G検定模擬試験set1 - 未解答
（解説あり）（ア）に最もよくあてはまる選択肢を 1 つ選べ.
自動運転レベル 5 に至るには,2 つのアプローチが存在している.1 つは自動運転レベル 1 から徐々に運転自動化の範囲を広げていくアプローチ,もう 1 つは直接レベル 3 以上の自動運転を目指そうとするものである.この時,前者のレベル 1 から徐々に運転自動化を目指すアプローチを採っているプレイヤーは （ア） などである.他方で,後者の直接レベル 3 以上の運転自動化を目指すアプローチを採っているプレイヤーは大手IT企業である.また後者のアプローチを採る企業として著名なのは,google 社傘下の Waymo 社である.
（解説あり）（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は高い表現力を持つ反面,過学習をしやすいという性質を持つため,それを改善させる方法が多数考案されている.例えば,学習の際に一部のノードを無効化する（ア）,一部の層の出力を正規化する（イ）,データの水増しをしてデータの不足を補う（ウ）,パラメータのノルムにペナルティを課す（エ）などがそれに当たる.
（イ）に当てはまらない選択肢を 1 つ選べ.
ディープラーニングは,ニューラルネットワークを多層化したものであり,観測データから本質的な情報である（ア）を自動的に抽出できる点が特徴である.また,従来の機械学習手法と比べると,（イ）という性質も持っている.
（エ）に最もよくあてはまる選択肢を 1 つ選べ.
教師なし学習の中で有名なものとして,未知の集合をいくつかの集まりに分類させる（ア）という学習方法と,正常な行為がどのようなものかを学習し,それと大きく異なるものを識別する（イ）がある.（ア）は特に（ウ）というアルゴリズムを使用して顧客の分類分けによる DM 配信やレコメンドを行うシステムなどに使用されている.（イ）は（エ）というアルゴリズムを基に,セキュリティシステムなどに使用されている.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
自己符号化器（Autoencoder）は,出力が入力と同じものに近づくことを目指して学習する.（ア）のアルゴリズムであり,（イ）が可能になる.このときの（ウ）が入力の特徴を抽出した表現となる.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
機械学習による分析を行う際,カテゴリーデータをそのまま扱うのは非常に難しい.このため,これを数値に変換して扱いやすくすることが一般的である.
ドリンクのサイズ S, M, L などの順序を持つ文字列のカテゴリーデータの場合,それぞれの値に対応する数値を辞書型データで用意し,これを数値に変化する方法 （ア） を利用して変換を行うことがある.
また順序を持たない名義特徴量のカテゴリーデータについては,各変数に対応したダミー変数を新たに作り出す （イ） が有用である.
（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で用いられる活性化関数について扱う.出力層の活性化関数には,回帰では（ア）が,多クラス分類では（イ）が一般的に利用されてきた.また中間層の活性化関数として,従来は（ウ）などが一般的に利用されてきた.しかし,これらの活性化関数を利用すると勾配消失問題が起きやすいという問題があったため,近年は,入力が 0 を超えていれば入力をそのまま出力に渡し,0 未満であれば出力を 0 とする（エ）や複数の線形関数の中での最大値を利用する（オ）などが利用されている.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
既存の学習済みニューラルネットワークモデルを活用する手法に（ア）と（イ）がある.（ア）では,学習済みモデルに対して新たに別の課題を学習させることで,少量のデータセットかつ少ない計算量で高い性能のモデルを得ることができる.また,（イ）は,学習済みの大規模モデルの入力と出力を小規模なモデルの教師データとして利用することで,少ない計算資源で従来のモデルと同程度の性能を実現することが可能となる.
loading!!
