AIの基礎概念と歴史応用問題
画像分類モデルが特定のクラスに対して極めて高い確信度（90%以上の予測確率）を返しても、実際には予測が外れている場合が頻繁に起きています。このモデルはどのような問題を抱えていると考えられますか？
A.訓練データが著しく不足しており、新しいデータに対応できていない
✗ 訓練データ不足であれば、確信度の高低に関わらず精度が全体的に低下するはずです。選別的な外れが特徴ではありません。
B.モデルが過度に自信過剰（過信）になっており、キャリブレーション（予測確率の調整）が必要である← 正解
✓ 正解です。モデルの予測確率が実際の正確性を反映していない状態（キャリブレーション不良）です。温度スケーリングなどで改善できます。
C.活性化関数にReLUを使っているためで、シグモイドに変更すべきである
✗ 活性化関数の選択は出力の確信度ではなく、表現能力に影響します。この問題の原因ではありません。
D.逆伝播の学習率が高すぎるため、最適値を下回っている
✗ 学習率の問題であれば、全体的な精度低下として現れ、選別的な過信ではありません。
「AIの基礎概念と歴史」の他の問題
機械学習モデルが訓練データに過度に適合し、テストデータでの性能が低下した場合、このような状況を改善するためには、次のうち…深層学習モデルが新しいドメイン（異なるデータ分布）に対応する際、事前学習済みモデルを使用した転移学習を適用する場合、モデ…勾配消失問題が発生している深層ニューラルネットワークを改善する場合、次のうちどの施策の組み合わせが最も効果的ですか？自然言語処理タスクで、訓練データが極めて限定的な場合、次のうちどのアプローチが最も実用的ですか？時系列予測タスクで、長期的な依存関係を捉える際に通常のLSTMが困難を示した場合、改善策として最も適切なのはどれですか？機械学習モデルの訓練データが8,000サンプル、検証データが2,000サンプル、テストデータが1,000サンプルの場合、…