* A. 特徴選択
* 特徴選択は、データから最も関連性の高い特徴を選択するプロセスです。重要ではありますが、余分なデータを直接処理するものではありません。
* B. データサンプリング
* データ サンプリングでは、トレーニング用にデータの代表的なサブセットを選択します。必要以上のデータがある場合は、サンプリングを使用して、データセット全体の統計特性を維持する管理しやすいデータセットを作成できます。
* C. データのラベル付け
* データラベリングには、教師あり学習のためのデータへの注釈付けが含まれます。これはモデルのトレーニングに必要ですが、過剰なデータの問題には対処しません。
* D. データ拡張
* データ拡張は、既存のデータの修正バージョンを作成してトレーニング データセットのサイズを増やすために使用されます。これは、データが過剰にある場合ではなく、データが不足している場合に役立ちます。
したがって、正解は B です。トレーニング用に過剰な量のデータを処理する場合は、データ サンプリングが最も関連性の高いアクティビティであるためです。

提供された混同行列から精度、再現率、特異度を計算するには、次の式を使用します。
* 混同マトリックス:
* 実際に腐っている: 45 (真陽性)、8 (偽陽性)
* 実際に新鮮: 5 (偽陰性)、42 (真陰性)
* 正確さ：
* 精度は、全母集団における真の結果（真陽性と真陰性の両方）の割合です。
* 計算式: 精度=TP+TNTP+TN+FP+FN\text{精度} = \frac{TP + TN}{TP + TN + FP + FN}精度=TP+TN+FP+FNTP+TN
* 計算: 精度=45+4245+42+8+5=87100=0.87\text{精度} = \frac{45 + 42}{45 + 42
+ 8 + 5} = \frac{87}{100} = 0.87精度=45+42+8+545+42=10087=0.87
* 再現性（感度）:
* リコールは、実際の陽性結果の合計に対する真陽性結果の割合です。
* 式: 想起=TPTP+FN\text{想起} = \frac{TP}{TP + FN}想起=TP+FNTP
* 計算: 再現率=4545+5=4550=0.9\text{再現率} = \frac{45}{45 + 5} = \frac{45}{50}
0.9リコール=45+545=5045=0.9
* 特異性:
* 特異度は、実際の陰性結果の合計に対する真陰性結果の割合です。
* 式: 特異度 = TNTN + FP\text{特異度} = \frac{TN}{TN + FP}特異度 = TN + FPTN
* 計算: 特異度=4242+8=4250=0.84\text{特異度} = \frac{42}{42 + 8}
\frac{42}{50} = 0.84特異度=42+842=5042=0.84
したがって、精度、再現率、特異度の正しい組み合わせはそれぞれ 0.87、0.9、0.84 です。
参考文献:
* ISTQB CT-AI シラバスのセクション 5.1「混同行列」では、精度、再現率、特異度などのさまざまなメトリックを計算するための詳細な式と説明が提供されています。
* 「ML 機能パフォーマンス メトリクス」(ISTQB CT-AI シラバス、セクション 5)。

ML システムでテスト データを取得する際の課題: コンプライアンスのニーズ、時間の経過に伴うデータの性質の変化、および公開ソースからのデータの取得は、大きな課題です。データが迅速に生成されることは通常、課題ではありません。むしろ、トレーニングとテストに多くのデータを提供するため、メリットがあります。
参考:ISTQB_CT-AI_Syllabus_v1.0、データ準備とデータ品質の問題に関するセクション。

