G検定対策チャンネル | 毎日1問出題 @gtest_guide

【G検定毎日クイズ】 画像認識AIが「画像のどこに注目して判断したか」をヒートマップで可視化することができる、説明可能AI（XAI）の代表的な手法として最も適切なものを1つ選んでください。 ① Grad-CAM ② Word2Vec ③ ResNet ④ DQN ========== ディープラーニングは「ブラックボックス」と言われがち。 その中身を可視化する技術が、信頼性向上のカギになります。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① Grad-CAM」です。 Grad-CAM（Gradient-weighted Class Activation Mapping）は、CNNの判断根拠を可視化する代表的な手法。 画像分類モデルが「どのクラスと判定したか」だけでなく、「どの領域に注目してそう判定したか」をヒートマップで示してくれます。 例えば「犬」と判定した画像で、犬の顔の部分が強く光っていれば妥当、関係ない背景が光っていればモデルがおかしい、と判断できる。これにより、AIの信頼性向上やデバッグに役立つわけです。 説明可能AI（XAI: Explainable AI）の代表技術の1つで、CAM、Grad-CAM、LIME、SHAPなど複数の手法があります。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② Word2Vec：単語の分散表現を学習する自然言語処理手法。 ③ ResNet：画像認識用の深層CNN。説明可能AIの手法ではありません。 ④ DQN：深層強化学習の手法。可視化技術ではありません。 説明可能AI（XAI）の主要技術を、ここで整理しておきましょう。 ✅ CAM：CNNのどの領域に注目したかを可視化する初期手法 ✅ Grad-CAM：CAMの汎用版（どんなCNNでも使える） ✅ LIME：任意のモデルの予測を局所的に説明する ✅ SHAP：ゲーム理論ベースで各特徴量の貢献を計算 ✅ AIの信頼性向上・デバッグ・規制対応に重要 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の説明に最もよく当てはまるものを1つ選んでください。 「大規模なデータで事前学習され、ファインチューニングや少量サンプルでさまざまな下流タスクに適応できる、汎用性の高いモデル。GPTやBERT、CLIPなどが代表例。」 ① 基盤モデル（Foundation Model） ② エキスパートシステム ③ パーセプトロン ④ ボルツマンマシン ========== 「特定タスク向けに作る」のではなく「あらゆるタスクの土台になる」モデル、という発想が現代AIの主流。 その総称として使われる用語が今回のテーマです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① 基盤モデル（Foundation Model）」です。 基盤モデルは、スタンフォード大学のHAI（人間中心AI研究所）が2021年に提唱した概念。 大量のデータで事前学習され、ファインチューニングやプロンプトを通じて多様な下流タスクに適応できる、汎用性の高いモデルを指します。 代表例： ・GPT、BERT（自然言語） ・CLIP（画像と言語の連携・マルチモーダル） ・DALL-E、Stable Diffusion（画像生成） ・SAM（画像セグメンテーション） 「マルチモーダル基盤モデル」は、複数の種類のデータ（画像・音声・テキスト）を扱える基盤モデルのこと。GPT-4VやGeminiなどが代表例です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② エキスパートシステム：第2次AIブームの専門家知識ベース。 ③ パーセプトロン：1958年のシンプルなニューラルネットワーク。 ④ ボルツマンマシン：古典的な確率的ニューラルネットワーク。 現代AIの重要キーワードを、ここで整理しておきましょう。 ✅ 基盤モデル：事前学習で汎用性を持たせ、多様なタスクに適応できるモデル ✅ マルチモーダル基盤モデル：複数の種類のデータを扱える基盤モデル ✅ 代表例：GPT、BERT、CLIP、Stable Diffusion、Gemini、GPT-4V ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の説明に最もよく当てはまるものを1つ選んでください。 「人間が用意した正解ラベルがなくても、データ自身からラベルを自動的に作り出して学習する手法。BERTやGPTなどの事前学習にも使われており、大量のラベルなしデータを活用できる。」 ① 自己教師あり学習 ② 教師あり学習 ③ 強化学習 ④ 半教師あり学習 ========== 現代のLLMの土台となっている重要な学習パラダイム。 「ラベルがないのにどうやって学習するの？」という疑問に対する答えです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① 自己教師あり学習」です。 