G検定 大項目4 ディープラーニングの概要 予想問題と解説

正解は多層パーセプトロン。入力層と出力層だけを直接つなぐ単純パーセプトロンでは表現力に限界があるため、間に隠れ層を挟んで複雑な入出力関係を近似できるようにしたのが多層パーセプトロンである。単純パーセプトロンは、この設問が「表現力が足りない」と指摘している改善前の構造そのものであり、隠れ層を持たない。オートエンコーダも隠れ層を持つが、目的は入力と同じものを出力へ再現し低次元表現を得ることにあり、設問が求める「複雑な対応関係を表す」ための多層化とは目的が異なる。畳み込みニューラルネットワークは画像などの空間構造を持つデータに畳み込み層・プーリング層を適用する専用構造で、隠れ層に相当する層を持つ点は共通しても、汎用的な多層パーセプトロンの説明とは別のアーキテクチャである。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は重み。ニューロンは複数の入力を受け取り、それぞれに個別の重みを掛け合わせて足し合わせることで、その入力が出力にどれだけ影響するかを表す。重みは学習によって値が調整され、入力ごとに異なる値を持つ点が特徴である。バイアスは入力に掛け合わされる係数ではなく、重み付き和に加算される定数項で、ニューロンの発火のしやすさ（閾値相当）を調整する。活性化関数は、重みとバイアスで計算した値を非線形に変換する関数そのものであり、入力に掛け合わされる数値ではない。学習率は勾配に基づいてパラメータをどれだけ動かすかを決める更新の歩幅であり、入力ごとに個別に存在する値でもない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は誤差逆伝播法。出力層で生じた誤差を出力側から入力側へ向かって連鎖律で伝え、途中の各層の重みをどれだけ修正すべきか（勾配）を計算する手法である。確率的勾配降下法は、誤差逆伝播法で求めた勾配を使って実際に重みを更新する最適化の手続きであり、誤差を逆向きに伝えて勾配を求める計算そのものではない。主成分分析はデータの分散が大きい方向を軸として次元を削減する教師なし学習の手法で、重みの修正量を計算する学習手法ではない。交差検証はデータを分割して学習と評価を繰り返し汎化性能を見積もるモデル評価の手法であり、重みを更新する仕組みとは別の枠組みに属する。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は勾配消失問題。シグモイド関数は微分値が1未満の小さい範囲にとどまり、誤差逆伝播で層をさかのぼるたびにこの小さな値が繰り返し掛け合わされるため、入力層に近い層に伝わる更新量は次第に小さくなり、ほとんど学習が進まなくなる。過学習は訓練データに適合しすぎて未知データへの予測精度が下がる現象であり、更新量が層を伝わりにくくなることとは別の問題である。次元削減はデータの特徴量の数を減らす前処理であり、層の深さや微分値の大きさとは関係しない。信用割当問題は、結果に対してネットワークのどの部分がどれだけ寄与したかを特定するという学習全般に関わる課題を指す言葉で、微分値が小さいために更新量が減衰するという具体的な仕組みそのものを指すものではない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はオートエンコーダ。入力と同じものを出力するよう学習させることで、途中の隠れ層に入力を圧縮した低次元の表現を獲得し、その表現を特徴抽出や他タスクの事前学習に利用する。多層パーセプトロンは入力層・隠れ層・出力層を持つ一般的な構造だが、学習の目標は入力の再現ではなく、与えられた入出力関係（分類や回帰の答え）を近似することにあり、入力を再現させる制約は課さない。単純パーセプトロンは隠れ層を持たない最も単純な構造で、低次元表現を学習する余地がない。畳み込みニューラルネットワークは画像などの空間構造を持つデータに畳み込み層・プーリング層を適用する専用構造で、目的は分類や検出であり、入力の再現を学習目標とする構造ではない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はソフトマックス関数。各クラスに対応する出力値を指数関数で変換したうえで正規化し、全出力の合計が1になるようにすることで、多クラス分類の確率分布として解釈できるようにする関数である。シグモイド関数は各入力を独立に0〜1の範囲へ変換するが、複数の出力ノードそれぞれの値を合計しても1になる保証はなく、多クラスの確率分布を作る関数ではない。tanh関数は各入力を独立に-1〜1の範囲へ変換する関数で、合計を1にする性質を持たない。ReLU関数は入力が0以下なら0、正ならそのまま出力する関数で、出力値には上限がなく確率として解釈できる範囲に収まらない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はReLU関数。入力が0以下のとき0を、0より大きいときはその値をそのまま出力する区分線形の単純な形をしており、正の領域では微分値が一定であるため、層を重ねても勾配が縮小しにくく勾配消失問題を起こしにくい。