ディープラーニング協会 G検定(ジェネラリスト検定)を受験してみよう♪

人工知能(AI)、IoT(Internet of Things)、ビッグデーター、第4次産業革命、インダストリー4.0などが新しいビジネスの軸として注目されつつあります。AIやIoTによって、今産業構造が大きく変わろうとしています。今から5億年以上の昔、古生代カンブリア期に生物が増え、多くの生物の原型がこの時期に誕生したと考えられています。この現象は「カンブリア爆発」と呼ばれています。有力な原因仮設はこの時期に生物が「目」を獲得し、それが捕食方法と進歩と生きるための戦略性を高め、生物の高度化と多角化が一気に進歩したと考えられています。

イーロン・マスク(Elon Musk)率いる米テスラ(tesla)を始めとする自動運転車、それに続くGoogle(Google DeepMind)やApple(Siri)、Amazon(Alexa)等。この業界では、画像認識・技術処理の発達、AIアルゴリズム等のソフトの面と、それを補うセンサやカメラなどのハードの急激な進化により、自動車産業だけでなく幅広い分野で「カンブリア爆発」的なパラダイスシフトが起きています。

これから起きることはAI vs 人間の戦いではなく、複雑なデータやAIの力を活用する人と活用しない人との戦いになる。日本の決められたルールの上での戦いではなく、自分自身で新しい道を切り開くサバイバルスキルが重要になる。上司に、人に言われたこと、「きっちりやり抜く」力も重要ではありますが、「こんなことができたらいいな」を想像し、それを形とてサービスとして具現化できる能力が重要になっていきます。人に支配されず、自由に生きるための必要なスキルがAI・データ時代における日本人として学ぶべき点なのだと思われます。

「ディープラーニング」(深層学習)の発展によって、音声・画像認識の制度も高まりました。日本でも経済産業省、総務省、文部科学省も連携し研究を推進しているので、今後AIの研究開発が大きく前進し、日本全体にとって大きなチャンスとなります。まずは、ディープラーニングを用いたシステム・技術について少しずつ学び習得していきたいと思います。

一般社団法人日本ディープラーニング協会

傾向と対策

問題:国際的な画像認識コンペティション“ILSVRC2012”について、正しいものをすべて選べ
(1)画像認識は、2017年現在でディープラーニングが最も高い精度を実現できるタスクである。
(2)ImageNetとは、手書き文字認識のためのデータセットである。
(3)優勝チームはトロント大学(カナダ)のジェフリー・ヒントン教授率いるSuperVisionである。
(4)このコンペティションであげられた成果は、「人工知能研究50年来のブレイク・スルー」と称された。
参考:人工知能は人間を超えるか(P144-148)
※ILSVRC( ImageNet Large Scale Visual. Recognition Challenge)世界的な画像認識コンペティション
※ ImageNetとは、画像認識用データセット(スタンフォード大学)
○✕○○

問題:「強いAI・弱いAI」に関する説明として適切なものを2つ選べ
(1)「強いAI」は、エキスパートシステムと呼ばれ、現在でも広く実用されている。
(2)AGI(Artificial General Intelligence: 汎用人工知能)と呼ばれるものは、「強いAI」により近いものである。
(3)本来の意味での「人間のように考えるコンピュータ」が開発されたことが、第3次人工知能ブームのきっかけである。
(4)国際的な画像認識のコンペティションでは、「弱いAI」が人間を超える識別性能を実現している。
参考:人工知能は人間を超えるか(P55,87)
「強いAI」とは哲学者のジョン・サール氏が言ったもので、「正しい入力と出力を備え、適切にプログラミングされたコンピュータは、人間が心を持つのと全く同じ意味で、心を持つ」とする立場を「強いAI」とした。「弱いAI」とは、心を保つ必要はなく、限定された知能によって一見知的な問題解決が行なえればよいとする立場を意味している。

