G検定 無料Web模試 第1回(30問・解説つき)|AIの歴史・機械学習・ディープラーニング・法律と倫理をスマホで解けるオリジナル予想問題

G検定(ジェネラリスト検定)の無料のWeb模試 第1回です。オリジナルの予想問題30問(AIの歴史と課題6問・機械学習8問・ディープラーニング10問・応用と法律と倫理6問)を、スマホでもそのまま解けます。目安の時間は30分ほどで、登録しなくても解けます。

機械学習やディープラーニングなど、分野ごとの成績が1問ずつ採点されて出てきます。間違えた問題だけを解き直す機能と、すべての選択肢の解説がそろっています。結果は Word や Excel に保存して、見直しに使えるようにしておけます。G検定の問題はxana研究室のオリジナルで、過去問の転載ではありません。

✏️ 第1回を解いたら、別の論点を集めた G検定 無料Web模試 第2回(30問・解説つき) にも挑戦できます。

G検定でまちがえやすいポイント

  • 学習の種類:教師あり学習・教師なし学習・強化学習のちがいと、それぞれの代表的な手法(回帰・クラスタリング・Q学習など)を対応させて覚える。
  • ディープラーニングのモデル:CNN・RNN・Transformer は、どんなデータが得意か(画像・時系列・文章)とセットで覚える。
  • 法律と倫理:著作権法30条の4、個人情報の扱い、AIの公平性と説明可能性は、具体的な場面を思い浮かべて説明できるようにする。

G検定は問題数が多く、1問にかけられる時間が短い試験です。模試で迷った問題には印をつけ、まずは全部の問題に答えてから戻る練習をしておくと、本番で時間が足りなくなるのを防げます。

G検定 第1回の進め方

G検定は、日本ディープラーニング協会(JDLA)が行う、AI・ディープラーニングを仕事に生かすための知識を問う検定です。自宅などからオンラインで受ける多肢選択式で、年に数回行われます。出題数が多く、1問にかけられる時間が短いので、用語の意味をすぐに思い出せるかどうかが合否を分けます。

この模試は、AIの歴史・機械学習・ディープラーニング・応用と法律・倫理から30問を出しています。まちがえた用語は、下の講座記事で図と一緒に確かめて、似た用語との違いを言えるようにしましょう。

時間を計って最後まで解いたら、分野別の成績で弱い分野を見つけ、間違えた問題だけを解き直す、という順がおすすめです。1回目は、答えに迷っても飛ばさず、どれかを選んでおきましょう。解説は、正解の理由だけでなく、ほかの3つの選択肢がなぜ誤りかまで読んでください。G検定の本番でも、同じテーマが数字や言い回しを変えてくり返し出ます。

  • AIの歴史と課題:3回のAIブーム、探索・推論、エキスパートシステム、フレーム問題・シンボルグラウンディング問題を、年代の流れで覚える。
  • 機械学習・ディープラーニング:教師あり・教師なし・強化学習、過学習と正則化、CNN・RNN・Transformer、生成モデルの基本を、何ができるかとセットで覚える。
  • 法律と倫理:著作権法30条の4、個人情報保護法、AI事業者ガイドライン、AIの公平性・説明可能性・プライバシーの論点を押さえる。

G検定は、エンジニアだけでなく、企画・営業・管理職など、AIを使う仕事をするすべての人に役立つ資格です。生成AIパスポートや ITパスポートとあわせて学ぶと、AIの全体像がつかみやすくなります。

2回目は1週間ほどあけて解き直し、全問正解と、分野ごとの6割超えを確かめましょう。下の講座記事で同じテーマの節を読み直せば、間違えた問題の知識がつながります。G検定の点数を記録したいときも、Word や Excel への保存が使えます。

講座記事(G検定・AIの講座記事):G検定 合格ガイド/機械学習とディープラーニングの基本/AIに関する法律とガイドライン/AIと著作権の考え方

🏠 xana研究室(トップページ):https://www.xana-lab.com/

問題と解説をテキストで読む(全30問・解き終わってから開いてください)

