1. HOME > 
  2. JDLA Deep Learning for GENERAL 2018#1
 

JDLA Deep Learning for GENERAL 2018#1

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、小問228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)
  • 試験日:2018年6月16日(土) 13:00開始
  • 申込期間:2018年5月7日(月) 13:00 〜 2018年6月8日(金) 24:00
  • 申込:申込期間中「日本ディープラーニング協会 資格試験専用Webサイト」より受付

実施データ


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。
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢をそれぞれ1つずつ選べ。
    第一次AIブームは1950年代に起こった。この頃に人工知能と呼ばれたプログラムは(ア)をもとに問題を解いていた。特に、1996年にIBMが開発した(イ)は、チェスの世界チャンピオンであるガルリ・カスパロフに勝利したことで有名である。しかし、ルールや設定が決まりきった迷路やパズルゲームなどの(ウ)と呼ばれる問題しか解けないという課題があったために、研究は下火になった。

    (ア)の選択肢
    1. 知識表現
    2. 表現学習
    3. 機械学習
    4. 探索・推論

    (イ)の選択肢
    1. Deep Blue
    2. Bonkras
    3. Ponanza
    4. Sharp

    (ウ)の選択肢
    1. A/Bテスト
    2. パターンマッチング
    3. トイ・プロブレム
    4. 逆問題
    • 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。
    例題
     

    問題:以下に挙げる用語は、第二次AIブームが起こった際に取り上げられた問題である。 それぞれの問題の説明としてふさわしいものをそれぞれ1つずつ選びなさい。
    (ア)フレーム問題
    (イ)シンボルグラウンディング問題

    選択肢
    1. 人間の持つ膨大な知識を体系化することが難しい。
    2. 有限な情報処理能力では、 知識を用いて現実のあらゆる問題を解くことは難しい。
    3. 単語の文字列などの記号と、それの表す意味を結びつけることが難しい。
    4. 膨大な知識を処理するための高速な計算機の開発が難しい。
    5. 十分なデータを取るためのインターネットを整備することが難しい。
    • 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
    例題
     

    問題:以下の文章は、さまざまな機械学習の手法について述べたものである。空欄に最もよく当てはまる選択肢を、語群の中から1つずつ選べ。

    学習データに教師データと呼ばれる正解ラベルつきのデータを用いる手法は(ア)と呼ばれ、対照的に正解ラベルがないデータを利用する手法は(イ)と呼ばれる。また、正解ラベルが一部のサンプルにのみ与えられている(ウ)という手法も存在する。

    選択肢
    1. 教師なし学習
    2. 教師あり学習
    3. 強化学習
    4. 表現学習
    5. マルチタスク学習
    6. 半教師あり学習
    7. 多様体学習
    例題
     

    問題:以下の空欄に最もよく当てはまる選択肢を1つずつ選べ。

    分類問題にはさまざまな性能指標がある。ここでは、サンプルを陽性(Positive)と陰性(Negative)の2クラスに分ける2値分類を考える。(ア)は単純にサンプル全体のうち、予測が正解したサンプル数の比を取ったものである。また、偽陽性(False Positive, FP)を減らすことを重視する場合には(イ)を、逆に偽陰性(False Negative, FN)を減らすことを重視する場合には(ウ)を採用することが望ましい。しかし、この両者はトレードオフの関係にあることから、それらの調和平均を取った(エ)が利用されることも多い。

    選択肢
    1. 正答率
    2. 実現率
    3. 協調率
    4. 調和率
    5. 適合率
    6. 再現率
    7. f値
    8. p値
    9. t値
    10. z値
    • 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。
    例題
     

    問題:近年急速にディープラーニングが高い成果を上げるようになった理由として当てはまるものを全て選べ。

    1. 半導体技術の進歩による計算機の性能向上やGPUによる高速な並列演算により、現実的な時間で学習を行うことができるようになったため。
    2. 神経科学の発展により、画像認識や自然言語処理に対する視覚野や言語野など、タスクに対応した人間の脳の構造を実物通りに再現できるようになったため。
    3. インターネットの普及により、表現力の高いモデルが過学習を起こさずにすむ大量のデータを得ることができるようになったため。
    4. 誤差逆伝播法の発明によってそれまで困難だった多層ニューラルネットワークの訓練が可能になったため。
    5. ディープラーニング向けのフレームワークが多数開発され、実装が容易になったため。
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢を1つずつ選べ。

