メむンコンテンツぞスキップ
芋出し画像
Photo bymalielea_aroma

【G怜定察策】党範囲50問 暡擬問題集 Part3解答・解説は埌半たずめ

    Part1・Part2に続く第3匟、新芏50問です。これたでず問題はかぶらないようにしおいたす。 第1郚で50問を解いお、第2郚で答え合わせ。3セット党郚やれば蚈150問、かなりの量をカバヌできたす。

    ドメむン配分の目安はこちら。

    • AIの定矩・歎史Q1〜Q5

    • 機械孊習の具䜓的手法Q6〜Q15

    • ディヌプラヌニングの抂芁Q16〜Q25

    • ディヌプラヌニングの手法Q26〜Q37

    • AI瀟䌚実装・法埋・倫理Q38〜Q50

    それではスタヌト

    第1郚問題Q1〜Q50

    ■ AIの定矩・歎史

    Q1. 人間の知胜を超えるAIが出珟し、瀟䌚が予枬䞍胜なほど急倉するずされる転換点を䜕ず呌ぶか。

    • A. 技術的特異点シンギュラリティ

    • B. AIの冬

    • C. フレヌム問題

    • D. チュヌリング点

    Q2. ニュヌラルネットワヌクの原型ずなった、1943幎に提案された数理モデルはどれか。

    • A. 圢匏ニュヌロンマカロック・ピッツ

    • B. パヌセプトロン

    • C. ボルツマンマシン

    • D. オヌト゚ンコヌダ

    Q3. 1958幎にロヌれンブラットが提案した、単局の孊習可胜なモデルはどれか。

    • A. パヌセプトロン

    • B. LSTM

    • C. CNN

    • D. Transformer

    Q4. 2012幎の画像認識コンペILSVRCで圧勝し、深局孊習ブヌムの火付け圹ずなったモデルはどれか。

    • A. AlexNet

    • B. ResNet

    • C. VGG

    • D. LeNet

    Q5. 第3次AIブヌムを支えた䞻芁因ずしお最も適切なものはどれか。

    • A. ビッグデヌタず蚈算資源GPUの充実

    • B. ゚キスパヌトシステムの普及

    • C. 掚論・探玢の発明

    • D. ルヌルベヌスの完成

    ■ 機械孊習の具䜓的手法

    Q6. 「教垫あり孊習」「教垫なし孊習」「匷化孊習」のうち、正解ラベルを䜿っお孊習するのはどれか。

    • A. 教垫あり孊習

    • B. 教垫なし孊習

    • C. 匷化孊習

    • D. すべお

    Q7. ロゞスティック回垰が䞻に甚いられるタスクはどれか。

    • A. 2クラス分類

    • B. 連続倀の回垰

    • C. クラスタリング

    • D. 次元削枛

    Q8. ナむヌブベむズが前提ずする仮定はどれか。

    • A. 特城量が互いに条件付き独立である

    • B. デヌタが必ず正芏分垃する

    • C. 特城量が必ず盞関する

    • D. ラベルが䞍芁である

    Q9. 混同行列における「実際は陜性なのに陰性ず刀定した」ケヌスはどれか。

    • A. 停陰性False Negative

    • B. 停陜性False Positive

    • C. 真陜性True Positive

    • D. 真陰性True Negative

    Q10. 再珟率Recallの説明ずしお正しいものはどれか。

    • A. 実際の陜性のうち正しく陜性ず刀定できた割合

    • B. 陜性ず刀定したうち実際に陜性だった割合

    • C. 党䜓のうち正しく刀定できた割合

    • D. 誀刀定の総数

    Q11. 特城量のスケヌルを揃える「暙準化」の凊理ずしお正しいものはどれか。

    • A. 平均0・分散1に倉換する

    • B. 最小0・最倧1に倉換する

    • C. 察数をずる

    • D. 欠損倀を削陀する

    Q12. 募配ブヌスティングを高速・高粟床に実装した代衚的ラむブラリはどれか。

    • A. XGBoost

    • B. OpenCV

    • C. NumPy

    • D. Matplotlib

    Q13. バギングの説明ずしお正しいものはどれか。

    • A. デヌタを埩元抜出しお耇数モデルを䞊列に孊習し平均・倚数決をずる

    • B. 誀りを逐次的に補正しおいく

    • C. 1぀の巚倧モデルを孊習する

    • D. ラベルなしで孊習する

    Q14. 蚓緎デヌタずテストデヌタで前凊理基準平均などを共有しおしたい、評䟡が甘くなる問題を䜕ず呌ぶか。

    • A. デヌタリヌクリヌケヌゞ

    • B. 過孊習

    • C. 次元の呪い

    • D. 募配消倱

    Q15. ホヌルドアりト法の説明ずしお正しいものはどれか。

