教師あり学習、逆伝播、正則化、CNN / RNN など、日本語で理由を書くタイプの確認問題。認定試験の過去問そのものではない。
同梱問題集の公開抜粋です。最初は問題と選択肢だけ出します。正解と解説は各問の「正解と解説を見る」を開くまで見えません。作者の既定表示は Ultra Practicebook、ライセンスは MIT です。試験団体の過去問や市販問題集の転載ではありません。
E資格の名称を冠していますが、試験団体の過去問や非公開問題の再現ではありません。公開されている学習範囲（教師あり、逆伝播、正則化、畳み込み、系列）に沿った自作です。合格を保証する模試でもありません。
英語の短問セットより、日本語の「最も適切なのはどれか」形式で、理由の文を厚くしてあります。広告審査向けに問数だけ増やす対象にはしていません。範囲が重なる問は、解説のたとえを英語セットと変えています。実装の API 名は TensorFlow セット、サービスの選び方は AWS セットに任せます。正解したあとに理由を一文書けない問は、間隔が伸びていても翌日に戻します。
用語の一語訳ではなく、なぜその手法が必要かを日本語で説明できるようにする。ReLU が勾配を残す理由、Batch Norm が何の分布を揃えるか、Dropout が学習時だけ無効化する理由を、選択肢の語を暗記せずに書く。
JDLA E資格や、大学の深層学習の試験に向けて、日本語で説明し直したい人。英語セットの定義は読めるが、日本語の選択肢で迷う人。
正解したあとに、解説を見ずに理由を一文書く。書けなければ未定着。数式が出る問は、記号を暗記せず「何を小さくしたいか」を先に言う。実装 API の名前は TensorFlow セットに回す。
先に自分で選んでから、折りたたみを開いてください。解説は正解の言い換えだけでなく、隣の選択肢が文に入らない理由や、一緒に覚える連語を書いています。番号だけ暗記せず、解説の文を一度声に出してから次へ進んでください。
機械学習における教師あり学習の目的として最も適切なのはどれか？
正解: 入力と正解の対応付けを学習する
教師あり学習では大量のラベル付きデータを用いて、入力と目的変数の関係をモデルが学習する。
分類・回帰問題が典型であり、目的は未知データに対する汎化性能を高めることである。
題は「機械学習における教師あり学習の目的として最も適切なのはどれか？」。
正解は 1。
選択肢は 入力と正解の対応付けを学習する, クラスタ構造を発見する, 次元を削減する, ランダムに重みを設定する。
カテゴリ 機械学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
誤差逆伝播法の役割は何か？
正解: 重み更新量を計算する
誤差逆伝播法は、ネットワークの出力誤差を各層に逆伝搬し、損失関数の勾配を効率的に求める手法である。
これにより深い層まで重み更新が可能になった。
題は「誤差逆伝播法の役割は何か？」。
正解は 1。
選択肢は 重み更新量を計算する, データを正規化する, 次元削減を行う, 学習率を決定する。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
活性化関数ReLUの利点として正しいものはどれか？
正解: 勾配消失が起こりにくい
ReLUは0以下を0、0より大きい値はそのまま出力する単純な関数で、深いネットワークでも勾配が残りやすく学習が安定する。
特にSigmoidで問題となる勾配消失を緩和する点が重要。
題は「活性化関数ReLUの利点として正しいものはどれか？」。
正解は 1。
選択肢は 勾配消失が起こりにくい, 負の値を強調できる, 周期性がある, 常に滑らかである。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
バッチ正規化（Batch Normalization）の主な効果は何か？
正解: 内部共変量シフトを抑える
バッチ正規化は各ミニバッチ内で平均・分散を揃え、層間の分布変動を抑えることで学習を安定化し収束を早める。
深いネットワークの訓練に有効。
題は「バッチ正規化（Batch Normalization）の主な効果は何か？」。
正解は 1。
選択肢は 内部共変量シフトを抑える, 学習率を自動調整する, 重みを圧縮する, 学習データ量を増やす。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
過学習を抑制する手法として最も適切なのはどれか？
正解: ドロップアウト
ドロップアウトは学習時にランダムにユニットを無効化し、ネットワークの依存を減らして汎化性能を高める正則化の一種。
題は「過学習を抑制する手法として最も適切なのはどれか？」。
正解は 1。
選択肢は ドロップアウト, 学習率を上げる, 層を増やす, データをランダム削除する。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
勾配消失問題が顕著に現れやすいのはどの活性化関数か？
正解: Sigmoid
Sigmoidは出力が0付近で勾配が非常に小さくなる性質を持つため、深いネットワークで勾配が伝わりにくく勾配消失を起こしやすい。
題は「勾配消失問題が顕著に現れやすいのはどの活性化関数か？」。
正解は 1。
選択肢は Sigmoid, Tanh, ReLU, LeakyReLU。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
ニューラルネットワークの重みを初期化する目的として正しいものはどれか？
正解: 学習を安定させる
適切な初期化（XavierやHe）は勾配爆発・消失を避け、ネットワーク学習の初期段階の安定化に重要。
題は「ニューラルネットワークの重みを初期化する目的として正しいものはどれか？」。
正解は 1。
選択肢は 学習を安定させる, 学習を遅くする, モデル容量を減らす, 推論速度を上げる。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
最急降下法の更新式に含まれる学習率の役割は何か？
正解: 更新幅を調整する
学習率は勾配方向にどれだけ進むかを決めるパラメータ。
大きすぎると発散し、小さすぎると収束が遅くなる。
題は「最急降下法の更新式に含まれる学習率の役割は何か？」。
正解は 1。
選択肢は 更新幅を調整する, 訓練データ量を増やす, 層数を決定する, 重みを固定する。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
