AI-900 Flashcards

https://learn.microsoft.com/ja-jp/credentials/certifications/exams/ai-900/practice/assessment?assessment-type=practice&assessmentId=26&context=sso&source=esi

1
Q

質問 1/50,,,質問 32/50

写真に基づいて人の年齢を識別する機能を提供する Computer Vision ソリューションはどれですか?

回答を 1 つだけ選択してください。

1) 顔検出
2) 画像の分類
3) 物体検出
4) セマンティック セグメンテーション

A

1) 顔検出

顔検出は、画像内の人間の顔を検出して分析する機能を提供します。これには、写真に基づいた人の年齢の識別も含まれます。 画像分類は、その内容に基づいて画像を分類します。 物体検出は、画像内のさまざまな種類の車両の位置を識別する境界ボックスを生成する機能を提供します。 セマンティック セグメント化では、画像内の個々のピクセルを分類する機能が提供されます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/4-understand-computer-vision

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

質問 2/50

画像を分類するときに Azure AI Vision でサポートされる 2 つの特殊なドメイン モデルはどれですか? 正しい解答はそれぞれ完全な解決策を示しています。

該当するすべての回答を選択してください。

  1. celebrities
  2. イメージの種類
  3. ランドマーク
  4. people_
  5. people_group
A

1) celebrities
3) ランドマーク

画像を分類する際、Azure AI Vision サービスは、著名人とランドマークという 2 つの特殊なドメイン モデルをサポートします。 画像の種類は、Computer Vision サービスの追加機能であり、クリップ アート画像や線画などの画像の種類を検出できます。 画像分類を実行する場合、people_とpeople_group の両方がサポートされるカテゴリです。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

質問 3/50,, 質問 34/50

出力の一部として境界の座標を提供する Computer Vision サービスはどれですか?

回答を 1 つだけ選択してください。

1) 画像解析
2) 画像の分類
3) 物体検出
4) セマンティック セグメンテーション

A

3) 物体検出

物体検出では、画像内の物体の位置を指定する境界ボックス座標など、画像内のさまざまな種類の物体の位置を識別する境界ボックスを生成する機能が提供されます。 セマンティック セグメント化では、画像内の個々のピクセルを分類する機能が提供されます。 画像分類は、その内容に基づいて画像を分類します。 画像分析では、画像から情報が抽出され、タグまたはキャプションでラベル付けされます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/4-understand-computer-vision

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

質問 4/50,, 質問 36/50

物体検出を使用できるプロセスはどれですか?

回答を 1 つだけ選択してください。

1) ニュース記事に関するセンチメントの分析
2) 手書き原稿からテキストを抽出する
3) 従業員に安全な建物へのアクセスを許可する
4) フィールド内の家畜の追跡

A

4) フィールド内の家畜の追跡

物体検出は、牛などの家畜を追跡し、その安全性と福祉の支援に使用できます。 たとえば、農家は、特定の動物が移動していないかどうかを追跡できます。 感情分析は、テキストの分析に基づいて数値を返すために使用されます。 従業員の安全な建物へのアクセスは、顔認識を使用して実現できます。 手書きの原稿からテキストを抽出することは、光学式文字認識 (OCR) を使用する Computer Vision ソリューションの一例です。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2b-computer-vision-models

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

質問 5/50, 質問 11/50,, 質問 35/50

一連の画像があります。 各画像は複数の車両を示しています。 同じ交通情報の監視画像でさまざまな車両の種類を識別できるのはなぜですか?

回答を 1 つだけ選択してください。

1) 画像の分類
2) 線形回帰
3) 物体検出
4) 光学式文字認識 (OCR)

A

3) 物体検出

物体検出を使用すると、交通監視画像を評価して、自動車、バス、サイクリストなどの特定の車両の種類をすばやく分類できます。 線形回帰は、回帰モデルのトレーニングに使用される機械学習トレーニング アルゴリズムです。 画像分類は、画像の主要なコンテンツに関連する Computer Vision の一部です。 OCR は、画像からテキストと手書きを抽出するために使用されます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2b-computer-vision-models

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

質問 6/50,,, 質問 39/50

Azure AI Vision サービスを使用してサポートされている 2 つの特殊なドメイン モデルはどれですか? 正しい解答はそれぞれ完全な解決策を示しています。

該当するすべての回答を選択してください。

  1. 動物
  2. 乗用車
  3. celebrities
  4. landmarks
  5. 植物
A
  1. celebrities
  2. landmarks

Azure AI Vision サービスは、著名人とランドマークという特殊なドメイン モデルをサポートします。 動物、自動車、植物の特殊なドメイン モデルはサポートされていません。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

質問 7/50, 質問 16/50, 質問 41/50

Azure AI Document Intelligence サービスを使用して、国際パスポートや売上勘定書からの情報をスキャンできる事前構築済みの 2 つのモデルはどれですか? 解答には、正しいそれぞれの回答が必要です。

該当するすべての回答を選択してください。

  1. 名刺モデル
  2. 身分証明書モデル
  3. 請求書モデル
  4. 言語モデル
  5. 領収書モデル
A
  1. 身分証明書モデル
  2. 請求書モデル

請求書モデルは、売上請求書から重要な情報を抽出するので、販売勘定伝票から情報を抽出するのに適しています。 ID ドキュメント モデルは、米国の運転免許証や国際パスポートの経歴ページから重要な情報を分析および抽出するように最適化されています。 名刺モデル、領収書モデル、言語モデルは、パスポートまたは販売勘定伝票から情報を抽出するのには適していません。

https://learn.microsoft.com/training/modules/analyze-receipts-form-recognizer/

https://learn.microsoft.com/azure/applied-ai-services/form-recognizer/concept-model-overview?view=form-recog-3.0.0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

質問 8/50, 質問 17/50

データ抽出機能の一部として一般的なデータ フィールドの識別を含む Azure AI Document Intelligence の 2 つのモデルはどれですか? 正しい解答はそれぞれ完全な解決策を示しています。

該当するすべての回答を選択してください。

  1. 名刺モデル
  2. 一般的なドキュメント モデル
  3. 請求書モデル
  4. レイアウト モデル
  5. 読み取りモデル
A

1) 名刺モデル
3) 請求書モデル

名刺モデルは、名刺の画像からキー情報を分析および抽出し、名前やメールなどの一般的なデータ フィールド抽出を含みます。 請求書モデルは、売上請求書からキー情報を抽出し、抽出のために請求書で使用される一般的なデータ フィールドを含みます。 読み取りモデル、レイアウト モデル、一般的なドキュメント モデルでは、一般的なデータ フィールドが識別および抽出されません。

https://learn.microsoft.com/azure/applied-ai-services/form-recognizer/concept-model-overview?view=form-recog-3.0.0

https://learn.microsoft.com/training/modules/analyze-receipts-form-recognizer/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

質問 9/50, 質問 18/50

Azure AI Face サービスの Face Detect API を使用する場合、人の顔に眼鏡や帽子が含まれるかどうかを識別するのに役立つ機能はどれですか?

