暗記表
AIの基礎と歴史の暗記表113項目
AIの基礎と歴史の要点を、GUGA のシラバスと公表資料・法令に基づく一問一答で確かめます。。キーワードと章で絞り込み、表の行をクリックすると 要点の全文が開きます。各項目から○×一問一答へ直行できます。
113項目
| 項目(クリックで詳細) | 覚え方 | ひっかけ注意 | 問題 |
|---|---|---|---|
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | 「機械学習を行わないシステムはAIとはみなされないため、専門家の知識を入力して推論するエキスパートシステムはAIに含まれない」は誤り。 「AIに含まれない」の部分が違う。AI事業者ガイドライン(第1.2版)は、機械学習(データから自ら学ぶこと)をしないエキスパートシステムも、AIとみなす考えもあるとしている。エキスパートシステムは専門家の知識を書き込んで推論させるプログラムで、たとえばベテラン社員の判断の決まりを書き出し、そのとおりに答えるソフトのようなものである。 | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | 「機械学習では、人が判断の規則を書き込み、AIはその規則どおりに処理するだけで、データから学ぶことはない」は誤り。 人が判断の規則を書き込み、そのとおりに処理させるのはルールベース(知識ベース)の方法で、機械学習と取り違えている。機械学習は、データからパターンを取り出してAI自身が決まりを身につける仕組みである(『Deep Learning』)。マニュアルを渡して従わせるのがルールベース、たくさんの実例を見せて自分でコツをつかませるのが機械学習、と覚えるとよい。 | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | 「第二次AIブームのころのコンピューターは、必要な情報を自ら収集して蓄積できたため、人が知識を書き込む必要はなかった」は誤り。 「自ら収集して蓄積できた」の部分が違う。平成28年版情報通信白書は、当時のコンピューターは必要な情報を自ら集めて蓄えることができず、全部を人が記述する必要があったとしている。資料を自分で探せない新人のために、先輩が必要なことを全部書き出して渡さなければならない状態にたとえられる。この限界から、1995年頃に再び冬の時代を迎えた。 | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | 「ルールベースの限界が明らかになったことで、データから知識を獲得する方向ではなく、人がより多くの規則を書き込む方向へAIの研究が進んだ」は誤り。 研究が進んだのは逆の方向である。『Deep Learning』は、書き込んだ知識に頼るシステムの困難から、AIがデータからパターンを取り出して自ら知識を獲得する能力(機械学習)が必要になったとしている。平成28年版情報通信白書も、第三次ブームで機械学習が実用化されたとする。決まりを書き足し続けるのではなく、実例から学ばせる方向へ変わったのである。 | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | – | ○×一問一答へ |
| AIとは(ルールベースと機械学習) | – | 「ディープラーニングは機械学習とは別の系統の技術であり、機械学習には含まれない」は誤り。 「機械学習には含まれない」の部分が違う。『Deep Learning』は、ディープラーニングを表現学習の一種、表現学習を機械学習の一種としている。ディープラーニングは、層を深く重ねたニューラルネットワーク(脳の仕組みにヒントを得た計算のしかけ)を使う機械学習のやり方の1つである。「電気自動車は自動車ではない」と言うのが誤りなのと同じ関係である。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「AIという言葉は、1980年代にエキスパートシステムが広まったころに初めて使われるようになった」は誤り。 「1980年代に初めて使われるようになった」の部分が違う。AIという言葉は1955年のダートマスの研究会の提案書の題にすでにあり、AI事業者ガイドライン(第1.2版)は1956年のダートマス会議で初めて使われた言葉であるとされているとしている。1980年代は、専門家の知識を取り込んだエキスパートシステムが多数生まれた第二次AIブームの時期(平成28年版情報通信白書)で、言葉の誕生から約30年後にあたる。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「第一次AIブームのAIは、迷路の解き方や定理の証明だけでなく、様々な要因が絡み合う現実社会の課題も解けるようになった」は誤り。 「現実社会の課題も解けるようになった」の部分が違う。平成28年版情報通信白書は、当時のAIは迷路の解き方や定理の証明のような単純な問題は扱えても、様々な要因が絡み合う現実社会の課題は解けないことが分かり、冬の時代(研究が下火になった時期)を迎えたとしている。