資格道場
📊 ログイン 無料登録
⏱ 100:00
0 / 145
問1 人工知能の基礎と研究の歴史
シンギュラリティ（技術的特異点）は、AIが人間の知能を超え自己進化を始める仮想的な時点である。
問2 ディープラーニング技術
画像生成AIの主流アーキテクチャ（2024-2026年）として正しいのはどれか。
  • 1. RNN
  • 2. 拡散モデル（Diffusion Model）
  • 3. エキスパートシステム
  • 4. 決定木
問3 人工知能の基礎と研究の歴史
フレーム問題は、現実世界では考慮すべき事柄が無限にあり、AIが何を考慮すべきか決定できない問題である。
問4 AI社会実装と倫理・法律
AI事業者ガイドライン（経産省・総務省）の特徴として正しいのはどれか。
  • 1. 全AIに一律規制
  • 2. 技術指針のみ
  • 3. リスクベースアプローチ
  • 4. 運用後の監視不要
問5 AI社会実装と倫理・法律
MLOpsは機械学習モデルの開発・運用を効率化する一連のプラクティスである。
問6 人工知能の基礎と研究の歴史
強いAIとは現在の画像認識AIや翻訳AIのように特定タスクに優れたAIを指す。
問7 機械学習の基礎と手法
アンサンブル学習で代表的なスタッキング（Stacking）の説明として正しいのはどれか。
  • 1. 複数モデル出力を別モデル（メタモデル）が統合する
  • 2. 弱学習器を多数決で組合せる
  • 3. モデルを逐次追加する
  • 4. モデルパラメータを平均する
問8 機械学習の基礎と手法
ランダムフォレストは単一の決定木で構成される。
問9 機械学習の基礎と手法
再現率（Recall）の計算式として正しいのはどれか。
  • 1. TP/(TP+FN)
  • 2. TP/(TP+FP)
  • 3. FP/(FP+TN)
  • 4. TN/(TN+FN)
問10 AI社会実装と倫理・法律
生成AIのハルシネーション（幻覚）は事実と異なる情報を生成する現象である。
問11 ディープラーニング技術
ドロップアウトの動作について正しいのはどれか。
  • 1. 訓練時とテスト時の両方でランダム無効化
  • 2. 訓練時のみランダム無効化・テスト時は全ニューロン使用
  • 3. テスト時のみ無効化
  • 4. 常に全ニューロン使用
問12 人工知能の基礎と研究の歴史
AlphaFoldは将棋AIである。
問13 機械学習の基礎と手法
線形回帰は、入力と出力の関係を直線で近似する最も基本的な回帰手法である。
問14 AI社会実装と倫理・法律
AI人材育成で求められる3軸の組合せとして正しいのはどれか。
  • 1. 技術・営業・経理
  • 2. 技術・倫理・ドメイン知識
  • 3. 技術・人事・総務
  • 4. 技術・広告・物流
問15 機械学習の基礎と手法
バイアス・バリアンスのトレードオフで、複雑すぎるモデルの問題として正しいのはどれか。
  • 1. バイアスが高く未学習
  • 2. 計算が高速化
  • 3. 両者ともゼロ
  • 4. バリアンスが高く過学習
問16 ディープラーニング技術
Adamは学習率を全パラメータで同じ値に固定する。
問17 機械学習の基礎と手法
階層クラスタリングはクラスタ数kを事前に指定する必要がある。
問18 機械学習の基礎と手法
特徴量エンジニアリングはディープラーニングでは不要だが従来手法では重要である。
問19 AI社会実装と倫理・法律
本番運用後のAIモデルは性能が変化しないため監視不要である。
問20 AI社会実装と倫理・法律
AI生成物の著作権は原則として人間の創作性が必要とされる。
問21 ディープラーニング技術
Stable Diffusion・DALL-E 2の基盤技術として正しいのはどれか。
  • 1. GAN
  • 2. VAE
  • 3. 拡散モデル（Diffusion Model）
  • 4. RNN
問22 AI社会実装と倫理・法律
AIエージェントの代表的能力として該当しないものはどれか。
  • 1. 計画立案
  • 2. 電源管理
  • 3. 自己修正
  • 4. 外部ツール使用
問23 機械学習の基礎と手法
L1正則化（Lasso）の特徴として正しいのはどれか。