回答を 1 つだけ選択してください。

1) 顔の属性
2) Face ID
3) 顔のランドマーク
4) 顔四角形

A

1) 顔の属性

顔属性は、Face Detect API で検出できる特徴のセットです。 アクセサリー (眼鏡、マスク、帽子など) などの属性を検出できます。 顔の四角形、顔 ID、顔のランドマークでは、人が眼鏡をかけていたり帽子をかぶっていたりするかどうか判断できません。

https://learn.microsoft.com/azure/cognitive-services/computer-vision/overview-identity

https://learn.microsoft.com/training/modules/detect-analyze-faces/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

質問 10/50, 質問 19/50

Azure AI Face サービスを使用する場合、一対多または一対一の顔照合を実行するには、何を使用する必要がありますか? 正しい解答はそれぞれ完全な解決策を示しています。

該当するすべての回答を選択してください。

  1. Custom Vision
  2. 顔の属性
  3. 顔識別
  4. 顔検証
  5. 似た顔を探す
A
  1. 顔識別
  2. 顔検証

Azure AI Face サービスの顔識別では、画像内の 1 つの顔と、セキュリティで保護されたリポジトリ内の一連の顔との 1 対多照合に対処できます。 また、顔検証には、画像内の顔をセキュリティで保護されたリポジトリや写真からの 1 つの顔と “1 対 1” で照合する機能があり、それらが同じ個人であるかどうかが確認されます。 顔属性、類似した顔の検索操作、Azure AI Custom Vision では、顔の ID は検証されません。

https://learn.microsoft.com/azure/cognitive-services/computer-vision/overview-identity

https://learn.microsoft.com/training/modules/detect-analyze-faces/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

質問 11/50, 質問 21/50,, 質問 23/50

自然言語処理 (NLP) のコンテキストにおいて、テキスト内の用語の統計分析の最初のステップは何ですか?

回答を 1 つだけ選択してください。

  1. ベクター化されたモデルの作成
  2. 各単語の出現回数をカウントする
  3. 単語を数値特徴としてエンコードする
  4. ストップ ワードの削除
A
  1. ストップ ワードの削除

ストップ ワードの削除は、NLP のコンテキストでテキストに使用される用語の統計分析の最初のステップです。 各単語の出現回数のカウントは、ストップ ワードが削除された後に行われます。 ベクター化されたモデルの作成は、統計分析の一部ではありません。 これは、単語間の意味的関係をキャプチャするために使用されます。 単語を数値特徴としてエンコードすることは、統計分析の一部ではありません。 これは、感情分析でよく使用されます。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-understand-text-analytics

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

質問 12/50, 質問 22/50, 質問 15/50

不明な言語名に対する自然言語処理 (NLP) の Azure AI Language 検出サービスによって返される信頼度スコアはいくつですか?

回答を 1 つだけ選択してください。

1) 1
2) -1
3) (NaN)
4) Unknown

A

3) (NaN)

NaN (not a number、数字ではありません) は、Unknown 信頼度スコアを示します。 Unknown は、NaN 信頼度スコアが関連付けられている値です。 スコア値の範囲は 0 から 1 で、0 は最も低い信頼度スコアを示し、1 は最も高い信頼度スコアを示します。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-get-started-azure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

質問 13/50, 質問 16/50

自然言語処理 (NLP) の音声合成のうち、各単語に音声を割り当てることができるように、テキストを個々の単語に分割するのはどの部分ですか?

回答を 1 つだけ選択してください。

1) レンマ化
2) キー フレーズ抽出
3) トークン化 (tokenization)
4) 転写

A

3) トークン化 (tokenization)

トークン化は音声合成の一部であり、テキストを個々の単語に分割して、各単語に発音を割り当てることができます。 文字起こしは音声認識の一部であり、音声のテキストへの変換が含まれます。 キー フレーズ抽出は、音声合成ではなく、言語処理の一部です。 レンマ化 (別名ステミング) は、音声合成ではなく、言語処理の一部です。

https://learn.microsoft.com/training/modules/recognize-synthesize-speech/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

質問 14/50, 質問 23/50, 質問 17/50, 質問 25/50

サポートの質問データから問題を特定したり、言及されている人や製品を特定したりできるようにする 2 つの Azure AI サービス機能はどれですか? 解答には、正しいそれぞれの回答が必要です。

該当するすべての回答を選択してください。

  1. Azure AI Bot Service
  2. 会話言語理解
  3. キー フレーズ抽出
  4. 固有表現認識
  5. Azure AI 音声サービス
A
  1. キー フレーズ抽出
  2. 固有表現認識

キー フレーズ抽出は、テキスト内の主要な概念を識別するためのキー フレーズの抽出に使用されます。 これにより、会社はサポートの質問データから主要な論点を特定し、共通する問題を特定できます。 固有表現認識は、非構造化テキストで人、場所、組織、数量などのエンティティを識別し、分類できます。 Azure AI 音声サービス、会話言語理解、Azure Bot Service は、キー フレーズやエンティティを識別するためには設計されていません。

https://learn.microsoft.com/azure/search/cognitive-search-skill-keyphrases

https://learn.microsoft.com/training/modules/extract-insights-text-with-text-analytics-service/

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

質問 15/50,,,質問 26/50

Azure AI Language サービスの言語検出機能によって返される 3 つの値はどれですか?

該当するすべての回答を選択してください。

  1. 境界ボックス座標
  2. ISO 6391 コード
  3. 言語名
  4. スコア
  5. ウィキペディアの URL
A
  1. ISO 6391 コード
  2. 言語名
  3. スコア

Azure の自然言語処理 (NLP) の言語サービスによって返される 3 つの値は、言語名、ISO 6391 コード、スコアです。 境界ボックス座標は、Azure の Azure AI Vision サービスによって返されます。 Wikipedia の URL は、エンティティ認識のエンティティ リンク設定によって返される可能性のある値の 1 つです。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-get-started-azure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

質問 17/50, 質問 27/50

カスタム翻訳ツールでのみ使用できるのは、Azure AI 翻訳サービスのどの機能ですか?

回答を 1 つだけ選択してください。

1) ドキュメント翻訳
2) 辞書を使用したモデル トレーニング
3) 話者認識
4) テキスト翻訳

A

2) 辞書を使用したモデル トレーニング

10,000 個の最小要件を満たすのに十分な並列文がない場合は、カスタム翻訳ツールで、辞書を使用したモデル トレーニングを使用できます。 結果のモデルは通常、完全なトレーニングよりもはるかに高速にトレーニングを完了し、追加した辞書と共に翻訳にベースライン モデルを使用します。

https://learn.microsoft.com/azure/cognitive-services/translator/custom-translator/overview

https://learn.microsoft.com/training/modules/intro-to-translator/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

質問 16/50

テキスト内の識別された用語のあいまいさをなくすために外部 Web サイトへのリンクを返す機能が含まれているのは、Azure AI Language サービスのどの機能ですか?

