基本情報技術者試験シラバス改定に対応した機械学習・ディープラーニング予想問題

ROC曲線とモデル評価

機械学習で「病気か健康か」を判定するモデルを作った際、その「診断能力」を評価する必要があります。ROC曲線は、しきい値を厳しくしたり緩くしたりしたときに、どれだけ正しく見抜けるか（真陽性率）と、どれだけ誤診するか（偽陽性率）のバランスをグラフにしたものです。 グラフが左上の角に近いほど、診断能力が高い優れたモデルであると言えます。

問1の正解：B

転移学習とファインチューニング

これらは「効率よく学習させる」ためのテクニックです。 転移学習は、例えば「犬と猫を見分ける」ために学習したモデルの知能を、そのまま「車とバイクを見分ける」学習に再利用することを指します。これは、一流の野球選手がゴルフを始めるとき、体の使い方の基礎ができているため上達が早いのと似ています。 一方で、ファインチューニングは再利用したモデルを新しいデータに合わせて「微調整」する工程を指します。

問2の正解：C

生成AIとプロンプトエンジニアリング

最近のシラバス改定で最も注目されている分野です。 LLM（大規模言語モデル）は、インターネット上の膨大なテキストを学習した「基盤モデル」です。このAIに対して、「あなたはプロのライターです」といった役割を与えたり、質問の仕方を工夫したりして、望む回答を引き出す技術がプロンプトエンジニアリングです。魔法使いが正しい「呪文」を唱えて魔法を発動させるイメージに近いです。

問3の正解：B

バックプロパゲーションと活性化関数

ニューラルネットワークが「賢くなる」プロセスです。 予測が外れたとき、その「間違い（誤差）」を後ろから前へと伝え、各部品（重み）をどれくらい調整すれば正解に近づくかを計算します。これがバックプロパゲーションです。 ただし、層が深すぎると途中で誤差の情報が消えてしまうことがあり、これを勾配消失問題と呼びます。これを防ぐために、情報の伝達を調整する活性化関数が重要な役割を果たします。

問4の正解：B

生成モデル：拡散モデルとGAN

最新のAIが「絵を描く」仕組みには、主に2つの流れがあります。 拡散モデルは、霧の中（ノイズ）から少しずつ形を削り出していく彫刻のような手法です。現在の主要な画像生成AIの多くに採用されています。 GAN（敵対的生成ネットワーク）は、「偽札作り」と「警察官」の追いかけっこに例えられます。一方がより精巧な偽物を作り、もう一方がそれを見破る訓練を繰り返すことで、最終的に本物そっくりのデータが出来上がります。

問5の正解：C 問6の正解：C

RNN（リカレントニューラルネットワーク）

RNNは、過去の情報を「記憶」しながら次のデータを処理する仕組みを持っています。 文章を読むとき、私たちは前の単語の意味を覚えたまま次の単語を読みます。このように、データの「順番」が重要な意味を持つ音声やテキストの処理に特化したネットワークです。

問7の正解：B

3種類のデータ（学習・検証・テスト）

モデルを作る際は、データを役割ごとに分けるのが鉄則です。

1. 学習データ：AIが「練習」するための問題集です。
2. 検証データ：練習中に「模試」を行い、学習の進み具合や設定（ハイパーパラメータ）を調整するために使います。
3. テストデータ：最後に一度だけ受ける「本番入試」です。これで最終的な実力を測ります。 練習問題ばかり解いていると、その問題の答えだけを丸暗記してしまい、応用が効かなくなる「過学習」に陥ることがあります。

問8の正解：B

ファインチューニング

これは「専門教育」のようなものです。 すでに一般的な常識を備えたAI（事前学習済みモデル）に対して、特定の分野の知識を少しだけ教え込むことで、短期間で専門家レベルの回答ができるようになります。ゼロから教育するよりも、圧倒的にコストと時間を節約できるのがメリットです。

問9の正解：C

ランダムフォレスト

「決定木」という、条件分岐（Yes/No）を繰り返して答えを導く手法をたくさん集めたものがランダムフォレストです。

1人の専門家の意見を聞くのではなく、100人の一般人にアンケートを取って多数決で決めるような仕組みです。これにより、一部の極端なデータに惑わされることなく、安定した精度の高い予測が可能になります。

問10の正解：C

次元削減（主成分分析など）

たくさんの情報（変数）がある中で、本当に重要なエッセンスだけを取り出す作業です。

例えば、リンゴを評価するときに「重さ」「直径」「体積」の3つのデータがあっても、これらは互いに似た情報です。これらを「大きさ」という1つの指標にまとめることで、データを扱いやすくし、コンピュータの計算負荷を下げることができます。

問11の正解：B

交差検証（クロスバリデーション）

限られたデータを有効に活用して、モデルの本当の実力を測るための工夫です。

手元にある教科書を数ページずつ「練習用」と「小テスト用」に交代で使い回し、全ページでテストを行うようなものです。これにより、たまたま練習した問題がテストに出ただけという「運」の要素を排除し、モデルの汎化性能（未知のデータへの対応力）を正しく評価できます。

問12の正解：B

ホールドアウト検証

データを「学習用」と「テスト用」にバッサリと分ける手法です。 受験勉強に例えると、手元にある過去問10年分のうち、8年分を練習（学習）に使い、残りの2年分を自分の実力を測るための「模擬試験（テスト）」として取っておくようなものです。非常にシンプルで計算負荷が低いのがメリットですが、データの分け方によって評価結果が左右されやすいという側面もあります。

問13の正解：B

過学習（オーバーフィッティング）

AIが「練習問題の答えだけ」を丸暗記してしまった状態です。 練習問題（学習データ）では満点を取るのに、少しひねった初見の問題（未知のデータ）が出ると全く解けなくなる現象を指します。これを防ぐためには、モデルを複雑にしすぎないことや、十分な量のデータを用意することが重要です。

問14の正解：B

ROC曲線とAUC

前述のROC曲線の下側の面積をAUC（Area Under the Curve）と呼びます。 この面積は 0 から 1 の間の値をとります。完全にランダムな予測（勘で答える）の場合は 0.5 になり、完璧に正解を当てる理想的なモデルの場合は 1 になります。つまり、面積が広いほど「賢いAI」であると判断できます。

問15の正解：C

CNN（畳み込みニューラルネットワーク）

CNNは「人間の目の仕組み」を模したネットワークです。 画像全体を一度に抽象的に見るのではなく、小さな窓（フィルタ）で画像をスキャンしながら「ここに横線がある」「ここに丸い角がある」といった特徴を見つけ出します。この「畳み込み」という作業を繰り返すことで、最終的に「これは猫だ」という高度な判断が可能になります。

問16の正解：B

事前学習とアテンション

現在のAI開発は「巨人の肩の上に立つ」手法が主流です。 まず、膨大なデータを使って「言葉の並びの基本」や「世界の一般的な知識」を学ばせるのが事前学習です。 その中心にあるアテンション（注意機構）という技術は、文章を読むときに「どの単語が重要か」を判断する仕組みです。例えば「彼は川に行ったが、そこには誰もいなかった」という文で、「そこ」が「川」を指していることに「注目（Attention）」する力をAIに与えました。

問17の正解：A 問18の正解：B