自己教師あり学習（Self-Supervised Learning）は、データ自身からラベルを自動的に生成して学習する手法。 例えば、BERTでは「文中の一部の単語をマスクして、隠した単語を予測させる」ことで学習しますが、この「マスクして予測」というラベルは元のデータから自動的に作れます。 これにより、人間が手動でラベル付けする必要がなく、Web上の大量のテキスト・画像データを活用できるのが大きな利点。GPT・BERT・SimCLR・MoCoなど、現代の主要な事前学習モデルの基本になっています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② 教師あり学習：人間が用意したラベルを使って学習する手法。 ③ 強化学習：報酬を最大化する行動を学ぶ手法。ラベルではなく報酬。 ④ 半教師あり学習：少量のラベル付きデータと大量のラベルなしデータを併用する手法。自己教師あり学習とは別。 学習パラダイムを、ここで整理しておきましょう。 ✅ 教師あり学習：人間がラベルを用意 ✅ 教師なし学習：ラベルなし、データ構造を発見 ✅ 自己教師あり学習：データから自動的にラベル生成 ✅ 半教師あり学習：少量のラベル付き＋大量のラベルなし ✅ 強化学習：報酬を最大化 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 あるタスクで学習したモデルの知識（重み）を、別の関連タスクに流用することで、少ないデータでも高い性能を出せるようにする手法として最も適切なものを1つ選んでください。 ① 転移学習 ② アンサンブル学習 ③ マルチタスク学習 ④ 強化学習 ========== 少ないデータで高性能を引き出すために必須のテクニック。 似た用語（マルチタスク学習、ファインチューニング）との区別が重要です。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① 転移学習」です。 転移学習（Transfer Learning）は、あるタスクで学習したモデルの知識を、別のタスクに転用する手法。 例えば、ImageNetで大量の画像で事前学習したCNNを、医療画像の分類タスクに転用すれば、医療データが少なくても高い精度を出せる、というイメージ。 実装上は、事前学習済みモデルの一部の層を「固定」して使い、最終層だけ新しいタスク用に学習し直すパターンが多いです。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② アンサンブル学習：複数モデルの予測を組み合わせる手法（ランダムフォレスト等）。 ③ マルチタスク学習：1つのモデルで複数タスクを同時に学習。「同時」がキーワード。 ④ 強化学習：報酬を最大化する行動を学ぶ枠組み。教師あり/なしとは別系統。 似た学習手法を、ここで整理しておきましょう。 ✅ 転移学習：あるタスクの知識を別タスクに転用（順番に学習） ✅ ファインチューニング：転移学習の一種で、事前学習モデルを特定タスク用に微調整 ✅ マルチタスク学習：複数タスクを同時に学習 ✅ 自己教師あり学習：ラベルなしデータから自動でラベル生成して学習 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 複数の視点から撮影した2D画像を入力として、ニューラルネットワークで3次元空間を表現し、新しい視点からの画像を生成できる手法として最も適切なものを1つ選んでください。 ① NeRF ② BERT ③ U-Net ④ DQN ========== 「2D画像から3D空間を学習する」という、新しいタイプの生成手法。 VR・AR・自動運転シミュレーションなどへの応用も期待されています。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① NeRF」です。 NeRF（Neural Radiance Fields）は、2020年にカリフォルニア大学バークレー校などが発表した3D表現の手法。 複数視点から撮影した2D画像を入力し、ニューラルネットワークが「3D空間内の各点の色・密度」を学習。これにより、撮影されていない新しい視点からの画像も生成できるようになります。 VR/AR、自動運転シミュレーション、文化財の3Dデジタル保存など、幅広い分野で活用が始まっています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② BERT：自然言語処理の事前学習モデル。3D表現ではない。 ③ U-Net：セマンティックセグメンテーションモデル（医療画像）。 ④ DQN：深層強化学習の手法。Atariゲームで有名。 生成系の主要技術を、ここで整理しておきましょう。 ✅ GAN：本物そっくりのデータを生成（敵対的学習） ✅ VAE：確率分布として潜在空間を学習 ✅ Diffusion Model：ノイズから段階的に生成（画像生成の主流） ✅ NeRF（2020年）：複数視点画像から3D空間を表現 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 画像にノイズを加えていく「拡散プロセス」と、その逆をたどってノイズから画像を復元する「逆拡散プロセス」を学習することで、高品質な画像を生成する手法として最も適切なものを1つ選んでください。 ① GAN ② Diffusion Model ③ VAE ④ Word2Vec ========== Stable Diffusionなど、現代の画像生成AIの中核技術。 「ノイズから画像」というプロセスを意識して考えてみてください。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② Diffusion Model」です。 Diffusion Model（拡散モデル）は、2015年頃から研究され、2020年代に入って急激に注目を集めた生成モデル。 訓練時には画像にノイズを少しずつ加えて完全なノイズに変える「拡散プロセス」を学習し、生成時にはその逆をたどって、ランダムなノイズから段階的に画像を復元します。 GANより安定して学習でき、高品質な画像を生成できることから、Stable Diffusionなどの画像生成AIで広く使われています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① GAN → 生成モデルだが、敵対的学習という別のアプローチ。 ③ VAE → こちらも生成モデルだが、確率分布をベースにした手法。Diffusionとは異なる。 ④ Word2Vec → 自然言語処理の単語埋め込み手法。生成モデルではない。 画像生成モデルの進化を、ここで整理しておきましょう。 ✅ VAE（2013年）：確率分布ベースの生成モデル ✅ GAN（2014年）：敵対的学習で本物そっくりを生成 ✅ Diffusion Model（2015年〜・2020年代に主役）：ノイズから段階的に生成 ✅ 主な応用：Stable Diffusionなどの画像生成AI ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 「生成器（Generator）」と「識別器（Discriminator）」の2つのモデルが互いに競い合うように学習することで、本物そっくりのデータを生成する手法として最も適切なものを1つ選んでください。 ① GAN（敵対的生成ネットワーク） ② VAE（変分オートエンコーダ） ③ Autoencoder ④ ResNet ========== 「敵対的（Adversarial）」がキーワード。 2014年にイアン・グッドフェローが提案して以来、画像生成分野を一変させた手法です。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① GAN（敵対的生成ネットワーク）」です。 GAN（Generative Adversarial Network）は、2014年にイアン・グッドフェローらが発表した生成モデル。 「生成器」が偽物のデータを作り、「識別器」がそれを本物か偽物か見分ける、というふたつのモデルを敵対的に学習させることで、最終的に本物と区別がつかないほど精巧なデータを生成できます。 実在しない人物の顔画像生成（StyleGAN等）、画像の高解像度化、スタイル変換など、多様な応用がされています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② VAE → こちらも生成モデルだが、敵対的ではなく確率分布を学習する手法。 ③ Autoencoder → 入力を圧縮・復元するモデル。生成自体は得意ではない。 ④ ResNet → 画像認識用のCNN。生成モデルではない。 生成モデルの主要な手法を、ここで整理しておきましょう。 ✅ GAN（2014年）：生成器×識別器の敵対的学習 ✅ VAE：潜在空間を確率分布として学習する生成モデル ✅ Diffusion Model：ノイズから段階的に生成（次回扱います） ✅ NeRF：3次元シーンの生成 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 人間の棋譜データを一切使わず、自己対戦のみで囲碁・将棋・チェスのトップレベルに到達したDeepMind社のAIとして最も適切なものを1つ選んでください。 ① AlphaGo ② AlphaGo Zero / AlphaZero ③ DQN ④ BERT ========== AlphaGoの「進化版」が今回のテーマ。 「人間のデータを使ったか／使わなかったか」がポイントです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② AlphaGo Zero / AlphaZero」です。 AlphaGo Zero（2017年）は、人間の棋譜データを一切使わず、ルールだけ与えられた状態から自己対戦のみで強くなったAI。 それまでのAlphaGoは人間の棋譜から事前学習していましたが、AlphaGo Zeroはゼロから始めて、わずか数日で従来のAlphaGoを上回りました。 そして、これを囲碁だけでなく将棋・チェスにも応用したのがAlphaZero。