勉強法

2021年 11月6日「G検定」191問 振り返り

21年11月試験_振り返り

2021年11月26日:更新(100名以上の合否メールの「得点率」を集計しました)

昨日、今年最後の「G検定」試験が行われました。受験された方、お疲れ様でした。

今回も試験で出題された191問をまとめました。記憶が薄まる前に、試験の振り返りにお役立て下さい。来年の試験は3月になります。再受験を検討している方は、自分の苦手なところをメモしておくことをお薦めします。

全191問 問題リスト

出題された問題をそのまま書いてしまうのは禁止行為なので、ザックリとした内容を書いています。

■「対策」・・・『公式テキスト第2版』だけでは対策が難しい問題は【⚠】としました

番号 内容
対策:難
1 VGGとResNetとの相違:スキップ構造の説明
2 チューリングテスト
3 行列AとBが共にm✕n行列:AとBのアマダール積
4 説明可能AI(XAI)の説明
5 fastText
6 誤差逆伝播法の勾配消失の抑制を試みる方法
7 ワンホットベクトル
8 強化学習を導入するメリット
9 知識ベースと推論エンジン
10 「カメラ画像利活用ガイドブック」データ利用時の留意点
11 Rainbow
12 パルス符号変調器で行われる処理
13 過学習の説明
14 GPT-3
15 不正競争防止法の営業秘密と限定提供データ
16 深層強化学習の特徴
17 ウェブマイニングとデータマイニングの取組み
18 個人情報保護法の説明
19 次元削減手法として用いられない手法
20 エッジAIの説明
21 日本でのAIガバナンス
22 AIやディープラーニングのビジネス応用
23 サンプリングバイアス/データバイアス
24 意味ネットワークの概念間の関係性
25 EfficientNet
26 OpenPose
27 発明に関する説明
28 CNN:カテゴリ分類を行うための層
29 情報利得の最大化
30 テストデータの一部が訓練データに入った場合の問題
31 「カメラ画像利活用ガイドブック」の個人データ
32 学習率の説明
33 汎化性能
34 データリーケージ
35 確率的勾配降下法の説明
36 イテレーション
37 アノテーション
38 ディープフェイクの説明
39 自分の興味のある情報以外が見えなくなること
40 転移学習の例
41 Actor-Critic法の説明
42 コサイン類似度の性質
43 トイ・プロブレムの説明
44 匿名加工情報の説明
45 ResNet:skip connection
46 フレーム問題
47 Adversarial attacksと関連が深い説明
48 LSTMの構成要素
49 AI効果
50 メル尺度への変換が必要な理由
51 L2正則化
52 データ拡張の目的
53 AIが持つ知的な処理能力
54 Web APIを利用するメリット
55 ディープブルーの課題
56 ResNet
57 個人情報保護法の説明
58 CRISP-DMの説明
59 変分オートエンコーダの説明
60 RNNに期待されるメリット
61 データリーケージの影響
62 機械学習に適した学習データ
63 RNNで系列データを扱える理由
64 AIを用いた顔認識技術の問題点
65 活性化関数:ReLU関数
66 深層信念ネットワーク
67 エキスパートシステム
68 サンプリング・バイアスの説明
69 Grad-CAMなどの可視化手法
70 Mask R-CNN
71 相関係数・分散
72 MLOps
73 個人情報保護法の説明
74 マハラノビス距離
75 順伝播型
76 単純パーセプトロン
77 TF-IDF
78 再学習させる効率のよい方法
79 LSTMの解説図
80 自然言語処理
81 ベイズの定理
82 重回帰分析の例
83 Neural Architecture Search
84 蒸留
85 改正著作権法30条の4 第2号の規定
86 過学習を防ぐ、抑制する手法
87 決定木:深さ優先探索
88 AlexNet
89 単純なRNNの問題点
90 学習済みモデルの権利保護の説明
91 フォルマント
92 U-Net
93 AIの共同開発の留意点
94 早期終了の説明
95 SVMで線形分離できないときに用いる手法
96 変数X、Y、Zの観測
97 過学習の状態の説明
98 オフライン強化学習の説明
99 SVM:マージンの最大化
100 PoC段階でAIモデルを生成する目的
101 Source-Target Attention
102 畳み込み層で行う操作
103 Neural Architecture Search
104 XAIが必要とされる理由
105 GRU
106 データ拡張手法に関する説明
107 強いAIと弱いAIの説明
108 ReLU関数
109 離散確率変数XとYの相互情報量の説明
110 GANの説明
111 AIの倫理・法・社会的な課題への企業側の対応
112 シンボルグラウンディング問題
113 AIにおける透明性
114 BPTT
115 教師強制の説明
116 勾配降下法の役割
117 MFCCに関する説明
118 RNNや自己回帰モデルの違い
119 解釈性
120 CAM
121 データセット/訓練/検証/テスト
122 GDPRに関する説明
123 炎上対策における留意点
124 過学習の原因
125 k-means法
126 事前学習にオートエンコーダを用いる理由
127 多クラス分類で用いる関数
128 自動運転レベル3の説明
129 ディープラーニングの盛り上がりの理由
130 Seq2Seqに関する説明
131 大域/局所/ハイパーパラメータ
132 音素の説明
133 プライバシー・バイ・デザイン
134 限定提供データ
135 データ収集・実装・運用・評価時の個人情報
136 信頼性を備えたAI~、倫理的に~、Partnership on AI
137 量子化
138 TPUの説明
139 アルゴリズムバイアス
140 パーセプトロンの説明
141 Grad-CAM
142 誤差逆伝播法の説明
143 AIの社会実装とビジネス利活用
144 活性化関数の説明
145 Mini-Max法
146 損害や倫理問題を引き起こさないための対応
147 単純パーセプトロンの欠点
148 FCN
149 ソフトマックス関数
150 GPU
151 探索・推論
152 アナログ音声を特徴量に変換する流れ
153 マルチエージェント強化学習の特徴
154 ブースティングの説明
155 クラスタリング
156 ディープラーニングとデータ量
157 バギングの説明
158 学習済みモデルの知的財産としての保護
159 データ拡張
160 ディープラーニングとデータの関係
161 GPGPU
162 ReLU関数
163 CycleGANの説明
164 Adversarial attacksの説明
165 プルーニング
166 AIをエッジ方式で提供する際の検討点
167 個人情報保護法の説明
168 AIの軍事利用
169 DCGANの説明
170 ELMo
171 WaveNet
172 A-D変換の説明
173 DeepLabV3
174 BERTの特徴
175 勾配消失問題が起こりやすい条件
176 「AIに関する倫理ガイドライン」の7要件
177 自己回帰モデルの分析対象例
178 N-gram
179 ニューラルネットワークの説明
180 活性化関数
181 誤差逆伝播法の流れ
182 強化学習に適した課題
183 ハイパーパラメータの説明
184 (簡単なクイズ問題:ハノイの塔)
185 知識獲得のボトルネックの説明
186 RNN:系列データ
187 PoC/準委任
188 オープンデータセットのメリット
189 協調フィルタリング
190 U-Net:セマンティックセグメンテーション
191 営業秘密の説明

