G検定模擬試験set1 - 未解答
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
確率的勾配法はディープラーニングにおいて最もよく知られる最適化アルゴリズムであり,いくつかの改善を加えたものが広く使われている.例えば,以前に適用した勾配の方向を現在のパラメータ更新にも影響させる（ア）という手法や,勾配を 2 乗した値を蓄積し,すでに大きく更新されたパラメータほど更新量（学習率）を小さくする（イ）や,（イ）における一度更新量が飽和した重みはもう更新されないという欠点を,指数移動平均を蓄積することにより解決した（ウ）などがある.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
現在,人工知能研究は抽象概念や知識理解に辿り着くために大きく分けて三つの路線を辿っている.この三つの路線は,とりわけある企業や大学によって研究が進められている.
・言語データによる RNN や映像データからの概念・知識理解を目指す（ア）路線
・実世界を対象に研究を進め,知識理解を目指す（イ）路線
・オンライン空間上でできることをターゲットにするして,知識理解を目指す（ウ）路線
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
ニューラルネットワークには様々なモデルがあり,タスクによって適切な選択をする必要がある.例えば,画像を扱う際には（ア）,自然言語処理などの系列データには（イ）がよく使われる.他にも次元削減には（ウ）,画像生成には（エ）などが用いられる.
人工知能が進化するにつれ,人々の生活が格段に豊かになることが期待される一方で,悪用や乱用で公共の利益を損なう可能性も否定できない.人工知能という高度な専門的職業に従事するものとして,その社会における責任を自覚し,社会と対話をしていく行動が必要となる.一般社団法人人工知能学会は,9 つの指針を定めた.選択肢から,この指針に含まれるものを 1 つ選べ.
（エ）に最もよくあてはまる選択肢を 1 つ選べ.
線形モデルとは,（ア）を含む項の線形結合で,（ア）を含んだ数式の出力値は（イ）と呼ばれる.この線形結合で,特に（ア）も（イ）も一次元のデータの場合は,y = b0 + b1 * x と表される.こういったモデルを単回帰モデルと呼んだりもする.この数式において,各項の係数（例えば b0, b1）を（ウ）と呼び,このモデルを用いてテストデータを学習し,測定した実データを推定する.注意点として,（イ）が連続の値を取り扱う場合（エ）と呼ばれるが,離散の値を取り扱われる場合は（オ）と呼ばれ,それぞれ名称が異なる.ただ,実際のデータを扱うときに,（ア）が 1 次元であることはほとんどなく,2 次元以上になることが一般的である.このような場合,（ア）の次元数分だけ,係数パラメータを増やして,モデルを拡張する必要がある.このように（ア）が 2 つ以上の場合を（カ）モデルと呼び,各項の係数パラメータを（キ）という.またモデルによって出力された値と実際の測定値の誤差を（ク）という.この（ク）を用いて係数パラメータを推定する代表的なアルゴリズムに最小二乗法と最尤推定法がある.
（解説あり）以下の文章をよく読み,末尾の設問に答えよ.
AI 技術の進展により一般に普及する可能性が急激に高まってきたのが,小型無人機 （以下ドローン） である.他方でこれまでに存在しなかった新しいプロダクトで,人々がこれまで意識することのなかった空域などの問題が生じてきた.例えば,ドローンを飛ばす空域は,飛ばすのに許可が必要な空域がある.
選択肢のうち,ドローンを飛ばすのに許可を必要とする空域の説明として正しくないものを選択肢より 1 つ選べ.
空欄（ア）,（イ）,（ウ）の組み合わせとして,適切な選択肢を 1 つ選べ.
良い表現として,ディープラーニングのアプローチは（ア）, （イ）,（ウ）に着目している.このことから,（ア）,（イ）,（ウ）の事前知識を適切に活用できるなら,表現学習は必ずしも層の数が多いニューラルネットワークの形をしていなくてもよいことになる.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
現在,人工知能研究は抽象概念や知識理解に辿り着くために大きく分けて三つの路線を辿っている.この三つの路線は,とりわけある企業や大学によって研究が進められている.
・言語データによる RNN や映像データからの概念・知識理解を目指す（ア）路線
・実世界を対象に研究を進め,知識理解を目指す（イ）路線
・オンライン空間上でできることをターゲットにするして,知識理解を目指す（ウ）路線
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
機械学習において,重み更新に関わる単位として,（ア）と（イ）がある.（ア）は,重みが更新された回数であり,（イ）は訓練データを何回繰り返し学習したかを表す単位である.また一回の（ア）に用いるサンプル数は（ウ）と呼ばれる.
（カ）に最もよくあてはまる選択肢を 1 つ選べ.
自己符号化器はニューラルネットワークによる（ア）の代表的な応用であり,出力が入力に近づくようにニューラルネットを学習させる.主に（イ）のために利用されることが多く,活性化関数に恒等写像を用いた場合の 3 層の自己符号化器は（ウ）と同様の結果を返す.自己符号化器を多層化すると,ディープニューラルネット同様に勾配消失問題が生じるため,複雑な内部表現を得ることは困難であった.この問題に対して 2006 年頃に（エ）らは,単層の自己符号化器に分割し入力層から繰り返し学習させる（オ）を積層自己符号化器に適用することで,汎用的な自己符号化器の利用を可能とした.また,自己符号化器の代表的な応用例として（カ）がある.
loading!!
