問題一覧
1
(ア)A-D変換 (イ)サンプリング
2
音色
3
SegNet
4
サンプリング定理
5
(ア)音波の強さを量子化したビット列 (イ)ナイキスト周波数
6
ジェネレータが生成した画像を、ディスクリミネータがもとの画像と識別できない
7
教師なし学習を用いるPix2Pixは、教師あり学習を用いるCycleGANよりも柔軟性の高いスタイル変換を可能にする
8
ウェブ上から収集された画像とキャプションのセット
9
少量のデータで事前学習を効果的に行う
10
テキストで条件付ける誘導拡散の手法を導入することで、より本物らしい画像を生成できる
11
プロンプトエンジニアリングでは、利用者が入力した命令文に正しく応答できるように、生成AIモデルのパラメータの調整を行う
12
ウェブから収集された膨大な量のテキストデータを用いて、教師なし学習を行うことでChatGPTが訓練される
13
(ア)確率的 (イ)幻覚
14
有害なコンテンツを含む回答を出す確率を減らすことができる
15
ネットワークに外乱を付加する
16
ダブルDQNでは、Q関数の更新を行うネットワークとは別に、次に取る行動を決めるネットワークを別途設けている
17
ドメインランダマイゼーション
18
ロボット制御の方策をあらかじめ学習し、学習済みの方策を実世界に転移するために使われる
19
オフライン強化学習は過去に集めたデータを使って強化学習を行う手法であり、従来の強化学習にとって試行錯誤が困難である医療の分野への適用が期待されている
20
Main-Max法
21
A3C
22
(ア)並列 (イ)学習を安定化できる
23
マルチモーダル
24
Grad-CAM
25
LIMEとGrad-CAMは両方とも、表形式のデータと画像データを用いた予測タスクの解釈を行うことができる
26
LIMEは、特定の1つの入力データのに対する予測の根拠を説明する手法をである
1.人工知能の定義と、技術動向・研究における問題
1.人工知能の定義と、技術動向・研究における問題
Tsuyoshi Ikeda · 23問 · 1年前1.人工知能の定義と、技術動向・研究における問題
1.人工知能の定義と、技術動向・研究における問題
23問 • 1年前2.1.機械学習の基本概念・具体的な手法・精度評価
2.1.機械学習の基本概念・具体的な手法・精度評価
Tsuyoshi Ikeda · 22問 · 1年前2.1.機械学習の基本概念・具体的な手法・精度評価
2.1.機械学習の基本概念・具体的な手法・精度評価
22問 • 1年前2.2.機械学習の基本概念・具体的な手法・精度評価
2.2.機械学習の基本概念・具体的な手法・精度評価
Tsuyoshi Ikeda · 20問 · 1年前2.2.機械学習の基本概念・具体的な手法・精度評価
2.2.機械学習の基本概念・具体的な手法・精度評価
20問 • 1年前2.3.機械学習の基本概念・具体的な手法・精度評価
2.3.機械学習の基本概念・具体的な手法・精度評価
Tsuyoshi Ikeda · 16問 · 1年前2.3.機械学習の基本概念・具体的な手法・精度評価
2.3.機械学習の基本概念・具体的な手法・精度評価
16問 • 1年前3.1.ディープラーニングの仕組みと応用
3.1.ディープラーニングの仕組みと応用
Tsuyoshi Ikeda · 17問 · 1年前3.1.ディープラーニングの仕組みと応用
3.1.ディープラーニングの仕組みと応用
17問 • 1年前3.2.ディープラーニングの仕組みと応用
3.2.ディープラーニングの仕組みと応用
Tsuyoshi Ikeda · 21問 · 1年前3.2.ディープラーニングの仕組みと応用
3.2.ディープラーニングの仕組みと応用
21問 • 1年前3.3.ディープラーニングの仕組みと応用
3.3.ディープラーニングの仕組みと応用
Tsuyoshi Ikeda · 12問 · 1年前3.3.ディープラーニングの仕組みと応用
3.3.ディープラーニングの仕組みと応用
12問 • 1年前3.4.ディープラーニングの仕組みと応用
3.4.ディープラーニングの仕組みと応用
Tsuyoshi Ikeda · 27問 · 1年前3.4.ディープラーニングの仕組みと応用
3.4.ディープラーニングの仕組みと応用
27問 • 1年前4.1.ディープラーニングの研究分野
4.1.ディープラーニングの研究分野
Tsuyoshi Ikeda · 12問 · 1年前4.1.ディープラーニングの研究分野
4.1.ディープラーニングの研究分野