回答を 1 つだけ選択してください。

1) エンティティ認識
2) キー フレーズ抽出
3) 言語検出
4) 感情分析

A

1) エンティティ認識

エンティティ認識には、テキストで識別される用語 (エンティティ) のあいまいさを解消するために外部 Web サイトへのリンクを返すエンティティ リンク設定機能が含まれます。 キー フレーズ抽出は、ドキュメントのテキストを評価し、その主要な論点を特定します。 Azure AI Language の言語検出は、テキストが記述されている言語を特定します。 感情分析では、テキストを評価し、各文のセンチメント スコアとラベルを返します。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-get-started-azure

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

質問 18/50, 質問 28/50, 質問 21/50, 質問 29/50

Azure AI Service for Language を使用する場合、テキストから抽出されたエンティティに関する詳細情報をオンラインで提供するには、何を使用する必要がありますか?

回答を 1 つだけ選択してください。

1) エンティティ リンク設定
2) キー フレーズ抽出
3) 固有表現認識
4) テキスト翻訳

A

1) エンティティ リンク設定

エンティティ リンク設定は、テキストで見つかったエンティティの ID を識別し、あいまいさを解消します。 キー フレーズ抽出はエンティティの抽出には使用されず、代わりにキー フレーズを抽出してテキスト内の主な概念の特定に使用されます。 固有表現認識では、詳細情報を表示するための各エンティティのリンクは提供されません。 テキスト翻訳は Azure AI 翻訳サービスの一部です。

https://learn.microsoft.com/azure/cognitive-services/language-service/entity-linking/overview

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

質問 19/50,,,質問 30/50

個別のユーザー音声を識別できるのは、Azure AI 音声サービスのどの機能ですか?

回答を 1 つだけ選択してください。

1) 言語識別
2) 音声認識
3) 音声合成
4) 音声翻訳

A

2) 音声認識

音声認識では、音声データを使用して音声を分析し、個別のユーザーの音声にマップできる認識可能なパターンを決定します。 Azure AI の音声合成はデータの音声化に関係し、通常はテキストを音声に変換します。 Azure AI の音声翻訳は、音声の多言語翻訳に関係します。 言語識別は、サポートされている言語の一覧と照合する際に、オーディオで話されている言語を識別するために使用されます。

https://learn.microsoft.com/azure/cognitive-services/speech-service/speaker-recognition-overview

https://learn.microsoft.com/training/modules/recognize-synthesize-speech/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

質問 20/50, 質問 1/50, 質問 42/50, 質問 1/50

ナレッジ ベースの質問と回答を生成するために使用できる 3 つのソースは何ですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. Web ページ
  2. オーディオ ファイル
  3. 既存の FAQ ドキュメント
  4. イメージ ファイル
  5. 手動で入力されたデータ
A

1) Web ページ
3) 既存の FAQ ドキュメント
5) 手動で入力されたデータ

Web ページ、または質問と回答のペアを含むテキスト ファイルのような既存のドキュメントを使用して、ナレッジ ベースを生成できます。 ナレッジ ベースの質問と回答のペアを手動で入力することもできます。 イメージまたはオーディオ ファイルを直接使用してナレッジ ベースをインポートすることはできません。

https://learn.microsoft.com/training/modules/build-faq-chatbot-qna-maker-azure-bot-service/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

質問 21/50,, 質問 43/50

文を正しく補完する回答を選択します。

[回答の選択肢] は、プラグインを使用して、生成 AI モデルから一般的なタスクに関するヘルプを得る機能をエンド ユーザーに提供します。

回答を 1 つだけ選択してください。

1) コパイロット
2) Language Understanding ソリューション
3) 質問応答モデル
4) RESTful API サービス

A

1) コパイロット

コパイロットは、多くの場合、アプリケーションに統合され、ユーザーが生成 AI モデルから一般的なタスクに関するヘルプを取得する方法を提供します。 コパイロットは一般的なアーキテクチャに基づいているため、開発者はさまざまなビジネス固有のアプリケーションやサービス用のカスタム コパイロットを構築できます。

https://learn.microsoft.com/training/modules/fundamentals-generative-ai/5-copilots

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

質問 22/50, 質問 4/50, 質問 45/50, 質問 4/50

文を正しく補完する回答を選択します。

[回答の選択肢] は、生成 AI モデルの応答の制約とスタイルを識別するために使用できます。

回答を 1 つだけ選択してください。

1) データの接地
2) 埋め込み
3) システム メッセージ
4) トークン化

A

3) システム メッセージ

システム メッセージを使用して、期待値を記述してモデルのコンテキストを設定する必要があります。 システム メッセージに基づいて、モデルはプロンプトに応答する方法を認識します。 他の手法は、生成 AI モデルでも使用されますが、他のユース ケースにも使用されます。

https://learn.microsoft.com/training/modules/fundamentals-generative-ai/6-writing-prompts

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

質問 23/50, 質問 5/50, 質問 46/50, 質問 5/50

NIST AI リスク管理フレームワークによると、責任ある生成 AI ソリューションを開発する際に考慮すべき最初のステージは何ですか?

回答を 1 つだけ選択してください。

1) 潜在的な損害を特定します。
2) 潜在的な損害の存在を測定します。
3) 潜在的な損害を軽減します。
4) ソリューションを操作します。

A

1) 潜在的な損害を特定します。

潜在的な損害を特定することは、責任ある生成 AI ソリューションを計画する際の最初の段階です。

https://learn.microsoft.com/training/modules/responsible-generative-ai/2-plan-responsible-ai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

質問 24/50,, 質問 47/50, 質問 6/50

GPT モデルの例である 2 つの機能はどれですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. 自然言語を作成します。
  2. 言語の特定の方言を検出します。
  3. 動画からクローズド キャプションをリアルタイムで生成します。
  4. 音声を合成します。
  5. 自然言語処理を理解します。
A

1) 自然言語を作成します。
5) 自然言語処理を理解します。

Azure OpenAI の自然言語モデルでは、自然言語を扱い、応答を生成することができます。 GPT モデルは、自然言語の理解と作成の両方に優れています。

https://learn.microsoft.com/training/modules/explore-azure-openai/5-understand-openai-natural-language

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

質問 25/50, 質問 6/50, 質問 48/50

生成 AI モデルの画像生成機能の例である 3 つの機能はどれですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. 静的な画像のアニメーション
  2. 画像のバリエーションを作成する
  3. 画像の編集
  4. 画像から RGB 値を抽出する
  5. 新しい画像の作成
A

2) 画像のバリエーションを作成する
3) 画像の編集
5) 新しい画像の作成

イメージ生成モデルでは、プロンプト、基本イメージ、またはその両方を取得し、新しいものを作成できます。 これらの生成 AI モデルでは、現実的な画像と芸術的な画像の両方を作成したり、画像のレイアウトやスタイルを変更したり、提供された画像のバリエーションを作成したりできます。

https://learn.microsoft.com/training/modules/explore-azure-openai/7-understand-openai-image-generation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

質問 26/50, 質問 7/50, 質問 49/50

あなたは、DALL-E を生成 AI モデルとして使用する画像処理ソリューションを開発する予定です。

DALL-E モデルでサポートされていない機能はどれですか?

