【IPシラバス6.3】(5) AI（Artificial Intelligence：人工知能）の技術

正解
1　画像認識

解説
画像認識は視覚情報を処理する技術でありNLPとは異なります。

一方、機械翻訳や感情分析は自然言語処理の典型的な応用分野です。したがって、画像認識はNLPの応用分野には該当しません。

正解
2　再帰型ニューラルネットワーク（RNN）

解説
再帰型ニューラルネットワーク（RNN）は時系列データやシーケンスデータの処理に優れており、自然言語処理に広く用いられています。

畳み込みニューラルネットワーク（CNN）は主に画像認識に使用され、決定木は分類や回帰分析に用いられる手法でNLPとは直接の関連は薄いです。

正解
2　文を構成する単語や要素に分解する

解説
形態素解析はテキストデータを単語や文法的要素に分解するプロセスであり、自然言語処理において基本的な処理ステップとなります。

音声変換や画像データの特徴抽出はそれぞれ異なる技術分野に属します。

正解
1　あらかじめ定義されたルールに基づいて動作する

解説
ルールベースはあらかじめ定義されたルールに従ってシステムが動作します。

選択肢2や3は、機械学習の特徴であり、ルールベースの特徴ではありません。

正解
2　明確なルールが存在する単純なタスクの自動化

解説
ルールベースシステムは明確なルールが存在する単純なタスクの自動化に適しています。

動的に変化する環境や複雑なパターン認識には適していません。

正解
2　ルールの明確性により結果が予測しやすい

解説
ルールベースシステムはルールが明確であるため、結果が予測しやすい点が利点です。

選択肢1と3は、ルールベースシステムの課題として挙げられる点です。

正解
1　特徴量の選択とエンジニアリング

解説
機械学習モデルの精度は特徴量の選択とエンジニアリングによって大きく左右されます。

学習アルゴリズムやデータセットのサイズも重要ですが、特徴量が最も影響を与えます。

正解
2　データから重要な特徴を抽出し加工する作業

解説
特徴量エンジニアリングとはデータから重要な特徴を抽出し、モデルが学習しやすい形に加工する作業を指します。

選択肢1や3は特徴量エンジニアリングとは異なります。

正解
2　ラベルデータ

解説
特徴量には数値データやテキストデータが含まれますが、ラベルデータはモデルの出力を指すため特徴量には該当しません。

正解
1　ラベル付きデータを用いる

解説
教師あり学習はラベル付きデータを使用してモデルを学習します。

選択肢2は教師なし学習の特徴であり、選択肢3は強化学習に関するものです。

正解
2　報酬を基に最適な行動を学習する

解説
強化学習は報酬を基に最適な行動方針を学習する手法です。

クラス分けやクラスタリングはそれぞれ教師あり学習と教師なし学習の特徴です。

正解
2　データの隠れた構造を見つけ出す

解説
教師なし学習はラベルのないデータから構造やパターンを発見する手法です。

選択肢1と3はそれぞれ教師あり学習と強化学習に関する説明です。

正解
1　入力データの受け取りと単純な計算を行う

解説
ノードはニューラルネットワーク内で入力データを受け取り、加重和と活性化関数を使って次の層にデータを渡します。クラスタリングや報酬学習は他の手法の特徴です。

