ぴよパスディープラーニングの概要
全 180 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480円)全 180 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初級
2つの2値入力 x1、x2 のうち、ちょうど一方が1のときに1を、それ以外のときに0を出力するXOR（排他的論理和）の学習について、最も適切なものはどれか。
解説: 肢2が正解です。Deep Learning（Goodfellowら）の6.1節は、線形モデルではXORを表現できないことを示したうえで、2個の隠れユニットを持つ隠れ層1層のネットワークが、線形モデルで分けられる特徴空間を学ぶことでXORを解く例を挙げています。肢1は不適切で、同書…
関連キーワード: 単純パーセプトロン・多層パーセプトロン・隠れ層・入力層・出力層・XOR
- 正解済みまだ正解していませんQ2初級
画像を分類する多層のニューラルネットワークにおける層の説明として、最も適切なものはどれか。
解説: 肢1が正解です。Deep Learning（Goodfellowら）の第1章は、隠れ層の値はデータとして与えられず、どの概念が役立つかをモデル自身が決めるため「隠れ」と呼ぶと説明し、画像の例として、第1隠れ層がエッジ、第2隠れ層が角や輪郭、第3隠れ層が物体の部品を表す図を示してい…
関連キーワード: 隠れ層・入力層・出力層・多層パーセプトロン・ディープラーニング
- 正解済みまだ正解していませんQ3中級
ディープラーニングの計算に使われるハードウェアの説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。Deep Learning（Goodfellowら）の12.1.2節は、GPUは並列性とメモリ帯域を高めた代わりに、従来のCPUよりクロック速度が低く分岐を扱う能力も低いと説明しています。GPUがニューラルネットワークに向くのは、学習の計算に分岐や複雑な制御が少…
関連キーワード: CPU・GPU・TPU
- 正解済みまだ正解していませんQ4初級
シグモイド関数 σ(x) = 1/(1 + exp(−x)) の性質として、最も適切なものはどれか。
解説: 肢1が正解です。Deep Learning（Goodfellowら）の3.10節は、シグモイド関数の導関数が σ(x)(1 − σ(x)) になることを示しています。σ(0) = 0.5 なので、x = 0 で 0.5 × 0.5 = 0.25 が最大となり、|x| が大きくなる…
関連キーワード: シグモイド関数・勾配消失問題・活性化関数
- 正解済みまだ正解していませんQ5中級
隠れ層に使う活性化関数の比較として、最も適切なものはどれか。
解説: 肢2が正解です。Deep Learning（Goodfellowら）の6.3.1節は、ReLUは出力が0になる入力では勾配による学習ができないという欠点を挙げ、負の側に0.01のような小さな傾きを固定するLeaky ReLU（Maasら、2013）を紹介しています。肢1はシグモイ…
関連キーワード: tanh 関数・ReLU 関数・Leaky ReLU 関数・勾配消失問題
- 正解済みまだ正解していませんQ6初級
次の文の空所（ ）に入る語として、最も適切なものはどれか。 多クラス分類の出力層では、各クラスに対応する値を指数関数で変換してからその総和で割り、各出力が0より大きく1より小さい値をとり、出力の総和が1になるようにする（ ）関数がよく使われる。
解説: 肢3が正解です。Deep Learning（Goodfellowら）の6.2.2.3節は、ソフトマックス関数を softmax(z)_i = exp(z_i) / Σ_j exp(z_j) と定義し、n個のクラスにわたる確率分布を表すために分類器の出力として最もよく使われると説明…
関連キーワード: ソフトマックス関数・シグモイド関数・活性化関数
- 正解済みまだ正解していませんQ7中級
3クラス分類の出力層で、ソフトマックス関数に入力 z = (0, ln 2, ln 5) を与えた。3番目のクラスに対する出力の値として、最も適切なものはどれか。ln は自然対数とする。
解説: 肢4が正解です。ソフトマックス関数は softmax(z)_i = exp(z_i) / Σ_j exp(z_j) です（Deep Learning（Goodfellowら）6.2.2.3節）。 exp(0) = 1、exp(ln 2) = 2、exp(ln 5) = 5 総和 …