  • 1. 多くの係数が0になる疎な解を生む
  • 2. 全係数を均等に縮小
  • 3. 非線形変換のみ
  • 4. データ次元を増やす
問24 AI社会実装と倫理・法律
データセット作成において品質と量の両方が重要だが、近年は質の重要性が再認識されている。
問25 人工知能の基礎と研究の歴史
AlphaGo（DeepMind）は2016年に囲碁世界トップ棋士（イ・セドル）に勝利した。
問26 AI社会実装と倫理・法律
AIの公平性は技術的対策のみで完全に実現できる。
問27 人工知能の基礎と研究の歴史
AI効果とは、AIが特定問題を解決可能になると『これはAIではない』と認識されなくなる現象である。
問28 人工知能の基礎と研究の歴史
シンボルグラウンディング問題を提唱した人物として正しいのはどれか。
  • 1. ジョン・サール
  • 2. ハンス・モラベック
  • 3. スティーブン・ハルナド
  • 4. アラン・チューリング
問29 機械学習の基礎と手法
ROC曲線のAUC値について正しいのはどれか。
  • 1. AUC=0で完全な分類
  • 2. AUC=2.0が最大値
  • 3. AUC=0.5はランダム相当・AUC=1.0が完全
  • 4. AUCは確率を直接表す
問30 機械学習の基礎と手法
訓練データの欠損値処理として一般的でない手法はどれか。
  • 1. データを増やす
  • 2. 中央値補完
  • 3. KNN補完
  • 4. 平均値補完
問31 AI社会実装と倫理・法律
MLOpsが含むプラクティスとして該当しないものはどれか。
  • 1. CI/CDパイプライン
  • 2. アルゴリズム発明
  • 3. 再学習自動化
  • 4. モデルモニタリング
問32 人工知能の基礎と研究の歴史
ELIZA効果として正しい説明はどれか。
  • 1. AIが人間より速く進化する現象
  • 2. ユーザーがAIに人間性を投影し擬人化する現象
  • 3. AIが意識を持つ現象
  • 4. AIが過学習する現象
問33 機械学習の基礎と手法
過学習（オーバーフィッティング）は、訓練データに過度に適合し未知データの性能が低下する現象である。
問34 機械学習の基礎と手法
二値分類に最も適したアルゴリズムとして正しいのはどれか。
  • 1. 線形回帰
  • 2. ロジスティック回帰
  • 3. k-means
  • 4. PCA
問35 機械学習の基礎と手法
バギングは弱学習器を逐次追加し誤差を補正する手法である。
問36 AI社会実装と倫理・法律
プロンプトインジェクション攻撃の説明として正しいのはどれか。
  • 1. モデル本体への物理攻撃
  • 2. ハードウェア改造
  • 3. プロンプトに悪意ある指示を埋込みAI動作を不正操作する攻撃
  • 4. プログラミング言語の脆弱性
問37 人工知能の基礎と研究の歴史
AIという言葉は1980年代のエキスパートシステム時代に初めて用いられた。
問38 ディープラーニング技術
AlexNetは2010年のILSVRCで圧勝し第3次AIブームの起点となった。
問39 機械学習の基礎と手法
過学習は訓練データの性能が低下する現象である。
問40 ディープラーニング技術
Transformerは2017年のGoogle論文『Attention Is All You Need』で提案されたアーキテクチャである。
問41 機械学習の基礎と手法
XGBoostはバギング手法の代表例である。
問42 人工知能の基礎と研究の歴史
人工知能（AI）という言葉は、1956年のダートマス会議で初めて公式に用いられた。
問43 AI社会実装と倫理・法律
自動運転のSAE分類でレベル5の説明として正しいのはどれか。
  • 1. 完全自動運転（あらゆる条件で人間不要）
  • 2. 部分自動運転
  • 3. 条件付自動運転
  • 4. 運転支援のみ
問44 ディープラーニング技術
多クラス分類の出力層に最も適した活性化関数はどれか。
  • 1. ソフトマックス
  • 2. シグモイド
  • 3. ReLU
  • 4. tanh
問45 ディープラーニング技術
ReLU（Rectified Linear Unit）はx<0で0、x≥0でxを返す活性化関数である。