シグモイド関数は出力を0〜1に押し込める飽和型の関数で、入力が大きい・小さい領域では微分値が小さくなり、層を逆伝播するたびに更新量が縮小しやすい。tanh関数も出力を-1〜1に押し込める飽和型の関数で、シグモイド関数と同様に両端の微分値が小さく勾配消失を招きやすい。ソフトマックス関数は複数の出力をまとめて合計が1になる確率分布に変換する関数で、出力層で使うものであり、各ノードに独立に適用する隠れ層の活性化関数の形ではない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はドロップアウト。学習の各ステップで、一定の割合のノードをランダムに選んで一時的に無効化しながら学習を進めることで、特定のノードの組み合わせに依存した学習を防ぎ、過学習を抑制する手法である。バッチ正規化はミニバッチ単位で各層の出力の分布を正規化する手法で、ノードそのものを無効化するわけではない。重みの初期化は学習を始める時点での重みの与え方を指し、学習を進める過程でノードを無効化する操作ではない。早期終了は検証データに対する誤差が悪化し始めた時点で学習そのものを打ち切る手法であり、一部のノードだけを無効化するのではなくネットワーク全体の学習を止める点で異なる。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はGPU。もともとは画像の描画処理を高速に行うために開発された半導体で、多数の演算コアを使って同じ種類の計算を並列に処理する構造を持つ。この並列計算の特性が、ディープラーニングで大量に発生する行列演算に適しているとして広く転用されるようになった。TPUはGoogleがテンソル演算に特化して独自に設計した半導体であり、画像処理向けとして開発されたものではない。CUDAはNVIDIA社が提供する、GPUを画像処理以外の一般的な数値計算にも活用できるようにするための開発・実行環境（ソフトウェア）であり、半導体そのものを指す言葉ではない。ムーアの法則は半導体の集積度が一定期間で倍増するという経験則であり、特定の半導体の名称ではない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はCUDA。NVIDIA社が提供する、GPUを画像処理だけでなく一般的な数値計算にも活用できるようにするための開発・実行環境（プラットフォーム）である。TPUはGoogleがテンソル演算に特化して独自に開発した半導体そのもの（ハードウェア）であり、GPUを汎用計算に使うための環境ではない。GPUはもともと画像処理向けに開発された演算用の半導体（ハードウェア）自体を指し、それを汎用計算に使えるようにするソフトウェアの開発・実行環境ではない。ムーアの法則は半導体の集積度が一定期間で倍増するという経験則であり、開発・実行環境でも装置でもない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はエポック。訓練データ全体を1度ずつすべて使い終えることを1回と数える単位で、学習を何巡させたかを表す。バッチサイズは1回の更新に使うデータ件数（この例では1000件）、イテレーションはパラメータを1回更新する処理の回数（この例では1エポックあたり10回）であり、どちらもデータ全体を1巡する単位ではない。学習率は更新時の歩幅を決める値で、学習の進み具合を数える単位ではない。データを何件使ったかを数える単位か、更新回数を数える単位か、歩幅を決める値かという役割の違いで見分けると、10000件全体を1度使い終えた回数を表す語はエポックだけに絞られる。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はディープビリーフネットワーク。制限付きボルツマンマシンを部品として積み重ね、下の層から順に1層ずつ教師なしで事前学習することで、深いネットワーク全体の学習を可能にしたモデル。制限付きボルツマンマシンは、そのために積み重ねられる部品となる単一のネットワークであって、積み重ねた全体ではない。オートエンコーダは入力を再現するように学習して特徴を抽出するネットワーク、多層パーセプトロンは隠れ層を持つ基本的な順伝播型ネットワークであり、いずれも確率的な部品の積み重ねと層ごとの事前学習で構成されたモデルそのものではない。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は「Adam」である。Adamは勾配の移動平均による慣性（モメンタム）の効果と、パラメータごとに学習率を適応的に調整する仕組みの両方を併せ持ち、ディープラーニングで広く用いられる最適化アルゴリズムである。モメンタムは慣性のみ、AdaGradとRMSPropはパラメータごとの学習率調整のみを持ち、いずれか一方の性質しか備えないため、両方を同時に備えるという設問の条件には当てはまらない。設問は2つの仕組みを同時に満たす手法を問うており、これに該当するのはAdamだけである。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。足し算や文字表示のように線形分離という観点自体が当てはまらない処理ではなく、1本の直線で分けられるかどうかという基準で単純パーセプトロンが解けない問題を見分ける。

