全40問から、出題範囲の骨格が掴める14問だけを抜き出しました。まずはここだけ流して、必要なら全問へ進んでください。
全40問に進むこの14問の内容
出典: オリジナル想定問題（当サイト作成、実際の過去問ではありません）。公表されている出題範囲に基づく（最終更新 2026-09-07）
1950年代後半から1960年代にかけて起こった第1次AIブームで中心的な役割を果たした技術はどれか。
- Aエキスパートシステムによる専門知識の推論
- Bディープラーニングによる特徴量の自動抽出
- ✓探索・推論によるパズルや迷路などの単純な問題の求解
- D深層強化学習によるゲームAIの自律学習
解説
第1次AIブームは探索・推論を用いてパズルやゲーム、迷路のような限定された問題(トイ・プロブレム)を解く研究が中心だった。エキスパートシステムは第2次、ディープラーニング・深層強化学習は第3次ブームの技術である。
根拠シラバス「人工知能をめぐる動向」
教師あり学習を用いた一般的な機械学習プロジェクトの進め方として最も適切な作業順序はどれか。
- Aデータ収集→モデルの学習→データの前処理・加工→モデルの評価
- ✓データ収集→データの前処理・加工→モデルの学習→モデルの評価
- Cデータの前処理・加工→データ収集→モデルの学習→モデルの評価
- Dデータ収集→データの前処理・加工→モデルの評価→モデルの学習
解説
一般的にはまずデータを収集し、欠損値処理や正規化などの前処理・加工を行ったうえでモデルを学習し、最後に学習済みモデルの性能を評価するという順序で進める。前処理を経ないままの学習や、評価を学習より先に行う順序は不適切である。
根拠シラバス「AIプロジェクトの進め方」「データの収集・加工・分析・学習」
ある工場の検査AIが200個の製品を検査した結果を混同行列にまとめたところ、実際に不良品だった製品は120個、良品だった製品は80個であった。このうちAIが不良と判定し実際にも不良だったもの(TP)は90個、良品を誤って不良と判定したもの(FP)は10個、不良品を見逃し良品と判定したもの(FN)は30個、良品を正しく良品と判定したもの(TN)は70個だった。このAIの適合率(Precision)はいくらか。
- ✓90%
- B75%
- C81.8%
- D80%
解説
適合率はAIが「不良」と判定したものの中で実際に不良だった割合であり、TP/(TP+FP)=90/(90+10)=90/100=90%となる。75%は再現率、81.8%はF値、80%は正解率であり、いずれも別の指標の値である。
根拠シラバス「モデルの選択・評価」
ある検査AI(適合率90%、再現率75%)について、F値(F1スコア)はいくらか。小数第2位を四捨五入して答えよ。
- A90%
- B75%
- ✓81.8%
- D80%
解説
F値は適合率と再現率の調和平均であり、F1=2PR/(P+R)=2×0.9×0.75/(0.9+0.75)=1.35/1.65≒0.818、すなわち約81.8%となる。90%は適合率、75%は再現率、80%は正解率であるため誤り。
根拠シラバス「モデルの選択・評価」
件名や本文の特徴から迷惑メールを自動判定して隔離するスパムフィルタと、健康診断で疾患の疑いがある人を漏れなく抽出する検査システムでは、それぞれ重視すべき評価指標が異なる。両者で重視すべき指標の組み合わせとして正しいものはどれか。
- ✓スパムフィルタでは適合率を重視し、検査システムでは再現率を重視するべきである
- Bスパムフィルタでは再現率を重視し、検査システムでは適合率を重視するべきである
- Cどちらの場面でも正解率のみを重視すればよい
- Dどちらの場面でもAUCの値だけで十分に判断できる
解説
スパムフィルタでは重要なメールを誤って隔離しないこと、すなわち「不良」と判定したものが本当に不良である割合(適合率)が重要になる。一方、疾患の検査では見逃しを避けることが最優先であり、実際の陽性者を漏れなく検出できる割合(再現率)が重要になる。両者の重視すべき指標は場面によって異なり、正解率やAUCだけで一律に判断できるものではない。