決まりがはっきりしたパズルは解けても、事情が入り組んだ実際の仕事はこなせなかったのである。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「第二次AIブームは、知識を人が記述する負担などの限界から、1970年代の前半に終わり、冬の時代を迎えた」は誤り。 「1970年代の前半に終わり」の部分が違う。平成28年版情報通信白書は、第二次ブームを1980年代とし、知識をすべて人が記述する困難などの限界から1995年頃から再び冬の時代を迎えたとしている。1970年代前半は第二次ブームより前である。「第一次=1950年代後半〜60年代、第二次=80年代、再び冬=95年頃から」と並べて覚えるとよい。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「第三次AIブームでは、ディープラーニングが先に登場し、そのあとでビッグデータを用いた機械学習が実用化された」は誤り。 出来事の順番が逆である。平成28年版情報通信白書は、第三次ブームではまずビッグデータを使った機械学習が実用化され、次いで特徴量(見分けるときの目の付け所)をAIが自ら習得するディープラーニングが登場したとしている。「データから学ぶ」機械学習が先にあり、その中で「目の付け所まで自分で学ぶ」ディープラーニングが現れた、という流れで覚えるとよい。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「2020年に発表されたGPT-3は、パラメータの数をそれまでの言語モデルの10分の1に抑えた小型の言語モデルである」は誤り。 「10分の1に抑えた小型」の部分が違う。GPT-3の論文(2020年)は、GPT-3をそれまでのどの言語モデル(疎でないもの)よりも10倍大きい、パラメータ1750億の言語モデルとしている。少数の例を示すだけで翻訳などの多くの課題をこなせることも示した。翻訳の見本を数行見せるだけで、続きの文を訳せるような使い方である。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「拡散モデル(Diffusion Model)は、生成器と識別器を競わせながら学習させることで画像を生成する仕組みである」は誤り。 GANの仕組みと取り違えている。生成器と識別器を競わせるのはGANで、拡散モデルは、ノイズ(雑音)を取り除く処理を何度も重ねて画像を作る生成モデルである(潜在拡散モデルの論文)。拡散モデルによる高品質な画像生成は2020年の論文(Ho ら)で示された。砂嵐のような画面から少しずつ雑音を消して、絵を浮かび上がらせるイメージである。 | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | – | ○×一問一答へ |
| AIの歴史(ダートマス会議から生成AI・シンギュラリティまで) | – | 「総務省の研究会の報告書2015では、2045年を判断の年とした場合、人間の身体性と社会性を前提とした枠組みで人間に伍する機能をもつ人工知能が実現する、との認識が主であった」は誤り。 「実現する、との認識が主」の部分が違う。研究会では、2045年の時点では、部分的に人間より優れたAIはできても、人間に伍する(肩を並べる)機能をもつAIは実現されないとの認識が主で、より長期では人間を超えるAIが実現し得るとした。将棋でプロ棋士に勝つAIのように、分野を絞れば非常に高い能力のAIはすでにある。どの分野でも人と同じように働けるかは別の話、ということである。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「CNNという名前は、出力を入力側へ戻して同じ計算を繰り返す「再帰」という仕組みを使うことに由来する」は誤り。 「再帰という仕組みに由来する」の部分が違う。CNNの名前は畳み込み(convolution)という演算を使うことから来ている(『Deep Learning』)。前の時点の計算結果を次へ引き継いで繰り返すのは、RNN(再帰型ニューラルネットワーク)の特徴である。CNNは画像を「見る」のが得意、RNNは文章を「順に読む」のが得意、と分けて覚えるとよい。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「RNNは、文章や音声のような順番のあるデータではなく、画像のような格子状のデータの処理に特化したニューラルネットワークである」は誤り。 CNNとRNNの得意分野を入れ替えている。画像のような格子状のデータが得意なのはCNNで、RNNは文章や音声のような順番のあるデータの処理に特化している(『Deep Learning』)。写真を見分けるのはCNN、話し言葉を順に聞き取るのはRNN、と場面で区別すると覚えやすい。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「RNNでは、長い系列を学習するほど勾配が安定し、遠く離れた時点どうしの関係をかえって学びやすくなる」は誤り。 「かえって学びやすくなる」の部分が違う。