回答を 1 つだけ選択してください。

1) 画像の説明
2) イメージの編集
3) 画像の生成
4) 画像のバリエーション

A

1) 画像の説明

画像の説明は DALL-E モデルに含まれる機能ではないため、DALL-E を使用して実装できるユース ケースではありませんが、他の 3 つの機能は Azure OpenAI の DALL-E によって提供されます。

https://learn.microsoft.com/training/modules/explore-azure-openai/7-understand-openai-image-generation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

質問 27/50, 質問 8/50

自然言語プロンプトに基づいて画像を生成するために使用される生成 AI モデルはどれですか?

回答を 1 つだけ選択してください。

1) DALL-E
2) 埋め込み
3) GPT-3.5
4) GPT-4
5) Whisper

A

1) DALL-E

DALL-E は、自然言語から画像を生成できるモデルです。 GPT-4 と GPT-3.5 は、自然言語とコードを理解して生成できますが、画像はできません。 Embeddings では、テキストを数値ベクトル形式に変換して、テキストの類似性を容易にすることができます。 Whisper は、音声テキスト変換の文字起こしと翻訳ができます。

https://learn.microsoft.com/training/modules/explore-azure-openai/7-understand-openai-image-generation

https://learn.microsoft.com/azure/ai-services/openai/concepts/models

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

質問 28/50, 質問 9/50, 質問 50/50, 質問 9/50

文を正しく補完する回答を選択します。

[回答の選択肢] では、テキストのソースを検索、分類、比較して類似性を確認できます。

回答を 1 つだけ選択してください。

1) データの接地
2) 埋め込み
3) 機械学習
4) システム メッセージ

A

2) 埋め込み

Embeddings は、分析のためにテキストを数値ベクトルに変換する Azure OpenAI モデルです。 Embeddings を使用すると、テキストのソースを検索、分類、比較して類似性を確認できます。

https://learn.microsoft.com/training/modules/explore-azure-openai/4-how-to-use-azure-openai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

質問 29/50,,,質問 41/50

ライブ プレゼンテーション用のクローズド キャプション テキストを生成するために使用される自然言語処理 (NLP) ワークロードはどれですか?

回答を 1 つだけ選択してください。

1) Azure AI 音声
2) 会話言語理解 (CLU)
3) 質問応答モデル
4) テキスト分析

A

1) Azure AI 音声

Azure AI 音声は、音声認識と合成を通じて音声テキスト変換およびテキスト読み上げ機能を提供します。 高い精度での音声からテキストへの文字起こしから、会話での話者の識別や、カスタム音声の作成まで、Azure Cognitive Service for Speech サービスの事前構築済みとカスタムのモデルを、さまざまなタスクに使用できます。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-understand-text-analytics

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

質問 30/50, 質問 43/50, 質問 24/50, 質問 42/50

会話型人工知能 (AI) のプラットフォームを提供するサービスの種類はどれですか?

回答を 1 つだけ選択してください。

1) Azure AI Bot Service
2) Azure AI Document Intelligence
3) Azure AI Vision
4) Azure AI Translator

A

1) Azure AI Bot Service

Azure AI Bot Service は、ソフトウェア エージェントが会話に参加できるようにする、会話型人工知能 (AI) 用のプラットフォームを提供します。 Azure AI 翻訳は、自然言語処理 (NLP) の一部ですが、会話型 AI 用のプラットフォームとしては機能しません。 Azure AI Vision は、画像処理を扱います。 Azure AI Document Intelligence は、スキャンされたフォームや請求書から情報を抽出します。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/5-understand-natural-language-process

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

質問 31/50, 質問 44/50, 質問 25/50

チャット アプリケーションに統合し、テキスト形式でコンテンツを生成できる AI サービスはどれですか?

回答を 1 つだけ選択してください。

1) Azure AI Language
2) Azure AI Metrics Advisor
3) Azure AI Vision
4) Azure OpenAI

A

4) Azure OpenAI

Azure OpenAI は、会話エクスペリエンスを作成するためにチャット アプリケーションで使用できるテキストを生成できる唯一のサービスです。 他のワークロードは、さまざまな目的で使用される Azure Cognitive Services ですが、チャット アプリケーションで使用されるテキストを生成するためのものではありません。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/6-understand-generative-ai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

質問 32/50

大量のデータを検索可能にするという主な目的がある人工知能 (AI) ワークロードの種類はどれですか?

回答を 1 つだけ選択してください。

1) 画像解析
2) ナレッジ マイニング
3) 物体検出
4) セマンティック セグメンテーション

A

2) ナレッジ マイニング

ナレッジ マイニングは、大量のデータを検索可能にするという目的を持つ人工知能 (AI) ワークロードです。 他のワークロードでは、大量のデータにすばやくアクセスするためにインデックスを利用していますが、これは主な目的ではありません。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/6-understand-knowledge-mining

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

質問 33/50,,, 質問 43/50

自然言語処理 (NLP) の例である 2 つの人工知能 (AI) ワークロード シナリオはどれですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. オンラインの画像から手書きのテキストを抽出する
  2. 画像のタグと説明を生成する
  3. ネットワーク トラフィックの突然の急増を監視する
  4. ソーシャル メディア データに対する感情分析を実行する
  5. 製品レビューから異なる言語間のテキストを翻訳する
A
  1. ソーシャル メディア データに対する感情分析を実行する
  2. 製品レビューから異なる言語間のテキストを翻訳する

製品レビューのテキストを異なる言語間で翻訳することは、Azure AI 翻訳サービスを使用する NLP ワークロードであり、Azure AI サービスの一部です。 サポートされている言語のテキスト翻訳をリアルタイムで提供できます。 ソーシャル メディア データに対する感情分析の実行は、Azure AI Service for Language の感情分析機能を使用する NLP です。 これにより、テキストベースの文やドキュメントに対して、否定的、中立的、肯定的などのセンチメント ラベルが提供されます。

https://learn.microsoft.com/training/paths/explore-natural-language-processing/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

質問 34/50

責任ある人工知能 (AI) の原則のうち、AI ベースのソリューションの限界についての認識を高めるのはどれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) プライバシーとセキュリティ
3) 信頼性と安全性
4) 透明性

A

4) 透明性

透明性は、AI ソリューションの目的、動作方法、および制限事項に関する明確さを提供します。 プライバシーとセキュリティ、信頼性と安全性、アカウンタビリティの原則は、制限に関する認識を高めるのではなく、AI の機能に重点を置いています。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

https://learn.microsoft.com/training/paths/responsible-ai-business-principles/

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

質問 35/50

責任ある人工知能 (AI) の原則のうち、モデルの特徴によってもたらされるバイアスの評価と軽減が含まれるのはどれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 公平性
3) プライバシー
4) 透明性

A

2) 公平性

公平性には、モデルの特徴によってもたらされるバイアスの評価と軽減が含まれます。 プライバシーは、プライバシーのプロビジョニングが AI ソリューションに確実に含まれるようにすることを目的としています。 透明性は、AI ソリューションの目的、動作方法、および制限事項に関する明確さを提供します。 アカウンタビリティは、明確に定義された倫理的および法的基準を AI ソリューションが満たしていることを確保することに重点を置いています。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

質問 36/50,,質問 30/50, 質問 46/50

責任ある人工知能 (AI) の原則のうち、AI の制約と制限をユーザーが確実に理解できるように、AI システムの設計に適用されるのはどれですか?