※第2次人工知能ブームにおける「知識」使った人工知能の大本命は「エキスパートシステムである」
参考:人工知能は人間を超えるか(P87)
○✕○✕

問題:空欄に当てはまる語句の組み合わせとして最も適しているものを1つ選べ。 教師あり学習の問題は出力値の種類によって、大きく2種類に分けられる。(A) 問題は出力が離散値であり、カテゴリーを予測したいときに利用される。一方、(B) 問題は出力が連続値であり、その連続値そのものを予測したいときに利用される。
(1)(A) 限定 (B) 一般
(2)(A) 部分 (B) 完全
(3)(A) 分類 (B) 回帰
(4)(A) 線形 (B) 非線形
参考:人工知能は人間を超えるか(P117)
※回帰(regression)とは、「数値予測」であり、入力数値から未来の数値を予測する概念です。分類とは、過去の入力数値を元に、新たに与えられたデータをグループに仕分けする概念です。
参考:人工知能は人間を超えるか(P116)
(3)

問題:あるニューラルネットワークのモデルを学習させた際、テストデータに対する誤差を観測していた。そのとき、学習回数が100を超えるまでは誤差が順調に下がり続けていたが、それ以降は誤差が徐々に増えるようになってしまった。その理由として最も適切なものを1つ選べ。
(1)学習回数が増えるほど、誤差関数の値が更新されにくくなるため。
(2)学習回数が増えるほど、学習データにのみ最適化されるようになってしまうため。
(3)学習回数が増えるほど、一度に更新しなければならないパラメータの数が増えていくため。
(4)学習回数が増えるほど、計算処理にかかる時間が増えてしまうため。
参考:人工知能は人間を超えるか(P149)
誤差逆伝播法(バックプロパゲーション,Backpropagation)
(1)

問題:通常のニューラルネットワークにはない、畳み込みニューラルネットワークがもつ分類問題の汎化性能の向上に寄与する特徴として、最も適切なものを1つ選べ。
(1)ネットワークの中間層で、再帰的にフィードバックが与えられる。
(2)決定境界を非線形にするために、活性化関数が利用される。
(3)画像全体に対して、一定範囲ごとに入力の特徴量が抽出される。
(4)出力層において、出力が確率に変換される。
参考:深層学習(P79)
畳み込みニューラルネットは、畳み込み層とプリーング層という特別な2種類の層を含む順伝播型ネットワークで、もっぱら画像認識に応用されます。
(2)

問題:次の文章の(A)、(B)の組み合わせとして、最も適しているものを1つ選べ。 時系列データの分析には、もともと( A )が最も適していると考えられていたが、時系列データのひとつである音声処理の分野では( B )が非常に高い精度を記録している。
(1)(A)リカレントニューラルネットワーク (B)畳み込みニューラルネットワーク
(2)(A)リカレントニューラルネットワーク (B)Autoencoder
(3)(A)畳み込みニューラルネットワーク (B)リカレントニューラルネットワーク
(4)(A)畳み込みニューラルネットワーク (B)Autoencoder
(5)(A)Autoencoder (B)畳み込みニューラルネットワーク
(6)(A)Autoencoder (B)リカレントニューラルネットワーク
参考:深層学習(P111)
再帰型ニューラルネット(RNN)は音声や言語、動画像といった系列データを扱うニューラルネットです。自己符号化器(Autoencoder)とは、目標出力を伴わない、入力だけの訓練データを使った教師なし学習により、データをよく表す特徴を獲得し、ひいてはデータのよい表現方法を得ることを目標とするニューラルネットです。
(6)

問題:RNN(Recurrent Neural Network)が自然言語処理の分野で精度の向上に寄与した理由として、最も適しているものを1つ選べ。
(1)畳み込み層で畳み込み処理を行うことにより、単語の出現位置から文脈を読み取れるようになったため。
(2)隠れ層で過去の情報を保持できるようになり、文字の並びから意味を抽出できるようになったため。
(3)ネットワークの外部に記憶部分を設けることで、文章のパターンを簡単に参照できるようになったため。
(4)正しい文章の出力ができるようになるまで繰り返し自動で学習できるようになったため。
参考:深層学習(P111)
再帰型ニューラルネット(RNN)は音声や言語、動画像といった系列データを扱うニューラルネットです。これらのデータは一般にその長さがサンプルごとにまちまちで、そして系列内の要素の並び(文脈)に意味があるのが特徴です。
(2)

JDLA DeepLearning for GENERAL 2017(12月16日実施)
総受験者数:1,448名
合格者数:823名

Copy Protected by Chetan's WP-Copyprotect.