『Deep Learning』は、RNNでは多くの段を伝わる勾配が消えたり爆発したりしやすく、遠く離れた時点どうしの関係を学ぶのが難しいとしている。長い文章の冒頭に出た人名と、終わりの方の「彼」を結び付けるような、離れた関係ほど学びにくいというイメージである。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「勾配消失問題とは、誤差逆伝播で伝わる勾配が大きくなりすぎて、パラメータの更新が大きく飛んでしまう問題である」は誤り。 説明しているのは勾配消失問題ではなく勾配爆発問題である。勾配が大きくなりすぎてパラメータの更新が大きく飛んでしまうのが勾配爆発問題で、勾配消失問題は勾配が消えていく(小さくなりすぎる)問題である(『Deep Learning』)。消失は声が小さくなって聞こえない状態、爆発は声が大きくなりすぎて割れてしまう状態、とたとえると区別しやすい。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「LSTMは、RNNからゲートの仕組みを取り除いて構造を単純にすることで、長い期間の依存関係を学びやすくした」は誤り。 「ゲートの仕組みを取り除いて」の部分が違う。LSTMは、RNNにゲート(情報の出し入れを決める門)の仕組みを加えたモデルである(『Deep Learning』)。ゲートで覚える・忘れる・出すを調整し、勾配が消えにくい経路を作ることで、長い期間の関係を学べるようにした。単純にしたのではなく、記憶の管理役を足したのである。 | ○×一問一答へ |
| CNN・RNN・LSTM | – | – | ○×一問一答へ |
| CNN・RNN・LSTM | – | 「Transformerは、RNNの再帰の仕組みを土台にして、その上にAttentionの仕組みを加えたモデルである」は誤り。 「RNNの再帰の仕組みを土台にして」の部分が違う。Transformerの論文(Vaswani ら、2017年)は、Transformerを、再帰と畳み込みを完全に使わず、Attention(注目すべき語を計算する仕組み)で系列の中の関係をとらえるモデルとしている。1語ずつ順に読むRNNの読み方をやめたことで、学習のときに並列に計算しやすくなった。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「VAEで新しいデータを生成するときは、エンコーダだけを使い、デコーダは使わない」は誤り。 「エンコーダだけを使い、デコーダは使わない」の部分が違う。VAEで新しいデータを作るのは、潜在変数(データの特徴を表す数値の組)を受け取るデコーダ(生成のネットワーク)である(『Deep Learning』)。エンコーダは学習のときに入力を潜在変数に変えるのに使う。要点のメモから文章を書き起こすのがデコーダの役目で、生成ではこちらを使う。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「VAEでは、デコーダがデータを潜在変数に変える役割を持ち、潜在変数からデータを作り出すのはエンコーダの役割である」は誤り。 エンコーダとデコーダの役割が逆である。『Deep Learning』は、VAEの学習ではエンコーダが入力から潜在変数を求め、潜在変数からデータを作る側をデコーダとしている。エンコーダは「符号にする」、デコーダは「戻す(データにする)」役目である。暗号にたとえると、文を暗号に変えるのがエンコード、暗号から文に戻すのがデコードである。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「GANの生成器は、識別器が本物と生成物を正しく見分けられる確率が大きくなるように学習する」は誤り。 「正しく見分けられる確率が大きくなるように」の部分が違う。GANの論文は、生成器は識別器が誤る確率を最大にするように学ぶとしている。正しく見分けようとするのは識別器の側である。偽札づくりにたとえると、生成器の目標は鑑定士をだますことで、鑑定士が見破りやすくなるように作るわけではない。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「GANは、エンコーダとデコーダの2つの部分からなり、入力を潜在変数に変えてから元のデータに作り直すように学習する」は誤り。 エンコーダとデコーダからなる仕組みとしている点が誤りである。入力を潜在変数に変えてから作り直すように学ぶのはVAE(オートエンコーダ)で、GANは生成器と識別器の2つのネットワークを競わせて学ぶ(GANの論文、『Deep Learning』)。「符号にして戻す」のがVAE、「作る側と見破る側が競う」のがGAN、と覚え分けるとよい。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | – | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「入力された画像に写っているのが猫か犬かを見分けるAIは、生成系AIに当たる」は誤り。 「生成系AIに当たる」の部分が違う。画像が猫か犬かを見分けるのは、入力がどの種類に当たるかを答える分類(『Deep Learning』)で、識別系AIの働きである。生成系AIは、文章・画像・プログラムなどの新しいデータを作り出すAIである(AI事業者ガイドライン)。猫の絵を新しく描くAIなら、生成系に当たる。 | ○×一問一答へ |