問46 人工知能の基礎と研究の歴史
IBMのDeep Blueは1997年に世界チェスチャンピオン（カスパロフ）に勝利した。
問47 AI社会実装と倫理・法律
XAI（説明可能AI）はモデル精度を低下させるため使用すべきでない。
問48 人工知能の基礎と研究の歴史
ミニマックス法は片方が最大利得を取る貪欲法である。
問49 AI社会実装と倫理・法律
データセットは量さえあれば品質は問題にならない。
問50 人工知能の基礎と研究の歴史
第1次AIブーム（1950年代後半-1960年代）は推論と探索により問題を解くアプローチが中心だった。
問51 ディープラーニング技術
StyleGANは画像生成で写実的な人物画像を生成可能なGANの発展形である。
問52 機械学習の基礎と手法
マージン最大化により分類境界を決定する手法として正しいのはどれか。
  • 1. 決定木
  • 2. ランダムフォレスト
  • 3. サポートベクターマシン（SVM）
  • 4. ナイーブベイズ
問53 ディープラーニング技術
GPTシリーズは大規模Transformerデコーダによる生成型言語モデルである。
問54 AI社会実装と倫理・法律
説明可能AI（XAI）の代表的手法として該当しないものはどれか。
  • 1. XGBoost
  • 2. SHAP
  • 3. Grad-CAM
  • 4. LIME
問55 ディープラーニング技術
Adamは適応的学習率と運動量を組合せた代表的な最適化アルゴリズムである。
問56 AI社会実装と倫理・法律
AIの公平性問題を象徴する有名な事例として正しいのはどれか。
  • 1. Adobe Photoshopのフィルター
  • 2. Google検索のスペル修正
  • 3. Microsoft Officeのオートコレクト
  • 4. Amazon採用AIの性別バイアス・COMPAS再犯予測の人種バイアス
問57 AI社会実装と倫理・法律
EU AI ActはAIを2段階（許可・禁止）にのみ分類する。
問58 ディープラーニング技術
近年のLLM（大規模言語モデル）の評価で重要なRAG（Retrieval-Augmented Generation）の説明として正しいのはどれか。
  • 1. モデル全体を再学習する手法
  • 2. データ拡張手法
  • 3. 外部知識検索結果を生成に活用する手法
  • 4. モデル圧縮手法
問59 機械学習の基礎と手法
教師なし学習は、正解ラベルなしのデータから構造やパターンを発見する手法である。
問60 機械学習の基礎と手法
決定木は、データを条件分岐により分類・回帰する木構造のモデルである。
問61 AI社会実装と倫理・法律
日本では2024年4月から個人情報保護委員会の『AI倫理ガイドライン』が運用されている。
問62 ディープラーニング技術
CNNは時系列データ処理のみに特化したNNである。
問63 AI社会実装と倫理・法律
AIの透明性（Transparency）はモデルの仕組みや判断過程を可視化・説明可能にする性質である。
問64 機械学習の基礎と手法
主成分分析（PCA）は、多次元データを情報損失を抑えつつ低次元に変換する次元削減手法である。
問65 ディープラーニング技術
GPTはエンコーダのみのTransformerである。
問66 機械学習の基礎と手法
正則化（L1・L2）は、損失関数にペナルティ項を加え過学習を抑制する手法である。
問67 AI社会実装と倫理・法律
AI開発における『データセントリックAI』の考え方として正しいのはどれか。
  • 1. モデル改善より良質データ整備を重視
  • 2. データを完全無視
  • 3. アルゴリズムのみ重視
  • 4. 計算機性能のみ重視
問68 AI社会実装と倫理・法律
EU AI Actのリスク分類として正しいのはどれか。
  • 1. 2段階（許可・禁止）
  • 2. 6段階（A-F）
  • 3. 4段階（許容不可・高・限定・最小）
  • 4. 階段なし
問69 ディープラーニング技術
プロンプトエンジニアリングで効果的な手法として該当しないものはどれか。
  • 1. Few-shot prompting（少数例提示）
