暗記メーカー

暗記メーカー

​
ログイン
3.4.ディープラーニングの仕組みと応用
27問 • 1年前
  • Tsuyoshi Ikeda
    • 通報

    問題一覧

  • 1

    畳み込みニュートラルネットワーク（CNN）の構造 画像に（ア）を重ねて、画像との間で（イ）を行うことで、、画像から特徴を抽出する。（ウ）と呼ぶ一定幅でスライドしていきながら、画像全体をカバーするまで（イ）を繰り返す

    （ア）フィルタ （イ）畳み込み演算 （ウ）ストライド

  • 2

    CNNで行われる畳み込み演算の計算処理について考える。６✕６のサイズの画像に対して、２✕２のフィルタをスライド2で適用した場合、出力される特徴マップのサイズとして適切な選択肢を選べ

    ８✕８

  • 3

    畳み込みニュートラルネットワークにおいて、画像中の対象物の移動に対して頑健になるように、情報の圧縮を行う操作として不適切な選択肢を選べ

    ランダムプーリング

  • 4

    GoogLeNetに関する説明として、適切な選択肢を選べ

    インセプションモジュールを組み合わせている

  • 5

    2017年まで開催され、コンピュータビジョン分野にて技術の発展に貢献した、物体認識の性能を競う国際コンテストとして、適切な選択肢を選べ

    ILSVRC

  • 6

    スキップ結合（Skip Connection）を特徴とする画像認識モデルの名称として適切な選択肢を選べ

    ResNet

  • 7

    2012年に開催された画像認識コンテストILSVRCで、従来メジャーだった画像認識手法のSVMに勝ち、初めて優勝したディープラーニングモデルとして適切な選択肢を選べ

    AiexNet

  • 8

    AiexNetをはじめとする開発当時で最高精度を達成した画像認識モデルの訓練に使用された訓練データセットとして適切な選択肢を選べ

    imageNet

  • 9

    ResNetの特徴として不適切な選択肢を選べ

    インセプションモジュールを数多く組み合わせている

  • 10

    画像認識のデータセットImageNetに関する記述として適切な選択肢を選べ

    ２万種類のグラスラベルが付与された、約1400万枚の画像データから構成されている

  • 11

    2017年まで開催された画像認識の国際的コンペティションILSVRCにおいて、評価に用いられた指標として適切な選択肢を選べ

    分類の誤差率

  • 12

    EffcientNetに関する説明として適切な選択肢を選べ

    広さ、深さ、解像度を最適化しながらスケール調整することで、比較的小規模なモデルでも高い精度を達成することができる

  • 13

    EfficientNetに関する説明として適切な選択肢を選べ

    モデルのパラメータ数を従来モデルよりも削減したCNNモデルがある

  • 14

    画像認識のデータセットに含まれる各画像に対してクラスラベルが文字列で与えられた場合、このラベルをモデルの学習にどのように用いるべきか適切な選択肢を選べ

    各クラスのラベルにユニークな番号を割り振り、その番号を代わりにラベルとして使う

  • 15

    ニュートラルネットワークに入力する前に、学習用の画像データのサイズを調整するために、画像の周りを固定値で埋めることがある。この操作の名称として適切な選択肢を選べ

    バディング

  • 16

    ディープラーニングによる画像認識の応用として適切な選択肢を選べ

    クラス分類、物体セグメンテーション

  • 17

    深層強化学習で用いられるDeep Q-Network（DQN）の説明として不適切な選択肢を選べ

    多数の状態と行動の組み合わせから最適な選択肢に絞るために、ε-greedy法を使用している

  • 18

    ボードゲームのような問題において、自分の番の時にスコアが最大、相手の番の時にスコアが最小になるように探索を行うアルゴリズムとして適切な選択肢を選べ

    Mini-Max法

  • 19

    DQNでは常に価値の最も高い行動を選び続けた場合、行動探索の範囲が狭くなってしまう。これに対処すべく、ネットワークに意図的に外乱を与え、それも含めて学習させる手法として適切な選択肢を選べ

    ノイジーネットワーク

  • 20

    強化学習において、報酬が高かった行動を積極的に選択しようとすると「活用」および（ア）を求める「探索」の間のバランス２着目した手法が（ィ゙）である

    （ア）さらに高い報酬をもたらす行動 （イ）バンデットアルゴリズム

  • 21

    Experience Replayに関する記述として、適切な選択肢を選べ

    過学習を抑える効果がある

  • 22

    強化学習では、最大の価値が得られるように行動を最適化する。このために取られるアプローチについて、適切な選択肢を選べ

    方策勾配法では、勾配降下法を用いて方策を最適化する

  • 23

    エンエンコーダは、現在のディープラーニングのもとになったアルゴリズムと言われている。オートエンコーダは入力が正解と同じであり、出力を入力に近づけるように隠れ層で特徴を抽出する（ア）の手法である

    教師なし学習

  • 24

    オートエンコーダの（ア）では、入力データが圧縮され、入力層と出力層が同じデータを持つように特徴量を抽出する役割を果たす

    隠れ層

  • 25

    自己符号器（オートエンコーダ）に関する記述として、不適切な選択肢を選べ

    中間層のノード数は必ず入力層より多くする

  • 26

    オートエンコーダのエンコーダでは（ア）で行うため、（イ）を抑える効果がある

    （ア）次元削減 （イ）勾配消失

  • 27

    積層オートエンコーダの説明として、不適切な選択肢を選べ

    積層オートエンコーダに、ロジスティック回帰層を足すことで、回帰タスクに使用することができる

    • 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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    4.3.ディープラーニングの研究分野

