生成AIパスポート 第1章 AI（人工知能） 予想問題（2/2）

正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「1956年にジョン・マッカーシーが主催し、ダートマス大学で開催された会議で、この会議の提案書において史上初めて「人工知能」という語が用いられた」である。ダートマス会議は1956年にジョン・マッカーシーが主催し、ダートマス大学で開催された会議であり、この会議の提案書で史上初めて「人工知能（Artificial Intelligence）」という語が用いられた。人間中心のAI社会原則の国際会議、広島AIプロセス、OpenAI設立時の社内会議とする説明は、いずれもダートマス会議の実際の内容と一致しない。

https://ja.wikipedia.org/wiki/ダートマス会議 （2026-08-01確認）

正解は「特徴量とは、AIを、その仕組みや能力の高度さに応じて4つの段階に分けてとらえる考え方である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はAIの4つのレベルの定義を特徴量に誤って当てはめている。AIとロボットの関係・AIの4つのレベル・弱いAIの説明はいずれも正しい。特徴量とAIの4つのレベルは、いずれもAIを理解する上で登場する用語だが、前者はデータの性質を表す概念、後者はAIの能力を段階的に分類する考え方であり、指す対象がまったく異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの種類）

正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームである」（誤り）である。ビッグデータとディープラーニングにより画像認識等の精度が飛躍的に向上したのは第三次AIブームであり、第一次AIブームの中心は迷路やパズルの解き方を探す探索であった。設問の組み合わせは第三次AIブームと第一次AIブームを取り違えている。他の3つの説明はいずれも正しい。各AIブームは技術の中心が異なり、第一次は探索、第二次はエキスパートシステム、第三次はディープラーニングとビッグデータが特徴である。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

この事例では「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か」がポイントになる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「行動結果の報酬を手掛かりに方策を改善するか」がポイントになる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「ニューラルネットワークのユニットを確率的に休ませるか」がポイントになる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認

この事例では「入力ごとの寄与を調整する学習対象の係数か」がポイントになる。正解は「重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものである」（誤り）である。重みは、ある人工ニューロン（ノード）から次のノードへ信号を伝えるときの結合の強さを表し、学習を通じて値が調整されていくものであり、設問の説明は人工ニューロン（ノード）の定義を重みに誤って当てはめている。ニューラルネットワーク・ノーフリーランチ定理・人工ニューロン（ノード）の説明はいずれも正しい。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-015/017/021/027)の定義との整合性確認

この事例では「予測の手掛かりとなるデータの特徴か」がポイントになる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認

この事例では「高次元データを低次元の表現へ変換するか」がポイントになる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認

この事例では「正解付きと正解なしのデータを同時に活用するか」がポイントになる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「教師の正解ではなく環境からの報酬で学ぶか」がポイントになる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「訓練時に一部のニューロンをランダムに無効化するか」がポイントになる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認

この事例では「接続された入力の重要度を表す係数か」がポイントになる。正解は「重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものである」（誤り）である。重みは、ある人工ニューロン（ノード）から次のノードへ信号を伝えるときの結合の強さを表し、学習を通じて値が調整されていくものであり、設問の説明は人工ニューロン（ノード）の定義を重みに誤って当てはめている。ニューラルネットワーク・ノーフリーランチ定理・人工ニューロン（ノード）の説明はいずれも正しい。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-015/017/021/027)の定義との整合性確認

この事例では「モデルの判断材料として与える特徴か」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認

この事例では「変数の数を減らしてデータを表現するか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認

この事例では「特定の課題に能力が限定されたAIか」を確認すると、弱いAI（ANI）とは、特定の作業だけでなく、人間のように分野を限定せず幅広い課題へ柔軟に対応できる、汎用的な能力を持つとされるAIであるに絞れる。正解は「弱いAI（ANI）とは、特定の作業だけでなく、人間のように分野を限定せず幅広い課題へ柔軟に対応できる、汎用的な能力を持つとされるAIである」（誤り）である。弱いAI（ANI）は、画像認識や将棋など特定の領域・課題に限って能力を発揮するAIであり、設問の説明は強いAI（AGI）の定義を弱いAIに誤って当てはめている。機械学習・ディープラーニング・強いAIの説明はいずれも正しい。弱いAIと強いAIの違いは、対応できる課題の範囲が特定領域に限られるか、分野を限定せず汎用的に対応できるかという点にある。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/007/026/028)の定義との整合性確認