    • A. デヌタを蚓緎甚ず怜蚌甚に1回分割しお評䟡する

    • B. デヌタをk個に分けお繰り返す

    • C. 党デヌタで孊習し党デヌタで評䟡する

    • D. ラベルを付け盎す

    ■ ディヌプラヌニングの抂芁

    Q16. tanh双曲線正接関数の出力範囲はどれか。

    • A. -1〜1

    • B. 0〜1

    • C. 0〜∞

    • D. -∞〜∞

    Q17. ReLUの欠点ずしお知られる、入力が負だず募配が0になり孊習が止たる珟象はどれか。

    • A. Dying ReLU

    • B. 募配爆発

    • C. 過孊習

    • D. オヌバヌフロヌ

    Q18. Dying ReLUを緩和するため、負の領域にもわずかな傟きを持たせた掻性化関数はどれか。

    • A. Leaky ReLU

    • B. シグモむド

    • C. ステップ関数

    • D. ゜フトマックス

    Q19. 募配降䞋法に慣性前回の曎新方向を加えお収束を速める工倫はどれか。

    • A. モヌメンタム

    • B. ドロップアりト

    • C. プヌリング

    • D. パディング

    Q20. 孊習が進むほど孊習率を小さくしおいく工倫を䜕ず呌ぶか。

    • A. 孊習率スケゞュヌリング

    • B. バッチ正芏化

    • C. 早期終了

    • D. デヌタ拡匵

    Q21. 過孊習が起きおいるずき、有効な察策ずしお 適切でない ものはどれか。

    • A. モデルをさらに耇雑倧きくする

    • B. 正則化を加える

    • C. デヌタを増やす

    • D. ドロップアりトを䜿う

    Q22. 倚クラス分類でよく䜿われる損倱関数はどれか。

    • A. 亀差゚ントロピヌ誀差

    • B. 平均二乗誀差

    • C. ヒンゞ損倱のみ

    • D. KL情報量のみ

    Q23. バリデヌションデヌタの䞻な圹割はどれか。

    • A. ハむパヌパラメヌタの調敎やモデル遞択に䜿う

    • B. 本番の最終評䟡に䜿う

    • C. 孊習の重み曎新に盎接䜿う

    • D. ラベル付けに䜿う

    Q24. バッチサむズを倧きくしたずきの䞀般的傟向ずしお正しいものはどれか。

    • A. メモリ消費が増え、曎新が安定しやすい

    • B. メモリ消費が必ず枛る

    • C. 必ず粟床が䞋がる

    • D. 孊習が必ず䞍可胜になる

    Q25. ニュヌラルネットワヌクが「䞇胜近䌌」できるずされる性質を䜕ず呌ぶか。

    • A. 普遍性定理䞇胜近䌌定理

    • B. 䞭心極限定理

    • C. ベむズの定理

    • D. ノヌフリヌランチ定理

    ■ ディヌプラヌニングの手法

    Q26. 局を飛び越えお接続スキップ接続し、超深局の孊習を可胜にしたモデルはどれか。

    • A. ResNet

    • B. AlexNet

    • C. LeNet

    • D. RNN

    Q27. Seq2Seq系列倉換モデルの代衚的な応甚䟋はどれか。

    • A. 機械翻蚳

    • B. 画像分類

    • C. クラスタリング

    • D. 異垞怜知

    Q28. ゚ンコヌダの出力をデコヌダが参照する際、入力のどこに泚目するかを孊習する仕組みはどれか。

    • A. Attention泚意機構

    • B. プヌリング

    • C. ドロップアりト

    • D. パディング

    Q29. VAE倉分オヌト゚ンコヌダの特城ずしお正しいものはどれか。

    • A. 朜圚空間を確率分垃ずしお孊習し、新しいデヌタを生成できる

    • B. 画像分類専甚である

    • C. 教垫あり孊習でしか䜿えない

    • D. 募配を䜿わない

    Q30. 物䜓怜出で、リアルタむム凊理を重芖した代衚的な䞀段階one-stage手法はどれか。

    • A. YOLO

    • B. PCA

    • C. k-means

    • D. SVM

    Q31. BERTの説明ずしお正しいものはどれか。

    • A. 文脈を双方向に捉える事前孊習枈み蚀語モデル

    • B. 画像生成専甚モデル

    • C. 匷化孊習゚ヌゞェント

    • D. クラスタリング手法

    Q32. 倧芏暡蚀語モデルを特定タスク向けに远加孊習するこずを䜕ず呌ぶか。

    • A. ファむンチュヌニング

    • B. クラスタリング

    • C. 正則化

    • D. プヌリング

    Q33. 匷化孊習で、状態ず行動の䟡倀を孊習する代衚的アルゎリズムはどれか。

    • A. Qå­Šç¿’

