勉強法

2019年 11月 9日「G検定」226問 振り返り

19年11月9日試験振り返り

第6回目の「G検定」が、11月9日(土)に行われました。
※1問目から226問目まで「リスト」にしました。下の方にあります。

今回も『公式テキスト』と『徹底攻略 ディープラーニングG検定』の2冊でしっかり勉強していれば、226問中の179問(約8割)は解けるようになっていました。

前回出題された『AI白書2019』からの時事問題は、2017年の集計を踏まえた問題だったので、そういった古い情報を問う問題がなくなった点は良かったと思います。

 

2020年から試験内容は「変わる?変わらない?」

2017年の試験から、G検定が受験者に対して『ここは大事だから、理解してね』という部分は変わっていないので、今後もその部分は変わらないと思います。

変わるとしたら以下の3つかなと予想しています。
1,合格/不合格だけでなく、「正解数」の導入
2,ビジネス寄りの問題の増加
3,不親切なところの改善

G検定の合格はあくまで「通過点」で、そこから勉強を続けて自分の仕事に活かせるまでになることが目標なので、単に「合格」と伝えるよりも『あなたは、まだこんなに不正解が多いですよ』と伝えてあげた方が本人のためにもいいでしょう。

Twitterでの合格コメントには、毎回『こんなんで合格できた。試験としてどうなんだ?』という感想が出てきており、せっかく合格してもモヤモヤした気持ちが残るのは単に合格・不合格という情報しかないためかなと思います。

TOEICのような「スコア」にしてしまうと、そのスコアの算出方法に対してモヤモヤとした気持ちを持たれてしまうので、シンプルに正解数もしくは不正解数がいいと思います。いっそのこと点数制にするなら「ジェネラリスト検定」という名称を止めて、「ジェネラリスト試験」とリニューアルしてもいいかもしれませんね。

 

次に、「ビジネス寄りの問題の増加」です。

日本ディープラーニング協会が定義している「ジェネラリスト」が、

ディープラーニングの基礎知識を有し、適切な活用方針を決定して事業応用する能力を持つ人材

となっているので、もっとビジネス寄り・現場寄りの問題も増えていくのかなと予想しています。具体的には『G検定 公式テキスト』の第8章と第9章の中の「アセスメント→PoC→開発→追加学習」や「ウォータフォール型/アジャイル型」などでしょうか。

 

3番目の「不親切なところの改善」です。

『この中から不正解を選びなさい。』という問題が出題されます。このタイプの問題はこの中から不正解を選びなさい。文字を太字にして大きくするなど改善してほしいですね。

「問題文を正確に読んでいる/正確な対応ができる」ことを測る試験ではないので、それぐらいの配慮は必要かと思います。(TOEIC試験でも、NOT問題は「NOT」が太字になっていたと思います)

 

全226問 問題リスト

下のリストについて説明します。

■「問題」・・・・問題自体書いてしまうと「禁止行為」に触れてしまうので、問題のカテゴリーのようなものを書きました。

■「対策」・・・・『公式テキスト』と『徹底攻略 ディープラーニングG検定』だけでなく、さらに掘り下げた対策をしておく必要がある問題などは【 d = deep 】としました。