関連キーワード: ソフトマックス関数・活性化関数・自然対数
- 正解済みまだ正解していませんQ8中級
ニューラルネットワークの出力層と誤差関数の選び方として、最も適切なものはどれか。
解説: 肢3が正解です。Deep Learning（Goodfellowら）の6.2節は、線形の出力層でガウス分布の平均を出す場合、対数尤度の最大化は平均二乗誤差の最小化と同じになること、多クラス分類ではソフトマックス出力と対数尤度（交差エントロピー）の組合せがよく働くことを説明していま…
関連キーワード: 平均二乗誤差関数・交差エントロピー・ソフトマックス関数・誤差関数
- 正解済みまだ正解していませんQ9上級
確率分布 P と Q に対するカルバック・ライブラー情報量 D_KL(P‖Q) と交差エントロピー H(P, Q) の説明として、最も不適切なものはどれか。
解説: 肢1が不適切です。Deep Learning（Goodfellowら）の3.13節は、KL情報量の最も重要な性質として非負であることを挙げ、離散変数では P と Q が同じ分布のとき、かつそのときに限り0になると述べています（肢2）。同節は交差エントロピーを H(P, Q) = …
関連キーワード: カルバック・ライブラー情報量 (KL)・交差エントロピー・誤差関数
- 正解済みまだ正解していませんQ10上級
距離学習の誤差関数である、Hadsellら（2006）の Contrastive Loss と、顔画像の照合を扱った FaceNet の論文（Schroffら）の Triplet Loss の説明として、最も適切なものはどれか。
解説: 肢4が正解です。FaceNetの論文（Schroffら）は、同じ人物の画像（正例）とアンカーの距離にマージンαを足しても、別人の画像（負例）とアンカーの距離より小さくなるように、3つ組で学習するTriplet Lossを用いています。Contrastive Loss（Hadsel…
関連キーワード: Triplet Loss・Contrastive Loss・誤差関数・距離学習
- 正解済みまだ正解していませんQ11中級
L1正則化とL2正則化の説明として、最も適切なものはどれか。
解説: 肢1が正解です。Deep Learning（Goodfellowら）の7.1.2節は、L1正則化（重みの絶対値の和）はL2正則化より疎な解、つまり一部の重みが0になる解を生みやすく、その性質が特徴量の選択に広く使われてきたと説明し、L1の罰則を線形モデルに組み込んだ例としてLAS…
関連キーワード: L1 正則化・L2 正則化・ラッソ回帰・リッジ回帰・正則化
- 正解済みまだ正解していませんQ12初級
次の文の空所（ ）に入る語として、最も適切なものはどれか。 （ ）は、学習のたびにユニットを無作為に取り除いた多数の部分ネットワークを学習させることで、指数的に多くのネットワークのアンサンブルを少ない計算で近似する正則化の手法と説明される。推論時には、ユニットを取り除かない1つのネットワークを、重みを小さくして使う。
解説: 肢4が正解です。ドロップアウトを提案した論文（Srivastavaら、2014）は、学習中にユニットを結合ごと無作為に取り除き、指数的に多くの「間引いた」ネットワークから学習して、推論時には重みを小さくした1つのネットワークでそれらの予測の平均を近似すると説明しています。Deep…
関連キーワード: ドロップアウト・正則化・アンサンブル
- 正解済みまだ正解していませんQ13中級
誤差逆伝播法の説明として、最も適切なものはどれか。
解説: 肢2が正解です。Deep Learning（Goodfellowら）の6.5節は、誤差逆伝播法（Rumelhartら、1986）を、コストの情報をネットワークの後ろ向きに流して勾配を計算する方法とし、連鎖律を効率のよい順序で計算するアルゴリズムだと説明しています。肢1は順伝播の説…
関連キーワード: 連鎖律・誤差逆伝播法・勾配消失問題・勾配爆発問題
- 正解済みまだ正解していませんQ14上級
入力 x = 3 を受け取り、重み w を使って y = wx を出力する1つのユニットがある。正解を t = 4、誤差を L = (y − t)² とするとき、w = 2 における勾配 ∂L/∂w の値として、最も適切なものはどれか。
解説: 肢4が正解です。連鎖律により ∂L/∂w = (∂L/∂y) × (∂y/∂w) と分けて計算します（Deep Learning（Goodfellowら）6.5.2節）。 y = wx = 2 × 3 = 6 ∂L/∂y = 2(y − t) = 2 × (6 − 4) = 4 …
