データサイエンス(機械学習・AI・非構造化データ)
全 300 問・解説・間違えた問題の解き直しは登録不要・無料。模試・「今日の復習」などは Premium (月980円)全 300 問に加えて、「今日の復習」・本番形式の模試・記録の全科目の正答率・広告非表示をご利用中です
- 正解済みまだ正解していませんQ1
ある地域の30日分のデータで、1日の最高気温と温かい飲み物の販売数の相関係数を求めたところ、−0.8だった。販売数を最高気温で説明する単回帰分析を行ったときの決定係数について述べたものとして、最も適切なものはどれか。
正解: 2. 0.64で、相関が負の場合でも決定係数は正の値になる
解説: 「0.64で、相関が負の場合でも決定係数は正の値になる」が適切です。総務省統計局「なるほど統計学園」は、決定係数は相関係数を2乗した値と一致し、0以上1以下の値をとると説明しています。この問題では (−0.8)²=0.64 です。2乗するので、相関が負でも決定係数がマイナスになる…
関連キーワード: 決定係数・相関係数・単回帰分析
- 正解済みまだ正解していませんQ2
回帰分析について述べた次のa〜dのうち、適切なものの組合せとして、最も適切なものはどれか。 a 自由度調整済み寄与率は、AICと同じく、値が小さいモデルほど良いモデルとされる。 b 単回帰分析では、重相関係数は、説明変数と目的変数の相関係数を2乗した値と等しくなる。 c モデル選択の基準に使うAICは、値が小さいモデルほど良いモデルとされる。 d 目的変数が「解約する・しない」のような質的な変数の場合は、ロジスティック回帰が適している。
正解: 4. cとd
解説: 「cとd」が適切です。文部科学省の「情報Ⅱ」教員研修用教材(学習13)は、モデル選択の基準としてAIC(赤池の情報量規準)を挙げ、AICは小さいほど良いモデルとしています。また、目的変数が質的変数(数ではなく種類で表す変数)の場合にはロジスティック回帰を使うとしており、dの「解約…
関連キーワード: ロジスティック回帰・目的変数・重相関係数・AIC
- 正解済みまだ正解していませんQ3
ある病気の有無を判定する分類モデルを1,000人のデータで評価した。実際に病気の人のうち、陽性と判定されたのは40人、陰性と判定されたのは20人だった。実際には病気でない人のうち、陽性と判定されたのは10人、陰性と判定されたのは930人だった。このモデルの再現率と適合率の組合せとして、最も適切なものはどれか(値は小数第3位を四捨五入する)。
正解: 1. 再現率は約0.67、適合率は0.80
解説: 「再現率は約0.67、適合率は0.80」が適切です。結果を混同行列にまとめると、真陽性40・偽陰性20・偽陽性10・真陰性930です。再現率は、実際に病気の人 40+20=60人のうち陽性と判定できた割合で、40÷60=2/3≒0.67 です。病気の人の見逃しの少なさを表します。…
関連キーワード: 再現率・適合率・混同行列・特異度
- 正解済みまだ正解していませんQ4
2値分類モデルの評価に使うROC曲線とAUCについて述べたものとして、最も適切なものはどれか。
正解: 3. 真陽性率は再現率とも呼ばれ、偽陽性率は1から特異度を引いた値にあたる
解説: 「真陽性率は再現率とも呼ばれ、偽陽性率は1から特異度を引いた値にあたる」が適切です。scikit-learnの文書は、ROC曲線を、判別のしきい値を変えながら、実際の陽性のうち陽性と判定した割合(真陽性率)と、実際の陰性のうち誤って陽性と判定した割合(偽陽性率)を描くものと説明し…
関連キーワード: AUC・ROC曲線・しきい値・偽陽性率
- 正解済みまだ正解していませんQ5
2つの回帰モデルA・Bで、同じ4件のデータを予測した。予測の誤差(実測値と予測値の差)の大きさは、Aが3・3・3・3、Bが0・0・0・8だった。2つのモデルのMAEとRMSEを比べたものとして、最も適切なものはどれか。
正解: 4. MAEはAの方が大きく、RMSEはBの方が大きい
解説: 「MAEはAの方が大きく、RMSEはBの方が大きい」が適切です。MAE(平均絶対誤差)は誤差の絶対値の平均で、Aは (3+3+3+3)÷4=3、Bは (0+0+0+8)÷4=2 なので、Aの方が大きくなります。RMSE(二乗平均平方根誤差)は誤差を2乗して平均し、その平方根をとっ…
関連キーワード: MAE・RMSE・評価指標・回帰
- 正解済みまだ正解していませんQ6
教師あり学習と教師なし学習の手法について述べた次のa〜dのうち、適切なものの組合せとして、最も適切なものはどれか。 a 「明日の最高気温は、今日の最高気温より高いか低いか」を予測する問題は、回帰ではなく分類として扱う。 b 回帰は、教師あり学習のうち、有限個の選択肢の一つをラベルにして予測する方法である。 c 階層的クラスタリングは、距離が近いクラスタどうしを順にまとめる方法で、あらかじめクラスタの数を決めておく必要がない。 d アソシエーション分析は、正解を与えずに、似ているデータどうしをまとめていくつかのクラスタに分ける手法である。
正解: 2. aとc
解説: 「aとc」が適切です。文部科学省の「情報Ⅱ」教員研修用教材は、教師あり学習を「回帰」と「分類」に分け、「明日の最高気温は、今日の最高気温より高いか低いか」を分類の例に挙げています(何℃まで上がるかは回帰)。また、正解を与えずに行う教師なし学習のクラスタリングのうち、距離が最も近い…
関連キーワード: 教師なし学習・教師あり学習・クラスタリング・アソシエーション分析
- 正解済みまだ正解していませんQ7
ある分類モデルを作ったところ、訓練データでの正解率は99%だったが、学習に使っていない検証データでの正解率は70%にとどまり、過学習が疑われた。過学習を抑えるための手として、最も適切なものはどれか。
正解: 3. 訓練時に最小化する損失関数に正則化の項を加え、重みが大きくなりすぎないようにして学習し直す
解説: 「訓練時に最小化する損失関数に正則化の項を加え…」が適切です。訓練データでだけ正解率が高いのは、訓練データに過剰に合わせた過学習です。産業技術総合研究所「機械学習品質マネジメントガイドライン 第4版」(CC BY 4.0)は、損失関数に正則化の項を加えると、重みの絶対値が過剰に大…
関連キーワード: 過学習・汎化性能・検証データ
- 正解済みまだ正解していませんQ8
1,000件のデータを使い、5分割交差検証(k分割交差検証でk=5としたもの)でモデルの性能を見積もる。この手順について述べたものとして、最も適切なものはどれか。
正解: 1. 各回の標準化は、その回の検証用データを含めず、学習用データだけで平均と標準偏差を求めて行う
解説: 「各回の標準化は、その回の検証用データを含めず…」が適切です。5分割交差検証では、データを5つに分け、4つ(800件)を学習用、残りの1つ(200件)を検証用にして、検証用を入れ替えながら5回くり返し、5回の結果の平均で性能を見ます。九州大学 数理・データサイエンス教育研究センタ…
関連キーワード: 交差検証・k分割交差検証・ホールドアウト法・標準化
- 正解済みまだ正解していませんQ9
2023年1月から2025年12月までの36か月分の月次の売上データを使い、翌月の売上を予測するモデルを作る。学習に使う期間と、性能を確かめる検証に使う期間の分け方として、最も適切なものはどれか。
正解: 4. 2023年1月〜2025年6月の30か月で学習し、2025年7月〜12月の6か月で検証する