上の模試と同じ問題を、文字だけで読めるようにまとめました。スマホで解きにくいときや、印刷して復習するときに使ってください。

AIの歴史・課題

問1. 「人工知能(Artificial Intelligence)」という言葉が初めて使われたとされる会議はどれか。

① バーゼル会議
② ダートマス会議(1956年)
③ 広島サミット
④ ブレッチリー会議

正解:②
② 正しい。ジョン・マッカーシーらが提案した。

問2. 第2次AIブームの中心となった技術として、最も適切なものはどれか。

① ディープラーニング
② エキスパートシステム
③ 大規模言語モデル
④ 探索・推論によるパズルの解法

正解:②
① 不適切。第3次ブーム。
② 適切。専門家の知識をルールとして入れたシステム(1980年代)。
③ 不適切。近年の生成AI。
④ 不適切。第1次ブーム(1950〜60年代)。

問3. 「AIが、ある課題に関係のあることだけを選び出すのが難しい」という問題を何というか。

① トロッコ問題
② 次元の呪い
③ シンボルグラウンディング問題
④ フレーム問題

正解:④
① 不適切。倫理的なジレンマの思考実験。
② 不適切。特徴量の次元が増えると学習に必要なデータが急増する問題。
③ 不適切。記号(言葉)と、それが指す実世界の意味を結びつけられないという問題。
④ 適切。

問4. 1966年ごろに作られた、相手の言葉をパターンで言い換えて会話しているように見せたプログラムはどれか。

① AlphaGo
② ディープ・ブルー
③ ELIZA
④ MYCIN

正解:③
① 誤り。囲碁のAI(2016年に世界トップ棋士に勝利)。
② 誤り。チェスのコンピュータ(1997年に世界チャンピオンに勝利)。
③ 正しい。
④ 誤り。血液の感染症を診断するエキスパートシステム。

問5. サールの「中国語の部屋」が問題にしたこととして、最も適切なものはどれか。

① 記号を規則どおりに操作できても、意味を理解しているとはいえないのではないか。
② コンピュータは計算が遅いので、言語を扱えない。
③ AIは画像を認識できない。
④ 中国語は機械翻訳できない。

正解:①
① 適切。強いAIへの批判。

問6. 機械学習で、特徴量の数(次元)が増えるほど、学習に必要なデータ量が爆発的に増える問題はどれか。

① 過学習
② フレーム問題
③ 次元の呪い
④ 勾配消失問題

正解:③
① 誤り。過学習とは関係するが、別の概念。
③ 正しい。

機械学習

問7. 正解ラベルのないデータから、似たもの同士のグループを見つける手法はどれか。

① 分類(教師あり学習)
② クラスタリング(教師なし学習)
③ 回帰(教師あり学習)
④ 強化学習

正解:②
① 不適切。ラベルを予測する教師あり学習。
② 適切。k-means法など。
③ 不適切。数値を予測する教師あり学習。
④ 不適切。報酬を最大にする行動を学ぶ。

問8. 学習データにはよく当てはまるが、未知のデータへの予測精度が低くなる状態を何というか。

① 正則化
② 過学習(過剰適合)
③ 汎化
④ 未学習

正解:②
① 誤り。過学習を防ぐための手法。
② 正しい。
③ 誤り。未知のデータにも当てはまる能力のこと。
④ 誤り。学習データにも十分当てはまっていない状態。

問9. 過学習を防ぐ方法として、最も適切でないものはどれか。

① 学習データに対する誤差だけを、とにかく0に近づける。
② 正則化(L1・L2)を使う。
③ ドロップアウトを使う。
④ 学習データを増やす。

正解:①
① 適切でない。学習データへの当てはめを追い求めると、過学習しやすい。

問10. データを複数のグループに分け、順番に1つを検証用、残りを学習用にして評価をくり返す方法はどれか。

① グリッドサーチ
② k分割交差検証
③ バギング
④ ホールドアウト法

正解:②
① 誤り。ハイパーパラメータの組合せを総当たりで探す方法。
② 正しい。
③ 誤り。アンサンブル学習の手法。
④ 誤り。学習用とテスト用に1回だけ分ける方法。

