E資格講座を始める前に

今のスキルをチェック

問1. 線形代数 (行列の固有値の算出)

1. 5
2. 7
3. 9
4. 11

問2. 微分 (シグモイド関数の微分)

1. $1 - h(x)^2$
2. $h(x)(1 - h(x))$
3. $1 - h(x)$
4. $1 - 2h(x)$

問3. 確率 (確率変数の性質)

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

問4. 統計 (ポアソン分布)

1. 全国の交差点における死亡事故の発生件数
2. 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
3. コインを投げたときに表が出る回数
4. 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)

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

問6. 条件分岐

1. (あ) if var > 0 : (い) elseif var < 0 : (う) else :
2. (あ) if var < 0 : (い) elseif var > 0 : (う) else :
3. (あ) if var < 0 : (い) elif var > 0 : (う) else :
4. (あ) if var > 0 : (い) elif var < 0 : (う) else :

問7. 関数の実装 (range)

1. [ I for I in range(100) if I % 2 = 0 ]
2. [ I for I in range(100) if I % 2 == 0 ]
3. [ I for I in range(101) if I % 2 = 0 ]
4. [ 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)

1. A is created だけ
2. B is created だけ
3. 何も表示されない
4. A is created と B is created の両方

問9. Pandasによるデータ抽出

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

問10. データフレームの並び替え

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

問11. Matplotlib

1. color=‘g’, linestyle=‘dashed’
2. color=‘c’, linestyle=‘solid’
3. color=‘m’, linestyle=‘dotted’
4. color=‘y’, linestyle=‘dashdot’

問12. NumPy

1. shape(3, 2)
2. reshape(3, 2)
3. reshape(2, 3)
4. sum()

問13. 回帰モデル

1. データ中において類似的性質を有する集合を見出す。
2. 目的変数を複数の説明変数を用いて予測する。
3. 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。
4. 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

問15. holdout

1. 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。
2. 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。
3. 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。
4. 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

1. 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。
2. 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。
3. 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。
4. 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

1. 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。
2. 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。
3. 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。
4. 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

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