機械学習についてどれくらい知っていますか?
最近、機械学習についてよく耳にしますが、実際にはどういう仕組みなのでしょうか?
10問のクイズに答えて、機械学習の知識レベルを試してみましょう。
クイズを始める
→
質問 01
一連の入力データとそれに対する応答を知っている場合、どのタイプの機械学習アルゴリズムを予測に用いますか?
教師あり学習
監視ロジック
教師なし学習
ディープラーニング
← 戻る
次へ →
質問 02
ラベル付けされていないデータに内在するパターンを見つけ出すための機械学習手法は何ですか?
データ予測
教師なし学習
監視ロジック
教師あり学習
← 戻る
次へ →
質問 03
データの次元数を削減するのは次のどのような場合でしょうか?
センサーデータを扱う時
Linuxマシンを使用する時
データセットが500 GBより大きい時
似たような性質を持つ一連の特徴が多数ある時
← 戻る
次へ →
質問 04
分類モデルが行うのは何でしょうか?
気温、日付、時間の変化など実数の応答を予測する
あらかじめ定義されたカテゴリーにデータを割り当てる
パターンを見つけるために類似性に基づいた応答をグループにまとめる
予測されたデータ分類をデータ内の実際のクラスラベルと比較する
← 戻る
次へ →
質問 05
以下の分類アルゴリズムのうち、予測を行うのが容易で最初に選択すべきものはどれでしょうか?
単純ベイズ
ニューラルネットワーク
ロジスティック回帰
バギング決定木
← 戻る
次へ →
質問 06
ハイパーパラメータ調整とは何をすることですか?
学習アルゴリズムのパフォーマンスを向上させるためのパラメータの最適化
線形分類器を表す超平面の特定
パフォーマンス向上のためにモデルのパラメータのセットを拡張すること
パフォーマンスが低下するまでパラメータ調整を行うこと
← 戻る
次へ →
質問 07
データから冗長な特徴を取り除くために縮小推定器を使った特徴選択手法は次のどれですか?
ステップワイズ回帰
逐次特徴選択
近傍成分分析
正則化
← 戻る
次へ →
質問 08
主成分分析は次のどれでしょう?
予測精度を最適化するために特徴を追加または削除する特徴選択手法
データの次元を減らすための線形特徴変換手法
データを相互に排他的なクラスターに分割するクラスタリング手法
より良いパラメータセットを特定する予測手法
← 戻る
次へ →
質問 09
過適合とは次のどれでしょう?
予測モデルは正確だが実行に時間がかかりすぎること
モデルが学習データ固有の情報を過剰に学習し、より大きなデータセットに対して一般化できなくなること
単純な機械学習問題に強力なディープラーニングアルゴリズムを適用すること
ハイパーパラメータ調整を実行してパフォーマンスが低下すること
← 戻る
次へ →
質問 10
モデルによって予測された分類と実際のクラスラベルを比較する表は次のどれでしょう?
カオステーブル
予測プロット
混同行列
残差プロット
← 戻る
解答結果を見ましょう!
© 1994 - 2022 The MathWorks, Inc.