【G検定毎日クイズ】 LSTMが抱える計算コストの高さを軽減するため、ゲートの数を減らしてシンプルにした派生モデルとして最も適切なものを1つ選んでください。 ① LSTNet ② Adam ③ GRU ④ BPTT ========== LSTMには「メモリセル＋3ゲート」がありますが、これを簡略化したモデルがG検定でよく問われます。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「③ GRU」です。 GRU（Gated Recurrent Unit）は、LSTMの仕組みを簡略化したモデル。 メモリセルをなくし、ゲートも3つから2つ（リセットゲート・更新ゲート）に減らすことで、パラメータ数と計算コストを抑えています。 性能はLSTMと同等のことが多く、データや問題によってはGRUの方が学習が速いという報告も。LSTMかGRUか、用途で使い分けるのが一般的です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① LSTNet → 時系列予測の研究モデルで、ゲート簡略化とは別物。 ② Adam → 最適化アルゴリズムの名前で、RNN派生モデルではありません。 ④ BPTT → Backpropagation Through Time。RNNの誤差逆伝播法のことで、モデル名ではありません。 RNN系の主要モデルを、ここで整理しておきましょう。 ✅ RNN：基本の再帰構造 ✅ LSTM：メモリセル＋3ゲートで長期依存に対応 ✅ GRU：LSTMをシンプルにした派生（ゲート2つ） ✅ BPTT：RNNを学習する際の誤差逆伝播法 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 通常のRNNが抱える「長期的な依存関係を学習しにくい」問題を解消するために考案された、メモリセルと3つのゲートを備えたモデルとして最も適切なものを1つ選んでください。 ① CNN ② LSTM ③ GAN ④ Autoencoder ========== 時系列・言語処理を学ぶうえで避けて通れない超重要モデル。 「ゲート」「メモリ」がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「② LSTM」です。 LSTM（Long Short-Term Memory）は、RNNが苦手な「長期の依存関係」を学習できるよう設計されたモデル。 メモリセルと3つのゲート（入力・忘却・出力）を組み合わせ、必要な情報を残しつつ不要な情報を忘れる仕組みを持っているのが特徴です。 文章理解や時系列予測、音声認識など、長い系列を扱うタスクで大活躍してきました。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① CNN：畳み込みを使った画像認識向けのモデル。 ③ GAN：生成モデルの一種で、本物そっくりのデータを生成する仕組み。 ④ Autoencoder：入力を圧縮・復元する教師なし学習の一種。 時系列・言語向けモデルを、ここで一気に整理しておきましょう。 ✅ RNN：再帰構造を持つ基本モデル ✅ LSTM：メモリセル＋3ゲートで長期依存を学習可能 ✅ GRU：LSTMをシンプルにした派生（次回詳しく扱います） ✅ Transformer：RNN系を置き換えた最新主流 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の説明に最もよく当てはまるニューラルネットワークの名称を1つ選んでください。 「ニューラルネットワークの中間層の値を再帰的に使うことで、時系列データや言語のような順序のあるデータに対応できるようにしたもの。」 ① DNN ② RNN ③ CNN ④ DCNN ========== 画像はCNN、時系列・言語は◯◯◯◯。 それぞれの用途と構造を整理しておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「② RNN」です。 RNN（Recurrent Neural Network、リカレントニューラルネットワーク）は、中間層の出力を次の時刻の入力として「再帰的」に使うネットワーク。 これによって過去の情報を保持しながら処理できるので、時系列データ（株価、センサーデータなど）や言語データ（文章、音声）の解析が得意です。 ただし長い系列だと勾配消失問題が起きやすく、それを改善した発展形がLSTMやGRUです。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① DNN（Deep Neural Network） → 隠れ層が多い一般的なニューラルネットワークの総称。再帰構造はありません。 ③ CNN（Convolutional Neural Network） → 畳み込みを使ったネットワークで、画像認識が得意。