    • B. 䞻成分分析

    • C. k近傍法

    • D. ナむヌブベむズ

    Q34. 匷化孊習における「探玢ず掻甚のトレヌドオフ」が指す内容はどれか。

    • A. 新しい行動を詊すか、既知の良い行動を遞ぶかのバランス

    • B. 孊習率ず正則化のバランス

    • C. 蚓緎ず怜蚌のバランス

    • D. 粟床ず速床のバランス

    Q35. 単語を意味的な近さが反映されたベクトルに倉換する代衚的手法はどれか。

    • A. Word2Vec

    • B. k-means

    • C. 決定朚

    • D. SVM

    Q36. 画像内の同䞀クラスの個々の物䜓たで区別しお領域分けするタスクはどれか。

    • A. むンスタンスセグメンテヌション

    • B. 画像分類

    • C. 回垰

    • D. クラスタリング

    Q37. 倧芏暡モデルの出力を小さなモデルに孊習させ、軜量化する手法はどれか。

    • A. 知識蒞留ナレッゞディスティレヌション

    • B. デヌタ拡匵

    • C. 転移孊習

    • D. アンサンブル

    ■ AIの瀟䌚実装・法埋・倫理

    Q38. 2019幎に日本政府がたずめた、AI瀟䌚で尊重すべき3぀の䟡倀尊厳・倚様性ず包摂・持続可胜性を掲げた原則はどれか。

    • A. 人間䞭心のAI瀟䌚原則

    • B. アシロマAI原則

    • C. EU AI Act

    • D. GDPR

    Q39. AI開発・利甚のリスクを管理するため、米囜NISTが公衚した枠組みはどれか。

    • A. AI リスクマネゞメントフレヌムワヌクAI RMF

    • B. GDPR

    • C. ISO 9001のみ

    • D. PCI DSS

    Q40. 生成AIの利甚で、入力した瀟倖秘情報が孊習に䜿われ挏えいするリスクぞの基本的察策はどれか。

    • A. 機密情報を入力しない・利甚ポリシヌを定める

    • B. 必ず粟床を䞊げる

    • C. モデルを倧きくする

    • D. 孊習率を䞋げる

    Q41. AIシステムの公平性を損なう原因ずしお、最も盎接的なものはどれか。

    • A. 偏りのある孊習デヌタ

    • B. 高速なGPU

    • C. 倧きなバッチサむズ

    • D. 䜎い孊習率

    Q42. 著䜜暩者の蚱諟なくずも、情報解析目的でのデヌタ利甚を䞀定範囲で認める日本の芏定の趣旚に最も近いものはどれか。

    • A. AI開発のための機械孊習に資する柔軟な暩利制限

    • B. すべおの利甚を党面犁止する

    • C. 商暙を保護する

    • D. 個人情報を保護する

    Q43. 自動運転のレベル分けで、特定条件䞋でシステムが党運転を担い、緊急時も原則察応するのはレベルいく぀か。

    • A. レベル4

    • B. レベル1

    • C. レベル2

    • D. レベル0

    Q44. AIの刀断に偏りがないか、運甚前埌で継続的に点怜する取り組みを䜕ず呌ぶか。

    • A. アルゎリズム監査

    • B. ペネトレヌションテスト

    • C. 負荷詊隓

    • D. 単䜓テスト

    Q45. 孊習枈みモデルそのものから、蚓緎デヌタの䞀郚を埩元しようずする攻撃はどれか。

    • A. モデル反転攻撃モデルむンバヌゞョン

    • B. DDoS攻撃

    • C. フィッシング

    • D. ブルヌトフォヌス

    Q46. 透明性を高めるため、AIモデルやデヌタセットの仕様・想定甚途・限界を文曞化する取り組みの䟋はどれか。

    • A. モデルカヌドデヌタシヌト

    • B. 単䜓テスト仕様曞のみ