解説: 「2023年1月〜2025年6月の30か月で学習し、2025年7月〜12月の6か月で検証する」が適切です。予測モデルは過去のデータで作り、まだ起きていない先の月を予測するのに使います。性能も同じ向きで、学習の期間より後の期間で確かめます。九州大学 数理・データサイエンス教育研究セ…
関連キーワード: 時系列データ・検証データ・予測モデル
- 正解済みまだ正解していませんQ10
機械学習のための「アノテーション」の説明として、最も適切なものはどれか。
正解: 2. 画像や文章などのデータに、写っている物や分類などの正解のラベルを付ける作業
解説: 「画像や文章などのデータに、…正解のラベルを付ける作業」が適切です。アノテーションは、データに「何が写っているか」「どの分類にあたるか」といった説明や正解の情報を付ける作業で、教師あり学習の訓練データを作るのに欠かせません。九州大学 数理・データサイエンス教育研究センター「データ…
関連キーワード: アノテーション・ラベル・教師あり学習
- 正解済みまだ正解していませんQ11
ある企業が、過去10年分の採用の合否の記録で学習した書類選考のAIを試したところ、特定の属性の応募者を低く評価する傾向が見られた。この場合の対応として、最も適切なものはどれか。
正解: 1. 学習データの偏りを点検し、属性ごとの評価の結果を比べて、偏りが予測に残っていないかを確かめてから使う
解説: 「学習データの偏りを点検し、属性ごとの評価の結果を比べて…」が適切です。過去の採用の結果には当時の判断の偏りが含まれていることがあり、それを学習したAIは偏りを再現します。AI事業者ガイドライン(第1.2版、令和8年3月31日)は「公平性」の指針で、学習データなどの技術要素を含め…
関連キーワード: データバイアス・公平性・AI事業者ガイドライン
- 正解済みまだ正解していませんQ12
画像を分類するモデルに入力するため、横100画素・縦100画素のカラー画像を、1画素ごとに赤・緑・青(RGB)の3つの値で表した配列として持つ。各値は0〜255の整数で、1つの値を1バイト(8ビット)で表す。圧縮しないとき、この画像1枚のデータ量として最も適切なものはどれか。
正解: 4. 30,000バイト
解説: 「30,000バイト」が適切です。九州大学 数理・データサイエンス教育研究センター「応用プログラミング演習(画像解析)1 画像処理」(2025/11/18版)が示すとおり、カラー画像は1画素につき赤・緑・青の3チャンネルの数値を持ち、画素値は一般に0〜255の範囲をとります。0〜…
関連キーワード: 画素・RGB・データ量・チャンネル
- 正解済みまだ正解していませんQ13
画像の分類に使う深層学習について、SVMなど従来の機械学習の手法と比べた長所の説明として、最も適切なものはどれか。
正解: 4. 問題ごとに人が特徴量を設計しなくても、分類に役立つ特徴をデータから学習して作り出せる点が長所である
解説: 「問題ごとに人が特徴量を設計しなくても…」が適切です。九州大学 数理・データサイエンス教育研究センター「データサイエンス実践 4-1 パターン認識と深層学習」(2025/10/3版)は、深層学習は分類に役立つ追加の特徴を学習して作り出すと説明し、同「応用プログラミング演習(画像解…
関連キーワード: 深層学習・特徴量・解釈性・転移学習
- 正解済みまだ正解していませんQ14
文章や画像の処理に使われる深層学習の構造である、CNNとTransformerについての説明の組み合わせとして、最も適切なものはどれか。
正解: 3. CNNは局所的な特徴の抽出に向くとされ、Transformerは自己注意機構で要素どうしの関連を学習する点が特徴とされる
解説: CNNは局所的な特徴、Transformerは自己注意機構とする組み合わせが適切です。九州大学 数理・データサイエンス教育研究センター「データサイエンス実践 4-1 パターン認識と深層学習」(2025/10/3版)は、CNNは画像の局所的な特徴を抽出できるとし、CNNなどは局所的…
関連キーワード: CNN・Transformer・自己注意機構・RNN
- 正解済みまだ正解していませんQ15
複数の病院が協力して、画像診断を助ける機械学習モデルを作る。各病院の診療データを使い、連合学習(Federated Learning)の方式で学習する。この方式で各病院からサーバーに集めて統合するものとして、最も適切なものはどれか。
正解: 1. 各病院が手元のデータで学習して得た、モデルの更新分などの中間的な学習の結果
解説: 「各病院が手元のデータで学習して得た…中間的な学習の結果」が適切です。産業技術総合研究所『機械学習品質マネジメントガイドライン 第4版』(CC BY 4.0)9.9.1.3は、連合学習を、データを区分けしてクライアントごとに学習を行い、クライアント側の計算で得た中間的な訓練結果を…
関連キーワード: 連合学習・プライバシー保護・分散学習
- 正解済みまだ正解していませんQ16
ある会社が需要を予測するAIモデルの運用を始めるにあたり、データドリフトや性能の変化に備えて、運用中のモニタリングと記録の進め方を検討している。産業技術総合研究所『機械学習品質マネジメントガイドライン 第4版』の考え方として、最も適切なものはどれか。
正解: 4. 入力・出力・内部状態などの主要なものを集めて生データを残し、評価指標もあわせて記録する
解説: 「入力・出力・内部状態などの主要なものを集めて生データを残し…」が適切です。産業技術総合研究所『機械学習品質マネジメントガイドライン 第4版』(CC BY 4.0)8.1は、運用時に品質指標を継続的にモニタリングして記録を残すことを品質の維持・向上に不可欠とし、開発中や運用開始時…
関連キーワード: モニタリング・運用・データドリフト・生データ
- 正解済みまだ正解していませんQ17
融資の審査に使うAIモデルについて、予測の理由を説明する方法を検討している。AI事業者ガイドライン別添の分け方に照らして、説明の方法と、大域的な説明・局所的な説明の組み合わせとして、最も適切なものはどれか。
正解: 3. 条件と結論の形のルールをもとに判断の根拠を説明する方法は、局所的な説明法に当たる
解説: 「条件と結論の形のルールをもとに…局所的な説明法に当たる」が適切です。AI事業者ガイドライン(第1.2版・令和8年3月31日)別添は、特定の入力に対する予測の根拠を提示する局所的な説明法として、「重要な特徴の提示」「自然言語による表現」などを挙げ、例に「~ならば~」といったルール…
関連キーワード: 説明可能性・局所的な説明・大域的な説明・解釈可能性
- 正解済みまだ正解していませんQ18
1次元のデータ 1、2、6、10、12 を、k-means法(k平均法)で2つのクラスタに分ける。初めの代表点(中心)を 2 と 12 とし、各データを最も近い代表点のクラスタに割り当ててから、クラスタごとの平均を新しい代表点とする。この1回目の更新の後の2つの代表点の組として、最も適切なものはどれか。
正解: 1. 3 と 11
解説: 「3 と 11」が適切です。k-means法は、データと各代表点の距離を求めて最も近い代表点のクラスタに割り当て、クラスタごとの平均を新しい代表点とし、代表点が変わらなくなるまでこれを繰り返します(出典:『高等学校情報科「情報Ⅱ」教員研修用教材』(文部科学省)を加工して作成)。割…