  • 2. Chain of Thought（思考連鎖）
  • 3. Zero-shot CoT（ステップ思考指示）
  • 4. モデル再訓練
問70 ディープラーニング技術
ソフトマックス関数は多クラス分類の出力層で確率分布を出力する活性化関数である。
問71 機械学習の基礎と手法
ランダムフォレストは、多数の決定木を組合せたアンサンブル学習手法である。
問72 人工知能の基礎と研究の歴史
エキスパートシステムは、専門家の知識をルール化し推論エンジンと組み合わせるAIシステムである。
問73 人工知能の基礎と研究の歴史
人工無能は機械学習ベースで知識を獲得する。
問74 ディープラーニング技術
Attention機構の主な利点として正しいのはどれか。
  • 1. パラメータ削減のみ
  • 2. RNNの並列化と長距離依存処理改善
  • 3. 計算コスト削減
  • 4. モデル単純化
問75 AI社会実装と倫理・法律
アノテーションは機械が自動で完璧に行えるため人手不要である。
問76 ディープラーニング技術
DQNを画像入力で動作可能にした重要工夫として正しいのはどれか。
  • 1. RNN導入
  • 2. 遺伝的アルゴリズム
  • 3. エキスパートシステム
  • 4. CNNで画面入力処理 + Experience Replay
問77 AI社会実装と倫理・法律
AIの判断ミスは常に開発者の責任である。
問78 機械学習の基礎と手法
機械学習は、データから規則性やパターンを学習し未知データに対する予測を行う手法である。
問79 人工知能の基礎と研究の歴史
探索木における幅優先探索は、深さ方向より幅方向を優先的に展開する手法である。
問80 ディープラーニング技術
最適化アルゴリズム『Adam』の特徴として正しいのはどれか。
  • 1. 学習率を全パラメータで固定
  • 2. 2階微分使用
  • 3. 勾配を直接適用
  • 4. 適応的学習率と運動量の組合せ
問81 人工知能の基礎と研究の歴史
モラベックのパラドックスは、人間にとって簡単な感覚運動が機械には難しく、難しい論理推論が機械には簡単な現象である。
問82 ディープラーニング技術
GANの生成器と識別器は協調して学習する。
問83 人工知能の基礎と研究の歴史
AlphaGoは人間の棋譜を使わず自己対戦のみで学習した。
問84 機械学習の基礎と手法
特徴量エンジニアリングは、入力データから有効な特徴量を設計・抽出する作業である。
問85 ディープラーニング技術
ResNetは『残差接続（Skip Connection）』により非常に深いNNの学習を可能にしたアーキテクチャである。
問86 人工知能の基礎と研究の歴史
セマンティックWebを提唱した人物として正しいのはどれか。
  • 1. スティーブ・ジョブズ
  • 2. ジョン・マッカーシー
  • 3. ビル・ゲイツ
  • 4. ティム・バーナーズ・リー
問87 ディープラーニング技術
勾配消失問題は、深い層を持つNNで逆伝播時に勾配が小さくなり学習が進まない問題である。
問88 機械学習の基礎と手法
強化学習はラベル付きデータのみで動作する。
問89 AI社会実装と倫理・法律
責任あるAI（Responsible AI）の主要原則として該当しないものはどれか。
  • 1. 公平性
  • 2. 透明性
  • 3. プライバシー保護
  • 4. 収益性最優先
問90 機械学習の基礎と手法
過学習対策として該当しないものはどれか。
  • 1. 正則化
  • 2. モデル複雑度を上げる
  • 3. データ拡張
  • 4. ドロップアウト
問91 機械学習の基礎と手法
勾配ブースティング（XGBoost等）は、弱学習器を逐次的に追加する手法である。
問92 人工知能の基礎と研究の歴史
強いAIと弱いAIを最初に区別した哲学者として正しいのはどれか。
  • 1. アラン・チューリング
  • 2. レイ・カーツワイル
  • 3. マービン・ミンスキー
  • 4. ジョン・サール
問93 機械学習の基礎と手法
不均衡データ対策として正しい手法はどれか。
  • 1. 全データをそのまま学習
  • 2. SMOTE等のオーバーサンプリング
  • 3. モデル複雑度を上げる