この事例では「専門家の知識を知識ベースと推論へ利用するか」を確認すると、エキスパートシステムとは、迷路やパズルなどで考えられる選択肢を順にたどり、ゴールへの道筋を見つける手法であるに絞れる。正解は「エキスパートシステムとは、迷路やパズルなどで考えられる選択肢を順にたどり、ゴールへの道筋を見つける手法である」（誤り）である。エキスパートシステムは専門家の知識をルールとして取り込み推論を行う仕組みであり、設問の説明は第一次AIブームの中心技術である探索の定義をエキスパートシステムに誤って当てはめている。ディープラーニングとビッグデータ・探索・AIの冬の説明はいずれも正しい。エキスパートシステムは第二次AIブームの中心技術であり、探索を中心とした第一次AIブームとは時期・技術の両面で異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-008/009/019/030)の定義との整合性確認

この事例では「ディープラーニングが中心となった第三次AIブームか」を確認すると、ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームであるに絞れる。正解は「ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームである」（誤り）である。ビッグデータとディープラーニングにより画像認識等の精度が飛躍的に向上したのは第三次AIブームであり、第一次AIブームの中心は迷路やパズルの解き方を探す探索であった。設問の組み合わせは第三次AIブームと第一次AIブームを取り違えている。他の3つの説明はいずれも正しい。各AIブームは技術の中心が異なり、第一次は探索、第二次はエキスパートシステム、第三次はディープラーニングとビッグデータが特徴である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-008/009/019/030/031)の定義との整合性確認

この事例では「ラベルの有無が混在するデータを用いるか」を確認すると、半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法であるに絞れる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「報酬を最大化する行動を試行錯誤で学ぶか」を確認すると、ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたるに絞れる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認

この事例では「共適応を抑えるため一部ユニットを一時的に除外するか」を確認すると、ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称であるに絞れる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認

この事例では「データから予測に有用な性質を数値として表したものか」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認

この事例では「情報を圧縮しながら次元数を減らすか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認

正解は「AI（人工知能）は、データから規則性を学び、目的に応じた判定や生成を行う仕組みである」です。AIとロボットは同じ意味ではない。ロボットは物理的に動く機械を指すことがある一方、AIはデータや規則を使って判定・予測・生成を行う仕組みを指す。したがって、外見が人に似ていること、同じ動きを繰り返すこと、ネットワークに接続されていることだけではAIの定義にならない。設問では、入力されたデータから規則性を利用して判断する働きがあるかを確認する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能）の定義）

正解は「AI効果」です。AI効果は、AIで実現された技術が仕組みとして理解されると、AIではなく単なる自動化として見なされやすくなる傾向を指す。AIが人間の知能を超える転換点とされるシンギュラリティや、その到来時期に関する2045年問題とは対象が異なる。設問では、技術の能力や歴史ではなく、実現済みの技術を社会がどう呼ぶかという評価の変化を問うている。将来の能力を予測しているのか、実現済みの技術への見方を説明しているのかを先に分ける。用語名だけで選ばず、説明の主語が社会の評価か、AIの能力かを照合する。

https://guga.or.jp/assets/syllabus.pdf （第1章 シンギュラリティ（技術的特異点））

正解は「最初は基盤モデルを凍結して新しい分類層を学習し、収束後に基盤モデル上位層の一部を解凍して低い学習率で共同学習する」です。TensorFlow公式チュートリアルが示す代表的な手順では、feature extractionで事前学習済みの基盤モデルを凍結し、新しいタスク用の分類層を先に学習する。その後、任意のfine-tuning段階で基盤モデルの上位層の一部を解凍し、新しい分類層とともに低い学習率で調整する。重みを捨てる手順は知識の再利用にならず、全層を大きく更新すると事前学習済み特徴を損なうおそれがある。プロンプト例示はパラメータ更新を伴わないためfine-tuningではない。

https://www.tensorflow.org/tutorials/images/transfer_learning （Transfer learning and fine-tuning、2026-08-31確認）