回答を 1 つだけ選択してください。

1) 公平性
2) 包括性
3) プライバシーとセキュリティ
4) 透明性

A

4) 透明性

透明性の原則には、ユーザーがシステムの目的、システムの動作方法、使用中に期待できる制限を十分に認識できるように、AI システムを設計する必要があることが示されています。 包括性の原則には、AI システムが人々を積極的かつ魅力的な方法で支援する必要があることが示されています。 公平性は、システムのユーザーが公平に扱われるように AI システムに適用されます。 プライバシーとセキュリティの原則は、システムのセキュリティを確保し、ユーザーのプライバシーを尊重するために、AI システムの設計に適用されます。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

質問 37/50,,, 質問 48/50

医療データを管理する AI システムを設計する際に、最も重要な 2 つの責任ある人工知能 (AI) の原則はどれですか? 各正解は解答の一部を示します。

該当するすべての回答を選択してください。

  1. アカウンタビリティ
  2. 公平性
  3. 包括性
  4. プライバシーとセキュリティ
A

1) アカウンタビリティ
4) プライバシーとセキュリティ

アカウンタビリティの原則には、AI システムは、適用可能な倫理的および法的基準を満たすように設計されていることが示されています。 このシステムは、該当する場合はデータの匿名化を含めて、医療データのプライバシーが最も重要であることを保証するように設計する必要があります。 公平性の原則は、システムのユーザーが公平に扱われるように AI システムに適用されます。 包括性の原則には、AI システムが人々を積極的かつ魅力的な方法で支援する必要があることが示されています。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

37
Q

質問 38/50,,質問 31/50, 質問 49/50

責任ある人工知能 (AI) の原則のうち、AI システムが準拠する必要がある法的および倫理的な基準を満たすことを保証するのはどれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 公平性
3) 包括性
4) プライバシーとセキュリティ

A

1) アカウンタビリティ

アカウンタビリティの原則により、AI システムは、適用可能な倫理的および法的基準を満たすように設計されることが保証されます。 プライバシーとセキュリティの原則には、個人および機密データを保護するために AI システムを設計する必要があることが示されています。 包括性の原則には、AI システムが人々を積極的かつ魅力的な方法で支援する必要があることが示されています。 公平性の原則は、システムのユーザーが公平に扱われるように AI システムに適用されます。

https://learn.microsoft.com/training/paths/explore-computer-vision-microsoft-azure/

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

38
Q

質問 39/50, 質問 30/50, 質問 1/50, 質問 10/50

項目に関連付けられた数値ラベルを、その項目の特徴に基づいて予測する機械学習アルゴリズムの種類はどれですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) 回帰
4) 学習

A

3) 回帰

回帰アルゴリズムは、数値を予測するために使用されます。 クラスタリング アルゴリズムは、似た特性を持つデータ ポイントをグループ化します。 分類アルゴリズムは、入力値が属するカテゴリを予測するために使用されます。 教師なし学習は、クラスタリングを含むが回帰や分類を含まない学習アルゴリズムのカテゴリです。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

https://learn.microsoft.com/training/modules/understand-classification-machine-learning/2-what-is-classification

https://learn.microsoft.com/training/modules/train-evaluate-cluster-models/2-what-is-clustering

39
Q

質問 40/50,,質問 3/50

ある医療機関には、事前に定義済みの骨折の種類を使用して分類された、骨折のスキャンで構成されているデータセットがあります。 この組織は、スキャンが医師に送信される前に、機械学習を使用して新しいスキャンのさまざまな種類の骨折を検出したいと考えています。

これは、どの種類の機械学習ですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) featurization
4) 回帰

A

1) 分類

分類は、データのカテゴリを予測するために使用されます。 これは、データの項目が属するカテゴリまたはクラスを予測できます。 この例では、ラベル付きデータを含む分類を使用してトレーニングされた機械学習モデルを使用して、まだラベル付けされていない新しいスキャンで骨折の種類を判断することができます。 特徴量化は機械学習の種類ではありません。 回帰は数値の予測に使用されます。 クラスタリングは、ラベル付けされていないデータを分析して、データ内の類似点を見つけます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/7-clustering

40
Q

質問 41/50, 質問 35/50

回帰を教師あり機械学習の例にする特徴は何ですか?

回答を 1 つだけ選択してください。

1) 既知のラベル値を持つ履歴データを使用してモデルをトレーニングする
2) 不明なラベル値を持つ履歴データを使用してモデルをトレーニングする
3) 既知のラベル値を持つランダムに生成されたデータを使用してモデルをトレーニングする
4) 不明なラベル値を持つランダムに生成されたデータを使用してモデルをトレーニングする

A

1) 既知のラベル値を持つ履歴データを使用してモデルをトレーニングする

回帰は、既知のラベル値を持つ履歴データを使用してモデルをトレーニングすることによる教師あり機械学習の一例です。 回帰は、トレーニングのためにランダムに生成されたデータには依存しません。

https://learn.microsoft.com/training/modules/train-evaluate-regression-models/2-what-is-regression

https://learn.microsoft.com/training/modules/train-evaluate-cluster-models/2-what-is-clustering

41
Q

質問 42/50,,,質問 17/50

ある会社では、機械学習を使用して、天候に左右される電動スクーター レンタル サービスのさまざまな側面を予測しています。 これには、レンタル回数、平均走行距離、電動スクーターのバッテリーレベルへの影響の予測が含まれます。

機械学習モデルの場合、どの 2 つの属性が特徴ですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. 移動距離
  2. 電動スクーターのバッテリーレベル
  3. 電動スクーターのレンタル
  4. 気温
  5. 平日または週末
A
  1. 気温
  2. 平日または週末

気温および平日か週末かは、特定の日の気温と、その日が週末か平日かに基づいて値を提供する特徴です。 これらは、電動スクーターのバッテリー レベル、レンタル回数、移動距離のラベルを予測するのに役立つモデルの入力変数です。 電動スクーターのバッテリー レベル、レンタル回数、移動距離は、機械学習モデルを通じて予測しようとしている数値ラベルです。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

42
Q

質問 43/50, 質問 37/50, 質問 8/50

機械学習モデルの開発の一環として使用される検証データセットの目的は何ですか?

