ITパスポート 2022年 問67

ディープラーニングに関する記述【ITパスポート 解説】

正解の理由

• 「大量のデータを分析して自己学習する」点
• 「ニューラルネットワークを用いる」点
• 「推論や判断（予測・分類など）を行う」点 が揃っているのがディープラーニングです。

解法ステップ

1. 各選択肢のキーワードを拾う。例：「ニューラルネットワーク」「大量のデータ」「推論や判断」「習熟度」「教材」など。
2. ディープラーニングの定義を思い出す（機械学習の一種で、深い層のニューラルネットワークを使い特徴を自動抽出する手法）。
3. キーワードが定義と合致する選択肢を選ぶ。
   • 「ニューラルネットワーク」「大量のデータ」「推論や判断」を含む イ が一致する。
4. 残りの選択肢が示す別の概念（eラーニング、専門知識ベース、適応学習など）と区別する。

選択肢別の誤答解説

• ア: 「インターネット上に提示された教材を使って、距離や時間の制約を受けることなく、習熟度に応じて学習をする方法である。」
  → これは eラーニング（電子学習）の説明です。ディープラーニングとは無関係です。
• イ: 「コンピュータが大量のデータを分析し、ニューラルネットワークを用いて自ら規則性を見つけ出し、推論や判断を行う。」
  → 正しい。ディープラーニングは多層（ディープ）ニューラルネットワークを用いて特徴を学習し、分類や予測といった推論を行います。教師あり学習（ラベル付きデータで学ぶ）や教師なし学習の手法があります。
• ウ: 「体系的に分類された特定分野の専門的な知識から、適切な回答を提供する。」
  → これはエキスパートシステムやナレッジベース（知識ベース）に近い説明です。ディープラーニングは「データから学ぶ」アプローチで、事前に体系化されたルールだけに頼るものではありません。
• エ: 「一人一人の習熟度、理解に応じて、問題の難易度や必要とする知識、スキルを推定する。」
  → これは適応学習（アダプティブラーニング）や個別最適化された教育システムの説明です。ディープラーニング技術が使われることはありますが、定義そのものではありません。

よくある誤解

1. 「ディープラーニング＝AIそのもの」
   → AI（人工知能: Artificial Intelligence）は広い概念で、ディープラーニングはその中の一手法（機械学習の一部）です。AIにはルールベースの手法や最適化手法なども含まれます。
2. 「ディープラーニングは必ず大量のラベル付きデータが必要」
   → 多くの成功例では大量のデータが有利ですが、転移学習（pretrainedモデルの再学習）や自己教師あり学習などで少量データでも利用可能な場合があります。
3. 「ニューラルネットワーク＝人間の脳と同じ動き」
   → 名前に脳の神経（ニューロン）を借りていますが、実際の処理は数学的モデルです。人間の脳の全ての仕組みを再現しているわけではありません。

補足コラム

• 主な応用例：画像認識（顔検出や医用画像解析）、音声認識（スマホの音声入力）、自然言語処理（文章の翻訳・要約）、自動運転の認識部など。
• よく使われるモデル：
  • CNN（畳み込みニューラルネットワーク: Convolutional Neural Network）→ 画像処理で強い。
  • RNN（再帰型ニューラルネットワーク: Recurrent Neural Network）→ 時系列データや文章で使われる（現在はTransformerに置き換わることが多い）。
  • Transformer（トランスフォーマー）→ 自然言語処理で大きな成果を出しているアーキテクチャ。
• 学習の基本的な流れ：モデルのパラメータθ（システムの「設定」）をデータから調整して損失関数（予測と正解の差）を小さくする。例えば単純な更新は勾配降下法で $\theta \leftarrow \theta -\eta \nabla L(\theta )$ と表されます（ηは学習率）。
• 注意点：計算量が大きく、GPU（グラフィックスプロセッサ）や大量データが必要になる場合があります。また過学習（学習データにだけ合ってしまい、新しいデータで性能が落ちること）に注意します。

# 非実用的な擬似コード：重みを更新するイメージ
theta = init_parameters()
for epoch in range(epochs):
    predictions = model(X, theta)
    loss = loss_function(predictions, y)
    grad = compute_gradient(loss, theta)
    theta = theta - learning_rate * grad

FAQ