正解は「需要予測のデータと評価指標で複数候補を比較し、その問題の性質に合うアルゴリズムを選ぶ」です。ノーフリーランチ定理は、すべての問題へ一様に平均すれば一つの最適化アルゴリズムだけが常に優れるわけではなく、ある問題群での優位が別の問題群での不利と対応し得ることを示す。したがって、画像分類での成績だけから需要予測でも万能だと断定せず、対象問題のデータ・目的・評価指標へ照らして候補を比較する。個々の問題で常に同じ性能になるという意味でも、問題知識を使えないという意味でもない。

https://doi.org/10.1109/4235.585893 （No Free Lunch Theorems for Optimization原論文、2026-08-31確認）

正解は「5」です。人工ニューロンでは、各入力と対応する重みの積を足した重み付き和に、さらにバイアスを加えた値を活性化関数へ渡す。この設問では重み付き和が(2×3)+(-1×2)=6-2=4で、バイアス1を加えると5になる。7はx2の項を落として1+6だけを計算した値、3はバイアスを加えずに6-2から1を引いた値である。-1は入力x2そのものを選んだ値で、重み付き和にバイアスを加えた値ではない。入力値と重みの積を先に合計し、最後にバイアスを一度加えることが判断の要点である。

https://developers.google.com/machine-learning/glossary/fundamentals （weighted sum、2026-08-31確認）

正解は「学習時は期待上50個を0にし、推論時はDropoutを適用しない」です。rate=0.25は学習時の各ステップで入力ユニットを0へ設定する頻度なので、200×0.25＝50個が期待値となり、残る期待数は150個である。実際に落ちるユニットはステップごとにランダムで、常に同じ50個へ固定されるわけではない。0にしなかった入力は1/(1-0.25)倍に調整され、入力全体の期待和を保つ。推論時はDropoutを適用せず全ユニットを使う。150個を落とす選択肢は残存率とdrop率を逆にし、推論時だけ落とす説明も学習時の正則化という役割を反転している。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dropout （2026-08-31確認）

正解は「feature extraction時3,000個、fine-tuning時23,000個」です。feature extraction段階では基盤モデル12万個を凍結して重みを更新せず、新しく追加した分類層3,000個だけを学習する。次のfine-tuning段階では、分類層3,000個を引き続き学習しながら、基盤モデル上位で解凍した2万個も共同で更新するため、更新対象は3,000+20,000＝23,000個となる。12万個や12万3,000個を更新対象とする選択肢は凍結した基盤全体まで数えている。2万個だけとする選択肢は、解凍した基盤部分だけを数え、追加分類層を落としている。凍結・解凍の状態を段階ごとに分けてから合計する。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/tutorials/images/transfer_learning （2026-08-31確認）

正解は「5.25」です。L2正則化で用いる複雑度は各重みの二乗和なので、2²+(-1)²+0.5²＝4+1+0.25＝5.25となる。負の重み-1も二乗すると正の1として加わる。2.25は重みをそのまま足した2-1+0.5＝1.5を二乗した値であり、各重みを個別に二乗してから足していない。3.50は重みの絶対値の和2+1+0.5で、L1型の計算に相当する。12.25は絶対値の和3.5をさらに二乗した値である。L2正則化は大きい重みほど二乗による寄与を大きくし、モデルの複雑さへペナルティを与えて過学習を抑える方向へ働く。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/crash-course/overfitting/regularization （L2 regularization、2026-08-31確認）