| VAE・GANと識別系AI・生成系AIの違い | – | 「AIで作った偽の画像や動画であるディープフェイクは、これまでに実際の情報操作に使われた例は報告されていない」は誤り。 「実際の情報操作に使われた例は報告されていない」の部分が違う。AI事業者ガイドライン(第1.2版)別添は、ディープフェイク(AIで作った本物そっくりの偽の画像・動画など)は各国で悪用例が相次ぎ、偽画像・偽動画を使った情報操作が起きているとし、生成AIで作られた偽画像がSNSで広まり平均株価が一時下落した事例を挙げている。 | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | 「機械学習に使うニューラルネットワークは、人間の脳の神経細胞の働きを忠実に再現するよう設計された、脳の正確な模型である」は誤り。 「脳を忠実に再現した正確な模型」の部分が違う。『Deep Learning』は、ニューラルネットワークは脳に着想を得てはいるが、一般に生物の働きを現実どおりに再現する模型として設計されてはいないとしている。飛行機が鳥にヒントを得ても羽ばたいて飛ぶわけではないのと同じで、ヒントにしただけで脳のコピーではない。 | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | 「正解付きのデータでニューラルネットワークを学ばせる場合、学習データは、出力層の出すべき値に加えて、隠れ層それぞれが出すべき値も直接示している」は誤り。 「隠れ層それぞれが出すべき値も直接示している」の部分が違う。『Deep Learning』は、正解付きのデータで学ばせる場合でも、学習データが示すのは出力層の出すべき値だけで、途中の層の働き方は学習の中で決まっていくとしている。テストで答えだけが採点され、途中の計算のしかたは本人に任されるのと同じで、だから途中の層は「隠れ層」と呼ばれる。 | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | 「ディープラーニングでは、画像のどこに注目すべきかを表す特徴量を、学習の前に人が設計して与える必要がある」は誤り。 「人が設計して与える必要がある」の部分が違う。平成28年版情報通信白書は、特徴量(見分けるときの目の付け所)を人が設計していたのはディープラーニング以前で、ディープラーニングではコンピューターが自ら作り出せるようになったとしている。ベテランが「ここを見ろ」と教えなくても、大量の実例から新人が自分で着眼点をつかむようになった、という違いである。 | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | 「勾配降下法は、損失関数の値が大きくなる向きへ重みを少しずつ動かして、最適な重みを探す方法である」は誤り。 「値が大きくなる向き」の部分が違う。勾配降下法は、勾配(傾き)と逆の向き、つまり損失が小さくなる向きへ重みを少しずつ動かす方法である(『Deep Learning』)。損失は予測の外れ具合なので、大きくする向きに動かせば予測はかえって悪くなる。山を下りたいのに、登る方向へ歩くようなものである。 | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | – | ○×一問一答へ |
| ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法) | – | 「誤差逆伝播法とは、入力をネットワークの入力側から出力側へ順に計算して予測を出す処理のことである」は誤り。 説明しているのは誤差逆伝播法ではなく順伝播である。入力を入力層から出力へ順に流して予測を出すのが順伝播で、誤差逆伝播法は、損失の情報を出力側から逆向きに流して勾配を計算する方法である(『Deep Learning』)。工場でいえば、製品を作って出荷するのが順伝播、不良の原因を出荷側からさかのぼって調べるのが誤差逆伝播法である。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「似たデータどうしをまとまりに分けるクラスタリングは、正解のラベルを付けたデータを必要とする教師あり学習の手法である」は誤り。 「正解のラベルを付けたデータを必要とする教師あり学習」の部分が違う。クラスタリングは、正解の付いていないデータを似たものどうしに分ける教師なし学習の手法である(『Deep Learning』)。名前の似た「分類」は、正解付きのデータで学ぶ教師あり学習である。答えの決まっていない名刺の山を、似た業種ごとに分けていくのがクラスタリングと考えるとよい。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「次元削減は、データを表す項目の数を元のデータより増やして、情報をより細かく表す方法である」は誤り。 