転移学習に関する説明として不適切な選択肢を選べ

訓練データに対し、回線や平行移動などの操作をおこなうことでデータ量を懐疑的に増やすテクニックとして適切な選択肢を選べ

転移学習が適用される例として不適切な選択肢を選べ

ニュートラルネットワークは、学習すべきパラメータの数も膨大であるため、パラメータの最適解を（ア）に求められることは非現実的である。代わりに（イ）に用いて最適解を探索するアプローチが取られる

勾配降下法において、最適なパラメータ値の設定にたどり着くまでに、パラメータを何度も繰り返し更新する必要がある。パラメータが更新された回数を表す概念として適切な選択肢を選べ

ニュートラルネットワークの訓練では、パラメータを何度も更新しながら最適な値に近づかせる。パラメータの一度の更新に用いられるサンプル数を（ア）、同じ訓練データが繰り返し学習に使われた回数を表す量を（イ）と呼ぶ

ディープニュートラルネットワークの訓練に取り入れられているバッチ正規化の説明として不適切な選択肢を選べ

ニュートラルネットワークにおいて、学習データを複数のグループに分けて、一度に1グループずつモデルに入力して損失関数を計算し、少しずつパラメータを更新する学習の仕組みとして適切な選択肢を選べ

ニュートラルネットワークの学習において最適解に到達するためには、一度に全データではなく、一部のデータを使って徐々にパラメータを更新する（ア）が有効と知られている

バッチ正規化の目的の1つは（ア）問題に対策することである

ニュートラルネットワークの訓練に取り入れられるドロップアウトについて不適切な選択肢を選べ

ディープラーニングの訓練は通常、膨大な学習データの量と計算時間を必要とする。この時、関係性の高い別タスクで大量のデータを用いて学習させたモデルのパラメータを（ア）に活用し、効果的に学習を行う工夫がとられる

学習済みモデルのパラメータ値を初期化として採用し、手元のタスクのために新しいデータを使って出力側に近い層のパラメータのみ再学習させる過程として適切な選択肢を選べ

ニュートラルネットワークの基本的な最適化アルゴリズムの1つである（ア）は、損失関数の形によってはパラメータの探索が非効率になってしまう。この課題は、学習率の調整を適宜行う（イ）を使用することで改善されることがある

画像認識用の深層学習モデルに入力する前に、画像データからノイズを除去する操作として適切な選択肢を選べ

ニュートラルネットワークの学習において、1つの（ア）の終了時の精度が、何個か前の（ア）の精度と比較して改善が見られない場合に学習を打ち切る手法を（イ）と呼ぶ

ニュートロン層の間の結合を一部切断することで学習の高速化を図る手法として適切な選択肢を選べ

モデルの軽量化のために試みる手段に関する記述として不適切な選択肢を選べ

モデルの規模を小さくすることのメリットとして、適切な選択肢を選べ

大規模なニュートラルネットワークを構築するには膨大な数のパラメータを学習する必要があるため、高速な、データが重要である。そのため、画像処理に特化した演算装置を発展させたプロセッサである（ア）が使われるようになった

ディープラーニングに必要な学習データの量について不適切な選択肢を選べ