G検定模擬試験set1 - 未解答
（解説あり）AI の活用が国の経済成長を牽引する柱の 1 つになるという共通認識から,先進国各国では国の経済成長戦略の一部に AI の研究開発戦略が盛り込まれるようになっている.
こうした各国とその国の経済成長戦略の組み合わせとして正しいものを 1 つ選べ.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
ディープラーニングを含めて機械学習において精度の高い学習をするためには,観測データの適切な前処理が必須である.異なるスケールの特徴量を同時に扱えるようにするために,平均を 0 に分散を 1 に規格化する（ア）や,特徴量の線形結合からデータ内の分散が大きくなるような特徴量を得る（イ）などは広く利用されている.また,画像処理の分野においては,減算正規化と除算正規化の処理を行う（ウ）などが前処理として利用され,（エ）などの画像処理に特化したライブラリで行うことができる.また,自然言語処理の分野においては,文章に単語が含まれているかどうかを考えてテキストデータを数値化する（オ）や文章に含まれる単語の重要度を特徴量とする（カ）などがある.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
ディープラーニングの学習の目的は,損失関数の値をできるだけ小さくするパラメータを見つけることである.このような問題を解くことを（ア）という.このパラメータを見つけるアルゴリズムとして有名なのは（イ） である.ただ,（イ）は対象の関数の形がある分布や方向に依存すると非効率な経路でパラメータを探索してしまい,学習に時間がかかってしまうというデメリットがある.そこで,現在では（イ）の欠点を改善するために（ウ） などのアルゴリズムが使用されている.
（ウ）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）（ア）に最もよくあてはまる選択肢を 1 つ選べ.
AI が実世界における抽象概念を理解し,知識処理を行う上では,（ア） を通じた高レベルの身体知を獲得し,次に （イ）を通じて言語の意味理解を促し,抽象概念・知識処理へと至るのではないかということが議論されている.
（イ）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.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
現在の教師あり学習は,与えられたデータがどの分類に当てはまるのかを識別する（ア）と,様々な関連性のある過去の数値から未知の数値を予測する（イ）という二つに分類される.（ア）を用いることで,（ウ）のようなことができる.また（イ）を用いることで,（エ）のようなことができる.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
画像の認識では,主に入力から出力に向かう結合のみを持つ階層的なニューラルネットワーク,特に画像などの信号に内在する局所的な特徴が集まって,より大域的な特徴を構成するという構造を反映した,（ア）がよく用いられる.一方,自然言語テキストや動画に代表される構造を持った系列情報を扱うために（イ）が用いられている.特に現代人工知能（AI）の父として知られているユルゲン・シュミットフーバーとケプラー大学のゼップ・ホフレイターの提案した（ウ）は必要な文脈情報の長さを適応的に制御することで,時間を遡る誤差逆伝播の可能性を向上させ,画像からの説明文の生成や機械翻訳など,多くの課題に適用されている.実際,2016 年秋に,google 社は google 翻訳に（ウ）を取り入れてアップデートし,非常に高精度な翻訳を提供することが可能になった.
（オ）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.
loading!!