根拠シラバス「モデルの選択・評価」
決定木を用いて分類モデルを作成したところ、訓練データに対しては完璧に分類できたが、テストデータでは精度が低かった。この過学習を抑えつつ精度を改善する手法として最も適切なものはどれか。
- A決定木の深さの制限をなくし、さらに深く成長させる
- ✓複数の決定木を組み合わせたランダムフォレストなどのアンサンブル学習を用いる
- Cテストデータをそのまま訓練データに加えて学習をやり直す
- D特徴量をすべて削除し、目的変数のみでモデルを学習し直す
解説
単一の決定木は深く成長させるほど訓練データに過剰適合しやすい。複数の決定木の予測を組み合わせるランダムフォレストなどのアンサンブル学習を用いることで、個々の決定木の過学習の影響を抑え、汎化性能を高めることができる。木をさらに深くする、テストデータを訓練に混ぜる、特徴量を全て削除するのはいずれも改善につながらない。
根拠シラバス「機械学習」
5分割交差検証(5-fold cross validation)の手順として正しいものはどれか。
- Aデータを5つに分割し、最初の1つのみを使って1回だけ学習と評価を行う
- Bデータ全体で学習した後、同じデータ全体を使って評価を5回繰り返し平均する
- ✓データを5つに分割し、1つを検証用・残り4つを訓練用として学習と評価を行う処理を、検証用データを入れ替えながら5回繰り返し、5回分の評価結果を平均する
- Dデータを5つに分割し、すべてを訓練データとして使い、検証用データは用意しない
解説
5分割交差検証では、データを5つのブロックに分け、そのうち1つを検証用、残り4つを訓練用として学習・評価する処理を検証用ブロックを入れ替えながら5回繰り返し、得られた5回分の評価結果を平均してモデルの性能を見積もる。1回だけの評価や、同一データでの繰り返し評価、検証データを用意しない方法はいずれも交差検証とは言えない。
根拠シラバス「モデルの選択・評価」
シグモイド関数を活性化関数として用いた層を10層以上重ねた深いニューラルネットワークを学習させたところ、入力層に近い層の重みがほとんど更新されなくなった。この現象の原因として最も適切な説明はどれか。
- ✓シグモイド関数の微分値は最大でも0.25程度であり、誤差逆伝播の際に層を重ねるごとにこの値が掛け合わされるため、入力層に近づくほど勾配が急激に小さくなるから
- B学習率が小さすぎるため、どの層のパラメータもほとんど更新されていないだけであり、活性化関数とは無関係である
- Cミニバッチのサイズが大きすぎることで、勾配の分散が大きくなりすぎているから
- D損失関数に正則化項を追加していないため、過学習が進行しているから
解説
シグモイド関数の導関数の最大値は0.25程度であり、誤差逆伝播で層をまたぐたびにこの値が掛け合わされるため、層が深くなるほど入力層側の勾配が指数的に小さくなる。これが勾配消失問題であり、ReLU系の活性化関数への変更などが対策となる。
根拠シラバス項目: ディープラーニングの概要 - 活性化関数、誤差逆伝播法
深層学習モデルの学習において、訓練データに対する損失は単調に減少し続けているが、検証データに対する損失はあるエポックを境に上昇に転じ始めた。この時点で取るべき対応として最も適切なものはどれか。
- A検証損失の上昇は無視してエポック数をさらに増やし、訓練損失が0に近づくまで学習を続ける
- B学習率をさらに大きくして、検証損失の上昇を早く収束させる
- ✓検証損失が上昇し始めた時点付近のパラメータを採用して学習を打ち切る、いわゆる早期終了を行う
- Dドロップアウト率を0にして、モデルの表現力を最大限まで高める
解説
