E資格講座を始める前に
今のスキルをチェック

E資格の前提知識（数学・統計学・Python・機械学習）が
どの程度あるかを判定する、簡易試験問題です。

E資格スキルチェックテストとは

このテストは、E資格講座*でディープラーニング(深層学習)を学ぶ上での前提知識である
数学・統計学・Python・機械学習のスキルが、どの程度身についているかチェックするための簡易試験です。

問題を解いたら自分の答えをメモしていただき、解答を見て自己採点を行ってください。
合計点数からあなたの現在の知識レベルを判定し、おすすめの試験対策方法が分かります。

*E資格とは、日本ディープラーニング協会(JDLA)が主催する、AIエンジニアの実装技術を測る資格です。
E資格を受験するには、JDLA認定プログラムを受講し、修了する必要があります。

問題（全18問）

数学・統計分野

問1. 線形代数 (行列の固有値の算出)

正方行列

A

の固有値は、固有方程式を解くことで算出できる。固有値のひとつとしては(あ)が挙げられる。(あ)に当てはまるものとして正しい選択肢を選べ。

A=\left(\begin{array}{cc}5 & 3 \cr4 & 9\end{array}\right)

問2. 微分 (シグモイド関数の微分)

よく用いられる活性化関数のひとつとしてシグモイド関数が挙げられる。シグモイド関数

h(x)

のように表すことができ、この関数の微分

\frac{dh(x)}{dx}

は(い)となる。

h(x) = \frac{1}{1+\exp(-x)}

(い)に当てはまるものとして正しい選択肢を選べ。

$1 - h(x)^2$
$h(x)(1 - h(x))$
$1 - h(x)$
$1 - 2h(x)$

問3. 確率 (確率変数の性質)

密度関数とは確率変数の特徴を表すものである。確率変数Xが正規分布に従うとき、Xの確率密度関数は(う)となる。(う)に当てはまるものとして正しい選択肢を選べ。ただし

\sigma ^2

は分散、

\mu

は平均、

p

は成功確率、

n

は試行回数、

\lambda = np

とする。

$f(x) = \frac{1}{\sqrt{2\pi\sigma^2}}\exp\left\{ -\frac{(x-\mu)^2}{2\sigma^2} \right\}\qquad \allowbreak (-\infty < x < \infty)$
$f(t) = \lambda e^{-\lambda t} (0 \leq x < \infty)$
$f(x) = \left\{\begin{array}{cc}\frac{1}{b-a} & (a\leq x \leq b) \cr0 & else\end{array}\right.$
$f(x) = \binom{n}{x} p^x (1-p)^{n-x} \qquad (x=0,1,2\ldots,n)$

問4. 統計 (ポアソン分布)

次の事例のうち、確率変数がポアソン分布に従うと考えられるものとして正しい選択肢を選択せよ。

全国の交差点における死亡事故の発生件数
サイコロを投げたときに6の目が出るまでにかかる回数
コインを投げたときに表が出る回数
自宅にある家電製品の故障数

問5. 情報理論 (KLダイバージェンス)

コインを投げたとき、表が出た時をアタリ、裏が出た時をハズレとする。最初はアタリもハズレも同じ確率{

Q

(アタリ),

Q

(ハズレ)}=

\{ \frac{1}{2}, \frac{1}{2}\}

で出ると思っていたが、後から偏りがあると知り、 {

Q

(アタリ),

Q

(ハズレ)}=

\{ \frac{1}{4}, \frac{3}{4}\}

であった。この時のKLダイバージェンスは(お)と算出される。(お)に当てはまるものとして正しい選択肢を選べ。ただしlogの底は2とする。

$\frac{4}{3}log2$
$log2 + log3$
$\frac{5}{4}-log3$
$-1+\frac{3}{4}log3$

Python分野

問6. 条件分岐

varが0よりも大きければ「bigger than 0.」、小さければ「less than 0.」、0と等しければ「equal to 0.」と出力する以下のプログラムを考えた。 (あ) (い) (う)の組み合わせとして正しい選択肢を選べ。ただし、変数varに整数が格納されているとする。

