AIの基礎

正解: 4. 学習や知能の諸側面を厳密に記述できれば、機械で模擬できると考える

解説: ダートマス研究計画は、学習や知能の諸側面を十分に精密に記述できれば機械で模擬できる、という仮説を掲げた。「人間と区別できない応答ができるかで知能を判定する」は、1950年にチューリングが提案した模倣ゲーム（チューリングテスト）の考え方で、同計画の仮説ではない。「ビッグデータを使う…

関連キーワード: 人工知能・ダートマス会議・AIの定義

正解: 3. データから関係を学習したモデルで未知の入力を予測する機械学習

解説: 機械学習では、データからモデルを訓練し、そのモデルで未知の入力を予測できる。「専門家が書いたif-then規則で判断する」のは人が規則を書くルールベースである。「似た日をグループに分ける」のは予測値を出す課題ではなくクラスタリングである。「試行で得た報酬を手掛かりに行動方針を更新…

関連キーワード: 機械学習・学習済みモデル・予測

正解: 1. 教師あり学習

解説: 既知の正解ラベルを付けた例から入力と出力の対応を学ぶため、教師あり学習である。「教師なし学習」は正解ラベルを使わず構造を探る。「強化学習」は行動への報酬を手掛かりに方策を学ぶ。「次元削減」は特徴の数を減らして表現を圧縮する処理であり、迷惑メールという正解カテゴリを直接学ぶ名称では…

関連キーワード: 教師あり学習・分類・ラベル付きデータ

正解: 4. 属性の類似度に基づくクラスタリング

解説: クラスタリングは、ラベルのない事例を定めた類似度に基づいてグループ化する教師なし学習の手法である。「回帰」は連続値の予測、「教師あり分類」は正解カテゴリ付きデータからの分類を扱う。「強化学習」は環境内の行動と報酬を通じて方策を学ぶため、ここで求める類似グループの発見とは異なる。

関連キーワード: 教師なし学習・クラスタリング・類似度

正解: 2. 行動結果の報酬から方策を改善する強化学習

解説: 強化学習では、エージェントが環境と相互作用し、行動に対する報酬を手掛かりに方策を改善する。「教師なし学習」は正解ラベルなしのデータ構造を探る総称で、報酬による行動学習ではない。「次元削減」は変数を圧縮する。「クラスタリング」は似たデータを群に分ける手法であり、成功・失敗の報酬を使…

関連キーワード: 強化学習・報酬・エージェント

正解: 2. あらゆる課題で常に優越する万能な手法はなく、課題の性質に応じた選択が必要である

解説: 教師あり学習のノーフリーランチ定理は、訓練データに含まれない入力への予測を対象に、可能な問題を一様に扱うことなどの条件の下で平均性能を比べる。特定分野の全手法が同じ性能になるという意味ではなく、課題やデータに関する前提なしに万能な手法を選べないことを示す。「計算資源があれば同じ手…

関連キーワード: ノーフリーランチ定理・アルゴリズム選択・帰納バイアス

正解: 1. 過学習

解説: 訓練データにはよく適合する一方、未見データへ一般化できない状態は過学習である。「次元削減」は特徴数を減らす変換、「半教師あり学習」はラベル付きとラベルなしの両データを使う学習設定、「クラスタリング」は類似例をまとめる手法であり、訓練時と未見時の性能差そのものを表す語ではない。

関連キーワード: 過学習・汎化・訓練データ

正解: 3. ドロップアウト

解説: ドロップアウトは、学習中にネットワークのユニットをランダムに除外し、ユニット間の共適応を抑えて過学習を軽減する。「クラスタリング」はデータの群分け、「位置エンコーディング」は系列中の位置情報の付加、「強化学習」は報酬に基づく方策学習であり、いずれもユニットを一時無効化する正則化手…

関連キーワード: ドロップアウト・正則化・過学習

正解: 2. 事前学習済み知識を再利用する転移学習

解説: 転移学習は、ある領域や課題で得た知識を関連する別の領域や課題に利用する。「ゼロからの教師なしクラスタリング」は事前学習済み知識も正解ラベルも使わない。「ルールベース推論」は人が記述した規則を適用する。「ノーフリーランチ定理」は万能なアルゴリズムがないことを示す理論であり、モデル再…

関連キーワード: 転移学習・事前学習・ファインチューニング

正解: 4. AIはソフトウェアだけでも成立し、ロボットは物理世界に作用する機械で、両者は一部重なる

解説: AIはソフトウェアとして動作でき、ロボットはセンサーやアクチュエータなどを通じて物理世界を知覚し作用する。AIを使うロボットもあるが、両者は同義ではない。人型の身体はAIにもロボットにも不要な条件で、AIは人型の機械を指す語ではない。プログラムに従って動く産業用ロボットもロボット…

