Azure認定資格 WEB問題集＆徹底解説
AI-900：Microsoft Azure AI Fundamentals
- 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.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.58 トレーニングと検証の精度乖離への対処
- No.65 データセット分割の目的
- 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.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.125 分類モデルの閾値引き下げによる影響
- No.129 契約更新予測モデルにおけるアルゴリズム選択
- 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.137 過学習モデルの汎化性能改善における対策評価
- No.151 保険料算定AIモデルの公平性と透明性の確保
- No.160 需要予測に適した機械学習手法の選択
- No.170 分類モデルの評価指標から読み取れる特性
- No.173 顧客購入金額予測に適した学習手法
- 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.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.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.235 顧客の自動グループ化に適した機械学習モデル
- No.247 機械学習モデルのタイプ選択
- No.256 機械学習におけるデータセットの役割
- No.304 製品品質ランクの自動分類に使う機械学習
- No.309 AIモデルの公平性問題への対処方法
- No.316 製造ラインの欠陥検出に適した技術特性
- 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
広告