「項目の数を増やして」の部分が違う。次元削減は、データを表す項目(次元)の数を元より減らしながら、情報をできるだけ保つ方法である(『Deep Learning』の主成分分析の説明)。たとえば、細かい質問が並ぶアンケートの結果を、少数の大きな傾向にまとめて読みやすくするのが次元削減の考え方である。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「強化学習では、場面ごとに取るべき正しい行動が正解のラベルとして与えられ、それを手本にして学ぶ」は誤り。 「正しい行動が正解のラベルとして与えられ」の部分が違う。Sutton と Barto は、強化学習では取るべき行動は教えられず、試して報酬の多い行動を見つけるとしている。正解付きの例から学ぶのは教師あり学習である。ゲームで、一手ごとに正解を教わるのではなく、勝ち負けの結果から良い打ち方を覚えていくのが強化学習の学び方である。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「強化学習のエージェントは、その場ですぐ得られる報酬が最も大きい行動を選ぶように学ぶ」は誤り。 「その場ですぐ得られる報酬が最も大きい行動」の部分が違う。Sutton と Barto は、行動は報酬ではなく価値(長い目で見た良さ)が最も大きい状態をもたらすものを選ぶとしている。目先の値引きにつられて品を選ぶより、長く使えて結局得をする品を選ぶのと同じで、目先の点数より先々の合計を重んじる。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「半教師あり学習は、すべてのデータに正解(ラベル)が付いていることを前提とする学習方法である」は誤り。 「すべてのデータに正解が付いている」の部分が違う。半教師あり学習は、一部のデータにだけ正解(ラベル)があり、残りにはない状況で両方を使う方法である(『Deep Learning』)。正解を付ける作業は手間がかかるため、少しだけ正解を付け、残りは正解なしのまま活用したいときに役立つ。 | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | – | ○×一問一答へ |
| 教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理 | – | 「ノーフリーランチ定理は、どんな課題にも最も高い性能を出す万能の学習アルゴリズムが存在することを示している」は誤り。 示している内容が逆である。ノーフリーランチ定理は、すべての課題で平均すればどのアルゴリズムも同じ性能になり、万能のものはないことを示す。『Deep Learning』は、研究の目的は万能のアルゴリズム探しではなく、課題に合うものを作ることだとしている。何にでも一番の道具はなく、仕事に合った道具を選ぶ、という考え方である。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「学習済みモデルに新しいデータを与えて予測や分類の結果を得る工程は、機械学習では「学習」と呼ばれる」は誤り。 「学習と呼ばれる」の部分が違う。AI事業者ガイドライン(第1.2版)では、学習済みモデルに未知のデータを与えて出力を得るのは「推論」で、「学習」はデータでモデルのパラメータを決めたり改善したりすることである。料理にたとえると、レシピを練習して身につけるのが学習、身につけたレシピで今日の注文の料理を作るのが推論である。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「教師あり学習では、正解(ラベル)の付いていないデータだけを使い、データの中に隠れた構造を見つけ出す」は誤り。 正解のないデータから隠れた構造を見つけるのは教師なし学習で、教師あり学習と取り違えている。教師あり学習は、正解(ラベル)付きの教師データを使い、入力から正解を当てられるように学ぶ(『Deep Learning』)。答え付きの問題集で練習するのが教師あり学習、答えのない資料を眺めて共通点を見つけるのが教師なし学習、と考えると区別しやすい。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「将来の株価のように数値を予測する課題は、教師あり学習のうちの分類に当たる」は誤り。 「分類に当たる」の部分が違う。数値を予測する課題は回帰で、『Deep Learning』は将来の証券の価格の予測を回帰の例に挙げている。分類は「どの種類か」を答える課題である。株価を「何円」と当てるなら回帰、と答えの形で見分けるとよい。来月の売上金額や明日の気温の予測も、答えが数値なので回帰である。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「メールを迷惑メールか通常のメールかに分ける課題は、答えのカテゴリが2つなので多値分類に当たる」は誤り。 「多値分類に当たる」の部分が違う。答えの種類が2つの分類は二値分類である。