G検定「大項目4 ディープラーニングの概要」の予想問題を12問、各問の完全解説つきで掲載しています。全問オリジナル自作・公式シラバス準拠です。
当サイトの作問時に観察した、取り違えやすい論点です（公式の統計ではありません）。
正解は多層パーセプトロン。単純パーセプトロンは入力層と出力層だけで表現力が限られるが、間に隠れ層（中間層）を加えた多層パーセプトロンにすることで複雑な対応関係を表せる。単純パーセプトロンは改良前の構造そのもので誤り。オートエンコーダは入力を再現する別目的のネットワーク。畳み込みニューラルネットワークは画像処理向けの別構造（大項目5）。
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。各入力に掛け合わされて重要度を表すのは重み。バイアスは入力に加算される定数項で発火のしやすさを調整するもので、掛け合わせる係数ではない。活性化関数は重み付き和を非線形に変換する関数。学習率は更新の歩幅を決める値で、入力ごとの係数ではない。
https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）
正解は誤差逆伝播法。出力の誤差を出力層側から入力層側へ逆向きに伝え、各重みの修正量（勾配）を求める手法。確率的勾配降下法は求めた勾配を使ってパラメータを更新する方法であり、誤差を逆向きに伝える手続きそのものではない。主成分分析は次元削減（大項目3）、交差検証はモデル評価法（大項目3）で学習手法ではない。
https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）
正解は勾配消失問題。シグモイド関数などは微分値が小さく、層が深いと入力層側へ伝わる更新量が次第に小さくなり学習が進まない。信用割当問題はどのユニットが結果に寄与したかを割り当てる別の問題。過学習は訓練データに適合しすぎる現象（大項目3）。次元削減はデータの特徴量を減らす手法（大項目3）で、いずれも更新量が伝わらない現象ではない。
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。入力と同じ出力を再現するよう学習し、隠れ層に圧縮表現を得て特徴抽出や事前学習に用いる。多層パーセプトロン・単純パーセプトロン・畳み込みニューラルネットワークはいずれも入力の再現を目的とした構造ではないため誤り。
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。複数の出力を合計が1になる確率分布に変換し、多クラス分類の出力層で使う。シグモイド関数は各値を独立に0〜1へ変換するが合計は1にならない。ReLU関数は正の値をそのまま出す関数、tanh関数は-1〜1へ変換する関数で、いずれも確率分布を作る役割ではない。
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ReLU関数。入力が0以下なら0、正ならそのまま出力し、正の領域で微分が一定なので勾配消失を起こしにくい。シグモイド関数・tanh関数は飽和域で微分が小さくなり勾配消失を招きやすい。ソフトマックス関数は出力層で確率分布を作る関数で、隠れ層の活性化として使うものではない。
https://www.jdla.org/certificate/general/ （大項目4 ディープラーニングの概要）
正解はドロップアウト。学習時にノードを一定割合でランダムに無効化し、特定ノードへの依存を防いで過学習を抑える。バッチ正規化は層の出力分布を正規化する手法、早期終了は検証誤差が悪化する前に学習を止める手法、重みの初期化は学習開始時の重みの与え方であり、いずれもノードのランダム無効化ではない。
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GPU。もとは画像処理用に開発され、多数のコアによる並列計算が大量の行列演算に適するためディープラーニングに転用された。TPUはGoogleがテンソル演算に特化して開発した別の半導体で画像処理由来ではない。CUDAはGPUを汎用計算に使うためのソフトウェア環境で半導体ではない。ムーアの法則は集積度に関する経験則。
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が提供し、GPUを一般的な数値計算に活用するための開発・実行環境（プラットフォーム）。TPU・GPUはいずれも演算を行う半導体（ハードウェア）であり開発環境ではない。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、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。
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）