順序のあるデータには通常RNNを使います。 ④ DCNN（Deep Convolutional Neural Network） → CNNを深くしたもの。画像分野で使われ、こちらも時系列向けではありません。 ニューラルネットワークの主要な種類を、用途別に整理しておきましょう。 ✅ DNN：基本のディープニューラルネットワーク ✅ CNN：画像認識（畳み込みで特徴抽出） ✅ RNN：時系列・言語データ（再帰構造で過去情報を保持） ✅ LSTM／GRU：RNNの発展形（長い系列に強い） ✅ Transformer：RNNを置き換えた最新の主流（自然言語処理で必須） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 畳み込みニューラルネットワーク（CNN）の畳み込み層において、フィルタを移動させる「幅（ピクセル数）」の名称として、最も適切なものを1つ選んでください。 ① ストローク ② パディング ③ ストライド ④ スライド ========== CNNは画像認識の主役。 畳み込み層の用語（ストライド・パディング・フィルタ）はセットで覚えると整理しやすいです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「③ ストライド」です。 ストライドは、畳み込み層でフィルタを動かすときの「移動幅（ピクセル数）」のこと。 ストライドが小さいほど細かく特徴を抽出できますが、計算量が増えます。逆に大きくすると出力サイズは小さくなり、計算は速くなります。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① ストローク → CNNの専門用語ではありません（一般的な英単語）。 ② パディング → 畳み込みの前に、入力データの周囲に「0など固定値」を埋める処理。出力サイズの調整や端のデータ消失を防ぐために使います。 ④ スライド → こちらもCNNの正式な用語ではありません。 CNNの畳み込み層の用語を、ここで一気に整理しておきましょう。 ✅ フィルタ（カーネル）：畳み込みに使う小さな行列 ✅ ストライド：フィルタを動かす幅 ✅ パディング：入力の周囲に固定値（0など）を埋める処理 ✅ プーリング：特徴マップを縮小する処理（マックスプーリング、平均プーリングなど） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 ニューラルネットワークの学習で使われる「誤差逆伝播法（バックプロパゲーション）」に関する説明として、最も適切なものを1つ選んでください。 ① 誤差逆伝播法で、誤差を出力側から入力側へフィードバックさせるときに勾配が小さくなりすぎる問題は「過学習」と呼ばれる。 ② 勾配消失問題を回避するため、ディープニューラルネットワークをより深くすることが有効である。 ③ 勾配消失問題を回避するには、適切な活性化関数を選ぶ必要がある。 ④ 誤差逆伝播法は、複数回の順方向の操作のみによって実現される。 ========== 誤差逆伝播法はディープラーニング学習の中核。 「順方向で計算 → 逆方向で誤差を伝える」という流れを押さえておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「③ 勾配消失問題を回避するには、適切な活性化関数を選ぶ必要がある。」です。 誤差逆伝播法では、出力層で計算された誤差を入力層に向かって遡らせ、各層の重みを更新します。 このとき、シグモイドなど勾配が小さくなりやすい活性化関数を使うと、入力層に近い層では勾配がほぼ0になり、学習が進まなくなる「勾配消失問題」が発生します。 そこでReLU関数のような勾配が消失しにくい活性化関数を選ぶことが、勾配消失問題の対策として有効なんですね。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① 勾配が小さくなりすぎる問題は「勾配消失問題」と呼ばれます。「過学習」とは別物（過学習は訓練データに過剰適合する問題）。 ② ネットワークを深くするほど勾配消失は悪化します。深くすることは解決策ではなく、むしろ問題の原因です。 ④ 誤差逆伝播法は「順方向の計算」と「逆方向の誤差伝播」の両方を組み合わせて実現されます。 ✅ 誤差逆伝播法：出力側で計算した誤差を入力側に遡って重みを更新 ✅ 勾配消失問題：層が深くなると勾配が0に近づき、入力層側で学習が進まなくなる現象 ✅ 対策：ReLU等の活性化関数、バッチ正規化、スキップ結合 ✅ 「勾配消失」と「過学習」は別問題（混同に注意） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 機械学習・ディープラーニングで頻繁に登場する「ハイパーパラメータ」の説明として、最も適切なものを1つ選んでください。 ① モデルに含まれるパラメータの中で、最も値が大きいパラメータのこと。 ② モデルの学習過程で自動的には決定されないパラメータのこと。 ③ 別の学習済みモデルから再利用されるパラメータのこと。 ④ データの前処理の際にのみ必要となるパラメータのこと。 ========== 「パラメータ」と「ハイパーパラメータ」、似て非なる概念。 「誰が決めるか」が見分けるポイントです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「② モデルの学習過程で自動的には決定されないパラメータのこと。」です。 ハイパーパラメータは、人間が学習を始める前にあらかじめ設定する値。 例えば学習率（learning rate）、エポック数、バッチサイズ、隠れ層の数、ノード数などがハイパーパラメータです。 これらは学習中に自動で調整されないので、「グリッドサーチ」「ランダムサーチ」「ベイズ最適化」などの手法で、地道にチューニングする必要があります。 一方、通常の「パラメータ」（重みやバイアス）は学習中にデータから自動で更新されるものです。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① 値の大きさは、ハイパーパラメータかどうかとは無関係です。 ③ これは「転移学習」や「ファインチューニング」で再利用されるパラメータの話。ハイパーパラメータの定義ではありません。 ④ ハイパーパラメータは前処理だけでなく、学習プロセス全体に影響します。 用語の違いを、ここで整理しておきましょう。 ✅ ハイパーパラメータ：人間が事前に設定する値（学習率、バッチサイズなど） ✅ パラメータ：学習中にデータから自動で決まる値（重み、バイアス） ✅ チューニング手法：グリッドサーチ、ランダムサーチ、ベイズ最適化 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 ディープラーニングで重要な「勾配消失問題」の対策として、最も不適切なものを1つ選んでください。 ① ReLU関数などの活性化関数を使用する。 ② バッチ正規化を行う。 ③ スキップ結合をネットワークに組み込む。 ④ ドロップアウトを行う。 ========== 「過学習対策」と「勾配消失対策」、見た目は似ていても目的は別物。 ここを混同するとつまずきます。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「④ ドロップアウトを行う。」です。 ドロップアウトは「過学習」を抑える手法であって、勾配消失問題の対策ではありません。 勾配消失問題とは、ニューラルネットワークが深くなると、誤差を出力層から入力層に伝える過程で勾配がどんどん小さくなり、入力層に近い重みが更新されなくなってしまう問題のこと。 これを解決するには、活性化関数の選択（ReLU）、バッチ正規化、スキップ結合などが有効です。 他の選択肢は、念のため補足しておきますね。 ① 〇 ReLU関数は出力が0以上ならそのまま値を返すため、シグモイドのように勾配が小さくならず、勾配消失を抑えられます。 ② 〇 バッチ正規化は層ごとの出力分布を整えることで、勾配が安定して伝わりやすくなります。 ③ 〇 スキップ結合（ResNetの中核技術）は、層を飛び越えて誤差を伝えることで勾配消失を回避できます。 目的別に対策を整理しておきましょう。 ✅ 勾配消失対策：ReLU、バッチ正規化、スキップ結合 ✅ 過学習対策：ドロップアウト、L1/L2正則化、早期終了、データ拡張 ✅ ドロップアウトは過学習対策（勾配消失対策ではない）→ 引っかけに注意 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の文章の空欄に、最もよく当てはまるものを1つ選んでください。 「どんな値を入力しても0から1の間に変換されるため、最終的に確率を出力する際に有用な活性化関数は（　　　）である。」 ① tanh関数 ② シグモイド関数 ③ ReLU関数 ④ ステップ関数 ========== 活性化関数は、ニューラルネットワークの出力を変換する重要なパーツ。 それぞれが「どんな値の範囲を出すか」を整理しておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は「② シグモイド関数」です。 シグモイド関数は、どんな入力値も「0〜1の範囲」に変換する関数。 出力が確率として扱えるので、「2値分類の出力層」や「確率を出したい場面」でよく使われます。 ただし、隠れ層で使うと勾配消失問題が起きやすいので、現代のディープラーニングでは隠れ層にはReLU、出力層にはシグモイド（2値分類）またはソフトマックス（多クラス分類）を使うのが定番です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① tanh関数 → 出力範囲は「-1〜1」。シグモイドより勾配消失が起きにくいが、それでも完全には防げない。 ③ ReLU関数 → 入力が0以下なら0、0より大きければそのまま出力。出力範囲は「0以上」で上限なし。隠れ層で広く使われる定番。 ④ ステップ関数 → 入力が0以上なら1、それ以外は0。0または1のどちらかしか出力しないので、確率としては使えません。 活性化関数の出力範囲を、ここで整理しておきましょう。 ✅ シグモイド関数：0〜1（確率出力に有用） ✅ tanh関数：-1〜1 ✅ ReLU関数：0以上（隠れ層の定番） ✅ ステップ関数：0または1（古典的） ✅ ソフトマックス関数：合計1の確率分布（多クラス分類の出力層） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 ディープラーニングの過学習対策として知られる「ドロップアウト」の説明として、最も適切なものを1つ選んでください。 ① 学習の繰り返しごとに、確率的に特定のニューロンを予測に用いない手法。 ② 過学習を避けるために学習を早く打ち切る手法。 ③ 層が深くなっても誤差が伝達しやすくするため、層を飛び越えた結合を設ける手法。 ④ ペナルティ項を付加することで、重みの値の範囲を制限する手法。 ========== ドロップアウトは過学習対策の超定番。 似た目的の他の手法（早期終了、スキップ結合、正則化）と区別して覚えましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「① 学習の繰り返しごとに、確率的に特定のニューロンを予測に用いない手法。」です。 ドロップアウトは、学習中にランダムでニューロンを「無効化（出力を0にする）」する手法。 特定のニューロンに依存しすぎないように学習させることで、汎化性能を高め、過学習を抑制します。エポックごとに無効化されるニューロンが変わるので、毎回少しずつ違う構造で学習することになり、結果的にアンサンブル学習に近い効果も得られます。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② これは「早期終了（Early Stopping）」の説明。学習を途中で止める別手法です。 ③ これは「スキップ結合」の説明。ResNetの重要な構成要素で、勾配消失問題の対策に使われます。 ④ これは「L1/L2正則化」の説明。重みにペナルティを加えて極端な値を防ぐ手法です。 過学習対策の手法を、ここで一気に整理しておきましょう。 ✅ ドロップアウト：ニューロンをランダムに無効化 ✅ 早期終了：誤差が増え始めたら学習を打ち切る ✅ L1/L2正則化：重みの値にペナルティを加える ✅ スキップ結合：層を飛び越えた結合（勾配消失対策がメイン） ✅ データ拡張：訓練データを水増しする ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 確率的勾配降下法（SGD）の説明として、最も適切なものを1つ選んでください。 ① ニュートン法と同じ計算手法である。 ② ベイズの確率により勾配を求める手法である。 ③ 学習データごとに勾配を求めて修正量を出し、逐次パラメータを更新する手法である。 ④ 周辺の関数を微分した関数に学習データを代入し、勾配を求める手法である。 ========== SGDはディープラーニングの最適化アルゴリズムの基本。 「確率的」「逐次的」がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「③ 学習データごとに勾配を求めて修正量を出し、逐次パラメータを更新する手法である。」です。 確率的勾配降下法（Stochastic Gradient Descent、SGD）は、訓練データを1件（または少数）ずつ取り出し、その都度勾配を計算してパラメータを更新する手法。 すべてのデータを使って1回更新する「バッチ勾配降下法」と比べて、計算が軽く・速いという利点があります。 その代わり、毎回のパラメータ更新が「ノイジー（ばらつきが大きい）」になるため、学習中のロスが上下にぶれる傾向があります。これを改善した発展形がMomentum、AdaGrad、Adamなどです。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① ニュートン法は2階微分を使う最適化手法で、SGDとは別物。 ② ベイズ確率はベイズ推論で使う考え方で、SGDの仕組みではありません。 ④ 微分の計算自体は誤差逆伝播法で行いますが、SGDの本質は「逐次更新」の部分です。 最適化アルゴリズムの発展を、ここで整理しておきましょう。 ✅ SGD：1件ずつ勾配を計算して逐次更新（基本中の基本） ✅ Momentum：過去の更新方向を引き継ぎ、振動を抑える ✅ AdaGrad：パラメータごとに学習率を自動調整 ✅ Adam：MomentumとAdaGradの良いとこ取り（DLで最もよく使われる） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 勾配降下法を用いてモデルを訓練する際の、オンライン学習・バッチ学習・ミニバッチ学習の関係について、最も適切なものを1つ選んでください。 