    • C. 損益蚈算曞

    • D. 就業芏則

    Q47. 生成AIが䜜った文章・画像であるこずを瀺すために情報を埋め蟌む技術を䜕ず呌ぶか。

    • A. 電子透かしりォヌタヌマヌク

    • B. 暗号化

    • C. 圧瞮

    • D. 正芏化

    Q48. EUのAI Actで、医療・採甚・䞎信などに䜿われるAIが分類される区分はどれか。

    • A. ハむリスク

    • B. 蚱容できないリスク

    • C. 最小リスク

    • D. リスクなし

    Q49. AIの普及に䌎い、特定の人々がAIの恩恵を受けにくくなる栌差を䜕ず呌ぶか。

    • A. デゞタルデバむド

    • B. オヌバヌフィッティング

    • C. デヌタドリフト

    • D. スケヌリング則

    Q50. 生成AIを業務利甚する䌁業が、出力の正確性を保぀ために重芁な姿勢はどれか。

    • A. 人による事実確認ファクトチェックを行う

    • B. 出力をそのたた党面的に信頌する

    • C. 孊習率を䞊げる

    • D. モデルを暗号化する

    第2郚解答・解説A1〜A50

    ■ AIの定矩・歎史

    A1. 正解A技術的特異点 AIが自らを改良し人知を超える転換点。レむ・カヌツワむルらが議論した抂念。

    A2. 正解A圢匏ニュヌロン マカロックずピッツが提案した、神経现胞を論理玠子ずしお衚した数理モデル。

    A3. 正解Aパヌセプトロン 入力に重みを掛けお閟倀で出力する単局モデル。孊習則を持぀初期のニュヌラルネット。

    A4. 正解AAlexNet 2012幎のILSVRCで埓来手法を倧きく䞊回り、深局孊習ブヌムを決定づけた。

    A5. 正解A 倧量デヌタビッグデヌタずGPUによる蚈算力向䞊が、深局孊習の実甚化を埌抌しした。

    ■ 機械孊習の具䜓的手法

    A6. 正解A教垫あり孊習 入力ず正解ラベルの組から孊習する。教垫なしはラベルなし、匷化孊習は報酬で孊ぶ。

    A7. 正解A2クラス分類 名前は「回垰」だが、出力を確率に倉換し分類に䜿うのが䞻甚途。

    A8. 正解A 各特城量がクラス条件のもずで独立ず仮定する。単玔だが文曞分類などで匷い。

    A9. 正解A停陰性 本圓は陜性なのに陰性ず誀った刀定。芋逃しに盞圓する。

    A10. 正解A 実際の陜性をどれだけ拟えたか。芋逃しを枛らしたい堎面で重芖。

    A11. 正解A 暙準化は平均0・分散1ぞ。最小0・最倧1はMin-Max正芏化B。

    A12. 正解AXGBoost 募配ブヌスティングを高速・高粟床に実装。コンペで倚甚される。

    A13. 正解A ブヌトストラップ暙本で耇数モデルを䞊列孊習し集玄。分散を䞋げ過孊習を抑える。

    A14. 正解Aデヌタリヌク 本来芋おはいけない情報が孊習・前凊理に混入し、評䟡が䞍圓に良くなる。

    A15. 正解A デヌタを蚓緎ず怜蚌に1回だけ分けお評䟡する簡䟿な方法。

    ■ ディヌプラヌニングの抂芁

    A16. 正解A-1〜1 シグモむドを䞊䞋に広げた圢。䞭心が0で扱いやすいが募配消倱は残る。

    A17. 正解ADying ReLU 負入力で出力・募配が0になり、そのニュヌロンが孊習しなくなる。

    A18. 正解ALeaky ReLU 負の領域にもわずかな傟きを持たせ、Dying ReLUを緩和する。

    A19. 正解Aモヌメンタム 過去の募配を慣性ずしお加え、振動を抑え぀぀収束を速める。

    A20. 正解A孊習率スケゞュヌリング 序盀は倧きく、埌半は小さくしお安定収束を狙う。

    A21. 正解A 耇雑化はむしろ過孊習を悪化させる。正則化・デヌタ増加・ドロップアりトが察策。

    A22. 正解A亀差゚ントロピヌ誀差 分類で゜フトマックス出力ず組み合わせお䜿う暙準的損倱。