同じアルゴリズムで複数のボードゲームを世界トップレベルに押し上げ、衝撃を与えました。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① AlphaGo：人間の棋譜を使った初代モデル（2016年）。 ③ DQN：Atariゲーム向けの深層強化学習（2013年）。ボードゲームではない。 ④ BERT：自然言語理解の事前学習モデル。 DeepMindのゲームAI系譜を、ここで整理しておきましょう。 ✅ DQN（2013年）：Atariゲームを攻略 ✅ AlphaGo（2016年）：囲碁の世界トップに勝利、人間の棋譜を使用 ✅ AlphaGo Zero（2017年）：人間の棋譜なし、自己対戦のみで超越 ✅ AlphaZero（2017年）：囲碁・将棋・チェスに汎用化 ✅ MuZero（2019年）：ルールすら与えずに学習 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 DeepMind社が2013年に発表し、Atari社のビデオゲームで人間を超えるスコアを達成して深層強化学習ブームの火付け役となった手法として最も適切なものを1つ選んでください。 ① DQN（Deep Q-Network） ② BERT ③ Word2Vec ④ U-Net ========== 強化学習×ディープラーニングの代表例。 DeepMindが世界を驚かせた最初のブレイクスルーです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① DQN（Deep Q-Network）」です。 DQNは、強化学習の手法であるQ学習にディープラーニング（CNN）を組み合わせた深層強化学習の代表的な手法。 DeepMind社が2013年にAtariのゲーム画面を入力としてプレイさせたところ、複数のゲームで人間を超えるスコアを達成して話題になりました。 その後、Double DQN・Dueling DQN・Rainbowなど、多くの発展手法が登場しています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② BERT：自然言語理解向けの事前学習モデル。 ③ Word2Vec：単語の分散表現を学習する手法。 ④ U-Net：医療画像で使われるセマンティックセグメンテーションモデル。 深層強化学習の系譜を、ここで整理しておきましょう。 ✅ Q学習：行動価値関数を学習する古典的な強化学習手法 ✅ DQN（2013年・DeepMind）：Q学習×CNN、Atariで人間を超える ✅ AlphaGo（2016年）：DLとモンテカルロ木探索を組み合わせて囲碁制覇 ✅ AlphaZero（2017年）：自己対戦のみで囲碁・将棋・チェスを学習 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Transformerを用いた大規模言語モデル（LLM）に関する説明として、最も不適切なものを1つ選んでください。 ① Transformerを利用することで、同じ単語でも文脈や状況によって意味やニュアンスが変わることを効率よく学習できる。 ② LLMの性能は、学習データ量に関係なくニューラルネットワークのパラメータ数を増やせば増やすほど向上する。 ③ LLMが特定の規模を超えると、事前に想定されていなかった能力を獲得することが報告されている。 ④ Transformerは文章中の単語の位置を問わず、単語と単語の関連性を広範囲に学習することができる。 ========== 「データ量」「パラメータ数」「計算リソース」のバランスがLLMの性能を決めます。 引っかけは「片方だけ増やせば良い」系の言い回し。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② LLMの性能は、学習データ量に関係なくニューラルネットワークのパラメータ数を増やせば増やすほど向上する。」です。 LLMの性能はパラメータ数だけで決まるわけではありません。 学習データの量と質、計算リソースの3つがバランス良く揃って初めて性能が伸びます。データが不足したままパラメータだけ増やしても、十分な学習ができず期待通りの性能は出ません。 これは「Chinchillaスケーリング則」など、近年の研究でも明らかになっているポイントです。 他の選択肢は、念のため補足しておきますね。 ① 〇 Transformerは文脈ベースの埋め込みができるため、文脈に応じた意味の違いを学習できます。 ③ 〇 「創発的能力（emergent abilities）」と呼ばれる現象で、特定規模を超えると新しい能力が出現することが報告されています。 ④ 〇 Self-Attentionにより、長距離の単語関連性も学習できます。 LLMの性能を支える3要素を、ここで整理しておきましょう。 ✅ パラメータ数：モデルの表現力を決める ✅ 学習データ量：知識の幅と質を決める ✅ 計算リソース：十分な学習に必要 ✅ 3つがバランスしないと性能は出ない（パラメータだけ増やしてもダメ） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の文章の空欄に、最もよく当てはまるものを1つ選んでください。 