暗記メーカー

暗記メーカー

​
ログイン
G検定5章
42問 • 7ヶ月前
  • ユーザ名非公開
    • 通報

    問題一覧

  • 1

    「Random Erasing」に関する説明として適切なものはどれか。

    「Random Erasing」に関する説明として適切なものはどれか。

  • 2

    スキップ結合の目的として正しいものはどれか。

    学習の安定化と勾配消失の回避を目的とする手法

  • 3

    ストライド（Stride）の説明として正しいものはどれか。

    フィルタをどのくらいの間隔で動かすかを決める値

  • 4

    データ拡張の主な目的として最も適切なものはどれか。

    過学習を防ぎ、汎化性能を高めること

  • 5

    パディングを行う主な目的として正しいものはどれか。

    畳み込み処理の出力サイズを調整・保持するため

  • 6

    畳み込み処理に関する説明として最も適切なものはどれか。

    入力画像にフィルタを適用し、特徴を抽出する処理

  • 7

    LSTMの特徴として正しいものはどれか。

    長期依存関係を学習可能なRNNの改良型

  • 8

    GPUがディープラーニングで活用される理由として最も適切なものはどれか。

    並列計算に優れており、大量の行列演算を高速に処理できるから

  • 9

    RNNの特徴として最も適切なものはどれか。

    時系列データや自然言語処理に適した構造を持つネットワーク

  • 10

    Attention機構の主な目的はどれか。

    入力の中で重要な情報に重みをつけて注目すること

  • 11

    Self-Attentionの特徴として正しいものはどれか。

    入力の各要素が、他の要素とどれだけ関係するかを計算する処理

  • 12

    Transformerの特徴として最も適切なものはどれか。

    Self-Attentionを用いて全入力を一度に処理する構造を持つモデル

  • 13

    位置エンコーディングの目的として最も適切なものはどれか。

    単語の順序情報をモデルに与えること

  • 14

    畳み込みニューラルネットワーク（CNN）における「畳み込み層」の主な役割はどれか。

    データの特徴を抽出する

  • 15

    プーリング層の主な役割として適切なものはどれか。

    特徴マップのサイズを小さくし、位置の不変性を持たせる

  • 16

    CNNにおける「パディング」の目的として最も適切なものはどれか。

    出力サイズを調整するために入力の端に値を追加する

  • 17

    「グローバルアベレージプーリング」とは何か。

    特徴マップ全体の平均を計算して1つの値に集約する

  • 18

    バッチ正規化（Batch Normalization）の主な目的はどれか。

    学習を安定させ、勾配消失を防ぐために中間層の出力を正規化する

  • 19

    「レイヤー正規化」の特徴として最も適切なものはどれか。

    各サンプルの層単位で正規化を行う

  • 20

    「インスタンス正規化」が最も効果を発揮するのはどのような状況か。

    画像生成などのスタイル変換タスク

  • 21

    「グループ正規化」に関する説明として正しいものはどれか。

    特徴マップを複数のグループに分け、それぞれを正規化する

  • 22

    ResNet（Residual Network）の特徴として正しいものはどれか。

    スキップ接続（残差接続）を導入して勾配消失を緩和する

  • 23

    リカレントニューラルネットワーク（RNN）の特徴として正しいものはどれか。

    各時刻において出力が前の状態に依存する

  • 24

    以下のうち、RNNの構造を持つものの組み合わせとして正しいものはどれか。

    LSTM、GRU、SimpleRNN

  • 25

    LSTMの主な特徴として正しいものはどれか。

    長期依存関係を保持しやすい構造

  • 26

    GRUの特徴として正しいものはどれか。

    忘却ゲートと入力ゲートを統合しており、LSTMより計算が軽い

  • 27

    双方向RNNの特徴として適切なものはどれか。

    過去と未来の両方の情報を使って出力を生成する

  • 28

    Seq2Seq

    エンコーダとデコーダから構成される

  • 29

    「教師強制（Teacher Forcing）」とは何か。

    デコーダに本来の正解を与えることで学習を促進する手法

  • 30

    Self-Attentionの特徴として最も適切なものはどれか。