ただし、全訓練データ数をNとします。 ① オンライン学習はパラメータ更新時に用いるデータ数が「1」、バッチ学習は「N」、ミニバッチ学習は「1 < n < N」。 ② オンライン学習は「N」、バッチ学習は「1 < n < N」、ミニバッチ学習は「1」。 ③ オンライン学習は「N」、バッチ学習は「N」、ミニバッチ学習は「1 < n < N」。 ④ オンライン学習は「N」、バッチ学習は「1」、ミニバッチ学習は「1 < n < N」。 ========== ディープラーニングの学習でよく使う3つの方式。 「1回のパラメータ更新でデータを何件使うか」が見分けるポイントです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「① オンライン学習はパラメータ更新時に用いるデータ数が「1」、バッチ学習は「N」、ミニバッチ学習は「1 < n < N」。」です。 G検定ではまず、「1回のパラメータ更新で何件のデータを使うか」で整理すると理解しやすいです。 オンライン学習は1件ずつ更新するので、新しいデータが流れてくる状況に強い反面、ノイズの影響を受けやすい。 バッチ学習は全データを使って一度にまとめて更新するので、安定しているが計算コストが大きい。 ミニバッチ学習はその中間で、現在のディープラーニングで最も一般的な手法です。GPUの並列処理とも相性が良いんですよね。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② オンラインとミニバッチの説明が逆になっています。 ③ オンラインの数値が間違い（オンラインは1件です）。 ④ バッチとオンラインの数値が逆になっています。 ✅ オンライン学習：1件ずつ更新（学習が速いがノイズに弱い） ✅ バッチ学習：全データ（N件）でまとめて更新（安定だが重い） ✅ ミニバッチ学習：その中間（1 < n < N）→ DLで最も一般的 ✅ 確率的勾配降下法（SGD）はオンライン学習の代表 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の文章の空欄に、最もよく当てはまるものを1つ選んでください。 「（　　　）は2つの確率分布の差を表す尺度である。誤差関数として利用すると、学習中のモデルの予測が正解データと一致する割合が高いほど（　　　）の値は0に近づき、低いほど大きな値をとる。分類問題でよく使われる。」 ① 交差エントロピー ② 結合エントロピー ③ 部分エントロピー ④ 情報エントロピー ========== 誤差関数は、ディープラーニングの学習を支える重要要素。 「分類問題で何を使うか」を押さえておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は 「① 交差エントロピー」です。 交差エントロピーは、2つの確率分布の差を表す尺度。 分類問題の誤差関数として使われ、モデルの予測と正解が近いほど値が小さくなり（理想は0）、ズレるほど大きくなります。 ニューラルネットワークの学習では、交差エントロピー誤差を最小化するようにパラメータを更新していきます。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② 結合エントロピーは存在しない誤差関数（用語としても誤り）。 ③ 部分エントロピーも存在しない誤差関数。 ④ 情報エントロピーは情報理論で使われる概念ですが、誤差関数としては使いません。 誤差関数の使い分けを、ここで整理しておきましょう。 ✅ 交差エントロピー：分類問題で使う（出力と正解ラベルの差） ✅ 平均二乗誤差（MSE）：回帰問題で使う（出力と正解値の差） ✅ どちらも「予測と正解の近さ」を測る指標で、最小化を目指す ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 単純パーセプトロン（隠れ層を持たない初期のニューラルネットワーク）が解けないとされる論理演算として、最も適切なものを1つ選んでください。 ① AND（論理積） ② OR（論理和） ③ XOR（排他的論理和） ④ NOT（否定） ========== ニューラルネットワーク研究が一度冬の時代を迎えたきっかけになる有名な問題。 「線形分離できるかどうか」がポイントです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は ③ XOR（排他的論理和）です。 XOR問題は、入力と出力の関係が「直線で分けられない（線形分離不可能）」という性質を持ちます。 単純パーセプトロンは「線形」のモデルなので、直線で分けられない問題は解けません。