正解
3　正規化層

解説
ニューラルネットワークは通常、入力層、隠れ層、出力層から構成されます。

正規化層は一般的には存在せず、正規化は他の手法や過程で行われます。

正解
3　ルールベースシステムの自動化

解説
ニューラルネットワークは複雑なパターン認識を得意とし、画像認識や音声認識などに用いられますが、ルールベースシステムの自動化には一般的に使用されません。

正解
2　誤差を最小化するために重みを調整する

解説
バックプロパゲーションは誤差を最小化するために、ネットワーク内の重みを調整することを目的としています。

クラスタリング（特徴などでのグルーピング）やデータ拡張は他の手法の目的です。

正解
1　各ノードの誤差

解説
バックプロパゲーションでは各ノードでの誤差が計算され、それに基づいて重みが更新されます。

ラベルや入力データは、バックプロパゲーション自体の過程では直接計算されません。

正解
3　入力層で誤差が計算される

解説
バックプロパゲーションでは誤差は出力層から逆方向に隠れ層を経て入力層へと伝播されます。入力層では誤差が計算されません。

正解
2　ノードの出力を次の層に伝える際に変換する

解説
活性化関数は各ノードの出力を次の層に伝達する際に、非線形変換を施す役割を果たします。

重みの更新やデータの正規化は活性化関数の役割ではありません。

正解
3　クラスタリング関数

解説
シグモイド関数やソフトマックス関数は一般的な活性化関数ですが、クラスタリング関数は活性化関数として使用されません。

正解
1　ネガティブな入力をゼロに置き換える

解説
ReLUは入力がネガティブであればゼロに置き換え、それ以外の場合はそのまま出力します。

正規化や指数関数変換は他の関数の役割です。

正解
1　訓練データに対して高精度だがテストデータで性能が低下する

解説
過学習はモデルが訓練データに過度に適応し、新しいデータに対して性能が著しく低下する現象です。

選択肢2や3は過学習の症状ではありません。

正解
1　訓練データの量を増やす

解説
過学習を防ぐためには訓練データの量を増やすことが有効です。また、モデルの複雑さを抑え、クロスバリデーションを活用することも効果的です。

選択肢2や3は過学習を防ぐ方法ではありません。

正解
2　モデルが過度に複雑である

解説
過学習はモデルが過度に複雑である場合に発生しやすくなります。

データの量が少ないことも要因ですが、ラベルの間違いは過学習の直接的な原因ではありません。

正解
2　複数の層を持つニューラルネットワークを使用する

解説
ディープラーニングは複数の層を持つニューラルネットワークを用いて、複雑なパターンを学習します。

少数のデータや単一の層での学習は、ディープラーニングの特徴とは異なります。

正解
3　単純なルールベースのタスク

解説
ディープラーニングは画像認識や音声認識などの複雑なタスクに適用されますが、単純なルールベースのタスクには適していません。

正解
2　単純なルールベースでの処理

解説
ディープラーニングが成功している要因には、大量のデータを扱う能力や高性能なコンピューティング資源の活用がありますが、単純なルールベースでの処理はその要因ではありません。

