し、勾配消失を防ぐため None 91. 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 92. 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 93. ディープラーニングのフレームワーク「TensorFlow」を使用する際に重要なソフトウェアライブラリはどれですか？ Flask React CUDA Django None 94. 以下のうち、L1正則化の特徴はどれですか？ 大きなパラメータにペナルティを与える モデルのトレーニング速度を向上させる モデルの精度を下げる パラメータをゼロにすることでスパース性を促進する 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. 「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 97. 分散処理システムで使われる「マスター・スレーブアーキテクチャ」とは何ですか？ すべてのノードが同等にタスクを分担するアーキテクチャ 各ノードが独立して動作するアーキテクチャ タスクを一台のサーバーで処理するアーキテクチャ マスターがタスクを管理し、スレーブが処理を実行するアーキテクチャ None 98. 次の中で、GRUとLSTMの主な違いとして正しいものはどれですか？ GRUはLSTMに比べてゲートの数が多い GRUは計算コストがLSTMよりも高い GRUは勾配消失問題に弱い GRUは出力ゲートを持たない None 99. 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 100. 深層強化学習において、次元削減技術が導入される理由として正しいものはどれですか？ 状態空間が高次元である場合、効率的に学習するため 行動空間が不確実な場合、行動選択を高速化するため 方策の更新頻度を増加させるため 報酬をより多く得るため None Time's up