ニューラル ネットワークでは、ニューロンの活性化値は、前の層からの入力、接続の重み、およびニューロン レベルのバイアスの組み合わせによって決まります。詳細な内訳は次のとおりです。
* アクティベーション値の入力:
* 前の層のニューロンの活性化値: これらは、現在のニューロンへの入力として機能する、前の層のニューロンからの出力です。
* 接続に割り当てられた重み: ニューロン間の各接続には重みが関連付けられており、入力信号の強度と方向を決定します。
* ニューロン レベルでの個別のバイアス:各ニューロンには入力の合計を調整するバイアス値があり、活性化関数をシフトできます。
* 計算:
* 活性化値は、前の層からの重み付けされた入力を合計し、バイアスを追加することによって計算されます。
* 式: z=(wiai)+bz = \sum (w_i \cdot a_i) + bz=(wiai)+b、ここで wiw_iwi は重み、aia_iai は前のレイヤーからのアクティベーション値、bbb はバイアスです。
* 次に、この合計に活性化関数 (シグモイド、ReLU など) を適用して、最終的な活性化値を取得します。
* オプションAが正しい理由:
* オプション A は、活性化値の計算に関係するすべてのコンポーネント (個々のバイアス、前のレイヤーの活性化値、接続の重み) を正しく識別します。
* 他の選択肢を排除する:
* B. 前の層のニューロンの活性化値と、ニューロン間の接続に割り当てられた重み: このオプションでは、重要なバイアスが失われます。
* C. ニューロン レベルでの個々のバイアスと、ニューロン間の接続に割り当てられた重み: このオプションでは、前のレイヤーからのアクティブ化値が失われます。
* D. ニューロンレベルでの個々のバイアスと、前の層のニューロンの活性化値:
このオプションでは、重要な重みが失われます。
参考文献:
* ISTQB CT-AI シラバスのセクション 6.1「ニューラル ネットワーク」では、ニューラル ネットワーク内のニューロンのコンポーネントと機能について説明します。
* 「ニューラル ネットワークの活性化関数」(ISTQB CT-AI シラバス、セクション 6.1.1)。

A/B テストはスプリット テストとも呼ばれ、製品またはシステムの 2 つのバージョンを比較して、どちらがパフォーマンスが優れているかを判断するために使用される方法です。Web 開発、マーケティング、機械学習でユーザー エクスペリエンスとモデル パフォーマンスを最適化するために広く使用されています。オプション C が A/B テスト シナリオとして最も説明が少ない理由は次のとおりです。
* A/Bテストを理解する:
* A/B テストでは、システムまたは機能の 2 つのバージョン (A と B) を相互にテストします。目的は、ユーザー エンゲージメント、コンバージョン率、その他のパフォーマンス指標などの定義済みの指標に基づいて、どちらのバージョンのパフォーマンスが優れているかを測定することです。
* 機械学習への応用:
* ML システムでは、A/B テストでは、同じデータ セットで 2 つの異なるモデル、アルゴリズム、またはシステム構成を比較し、どちらがより良い結果をもたらすかを確認する場合があります。
* オプション C が最も説明的ではない理由:
* オプション C では、2 つの異なる入力データセットでの ML システムのパフォーマンスを比較する方法について説明します。
このシナリオでは、A/B テストの本質であるシステム バージョンや機能の比較ではなく、入力データのバリエーションに焦点を当てています。A/B テストでは通常、異なるデータセットではなく、同じ条件下で 2 つのバージョンをテストする制御された実験が行われます。
* その他のオプションの明確化:
* A. ユーザー受け入れの観点から、同じ会社の 2 つの異なる Web サイトを比較する: これは、Web サイトの 2 つのバージョンを比較する A/B テストの典型的な例です。
* B. 推奨システムで 2 つの異なるオファーを比較し、同じユーザーにとってより効果的なオファーを決定する: これは、推奨システムにおける A/B テストの別の例です。
* D. 同じ入力データに対する 2 つの異なる ML 実装のパフォーマンスの比較: これは、2 つの実装を同じ条件下で比較する A/B テスト モデルに適合します。
参考文献:
* ISTQB CT-AI シラバスのセクション 9.4「A/B テスト」では、さまざまなコンテキストでの A/B テストの方法論と適用について説明しています。
* 「A/B テストの理解」(ISTQB CT-AI シラバス)。