正解
1　訓練データが少ない場合でも効果的に学習できる

解説
事前学習は訓練データが少ない場合でも、別のタスクで得られた知識を活用して効果的に学習を進めることができます。

選択肢2や3は事前学習の利点ではありません。

正解
2　タスクが事前学習されたタスクと類似していない場合

解説
事前学習はターゲットタスクが事前に学習されたタスクと類似している場合に特に有効ですが、全く異なるタスクではその効果が限定的になります。

選択肢1や3は事前学習が有効である場合です。

正解
1　ファインチューニング

解説
事前学習はファインチューニングと密接に関連しており、事前学習されたモデルを特定のタスクに最適化するプロセスです。

クラスタリングやサポートベクターマシンは別の手法です。

正解
2　ランダムに初期化されたモデルと比較して学習が早く進む

解説
ファインチューニングはランダムに初期化されたモデルと比較して、事前学習済みのモデルを使用することで学習が迅速に進行します。

選択肢1や3はファインチューニングの利点としては正しくありません。

正解
1　事前学習済みモデルを新しいドメインに適用したい場合

解説
ファインチューニングは事前学習済みモデルを新しいドメインやタスクに適用したい場合に最も適しています。

一から学習する場合や初期パラメータをランダムに設定する場合はファインチューニングを使用しません。

正解
2　既存のタスクから大きく異なるタスクに適用する場合

解説
ファインチューニングは既存のタスクと大きく異なるタスクに適用する場合、その効果が限定的になることがあります。

選択肢1や3はファインチューニングが有効な場合です。

正解
2　少量のデータで高精度なモデルを構築できる

解説
転移学習は少量のデータでも高精度なモデルを構築するのに有効です。

完全に異なるタスクへの適用は難しく、すべてのパラメータを再学習するわけではありません。

正解
3　モデルを一から学習させる必要がある場合

解説
転移学習は既存の知識を再利用することで効率的に学習を行いますが、一からすべてを学習させる場合にはその利点が少ないです。

選択肢1や2は転移学習が有効な状況です。

正解
2　ファインチューニング

解説
転移学習はファインチューニングと組み合わせることで、既存のモデルを新しいタスクに適応させることができます。

クラスタリングや正規化は転移学習とは直接的な関連がありません。

正解
1　画像や動画の処理に特化している

解説
畳み込みニューラルネットワーク（CNN）は画像や動画の処理に特化して設計されており、物体認識や画像分類などで高い精度を発揮します。

時系列分析やテキストデータの処理には主に他のネットワークが使用されます。

正解
2　画像の特徴を抽出する

解説
畳み込み層は画像の特徴を抽出するために使用されます。

次元の圧縮はプーリング層で行われ、データの順序保護は時系列データに関連するタスクで重要です。

正解
3　自然言語処理

解説
畳み込みニューラルネットワーク（CNN）は画像分類や音声認識において効果的ですが、自然言語処理には主にリカレントニューラルネットワーク（RNN）が用いられます。

正解
1　時系列データを処理できる

解説
リカレントニューラルネットワーク（RNN）は時系列データやシーケンスデータを処理するのに適しており、過去の情報を保持しながら現在の入力に反映させます。

画像の特徴抽出はCNNの役割であり、データの順序はRNNで重要な要素です。

正解
2　音声認識

解説
RNNは時系列データを扱う音声認識や文章生成などのタスクに特に適しています。

画像分類にはCNNが、構造化データの分析には他の手法が一般的に用いられます。

正解
2　データの順序を無視する接続

解説
RNNはデータの時間的な順序を重要視し、それを捉えるために再帰的な接続を持ちます。

データの順序を無視することはRNNの特徴ではありません。

正解
1　生成モデルと識別モデル

解説
敵対的生成ネットワーク（GAN）は生成モデルと識別モデルという二つのネットワークで構成されます。

畳み込み層やプーリング層はCNNの構成要素であり、入力層と出力層は一般的なニューラルネットワークの構成要素です。

正解
2　テキスト分類

解説
GANは画像生成やデータ補完などの生成タスクに適しており、テキスト分類は主に別の手法で行われます。

正解
2　本物のデータと偽物のデータを識別する

解説
GANの識別モデルは本物のデータと生成された偽物のデータを識別する役割を持ちます。

データの生成や特徴の圧縮は識別モデルの役割ではありません。

正解
2　大量のテキストデータから学習し多様なタスクに対応する

解説
大規模言語モデル（LLM）は大量のテキストデータから学習し、文生成や翻訳、質問応答など多様なタスクに対応できます。

少量のデータや数値データの分析はLLMの主な特徴ではありません。

正解
3　KNN

解説
KNN（k近傍法）は、機械学習の分類手法の一つであり、大規模言語モデル（LLM）には該当しません。

BERTやGPTは、代表的な大規模言語モデルです。

正解
3　クラスタリング

解説
LLMは文生成や翻訳などの自然言語処理タスクに用いられますが、クラスタリングは主に他の手法で行われます。

正解
2　期待する出力を得るためにプロンプトを設計する

解説
プロンプトエンジニアリングはLLMに対して適切なプロンプトを設計し、期待する出力を得ることを目的としています。

パラメータの調整やデータの前処理は他の工程に属します。

正解
2　汎用的な応答が求められる場合

解説
プロンプトエンジニアリングは特定のタスクにおいて精度を高めたり、モデルの出力を制御するのに有効ですが、汎用的な応答が求められる場合にはその効果が限定的です。

正解
3　大規模言語モデル（LLM）の出力制御

解説
プロンプトエンジニアリングは大規模言語モデル（LLM）の出力を制御するために使用されます。

データの正規化やデータベースの管理は別の分野に関連します。