(あ) if var > 0 : (い) elseif var < 0 : (う) else :
(あ) if var < 0 : (い) elseif var > 0 : (う) else :
(あ) if var < 0 : (い) elif var > 0 : (う) else :
(あ) if var > 0 : (い) elif var < 0 : (う) else :

問7. 関数の実装 (range)

リスト内包表記で0から100までのなかで偶数だけのリストを生成することを考える。正しくリストを生成できる正しい選択肢を選べ。

[ I for I in range(100) if I % 2 = 0 ]
[ I for I in range(100) if I % 2 == 0 ]
[ I for I in range(101) if I % 2 = 0 ]
[ I for I in range(101) if I % 2 == 0 ]

問8. クラス(インスタンス/標準出力)

クラスAを作り、Aを継承したクラスBを作った。プログラムでBのインスタンスを生成したとき、標準出力されるものとして正しいものはどれか。

A is created だけ
B is created だけ
何も表示されない
A is created と B is created の両方

問9. Pandasによるデータ抽出

以下の図はpandasのdf.info()を使用して、データを出力した結果である。このデータにおいて、10行目から100行目の年齢と性別を同時に抜き出すコードとして正しいものを選択せよ。

df.iloc([10:101, [“Age”, “Sex”]])
df.iloc[10:100, [“Age”, “Sex”]]
df.loc([10:101, [“Age”, “Sex”]])
df.loc[10:100, [“Age”, “Sex”]]

問10. データフレームの並び替え

「Gender」「Height」「Weight」というカラムをもつデータフレームSDに対してあるコードを実行したところ、以下の要件を満たした。
・Genderが分かれた状態でM→Fの順で並んだだけでなく、それぞれデータはHeightが高い順に出力された。
・Heightが同じ場合は、Weightが重い順に並んでいる。
実行したコードとして考えられるものを選択せよ。

SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [False, False, False])
SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [True, False, False])
SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [False, True, True])
SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [True, True, True])

問11. Matplotlib

以下のデータフレームbirth_rate_dfを使用して「年」ごとの「合計特殊出生率」をグラフとしてプロットした。(あ)に当てはまるコードとして正しいものを選択せよ。

color=‘g’, linestyle=‘dashed’
color=‘c’, linestyle=‘solid’
color=‘m’, linestyle=‘dotted’
color=‘y’, linestyle=‘dashdot’

問12. NumPy

以下はnumpy配列を利用した計算例である。 (あ)に当てはまるコードとして正しいものを選択せよ。

shape(3, 2)
reshape(3, 2)
reshape(2, 3)
sum()

機械学習分野

問13. 回帰モデル

回帰について説明しているものとして正しいものを選択せよ。

データ中において類似的性質を有する集合を見出す。
目的変数を複数の説明変数を用いて予測する。
入力に応じて二種類に判別する。例えば入力をx、0および1で表現される二値変数をyとすると、xからyを推定する。
入力に応じて有限個のクラスに分類する。

問14. ロジスティック回帰

ロジスティック回帰で使われるロジスティック関数を表す式およびそのグラフの組み合わせとして正しいものを選べ。

問15. holdout

未知データに対する予測性能を正しく評価する必要がある。そのため現在持っている全データセットを分けて、学習と評価を正しく行なっていく。ホールドアウト法を行う場合はどのような手順で学習・検証を行うか、正しいものを選択せよ。ただし、Xは説明変数、yは目的変数とする。

モデルに全データのXとyをそれぞれ入力し、作成したモデルに検証用データのXを入力する。その後、出力された答えと検証用データのyで答え合わせを行う。
モデルに検証用データのXとyをそれぞれ入力し、作成したモデルに学習用データのXを入力する。その後、出力された答えと検証用データのyで答え合わせを行う。
モデルに学習用データのXとyをそれぞれ入力し、作成したモデルに全データのXを入力する。その後、出力された答えと全データのyで答え合わせを行う。
モデルに学習用データのXとyをそれぞれ入力し、作成したモデルに検証用データのXを入力する。その後、出力された答えと検証用データのyで答え合わせを行う。

