1. HOME
  2. サービス
  3. E資格スキルチェックテスト

JDLA資格対策講座

E資格スキルチェックテスト

\E資格講座を始める前に/
E資格本番レベルの問題を解いて
今の基礎スキルを判定できます

基礎知識が不安な方・例題を知りたい方へ

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、最後にダウンロードできる解答を見て自己採点を行ってください。
合計点数データ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の方法が分かります。

* E資格とは、日本ディープラーニング協会が主催するAIエンジニアの知識・深層学習の実装技術を検定する資格です。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。
AVILENが開催している合格率94%のE資格オンライン講座の詳細はこちらをご覧ください。

この試験は15分を目安に回答してください。
問題は全部で19問です。
自己採点のため答えはメモを取ってください。
問1. 線形代数 (行列の固有値の算出)
数学
正方行列の固有値は、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. 5
B. 7
C. 9
D. 11
問2. 微分 (シグモイド関数の微分)
数学
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\require{physics} \qty(x) $のように表すことができ、この関数の微分$ \displaystyle \frac{dh\require{physics} \qty(x)}{dx} $は(い)となる。
$ h\require{physics} \qty(x) = \displaystyle \frac{1}{1 + exp\require{physics} \qty(-x) } $
(い)に当てはまるものとして正しい選択肢を選べ。
A. $ 1- h\require{physics} \qty(x)^2 $
B. $ h\require{physics} \qty(x) (1- h\require{physics} \qty(x))$
C. $ 1- h\require{physics} \qty(x) $
D. $ 1- 2h\require{physics} \qty(x) $
問3. 確率 (確率変数の性質)
統計学
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$δ^{2}$
は分散、 μは平均、pは成功確率、nは試行回数、λ = npとする。
問4. 統計 (ポアソン分布)
統計学
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。
A. 全国の交差点における死亡事故の発生件数
B. 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
C. コインを投げたときに表が出る回数
D. 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)
統計学
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、 {P(アタリ),P(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。
問6. 関数
Python
配列の要素の平均を計算する関数meanを作成した。
(あ)に当てはまるコードとして正しい選択肢を選べ。
ただしmeanの引数であるarrはリスト型とする。
A. sum / length
B. (float)(sum) / length
C. (float)(sum / length)
D. (sum / length)
問7. 条件分岐
Python
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。
A. (あ) if var > 0 : (い) elseif var < 0 : (う) else :
B. (あ) if var < 0 : (い) elseif var > 0 : (う) else :
C. (あ) if var < 0 : (い) elif var > 0 : (う) else :
D. (あ) if var > 0 : (い) elif var < 0 : (う) else :
問8. 関数の実装 (range)
Python
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。
A. [ I for I in range(100) if I % 2 = 0 ]
B. [ I for I in range(100) if I % 2 == 0 ]
C. [ I for I in range(101) if I % 2 = 0 ]
D. [ I for I in range(101) if I % 2 == 0 ]
問9. クラス (インスタンス・標準出力)
Python
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. A is created だけ
B. B is created だけ
C. 何も表示されない
D. A is created と B is created の両方
問10. Pandasによるデータ抽出
Python
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。
A. df.iloc([10:101, [“Age”, “Sex”]])
B. df.iloc[10:100, [“Age”, “Sex”]]
C. df.loc([10:101, [“Age”, “Sex”]])
D. df.loc[10:100, [“Age”, “Sex”]]
問11. データフレームの並び替え
Python
「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。
A. SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [False, False, False])
B. SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [True, False, False])
C. SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [False, True, True])
D. SD.sort_values([“Gender”, “Height”,”Weight”], ascending = [True, True, True])
問12. Matplotlib
Python
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。
A. color=‘g’, linestyle=‘dashed’
B. color=‘c’, linestyle=‘solid’
C. color=‘m’, linestyle=‘dotted’
D. color=‘y’, linestyle=‘dashdot’
問13. NumPy
Python
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。
A. shape(3, 2)
B. reshape(3, 2)
C. reshape(2, 3)
D. sum()
問14. 回帰モデル
機械学習
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。
A. データ中において類似的性質を有する集合を見出す。
B. 目的変数を複数の説明変数を用いて予測する。
C. 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。
D. 入力に応じて有限個のクラスに分類する。
問15. ロジスティック回帰
機械学習
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16. holdout
機械学習
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。
A. 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。
B. 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。
C.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。
D. 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17. パラメータ探索
機械学習
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。
A.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。
B.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。
C.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。
D. 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18. kNN
機械学習
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。
A.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。
B.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。
C. 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。
D. 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19. PCA
機械学習
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。
A. np.argsort(self.eigen_vecs)
B. np.argsort(self.eigen_vecs)[::-1]
C. np.argsort(self.eigen_vals)
D. np.argsort(self.eigen_vals)[::-1]
スキルチェックテスト問題はこれで以上となります。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。
不足している基礎スキルを補い、E資格合格へ一歩近づくための勉強方法も紹介します!