「大規模言語モデルは、与えられた大量の文章を事前学習することで一般的な言語の構造・文法・語彙を学ぶ。しかし、それだけでは人間が望ましいと考える回答を生成できないため、特定タスクに合わせた（　　　）と呼ばれる学習も行う。」 ① トランスフォーマー ② アテンション ③ ファインチューニング ④ プリトレーニング ========== LLMの学習段階を理解する基本問題。 「事前学習」と「事後学習」の違いを意識しましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「③ ファインチューニング」です。 ファインチューニングは、事前学習（プリトレーニング）で一般的な言語知識を獲得したモデルを、特定のタスクや分野のデータで追加学習する手法。 これにより、汎用的な言語能力を持つモデルを「医療」「法律」「カスタマーサポート」などの特定領域に特化させたり、人間の好みに合うような応答ができるよう調整できます。 ChatGPTでも、事前学習後にRLHF（人間のフィードバックによる強化学習）を含むファインチューニングを経て、対話に強い応答を実現しています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① トランスフォーマー：モデルの構造（アーキテクチャ）の名前。学習段階ではない。 ② アテンション：Transformer内で使われる注意機構。学習段階ではない。 ④ プリトレーニング：事前学習。これは最初の段階で、特定タスク向けの調整は次のフェーズ。 LLMの学習プロセスを、ここで整理しておきましょう。 ✅ プリトレーニング（事前学習）：大量データで一般的な言語能力を獲得 ✅ ファインチューニング：特定タスク・分野で追加学習 ✅ RLHF（人間のフィードバックによる強化学習）：望ましい応答に近づける ✅ 指示チューニング（Instruction Tuning）：指示に従いやすく調整 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 Google社が2018年に発表した、Transformerのエンコーダ部分をベースにした双方向の事前学習モデルとして最も適切なものを1つ選んでください。 ① GPT ② BERT ③ Word2Vec ④ ResNet ========== GPTとよく対比される、自然言語理解の代表モデル。 「双方向」「エンコーダ」「マスク」がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② BERT」です。 BERT（Bidirectional Encoder Representations from Transformers）は、Googleが2018年に発表した事前学習モデル。 Transformerのエンコーダ部分をベースに、文中の一部の単語をマスクして予測させる「Masked Language Model」と、2文の連続性を予測する「Next Sentence Prediction」で事前学習します。 「双方向」（過去の文脈と未来の文脈の両方を使う）が特徴で、文章理解タスク（質問応答、感情分析、固有表現認識など）で当時の最高性能を達成しました。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① GPT：Transformerのデコーダベース、自己回帰型（一方向）。 ③ Word2Vec：単語の分散表現を学習する手法（文脈は考慮しない）。 ④ ResNet：画像認識用のCNN。 GPTとBERTの違いを、ここで整理しておきましょう。 ✅ GPT：Transformerデコーダ／自己回帰型（一方向）／生成タスクが得意 ✅ BERT：Transformerエンコーダ／双方向／理解タスクが得意 ✅ どちらも「事前学習＋ファインチューニング」のパラダイムを確立 ✅ 現代のLLMはGPT系の自己回帰型が主流 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 OpenAI社が開発した大規模言語モデル「GPT」シリーズに関する説明として、最も適切なものを1つ選んでください。 ① GPTはRNNをベースにしたモデルである。 ② GPTはTransformerのデコーダ部分をベースにした、自己回帰型の言語モデルである。 ③ GPTは画像認識専用のモデルで、自然言語処理には使われない。 ④ GPTは2010年代前半に発表され、すでに開発が終了している。 ========== ChatGPTの基盤モデルとしておなじみ。 「自己回帰型」「Transformerデコーダ」がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② GPTはTransformerのデコーダ部分をベースにした、自己回帰型の言語モデルである。」です。 