関連キーワード: AIとロボット・ソフトウェア・物理世界

正解: 3. AIは知的機械を作る科学・工学だが、知能の一般的で一意な定義は未確立

解説: マッカーシーはAIを知的な機械、とりわけ知的なコンピュータプログラムを作る科学・工学と説明する一方、知能を一般的に特徴づける確立した定義はまだないとしている。「国際的な定義が確立」は言い過ぎである。マッカーシーは、AIが人間の知能の模擬であるのはときどきで、常にでも通常でもないと…

関連キーワード: AIの定義・知能・AI研究

正解: 1. 停止条件は明示的なルールとして管理し、異常パターンはデータから学ぶモデルに担当させる

解説: 人が明示した条件を適用するルールベースと、データから判断機能を獲得する機械学習の性質を使い分けるため、監査可能性が重要な停止条件をルール、波形中の複雑な関係を学習モデルに担当させる構成が適切である。「一つの学習モデルに学ばせ、停止の判定もその推定値で行う」は、法令で定めた停止条件…

関連キーワード: ルールベース・機械学習・判断規則

正解: 4. 正解ラベルなしで構造を探る教師なし学習

解説: 正解ラベルを与えず、データの構造を見つける設定は教師なし学習である。「教師あり学習」は入力と正解ラベルの組を使う。「強化学習」は行動に対する報酬信号を用いる。「ルールベース推論」は人が記述した規則を適用するため、データから未知のまとまりを学ぶ設定とは異なる。

関連キーワード: 教師なし学習・ラベルなしデータ・データ構造

正解: 2. ラベル付き・なしの画像を併用する半教師あり学習

解説: 半教師あり学習は、ラベル付きデータとラベルなしデータを併用する。「ラベルなし画像を群に分ける」は教師なし学習（クラスタリング）で、少数のラベル付き画像を学習に使わない。「報酬を手がかりに学ぶ」は強化学習の枠組みで、ラベル付き・なしのデータを併用する設定ではない。「規則を人手で固定…

関連キーワード: 半教師あり学習・ラベル付きデータ・ラベルなしデータ

正解: 4. 主要情報を保って特徴数を減らす次元削減

解説: 多数の特徴を、主要な情報を保ちながら少数の表現へ変換するのは次元削減であり、主成分分析は代表例である。「データアノテーション」はラベルを付ける作業で特徴数を圧縮しない。「方策探索」は強化学習の行動選択に関する処理である。「規則を追加する」は知識ベースの拡張であり、数値特徴の次元を…

関連キーワード: 次元削減・主成分分析・特徴

正解: 3. x1が加重和へ及ぼす寄与の向きが変わり、出力も変化し得る

解説: 人工ニューロンの加重和では、各入力と対応する重みの積を足し合わせる。x1≠0で入力値を固定しているため、w1を正から負へ変えると積w1×x1の符号が反転する。活性化関数によっては出力が同じ場合もあるが、出力は変化し得る。「入力値そのものが反転」はモデル内の係数変更と元データの変更…

関連キーワード: 人工ニューロン・重み・入力

正解: 3. 中間は隠れ層で、前層の出力を重み付きで組み合わせ次層へ渡す

解説: 入力層と出力層の間は隠れ層と呼ばれ、各ノードは前層の値を重み付きで組み合わせる。隠れ層のノード数は設計者が決める値で、入力層と同じ数にする決まりはない。活性化関数を使わずに線形の層を重ねても、全体は一つの線形変換と同じになり、表現力は高まらない。「層を増やすと重みやバイアスが不要…

関連キーワード: ニューラルネットワーク・隠れ層・ノード

正解: 1. ディープラーニングは、多層の人工ニューラルネットワークを用いる機械学習の一領域である

解説: ディープラーニングは大規模な多層の人工ニューラルネットワークを使う機械学習である。「決定木を多数組み合わせて予測精度を高める」はランダムフォレストなどのアンサンブル学習の説明である。「中間層を持たない単純パーセプトロンを横に並べる」は層を深くしておらず、多層のネットワークを用いる…

関連キーワード: ディープラーニング・多層ニューラルネットワーク・機械学習

正解: 4. 高さ・幅・色チャネルを持つ画像を畳み込み層などで処理し、得た表現で分類する

解説: CNNは画像を高さ・幅・色チャネルのテンソルとして受け取り、畳み込みやプーリングで表現を作り、全結合層などで分類できる。「1列の画素に並べ直して全結合層で分類する」は畳み込みを使わず、画素の縦横の位置関係を捨ててしまう。「人が設計した特徴量を計算して分類する」はディープラーニング…

関連キーワード: 画像認識・CNN・畳み込み

正解: 2. 損失にモデルの複雑さへの罰則を加えるなどして、未見データへの汎化を促す

解説: 正則化は、損失に重みの大きさなどモデル複雑性への罰則を加え、訓練データへの過度な適合を抑える。「正解をテストデータへコピー」はデータ漏えいである。「複雑にするほど罰則を小さくして暗記」は目的と逆である。「重みをすべて同じ値へ固定」は学習そのものを妨げ、正則化の一般的な説明ではない…

関連キーワード: 正則化・L2正則化・汎化