これが指摘されたことで、ニューラルネットワーク研究は一度冬の時代を迎えました。 その後、隠れ層を加えた「多層パーセプトロン」によって、XOR問題を含む非線形問題が解けるようになり、研究が再び盛り上がりを見せます。これがディープラーニングの源流です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① AND（A and B）：直線1本で0と1を分けられる（線形分離可能） ② OR（A or B）：こちらも直線1本で分けられる ④ NOT（not A）：1次元の問題で、もちろん線形分離可能 ✅ 単純パーセプトロン：線形分離可能な問題しか解けない ✅ XOR問題：線形分離不可能（直線で分けられない）→ 単純パーセプトロンでは解けない ✅ 多層パーセプトロン：隠れ層を加えることでXOR問題も解ける ✅ これがディープラーニング（深い隠れ層を持つNN）の源流 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 病気の検査AIを開発しているとします。実際に病気の人を「健康」と誤判定してしまう「見逃し」を最小化したい場合、重視すべき評価指標として最も適切なものを1つ選んでください。 ① 正解率（Accuracy） ② 適合率（Precision） ③ 再現率（Recall） ④ F1スコア ========== 「適合率」「再現率」は名前が似ていて混乱しがちですが、ビジネスでの判断にも直結する超重要指標。 「何を最小化したいか」で使い分けます。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は ③ 再現率（Recall）」です。 再現率とは、「実際に正例（病気）であるもののうち、どれだけ正しく正例と予測できたか」を示す指標。 つまり「見逃しの少なさ」を測る指標で、再現率が高いほど見逃しが少ないということになります。 病気の検査のように「見逃すと取り返しがつかない」場面では、再現率を最優先するのが定石です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① 正解率（Accuracy） → 全体の予測のうち、正しく予測できた割合。データに偏りがある（病気の人が少ない）ときは、正解率だけ見ると本質を見誤る可能性があります。 ② 適合率（Precision） → 「正例と予測したもののうち、本当に正例だった割合」。誤報（健康な人を病気と誤判定）を減らしたいときに重視します。 ④ F1スコア → 適合率と再現率の調和平均。両方をバランス良く重視したいときに使います。 用途別に整理しておきましょう。 ✅ 再現率（Recall）：見逃しを減らしたい場面（病気診断、不正検知など） ✅ 適合率（Precision）：誤報を減らしたい場面（迷惑メール判定など） ✅ F1スコア：両方バランスよく見たい場面 ✅ 正解率（Accuracy）：データに偏りがないときの基本指標 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！

【G検定毎日クイズ】 Q.機械学習における検証手法の1つである「k-分割交差検証」が、特に効果的に使えるのはどのような状況か。最も適切なものを1つ選んでください。 ① 学習に時間がかかるとき。 ② 分類問題におけるクラスの数が少ないとき。 ③ 入力データの次元が大きいとき。 ④ データセットに含まれるデータの件数が少ないとき。 ========== モデルの「汎化性能」を正しく評価するための検証手法は、機械学習で必須の技術。 その中でもk-分割交差検証はG検定でよく問われます。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は④ 「データセットに含まれるデータの件数が少ないとき。」です。 k-分割交差検証は、データを「k個」に分割し、そのうち1つをテストデータ、残りを訓練データとして学習・評価することをk回繰り返す手法。 最終的にk回の評価結果を平均することで、限られたデータでもモデルの性能を信頼性高く評価できます。 データが豊富にある場合は、シンプルに「訓練データ・検証データ・テストデータ」に分けるだけでも十分ですが、データが少ないときは1回だけの分割では偏りが大きくなるので、交差検証が威力を発揮するわけです。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① 学習に時間がかかるときは、むしろ交差検証はk回学習を繰り返すので、さらに時間がかかります。逆効果です。 ② クラス数の少なさは、交差検証の効果と直接関係がありません。 ③ 入力データの次元数も、交差検証の効果と直接関係はありません。次元の問題は次元削減で対処します。 ✅ k-分割交差検証：データをk個に分割し、k回の学習・評価を平均する ✅ 効果が出る場面：データ件数が少ないとき ✅ デメリット：学習をk回繰り返すので、計算コストはk倍になる ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Q.強化学習はマルコフ決定過程として定式化されることが多い。このときの「マルコフ性」の意味として、最も適切なものを1つ選んでください。 ① 未来の状態は、現在の状態にのみ依存し、過去には依存しない。 ② 未来の状態は、過去の状態と現在の状態の両方に依存する。 ③ 未来の状態は、過去の状態にのみ依存し、現在の状態には依存しない。 ④ 未来の状態は、過去にも現在にも依存しない。 ========== 「マルコフ性」は強化学習を理解する上で外せない概念。 過去・現在・未来のどれに依存するか、を整理して考えてみてください。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は① 「未来の状態は、現在の状態にのみ依存し、過去には依存しない。」です。 マルコフ性とは、「次に起きることは、今の状態だけで決まる」という性質のこと。 強化学習では、エージェントが次にどの行動を取るかを決めるとき、過去の履歴をすべて遡る必要はなく、現在の状態だけ見れば良い、という前提でモデル化します。これがマルコフ決定過程（MDP）の基本です。 シンプルな前提に思えますが、これがあるからこそ強化学習のアルゴリズム（Q学習など）が成立するんですよね。 他の選択肢が、なぜ違うのかも整理しておきますね。 ②過去にも依存するなら、無限の履歴を考慮する必要があり、現実的に計算できなくなります。 ③現在の状態を無視するのは、強化学習の本質と矛盾します。 ④未来が何にも依存しないなら、そもそも学習する意味がありません。 ✅ マルコフ性：未来は現在の状態だけで決まる（過去には依存しない） ✅ マルコフ決定過程（MDP）：強化学習の基本となる枠組み ✅ Q学習やSARSAなどの強化学習アルゴリズムは、マルコフ性を前提にしている ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Q.以下の説明に当てはまる手法として、最も適切なものを1つ選んでください。 「高次元のデータを、情報量をできるだけ保ったまま低次元に圧縮する手法。教師なし学習の代表的な次元削減手法であり、データの可視化や前処理にも使われる。」 ①k-means法 ②主成分分析（PCA） ③決定木 ④ランダムフォレスト ========== 「次元の呪い」を回避するためにも、次元削減はG検定で頻出のトピック。 代表手法を1つ押さえておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は② 「主成分分析（PCA）」です。 主成分分析（Principal Component Analysis、PCA）は、高次元のデータを情報量を保ったまま低次元に圧縮する代表的な手法。 例えば100次元のデータでも、もとのばらつきの大半を説明できる「主成分」を数次元だけ取り出せば、データの本質を保ったまま可視化したり、機械学習の前処理として使ったりできます。 他の選択肢が、なぜ違うのかも整理しておきますね。 ①k-means法 → 同じ教師なし学習だが、目的はクラスタリング（データのグループ化）であり、次元削減ではありません。 ③決定木 → 教師あり学習の分類・回帰アルゴリズム。 ④ランダムフォレスト → 教師あり学習のアンサンブル学習手法。 教師なし学習の役割で整理しておきましょう。 ✅ 主成分分析（PCA）：高次元データを低次元に圧縮（次元削減） ✅ k-means法：データをk個のクラスタに分割（クラスタリング） ✅ 階層クラスタリング：階層構造でクラスタを形成（クラスタリング） ✅ 「次元の呪い」対策として、PCAなどの次元削減が有効 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Q.以下の説明に当てはまる手法として、最も適切なものを1つ選んでください。 「教師なし学習の手法の1つ。あらかじめ決めたk個のクラスタを作るために、クラスタごとに重心を求め、各データを最も近いクラスタに紐付ける作業を繰り返してデータを分割する。」 ① 線形回帰 ② ブースティング ③ k-means法 ④ 主成分分析（PCA） ========== 教師なし学習の代表手法といえばこれ。 「k個」「重心」「繰り返し」がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は③ 「k-means法」です。 k-means法は、教師なし学習の代表的なクラスタリング手法。 事前にクラスタ数「k」を決めて、各クラスタの重心を計算しながら、データを近いクラスタに割り当てていきます。重心が動かなくなるまでこの作業を繰り返すのが基本の流れです。 