関連キーワード: k-means法・クラスタリング・代表点
- 正解済みまだ正解していませんQ19
AIの学習に使う問い合わせの文章に、個人情報が含まれていないかを確かめたい。そのために、文章の中からクレジットカードの番号などに当たる語句を、その種類を見分けて自動で見つけ出す。この処理に当たる自然言語処理のタスクとして、最も適切なものはどれか。
正解: 3. 固有表現抽出
解説: 固有表現抽出が適切です。AI事業者ガイドライン(第1.2版・令和8年3月31日)別添は、データに個人情報や機密情報などが含まれていないかを確認する具体的な手法として固有表現抽出を挙げ、対象の例に人名やクレジットカードの番号を示しています。固有表現抽出は、文章の中から人名や番号のよ…
関連キーワード: 固有表現抽出・自然言語処理・個人情報・形態素解析
- 正解済みまだ正解していませんQ20
ある観光地の月ごとの宿泊者数の時系列を分析し、来年の予測に役立てたい。時系列の扱いに関する説明として、最も適切なものはどれか。
正解: 2. トレンドと季節成分を除いたランダムな部分を定常時系列とし、そこから予測のモデルを作る
解説: 「トレンドと季節成分を除いた…」が適切です。九州大学 数理・データサイエンス教育研究センター「情報科学【AI・データサイエンス】第7回 回帰分析と時系列分析」(2026/5/13版)は、時系列モデルで予測する流れとして、トレンドと季節成分を除いたランダムな部分(定常時系列)を取り…
関連キーワード: 時系列分析・トレンド・季節変動・定常時系列
もっと見る(残り 43 問)
- 正解済みまだ正解していませんQ21
通販サイトのレコメンド機能でよく用いられる協調フィルタリングについて、総務省統計局「なるほど統計学園」の説明に照らして、最も適切なものはどれか。
正解: 2. アイテムベースの方式では、同じ利用者が買った商品の組合せを数え、セットで買われた割合からルールを作る
解説: 「アイテムベースの方式では、同じ利用者が買った商品の組合せを数え…」が適切です。総務省統計局「なるほど統計学園」は、協調フィルタリングを、利用者の行動履歴をもとに商品間の関連性を分析して関連性の高い商品を表示する方式(アイテムベース)と、利用者の好みの類似値を分析して好みが似た利…
関連キーワード: 協調フィルタリング・レコメンド・行動履歴・アイテムベース
- 正解済みまだ正解していませんQ22
ある店舗チェーンの月の売上(万円)を、広告費(万円)と売場面積(m²)の2つを説明変数として重回帰分析した。偏回帰係数は広告費が3.0(万円/万円)、売場面積が0.5(万円/m²)で、p値は広告費が0.01、売場面積が0.04だった。店舗の間の標準偏差は、広告費が2万円、売場面積が20m²である。売上への影響の大きさを比べる判断として、最も適切なものはどれか。
正解: 4. 偏回帰係数に各変数の標準偏差を掛けると広告費6万円、売場面積10万円なので、売場面積の影響が大きいと判断する
解説: 単位をそろえて比べると、売場面積の影響の方が大きくなります。偏回帰係数は説明変数の単位を目的変数の単位に換える役割を持つので、単位の違う変数どうしでは係数の大小をそのまま比べられません。文部科学省の教員研修用教材も、単位が異なる変数は標準化して単位をそろえる必要があるとしています…
関連キーワード: 重回帰分析・偏回帰係数・標準偏回帰係数・標準化
- 正解済みまだ正解していませんQ23
ある商品の売上y(万円)を、1か月の広告の回数xで説明する回帰式が y = 2.5x + 100 と求められた。広告の回数が4回の店の売上の実測値は113万円、6回の店の売上の実測値は112万円だった。この回帰式による2つの店の残差の組合せとして、最も適切なものはどれか。
正解: 4. 4回の店が+3万円、6回の店が−3万円
解説: 残差は実測値から予測値を引いた値なので、4回の店が+3万円、6回の店が−3万円です。予測値は、4回の店が2.5×4+100=110万円、6回の店が2.5×6+100=115万円です。残差は、4回の店が113−110=+3万円、6回の店が112−115=−3万円となります。文部科学…
関連キーワード: 回帰分析・残差・予測値・最小二乗法
- 正解済みまだ正解していませんQ24
入力層に3個、隠れ層に4個、出力層に2個のノードを持つニューラルネットワークがある。隣り合う層の間はすべてのノードどうしをつなぎ(全結合)、隠れ層と出力層の各ノードはバイアスを1つずつ持つ。各ノードでは、(入力)×(重み)を足し合わせてバイアスを加え、活性化関数に渡す。学習で調整する重みとバイアスの数の合計として、最も適切なものはどれか。
正解: 1. 26個
解説: 重みとバイアスを合わせて26個です。重みは隣り合う層のノードの組の数だけあり、入力層と隠れ層の間が3×4=12個、隠れ層と出力層の間が4×2=8個で、合わせて20個です。バイアスは隠れ層と出力層のノードに1つずつなので4+2=6個で、合計は20+6=26個になります。文部科学省の…
関連キーワード: ニューラルネットワーク・隠れ層・重み・バイアス
- 正解済みまだ正解していませんQ25
会員の解約を予測する決定木が、次の規則で作られている。 ・利用月数が6か月未満なら「解約しやすい」 ・利用月数が6か月以上で、月の利用回数が3回未満なら「解約しやすい」 ・利用月数が6か月以上で、月の利用回数が3回以上なら「継続しやすい」 会員Aは利用月数6か月・月の利用回数5回、会員Bは利用月数14か月・月の利用回数3回である。2人の分類として、最も適切なものはどれか。
正解: 3. AもBも継続しやすい
解説: AもBも「継続しやすい」に分類されます。決定木は、根の条件から順に質問に答えて枝をたどり、たどり着いた葉の結果を出力します。九州大学 数理・データサイエンス教育研究センター「データサイエンス実践 4-1 パターン認識と深層学習」(CC BY)も、決定木を、質問を繰り返して結果を得…
関連キーワード: 決定木・分類・分岐・葉
- 正解済みまだ正解していませんQ26
工場で撮った製品の画像から良品と不良品を見分ける分類モデルを作った。検証の結果が思わしくないため原因を調べたところ、学習データの約1割で、良品の画像に「不良品」、不良品の画像に「良品」と、人が付けたラベルの付け間違いが見つかった。精度を上げるために次に行うこととして、最も適切なものはどれか。
正解: 3. 付け間違いのあった画像を人が見直してラベルを付け直し、そのデータで学習をやり直す
解説: ラベルの付け間違いを直して学習データの質を高めるのが先です。AI事業者ガイドライン(第1.2版、令和8年3月31日)別添は、AIモデルの質の向上のために、学習に用いるデータの質(正確性及び完全性等)に留意することが重要としています。産業技術総合研究所『機械学習品質マネジメントガイ…
関連キーワード: データの質・ラベリング・アノテーション・教師あり学習
- 正解済みまだ正解していませんQ27
通販サイトで、商品を自動でカテゴリに分けるAIを検討している。次の仕組みのうち、マルチモーダルなAIに当たるものとして、最も適切なものはどれか。
正解: 2. 商品の写真と説明文を一緒に入力し、画像と文章の両方の情報を組み合わせてカテゴリを決める