関連キーワード: 連鎖律・誤差逆伝播法・勾配降下法
- 正解済みまだ正解していませんQ15中級
深いニューラルネットワークの勾配消失問題・勾配爆発問題への対策の説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。重みが大きいと活性化関数への入力の絶対値が大きくなり、シグモイド関数は0か1に飽和して勾配がかえって小さくなります（Deep Learning（Goodfellowら）6.3.2節）。Glorotら（2010）は、層の入力側と出力側のユニット数に応じて初期値のば…
関連キーワード: 勾配消失問題・勾配爆発問題・ReLU 関数・スキップ結合
- 正解済みまだ正解していませんQ16初級
勾配降下法の学習率の説明として、最も適切なものはどれか。
解説: 肢1が正解です。Deep Learning（Goodfellowら）の4.3節は、学習率を更新の大きさを決める正のスカラーとし、パラメータを勾配と逆向きに動かす x′ = x − ε∇f(x) を示しています。同書8.3.1節は、学習率が大きすぎると学習曲線が激しく振動して誤差関…
関連キーワード: 学習率・勾配降下法・ハイパーパラメータ
- 正解済みまだ正解していませんQ17中級
ミニバッチ学習に関する説明として、最も適切なものはどれか。
解説: 肢3が正解です。1エポックは訓練データを1周することで、1回の更新（イテレーション）にミニバッチ1つを使うので、1エポックの更新回数は 10,000 ÷ 100 = 100回です。Deep Learning（Goodfellowら）の8.1.3節は、訓練データ全体を使う方法をバッ…
関連キーワード: ミニバッチ学習・バッチ学習・オンライン学習・エポック・イテレーション
- 正解済みまだ正解していませんQ18中級
勾配降下法を改良した最適化手法に関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A モーメンタムは、過去の勾配の指数移動平均を速度のように蓄えて更新に使い、勾配の向きがそろう方向への更新を加速し、向きが入れ替わる方向の振動を抑える。 B AdaGradは、過去の勾配の二乗を指数移動平均で蓄えて古い情報を忘れていくため、学習が進んでも実質的な学習率が小さくなりすぎない。 C Adamは、勾配の1次のモーメント（平均）と2次のモーメントを指数移動平均で推定し、初期値を0にしたことによる偏りを補正して、パラメータごとの更新の大きさを決める。 D RMSpropは、パラメータごとに学習率を変えることはせず、全パラメータに共通の1つの学習率を、勾配の二乗の移動平均で調整する手法である。
解説: Aは適切です。Deep Learning（Goodfellowら）の8.3.2節は、モーメンタムが過去の勾配の指数的に減衰する移動平均を蓄え、その方向へ動き続けると説明し、Hintonの講義資料は、符号が入れ替わる勾配を打ち消して振動を抑え、一貫した勾配の方向で速度を上げると述べ…
関連キーワード: モーメンタム・AdaGrad・RMSprop・Adam
- 正解済みまだ正解していませんQ19上級
ニューラルネットワークの最適化の難しさに関する説明として、最も不適切なものはどれか。
解説: 肢4が不適切です。Deep Learning（Goodfellowら）の8.2.3節は、多くの高次元の非凸関数では勾配が0になる点のうち極小点はまれで鞍点のほうが多く、鞍点と極小点の数の比は次元とともに指数的に増えると説明しています。鞍点は、ある断面では極小、別の断面では極大にな…
関連キーワード: 鞍点・局所最適解・大域最適解・二重降下現象
- 正解済みまだ正解していませんQ20初級
早期終了とハイパーパラメータの探索の説明として、最も適切なものはどれか。
解説: 肢2が正解です。Deep Learning（Goodfellowら）の7.8節は、検証誤差が改善するたびにパラメータを保存し、決めた回数のあいだ改善しなければ学習を終えて、保存した最良のパラメータを返す方法を早期終了と呼んでいます。肢1は不適切で、見るのは検証データの誤差です。同…
関連キーワード: 早期終了・グリッドサーチ・ランダムサーチ・ハイパーパラメータ
もっと見る（残り 1 問）
- 正解済みまだ正解していませんQ21中級
次の文の空所（ ）に入る語句として、最も適切なものはどれか。 ノーフリーランチの定理は、（ ）について平均すると、訓練データに含まれない点を分類するときの誤り率がどの分類アルゴリズムでも等しくなることを示している。