正解は「(3, 4)」です。k-meansでは、各点を最も近いクラスタ中心へ割り当てた後、各クラスタに属する点の平均位置を新しい中心として計算する。本問ではx座標の平均が(1+3+5)÷3＝3、y座標の平均が(2+4+6)÷3＝4なので、更新後の中心は(3, 4)となる。(2, 3)は最初の2点だけを平均した値、(5, 6)は最後の1点をそのまま中心にした値、(9, 12)は各座標を合計しただけで点数3による除算をしていない。座標ごとに、クラスタ内の全点を使って算術平均を求めることが判断の要点である。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview; https://developers.google.com/machine-learning/clustering/clustering-algorithms （k-meansとcentroid、2026-08-31確認）

正解は「Bへ割り当てる。PからBまで1、Aまで3だから」です。PからAまでのユークリッド距離はsqrt((4-1)²+(1-1)²)=sqrt(9)=3、PからBまではsqrt((4-5)²+(1-1)²)=sqrt(1)=1である。k-meansの割り当て段階では各点を最も近いcentroidへ対応させるため、距離1のBを選ぶ。centroid自身のx座標の大小だけではなく、点Pとの差を各座標で計算する。y座標が同じでもx方向の距離3と1が異なるので同点ではない。また、中心更新は点を割り当てた後に各クラスタの平均位置を求める段階であり、割り当て前に待つ理由にはならない。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview; https://developers.google.com/machine-learning/glossary/clustering （k-means割り当て、2026-08-31確認）

正解は「8」です。TensorFlowのDropout層は、学習時に0へ設定しなかった入力を1/(1-rate)倍して入力全体の期待和を保つ。rate=0.25では残存率が1-0.25=0.75なので、保持された値6は6/0.75=8、同じ計算を6×(1/0.75)=6×4/3=8としても確認できる。4.5は値6へ残存率0.75を掛けた値、6は保持された入力を調整せずそのまま通した値、24は値6をdrop率0.25で割った値である。drop率と残存率を区別し、分母には0へ設定する割合0.25ではなく、残る割合0.75を使うことが判断の要点である。推論時にはDropoutを適用しないため、このスケーリング計算は学習時の保持入力についてのものである。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dropout （保持入力の1/(1-rate)倍、2026-08-31確認）

正解は「1.3」です。L2複雑度は重みを個別に二乗して足すため、2²+(-1)²=4+1=5である。正則化項はλ×複雑度=0.1×5=0.5となり、データ損失0.8へ加えると総損失は0.8+0.5=1.3となる。0.5は正則化項だけでデータ損失を加えていない。1.1は重みの絶対値和2+1=3を複雑度として0.8+0.1×3とした値で、L2の二乗和を使っていない。5.8は複雑度5を正則化率0.1で縮小せず、そのままデータ損失へ足した値である。複雑度、λを掛けた正則化項、データ損失との合計を三段階に分けることで、前問の二乗和だけでなく学習目的全体での位置づけを確認できる。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/crash-course/overfitting/regularization （L2複雑度と正則化率を含む損失、2026-08-31確認）

正解は「A=(1,0)、B=(7,0)、PはB」です。クラスタAのcentroidは、x座標が(0+2)/2=1、y座標が0なので(1,0)となる。クラスタBは(6+8)/2=7から(7,0)となる。新しい点P=(5,0)からAのcentroidまでのユークリッド距離は|5-1|=4、Bまでは|5-7|=2なので、PはBへ割り当てる。PをAへ割り当てる選択肢は距離の大小が逆である。(2,0)と(8,0)は各クラスタの一方の端点を平均の代わりに採った誤り、両方を(4,0)とする選択肢はクラスタを分けず4点全体の平均を使った誤りである。k-meansでは、現在の割り当てからクラスタごとにcentroidを更新し、その更新後の各centroidへの距離で次の割り当てを判断する。全データの平均や更新前の代表点を混ぜないことが要点になる。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview （centroid更新と最近傍割り当て、2026-08-31確認）