シンプルかつ高速なので、ビジネスの顧客セグメンテーションなどでも広く使われています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ①線形回帰 → 教師あり学習の手法。連続値を予測する回帰問題で使います。 ②ブースティング → 教師あり学習のアンサンブル学習手法。複数のモデルを組み合わせて精度を上げる仕組みです。 ④主成分分析（PCA） → こちらも教師なし学習ですが、目的は「次元削減」。クラスタリングではなく、高次元データを低次元にまとめる手法です。 教師なし学習の主な手法を、ここで一気に整理しておきましょう。 ✅ k-means法：k個のクラスタに分割（クラスタリング） ✅ 階層クラスタリング：階層構造でクラスタを形成（デンドログラムで可視化） ✅ 主成分分析（PCA）：高次元データを低次元に圧縮（次元削減） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Q.複数の決定木を用意し、訓練データをランダムに振り分けてアンサンブル学習を行う学習手法として、最も適切なものを1つ選んでください。 ① B木 ② ドメインランダマイゼーション ③ ランダムフォレスト ④ 勾配ブースティング決定木 ========== 「複数のモデルを組み合わせる＝アンサンブル学習」はG検定の頻出テーマ。 代表手法をまとめて押さえておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は③ 「ランダムフォレスト」です。 ランダムフォレストは、複数の決定木を作り、それぞれに訓練データをランダムに振り分けて学習させ、最終的に多数決（または平均）で予測を出すアンサンブル学習の代表手法。 「フォレスト＝森」の名前のとおり、たくさんの決定木を集めることで、1つの決定木だけでは出せない安定した予測を実現します。 他の選択肢が、なぜ違うのかも整理しておきますね。 ①B木 → データ構造の一種（データベースのインデックスなどで使われる）。機械学習とは無関係です。 ②ドメインランダマイゼーション → 強化学習で、シミュレーションのパラメータをランダム化して汎化性能を高める手法。アンサンブル学習ではありません。 ④勾配ブースティング決定木（GBDT） → こちらもアンサンブル学習の代表だが、「ブースティング」型なので、前のモデルの間違いを次のモデルが修正していく逐次的な手法。ランダムに振り分けて並列に学習するランダムフォレストとは仕組みが違います。 アンサンブル学習を、ここで一気に整理しておきましょう。 ✅ ランダムフォレスト：複数の決定木を並列に作って多数決（バギング型） ✅ 勾配ブースティング決定木：前のモデルの誤りを次のモデルが修正（ブースティング型） ✅ バギング：データをランダムにサンプリングして並列学習 ✅ ブースティング：弱い学習器を逐次的に組み合わせて精度向上 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Q.以下の文章の空欄（A）（B）に、最もよく当てはまる組み合わせを1つ選んでください。 「サポートベクターマシン（SVM）において、データを（A）空間に写像することで、写像後の空間で線形分類ができるようにする方法が取られる。その際に用いられる関数のことを（B）関数という。」 ① （A）高次元　（B）カーネル ② （A）高次元　（B）フーリエ ③ （A）低次元　（B）カーネル ④ （A）低次元　（B）フーリエ ========== SVMは古典的な機械学習アルゴリズムの代表格。 「線形分類」と「非線形分類」をどう繋ぐかがカギになります。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 正解は① 「（A）高次元　（B）カーネル」です。 SVMは本来、線形に分離できるデータしか扱えません。 しかし、現実のデータは曲線で分けないといけないものも多いですよね？ そこで「カーネル関数」を使ってデータを「高次元空間」に写像（マッピング）すると、もとは曲線でしか分けられなかったデータが、高次元では平面（線形）で分けられるようになる。これがSVMで非線形分類を実現する仕組みです。 これをカーネルトリックと呼びます。 他の選択肢が、なぜ違うのかも整理しておきますね。 ②フーリエ関数は信号処理（音や波）で使う関数で、SVMとは関係ありません。 ③低次元に写像しても、線形分類できなかったものが線形にはなりません。 ④低次元かつフーリエなので、両方間違っています。 ✅ SVM：分類アルゴリズムの代表格 ✅ カーネル関数：データを高次元に写像する関数 ✅ カーネルトリック：高次元で線形分類することで、もとのデータを非線形分類できる仕組み ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide-g… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！