https://www.jdla.org/certificate/general/

正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。決定木は条件分岐を繰り返す木構造、サポートベクターマシンはマージンを最大化する境界を求める手法、k近傍法は近い訓練データの多数決で答えを決める手法であり、いずれも層を重ねて学習するネットワーク構造ではないという一点で見分ける。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。「万能なアルゴリズムの不在」「確率の更新」「標本平均の分布」のいずれでもなく、ニューラルネットワークの近似能力を示す定理かどうかという一点で万能近似定理を見分ける。

https://www.jdla.org/certificate/general/

正解は「TPU」である。TPU（Tensor Processing Unit）はGoogleが機械学習の計算に特化して開発したプロセッサで、ニューラルネットワークで多用されるテンソル（行列）演算を高速に処理する。CPUは汎用の演算装置、HDDは記憶装置、RAMは主記憶であり、機械学習専用に設計された演算プロセッサではない。演算装置か記憶装置かという区分だけでなく、機械学習のテンソル演算に特化して設計されたプロセッサかどうかという一点でTPUを見分ける。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「バッチ正規化」である。バッチ正規化は、各層に入力されるミニバッチのデータ分布を正規化することで、学習を安定させ収束を速める効果があるとされる手法である。ドロップアウトはノードをランダムに無効化して過学習を抑える手法、早期終了は検証誤差が悪化し始めた時点で学習を止める手法、データ拡張は学習データを人工的に増やす手法であり、いずれも層の入力分布を正規化する手法ではない。ノードの無効化・学習の打ち切り・データの水増しのいずれでもなく、層に入力されるデータ分布そのものを正規化する手法かどうかでバッチ正規化を見分ける。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「ラッソ回帰」である。ラッソ回帰は線形回帰にL1正則化を適用したもので、重みの絶対値の和をペナルティとして損失関数に加えることで一部の重みを厳密に0にし、変数選択（スパースなモデル化）につながる効果を持つ。リッジ回帰は線形回帰にL2正則化を適用したもので、重みの二乗和をペナルティとして加えて重みを全体的に小さい値へ縮小するが、厳密に0にはしにくく変数選択の効果は弱い。ドロップアウトは学習中に一部のノードをランダムに無効化して過学習を抑える手法、バッチ正規化は各層に入力されるミニバッチのデータ分布を正規化して学習を安定させる手法であり、いずれも重みへペナルティ項を加える正則化ではない。

https://ja.wikipedia.org/wiki/正則化 を2026-08-26にWebFetchで確認／G検定シラバス2024（大項目4 ディープラーニングの概要）