■「間違い選ぶ」・・・・『正しくない~/不適切な~/関連のない~/指していない~/含まれない~選択肢を選べ』という問題に、チェックマークを付けています。

番号 問題 対策 間違いを選ぶ
1 AIの歴史
2 AIの歴史
3 AIの歴史
4 AlexNet
5 ResNet
6 AIの歴史
7 AIの歴史
8 自然言語処理
9 セマンティックウェブ
10 DNNのブームの理由
11 ディープブルー
12 ディープブルー
13 用語の意味
14 チューリングテスト
15 イライザ
16 モラベックのパラドックス
17 ディープラーニングの特徴量 d
18 自己符号化器 d
19 ローブナーコンテスト
20 意味ネットワーク
21 Cycプロジェクト
22 シンボルグラウンディング問題
23 フレーム問題
24 DeepLearningによって発展したもの
25 知識獲得のボトルネック
26 AI 効果
27 改正著作権法30条の4第の2号 d
28 自然言語処理の産業応用例 d
29 学習済みモデルの権利保護 d
30 自動運転のレベル別の説明
31 自動運転のレベル別の説明
32 道路交通法の改正 d
33 道路交通法改正後のレベル3 d
34 AIによる事故の責任 d
35 マイクロソフトの「Tay問題」
36 Googleフォトの「ゴリラ問題」
37 自動運転の日本とアメリカの状況 d
38 自動運転の日本とアメリカの状況 d
39 個人属性や行動特性の法律ガイドライン d
40 自立型致死兵器 LAWS d
41 Kaggle
42 arXiv
43 Google Scholar
44 coursera
45 EU一般データ保護規制 GDPR
46 韓国科学技術院KAISTの問題
47 データやモデルの保護 d
48 データやモデルの保護 d
49 システム開発で委託者と受託者の義務 d
50 DLの説明困難性への試み d
51 DLの説明困難性への試み d
52 データ管理の仕組み d
53 データ管理の仕組み d
54 論文閲覧サイトと実装コードサイト
55 パートナーシップAI
56 殺人ロボット3段階 d
57 FATという研究領域
58 FATという研究領域
59 FATという研究領域
60 AIの社会実装に向けた課題 d
61 蒸留モデル
62 2019年3月の日本政府のAI戦略 d
63 2019年3月の日本政府のAI戦略 d
64 最新の言語処理手法 d
65 AIの不平等が起こる原因
66 著作権法 d
67 再現性の危機 d
68 教師あり/なし学習/強化学習
69 教師あり/なし学習/強化学習
70 教師あり/なし学習/強化学習
71 協調フィルタリング
72 内容ベースフィルタリング
73 クラスタリング
74 k-means法
75 勾配ブースティング
76 計算問題:パーセプトロン
77 SVMの説明
78 SVMの説明
79 SVMの説明
80 計算問題
81 LSI
82 LDA
83 決定木の説明
84 決定木の説明
85 単純パーセプトロン
86 活性化関数
87 アフィン変換 d
88 ベイズ定理の式 d
89 過学習への対策
90 過学習への対策
91 正答率・適合率・再現率・F値
92 正答率・適合率・再現率・F値
93 正答率・適合率・再現率・F値
94 正答率・適合率・再現率・F値
95 形態素解析
96 クレンジング
97 BoW
98 TF-IDF
99 Word2vec
100 k-means
101 主成分分析
102 F値の計算問題
103 正則化
104 スパースなデータ
105 ロジスティック回帰の説明
106 ロジスティック回帰の説明
107 ロジスティック回帰の説明
108 交差検証の説明
109 交差検証の説明
110 情報量は情報の珍しさを示す d
111 情報理論についての説明 d
112 活性化関数
113 過学習をしている状態のグラフ
114 ボルツマンマシン d
115 重み
116 バイアス
117 活性化関数
118 ハイパーパラメータ
119 学習率
120 訓練誤差・汎化誤差
121 訓練誤差・汎化誤差
122 訓練誤差・汎化誤差
123 確率的勾配降下法
124 オンライン学習
125 ミニバッチ学習
126 バッチ学習
127 自己符号化器
128 自己符号化器
129 自己符号化器
130 イテレーション・エポック
131 イテレーション・エポック
132 教師ありなし学習/強化学習
133 CNN・RNN
134 CNN・RNN
135 CNN・RNN
136 CNN・RNN
137 Chainar
138 TensorFlow
139 Caffe d
140 Keras
141 多層パーセプトロン
142 順伝播型
143 ドロップアウト
144 バッチ正規化
145 データ拡張
146 L2正則化
147 DQN→AlphaGo→Zero→Star d
148 グレースケール化
149 平滑化
150 ヒストグラム平坦化
151 順伝播型NN
152 畳み込み層
153 プーリング層
154 再帰構造
155 系列データ
156 RNNの説明
157 強化学習で用いられる手法 d
158 ステップ関数
159 シグモイド関数
160 ReLU関数
161 ソフトマックス関数
162 LSTMの説明
163 LSTMの説明
164 多層構造
165 並列構造
166 GANの説明
167 GANの説明
168 Transformerの特徴 d
169 t-SNEの「t」の説明 d
170 強化学習のエージェント
171 強化学習の具体例
172 強化学習の説明
173 深層強化学習の説明
174 DQN
175 強化学習の手法 d
176 方策関数ベースの強化学習
177 累積報酬最大化方策を勾配で学習 d
178 強化学習の説明
179 強化学習の説明
180 強化学習の説明
181 強化学習の問題点
182 強化学習の問題点
183 強化学習の問題点
184 強化学習の問題点 d
185 強化学習の問題点
186 CNNの「出力画像のサイズ」
187 既存モデルの再利用
188 既存モデルの再利用 d
189 隠れマルコフモデル d
190 WaveNet
191 イアン=グッドフェロー
192 GPU
193 学習率
194 GoogleNetの説明
195 LSTMのゲート数
196 画像処理に関連する技術 d
197 PB→EB→ZB→YB
198 強化学習の動向 d
199 深層強化学習
200 マルチモーダル
201 一気通貫学習
202 キャプション生成
203 照応解析
204 談話構造解析
205 R-CNN
206 YOLO
207 SSD
208 DLの様々な分野への応用
209 Word2Vecの説明
210 Word2Vecの説明
211 BERTの説明 d
212 BERTの説明 d
213 行動価値関数Qの説明 d
214 単語埋め込みモデルの説明
215 RNNでは無いもの
216 単語や文章表現を得られないモデル
217 単語埋め込みモデルでないもの
218 Attention
219 RNN・CNN
220 n-gram d
221 形態素解析
222 構文解析
223 分散表現
224 物体検出
225 セマンティックセグメンテーション
226 OCR

「間違いを選ぶ」問題が、意地悪なタイミングで出てくるので注意したいところです。

前回の問題リストと併せて見てみると、出題範囲がつかめると思います。それを踏まえて勉強するのが最も効率的だと思います。

2020年の最初の試験は、3月14日になります。