解説: 写真と説明文という形式の違うデータを組み合わせて扱う仕組みが、マルチモーダルなAIです。画像・文章・音声などのデータの形式をモダリティと呼びます。AI事業者ガイドライン(第1.2版、令和8年3月31日)別添は、異なる形式のデータを統合して処理する生成AIについて、モダリティごとの…
関連キーワード: マルチモーダル・モダリティ・アンサンブル学習・連合学習
- 正解済みまだ正解していませんQ28
オフィスの空調の設定温度を、強化学習で動くAIに任せる。AIは一定の時間ごとに建物の様子を読み取って操作を1つ選び、その結果をもとに選び方を直していく。この仕組みで「報酬」にあたるものとして、最も適切なものはどれか。
正解: 1. 操作をした後の室温が快適な範囲に近いほど高く、使った電力量が多いほど低くなるように計算する点数
解説: 報酬は、操作の結果を快適さと電力量で評価した点数です。強化学習では、AIが今の状況(状態)を読み取って行動を選び、その結果への評価(報酬)を受け取り、報酬が長い目で見て大きくなるように行動の選び方(方策)を直していきます。九州大学 数理・データサイエンス教育研究センター「データサ…
関連キーワード: 強化学習・状態・行動・報酬・方策
- 正解済みまだ正解していませんQ29
強化学習と教師あり学習の学び方を比べた説明として、最も適切なものはどれか。
正解: 2. 教師あり学習は正解ラベルから学び、強化学習は行動の結果の評価(報酬)を手がかりに行動の選び方を学ぶ
解説: 教師あり学習は入力ごとの正解ラベルから学び、強化学習は行動の結果として得られる報酬を手がかりに、長い目で見て報酬が大きくなる行動の選び方を学びます。文部科学省の教員研修用教材は、機械学習を教師あり学習、強化学習、教師なし学習の三つに大別し、教師あり学習を正解ラベルの付いたデータで…
関連キーワード: 強化学習・教師あり学習・報酬・正解ラベル
- 正解済みまだ正解していませんQ30
5件のデータA〜Eに凝集型の階層的クラスタリングを行ったところ、併合の記録は次のとおりだった。 ・距離1でAとBが併合 ・距離2でCとDが併合 ・距離5で{A, B}とEが併合 ・距離8で{A, B, E}と{C, D}が併合 この結果のデンドログラム(縦軸はクラスタ間の距離)を、距離3の高さで水平に切ったときのクラスタとして、最も適切なものはどれか。
正解: 2. 3つ({A, B}と{C, D}と{E})
解説: 距離3の高さで切ると、{A, B}・{C, D}・{E}の3つのクラスタになります。凝集型の階層的クラスタリングは、距離の最も近いクラスタどうしを順に併合し、最後に1つにまとめます。文部科学省の教員研修用教材は、デンドログラムに水平線を引いたときの交点の数がクラスタ数になり、クラ…
関連キーワード: 階層的クラスタリング・デンドログラム・クラスタ数・教師なし学習
- 正解済みまだ正解していませんQ31
あるSNSの6人A〜Fのフォロー関係を、「X→Y」が「XがYをフォローしている」ことを表す矢印で次のように書いた。 A→B、A→C、A→D、A→E、B→C、B→E、B→F、D→B、F→C この関係を有向グラフとして見たとき、最も多くの人からフォローされている人は、何人からフォローされているか。
正解: 1. 3人
解説: 最も多くフォローされているのはCで、フォローしているのはA・B・Fの3人です。向きのある関係は有向グラフで表し、ある頂点に入ってくる矢印の数を入次数、出ていく矢印の数を出次数といいます。フォローされている数は入次数なので、矢印の先に来る人を数えます。Aは0人、Bは2人(A・D)、…
関連キーワード: 有向グラフ・入次数・出次数・ノード
- 正解済みまだ正解していませんQ32
基盤モデルと大規模言語モデルについての説明として、最も適切なものはどれか。
正解: 3. 大規模言語モデルは膨大なテキストで事前学習した基盤モデルで、比較的少量のデータの追加学習で用途に合わせられる
解説: 大規模言語モデルは、膨大なテキストで事前学習したテキスト用の基盤モデルで、比較的少量のデータで追加学習して用途に合わせられます。九州大学 数理・データサイエンス教育研究センター「データサイエンス概論 15 人工知能入門(生成AIを含む)」(CC BY)は、基盤モデルを膨大なデータ…
関連キーワード: 基盤モデル・大規模言語モデル・事前学習・追加学習
- 正解済みまだ正解していませんQ33
問い合わせの文を集計する前に、次の原文に処理X・Y・Zを行った。Zは、原文を語に区切った後に行ったものである(「/」は語の区切り)。 原文:スマホの画面が割れたので、スマホを交換した 処理Xの結果:スマホの画面が割れたので、スマホを交換した 処理Yの結果:スマホ/の/画面/が/割れ/た/ので/、/スマホ/を/交換/し/た 処理Zの結果:スマホ/画面/割れ/スマホ/交換 X・Y・Zに当てはまる処理の組合せとして、最も適切なものはどれか。
正解: 4. X:表記ゆれの統一、Y:形態素解析、Z:ストップワードの除去
解説: 「X:表記ゆれの統一、Y:形態素解析、Z:ストップワードの除去」が適切です。Xは半角の「スマホ」を全角の「スマホ」に書き換えただけで、語の区切りは変わっていません。文部科学省の「情報Ⅱ」の教材は、前処理として大文字と小文字や空白の有無などの表記のゆれを直すことを挙げています。そろ…
関連キーワード: 表記ゆれ・形態素解析・ストップワード・テキストの前処理
- 正解済みまだ正解していませんQ34
3件の感想を形態素解析で語に区切ったところ、次の結果になった(「/」は語の区切り)。 感想1:配送/が/早い/。/配送/の/箱/も/きれい 感想2:配送料/が/高い 感想3:商品/は/良い/が/配送/が/遅い 区切った語を単位として数えるとき、語「配送」の出現回数と、語「配送」を含む感想の件数の組合せとして、最も適切なものはどれか。
正解: 4. 出現回数3回、含む感想2件
解説: 「出現回数3回、含む感想2件」が適切です。語を単位に数えると、「配送」は感想1に2回、感想3に1回なので、出現回数は2+1=3回です。「配送」を含む感想は感想1と感想3の2件です。感想2の「配送料」は1つの語として区切られているので、語「配送」には数えません。「出現回数4回、含む…
関連キーワード: 形態素解析・出現回数・テキストマイニング・文書の件数
- 正解済みまだ正解していませんQ35
画像のノイズを減らすため、3×3の平均フィルタをかける。ある画素とその周りの画素の値は次のとおりで、中央が対象の画素である。 10 10 10 10 100 10 10 10 10 フィルタをかけた後の中央の画素の値として、最も適切なものはどれか。
正解: 3. 20
解説: 「20」が適切です。3×3の平均フィルタは、対象の画素を中心とした9画素それぞれに1/9の重みを掛けて足し合わせ、その値を中央の新しい値にします。九州大学 数理・データサイエンス教育研究センター「応用プログラミング演習(画像解析)1 画像処理」(2025/11/18版)は、これを…
関連キーワード: 平滑化・平均フィルタ・画像処理・ノイズ
- 正解済みまだ正解していませんQ36
画像を学習に使う前に、0〜255の整数で表された画素値を変換する。方法Pでは、各画素値を255で割る。方法Qでは、学習用の全画像の画素値の平均と分散を求め、各画素値から平均を引いて分散の平方根で割り、平均0・分散1にそろえる。PとQの呼び名と、変換した後の値についての説明として、最も適切なものはどれか。
正解: 1. Pは正規化で、変換後の値は0以上1以下に収まる。Qは標準化で、平均より小さい画素値は負の値になる。