    各要素間の依存関係を直接計算する手法

  • 31

    Multi-Head Attentionの目的として正しいものはどれか。

    異なる視点から情報を同時に捉えるため、複数のSelf-Attentionを並列に処理する

  • 32

    TransformerとRNNベースのSeq2Seqの主な違いはどれか。

    TransformerはAttention機構に基づいており、並列処理が可能

  • 33

    オートエンコーダの主な役割はどれか。

    データを圧縮・再構築することで特徴を学習する

  • 34

    積層オートエンコーダ（Stacked AutoEncoder）の特徴はどれか。

    オートエンコーダを何層にも積み重ねることで深い特徴を学習する

  • 35

    VAE(変分オートエンコーダ)の主な違いとして正しいものはどれか。

    潜在空間に確率分布を導入し、サンプリングを可能にする

  • 36

    次のうち、VAEを応用したネットワークの適切な組み合わせはどれか。

    Beta-VAE、CVAE、VQ-VAE

  • 37

    データ拡張（Data Augmentation）の目的として最も適切なものはどれか。

    学習データを人工的に増やして汎化性能を高める

  • 38

    画像認識におけるRotation（回転）によるデータ拡張の効果は何か。

    物体の向きのばらつきに対する頑健性を高める

  • 39

    自然言語処理におけるParaphrasing（言い換え）によるデータ拡張の目的はどれか。

    同じ意味を持つ文を別の表現で増やす

  • 40

    「Noising」（ノイズ付加）によるデータ拡張の効果はどれか。

    入力にランダムな変化を加え、頑健性を高める

  • 41

    画像データに対して「Random Flip」を適用する目的は何か。

    左右や上下の反転で位置のばらつきに対応する

  • 42

    RandAugmentの特徴として正しいものはどれか。

    ハイパーパラメータチューニングが不要な自動データ拡張手法

    • G検定

    G検定

    ユーザ名非公開 · 100問 · 8ヶ月前

    G検定

    G検定

    100問 • 8ヶ月前
    ユーザ名非公開

    G検定2

    G検定2

    ユーザ名非公開 · 29問 · 8ヶ月前

    G検定2

    G検定2

    29問 • 8ヶ月前
    ユーザ名非公開

    G検定4章

    G検定4章

    ユーザ名非公開 · 59問 · 8ヶ月前

    G検定4章

    G検定4章

    59問 • 8ヶ月前
    ユーザ名非公開

    問題一覧

  • 1

    「Random Erasing」に関する説明として適切なものはどれか。

    「Random Erasing」に関する説明として適切なものはどれか。

  • 2

    スキップ結合の目的として正しいものはどれか。

    学習の安定化と勾配消失の回避を目的とする手法

  • 3

    ストライド（Stride）の説明として正しいものはどれか。

    フィルタをどのくらいの間隔で動かすかを決める値

  • 4

    データ拡張の主な目的として最も適切なものはどれか。

    過学習を防ぎ、汎化性能を高めること

  • 5

    パディングを行う主な目的として正しいものはどれか。

    畳み込み処理の出力サイズを調整・保持するため

  • 6

    畳み込み処理に関する説明として最も適切なものはどれか。

    入力画像にフィルタを適用し、特徴を抽出する処理

  • 7

    LSTMの特徴として正しいものはどれか。

    長期依存関係を学習可能なRNNの改良型

  • 8

    GPUがディープラーニングで活用される理由として最も適切なものはどれか。

    並列計算に優れており、大量の行列演算を高速に処理できるから

  • 9

    RNNの特徴として最も適切なものはどれか。

    時系列データや自然言語処理に適した構造を持つネットワーク

  • 10

    Attention機構の主な目的はどれか。

    入力の中で重要な情報に重みをつけて注目すること

  • 11

    Self-Attentionの特徴として正しいものはどれか。

    入力の各要素が、他の要素とどれだけ関係するかを計算する処理

  • 12

    Transformerの特徴として最も適切なものはどれか。

    Self-Attentionを用いて全入力を一度に処理する構造を持つモデル

  • 13

    位置エンコーディングの目的として最も適切なものはどれか。