問16. パラメータ探索

パラメータへの理解が深い場合、手動でハイパーパラメータを調整することで、予測精度を上げる可能性を高めることができる一方、作業者がチューニングする手間がかかるのが難点である。そこで手動以外のパラメータ探索手法として、グリッドサーチやランダムサーチといったハイパーパラメータ探索が存在する。これらの説明として誤っているものを選択せよ。

グリッドサーチはハイパーパラメータの候補値を指定して、それぞれのパラメータで学習を行い、テストデータセットに対する予測が最も良い値を選択する手法である。
ランダムサーチはハイパーパラメータの候補値ではなく、探索の対象とするハイパーパラメータ自体をランダムに決定し学習を行うことによって、テストデータセットに対する予測を徐々に向上させる手法である。
グリッドサーチは探索するパラメータの候補値をランダムサーチよりも把握しやすい一方、組み合わせの数だけ探索点の数が膨大になるというデメリットがある。
ランダムサーチはグリッドサーチよりも計算時間が短く済むが、最適な組み合わせにたどり着かないという可能性がある。

問17. kNN

線形モデル以外にも様々なモデルが存在する。例えばk近傍法(kNN)やランダムフォレストなどが挙げられる。k近傍法の説明として誤っているものを選択せよ。

分類手法の一つであり、与えられたデータ周りのk個のデータから、多数決によってデータが属するクラスを分類する。
評価時よりも訓練時に計算量が多く、パラメトリック手法の一種と呼ぶことができる。
計算量が多く、それを回避する手段として削除型、圧縮型などのkNN法も存在する。
k=1のとき、各データ間のボロノイ境界が、判別境界になる。

問18. PCA

機械学習の前処理で行う次元削減のメリットとして、より単純なモデルになることで解釈性の向上を図ることが挙げられる。次元削減の手法の一つとして主成分分析がある。主成分分析（PCA : Principal Component Analysis）は分散を最大限に維持する軸を探索し、それらを使用することによって情報量を最大限に残しつつ次元を削減する。以下のPCAの実装の(あ)に入るコードで正しいものを選択せよ。

np.argsort(self.eigen_vecs)
np.argsort(self.eigen_vecs)[::-1]
np.argsort(self.eigen_vals)
np.argsort(self.eigen_vals)[::-1]

お疲れ様でした！

答えをメモし終わったら、下のボタンから解答・解説をダウンロードして、スキル判定をしましょう。不足している知識を補い、合格へ一歩近づくための勉強方法も紹介します。

1分で完了解答ダウンロード(無料)

よくあるご質問

E資格を取るメリットは？

E資格の学習を通して、機械学習・ディープラーニングの理論と実装を体系的に学ぶことができます。E資格に合格することで、AIエンジニア・データサイエンティストとしての基礎力を証明できます。また、2万人以上の合格者コミュニティ『CDLE』に参加できます。

おすすめのE資格対策講座は？

株式会社AVILENの『全人類がわかるE資格講座』がおすすめです。6期連続合格者数No.1という合格実績があり、エンジニア職の方はもちろん、文系・ビジネス職の方でも合格を目指せるプログラムとなっています。料金体系など詳しくは、サービス紹介資料をダウンロードしてご確認ください。

E資格とは？

E資格とは、AIエンジニアに必須なディープラーニングの実装能力・知識を認定するAI資格です。試験では、応用数学・機械学習・深層学習・開発運用環境などの問題が出題されます。E資格試験を受験するには、日本ディープラーニング協会(JDLA)の認定プログラム(講座)を受講し、修了することが必須となっています。

30秒で完了解答のダウンロードはこちら

E資格講座を始める前に今のスキルをチェック