解説: 肢4が正解です。Deep Learning（Goodfellowら）の5.2.1節は、Wolpert（1996）のノーフリーランチの定理を、起こり得るすべてのデータ生成分布について平均すると、どの分類アルゴリズムも未観測の点を分類するときの誤り率が同じになる、と紹介しています。同…
関連キーワード: ノーフリーランチの定理・汎化・データ生成分布
この科目の学習ポイントを読む
ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリに分けています。ディープラーニングの概要にはオリジナル予想問題を21問収録し、サイト内のG検定（ジェネラリスト検定）全180問の約12%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勾配消失問題・活性化関数・ソフトマックス関数・誤差関数などがあります。本試験の情報は合格率76.97%（2026年第5回・オンライン試験と会場試験の合計。受験者14,908名・合格者11,475名）・試験時間100分・受験料13,200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、人工知能とその動向・機械学習の概要・ディープラーニングの要素技術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。
ディープラーニングの概要の出題傾向 — 収録全21問の分析
ぴよパスに収録しているG検定（ジェネラリスト検定）「ディープラーニングの概要」のオリジナル練習問題 全21問を集計した、実データに基づく傾向まとめです
難易度の構成
初級7問・中級10問・上級4問の全21問構成です。
頻出テーマ (出題数の多い順)
- 勾配消失問題4問
- 活性化関数3問
- ソフトマックス関数3問
- 誤差関数3問
- 多層パーセプトロン2問
次の科目へ
ディープラーニングの要素技術24 問プレミアム会員限定
8分野を横断して、知識の穴を見つける
オンライン試験とほぼ同じペース（1つあたり約41秒）で、技術分野から法律・倫理まで8分野を混ぜて解きます。JDLAは分野ごとの出題数と合格ラインを公表していないため、配分と70%の目安はぴよパスの設定です。
60問の短縮演習を始めるディープラーニングの概要 — 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
- G検定（ジェネラリスト検定）のディープラーニングの概要は何問用意されていますか？
- ぴよパスではG検定（ジェネラリスト検定）のディープラーニングの概要に全21問のオリジナル練習問題を用意しています。G検定（ジェネラリスト検定）の収録全180問のうち約12%です。回答後に解説を確認できます。初級・中級・上級のバッジは問題の難易度の目安で、解いた人の習熟度を示すものではありません。
- ディープラーニングの概要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G検定（ジェネラリスト検定）の問題を8カテゴリ（ディープラーニングの概要 / 人工知能とその動向・機械学習の概要・ディープラーニングの要素技術・ディープラーニングの応用例）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。
- ディープラーニングの概要の問題数は、通常演習と模試でどう違いますか？
- ディープラーニングの概要は、ぴよパスでG検定（ジェネラリスト検定）の問題を分けている8カテゴリの一つです。ぴよパスに収録しているディープラーニングの概要の問題数は21問 / 全180問で、収録全体の約12%にあたります。ぴよパスの模擬試験の基本設定では、ディープラーニングの概要を全60問中7問（約12%）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。
- ディープラーニングの概要で合格ラインを割らないためのコツはありますか？
- G検定（ジェネラリスト検定）の合格基準は「合格ラインと得点は公表されていません（JDLAの公式FAQ『合格ラインおよび得点については開示しておりません』）」です。科目別の条件は「技術分野・法律・倫理分野ごとの足切りの有無も公表されていません」です。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。ディープラーニングの概要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。