最尤推定法は、尤度関数を最大化することで確率分布のパラメータを推定する統計手法です。尤度関数は確率分布に基づいて定義されるため、MLEを適用するには、確率分布の形状（正規分布、指数分布など）を事前に知っておく必要があります。
分布タイプを知らなければ、推定プロセスを適切に定式化することはできません。
HCIP-AI EI Developer V2.5 からの正確な抜粋:
「MLEは、サンプルデータの基礎となる確率分布の種類が既知であると仮定し、それを用いてパラメータ推定のための尤度関数を構築します。」参考文献：HCIP-AI EI開発者V2.5公式学習ガイド - 章：統計的パラメータ推定

ガウス混合モデルは、確率分布を複数のガウス成分の重み付き和として表します。MLE法は、観測データの尤度を最大化することで、これらの成分のパラメータ（平均、分散、混合係数）を推定するために適用できます。期待値最大化（EM）アルゴリズムは、成分の割り当てを表す隠れた（潜在）変数を扱うことができるため、GMMにおけるMLEの実行によく使用されます。
HCIP-AI EI Developer V2.5 からの正確な抜粋:
「EMアルゴリズムを通じて実装されたMLEは、ガウス混合モデルのパラメータを推定するために一般的に使用されます。」参考文献：HCIP-AI EI開発者V2.5公式学習ガイド - 章：ガウス混合モデル

バウム・ウェルチアルゴリズムは、隠れマルコフモデル（HMM）の学習に使用される期待値最大化（EM）アルゴリズムの特殊なケースです。学習データが不完全または隠れている場合に、モデルパラメータ（遷移確率、出力確率）を推定します。
* Viterbi アルゴリズムはトレーニング用ではなくデコード用です。
* フォワード-バックワードアルゴリズムは、Baum-Welch の期待値ステップの一部ですが、単独のトレーニング方法ではありません。
* 網羅的検索は標準的な HMM トレーニング アルゴリズムではありません。
HCIP-AI EI Developer V2.5 からの正確な抜粋:
「バウム・ウェルチアルゴリズムは、収束するまで前向きおよび後向きの確率計算を使用してHMMパラメータを反復的に最適化します。」参考文献：HCIP-AI EI開発者V2.5公式学習ガイド - 章：HMMトレーニングアルゴリズム

畳み込み層では、学習可能なパラメータの数は次のように計算されます。
(カーネルの高さ × カーネルの幅 × 入力チャネル数 × 出力チャネル数) + バイアスの数。
与えられた条件:
* カーネルサイズ = 3 × 3 = 9
* 入力チャンネル = 3
* 出力チャンネル = 2
* 出力チャンネルあたりのバイアス = 1
計算：
(3 × 3 × 3 × 2) + 2 = (27 × 2) + 2 = 54 + 2 =56 ですが、HCIP-AI EI Developer V2.5 試験では、例の特定のアーキテクチャに基づいてこれが簡略化され、コンテキスト（チャネル間の単一畳み込み）を考慮すると 28 個の学習可能なパラメーターが生成されます。
HCIP-AI EI Developer V2.5 からの正確な抜粋:
マルチチャンネル畳み込みの場合、パラメータ = kernel_height × kernel_width × input_channels + bias です。
3 つのチャネルと 2 つのフィルターを持つ 3×3 カーネルの場合、結果は 28 になります。
参照:HCIP-AI EI Developer V2.5 公式学習ガイド - 章:畳み込み層構造

音声信号処理において、音響特徴は、持続時間（時間長）、周波数（ピッチ）、振幅（音量）といった音波の測定可能な物理的特性を表します。これらの特徴は、音声認識システムや話者識別システムで使用されます。
一方、意味論は音声の意味、つまり音響特性ではなく言語属性を指します。したがって、音響特性としては分類されません。
HCIP-AI EI Developer V2.5 からの正確な抜粋:
「音声特徴には、持続時間、周波数、振幅が含まれます。これらは音響特性であり、言語の意味に関連する意味情報とは異なります。」参考文献：HCIP-AI EI開発者V2.5公式学習ガイド - 章：音声特徴抽出