  • 4. 訓練データを減らす
問94 ディープラーニング技術
LSTM（Long Short-Term Memory）は、RNNの長期依存問題を解決するゲート機構付きRNNである。
問95 機械学習の基礎と手法
t-SNEは線形次元削減で計算が高速である。
問96 機械学習の基礎と手法
主成分分析（PCA）は非線形次元削減手法である。
問97 機械学習の基礎と手法
バイアスが高いモデルは過学習しやすい。
問98 機械学習の基礎と手法
ロジスティック回帰は、二値分類問題に用いる回帰モデルである。
問99 機械学習の基礎と手法
F1値は適合率と再現率の調和平均で、分類性能の総合指標である。
問100 人工知能の基礎と研究の歴史
モンテカルロ木探索の4段階として正しいものはどれか。
  • 1. 入力→処理→出力→評価
  • 2. 選択→展開→シミュレーション→バックアップ
  • 3. 設計→実装→テスト→運用
  • 4. 観測→計画→行動→学習
問101 機械学習の基礎と手法
前処理ではデータの欠損値処理・正規化・標準化等を行う。
問102 人工知能の基礎と研究の歴史
第2次AIブームの終焉は計算機性能不足が唯一の原因だった。
問103 機械学習の基礎と手法
k-fold交差検証で一般的に用いられるk値として正しいのはどれか。
  • 1. k=1
  • 2. k=2
  • 3. k=5またはk=10
  • 4. k=100
問104 AI社会実装と倫理・法律
ディープフェイクは生成AIで作成された偽の画像・動画・音声で社会問題化している。
問105 ディープラーニング技術
シグモイド関数の出力範囲は-1〜1である。
問106 人工知能の基礎と研究の歴史
ELIZAは深層学習に基づく対話型AIである。
問107 機械学習の基礎と手法
t-SNEは非線形次元削減手法で、高次元データの可視化に優れる。
問108 機械学習の基礎と手法
勾配ブースティングのライブラリとして該当しないものはどれか。
  • 1. scikit-image
  • 2. LightGBM
  • 3. CatBoost
  • 4. XGBoost
問109 人工知能の基礎と研究の歴史
Watsonは囲碁で世界王者に勝利したAIである。
問110 ディープラーニング技術
勾配消失問題の緩和に最も貢献した活性化関数として正しいのはどれか。
  • 1. シグモイド関数
  • 2. tanh関数
  • 3. ステップ関数
  • 4. ReLU関数
問111 人工知能の基礎と研究の歴史
特化型AIは複数タスクを汎用的に処理できる。
問112 人工知能の基礎と研究の歴史
AlphaGo Zeroの特徴として最も正しいのはどれか。
  • 1. 人間の棋譜のみで学習
  • 2. ルールベース推論のみ
  • 3. 人間棋譜を一切使わず自己対戦のみで学習
  • 4. α-β法のみ
問113 機械学習の基礎と手法
教師あり学習の代表タスクはクラスタリングと次元削減である。
問114 人工知能の基礎と研究の歴史
モラベックのパラドックスとして正しい説明はどれか。
  • 1. AIが人間を超えると自己進化する
  • 2. AIは記号と実世界を結び付けられない
  • 3. 計算速度は意識を生まない
  • 4. 人間に難しい推論は機械に簡単、感覚運動は機械に難しい
問115 AI社会実装と倫理・法律
AIシステム導入はステークホルダー合意なしで進めるべきである。
問116 機械学習の基礎と手法
教師あり学習は正解ラベルなしのデータから学習する手法である。
問117 AI社会実装と倫理・法律
ビッグデータの3つのVはVolume・Velocity・Vendorである。
問118 AI社会実装と倫理・法律
AIの倫理原則『5原則』として広く知られる組合せはどれか。
  • 1. 東京・大阪・京都・福岡・札幌
  • 2. 速度・コスト・規模・利益・市場
  • 3. 設計・実装・テスト・運用・保守
  • 4. 公平性・透明性・説明責任・プライバシー・安全性
問119 人工知能の基礎と研究の歴史
幅優先探索は深さ優先探索よりメモリ消費が少ない。
問120 ディープラーニング技術
GANを2014年に提案した研究者として正しいのはどれか。