GPT（Generative Pre-trained Transformer）は、Transformerのデコーダ部分をベースにした自己回帰型の言語モデル。 「自己回帰型」とは、過去に生成した単語を入力にして次の単語を予測する仕組みのこと。これを繰り返すことで、文章を生成していきます。 大量のテキストで事前学習（プリトレーニング）し、その後ファインチューニングや指示チューニング（RLHF含む）で実用に耐える応答を生成できるようになっています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① GPTはTransformerベースで、RNNは使っていません。 ③ GPTは自然言語処理向け（画像専用ではない）。マルチモーダル拡張版もあるが、根幹は言語モデル。 ④ GPT-1は2018年、その後GPT-2、3、4と継続的にバージョンアップされており、現在も開発が続いています。 GPTシリーズの位置づけを、ここで整理しておきましょう。 ✅ GPT：Transformerデコーダベースの自己回帰型言語モデル ✅ GPT-1（2018年）→ GPT-2 → GPT-3 → GPT-4と進化 ✅ ChatGPTはGPTを対話用にチューニングしたサービス ✅ プリトレーニング → ファインチューニング → RLHFで性能向上 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 単語を低次元のベクトルとして表現することで「意味的に近い単語は近いベクトルになる」ような分散表現を学習する代表的な手法として、最も適切なものを1つ選んでください。 ① Word2Vec ② AlexNet ③ U-Net ④ DQN ========== 自然言語処理を学ぶうえでの基礎中の基礎。 「単語をどうコンピュータに理解させるか」というテーマです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① Word2Vec」です。 Word2Vecは、Googleが2013年に発表した単語の分散表現（埋め込み）を学習する手法。 「king - man + woman ≒ queen」のように、単語ベクトル同士で意味的な演算ができることで一気に注目を集めました。 CBOWとSkip-gramという2つの学習モデルを持ち、自然言語処理の前処理として広く使われるようになりました。 その後、文脈に応じて単語の意味が変わることまで考慮できるBERTやGPTといった事前学習モデルが登場し、現在の主流に変わっています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② AlexNet：画像認識用CNN（2012年）。 ③ U-Net：セマンティックセグメンテーション用モデル（医療画像）。 ④ DQN：深層強化学習の手法。Atariゲームで有名。 単語表現の進化を、ここで整理しておきましょう。 ✅ One-hotベクトル：単純だが意味関係を表現できない ✅ Word2Vec（2013年）：意味的な距離を持つ分散表現の元祖 ✅ GloVe・fastText：Word2Vecの改良版 ✅ BERT・GPT：文脈に応じた単語表現を持つ事前学習モデル ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 DeepMind社が2016年に発表した、音声波形を直接生成することで非常に自然な音声合成を実現したモデルとして最も適切なものを1つ選んでください。 ① WaveNet ② AlphaGo ③ U-Net ④ ResNet ========== 音声合成は「ボイスアシスタント」「読み上げ」などで身近な技術。 DeepMindが手がけたモデルがブレイクスルーを起こしました。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① WaveNet」です。 WaveNetは、DeepMind社が2016年に発表した音声合成モデル。 それまでの音声合成は「事前録音した断片を組み合わせる」方式が主流でしたが、WaveNetは音声波形を1サンプルずつ直接生成するという発想で、これまでにない自然な音声を実現しました。 Google Assistantなどで実用化され、その後の音声合成技術の大きな転換点となっています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② AlphaGo → DeepMindが開発した囲碁AI。音声合成ではありません。 ③ U-Net → 医療画像でよく使われるセマンティックセグメンテーションモデル。 ④ ResNet → スキップ結合を持つ深いCNN。画像認識用。 音声処理の主要技術を、ここで整理しておきましょう。 ✅ メルスペクトログラム：音声認識の代表的な入力表現 ✅ CTC：可変長の音声をテキストに変換する学習手法 ✅ WaveNet（2016年・DeepMind）：音声波形を直接生成する音声合成モデル ✅ End-to-End音声認識：DLで音声→テキストを直接学習 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 音声認識の前処理に関する説明として、最も適切なものを1つ選んでください。 ① メル尺度は、人間の聴覚特性に合わせた周波数のスケールで、低周波領域では細かく、高周波領域では粗く周波数を扱う。 ② メル尺度は、音声の高さを「dB（デシベル）」で表す尺度である。 ③ 音声データはディープラーニングで処理する際、波形のまま入力するのが必須である。 ④ メル尺度は、画像認識でのみ使われる。 ========== 音声認識はG検定でも頻出。 「人間の耳の特性に合わせる」発想がキーワードです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① メル尺度は、人間の聴覚特性に合わせた周波数のスケールで、低周波領域では細かく、高周波領域では粗く周波数を扱う。」です。 メル尺度（Mel Scale）は、人間の耳が低周波の差は鋭く感じる一方、高周波になるほど鈍くなるという特性を反映した周波数のスケール。 これに基づいて作られる「メルスペクトログラム」は、音声認識の前処理として広く使われる入力表現で、CNNやRNNに渡すと高い性能を発揮します。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② dB（デシベル）は音の大きさ（音圧）の単位。メル尺度は周波数のスケールなので、別物です。 ③ 波形そのまま入力する手法（WaveNet等）もありますが、必須ではありません。多くは前処理を経た特徴量を使います。 ④ メル尺度は音声処理用で、画像認識では使いません。 音声認識の主要要素を、ここで整理しておきましょう。 ✅ メル尺度：人間の聴覚に合わせた周波数のスケール ✅ メルスペクトログラム：音声認識の代表的な入力特徴量 ✅ CTC（Connectionist Temporal Classification）：可変長の音声と文字列を対応付ける学習手法 ✅ End-to-End音声認識：DLで音声→テキストを直接学習する手法 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 以下の説明に最もよく当てはまるものを1つ選んでください。 「1つのモデルで複数のタスクを同時に学習させることで、関連するタスク間で知識を共有し、各タスクの汎化性能を高めることが期待できる学習方法。」 ① マルチタスク学習 ② 転移学習 ③ ファインチューニング ④ アンサンブル学習 ========== 似た名前の手法（転移学習、ファインチューニング）と区別できるかが鍵。 「同時学習」と「事後再学習」の違いを意識してみてください。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① マルチタスク学習」です。 マルチタスク学習は、1つのモデルで複数の関連タスクを同時に学習させる手法。 例えば自動運転では、「物体検出」「セグメンテーション」「車線認識」「距離推定」などを1つのモデルで一気に学習することで、共通する特徴抽出部分を共有でき、計算効率も汎化性能も向上します。 「関連タスクを同時に学ぶ」のがポイント。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② 転移学習 → あるタスクで学習したモデルを、別のタスクに転用する手法。「同時学習」ではない。 ③ ファインチューニング → 学習済みモデルを少量のデータで微調整する手法。転移学習の一種。 ④ アンサンブル学習 → 複数のモデルを組み合わせる手法（バギング、ブースティング等）。1つのモデルで複数タスクを学ぶわけではない。 似た用語をここで整理しておきましょう。 ✅ マルチタスク学習：1つのモデル × 複数タスク × 同時に学習 ✅ 転移学習：あるタスクの知識を別タスクに転用 ✅ ファインチューニング：転移学習の一種で、学習済みモデルを微調整 ✅ アンサンブル学習：複数モデルの予測を組み合わせる ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 画像や動画から人間の関節位置を検出して姿勢（ポーズ）を推定する「姿勢推定（Pose Estimation）」タスクで、複数人の姿勢を同時に推定できることで有名な手法として最も適切なものを1つ選んでください。 ① OpenPose ② BERT ③ Word2Vec ④ DQN ========== 「姿勢推定」はスポーツ解析・リハビリ・ゲームなどで活用されるタスク。 代表的な手法を1つ押さえておきましょう。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「① OpenPose」です。 OpenPoseは、カーネギーメロン大学が2017年に発表した姿勢推定手法。 画像内の関節位置（首、肩、肘、手首、腰、膝、足首など）をリアルタイムで検出し、複数人が写っている場合でも同時に各人の姿勢を推定できるのが大きな特徴です。 