解説: 「Pは正規化…Qは標準化…負の値になる」が適切です。九州大学 数理・データサイエンス教育研究センター「データサイエンス実践 4-1 パターン認識と深層学習」(2025/10/3版)は、値を特定の範囲(例えば0〜1)に収めることを正規化、平均0・標準偏差1に変換することを標準化と呼…
関連キーワード: 正規化・標準化・画素値・前処理
- 正解済みまだ正解していませんQ37
画像認識のタスクとその出力についての次の記述a〜dのうち、適切なものの組合せはどれか。 a 画像分類は、画像全体を見て、写っている物の種類(クラス)を予測する。 b 画像分類は、写っている複数の物体それぞれについて、位置を囲む矩形の座標を出力する。 c 物体検出は、画素の一つ一つに前景か背景かのラベルを付け、物体の輪郭に沿って領域を塗り分ける。 d 領域分割(セグメンテーション)は、画素ごとにラベルを付け、物体と背景の境目を画素の単位で分ける。
正解: 4. aとd
解説: 「aとd」が適切です。aについて、九州大学 数理・データサイエンス教育研究センター「応用プログラミング演習(言語理解)」(2025/11/18版)は、画像分類を、画像データから物体の種類の確率を予測する問題として挙げています。dについて、同センター「応用プログラミング演習(画像解…
関連キーワード: 画像分類・物体検出・セグメンテーション・画像認識
- 正解済みまだ正解していませんQ38
横200画素・縦100画素で、1画素を赤・緑・青(RGB)の各1バイトで表すカラーの動画がある。フレームレートは20フレーム/秒で、長さは5秒である。圧縮しないときのデータ量として、最も適切なものはどれか。なお、1MB=1,000,000バイトとする。
正解: 3. 6MB
解説: 「6MB」が適切です。動画は静止画(フレーム)を時間の順に並べたもので、九州大学 数理・データサイエンス教育研究センター「データサイエンス概論 13 非構造化データ解析」(2024年9月版)も、動画像を静止画像の時系列として示しています。1フレームは200×100=20,000画…
関連キーワード: 動画・フレームレート・データ量・RGB
- 正解済みまだ正解していませんQ39
音声を、1秒間に8,000回の標本化と、1回の値を8ビットで表す量子化で、左右2チャンネル(ステレオ)のデジタルデータにする。60秒の音声を圧縮せずに保存するときのデータ量として、最も適切なものはどれか。
正解: 1. 960,000バイト
解説: 「960,000バイト」が適切です。圧縮しない音声のデータ量は「1秒間の標本化の回数×1回の値のバイト数×チャンネル数×秒数」です。8ビットは1バイトなので、8,000×1×2×60=960,000バイトになります。九州大学 数理・データサイエンス教育研究センター「情報科学【AI…
関連キーワード: 標本化・量子化・ステレオ・データ量
- 正解済みまだ正解していませんQ40
ある部品の検査で、1,000個のうち実際に不良品(陽性)は10個、良品(陰性)は990個だった。すべての部品を「良品」と予測するモデルを、このデータで評価した。このモデルの正解率と再現率の組合せとして、最も適切なものはどれか。
正解: 3. 正解率99%、再現率0%
解説: 「正解率99%、再現率0%」が適切です。モデルはすべてを良品と予測するので、良品990個は全部当たり、不良品10個は全部外れます。正解率は予測が当たった割合で990÷1,000=99%、再現率は実際の不良品のうち不良品と予測できた割合で0÷10=0%です。Google for D…
関連キーワード: 正解率・再現率・不均衡データ・特異度
- 正解済みまだ正解していませんQ41
ある商品の3日間の販売数を予測した。実測は100個・200個・50個、予測は同じ順に90個・230個・60個だった。平均絶対パーセント誤差(MAPE)として、最も適切なものはどれか。なお、割り切れないときは小数第2位を四捨五入する。
正解: 2. 15.0%
解説: 「15.0%」が適切です。MAPEは、各データの誤差の絶対値を実測値で割った割合の平均で、scikit-learn 1.7 の資料も回帰の評価指標としてこの形で定義しています。各日の割合は|100−90|÷100=10%、|200−230|÷200=15%、|50−60|÷50=…
関連キーワード: MAPE・MAE・回帰の評価指標・予測誤差
- 正解済みまだ正解していませんQ42
0〜1の値をとる変数を0.1刻みで区切ると10区画になる。変数が2つなら10×10=100区画、3つなら10×10×10=1,000区画で、どの区画にも少なくとも1件のデータを置くには、変数が1つ増えるごとに要る件数が10倍になる。このように、特徴量の数を増やすと同じ件数のデータでは空間がまばらになり、近くのデータを手がかりにする手法などが働きにくくなる。この現象を指す言葉として、最も適切なものはどれか。
正解: 2. 次元の呪い
解説: 「次元の呪い」が適切です。0.1刻みの区画の数は、変数1つで10、2つで10×10=100、3つで10×10×10=1,000と、変数が1つ増えるごとに10倍になります。同じ件数のデータでは、変数が増えるほど1区画あたりの件数が減り、空間がまばらになります。scikit-lear…
関連キーワード: 次元の呪い・特徴量・次元削減・最近傍法
- 正解済みまだ正解していませんQ43
ある2値分類モデルは、陽性である確率を0〜1の値で出し、その値がしきい値以上のデータを陽性と予測する。評価用の200件(実際の陽性48件、実際の陰性152件)で、しきい値を0.5と0.8にしたときの結果は次のとおりだった。 ・しきい値0.5:真陽性36件、偽陽性24件、偽陰性12件、真陰性128件 ・しきい値0.8:真陽性24件、偽陽性6件、偽陰性24件、真陰性146件 しきい値を0.5から0.8に上げたときの適合率と再現率の変化として、最も適切なものはどれか。
正解: 4. 適合率は0.6から0.8に上がり、再現率は0.75から0.5に下がる
解説: 「適合率は0.6から0.8に上がり、再現率は0.75から0.5に下がる」が適切です。Google for Developersの機械学習の用語集(ML Glossary)は、適合率を陽性と予測したもののうち実際に陽性だった割合、再現率を実際の陽性のうち陽性と予測できた割合としてい…
関連キーワード: 適合率・再現率・しきい値・混同行列
- 正解済みまだ正解していませんQ44
ある2値分類モデルを評価したところ、適合率は0.75、再現率は0.5だった。このモデルのF値(F1スコア)として、最も適切なものはどれか。
正解: 4. 0.6
解説: F値は0.6です。F値=2×適合率×再現率÷(適合率+再現率)で求めます(式はGoogle for Developersの機械学習の用語集(ML Glossary)のF1の項、適合率と再現率の調和平均であることはscikit-learnのドキュメント3.4.4.9)。代入すると、…
関連キーワード: F値・調和平均・適合率・再現率
- 正解済みまだ正解していませんQ45
ある2値分類モデルを950件のデータで評価したところ、実際に陽性で陽性と予測した件数(真陽性)が40件、実際に陽性で陰性と予測した件数(偽陰性)が10件、実際に陰性で陽性と予測した件数(偽陽性)が90件、実際に陰性で陰性と予測した件数(真陰性)が810件だった。このモデルの特異度と偽陽性率の組合せとして、最も適切なものはどれか。なお、値は小数第3位を四捨五入する。