回答を 1 つだけ選択してください。

1) 欠測データのクリーニング
2) トレーニング済みモデルの評価
3) 特徴エンジニアリング
4) データの要約

A

2) トレーニング済みモデルの評価

検証データセットは、トレーニング データセットから保持されるデータのサンプルです。 その後、トレーニング済みモデルのパフォーマンスの評価に使用されます。 欠測データのクリーニングは、欠損値を検出し、データを修正したり、新しい値を作成したりする操作を実行するために使用されます。 特徴エンジニアリングは、データセットと関連するデータ変換プロセスの準備の一部です。 データの要約は、列内の個別の値の平均や数などの概要の統計情報を提供するために使用されます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

43
Q

質問 44/50

データセットを準備した後、および機械学習モデルをトレーニングする前に、何を行う必要がありますか?

回答を 1 つだけ選択してください。

1) 欠測データのクリーニング
2) データを正規化する
3) トレーニングおよび検証データセットにデータを分割する
4) データを集計する

A

3) トレーニングおよび検証データセットにデータを分割する

データをトレーニングおよび検証データセットに分割すると、2 つのデータセットが残ります。1 つ目かつ最大のデータセットは、モデルのトレーニングに使用するトレーニング データセットです。 2 つ目の小さいデータセットは、保持されているデータであり、トレーニング済みのモデルの評価に使用されるため、検証データセットと呼ばれます。 データの正規化または集計が必要な場合は、それらはデータ変換の一部として実行されます。 欠測データのクリーニングは、データとデータ変換プロセスの準備の一部です。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

44
Q

質問 45/50,,質問 9/50, 質問 19/50

あなたは、自動機械学習 (自動 ML) モデルを作成する必要があります。

Azure Machine Learning スタジオで最初に作成する必要があるリソースはどれですか?

回答を 1 つだけ選択してください。

1) データセット
2) ワークスペース
3) Azure コンテナー インスタンス
4) Azure Kubernetes Service (AKS) クラスター

A

1) データセット

自動機械学習 (自動 ML) の実行を作成するには、データセットが必須です。 Machine Learning スタジオにアクセスするには、ワークスペースを作成する必要があります。 モデルのトレーニングが完了したら、Azure コンテナー インスタンスと AKS クラスターをデプロイ ターゲットとして作成できます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

45
Q

質問 46/50, 質問 39/50, 質問 10/50, 質問 20/50

あなたは、機械学習モデルをトレーニングするために、Azure Machine Learning デザイナーを使用する必要があります。

Machine Learning デザイナーで最初に何を行う必要がありますか?

回答を 1 つだけ選択してください。

1) データセットを追加する。
2) トレーニング モジュールを追加する。
3) パイプラインを作成します。
4) サービスをデプロイする。

A

3) パイプラインを作成します。

機械学習モデルのトレーニングを開始する前に、まず Machine Learning デザイナーでパイプラインを作成する必要があります。 その後、データセットを追加し、トレーニング モジュールを追加し、最終的にサービスをデプロイします。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

46
Q

質問 47/50

あなたは、Azure Machine Learning デザイナーを使用して、新しくトレーニングされたモデルから予測サービスをデプロイする必要があります。

Machine Learning デザイナーで最初に何を行う必要がありますか?

回答を 1 つだけ選択してください。

1) データセットを追加する。
2) トレーニング モジュールを追加する。
3) 推論パイプラインを作成する。
4) 推論クラスターを作成する。

A

3) 推論パイプラインを作成する。

Machine Learning デザイナーを使用して新しくトレーニングされたモデルから予測サービスをデプロイするには、まず Machine Learning デザイナーでパイプラインを作成する必要があります。 既に存在するトレーニング済みのモデルを作成する前に、Machine Learning デザイナーを使用してトレーニング モジュールを追加します。 Machine Learning デザイナーを使用してデータセットを追加するには、パイプラインが既に存在している必要があります。 推論クラスターを作成するには、Machine Learning スタジオを使用する必要があります。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

47
Q

質問 48/50

あなたは、Azure Machine Learning スタジオで自動機械学習 (自動 ML) を使用して、回帰モデルをトレーニングします。 最適なモデルの概要を確認します。

他のユーザーがインターネットから使用できるように、あなたはモデルを公開する必要があります。

次に何をする必要がありますか?

回答を 1 つだけ選択してください。

1) コンピューティング クラスターを作成します。
2) モデルをエンドポイントにデプロイする。
3) トレーニングおよび検証データセットにデータを分割する。
4) デプロイされたサービスをテストする。

A

2) モデルをエンドポイントにデプロイする。

エンドポイントを使用すると、インターネット経由で使用するクライアント アプリケーションに最適なパフォーマンス モデルをデプロイできます。 コンピューティング クラスターはモデルのトレーニングに使用され、Machine Learning ワークスペースを作成した直後に作成されます。 モデルのエンドポイントをテストする前に、まずエンドポイントにデプロイする必要があります。 自動 ML では検証が自動的に実行されるため、データセットを分割する必要はありません。

https://learn.microsoft.com/azure/machine-learning/concept-automated-ml

https://learn.microsoft.com/en-us/training/modules/fundamentals-machine-learning/4-regression

48
Q

質問 49/50,, 質問 11/50

Azure Machine Learning スタジオで自動機械学習 (自動 ML) を使用してトレーニングできるのは、どの 3 つの教師あり機械学習モデルですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

  1. 分類
  2. クラスタリング
  3. 推論パイプライン
  4. 回帰
  5. 時系列予測
A

1) 分類
4) 回帰
5) 時系列予測

時系列予測、回帰、分類は、教師あり機械学習モデルです。 自動 ML 学習は、分類アルゴリズムを使用してカテゴリまたはクラスを、回帰アルゴリズムの一部として数値を、時系列データを使用して将来のある時点を予測することができます。 推論パイプラインは機械学習モデルではありません。 クラスタリングは教師なし機械学習であり、自動 ML は教師あり学習アルゴリズムでのみ機能します。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

49
Q

質問 50/50,,,質問 21/50

Azure Machine Learning デザイナーでモデルをトレーニングするための、教師なし機械学習アルゴリズム モジュールとは何ですか?

回答を 1 つだけ選択してください。

1) 分類
2) K-Means クラスタリング
3) 線形回帰
4) データの正規化

A

2) K-Means クラスタリング

K-Means クラスタリングは、クラスタリング モデルのトレーニングに使用される教師なし機械学習アルゴリズム コンポーネントです。 このアルゴリズムでは、ラベル付けされていないデータを使用できます。 線形回帰と分類は、教師あり機械学習アルゴリズム コンポーネントです。 これらのアルゴリズムを使用するには、ラベル付きデータが必要です。 データの正規化は機械学習アルゴリズム モジュールではありません。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/7-clustering

50
Q

質問 2/50,, 質問 44/50, 質問 2/50

責任ある生成 AI ソリューションのプロンプトと応答を抑制するために、どのレイヤーでコンテンツ フィルターを適用できますか?

