主成分分析は（a）の変数から新たな変数を作る方法

ランダムフォレストは同じデータセットから複数の（a）を生成し、（b）をする方法

ランダムフォレストのデメリット （a）が容易であるが、線形モデルよりも多くの（b）を消費し（c）も遅い

サポートベクトルマシンの種類を2つ答えよ

ランダムフォレストのデメリット （a）データのような疎なデータセットに対しては性能が落ちる

人間の脳の神経回路網にヒントを得て研究が開始されたものをなんというか

nの次元数は増やしすぎてしまうとどのような問題が起きるか

ナイーブベイズの特徴を答えよ ロジスティック回帰や線形SVMに対し性能はやや（a）が、非常に（b）

同じデータセットから複数の決定木（森）を生成し、多数決をする方法をなんというか

kNNの別名を答えよ

決定木のシンプルさを活かしながら精度を上げる方法をなんというか

教師なし学習の例を答えよ

次元数が大きくなるほどマージン最大の評価をする際にどのような問題が起こるか

ナイーブベイズの基本的な考え方は（a）を算出

主成分分析は（a）の手法の1つ

正則化の種類を2種類答えよ

線形回帰の目標変数と説明変数にはどのような関係が必要か

線形回帰におけるω0,ω1はどのように求めるか

kNNとはなんの略か

形態素解析の例を2つ答えよ

サポートベクトルマシン 損失関数の最小化ではなく（a）を基準にしているため、精度が良い

線形回帰は万能ではないので、データを（a）してチェックする必要がある。

サポートベクトルマシンの性能は（a）が、（b）できるものばかりとは限らない

決定木のデメリット （a）が起こりやすい。

ナイーブベイズの別名を答えよ

線形回帰の出力「ロジスティック関数」で変換したり、クラスの確率を出力してクラス識別を行う方法をなんというか

第一成分は（a）したデータの（b）が最大となるような軸を探す

損失関数を利用した分類の例を答えよ

第二成分は第一成分と（a）する軸の中で、軸上に射影したデータの（b）が最大となる軸を探す

決定木のメリット （a）の（b）や（c）が必要ない。 （他の特徴量は独立して分割が行われる）

重要な変数のみを選択し残りは使用しないとなると（a）が現れやすいが（b）の損失が少ない

外れ値による影響を受けやすいのはどちらか

次元削減の手法の1つである分析方法を答えよ

kNNは（a）がシンプルなのに（b）な境界を学習できる

決定木における不純度とはなにか

マージンの中に入ることをなんというか

多層パーセプトロンとは単純パーセプトロンに（a）という層を入れたものである

yの値に対して予測値が逆（y＝1のとき0）になると、ペナルティが大きくなる関数をなんというか

線形回帰におけるω0（切片）,ω1（傾き）のパラメータをなんと言うか

多層パーセプトロンの限界 普通のニューラルネットワークでは（a）を学習するのが難しい

決定木のメリット （a）や（b）が混ざっていても機能する

主成分分析の英語名称を答えよ

代表の文章から2種類の類似度を計算する等に用いられる解析方法を答えよ

主成分分析において 基本的には2次元のデータを1次元に（a）することを考える。

教師あり学習の例を答えよ

ナイーブベイズ 文章から単語を抽出する。（a）と呼ばれる手法を利用。文章を解析して、単語と品質を分類

ナイーブベイズの使用例を答えよ

マージンの間に学習データが入ることを許容するのはどちらか

元データの変数から新たな変数をつくるとなると、（a）が現れにくいが（b）の損失が多い

確率に基づいて予測を行うアルゴリズムの1つであり、主に分類問題に用いられる方法をなんというか

形態素解析終了後、文章の中から名詞が抽出される。 その文章はどのような形式に変換されるか

ランダムフォレストのメリット （a）で（b）

x1＝x , x2＝x^2 のような元のデータから計算されて作られたものをなんというか

多層パーセプトロンの限界 人間の視覚には（a）があることが知られている

ある説明変数が大きくなるについて、目標変数も大きくなるという関係性をモデル化する手法をなんというか

学習結果を用いた検証データの分類予測 ①カテゴリの（a）が出現する確率を求める ②カテゴリの中から、検証データに登場する（b)が出現する確率を求める ③文章中に出ない（b）についつも、出てこない確率を計算する ④上記で計算したすべての確率を（c）する