正解は「モメンタム」である。モメンタムは、過去の勾配（更新方向）を慣性として現在のパラメータ更新に加えることで、収束を速め、勾配の振動を抑えることを狙った最適化手法である。ドロップアウトは過学習対策、ワンホットエンコーディングはカテゴリ変数の変換、パディングは畳み込みの端処理であり、いずれも更新に慣性を加える最適化手法ではない。 各選択肢が作用する段階を分ける。ドロップアウトは学習中にユニットを無効化する汎化手法、ワンホット化は入力表現、パディングは畳み込み端部の処理である。勾配更新そのものへ過去の速度を加えるモメンタムが該当する。

https://www.jdla.org/certificate/general/

正解は「シグモイド関数」である。シグモイド関数は、入力を0〜1の範囲になめらかに変換するS字型の活性化関数である。微分値が小さいため、層を深くすると入力層に近い層で勾配がほとんど伝わらなくなる勾配消失を起こしやすい。ReLU関数はこの問題を起こしにくくした関数、ソフトマックス関数は多クラス分類の確率化に用いる関数、恒等関数は入力をそのまま出す関数であり、いずれもS字型で勾配消失を起こしやすいという本問の特徴には当たらない。出力範囲が0〜1のS字型であることと、層を深くすると勾配消失を起こしやすいことの2条件を同時に満たす関数はシグモイド関数だけである。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「tanh関数」である。tanh関数（双曲線正接関数）は、出力を-1〜1の範囲に変換するS字型の活性化関数で、シグモイド関数に似た形だが出力の中心が0になる点が異なる。ReLU関数は0以下を0にする関数、ソフトマックス関数は確率分布への変換、ステップ関数は0か1を出す不連続な関数であり、いずれも出力が-1〜1で中心が0のS字型関数ではない。出力範囲が-1〜1のS字型であることと、出力の中心が0になることの2条件をあわせて満たす関数はtanh関数だけである。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「早期終了（early stopping）」である。早期終了は、学習を進める中で検証データに対する誤差が悪化し始めた時点で学習を打ち切ることで、それ以降訓練データにだけ過度に適合していく過学習を防ぐ手法である。ドロップアウトは学習時にノードの一部をランダムに無効化して特定のノードへの依存を抑える手法、データ拡張は反転や回転などの変換で学習データを人工的に増やす手法、バッチ正規化は各層への入力の分布を正規化して学習を安定させる手法であり、いずれも検証誤差の悪化を検知して学習そのものを打ち切る仕組みではない。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

正解は「GPU」である。GPUはもともと画像処理向けに発展したハードウェアで、多数の演算コアで処理を並列化できる特性を持ち、ディープラーニングで多用される行列演算を高速化する計算資源として広く使われる。ムーアの法則は半導体の集積度が一定期間ごとに倍増するという経験則であり、装置そのものを指す語ではない。ロジスティック回帰は分類に使う機械学習の手法、ホールドアウト法はデータを訓練用と評価用に分けてモデルを評価する方法であり、いずれも計算を高速化する計算資源ではない。

https://www.jdla.org/certificate/general/

正解は「XOR問題（パーセプトロンの限界）」である。XOR問題は、入力の組み合わせに対する出力が単純パーセプトロンの直線1本では分離できない配置になっており、単純パーセプトロンでは解けず、隠れ層を持つ多層パーセプトロンが必要になることを示す代表例である。万能近似定理は、十分な隠れ層のユニットを持つニューラルネットワークが任意の関数を近似できるという、多層化した後の表現力について述べる考え方であり、単純パーセプトロンが解けない典型例そのものを指す語ではない。ムーアの法則は半導体の集積度に関する経験則、オントロジーは概念間の関係を体系化する知識表現の考え方であり、いずれも線形分離の限界を示す典型例ではない。

https://www.jdla.org/certificate/general/

正解は「学習率」である。学習率は勾配降下法で重みを更新する際に、勾配の方向へ一度にどの程度動かすかを決めるハイパーパラメータであり、値が大きすぎると更新が振れて発散し、小さすぎると学習の進みが遅く収束までの反復回数が増えてしまう。エポックは学習データ全体を何回使って学習したかを表す反復回数の単位、バッチサイズは1回の重み更新に使うデータの件数、損失関数はモデルの予測と正解のずれの大きさを数値化する関数であり、いずれも重みを動かす量そのものを決めるハイパーパラメータではない。