回答を 1 つだけ選択してください。

1) メタプロンプトおよびグラウンディング
2) モデル
3) 安全システム
4) ユーザー エクスペリエンス

A

3) 安全システム

安全システム層には、危害の軽減に役立つプラットフォームレベルの構成と機能が含まれます。 たとえば、Azure OpenAI サービスには、潜在的な損害 (ヘイト、性的、暴力、自傷) の 4 つのカテゴリについて、コンテンツを 4 つの重大度レベル (安全、低、中、高) に分類した場合にプロンプトと応答を抑制する条件を適用するコンテンツ フィルターのサポートが含まれています。

https://learn.microsoft.com/training/modules/responsible-generative-ai/5-mitigate-harms

51
Q

質問 3/50,,,質問 3/50

文を正しく補完する回答を選択します。

[回答の選択肢] は、自然言語入力に基づいて、自然言語、画像、コードなどの応答を返すことができます。

回答を 1 つだけ選択してください。

1) Computer Vision
2) ディープ ラーニング
3) 生成 AI
4) 機械学習
5) 強化学習

A

3) 生成 AI

生成 AI モデルは、自然言語から画像を生成するなど、DALL-E モデルを使用してプロンプトに基づいて画像を生成する機能を提供します。 他の AI 機能は、他の目標を達成するためにさまざまなコンテキストで使用されます。

https://learn.microsoft.com/training/modules/fundamentals-generative-ai/2-what-is-generative-ai

52
Q

質問 10/50,, 質問 37/50, 質問 34/50

一連の画像があります。 各画像は、1 つの種類の骨折を示しています。 さまざまな X 線画像で骨折を識別できるのはなぜですか?

回答を 1 つだけ選択してください。

1) 会話型人工知能 (AI)
2) 顔検出
3) 画像の分類
4) 物体検出

A

3) 画像の分類

画像分類は Computer Vision の一部であり、X 線機器からの画像を評価して、特定の骨折の種類をすばやく分類するために使用できます。 これは、診断と治療計画の改善に役立ちます。 画像分類モデルは、骨折の分類を容易にするためにトレーニングされます。 物体検出は、画像内の識別された物体 (猫、人、椅子など) を返すために使用されます。 会話型 AI は、自然言語を使用して人と対話できるインテリジェントなボットを作成するために使用されます。 顔検出は、画像内の人間の顔の位置を検出するために使用されます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2b-computer-vision-models

53
Q

質問 12/50,, 質問 38/50, 質問 36/50

手書きの署名をスキャンできる出席システムに使用できる機能は何ですか?

回答を 1 つだけ選択してください。

1) 顔検出
2) 画像の分類
3) 物体検出
4) 光学式文字認識 (OCR)

A

4) 光学式文字認識 (OCR)

OCR は、画像からテキストと手書きを抽出するために使用されます。 この場合、出席のための署名の抽出に使用できます。 顔検出では、画像からテキストではなく人間の顔を検出して検証できます。 物体検出では、境界ボックス座標を使用して、画像内の複数の物体を検出できます。 これは、手書きのテキストの抽出には使用されません。 画像分類は、画像の主要なコンテンツに関連する Computer Vision の一部です。

https://learn.microsoft.com/training/modules/read-text-computer-vision/

54
Q

質問 13/50,,,質問 37/50

画像の属性を要約したメタデータに画像を関連付ける Computer Vision の機能はどれですか?

回答を 1 つだけ選択してください。

1) 分類
2) コンテンツの整理
3) イメージの種類の検出
4) タグを付ける

A

4) タグを付ける

タグ付けには、画像の属性を要約したメタデータに画像を関連付けることが含まれます。 画像の種類の検出には、クリップアート画像や線画の識別が含まれます。 コンテンツの整理には、写真内のユーザーまたは物体の識別と、識別に基づいた整理が含まれます。 分類には、画像の内容を限られたカテゴリセットに関連付けることが含まれます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

55
Q

質問 14/50,, 質問 39/50, 質問 38/50

Azure AI Vision サービスを使用すると不要になる機械学習プロセスの 3 つの部分はどれですか? 解答には、正しいそれぞれの回答が必要です。

該当するすべての回答を選択してください。

  1. Azure リソースのプロビジョニング
  2. モデルの選択
  3. モデルの評価
  4. 推論
  5. モデルのトレーニング
A
  1. モデルの選択
  2. モデルの評価
  3. モデルのトレーニング

Computer Vision サービスでは、事前トレーニング済みのモデルを提供することで、モデルの選択、トレーニング、評価を行う必要がなくなります。 Computer Vision を使用するには、Azure リソースを作成する必要があります。 Computer Vision の使用には推論が含まれます。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2b-computer-vision-models

56
Q

質問 15/50

境界ボックス座標を返すのは、Azure AI Vision サービスのどの分析タスクですか?

回答を 1 つだけ選択してください。

1) 画像の分類
2) 物体検出
3) 光学式文字認識 (OCR)
4) タグを付ける

A

2) 物体検出

物体を検出すると、共通のオブジェクトが識別され、それぞれに対して境界ボックス座標が返されます。 画像分類により、画像にカテゴリが割り当てられますが、境界ボックス座標は返されません。 タグ付けにより、画像が画像の属性を要約したメタデータに関連付けられますが、境界ボックス座標は返されません。 OCR により、画像内の印刷および手書きのテキストが検出されますが、境界ボックス座標は返されません。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

57
Q

質問 20/50,,質問 14/50

airplane (飛行機) などの単語よりも plant (植物) と flower (花) が互いに近いと見なされるように、単語に値を割り当てる自然言語処理 (NLP) 手法はどれですか?

回答を 1 つだけ選択してください。

1) 頻度分析
2) レンマ化
3) N-grams (N-gram)
4) ベクター化

A

4) ベクター化

ベクター化は、単語を n 次元空間内の場所に割り当てて、単語間の意味的関係をキャプチャします。 レンマ化 (別名ステミング) は、単語をカウントする前に正規化します。 頻度分析では、単語がテキストに出現する頻度がカウントされます。 N グラムは、複数の語句を含めるように頻度分析を拡張します。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-understand-text-analytics

58
Q

質問 24/50,,質問 18/50,質問 27/50

音声テキスト変換 API で使用されるユニバーサル言語モデルは、どのシナリオで最適化されていますか? 正しい解答はそれぞれ完全な解決策を示しています。

該当するすべての回答を選択してください。

  1. 音響
  2. 会話エクスペリエンスを生成したいと
  3. ディクテーション
  4. language
  5. 発音
A
  1. 会話エクスペリエンスを生成したいと
  2. ディクテーション

音声テキスト変換 API で使用されるユニバーサル言語モデルは、会話とディクテーションのシナリオ向けに最適化されています。 音響、言語、発音のシナリオでは、独自のモデルを開発する必要があります。

https://learn.microsoft.com/training/modules/recognize-synthesize-speech/2-get-started-azure

59
Q

質問 25/50,, 質問 19/50, 質問 28/50

Azure AI 翻訳サービスでサポートされる翻訳の種類はどれですか?