  • 1. イアン・グッドフェロー
  • 2. ヤン・ルカン
  • 3. ジェフリー・ヒントン
  • 4. ヨシュア・ベンジオ
問121 機械学習の基礎と手法
線形回帰は分類問題に用いる代表的アルゴリズムである。
問122 機械学習の基礎と手法
教師あり学習に該当しないものはどれか。
  • 1. 顧客のクラスタリング
  • 2. スパムメール検出
  • 3. 株価予測
  • 4. 画像分類
問123 機械学習の基礎と手法
k-meansの主な弱点として正しいのはどれか。
  • 1. 計算が極端に遅い
  • 2. 正解ラベル必須
  • 3. 非数値データのみ扱える
  • 4. 初期値依存とクラスタ数kの事前指定が必要
問124 ディープラーニング技術
ドロップアウトは、訓練時にランダムにニューロンを無効化する正則化手法である。
問125 機械学習の基礎と手法
再現率（Recall）は、実際の陽性のうち陽性と予測できた割合である。
問126 AI社会実装と倫理・法律
AI人材は技術スキルさえあれば倫理やドメイン知識は不要である。
問127 人工知能の基礎と研究の歴史
AI効果とは、AIが解決した問題こそが真のAIと評価される現象である。
問128 機械学習の基礎と手法
ホールドアウト法は、データを訓練・検証・テストに分割し性能を評価する基本手法である。
問129 機械学習の基礎と手法
ROC曲線は、閾値を変えたときの真陽性率と偽陽性率の関係を示す曲線である。
問130 AI社会実装と倫理・法律
自動運転のレベル0-5（SAE分類）で完全自動運転はレベル5に該当する。
問131 機械学習の基礎と手法
ロジスティック回帰は回帰問題のみに利用される。
問132 ディープラーニング技術
拡散モデル（Diffusion Model）は、ノイズから徐々にデータを生成する生成モデルである。
問133 人工知能の基礎と研究の歴史
チューリングテストは、機械が人間と区別できない応答を行えるかで知能を判定するテストである。
問134 ディープラーニング技術
TransformerはRNNベースで逐次的に処理する。
問135 人工知能の基礎と研究の歴史
フレーム問題を提示した人物として正しいのはどれか。
  • 1. アラン・チューリング
  • 2. ジョン・マッカーシーとパトリック・ヘイズ
  • 3. マービン・ミンスキー
  • 4. スティーブン・ハルナド
問136 AI社会実装と倫理・法律
米国著作権局のAI生成物の著作権判断として正しいのはどれか。
  • 1. AIのみ生成物にも完全著作権を認める
  • 2. AIのみ生成物に著作権を認めない（人間の創作性必要）
  • 3. AI生成物は禁止
  • 4. 判断保留中
問137 機械学習の基礎と手法
適合率（Precision）は、陽性と予測したうち実際に陽性だった割合である。
問138 機械学習の基礎と手法
過学習を防ぐにはモデル複雑度を増やすのが有効である。
問139 人工知能の基礎と研究の歴史
モンテカルロ木探索（MCTS）は、ランダムプレイアウトを多数行い勝率から手を選ぶ探索手法である。
問140 人工知能の基礎と研究の歴史
強いAI（汎用人工知能・AGI）は人間と同等以上の知能を持ち多様な課題を解決できるとされるAIである。
問141 人工知能の基礎と研究の歴史
Deep Blueはディープラーニングを使ったチェスAIである。
問142 ディープラーニング技術
2012年ILSVRCで圧勝し第3次AIブームの起点となったモデルとして正しいのはどれか。
  • 1. LeNet
  • 2. VGGNet
  • 3. AlexNet
  • 4. ResNet
問143 人工知能の基礎と研究の歴史
第3次AIブーム（2010年代以降）はディープラーニング（深層学習）の発展により始まった。
問144 ディープラーニング技術
Self-AttentionはTransformerの中核機構で、系列内の各要素間の関係を学習する。
問145 人工知能の基礎と研究の歴史
AI（人工知能）という言葉が初めて公式に用いられた年として正しいものはどれか。
  • 1. 1943年
  • 2. 1980年
  • 3. 1956年
  • 4. 2012年