https://www.jdla.org/certificate/general/

正解は「TPU」である。TPUはGoogleが機械学習向けに開発した専用プロセッサであり、ディープラーニングで多用される行列演算を高速に処理するための計算資源として使われる。CUDAはNVIDIAのGPUを汎用計算に利用するための開発環境であり、専用プロセッサそのものではない。ムーアの法則は半導体の集積度が一定期間ごとに倍増するという経験則、ローブナーコンテストはチューリングテストに基づき人工知能の応答を評価するコンテストであり、いずれも計算資源を指す語ではない。

https://www.jdla.org/certificate/general/

正解は「活性化関数」である。活性化関数は、ニューロンの入力を非線形に変換し、ニューラルネットワークが複雑な関係を表現できるようにする。損失関数は予測誤差を測る関数、正規化は特徴量のスケール調整、A*アルゴリズムは探索方法であり、ニューロン内の非線形変換ではない。 ニューラルネットワーク内のどの段階で使うかを対応付ける。予測誤差を測る損失関数、特徴量の尺度を整える正規化、経路探索のA*ではなく、ニューロンの出力へ非線形性を与える活性化関数を選ぶ。

https://www.jdla.org/certificate/general/

正解は「誤差逆伝播法（バックプロパゲーション）」である。誤差逆伝播法は、出力誤差をネットワークの後ろから前へ伝えて各重みに対する勾配を計算する方法である。早期終了は過学習対策、PCAは次元削減、シルエット分析はクラスタリング結果の評価に使う方法であり、重みの勾配を逆方向に計算する方法ではない。 判断の軸は、誤差を伝える方向と求める量である。学習を打ち切る早期終了、次元を減らすPCA、クラスタリングを評価するシルエット分析ではなく、出力層側から誤差を伝えて勾配を計算する誤差逆伝播法を選ぶ。

https://www.jdla.org/certificate/general/

正解は「CUDA」である。CUDAはNVIDIAのGPUで汎用計算を行うための開発基盤であり、ディープラーニングの高速計算とも関係が深い。TPUは機械学習向け専用プロセッサ、ムーアの法則は半導体集積度に関する経験則、万能近似定理はニューラルネットワークの表現力に関する考え方である。 設問はプロセッサの種類や理論ではなく、特定企業のGPUを利用する開発基盤を問う。機械学習向け専用プロセッサのTPU、半導体の経験則、ネットワーク表現力の定理を除外し、NVIDIA GPU向けのCUDAを選ぶ。

https://www.jdla.org/certificate/general/

正解は「ドロップアウト」である。ドロップアウトは、学習時に一部のニューロンをランダムに無効化することで、特定の特徴や結合への過度な依存を抑え、過学習の軽減を狙う方法である。バッチ正規化は層の入力分布を整える方法、ソフトマックス関数とtanh関数は活性化関数である。 過学習対策は、具体的に何を操作するかを見る。層の入力分布を整えるバッチ正規化や、出力を変換するソフトマックス・tanhではなく、学習時に一部ニューロンを無効化して結合への依存を減らすドロップアウトを選ぶ。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-12照合）

正解は「ムーアの法則」である。ムーアの法則は、半導体の集積度が一定期間ごとに増大してきたという経験則で、計算資源の発展を説明するときに使われる。万能近似定理はニューラルネットワークの表現力、信用割当問題は結果に対する寄与の割り当て、鞍点は最適化上の地形に関する概念である。 判断では、半導体の発展を述べる経験則か、ニューラルネットワーク・強化学習・最適化の概念かを分ける。集積度と一定期間ごとの増大という条件に対応するのはムーアの法則である。

https://www.jdla.org/certificate/general/

正解は「入力層・隠れ層・出力層」である。ニューラルネットワークは、入力層でデータを受け取り、隠れ層で特徴を変換し、出力層で予測結果を出す構造として説明される。生成器と識別器はGAN（敵対的生成ネットワーク）を構成する2つのネットワーク、畳み込み層やプーリング層はCNN（畳み込みニューラルネットワーク）の構成要素、訓練データやテストデータの組み合わせはモデルを学習・評価するためのデータ分割の手法であり、いずれもニューラルネットワークの層の名称ではない。層の名称か、別モデルの構成要素か、データ分割の手法かという役割の違いで見分けると、入力層・隠れ層・出力層だけが問われた3層構成に当たる。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-12照合）