オープンソースで公開されたため、スポーツ解析・リハビリ・ダンス・ゲームなど幅広い分野で活用されています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ② BERT → 自然言語処理の事前学習モデル。姿勢推定ではない。 ③ Word2Vec → 単語の分散表現を学習する自然言語処理手法。 ④ DQN → 強化学習の手法（Deep Q-Network）。Atariゲームで有名。 画像認識の応用タスクの主要分野を、ここで整理しておきましょう。 ✅ 画像分類：画像に1つのラベル ✅ 物体検出：物体の位置とクラス ✅ セマンティック／インスタンスセグメンテーション：ピクセル単位の分類 ✅ 姿勢推定：人間の関節位置を検出（OpenPose等） ✅ マルチタスク学習：複数のタスクを1つのモデルで学習 ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 画像内の各ピクセルが「どのクラスに属するか」を予測する「セマンティックセグメンテーション」のモデルで、エンコーダ・デコーダ構造とスキップ接続を持ち、医療画像分野で特によく使われるものとして最も適切なものを1つ選んでください。 ① YOLO ② U-Net ③ AlexNet ④ Word2Vec ========== 「U字型のアーキテクチャ」が名前の由来。 医療現場で使われるのは、少ないデータでも精度を出せる構造だからです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「② U-Net」です。 U-Netは、エンコーダ（特徴抽出）とデコーダ（元のサイズに復元）を「U字型」に配置し、対応する層をスキップ接続でつないだセグメンテーションモデル。 特徴抽出で失われがちな空間情報をスキップ接続で復元するため、少ないデータでも精度の高いセグメンテーションが可能。 これが医療画像（細胞・腫瘍の領域抽出など、データが集めにくい分野）で特に重宝される理由です。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① YOLO：物体検出（バウンディングボックス予測）のモデル。 ③ AlexNet：画像分類のモデル。セグメンテーションではない。 ④ Word2Vec：自然言語処理の単語埋め込み手法。画像とは無関係。 画像認識タスクの整理。 ✅ 画像分類：画像全体に1つのラベル（AlexNet, ResNet等） ✅ 物体検出：複数の物体の「位置＋クラス」予測（YOLO, R-CNN系） ✅ セマンティックセグメンテーション：ピクセル単位でクラス予測（U-Net, SegNet, FCN） ✅ インスタンスセグメンテーション：個別の物体ごとにピクセル単位で予測（Mask R-CNN） ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！

【G検定毎日クイズ】 画像内の複数の物体を「位置（バウンディングボックス）」と「クラス」を同時に予測する「物体検出」のタスクで、リアルタイム処理に強いことで知られる代表的な手法として最も適切なものを1つ選んでください。 ① R-CNN ② U-Net ③ YOLO ④ SegNet ========== 物体検出と画像セグメンテーションは似て非なるタスク。 「リアルタイム」「高速」がヒントです。 答えを決めるまで、下にスクロールしないでくださいね！ 答えはこちら👇 答えポスト 正解は「③ YOLO」です。 YOLO（You Only Look Once）は、画像を1回見るだけで物体検出を完了する手法。 従来のR-CNN系は「物体候補の領域を提案 → 各領域を分類」という2段階処理だったため遅かったのに対し、YOLOは1回のCNN推論で「位置＋クラス」を同時予測することで、リアルタイム処理を実現しました。 自動運転、防犯カメラ、リアルタイムスポーツ解析など、速度が要求される現場で広く使われています。 他の選択肢が、なぜ違うのかも整理しておきますね。 ① R-CNN → 物体検出の初期手法。精度は良いが2段階処理で遅い。後にFast R-CNN・Faster R-CNNと改良された。 ② U-Net → 物体検出ではなく「セマンティックセグメンテーション」のモデル。医療画像によく使われる。 ④ SegNet → こちらもセマンティックセグメンテーション用のモデル。 画像認識の主要タスクと代表手法を、ここで整理しておきましょう。 ✅ 画像分類（Classification）：AlexNet, VGG, ResNet ✅ 物体検出（Object Detection）：R-CNN系（精度重視）、YOLO・SSD（速度重視） ✅ セマンティックセグメンテーション：FCN, U-Net, SegNet ✅ インスタンスセグメンテーション：Mask R-CNN ========== もし「今日の問題を解けなかった...」という方は、 G検定対策チャンネルの動画で復習してくださいね。 ▼G検定対策チャンネル youtube.com/@ai_exam-guide… G検定に最短で合格したい人はフォローしてください！ それではまた明日のクイズもお楽しみに！