    単語の順序情報をモデルに与えること

  • 14

    畳み込みニューラルネットワーク（CNN）における「畳み込み層」の主な役割はどれか。

    データの特徴を抽出する

  • 15

    プーリング層の主な役割として適切なものはどれか。

    特徴マップのサイズを小さくし、位置の不変性を持たせる

  • 16

    CNNにおける「パディング」の目的として最も適切なものはどれか。

    出力サイズを調整するために入力の端に値を追加する

  • 17

    「グローバルアベレージプーリング」とは何か。

    特徴マップ全体の平均を計算して1つの値に集約する

  • 18

    バッチ正規化（Batch Normalization）の主な目的はどれか。

    学習を安定させ、勾配消失を防ぐために中間層の出力を正規化する

  • 19

    「レイヤー正規化」の特徴として最も適切なものはどれか。

    各サンプルの層単位で正規化を行う

  • 20

    「インスタンス正規化」が最も効果を発揮するのはどのような状況か。

    画像生成などのスタイル変換タスク

  • 21

    「グループ正規化」に関する説明として正しいものはどれか。

    特徴マップを複数のグループに分け、それぞれを正規化する

  • 22

    ResNet（Residual Network）の特徴として正しいものはどれか。

    スキップ接続（残差接続）を導入して勾配消失を緩和する

  • 23

    リカレントニューラルネットワーク（RNN）の特徴として正しいものはどれか。

    各時刻において出力が前の状態に依存する

  • 24

    以下のうち、RNNの構造を持つものの組み合わせとして正しいものはどれか。

    LSTM、GRU、SimpleRNN

  • 25

    LSTMの主な特徴として正しいものはどれか。

    長期依存関係を保持しやすい構造

  • 26

    GRUの特徴として正しいものはどれか。

    忘却ゲートと入力ゲートを統合しており、LSTMより計算が軽い

  • 27

    双方向RNNの特徴として適切なものはどれか。

    過去と未来の両方の情報を使って出力を生成する

  • 28

    Seq2Seq

    エンコーダとデコーダから構成される

  • 29

    「教師強制（Teacher Forcing）」とは何か。

    デコーダに本来の正解を与えることで学習を促進する手法

  • 30

    Self-Attentionの特徴として最も適切なものはどれか。

    各要素間の依存関係を直接計算する手法

  • 31

    Multi-Head Attentionの目的として正しいものはどれか。

    異なる視点から情報を同時に捉えるため、複数のSelf-Attentionを並列に処理する

  • 32

    TransformerとRNNベースのSeq2Seqの主な違いはどれか。

    TransformerはAttention機構に基づいており、並列処理が可能

  • 33

    オートエンコーダの主な役割はどれか。

    データを圧縮・再構築することで特徴を学習する

  • 34

    積層オートエンコーダ（Stacked AutoEncoder）の特徴はどれか。

    オートエンコーダを何層にも積み重ねることで深い特徴を学習する

  • 35

    VAE(変分オートエンコーダ)の主な違いとして正しいものはどれか。

    潜在空間に確率分布を導入し、サンプリングを可能にする

  • 36

    次のうち、VAEを応用したネットワークの適切な組み合わせはどれか。

    Beta-VAE、CVAE、VQ-VAE

  • 37

    データ拡張（Data Augmentation）の目的として最も適切なものはどれか。

    学習データを人工的に増やして汎化性能を高める

  • 38

    画像認識におけるRotation（回転）によるデータ拡張の効果は何か。

    物体の向きのばらつきに対する頑健性を高める

  • 39

    自然言語処理におけるParaphrasing（言い換え）によるデータ拡張の目的はどれか。

    同じ意味を持つ文を別の表現で増やす

  • 40

    「Noising」（ノイズ付加）によるデータ拡張の効果はどれか。

    入力にランダムな変化を加え、頑健性を高める

  • 41

    画像データに対して「Random Flip」を適用する目的は何か。

    左右や上下の反転で位置のばらつきに対応する

  • 42

    RandAugmentの特徴として正しいものはどれか。

    ハイパーパラメータチューニングが不要な自動データ拡張手法