正解: 1. 特異度0.90、偽陽性率0.10
解説: 特異度は0.90、偽陽性率は0.10です。特異度は実際の陰性のうち陰性と正しく予測できた割合で、真陰性÷(真陰性+偽陽性)で求めます。偽陽性率は実際の陰性のうち誤って陽性と予測した割合で、偽陽性÷(偽陽性+真陰性)です(scikit-learnの文書「3.4 Metrics an…
関連キーワード: 特異度・偽陽性率・混同行列・再現率
- 正解済みまだ正解していませんQ46
k近傍法で、点Q(0, 0)が赤と青のどちらに属するかを予測する。学習データは次の5点で、距離はユークリッド距離(座標の差の2乗の和の平方根)で測る。 ・P1(1, 1)赤 ・P2(−1, 0)青 ・P3(0, −2)赤 ・P4(3, 0)青 ・P5(2, 2)青 kを1、3、5としたときのQの予測について述べたものとして、最も適切なものはどれか。
正解: 3. k=1では青、k=3では赤、k=5では青と、kの値で予測が変わる
解説: 「k=1では青、k=3では赤、k=5では青と、kの値で予測が変わる」が適切です。scikit-learnの文書「1.6 Nearest Neighbors」が説明するとおり、k近傍法の分類は、予測したい点に近いk個の学習データの多数決で決まります。Qからの距離は、P2が1、P1が…
関連キーワード: k近傍法・多数決・ユークリッド距離
- 正解済みまだ正解していませんQ47
ある店が会員の購買データを使って、次の2つの分析を考えている。 ・A案:これまでに「優良会員」「一般会員」と判定済みの会員のデータから学び、新しく入った会員をどちらかの区分に振り分ける。 ・B案:判定の情報を使わず、購買の傾向が似ている会員どうしをいくつかのグループにまとめる。 A案とB案について述べたものとして、最も適切なものはどれか。
正解: 4. B案はクラスタリングにあたり、できたグループの意味は、分析した人が後から読み取る
解説: 「B案はクラスタリングにあたり、できたグループの意味は、分析した人が後から読み取る」が適切です。九州大学 数理・データサイエンス教育研究センター『情報科学【AI・データサイエンス】第2回 AIと機械学習』は、各データの正解を人が教えて学ぶものを教師あり学習とし、正解を知らされてい…
関連キーワード: クラスタリング・分類・教師なし学習・教師あり学習
- 正解済みまだ正解していませんQ48
2つのチームが、同じデータで分類のモデルを作った。 ・チームX:決定木を多数作り、それぞれの木には、特徴量のうち無作為に選んだ一部だけを使わせる。予測は、全部の木の多数決で決める。 ・チームY:深さ1の決定木(決定株)を多数組み合わせ、木ごとに重みを付けた多数決で予測を決める。 XとYのモデルについて述べたものとして、最も適切なものはどれか。
正解: 3. Xがランダムフォレストにあたり、多数の木の学習を並列に進められるので速く学習しやすい
解説: 「Xがランダムフォレストにあたり、多数の木の学習を並列に進められるので速く学習しやすい」が適切です。九州大学 数理・データサイエンス教育研究センター『データサイエンス実践 4-1 パターン認識と深層学習』は、ランダムフォレストを、特徴量のうち無作為に選んだ一部を使う決定木を多数作…
関連キーワード: ランダムフォレスト・ブースティング・決定木・アンサンブル学習
- 正解済みまだ正解していませんQ49
機械学習のモデルで扱う値のうち、ハイパーパラメータと、学習で決まるパラメータの区別について述べたものとして、最も適切なものはどれか。
正解: 2. k-means法のクラスタ数kは前もって決めるハイパーパラメータで、各中心の位置は学習で決まる
解説: 「k-means法のクラスタ数kは前もって決めるハイパーパラメータで、各中心の位置は学習で決まる」が適切です。Google for Developersの機械学習の用語集(ML Glossary)は、ハイパーパラメータを、学習を回すたびに人(または調整の仕組み)が設定して変える値…
関連キーワード: ハイパーパラメータ・パラメータ・k-means法・学習率
- 正解済みまだ正解していませんQ50
ある分類モデルで、設定(ハイパーパラメータ)の組を30通り試した。試すたびにテストデータでの正解率を確かめ、最も良かった組の正解率92%を「このモデルの性能」として報告した。この92%の扱いとして、最も適切なものはどれか。
正解: 1. テストデータを設定選びに使ったので92%は楽観的で、選んだ後に未使用のデータで測り直す
解説: 「テストデータを設定選びに使ったので92%は楽観的で、選んだ後に未使用のデータで測り直す」が適切です。Google for Developersの機械学習の用語集(ML Glossary)は、データを訓練・検証・テストの重ならない3つに分け、テストの前に検証データで何度も評価する…
関連キーワード: テストデータ・検証データ・ハイパーパラメータ・汎化性能
- 正解済みまだ正解していませんQ51
ある回帰モデルで、目的変数の実測値と予測値の差(残差)の2乗の和が20、実測値とその平均値との差の2乗の和が100だった。このモデルの決定係数として、最も適切なものはどれか。
正解: 1. 0.8
解説: 決定係数は0.8です。scikit-learnの文書「3.4 Metrics and scoring」が示すとおり、決定係数R²は、1から「残差の2乗の和(残差平方和)÷実測値と平均値との差の2乗の和(全平方和)」を引いた値で、目的変数のばらつきのうちモデルで説明できた割合を表し…
関連キーワード: 決定係数・残差平方和・回帰分析
- 正解済みまだ正解していませんQ52
ある2値分類のロジスティック回帰モデルでは、説明変数xから線形の式 z=−1+0.5x を求め、そこから陽性の確率を出す。x=2のデータについて、このモデルの出力を述べたものとして、最も適切なものはどれか。
正解: 2. 出力は0.5で、zをシグモイド関数で0から1の間の値に変換したものが陽性の確率になる
解説: 「出力は0.5で、zをシグモイド関数で0から1の間の値に変換したものが陽性の確率になる」が適切です。Google for Developersの機械学習の用語集(ML Glossary)は、ロジスティック回帰を確率を予測するモデルとし、特徴量の線形の式で求めた値をシグモイド関数に…
関連キーワード: ロジスティック回帰・シグモイド関数・確率
- 正解済みまだ正解していませんQ53
ある深層学習のモデルの1つのノードは、2つの入力x₁、x₂にそれぞれ重みw₁=2、w₂=−1を掛けて足し、バイアスb=1を加えた値uを、活性化関数ReLUに通して出力する。入力がx₁=1、x₂=4のときのこのノードについて述べたものとして、最も適切なものはどれか。
正解: 2. 重み付き和にバイアスを足した値は−1で、ReLUを通した出力は0になる
解説: 「重み付き和にバイアスを足した値は−1で、ReLUを通した出力は0になる」が適切です。Google for Developersの機械学習の用語集(ML Glossary)は、ノード(ニューロン)が入力と重みの積を足し合わせた重み付き和を求めて活性化関数に渡すこと、ReLUは入力…
関連キーワード: ReLU・活性化関数・重み付き和・バイアス
