Azure認定資格 WEB問題集＆徹底解説
AI-900：Microsoft Azure AI Fundamentals
- No.1 機械学習のデータ分割手法の選択
- No.2 algorithmとtrained modelの違い
- No.3 過学習したモデルの改善アプローチ
- No.11 機械学習モデルの汎化性能低下の原因
- No.13 不正検出における評価指標の選択
- No.19 タスク変更後に使用できない評価指標
- No.20 品質判定AIシステムの設計における主要考慮事項
- No.27 特定環境でのAIモデル精度低下の原因と対策
- No.28 医療AI開発におけるモデル選定方針
- No.29 機械学習モデルの低精度問題と改善策
- No.30 過学習が発生したモデルへの対策
- No.35 深層学習と従来型機械学習の主要な相違点
- No.37 製造ロボットの最適動作学習手法
- No.39 画像前処理におけるグレースケール変換の影響
- No.44 不正取引検知モデルの評価指標選択
- No.55 時系列センサーデータの異常検知基盤
- No.58 トレーニングと検証の精度乖離への対処
- No.64 責任あるAIにおけるモデル設計のトレードオフ
- No.65 データセット分割の目的
- No.67 AIモデルにおける正則化の効果
- No.68 信用スコア予測モデルにおける倫理的課題
- No.70 モデルの複雑度と説明可能性のバランス
- No.71 畳み込み層におけるフィルターの役割
- No.75 製造業における不良品検出モデルの評価指標
- No.78 訓練データと実運用データで性能差が生じる現象
- No.80 モデルが訓練データを学習できていない状態
- No.82 画像分類タスクに適したアルゴリズム選択
- No.89 過学習を防ぐための手法の選択
- No.90 品質管理AIにおける設計上の考慮事項
- No.96 AIモデルの公平性改善における対応戦略
- No.98 シルエット係数による評価結果の解釈
- No.104 機械学習モデルの汎化性能向上手法
- No.107 ラベルなしデータのパターン分析手法の選択
- No.111 回帰モデルにおける大きな誤差の検出
- No.114 機械学習におけるデータセット分割の目的
- No.115 アルゴリズムと学習済みモデルの違い
- No.121 畳み込み処理におけるフィルターの役割
- No.122 AI モデルの公平性問題への対処
- No.124 二値分類における総合評価指標の選択
- No.125 分類モデルの閾値引き下げによる影響
- No.126 AIモデルにおける公平性問題への対処
- No.129 契約更新予測モデルにおけるアルゴリズム選択
- No.132 過学習を抑制するパラメータ制御手法
- No.133 deep learningの特徴的な性質
- No.134 機械学習モデルの過学習の特徴
- No.136 AIモデル開発における公平性評価の目的
- No.137 過学習モデルの汎化性能改善における対策評価
- No.138 マルチモーダルモデルの特性
- No.139 生成AIモデルにおける過学習の対処手法
- No.151 保険料算定AIモデルの公平性と透明性の確保
- No.155 過学習防止のための訓練停止手法
- No.157 生成AIプロジェクト向けの統合管理環境
- No.160 需要予測に適した機械学習手法の選択
- No.161 AIモデルの精度と説明可能性の両立
- No.166 機械学習モデルの評価結果分析
- No.170 分類モデルの評価指標から読み取れる特性
- No.171 Silhouette係数によるクラスタリング品質の解釈
- No.173 顧客購入金額予測に適した学習手法
- No.175 製品品質分類に適した機械学習の問題タイプ
- No.176 生成AI統合基盤の選定における考慮点
- No.180 高精度モデルの運用における課題
- No.190 回帰モデルの誤差を目的変数と同じ単位で評価する指標
- No.193 機械学習における回帰モデルの特性
- No.194 包摂性の原則に反するAI設計方針
- No.195 売上数量予測に適した機械学習タスク
- No.198 ナレッジマイニングに適したサービス
- No.199 連続値予測に適した機械学習タスク
- No.202 AIシステムにおける説明責任の実装要件
- No.204 機械学習のデータセット構成要素
- No.208 未分類データからパターンを発見する手法
- No.212 機械学習における検証用データの役割
- No.213 自動機械学習の特性と適用範囲
- No.214 ノーコードで機械学習モデルを構築する機能
- No.217 AI ソリューションの安全性確保
- No.223 機械学習におけるfeatureとlabelの役割
- No.228 AIモデルにおける公平性確保の重要対策
- No.235 顧客の自動グループ化に適した機械学習モデル
- No.236 顧客解約予測に適した機械学習タスク
- No.240 Azure Machine Learningのモデル管理機能
- No.241 機械学習の専門知識が限られたチームに最適な機能
- No.247 機械学習モデルのタイプ選択
- No.250 クラスタリングが適用される機械学習シナリオ
- No.253 Azure Machine Learningの自動化機能
- No.255 最適な機械学習モデル選択の自動化手法
- No.256 機械学習におけるデータセットの役割
- No.262 機械学習モデルのターゲット変数の選択
- No.269 Automated MLの提供機能の範囲
- No.270 顧客グループ化に適した機械学習手法
- No.272 機械学習モデルの一元管理機能
- No.278 機械学習モデルの精度低下への対処
- No.281 教師なし学習によるグループ化の実装
- No.282 Transformerの多言語分析への適用
- No.285 AIシステムの説明責任確保に必要な対応
- No.290 モデル比較と選定に適した機能
- No.292 専門知識が限られたチームでの画像分類モデル構築
- No.299 画像認識における深層学習の特性
- No.300 分類モデルにおける目的変数の選択
- No.301 機械学習モデルのバージョン管理と運用
- No.304 製品品質ランクの自動分類に使う機械学習
- No.306 故障予測モデルの開発環境選定
- No.309 AIモデルの公平性問題への対処方法
- No.313 AI融資審査システムの説明責任確保
- No.316 製造ラインの欠陥検出に適した技術特性
- No.319 出荷量予測に適した機械学習モデル
- No.321 複数バージョンのモデル管理とデプロイ
- No.329 AIモデルの公平性問題への初期対応
- No.335 製品画像の複数カテゴリ分類タスク
- No.336 機械学習モデルの精度評価における課題
- No.338 環境変化によるAIモデル精度低下への対応
- No.340 AutoML の主要な利点の理解
- No.341 分類モデルのラベル設定方法
- No.343 機械学習モデル開発環境の選択
- No.346 訪問者の行動パターン分類手法の選択
広告