問11：統計的仮説検定に関する記述として、最も適切なものはどれか。
- A：帰無仮説は「差がある・効果がある」という主張を表し、検定ではこれを積極的に採択することを目指す。
- B：有意水準を小さくするほど帰無仮説は棄却されやすくなり、第1種の誤りは増加する。
- C：p値が有意水準を下回るとき帰無仮説を棄却し、有意水準は第1種の誤りを犯す確率の上限を表す。
- D：第2種の誤りとは、帰無仮説が正しいのに誤って棄却してしまう誤りのことである。
【第11問：正解と解説】
正解：C
・A
【論点】仮説検定では帰無仮説（差がない等）を立て、p値が有意水準を下回れば棄却する。有意水準は第1種の誤り（正しい帰無仮説を棄却）の確率上限、第2種は誤った帰無仮説を採択する誤りである。【考え方】帰無仮説が何を表すか、p値と有意水準の関係、第1種・第2種の誤りの定義を押さえる。誤りの種類を入れ替えたり、有意水準と棄却されやすさの関係を逆にしたりしないことが要点となる。【選択肢解説】帰無仮説は「差がない」を表すのが一般的であり、差があるを積極採択するという記述が誤り。
・B
【選択肢解説】有意水準を小さくすると棄却されにくくなり第1種の誤りは減るため、記述が逆で誤り。
・C
【選択肢解説】p値が有意水準を下回れば帰無仮説を棄却し、有意水準は第1種の誤りの確率上限であり正しい。
・D
【選択肢解説】帰無仮説が正しいのに棄却するのは第1種の誤りであり、第2種の誤りとする記述が誤り。
関連過去問：仮説検定（H28類似）
問12：機械学習の学習方式に関する記述として、最も適切なものはどれか。
- A：教師あり学習は正解ラベルのないデータからパターンを見つける手法で、クラスタリングが代表例である。
- B：教師なし学習は入力と正解の組から予測モデルを学習する手法で、分類や回帰が代表例である。
- C：強化学習は正解ラベルを1件ずつ与えて学習させる手法で、報酬という概念は用いない。
- D：教師あり学習は正解ラベル付きデータで学習して分類・回帰を行い、教師なし学習はラベルのないデータで構造を見出す。
【第12問：正解と解説】
正解：D
・A
【論点】教師あり学習はラベル付きデータで分類・回帰、教師なし学習はラベルなしデータでクラスタリング等、強化学習は報酬を最大化する行動を試行錯誤で学習する。各方式を区別する。【考え方】ラベルの有無、報酬の利用、代表的なタスクで各方式を区別する。教師ありと教師なしの説明を入れ替える誤りや、強化学習に報酬がないとする誤りに注意する。【選択肢解説】ラベルなしからパターンを見つけるのは教師なし学習であり、教師ありの説明として誤り。
・B
【選択肢解説】入力と正解の組から学習するのは教師あり学習であり、教師なしの説明として誤り。
・C
【選択肢解説】強化学習は報酬を用いて学習する手法であり、報酬を用いないという記述が誤り。
・D
【選択肢解説】教師ありはラベル付きで分類・回帰、教師なしはラベルなしで構造発見を行い正しい。
関連過去問：学習方式（H30類似）
問13：機械学習の過学習（オーバーフィッティング）に関する記述として、最も適切なものはどれか。
- A：過学習は訓練データに適合しすぎて未知データへの汎化性能が低下する現象で、正則化などで抑制する。
- B：過学習は訓練データに対する誤差が大きく、モデルが単純すぎるために起こる現象である。
- C：過学習を防ぐには訓練データだけで性能を評価すればよく、検証データを分ける必要はない。
- D：過学習が起きるとモデルは未知データに対しても常に高い予測精度を示すようになる。
【第13問：正解と解説】
正解：A
・A
