1. HOME > 
  2. JDLA Deep Learning for GENERAL 2017
 

JDLA Deep Learning for GENERAL 2017

実施概要


  • 概要:ディープラーニングを事業に活かすための知識を有しているかを検定する
  • 受験資格:制限なし
  • 試験概要:120分、100問の知識問題(多肢選択式)、オンライン実施(自宅受験)
  • 出題問題:シラバスより出題(推薦図書あり
  • 受験料:12,960円(税込)/  学生5,400円(税込)※初回限定
  • 試験日:2017年12月16日(土)13時-15時
  • 申込期間:2017年11月17日(金)~12月9日(土)

シラバス


  • 人工知能(AI)とは(人工知能の定義)
  • 人工知能をめぐる動向例題
     

    問題:国際的な画像認識コンペティション“ILSVRC2012”について、正しいものをすべて選べ。

    1. 画像認識は、2017年現在でディープラーニングが最も高い精度を実現できるタスクである。
    2. ImageNetとは、手書き文字認識のためのデータセットである。
    3. 優勝チームはトロント大学のジェフリー・ヒントン教授率いるSuperVisionである。
    4. このコンペティションであげられた成果は、「人工知能研究50年来のブレイク・スルー」と称された。
    • 探索・推論、知識表現、機械学習、深層学習
  • 人工知能分野の問題例題
     

    問題: 「強いAI・弱いAI」に関する説明として適切なものを2つ選べ。

    1. 「強いAI」は、エキスパートシステムと呼ばれ、現在でも広く実用されている。
    2. AGI(Artificial General Intelligence: 汎用人工知能)と呼ばれるものは、「強いAI」により近いものである。
    3. 本来の意味での「人間のように考えるコンピュータ」が開発されたことが、第3次人工知能ブームのきっかけである。
    4. 国際的な画像認識のコンペティションでは、「弱いAI」が人間を超える識別性能を実現している。
    • トイプロブレム、フレーム問題、弱いAI、強いAI、身体性、シンボルグラウンディング問題、特徴量設計、チューリングテスト、シンギュラリティ
  • 機械学習の具体的手法例題
     

    問題:空欄に当てはまる語句の組み合わせとして最も適しているものを1つ選べ。 教師あり学習の問題は出力値の種類によって、大きく2種類に分けられる。(A) 問題は出力が離散値であり、カテゴリーを予測したいときに利用される。一方、(B) 問題は出力が連続値であり、その連続値そのものを予測したいときに利用される。

    1. 1. (A) 限定 (B) 一般
    2. 2. (A) 部分 (B) 完全
    3. 3. (A) 分類 (B) 回帰
    4. 4. (A) 線形 (B) 非線形
    • 代表的な手法、データの扱い、応用
  • ディープラーニングの概要例題
     

    問題:あるニューラルネットワークのモデルを学習させた際、テストデータに対する誤差を観測していた。そのとき、学習回数が100を超えるまでは誤差が順調に下がり続けていたが、それ以降は誤差が徐々に増えるようになってしまった。その理由として最も適切なものを1つ選べ。

    1. 学習回数が増えるほど、誤差関数の値が更新されにくくなるため。
    2. 学習回数が増えるほど、学習データにのみ最適化されるようになってしまうため。
    3. 学習回数が増えるほど、一度に更新しなければならないパラメータの数が増えていくため。
    4. 学習回数が増えるほど、計算処理にかかる時間が増えてしまうため。
    • ニューラルネットワークとディープラーニング、既存のニューラルネットワークにおける問題、ディープラーニングのアプローチ、CPU と GPU
    • ディープラーニングにおけるデータ量
  • ディープラーニングの手法例題
     

    問題:通常のニューラルネットワークにはない、畳み込みニューラルネットワークがもつ分類問題の汎化性能の向上に寄与する特徴として、最も適切なものを1つ選べ。

    1. ネットワークの中間層で、再帰的にフィードバックが与えられる。
    2. 決定境界を非線形にするために、活性化関数が利用される。
    3. 画像全体に対して、一定範囲ごとに入力の特徴量が抽出される。
    4. 出力層において、出力が確率に変換される。

    問題:次の文章の(A)、(B)の組み合わせとして、最も適しているものを1つ選べ。 時系列データの分析には、もともと( A )が最も適していると考えられていたが、時系列データのひとつである音声処理の分野では( B )が非常に高い精度を記録している。

    1. (A)リカレントニューラルネットワーク (B)畳み込みニューラルネットワーク
    2. (A)リカレントニューラルネットワーク (B)Autoencoder
    3. (A)畳み込みニューラルネットワーク (B)リカレントニューラルネットワーク
    4. (A)畳み込みニューラルネットワーク (B)Autoencoder
    5. (A)Autoencoder (B)畳み込みニューラルネットワーク
    6. (A)Autoencoder (B)リカレントニューラルネットワーク
    • 活性化関数、学習率の最適化、更なるテクニック、CNN、RNN
    • 深層強化学習、深層生成モデル
  • ディープラーニングの研究分野例題
     

    問題:RNN(Recurrent Neural Network)が自然言語処理の分野で精度の向上に寄与した理由として、最も適しているものを1つ選べ。

    1. 畳み込み層で畳み込み処理を行うことにより、単語の出現位置から文脈を読み取れるようになったため。
    2. 隠れ層で過去の情報を保持できるようになり、文字の並びから意味を抽出できるようになったため。
    3. ネットワークの外部に記憶部分を設けることで、文章のパターンを簡単に参照できるようになったため。
    4. 正しい文章の出力ができるようになるまで繰り返し自動で学習できるようになったため。
    • 画像認識、自然言語処理、音声処理、ロボティクス (強化学習)、マルチモーダル
  • ディープラーニングの応用に向けて
    • 産業への応用、法律、倫理、現行の議論

推薦図書