問11. 分類の評価指標で、「陽性と予測したもののうち、実際に陽性だった割合」はどれか。

① 特異度
② 再現率(Recall)
③ 正解率(Accuracy)
④ 適合率(Precision)

正解:④
① 誤り。実際に陰性のもののうち、陰性と予測できた割合。
② 誤り。実際に陽性のもののうち、陽性と予測できた割合。
③ 誤り。全体のうち予測が当たった割合。
④ 正しい。

問12. 適合率と再現率の調和平均をとった指標はどれか。

① 決定係数
② MSE
③ F値(F1スコア)
④ AUC

正解:③
① 誤り。回帰の当てはまりの指標。
② 誤り。回帰の誤差の指標。
③ 正しい。
④ 誤り。ROC曲線の下の面積。

問13. 複数の決定木を、データや特徴量をランダムに選んで作り、多数決などで予測する手法はどれか。

① ランダムフォレスト
② k近傍法
③ サポートベクターマシン
④ 主成分分析

正解:①
① 正しい。バギングの一種。
② 誤り。近くのk個のデータの多数決で分類する。
③ 誤り。マージン最大化で境界を決める。
④ 誤り。次元削減の手法(教師なし)。

問14. 強化学習について、最も適切なものはどれか。

① 正解ラベル付きのデータだけを使って学ぶ。
② データをグループに分けるだけの手法である。
③ 強化学習は、ゲームには使われたことがない。
④ エージェントが環境の中で行動し、得られる報酬の合計を最大にする方策を学ぶ。

正解:④
③ 不適切。囲碁のAlphaGoなどで使われた。
④ 適切。Q学習など。

ディープラーニング

問15. ニューラルネットワークの層を深くすると、出力層から遠い層ほど勾配が小さくなり、学習が進まなくなる問題はどれか。

① 勾配消失問題
② 次元の呪い
③ 過学習
④ フレーム問題

正解:①
① 正しい。シグモイド関数などで起こりやすく、ReLUなどで緩和される。

問16. 入力が0以下なら0、0より大きければ入力をそのまま出力する活性化関数はどれか。

① tanh
② ソフトマックス関数
③ シグモイド関数
④ ReLU

正解:④
① 誤り。−1〜1の値を出力する。
② 誤り。多クラス分類で、出力の合計を1(確率)にする。
③ 誤り。0〜1の値を出力する。
④ 正しい。

問17. 学習時に、ランダムに一部のニューロンを無効にして過学習を防ぐ手法はどれか。

① ドロップアウト
② バッチ正規化
③ データ拡張
④ 早期終了

正解:①
① 正しい。
② 誤り。層ごとに入力の分布を整えて学習を安定させる。
③ 誤り。画像の回転・反転などで学習データを増やす。
④ 誤り。検証誤差が増え始めたら学習を止める。

問18. 畳み込みニューラルネットワーク(CNN)で、特徴マップを縮小して位置のずれに強くする処理はどれか。

① 全結合
② パディング
③ プーリング
④ 畳み込み

正解:③
② 誤り。画像の周りを0などで埋めて、サイズを調整する。
③ 正しい。最大値プーリングなど。
④ 誤り。フィルタで特徴を取り出す処理。

問19. 時系列データを扱うRNNで、長期の依存関係を学習しやすくするため、ゲートの仕組みを持たせたモデルはどれか。

① CNN
② GAN
③ LSTM
④ オートエンコーダ

正解:③
① 誤り。主に画像。
② 誤り。生成モデル。
③ 正しい。入力ゲート・忘却ゲート・出力ゲートを持つ。
④ 誤り。入力を圧縮して復元するモデル。

問20. 2017年に発表され、RNNを使わずAttention(注意機構)だけで系列を処理するモデルはどれか。

① Transformer
② word2vec
③ LeNet
④ AlexNet

正解:①
① 正しい。論文「Attention Is All You Need」。BERTやGPTのもとになった。
② 誤り。単語を分散表現(ベクトル)にする手法。
③ 誤り。初期のCNN。
④ 誤り。2012年に画像認識の大会で大きな成果を上げたCNN。