ニューラルネットワークにおいてEpochとは何を意味するか？
正解: 訓練データを1周学習すること
Epochは訓練データ全体を何回学習したかを示す指標。
多すぎると過学習の原因になることもある。
題は「ニューラルネットワークにおいてEpochとは何を意味するか？」。
正解は 1。
選択肢は 訓練データを1周学習すること, 重みを初期化する回数, 推論回数, ミニバッチのサイズ。
カテゴリ 機械学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
CNNが画像処理に適している理由として正しいものはどれか？
正解: 局所受容野を持つ
CNNは周囲の局所パターン（エッジ・角）を捉えられる畳み込み構造を持ち、画像特徴抽出に優れる。
題は「CNNが画像処理に適している理由として正しいものはどれか？」。
正解は 1。
選択肢は 局所受容野を持つ, データをランダム生成できる, 重みが不要, 画像を圧縮するため。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
畳み込み層で使われるフィルタ（カーネル）の役割は何か？
正解: 空間的特徴を抽出する
フィルタは画像の局所領域にスライドし、エッジ・模様などの特徴を抽出する。
CNNの基礎要素。
題は「畳み込み層で使われるフィルタ（カーネル）の役割は何か？」。
正解は 1。
選択肢は 空間的特徴を抽出する, 画像を分割する, ラベルを生成する, 分類を直接行う。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
プーリング層の主な目的はどれか？
正解: 空間サイズを縮小し特徴を保持する
MaxPoolingなどは空間サイズを縮小して計算量を削減し、位置ずれに頑健なモデルを作る。
題は「プーリング層の主な目的はどれか？」。
正解は 1。
選択肢は 空間サイズを縮小し特徴を保持する, データを増やす, 重みを学習する, 画素値を正規化する。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
RNNが扱うのに適したデータはどれか？
正解: 時系列データ
RNNは前の状態を保持できるため、時系列やテキストのように順序依存のデータ処理に適している。
題は「RNNが扱うのに適したデータはどれか？」。
正解は 1。
選択肢は 時系列データ, 静止画像, カテゴリデータ, 2次元行列。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
LSTMにおけるForget Gateの役割は何か？
正解: 過去情報をどの程度保持するか決める
Forget Gateはメモリセルのどの部分を忘れるかを制御し、長期依存の学習を安定化させる。
題は「LSTMにおけるForget Gateの役割は何か？」。
正解は 1。
選択肢は 過去情報をどの程度保持するか決める, 出力値を決める, 勾配を増幅する, 入力を固定する。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
Attention機構の本質的な役割は何か？
正解: 重要な部分に重みを集中させる
Attentionは入力の中で重要な部分に高い重みを与える仕組み。
長距離依存の処理に強い。
題は「Attention機構の本質的な役割は何か？」。
正解は 1。
選択肢は 重要な部分に重みを集中させる, 学習率を調整する, 計算量を減らす, データ前処理を行う。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
TransformerでRNNが不要になる主な理由はどれか？
正解: 全ての位置間関係をAttentionで直接表現できる
Transformerは系列位置の依存をSelf-Attentionで効率的に扱えるため、RNNの逐次処理が不要になる。
題は「TransformerでRNNが不要になる主な理由はどれか？」。
正解は 1。
選択肢は 全ての位置間関係をAttentionで直接表現できる, 勾配を計算しない, 重みが固定されている, 画像処理向けだから。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
自己注意(Self-Attention)の計算に必要な行列はどれか？
正解: Query,Key,Value
Self-AttentionはQ,K,Vを使ってAttention Scoreを算出し、文脈を反映した表現を得る。
題は「自己注意(Self-Attention)の計算に必要な行列はどれか？」。
正解は Query,Key,Value。
選択肢は Query, Key, Value, Label。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
Batchサイズを大きくすると一般的にどうなるか？
正解: 学習が安定しやすい
大きなバッチは勾配の分散が小さくなり、更新が安定するが、汎化性能が必ず向上するわけではない。
題は「Batchサイズを大きくすると一般的にどうなるか？」。
正解は 1。
選択肢は 学習が安定しやすい, 常に精度が上がる, 学習が必ず早く終わる, 過学習が必ず防げる。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
学習率が高すぎる場合に起こりやすい問題はどれか？
正解: 発散
学習率が高いと損失が最小値を通り過ぎ、更新が発散する可能性が高くなる。
題は「学習率が高すぎる場合に起こりやすい問題はどれか？」。
正解は 1。
選択肢は 発散, 過学習, 勾配消失, データ不足。
カテゴリ 深層学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。
正則化L1の特徴はどれか？
正解: 重みをスパースにする
L1正則化は重みを0に近づけ、特徴選択の効果を持つスパース性が特徴。
題は「正則化L1の特徴はどれか？」。
正解は 1。
選択肢は 重みをスパースにする, 重みを滑らかにする, 勾配を増幅する, データを増やす。
カテゴリ 機械学習 の用語と、隣の分野の用語を取り違えない。
誤答は「近いが役割が違うサービス／手法／品詞」になっていることが多い。