【論点】過学習は訓練データに過度に適合し未知データへの汎化性能が低下する現象で、正則化・検証データによる評価・データ増強などで抑制する。汎化性能と評価方法の考え方を区別する。【考え方】過学習が訓練データへの過剰適合であること、汎化性能の低下を招くこと、抑制策や評価の考え方を押さえる。過小適合との混同や、訓練データのみで評価する誤りに注意する。【選択肢解説】過学習は訓練データに適合しすぎて汎化性能が下がる現象で正則化等で抑制でき正しい。
・B
【選択肢解説】訓練誤差が大きくモデルが単純すぎるのは過小適合であり、過学習の説明として誤り。
・C
【選択肢解説】過学習の検出には検証データが必要であり、訓練データだけでよいという記述が誤り。
・D
【選択肢解説】過学習では未知データの精度が下がるため、常に高精度を示すという記述が誤り。
関連過去問：過学習（H29類似）
問14：データ活用基盤に関する記述として、最も適切なものはどれか。
- A：データウェアハウス（DWH）は日々の取引を高速に更新するOLTP専用のシステムである。
- B：OLTPは日常業務の取引処理を担い、OLAPは蓄積データの多次元分析を担うという役割の違いがある。
- C：ETLはデータを暗号化して外部送信する処理を指し、抽出・変換・格納とは無関係である。
- D：BIツールは生データを保存するだけの機能で、集計や可視化による意思決定支援は行わない。
【第14問：正解と解説】
正解：B
・A
【論点】OLTPは取引処理（更新中心）、OLAPは多次元分析（集計中心）、DWHは分析用にデータを統合・蓄積、ETLは抽出・変換・格納、BIは集計・可視化による意思決定支援を担う。各役割を区別する。【考え方】取引処理か分析処理か、ETLが担う工程、BIの目的を押さえる。OLTPとOLAPの役割、ETLやBIの機能を取り違えないことが要点となる。【選択肢解説】DWHは分析用の統合基盤であり、取引更新専用のOLTPという記述が誤り。
・B
【選択肢解説】OLTPは取引処理、OLAPは多次元分析という役割分担であり正しい。
・C
【選択肢解説】ETLは抽出・変換・格納の処理であり、暗号化外部送信という記述が誤り。
・D
【選択肢解説】BIは集計・可視化で意思決定を支援するため、保存のみという記述が誤り。
関連過去問：データ活用基盤（H27類似）
問15：深層学習と生成AIに関する記述として、最も適切なものはどれか。
- A：深層学習は入力層と出力層のみの2層構造で、中間層（隠れ層）を持たないモデルを指す。
- B：大規模言語モデル（LLM）は入力された内容を常に事実として正確に出力し、誤りを生成することはない。
- C：生成AIのハルシネーションとは、事実に基づかないもっともらしい誤った内容を生成してしまう現象である。
- D：深層学習では特徴量の設計をすべて人手で行う必要があり、データからの自動的な特徴抽出は行われない。
【第15問：正解と解説】
正解：C
・A
【論点】深層学習は多層のニューラルネットワークで特徴を自動抽出する。LLMはハルシネーション（事実に基づかない誤生成）を起こし得る。深層学習の構造と生成AIの特性を区別する。【考え方】深層学習が多層構造で特徴を自動抽出する点、生成AIが誤りを生成し得る点（ハルシネーション）を押さえる。層構造や特徴抽出の説明、生成AIの正確性の過信に注意する。【選択肢解説】深層学習は中間層を持つ多層構造であり、2層で中間層を持たないという記述が誤り。
・B
【選択肢解説】LLMはハルシネーションを起こし得るため、誤りを生成しないという記述が誤り。
・C
【選択肢解説】ハルシネーションは事実に基づかない誤った内容を生成する現象であり正しい。
・D
【選択肢解説】深層学習はデータから特徴を自動抽出でき、すべて人手という記述が誤り。
関連過去問：深層学習・生成AI（H30類似）
コメント