    最適化手法の一つである最急降下法は、学習時に全ての教師データを同時に用いる。これは、(ア)と呼ばれている。一方、ディープラーニングの場合、通常は教師データが大規模になることが多く、(ア)が困難である。そこで、一部のデータのみを用いてパラメータの更新を逐次おこなう確率的勾配降下法が用いられることが多い。ひとつのサンプルだけを利用する手法は(イ)と呼ばれる。(ア)と(イ)は、どちらにも長所と短所があり、折衷案として、ある一定数のサンプル群を利用する(ウ)が採用されることもある。

    1. セット学習
    2. バッチ学習
    3. オンライン学習
    4. ポイント学習
    5. サンプリング学習
    6. ミニバッチ学習
    • 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。
    例題

    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
    例題
     

    問題:以下の文章を読み、空欄に最もよく当てはまる選択肢を語群の中から1つずつ選べ。

    画像認識の国際的なコンペティションのひとつに、ILSVRC(ImageNet Large Scale Visual Recognition Competition)がある。ここで、2012年にCNNのモデルである(ア)が優勝を飾った。それからというもの、続けざまにCNNのモデルが高い成果を上げている。2014年にはインセプションモジュールという構造を利用した(イ)が優勝し、オックスフォード大のチームが開発した(ウ)もまたそれに迫る優秀な成績を収めた。また、2015年には残差学習という深いネットワークの学習を可能にした(エ)がそれぞれ優勝している。

    選択肢
    1. AlexNet
    2. ElmanNet
    3. GoogLeNet
    4. ImageNet
    5. LeNet
    6. ResNet
    7. VGG16
    8. WaveNet
    例題
     

    問題:以下の文章の空欄に最も適切に当てはまる選択肢を、各語群の中からそれぞれひとつずつ選べ。

    RNN(Recurrent Neural Network)は、(ア)を扱うことに優れている。それまでのフィードフォワードニューラルネットワークと比較して特徴的なのは、入力データに加え(イ)を隠れ層に入力する(ウ)構造を取り入れたことである。

    選択肢 (ア)
    1. 周期データ
    2. 累積データ
    3. 連鎖データ
    4. 系列データ
    選択肢 (イ)
    1. 前回の入力
    2. 前回の中間層の状態
    3. 過去のすべての入力
    4. 過去のすべての中間層の状態
    選択肢 (ウ)
    1. 再帰
    2. 畳み込み
    3. 逆伝播
    4. 正則化
    • 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。
    例題
     

    問題:以下の文章の空欄に最も適切に当てはまる選択肢を、各語群の中からそれぞれひとつずつ選べ。

    ロボティクス分野でも、機械学習の応用が進められている。例えば、ロボットの動作制御にQ学習やモンテカルロ法などを用いる(ア)のアルゴリズムを利用する事例は多く存在する。また、ロボットはカメラ(視覚)、マイク(聴覚)、圧力センサ(触覚)などの異なったセンサ情報を収集できる(イ)システムを持っていることから、これらの情報をDNNで統合的に処理する研究や、ロボットの一連の動作の生成をひとつのDNNで実現しようとする(ウ)の研究も行われている。

    選択肢 (ア)
    1. 一気通貫学習
    2. 教師あり学習
    3. 挙動学習
    4. 適応的学習
    5. 強化学習
    6. 表現学習
    選択肢 (イ)
    1. マルチモーダル
    2. インセプション
    3. コグニティブ
    4. フルスクラッチ
    選択肢 (ウ)
    1. 一気通貫学習
    2. 教師あり学習
    3. 挙動学習
    4. 適応的学習
    5. 強化学習
    6. 表現学習
    • 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