基礎 予想1
平均が60、標準偏差が10の正規分布を表すグラフはどれか。

出典:基本情報 令和元年秋午前 問5
–正解の理由–
正規分布には、図のような特徴があります。

ア は、左右対称で、平均値の部分が最も高く、標準偏差の範囲が正しいです。
よって、正解は ア です。
基礎 予想2
横軸を点数(O~10点)とし、縦軸を人数とする度数分布のグラフが、次の黒い棒グラフになった場合と、グレーの棒グラフになった場合を考える。二つの棒グラフを比較して言えることはどれか。

出典:ITパスポート 平成21年春 問80
–正解の理由–
分散は、データの散らばりの大きさを表す指標です。
下図のように、分散が大きいほどデータが散らばっていることを示します。

問題のグラフを見ると、グレーの棒グラフが、黒の棒グラフよりデータの散らばりが小さいので、正解は イ です。
基礎 予想3
相関係数に関する記述のうち、適切なものはどれか。
出典:応用情報 平成29年秋午前 問1
–正解の理由–
相関係数には、図のような特徴があります。

アの記述は、図の”強い正の相関”の場合に当たります。
よって、正解は ア です。
基礎 予想4
標本相関係数が-0.9、-0.7、 0.7、 0.9のいずれかとなる標本の分布と回帰直線を表したグラフのうち、標本相関係数が-0.9のものはどれか。

出典:基本情報 平成20年春午前 問8
–正解の理由–
相関係数には、図のような特徴があります。

”標本相関係数が-0.9”とあるので、直線は右下がり、標本の分布は直線上になります。
よって、正解は ウ です。
基礎 予想5
数多くの数値の加算を行う場合、絶対値の小さなものから順番に計算するとよい。これは、どの誤差を抑制する方法を述べたものか。
出典:基本情報 平成17年春午前 問4
–正解の理由–
エ 情報落ちは、有効桁数が限られている場合、絶対値が大きい数と、小さい数の加減算で小さい数は計算結果に含まれなくなることで生じる誤差です。
そのため、誤差を少なくするためには、”数多くの数値の加算を行う場合、絶対値の小さなものから順番に計算するとよい。”です。
よって、正解は エ です。
–不正解の理由–
ア アンダフローは、計算結果の絶対値が、コンピュータが表現できる最小の値より、小さくなってしまうことを言います。
イ 打切り誤差は、 繰り返し計算を途中で打ち切って、近似値を求めた場合に生じる誤差です。
ウ けた落ちは、大きさが近い数同士の引き算で、有効桁数が減ってしまい生じる誤差です。
基礎 予想6
機械学習における教師あり学習の説明として、最も適切なものはどれか。
出典:基本情報 平成31年春午前 問4
–正解の理由–
教師あり学習は、正解データを与えて学習させます。
ウ ”正解のデータを提示したり、データが誤りであることを指摘したりする”とあるので、教師あり学習です。
よって、正解は ウ です。
–不正解の理由–
ア ”個々の行動に対しての善しあしを得点として与える”とあるので、強化学習です。
イ ”コンピュータ利用者の挙動データを蓄積し、挙動データの出現頻度に従って次の挙動を推論する。”とあり、正解データを与えていないので、教師なし学習です。
エ ”正解のデータを提示せずに”とあるので、教師なし学習です。
基礎 予想7
AIの機械学習における教師なし学習で用いられる手法として、最も適切なものはどれか。
出典:応用情報 令和元年秋午前 問4
–正解の理由–
教師なし学習は、正解データを与えないで学習させます。
ウ グループ分けの基準を与えていないので、教師なし学習です。
よって、正解は ウ です。
–不正解の理由–
ア ”幾つかのグループに分かれている既存データ間に分離境界を定め”とあり、あらかじめ分離境界が与えられているので、教師あり学習です。
イ モンテカルロ法は、強化学習の手法です。”乱数を使って疑似データを作り”が、強化学習の特徴である試行錯誤にあたります。
エ 回帰分析は、教師あり学習の手法です。”プロットされた時系列データ”が、教師あり学習の特徴である”正解データ”にあたります。
基礎 予想8
AIにおけるディープラーニングの特徴はどれか。
出典:基本情報 平成30年春午前 問3
–正解の理由–
ウ ”ニューラルネットワークを用いて、人間と同じような認識ができるようにする”は、ディープラーニングの特徴です。
よって、正解は ウ です。
–不正解の理由–
ア ”新しい知識を論理式で表現したルールに基づく推論の結果として、解を求める”は、ルールベースAIの特徴です。
イ ディープラーニングのアルゴリズムにもいくつかの種類があり、得意分野はそれぞれ違います。
”特定分野に特化せずに、広範囲で汎用的な問題解決ができるようにするもの”は不適切です。
エ ディープラーニングは、製造、金融など、さまざまな分野で利用されています。
”判断ルールを作成できる医療診断などの分野に限定される”は、不適切です。
コメント