『Deep Learning』は、通常のメールと迷惑メールを分けることを単純な機械学習の例に挙げている。多値分類は答えの種類が3つ以上の場合で、たとえば問い合わせを「請求・配送・返品」の3つに振り分けるような課題を指す。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | – | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「機械学習のモデルの性能は、学習に使ったデータと同じデータで正解率などを測って評価するのが基本である」は誤り。 「学習に使ったデータと同じデータで測る」の部分が違う。『Deep Learning』は、知りたいのはまだ見ていないデータでの性能なので、学習に使ったものとは別のテストデータで評価するとしている。練習した過去問だけで実力を測っても答えを覚えているだけかもしれないのと同じで、初めて見る問題で試して初めて本当の力が分かる。 | ○×一問一答へ |
| 機械学習と教師あり学習(分類・回帰・正解率) | – | 「正解率は、モデルが誤った出力をした例の割合を表す指標である」は誤り。 「誤った出力をした例の割合」の部分が違う。それは誤り率で、正解率は正しい出力をした例の割合である(『Deep Learning』)。たとえば100件中90件を正しく答えたなら、正解率は90%、誤り率は10%で、2つを足すと100%になる関係である。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「過学習とは、モデルが学習データに対しても誤差を十分に小さくできない状態のことである」は誤り。 説明しているのは過学習ではなく未学習である。学習データに対しても誤差を十分に小さくできないのは未学習(アンダーフィッティング)で、過学習は、学習データでは誤差が小さいのにテストデータとの差が大きすぎる状態である(『Deep Learning』)。練習問題すら解けないのが未学習、練習問題だけ解けて本番で解けないのが過学習である。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「アーリーストッピングでは、学習データに対する誤差が最も小さくなった時点のパラメータを採用する」は誤り。 「学習データに対する誤差」の部分が違う。アーリーストッピングで見るのは、学習に使っていない検証データの誤差である(『Deep Learning』)。学習データの誤差が下がっていても、検証データの誤差は悪化していることがあるので、学習データの誤差だけでは止めどきが分からない。練習問題の点ではなく、初見の模試の点で仕上がりを判断するのと同じである。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「正則化は、未知のデータでの誤差ではなく、学習データに対する誤差を小さくすることを目的とした工夫である」は誤り。 目的が逆になっている。『Deep Learning』の定義では、正則化は学習データでの誤差ではなく、汎化誤差(未知のデータでの誤差)を減らすための工夫である。学習データの誤差だけを下げようとすると、かえって丸暗記(過学習)が進む。正則化は、練習の点よりも本番の点を上げるためのものと覚えるとよい。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「ドロップアウトは、学習データの一部を無作為に選んで取り除きながら学習する方法である」は誤り。 「学習データを取り除く」の部分が違う。ドロップアウトで無作為に外すのは、学習データではなく、ネットワークの入力層や隠れ層のユニット(計算の単位)である(『Deep Learning』)。データは減らさず、毎回ネットワークの一部を休ませて学習させる。チームの何人かを日替わりで休ませて練習する、というイメージである。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「転移学習は、新しい課題ごとに、それまでに学んだ内容を使わずに一から学習し直す方法である」は誤り。 「一から学習し直す」の部分が違う。転移学習は、ある課題で学んだことを別の課題に生かす方法である。『Deep Learning』は、画像の縁や形のように多くの課題に共通する見方を共有できるため、前の課題で学んだことが役立つとしている。経験者が転職先で、前の職場で身につけた基本の力を使って早く仕事を覚えるのと同じ考え方である。 | ○×一問一答へ |
| 過学習と対策・転移学習 | – | – | ○×一問一答へ |
| 過学習と対策・転移学習 | – | 「ファインチューニングは、追加の学習ではなく、AIモデルの汎化性能を形作る最初の事前学習のことを指す」は誤り。 「事前学習のことを指す」の部分が違う。AI事業者ガイドライン(第1.2版)は、学習を、モデルの基本的な力(汎化性能)を作る事前学習と、そのあとの事後学習に分け、ファインチューニングを事後学習の主な手法としている。社員教育にたとえると、事前学習は入社時の幅広い基礎研修、ファインチューニングは配属先での仕事に合わせた追加研修である。 | ○×一問一答へ |