（イ）に最もよくあてはまる選択肢を 1 つ選べ.

活性化関数とは,ニューロンの出力に何らかの非線形な変数を加える関数である.単純パーセプトロンの出力層では（ア）が用いられ,ニューラルネットワークの中間層では,はじめ（イ）などの正規化の機能を持つ関数が好まれた.しかし現在では,誤差逆伝播で勾配が消失しやすいという問題から,中間層では勾配消失問題の影響を抑えられ,かつ簡単な（ウ）などが用いられている.また,出力層では出力の総和が 1 になるため確率的な解釈が可能になる（エ）がよく用いられる.

（イ）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.

（ア）に最もよくあてはまる選択肢を 1 つ選べ.

画像データに対しては,前処理を施すことが多い.カラー画像を白黒画像に変換して計算量を削減する（ア）や,細かいノイズの影響を除去する（イ）,画素ごとの明るさをスケーリングする（ウ）などがこれに含まれる.

（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.

（エ）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の学習は,損失関数（コスト関数）の最適化により行われる.そして,その損失関数は学習の目的に応じて決定する.よく使われる損失関数として,回帰問題には（ア）,分類問題には（イ）がある.また分布を直接学習する際には（ウ）が用いられることもある.さらに,損失関数にパラメータの二乗ノルムを加えると（エ）となる.

（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.

正則化とは,機械学習の学習において汎化誤差をできるだけ小さくするための手法の総称である.ディープニューラルネットワーク（DNN）の学習で一般に用いられる正則化の手法に（ア）があり,誤差関数に重みの L2 ノルムを加えることで重みの発散を抑えることができる.また,L2 ノルムの代わりに L1 ノルムを用いる L1正則化は,（イ）の一種であり,重要でないパラメータを 0 に近づけることができる. L1 正則化を回帰に利用した場合,（ウ）と呼ばれる.

（解説あり）（ア）に最もよくあてはまる選択肢を 1 つ選べ.

高度な AI モデルを作成していく為には,こうした共有のデータセットの拡充を進めると共に,学習モデルの共有を進め,こうした公開共有されたモデルを基にして独自のデータセットを適用して調整をしながら新たに学習をさせる （ア） が実用上鍵となるのではないかと言われている.

（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.またドローンはその利用方法に応じて,承認が必要となることがある.

ドローンの飛行規制について,「正しくないもの」を選択肢から 1 つ選べ.

（解説あり）（ウ）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.