（解説あり）（ア）に最もよくあてはまる選択肢を 1 つ選べ.

ニューラルネットワークは高い表現力を持つ反面,過学習をしやすいという性質を持つため,それを改善させる方法が多数考案されている.例えば,学習の際に一部のノードを無効化する（ア）,一部の層の出力を正規化する（イ）,データの水増しをしてデータの不足を補う（ウ）,パラメータのノルムにペナルティを課す（エ）などがそれに当たる.

（解説あり）（イ）に最もよくあてはまる選択肢を 1 つ選べ.

ニューラルネットワークは高い表現力を持つ反面,過学習をしやすいという性質を持つため,それを改善させる方法が多数考案されている.例えば,学習の際に一部のノードを無効化する（ア）,一部の層の出力を正規化する（イ）,データの水増しをしてデータの不足を補う（ウ）,パラメータのノルムにペナルティを課す（エ）などがそれに当たる.

（解説あり）（ウ）に最もよくあてはまる選択肢を 1 つ選べ.

ニューラルネットワークは高い表現力を持つ反面,過学習をしやすいという性質を持つため,それを改善させる方法が多数考案されている.例えば,学習の際に一部のノードを無効化する（ア）,一部の層の出力を正規化する（イ）,データの水増しをしてデータの不足を補う（ウ）,パラメータのノルムにペナルティを課す（エ）などがそれに当たる.

（解説あり）（エ）に最もよくあてはまる選択肢を 1 つ選べ.

ニューラルネットワークは高い表現力を持つ反面,過学習をしやすいという性質を持つため,それを改善させる方法が多数考案されている.例えば,学習の際に一部のノードを無効化する（ア）,一部の層の出力を正規化する（イ）,データの水増しをしてデータの不足を補う（ウ）,パラメータのノルムにペナルティを課す（エ）などがそれに当たる.

（解説あり）（ア）～（ウ）に最もよくあてはまる組み合わせを 1 つ選べ.

学習率の値は学習の進み方に大きな影響を与える.例えば,学習率が過度に（ア）いとコスト関数の高い局所的最適解から抜け出せなくなることがある.また,大域的最適解に向かって収束している場合でも,学習率が（イ）いと,収束は速いがコスト関数の最終的な値が高く,逆に（ウ）くすると収束は遅いが最終的にはより最適解に近いパラメータになるため,コスト関数は小さな値に収束する.

（解説あり）（イ）に最もよくあてはまる選択肢を 1 つ選べ.

学習率の値は学習の進み方に大きな影響を与える.例えば,学習率が過度に（ア）とコスト関数の高い局所的最適解から抜け出せなくなることがある.また,大域的最適解に向かって収束している場合でも,学習率が（イ）と,収束は速いがコスト関数の最終的な値が高く,逆に（ウ）と収束は遅いが最終的にはより最適解に近いパラメータになるため,コスト関数は小さな値に収束する.

（解説あり）（ウ）に最もよくあてはまる選択肢を 1 つ選べ.

学習率の値は学習の進み方に大きな影響を与える.例えば,学習率が過度に（ア）とコスト関数の高い局所的最適解から抜け出せなくなることがある.また,大域的最適解に向かって収束している場合でも,学習率が（イ）と,収束は速いがコスト関数の最終的な値が高く,逆に（ウ）と収束は遅いが最終的にはより最適解に近いパラメータになるため,コスト関数は小さな値に収束する.

（解説あり）生成モデル（generative model）の一つであり,生成ネットワークと識別ネットワークの 2 つのネットワークを対抗させるように学習させることで,得られる生成モデル（generative model）の名称として最も適切なものを 1 つ選べ.

（解説あり）（ア）に最もよくあてはまる選択肢を 1 つ選べ.

データが少量しかないなどの理由で,対象のタスクを学習させることが困難なときに,関連する別のタスクで学習し,その学習済みの特徴やパラメータなどを利用することで効率的に対象のタスクを学習することができる.これを（ア）という.

（ア）に最もよくあてはまる選択肢を 1 つ選べ.

ディープラーニングは,ニューラルネットワークを多層化したものであり,観測データから本質的な情報である（ア）を自動的に抽出できる点が特徴である.また,従来の機械学習手法と比べると,（イ）という性質も持っている.