 

今回の試験の特徴

前回の試験は、シラバスが新しくなってからの最初の試験でした。(前回の試験については別の記事にまとめています)

今回の試験は、新シラバスになってからの第2回目ということで、前回とほぼ同じ内容でした機械学習・深層学習の基礎をしっかり理解していれば解ける問題が多い点は、G検定がスタートしてから変わりません。ここがブレないところにG検定の価値があると思いました。

問題文の『~不適切な選択肢を選べ』の、「不適切」が太文字となった点は、嬉しい改善点でした。

前回の試験から、合否発表のメールに「分野別得点率」が記載されるようになりました。合格はしたけど、『もっと得点率を上げて合格したい』という気持ちになったら、以下のトピックも正解できるように対策しておくことをお薦めします。

ResNet
アマダール積
ワンホットベクトル
カメラ画像利活用ガイドブック
Rainbow
パルス符号変調器
限定提供データ
OpenPose
発明
データリーケージ
Actor-Critic法
コサイン類似度
メル尺度
CRISP-DM
データリーケージ
顔認識技術
Grad-CAM
Mask R-CNN
相関係数/分散
マハラノビス距離
Neural Architecture Search
改正著作権法30条の4 第2号
学習済みモデルの権利保護
フォルマント
AIの共同開発
オフライン強化学習の説明
Source-Target Attention
Neural Architecture Search
離散確率変数/相互情報量
教師強制
MFCC
CAM
Seq2Seq
音素
量子化
Grad-CAM
アナログ音声を特徴量に変換する流れ
マルチエージェント強化学習
学習済みモデルの知的財産としての保護
CycleGAN
プルーニング
ELMo
A-D変換
DeepLabV3
BERT
U-Net
営業秘密

 

合否の結果を受けて

11月19日に、合否結果がメールで届きました。
(今回も無事に合格することが出来ました)

今回の「問題の分類」は、以下の7つでした。

1.人工知能とは. 人工知能をめぐる動向. 人工知能分野の問題
2.機械学習の具体的手法
3.ディープラーニングの概要
4.ディープラーニングの手法
5.ディープラーニングの社会実装に向けて
6.数理・統計
7.法律・倫理・社会問題

114名の方から、得点率を教えて頂き、集計したものがこちらです。

21年11月試験の集計

公式から「各項目で、何%以上だと合格になるのか?」は発表されていないので、正確に知ることは出来ません。

不合格になった方からの貴重な情報をまとめると、以下のスコアを全て下回ると「不合格」になってしまうのではないかと予測しました。

合否の境目

多くの方が、苦手としている問題は、以下の3ジャンルであることが分かりました。

4.ディープラーニングの手法
6.数理・統計
7.法律・倫理・社会問題

来年2022年に受験される方は、参考にして頂けると幸いです。