正解は「エポック」である。エポックは、学習データ全体を何回使って学習したかを表す単位である。バッチサイズは一度に処理するデータ数、イテレーションは更新処理の回数、学習率は一回の更新で重みをどの程度動かすかを決める値である。 学習の単位は、何を数えているかで区別する。1回に処理する件数はバッチサイズ、更新処理の回数はイテレーション、重みの移動量を調整する値は学習率であり、データ全体を一巡した回数はエポックである。全体・一回分・更新という範囲の違いを順に確認すると混同しにくい。

https://www.jdla.org/certificate/general/

正解は損失関数。モデルの予測と正解のずれを1つの数値で表し、学習ではこの値を最小化するように誤差逆伝播法と勾配降下法で重みを調整する。活性化関数は各ニューロンの出力を非線形に変換する関数、学習率は1回の更新で重みをどれだけ動かすかを決める値、正則化は過学習を抑えるために損失に罰則を加える工夫で、いずれも誤差そのものを測る損失関数とは役割が異なる。 学習の各要素は、測る値・変換・更新幅・罰則に分けて整理する。活性化関数は出力変換、学習率は更新幅、正則化は過学習を抑える工夫であり、予測誤差そのものを数値化する損失関数が設問の基準となる。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解は鞍点。ある方向では極小、別の方向では極大になっていて勾配がほぼゼロになるため、そこで更新が進まず学習が停滞しやすい。局所最適解は周囲より低いが全体では最小とは限らない解、大域最適解は全体で誤差が最小になる解、勾配爆発は勾配が急激に大きくなって学習が不安定になる現象で、いずれも鞍点とは指すものが異なる。 最適化上の地点か、勾配の異常かを区別する。勾配爆発は勾配が大きくなる現象、局所・大域最適解は誤差の小ささで定まる解であり、方向ごとに曲面の性質が異なって停滞しやすい地点は鞍点である。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はジェフリー・ヒントン。ニューラルネットワークの研究を長年にわたり牽引し、誤差逆伝播法の普及やディープラーニングの発展に大きく貢献した研究者である。ジョン・マッカーシーは『人工知能』という言葉を提案した研究者、レイ・カーツワイルはシンギュラリティを論じたことで知られる人物、ジョン・サールは『中国語の部屋』の思考実験を示した哲学者で、いずれもディープラーニングを牽引した人物とは異なる。 人物問題は業績との対応で切り分ける。人工知能という語はジョン・マッカーシー、シンギュラリティはレイ・カーツワイル、中国語の部屋はジョン・サールであり、ニューラルネットワーク研究と誤差逆伝播法に対応するジェフリー・ヒントンを選ぶ。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

正解はミニバッチ学習。訓練データを小さなまとまり（ミニバッチ）に分け、そのまとまりごとに勾配を計算して重みを更新する方法で、全データを一度に使うバッチ学習と1件ずつ使う手法の中間にあたり、計算効率と学習の安定性のバランスがよい。転移学習は学習済みモデルを別のタスクに活用する手法、データ拡張は画像の回転などで訓練データを水増しする手法、蒸留は大きなモデルの知識を小さなモデルに写す手法で、いずれもデータの分け方を指すミニバッチ学習とは異なる。 操作対象がモデル・データ内容・データ単位のどれかを見る。転移学習はモデル知識の再利用、データ拡張は訓練例の加工、蒸留は教師から生徒への知識移転である。更新一回に使う標本を数十〜数百件へ区切るのがミニバッチ学習である。

https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）

この事例では「一本の直線では分離できない排他的論理和か」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。足し算や文字表示のように線形分離という観点自体が当てはまらない処理ではなく、1本の直線で分けられるかどうかという基準で見分ける。

https://www.jdla.org/certificate/general/