線形回帰における勾配法の求め方について （a）関数の（b）の場所からスタート その場所から（c）の傾きが1番大きくて急坂を下る方向に少し動く。 移動先の（c）が（d）になっていたら終了する。

マージンが狭いのはどちらか

決定木のデメリット （a）が低い、（b）の予測精度が落ちる

決定木は何と何に広く用いられるか

目標変数は与えられず、特徴量だけが与えられているときに、データを変換して別の形式で表現したり、データの中に部分集合を見つけたりして、入力データの構造を理解することをなんというか

射影したデータの分散が最大となるような軸を探すのはどちらか

線形回帰で近似できないものはどのように近似するか

クラス分類、回帰に広く用いられる手法をなんというか　Yes,Noで答える

学習するパラメータの大きさ（絶対値）に制約を与える手法。特定の特徴量の影響が大きくなりすぎることを防ぐ手法をなんというか

外れ値による影響を受けにくくなるのはどちらか

ブーストラップ法では（a）の重複を許して水増ししながら複数のデータを作成する

BoWの学習イメージは単語ごとの（a）を計算する。

ニューラルネットワークは（a）を用いるとロジスティック回帰と等価となる

学習データを「文字通り覚えるだけ」というアルゴリズムをなんというか

ランダムフォレストのメリット （a）なデータにおいては（b）モデルよりも性能が良い

ロジスティック回帰は別名なんというか

線形回帰のモデル化とは何を求めることか

決定木のメリット （a）しやすい

機械学習の英語名を答えよ

ある環境の中で行動するエージェントが得られる報酬が最大化するように行動を学習していく手法をなんというか

ナイーブベイズは主に（a）に用いられ、（b）と呼ばれる

損失関数の最小化ではなくマージン最大化を基準にし、ロジスティック回帰よりも精度の良い分類方法をなんというか

未知データに対する分類性能をなんというか

データの中に部分集合を見つけることをなんというか

過学習の抑制にはどのような方法を用いるか

線形回帰　解析法の求め方について この二次関数は（a）を解くことで最小値を求めることができる。 ただし、任意の（b）の（c）が存在するわけではなく、（d）など様々な数値計算のアプローチによって最小値を求める必要がある。

ニューラルネットワークはなにをヒントに研究が開始されたか

決定木のメリット 結果が（a）として簡単に可視化できる

ロジスティック回帰について クラス識別の具体例を答えよ

ニューラルネットワークにおいて中間層の（a）や（b）を調整することで複雑な境界を学習させる

BoWから条件付き確率を計算後、確率ゼロだった場合どうするか

ナイーブベイズはスパムメールの判定や文章の分類など（a）の分野で多用される

kNNは未知データを与えられると（a）のデータの（b）によって未知データのクラス予測を行う

数値の入力0〜1の確率が出力され、データを入力すると互いに背反な2つのカテゴリに分類することができる関数をなんというか

ω0,ω1の二次関数の最小値は何法と何法で求められるか

特徴量が増えすぎないように、必要に応じて特徴量の係数を0にするなどして、特徴選択を行い学習するモデルが複雑になりすぎることを防ぐ手法をなんと言うか

ソフトマージンについて （a）は少ない方が良いが、ある程度許容した方が（b）は高くなることが多い

ランダムフォレストのメリット （a）が容易

線形回帰の例を答えよ

射影したデータのばらつきが大きいほど、（a）の情報を多く含んでいるといえる

決定木のデメリット 木がすぐに（a）してしまう。 （（b）が必要となる）

決定木の学習は（a）係数を（b）として用いる

問題の答えをコンピュータに与えることで、機械学習のモデルを学習させていく手法をなんというか

マージンの間にデータが入ることを許容しないのはどちらか