    4.3.ディープラーニングの研究分野

    Tsuyoshi Ikeda · 3回閲覧 · 26問 · 1年前

    4.3.ディープラーニングの研究分野

    4.3.ディープラーニングの研究分野

    3回閲覧 • 26問 • 1年前
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    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
    Tsuyoshi Ikeda

    問題一覧

  • 1

    畳み込みニュートラルネットワーク（CNN）の構造 画像に（ア）を重ねて、画像との間で（イ）を行うことで、、画像から特徴を抽出する。（ウ）と呼ぶ一定幅でスライドしていきながら、画像全体をカバーするまで（イ）を繰り返す

    （ア）フィルタ （イ）畳み込み演算 （ウ）ストライド

  • 2

    CNNで行われる畳み込み演算の計算処理について考える。６✕６のサイズの画像に対して、２✕２のフィルタをスライド2で適用した場合、出力される特徴マップのサイズとして適切な選択肢を選べ

    ８✕８

  • 3

    畳み込みニュートラルネットワークにおいて、画像中の対象物の移動に対して頑健になるように、情報の圧縮を行う操作として不適切な選択肢を選べ

    ランダムプーリング

  • 4

    GoogLeNetに関する説明として、適切な選択肢を選べ

    インセプションモジュールを組み合わせている

  • 5

    2017年まで開催され、コンピュータビジョン分野にて技術の発展に貢献した、物体認識の性能を競う国際コンテストとして、適切な選択肢を選べ

    ILSVRC

  • 6

    スキップ結合（Skip Connection）を特徴とする画像認識モデルの名称として適切な選択肢を選べ

    ResNet

  • 7

    2012年に開催された画像認識コンテストILSVRCで、従来メジャーだった画像認識手法のSVMに勝ち、初めて優勝したディープラーニングモデルとして適切な選択肢を選べ

    AiexNet

  • 8

    AiexNetをはじめとする開発当時で最高精度を達成した画像認識モデルの訓練に使用された訓練データセットとして適切な選択肢を選べ

    imageNet

  • 9

    ResNetの特徴として不適切な選択肢を選べ

    インセプションモジュールを数多く組み合わせている

  • 10

    画像認識のデータセットImageNetに関する記述として適切な選択肢を選べ

    ２万種類のグラスラベルが付与された、約1400万枚の画像データから構成されている

  • 11

    2017年まで開催された画像認識の国際的コンペティションILSVRCにおいて、評価に用いられた指標として適切な選択肢を選べ

    分類の誤差率

  • 12

    EffcientNetに関する説明として適切な選択肢を選べ

    広さ、深さ、解像度を最適化しながらスケール調整することで、比較的小規模なモデルでも高い精度を達成することができる

  • 13

    EfficientNetに関する説明として適切な選択肢を選べ

    モデルのパラメータ数を従来モデルよりも削減したCNNモデルがある

  • 14

    画像認識のデータセットに含まれる各画像に対してクラスラベルが文字列で与えられた場合、このラベルをモデルの学習にどのように用いるべきか適切な選択肢を選べ

    各クラスのラベルにユニークな番号を割り振り、その番号を代わりにラベルとして使う

  • 15

    ニュートラルネットワークに入力する前に、学習用の画像データのサイズを調整するために、画像の周りを固定値で埋めることがある。この操作の名称として適切な選択肢を選べ

    バディング

  • 16

    ディープラーニングによる画像認識の応用として適切な選択肢を選べ

    クラス分類、物体セグメンテーション

  • 17

    深層強化学習で用いられるDeep Q-Network（DQN）の説明として不適切な選択肢を選べ

    多数の状態と行動の組み合わせから最適な選択肢に絞るために、ε-greedy法を使用している

  • 18

    ボードゲームのような問題において、自分の番の時にスコアが最大、相手の番の時にスコアが最小になるように探索を行うアルゴリズムとして適切な選択肢を選べ

    Mini-Max法

  • 19

    DQNでは常に価値の最も高い行動を選び続けた場合、行動探索の範囲が狭くなってしまう。これに対処すべく、ネットワークに意図的に外乱を与え、それも含めて学習させる手法として適切な選択肢を選べ

    ノイジーネットワーク

  • 20

    強化学習において、報酬が高かった行動を積極的に選択しようとすると「活用」および（ア）を求める「探索」の間のバランス２着目した手法が（ィ゙）である

    （ア）さらに高い報酬をもたらす行動 （イ）バンデットアルゴリズム

  • 21

    Experience Replayに関する記述として、適切な選択肢を選べ

    過学習を抑える効果がある

  • 22

    強化学習では、最大の価値が得られるように行動を最適化する。このために取られるアプローチについて、適切な選択肢を選べ

    方策勾配法では、勾配降下法を用いて方策を最適化する

  • 23

    エンエンコーダは、現在のディープラーニングのもとになったアルゴリズムと言われている。オートエンコーダは入力が正解と同じであり、出力を入力に近づけるように隠れ層で特徴を抽出する（ア）の手法である

    教師なし学習

  • 24

    オートエンコーダの（ア）では、入力データが圧縮され、入力層と出力層が同じデータを持つように特徴量を抽出する役割を果たす

    隠れ層

  • 25

    自己符号器（オートエンコーダ）に関する記述として、不適切な選択肢を選べ

    中間層のノード数は必ず入力層より多くする

  • 26

    オートエンコーダのエンコーダでは（ア）で行うため、（イ）を抑える効果がある

    （ア）次元削減 （イ）勾配消失

  • 27

    積層オートエンコーダの説明として、不適切な選択肢を選べ

    積層オートエンコーダに、ロジスティック回帰層を足すことで、回帰タスクに使用することができる