訓練損失が下がり続ける一方で検証損失が上昇に転じるのは過学習の兆候である。検証損失が悪化し始めた時点のパラメータを採用して学習を打ち切る早期終了は、過学習を防ぐ代表的な手法である。
根拠シラバス項目: ディープラーニングの概要 - 正則化
少量の医用画像データしか用意できない状況で、限られた開発期間内に高精度な画像分類モデルを構築したい。このとき最も適切なアプローチはどれか。
- ✓大規模な画像データセットで事前学習済みのモデルを用意し、手元のデータでファインチューニングして転移学習を行う
- Bパラメータをすべてランダムな値で初期化したモデルを、手元の少量データのみでゼロから学習させる
- C学習を一切行わず、あらかじめ定めたルールに基づいて画像を分類する
- D検証データを訓練データにそのまま含めて学習させ、見かけ上の精度を高める
解説
手元のデータが少ない場合、大規模データで事前学習済みのモデルの知識を転用し、少量のデータでファインチューニングする転移学習が有効である。ゼロから学習すると少量データでは十分な精度が得られにくい。
根拠シラバス項目: ディープラーニングの応用例 - 転移学習・ファインチューニング
入力サイズ32×32、フィルタサイズ5×5、ストライド1、パディング0の畳み込み層に通した場合、出力される特徴マップの一辺のサイズはいくつか。
- A26
- B30
- ✓28
- D27
解説
出力サイズは (入力サイズ-フィルタサイズ)/ストライド+1 で求められる。(32-5)/1+1=28であるため、出力は28×28になる。
根拠シラバス項目: ディープラーニングの要素技術 - 畳み込み層
入力チャネル数3、出力チャネル数16、カーネルサイズ3×3、バイアスありの畳み込み層のパラメータ数はいくつか。
- ✓448
- B432
- C464
- D400
解説
1つの出力チャネルあたりのパラメータ数は(入力チャネル数×カーネルの縦×カーネルの横+バイアス1個)=3×3×3+1=28個である。これが出力チャネル数16個分あるため、28×16=448個となる。
根拠シラバス項目: ディープラーニングの要素技術 - 畳み込み層
最適化手法Adamにおける1回のパラメータ更新の処理順序として、最も適切なものはどれか。
- Aパラメータ更新 → 勾配計算 → モーメント推定値の更新 → バイアス補正
- B勾配計算 → バイアス補正 → モーメント推定値の更新 → パラメータ更新
- ✓勾配計算 → 1次・2次モーメントの推定値を更新 → バイアス補正 → パラメータ更新
- Dモーメント推定値の更新 → 勾配計算 → パラメータ更新 → バイアス補正
解説
Adamはまず勾配を計算し、その勾配を用いて1次モーメント（勾配の移動平均）と2次モーメント（勾配の2乗の移動平均）の推定値を更新する。次にこれらの推定値の初期バイアスを補正し、補正後の値を用いてパラメータを更新する。
根拠シラバス項目: ディープラーニングの概要 - 最適化手法
ニューラルネットワークの学習において誤差逆伝播法を用いる場合の一連の処理の順序として、最も適切なものはどれか。
- ✓入力データを順伝播させて出力を計算する → 損失関数で誤差を計算する → 出力層側から入力層側に向けて勾配を計算する(逆伝播) → 計算した勾配を用いてパラメータを更新する
- Bパラメータを更新する → 入力データを順伝播させる → 損失関数で誤差を計算する → 勾配を計算する
- C損失関数で誤差を計算する → パラメータを更新する → 入力データを順伝播させる → 勾配を計算する
- D勾配を計算する → 入力データを順伝播させる → 損失関数で誤差を計算する → パラメータを更新する
解説
誤差逆伝播法では、まず順伝播で出力を計算し、損失関数で誤差を求めたのち、出力層側から入力層側に向けて連鎖律により各パラメータに対する勾配を計算する。最後にこの勾配を用いてパラメータを更新する。
根拠シラバス項目: ディープラーニングの概要 - 誤差逆伝播法