- 正解済みまだ正解していませんQ54
融資の申し込みを審査する時点で、借り手が貸し出しから1年以内に返済を延滞するかどうかを予測する分類モデルを作る。過去の貸し出しの記録から作った説明変数に、貸し出しの後の記録から集計した「督促状の送付回数」を加えたところ、検証データでの正解率が非常に高くなった。この結果の原因の見立てと対応の組合せとして、最も適切なものはどれか。
正解: 4. 特徴量がラベルの身代わりになるラベルの漏れによるので、その変数を外し、申し込みの時点の値で作り直す
解説: 督促状の送付回数がラベルの身代わりになるラベルの漏れと見立て、その変数を外して作り直すのが適切です。Google for Developers『Machine Learning Glossary』は、特徴量がラベルの身代わりになっている設計の欠陥をラベルの漏れ(label lea…
関連キーワード: リーク・ラベルの漏れ・過学習・非定常性・選択バイアス
- 正解済みまだ正解していませんQ55
「犬が猫を追う」と「猫が犬を追う」の2つの文を、語を「犬」「が」「猫」「を」「追う」に区切ったうえで、Bag of Wordsで表す。この2つの文の表し方について述べたものとして、最も適切なものはどれか。
正解: 4. 2つの文は同じベクトルになるが、2-gramを特徴に加えると、語の並びの違いから2つの文を区別できるようになる
解説: 2つの文は同じベクトルになるが、2-gramを特徴に加えると並びの違いから区別できる、が適切です。scikit-learn 1.7のドキュメント(Feature extraction)は、Bag of Wordsは文書を語の出現で表し、文書の中での語の相対的な位置の情報を捨てると…
関連キーワード: Bag of Words・n-gram・テキストの前処理・自然言語処理
- 正解済みまだ正解していませんQ56
次のa〜dのうち、自然言語処理のタスクとしての「文書分類」に当たるものを2つ選んだ組合せとして、最も適切なものはどれか。 a 届いた多数のメールの中から、迷惑メールを見つけ出す b 商品の口コミから、書き手の評価が肯定的か否定的かを読み取る c 1件の記事から、その内容と関連の強い語を選び出す d 多数の記事を、あらかじめ区分を決めずに内容の似たものどうしの集まりに分け、集まりごとの典型的なテーマを見つける
正解: 2. aとb
解説: aとbが文書分類です。九州大学 数理・データサイエンス教育研究センター『応用プログラミング演習(言語理解)』は、文書の分類を文書をいくつかのクラス(グループ)に分ける問題とし、例に迷惑メールの判定と口コミの評価が肯定か否定かの判定を挙げています。aとbは、先に決まったクラスに振り…
関連キーワード: 文書分類・トピック解析・キーワード抽出・クラスタリング・自然言語処理
- 正解済みまだ正解していませんQ57
1,000件の文書からなる文書の集まりで、TF-IDFを使って語の重みを求める。語tの文書dでのtfは、dの中でのtの出現回数とし、idfは log₁₀(全文書数 ÷ tを含む文書数)とする。語Aは1,000件すべての文書に現れ、語Bは10件の文書にだけ現れる。ある文書dの中にAとBがどちらも3回ずつ現れるとき、文書dでのAとBのtf-idf(tf × idf)の組合せとして、最も適切なものはどれか。
正解: 1. A:0、B:6
解説: Aは0、Bは6です。scikit-learn 1.7のドキュメント(Feature extraction)は、tf-idfを語の出現回数(tf)と逆文書頻度(idf)の積とし、多くの文書に現れる語は文書の内容についての手がかりが少ないので重みを下げると説明しています。問題文の式で…
関連キーワード: TF-IDF・逆文書頻度・対数・自然言語処理
- 正解済みまだ正解していませんQ58
語の出現を数えた2つの文書のベクトル a=(1, 2, 2) と b=(2, 1, 2) について、aとbのコサイン類似度として最も適切なものはどれか。値は小数第3位を四捨五入する。
正解: 1. 約0.89
解説: 約0.89です。コサイン類似度は、2つのベクトルの内積を、それぞれの長さ(ノルム)の積で割った値で、向きが同じなら1に近づきます(九州大学 数理・データサイエンス教育研究センター『応用プログラミング演習(画像解析)2 画像認識』の正規化相関)。内積 a・b=1×2+2×1+2×2…
関連キーワード: コサイン類似度・内積・ノルム・文書の類似度
- 正解済みまだ正解していませんQ59
横640画素・縦480画素のカラー画像を、学習の前に縦横をそれぞれ半分の横320画素・縦240画素に縮小し、さらにグレースケール画像に変換する。カラー画像は1画素を赤・緑・青(RGB)の値で表す。どの画像も、画素の1つの値を1バイト(0〜255の整数)で表し、圧縮しない。変換後の画像1枚のデータ量は、元のカラー画像の何分の1になるか。最も適切なものはどれか。
正解: 2. 12分の1
解説: 12分の1です。カラー画像は1画素を赤・緑・青の3つの値で表し、グレースケール画像は1画素を1つの値で表します(九州大学 数理・データサイエンス教育研究センター『応用プログラミング演習(画像解析)1 画像処理』のカラー画像とグレースケール画像の変換)。元の画像は640×480×3…
関連キーワード: グレースケール・リサイズ・画像の前処理・データ量
- 正解済みまだ正解していませんQ60
多くの変数をもつデータに主成分分析を行う。主成分分析で行うことの説明として、最も適切なものはどれか。
正解: 3. 相関の強い元の変数を組み合わせた新しい変数を、対象どうしの違いを大きく表す順に作り、下位のものを捨てる
解説: 相関の強い元の変数を組み合わせた新しい変数を、対象の違いを大きく表す順に作り、下位を捨てる、が適切です。主成分分析は教師なし学習の手法で、相関の強い変数どうしをまとめて、個々の対象の違いを最も大きくする主成分という新しい変数を作ります。主成分は元の変数の線形結合(重み付きの合計)…
関連キーワード: 主成分分析・次元削減・主成分・分散
- 正解済みまだ正解していませんQ61
顧客を、年間の購入額(1万〜50万円の範囲を円の単位で記録)と来店回数(1〜20回)の2つの変数で表し、k近傍法で新しい顧客の分類を予測する。距離にはユークリッド距離を使う。2つの変数をそのままの値で距離に使ったところ、近いと判定される顧客が、ほとんど購入額だけで決まっていた。この場合の対応として、最も適切なものはどれか。
正解: 3. 各変数を平均0・標準偏差1に変換して標準化してから、ユークリッド距離で近い顧客を選び直す
解説: 各変数を平均0・標準偏差1に標準化してから距離を測り直すのが適切です。k近傍法は、新しい点に距離の近い学習データの点を決まった数だけ探して予測します(scikit-learn 1.7のドキュメント Nearest Neighbors)。購入額が1万円、来店回数が10回違う2人の距…
関連キーワード: k近傍法・標準化・ユークリッド距離・尺度
- 正解済みまだ正解していませんQ62
顧客が解約するかどうかを予測する分類モデルを作った。データ全体のうち「解約しない」顧客が60%を占める。訓練データでの正解率は62%、検証データでの正解率は60%だった。この結果の読み方と次の手として、最も適切なものはどれか。
正解: 1. 全員を「解約しない」と予測したときとほぼ同じ正解率の未学習の状態なので、特徴量を見直すか表現力の高いモデルを試す