12問 • 1年前4.2.ディープラーニングの研究分野
4.2.ディープラーニングの研究分野
Tsuyoshi Ikeda · 19問 · 1年前4.2.ディープラーニングの研究分野
4.2.ディープラーニングの研究分野
19問 • 1年前5.1 AI・データ活用の社会実装とプロジェクトの進め方
5.1 AI・データ活用の社会実装とプロジェクトの進め方
Tsuyoshi Ikeda · 23問 · 1年前5.1 AI・データ活用の社会実装とプロジェクトの進め方
5.1 AI・データ活用の社会実装とプロジェクトの進め方
23問 • 1年前6.1 法規制・倫理ガイドライン・社会問題
6.1 法規制・倫理ガイドライン・社会問題
Tsuyoshi Ikeda · 19問 · 1年前6.1 法規制・倫理ガイドライン・社会問題
6.1 法規制・倫理ガイドライン・社会問題
19問 • 1年前6.2 法規制・倫理ガイドライン・社会問題
6.2 法規制・倫理ガイドライン・社会問題
Tsuyoshi Ikeda · 21問 · 1年前6.2 法規制・倫理ガイドライン・社会問題
6.2 法規制・倫理ガイドライン・社会問題
21問 • 1年前6.3 法規制・倫理ガイドライン・社会問題
6.3 法規制・倫理ガイドライン・社会問題
Tsuyoshi Ikeda · 13問 · 1年前6.3 法規制・倫理ガイドライン・社会問題
6.3 法規制・倫理ガイドライン・社会問題
13問 • 1年前6.4 法規制・倫理ガイドライン・社会問題
6.4 法規制・倫理ガイドライン・社会問題
Tsuyoshi Ikeda · 11問 · 1年前6.4 法規制・倫理ガイドライン・社会問題
6.4 法規制・倫理ガイドライン・社会問題
11問 • 1年前7.1 AIを理解するための数学・統計学
7.1 AIを理解するための数学・統計学
Tsuyoshi Ikeda · 13問 · 1年前7.1 AIを理解するための数学・統計学
7.1 AIを理解するための数学・統計学
13問 • 1年前7.2 AIを理解するための数学・統計学
7.2 AIを理解するための数学・統計学
Tsuyoshi Ikeda · 17問 · 1年前7.2 AIを理解するための数学・統計学
7.2 AIを理解するための数学・統計学
17問 • 1年前問題1-01
問題1-01
Tsuyoshi Ikeda · 20問 · 1年前問題1-01
問題1-01
20問 • 1年前問題1-02
問題1-02
Tsuyoshi Ikeda · 20問 · 1年前問題1-02
問題1-02
20問 • 1年前問題一覧
1
(ア)A-D変換 (イ)サンプリング
2
音色
3
SegNet
4
サンプリング定理
5
(ア)音波の強さを量子化したビット列 (イ)ナイキスト周波数
6
ジェネレータが生成した画像を、ディスクリミネータがもとの画像と識別できない
7
教師なし学習を用いるPix2Pixは、教師あり学習を用いるCycleGANよりも柔軟性の高いスタイル変換を可能にする
8
ウェブ上から収集された画像とキャプションのセット
9
少量のデータで事前学習を効果的に行う
10
テキストで条件付ける誘導拡散の手法を導入することで、より本物らしい画像を生成できる
11
プロンプトエンジニアリングでは、利用者が入力した命令文に正しく応答できるように、生成AIモデルのパラメータの調整を行う
12
ウェブから収集された膨大な量のテキストデータを用いて、教師なし学習を行うことでChatGPTが訓練される
13
(ア)確率的 (イ)幻覚
14
有害なコンテンツを含む回答を出す確率を減らすことができる
15
ネットワークに外乱を付加する
16
ダブルDQNでは、Q関数の更新を行うネットワークとは別に、次に取る行動を決めるネットワークを別途設けている
17
ドメインランダマイゼーション
18
ロボット制御の方策をあらかじめ学習し、学習済みの方策を実世界に転移するために使われる
19
オフライン強化学習は過去に集めたデータを使って強化学習を行う手法であり、従来の強化学習にとって試行錯誤が困難である医療の分野への適用が期待されている
20
Main-Max法
21
A3C
22
(ア)並列 (イ)学習を安定化できる
23
マルチモーダル
24
Grad-CAM
25
LIMEとGrad-CAMは両方とも、表形式のデータと画像データを用いた予測タスクの解釈を行うことができる
26
LIMEは、特定の1つの入力データのに対する予測の根拠を説明する手法をである