問21. 生成器(Generator)と識別器(Discriminator)を競わせて学習する生成モデルはどれか。

① LSTM
② ResNet
③ VAE
④ GAN(敵対的生成ネットワーク)

正解:④
② 誤り。スキップ接続(残差接続)で非常に深い層を学習できるCNN。
③ 誤り。変分オートエンコーダ。
④ 正しい。

問22. ある課題で学習済みのモデルを、別の課題に流用して少ないデータで学習する方法はどれか。

① 教師なし学習
② 強化学習
③ アンサンブル学習
④ 転移学習

正解:④
④ 正しい。ファインチューニングもその一つ。

問23. ニューラルネットワークの学習で、出力の誤差を出力層から入力層へさかのぼって伝え、重みを更新する方法はどれか。

① 決定木
② 誤差逆伝播法
③ 主成分分析
④ k-means法

正解:②
② 正しい。

問24. 勾配降下法の学習率について、最も適切なものはどれか。

① 学習率が大きすぎると発散したり、最適な値を飛び越えたりする。
② 学習率が小さすぎても、学習時間には影響しない。
③ 学習率は大きいほど、必ず早く正確に収束する。
④ 学習率は、モデルが学習中に自動で求める重みの一つである。

正解:①
① 適切。
② 不適切。小さすぎると収束が遅く、局所解にとどまりやすい。
④ 不適切。人が決めるハイパーパラメータ。

応用・法律と倫理

問25. 画像の中の物体の位置(バウンディングボックス)と種類を同時に推定するタスクはどれか。

① 画像生成
② 画像分類
③ 物体検出
④ セマンティックセグメンテーション

正解:③
② 誤り。画像全体が何かを当てる。
③ 正しい。YOLO・SSDなど。
④ 誤り。画素ごとにクラスを割り当てる。

問26. 単語を、意味の近さが反映されたベクトルで表す手法として、最も適切なものはどれか。

① word2vec
② One-hot表現
③ bag-of-words
④ TF-IDF

正解:①
① 適切。分散表現。
② 不適切。単語ごとに1つだけが1のベクトルで、意味の近さは表せない。
③ 不適切。単語の出現回数を数える。
④ 不適切。単語の重要度を出現頻度から計算する。

問27. BERTについて、最も適切なものはどれか。

① RNNだけで作られた翻訳モデルである。
② 強化学習だけで学習するゲームAIである。
③ Transformerのエンコーダを使い、文の前後の両方向の文脈を学習する事前学習モデルである。
④ 画像を生成するGANの一種である。

正解:③
③ 適切。

問28. 日本の著作権法で、AIの学習(情報解析)のための著作物の利用について定めた規定として、最も関係が深いものはどれか。

① 第35条(学校での複製)
② 第32条(引用)
③ 第30条の4
④ 第10条(著作物の例示)

正解:③
③ 適切。著作物に表現された思想・感情の享受を目的としない利用(情報解析など)を、原則として許諾なしで認める規定(著作権者の利益を不当に害する場合を除く)。

問29. 学習データの偏りによって、AIが特定の属性の人に不公平な判断をしてしまう問題を何というか。

① データ拡張
② 勾配消失
③ アルゴリズムバイアス(AIのバイアス)
④ ハルシネーション

正解:③
③ 正しい。
④ 誤り。事実でない内容をもっともらしく生成すること。

問30. AIがどのような根拠で判断したかを、人が理解できるように説明する技術・考え方はどれか。

① MLOps
② エッジAI
③ AutoML
④ XAI(説明可能なAI)

正解:④
① 誤り。機械学習の運用の仕組み。
② 誤り。端末側でAIの処理を行うこと。
③ 誤り。機械学習の手順を自動化する技術。
④ 正しい。

コメント

このブログの人気の投稿