解説: 全員を「解約しない」と予測するのとほぼ同じ成績の未学習と読み、特徴量やモデルを見直すのが適切です。「解約しない」が60%なので、何も学ばずに全員を「解約しない」とするだけで正解率は60%になります。訓練62%・検証60%は、この基準を訓練で2ポイント、検証で0ポイントしか上回って…
関連キーワード: 未学習・過学習・正解率・ベースライン
- 正解済みまだ正解していませんQ63
人物の写真から職業を推定するモデルを作るため、作業者が写真を見て「医師」「看護師」などの職業のラベルを付けた。作業者はそれぞれ、写真の見た目から職業を判断した。完成したモデルは、同じ職業の人でも性別によって推定の結果が偏る傾向を示した。この場合の対応として、最も適切なものはどれか。
正解: 3. 付けるラベルの基準を決めて作業者の間でそろえ、ラベルに見た目からの思い込みによる偏りがないかを点検して学習し直す
解説: ラベル付けの基準を決めてそろえ、ラベルに思い込みの偏りが入っていないか点検してから学習し直すのが適切です。九州大学 数理・データサイエンス教育研究センター『データサイエンス概論 12 データ収集とバイアス』は、画像などを分析やAIに使うときは人が付けたアノテーション(データの説明…
関連キーワード: アノテーション・バイアス・ラベル付け・学習データ
増やしてほしいと送りました
送った後に 問増えました
この科目は 63 問。足りないと感じたら
この科目の学習ポイントを読む
ぴよパスではデータサイエンティスト検定 リテラシーレベルの問題を5カテゴリに分けています。データサイエンス(機械学習・AI・非構造化データ)にはオリジナル予想問題を63問収録し、サイト内のデータサイエンティスト検定 リテラシーレベル全300問の約21%を占めます。この割合は本試験の出題比率ではありません。このカテゴリの収録テーマには再現率・教師あり学習・クラスタリング・標準化などがあります。本試験の情報は合格率約49%(第13回・2026年6月)/ 約43%(第11回・2025年11月)・試験時間100分・受験料10,000円です。
回答後に解説を読み、分からなかった用語や手順をテキストで確かめてから解き直す使い方ができます。関連する用語や条件は、基盤(倫理・法令・論理的思考・生成AI・セキュリティ)・データサイエンス(数学・統計・可視化)・データエンジニアリングなどのカテゴリでも確認できます。模擬試験はPremiumの機能です。問題数・科目構成・制限時間は模試の開始画面で確認してください。
データサイエンス(機械学習・AI・非構造化データ)の出題傾向 — 収録全63問の分析
ぴよパスに収録しているデータサイエンティスト検定 リテラシーレベル「データサイエンス(機械学習・AI・非構造化データ)」のオリジナル練習問題 全63問を集計した、実データに基づく傾向まとめです
頻出テーマ (出題数の多い順)
- 再現率5問
- 教師あり学習5問
- クラスタリング4問
- 標準化4問
- データ量4問
つまずきやすいポイント (解説からの抜粋)
結果を混同行列にまとめると、真陽性40・偽陰性20・偽陽性10・真陰性930です。
Q3 ある病気の有無を判定する分類モデルを1,000人のデータで評価した。実際に病気の人のうち、… で確認する「学習率は…データから推定される」は、人が決める学習率を、学習で更新される重みと混同しています。
Q49 機械学習のモデルで扱う値のうち、ハイパーパラメータと、学習で決まるパラメータの区別について… で確認する
次の科目へ
データエンジニアリング81 問学習に使える参考書 1 冊 PR
紹介文と対象読者を見比べて、学びたい内容に合う書籍を選んでください。
国立国会図書館の書誌で2026年6月刊・技術評論社の、協会の名前が付いた公式のリファレンスブックです。2026年6月の第13回から試験の範囲が4つのカテゴリに変わったので、2025年までに出た本は前の範囲で書かれています。ぴよパスの問題はこの本を見ずに、法令と公開の資料だけで作っています。本で範囲を通して学び、ぴよパスで問題を解いて確かめる使い方ができます。
こんな人に: DS検定を初めて受ける方。新しい範囲の4つのカテゴリを、協会の整理で通して学びたい方。
Amazonで価格を見る
書籍情報の確認日:
書籍情報の確認日は、Amazon評価の時点を示すものではありません。最新の評価・版・対応年度・価格は商品ページでご確認ください。
※ 本セクションは Amazon アソシエイト・プログラムに基づく紹介リンクを含みます。リンク経由で商品が購入された場合、当サイトは Amazon.co.jp から紹介料を受け取ります。価格・在庫状況は変動するため、最新情報は Amazon.co.jp のページでご確認ください。
データサイエンス(機械学習・AI・非構造化データ) — よくある質問
この科目の問題数・学習順序・出題比率・合格ラインの目安をまとめました
- データサイエンティスト検定 リテラシーレベルのデータサイエンス(機械学習・AI・非構造化データ)は何問用意されていますか?
- ぴよパスではデータサイエンティスト検定 リテラシーレベルのデータサイエンス(機械学習・AI・非構造化データ)に全63問のオリジナル練習問題を用意しています。データサイエンティスト検定 リテラシーレベルの収録全300問のうち約21%です。回答後に解説を確認できます。
- データサイエンス(機械学習・AI・非構造化データ)はどんな順序で学習するのがおすすめですか?
- テキストで学んだ範囲や、確認したい用語の問題から取り組めます。迷う場合は一覧の先頭から数問解き、解説を読んでも分からない箇所をテキストで確認してください。問題番号は一覧内の順番です。ぴよパスではデータサイエンティスト検定 リテラシーレベルの問題を5カテゴリ(データサイエンス(機械学習・AI・非構造化データ) / 基盤(倫理・法令・論理的思考・生成AI・セキュリティ)・データサイエンス(数学・統計・可視化)・データエンジニアリング・価値創造)に分けているので、関連する内容は別のカテゴリでも確認できます。
- データサイエンス(機械学習・AI・非構造化データ)の問題数は、通常演習と模試でどう違いますか?
- データサイエンス(機械学習・AI・非構造化データ)は、ぴよパスでデータサイエンティスト検定 リテラシーレベルの問題を分けている5カテゴリの一つです。ぴよパスに収録しているデータサイエンス(機械学習・AI・非構造化データ)の問題数は63問 / 全300問で、収録全体の約21%にあたります。ぴよパスの模擬試験の基本設定では、データサイエンス(機械学習・AI・非構造化データ)を全100問中21問(約21%)出題します。これは模試の配分であり、本試験の出題比率を示すものではありません。
- データサイエンス(機械学習・AI・非構造化データ)で合格ラインを割らないためのコツはありますか?
- データサイエンティスト検定 リテラシーレベルの合格基準は「合格基準は公表されていません(協会の過去の実施結果の頁に、合格ラインの目安として正答率約76〜77%の記載があります)」です。科目別の足切りはなく、合否は総合得点で決まります。サイト内のカテゴリ分けと本試験の科目区分は一致しない場合があります。データサイエンス(機械学習・AI・非構造化データ)の正答率だけで合否を判断せず、間違えた問題の内容と、本試験で適用される基準を確認してください。