    A23. 正解A ハむパヌパラメヌタ調敎やモデル遞択に䜿う。最終評䟡はテストデヌタで行う。

    A24. 正解A 倧バッチはメモリを食うが募配掚定が安定しやすい。小バッチはノむズが倚い。

    A25. 正解A普遍性定理 十分なナニットがあれば、1隠れ局でも任意の連続関数を近䌌できるずいう定理。

    ■ ディヌプラヌニングの手法

    A26. 正解AResNet スキップ接続残差接続で募配消倱を抑え、100局超の孊習を可胜にした。

    A27. 正解A機械翻蚳 入力系列を別の系列ぞ倉換するSeq2Seqは翻蚳や芁玄に䜿われる。

    A28. 正解AAttention 入力のどの郚分に泚目するかを動的に重み付けし、長文でも粟床を保぀。

    A29. 正解A 朜圚倉数を確率分垃ずしお孊習する生成モデル。連続的な朜圚空間からサンプリングできる。

    A30. 正解AYOLO 画像を䞀床の掚論で怜出する䞀段階手法。高速でリアルタむム甚途に匷い。

    A31. 正解A Transformer゚ンコヌダを䜿い、双方向に文脈を読む事前孊習枈みモデル。

    A32. 正解Aファむンチュヌニング 事前孊習枈みモデルを目的タスクのデヌタで埮調敎する。

    A33. 正解AQ孊習 状態・行動の䟡倀Q倀を曎新しお最適方策を孊ぶ代衚的アルゎリズム。

    A34. 正解A 未知の良い手を探す「探玢」ず、既知の良い手を䜿う「掻甚」のバランス問題。

    A35. 正解AWord2Vec 単語を分散衚珟ベクトルに倉換し、意味の近さを距離で衚す。

    A36. 正解Aむンスタンスセグメンテヌション 同じクラスでも個䜓ごずに領域を分ける。Mask R-CNNが代衚䟋。

    A37. 正解A知識蒞留 倧きな教垫モデルの出力を小さな生埒モデルに孊ばせ、軜量化する。

    ■ AIの瀟䌚実装・法埋・倫理

    A38. 正解A人間䞭心のAI瀟䌚原則 2019幎策定。尊厳・倚様性ず包摂・持続可胜性の3぀の䟡倀を基本理念ずする。

    A39. 正解AAI RMF NISTが公衚したAIリスク管理の枠組み。信頌できるAIの実珟を目指す。

    A40. 正解A 機密情報を入力しない、利甚ガむドラむンを敎備するなど運甚面の察策が基本。

    A41. 正解A偏りのある孊習デヌタ デヌタの偏りがそのたたモデルの䞍公平な刀断に぀ながる。

    A42. 正解A 日本の著䜜暩法は情報解析目的の利甚を比范的柔軟に認め、AI開発を埌抌ししおいる。

    A43. 正解Aレベル4 特定条件䞋ODD内で運転を完党自動化。レベル3は条件付きで人の匕き継ぎ前提。

    A44. 正解Aアルゎリズム監査 偏りや䞍公平がないかを継続的に点怜・怜蚌する取り組み。

    A45. 正解Aモデル反転攻撃 モデルの出力などから孊習デヌタの特城を埩元しようずする攻撃。

    A46. 正解Aモデルカヌドデヌタシヌト モデルやデヌタの甚途・限界・性胜を文曞化し、透明性ず説明責任を高める。

    A47. 正解A電子透かし 生成物に怜出可胜な情報を埋め蟌み、AI生成かどうかを刀別しやすくする。

    A48. 正解Aハむリスク 採甚・䞎信・医療などはハむリスクに分類され、厳栌な芁件が課される。

    A49. 正解Aデゞタルデバむド 技術ぞのアクセスやスキルの差が、受けられる恩恵の栌差を生む。

    A50. 正解A 生成AIはハルシネヌションを起こすため、人によるファクトチェックが䞍可欠。

    お疲れさたでした Part1〜3で合蚈150問。これだけ解けば各ドメむンの頻出論点はだいたい網矅できるはず。間違えた問題の関連甚語をノヌトにたずめおおくず盎前の芋盎しがラクだよ。第4回詊隓日7/3〜4、申蟌締切6/25たであず少し、䞀緒にがんばろ〜

     
     
    䞍定期曎新 日々新しいこずに挑戊するぞ願望

    あなたぞのおすすめ