回答を 1 つだけ選択してください。

1) 音声間チャット
2) 音声テキスト変換
3) テキスト読み上げ
4) テキスト間

A

4) テキスト間

Azure AI 翻訳サービスでは、テキストからテキストへの翻訳はサポートされていますが、音声からテキスト、テキストから音声、音声から音声への翻訳はサポートされていません。

https://learn.microsoft.com/training/modules/translate-text-with-translation-service/2-get-started-azure

60
Q

質問 26/50,, 質問 20/50

1 つのエンドポイントと認証キーを介して Azure AI 翻訳サービスと Azure AI 音声サービスの両方に直接アクセスできる Azure リソースはどれですか?

回答を 1 つだけ選択してください。

1) Azure AI Bot Service
2) Azure AI Services
3) Azure Machine Learning
4) Azure AI Language サービス

A

2) Azure AI Services

Azure AI サービスを使用すると、1 つのエンドポイントと認証キーを介して Azure AI 翻訳サービスと Azure AI 音声サービスの両方に直接アクセスできます。 Azure AI Language サービスを使用して Azure AI Language サービスにアクセスできますが、Azure AI 翻訳サービスと Azure AI 音声サービスにアクセスすることはできません。 Machine Learning service は、Machine Learning モデルの設計、実装、デプロイに使用されます。 Azure AI Bot Service を使用すると、Azure でボットを開発、公開、管理するためのフレームワークが提供されます。

https://learn.microsoft.com/training/modules/translate-text-with-translation-service/2-get-started-azure

61
Q

質問 29/50

あなたは、年齢と体脂肪率に基づいて人が糖尿病を発症する確率を表す数値を特定する必要があります。

どの種類の機械学習モデルを使用する必要がありますか?

回答を 1 つだけ選択してください。

1) 階層クラスタリング
2) 線形回帰
3) ロジスティック回帰
4) 多重線形回帰

A

3) ロジスティック回帰

多重線形回帰では、2 つ以上の特徴と 1 つのラベルの間の関係がモデル化されます。 線形回帰では、単一の特徴が使用されます。 ロジスティック回帰は分類モデルの一種であり、ブール値またはカテゴリの決定のいずれかを返します。 階層クラスタリングは、似た特性を持つデータ ポイントをグループ化します。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

https://learn.microsoft.com/training/modules/understand-classification-machine-learning/2-what-is-classification

62
Q

質問 31/50

トレーニングとラベル予測の検証に依存せずに、データセットをグループに分割する最適な方法を見つける機械学習アルゴリズムの種類はどれですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) 回帰
4) 教師あり

A

2) クラスターリング

クラスタリング アルゴリズムは、教師なし学習の一例であり、ラベル予測のトレーニングと検証に依存せずに、類似した特性を持つデータ ポイントをグループ化します。 教師あり学習は、回帰と分類を含むが、クラスタリングは含まない学習アルゴリズムのカテゴリです。 分類と回帰アルゴリズムは、教師あり機械学習アルゴリズムの例です。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

https://learn.microsoft.com/training/modules/understand-classification-machine-learning/2-what-is-classification

https://learn.microsoft.com/training/modules/train-evaluate-cluster-models/2-what-is-clustering

63
Q

質問 32/50,,,質問 13/50

ある電力会社は、顧客が自分のエネルギー使用量を監視し、今後 12 か月間の予測エネルギー使用量を表示するモバイル アプリを開発したいと考えています。 同社は、機械学習を使用して、顧客の以前のエネルギー使用データを使用して、将来のエネルギー使用量をある程度正確に予測したいと考えています。

これは、どの種類の機械学習ですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) 多クラス分類
4) 回帰

A

4) 回帰

回帰は、数値を予測するために使用される機械学習シナリオです。 この例では、回帰は、季節の天気や休暇期間などの要因に基づいて過去の時系列エネルギー データを分析することによって、将来のエネルギー消費量を予測できます。 マルチクラスは、データのカテゴリを予測するために使用されます。 クラスタリングでは、ラベル付けされていないデータを分析して、データに存在する類似点を見つけます。 分類は、データのカテゴリを予測するために使用されます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

64
Q

質問 33/50,,質問 4/50, 質問 14/50

ある小売業者は、マーケティング チームが新製品発売の対象を絞ったマーケティング キャンペーンを作成できるように、似た属性を持つオンラインの買い物客をグループ化したいと考えています。

これは、どの種類の機械学習ですか?

回答を 1 つだけ選択してください。

1) classification
2) クラスターリング
3) 多クラス分類
4) 回帰

A

2) クラスターリング

クラスタリングは、ラベル付けされていないデータを分析してデータ内に存在する類似点を見つける機械学習の種類です。 次に、似たデータをグループ化 (クラスター化) します。 この例では、会社は人口統計データやショッピング行動を含む属性に基づいて、オンライン顧客をグループ化できます。 その後、この会社は関心を持つ可能性が最も高い顧客グループに新製品を推奨できます。 分類とマルチクラス分類は、データのカテゴリを予測するために使用されます。 回帰は、数値を予測するために使用される機械学習シナリオです。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

65
Q

質問 34/50,,質問 6/50, 質問 15/50

回帰機械学習アルゴリズムでは、特徴とラベルは検証データセットでどのように処理されますか?

回答を 1 つだけ選択してください。

1) 特徴は、トレーニング データセット内の特徴値と比較されます。
2) 特徴は、ラベルの予測を生成するために使用されます。これは、実際のラベル値と比較されます。
3) ラベルは、トレーニング データセット内のラベル値と比較されます。
4) ラベルは、実際の特徴値と比較される特徴の予測を生成するために使用されます。

A

2) 特徴は、ラベルの予測を生成するために使用されます。これは、実際のラベル値と比較されます。

回帰機械学習アルゴリズムでは、特徴を使用してラベルの予測を生成します。これは、実際のラベル値と比較されます。 検証およびトレーニング データセットの間で、特徴やラベルを直接比較することはありません。

https://learn.microsoft.com/training/modules/train-evaluate-regression-models/2-what-is-regression

66
Q

質問 36/50

回帰機械学習アルゴリズムで、トレーニング データセットの特徴とラベルの特性は何ですか?

回答を 1 つだけ選択してください。

1) 既知の特徴とラベルの値
2) 既知の特徴値と不明なラベルの値
3) 不明な特徴とラベルの値
4) 不明な特徴値と既知のラベルの値

A

1) 既知の特徴とラベルの値

回帰機械学習アルゴリズムでは、トレーニング セットに既知の特徴とラベル値が含まれています。

https://learn.microsoft.com/training/modules/train-evaluate-regression-models/2-what-is-regression

67
Q

質問 38/50

あなたは、Azure Machine Learning を使用して回帰モデルをトレーニングする必要があります。

Machine Learning スタジオで何を作成する必要がありますか?

回答を 1 つだけ選択してください。

1) ジョブ
2) ワークスペース
3) Azure コンテナー インスタンス
4) Azure Kubernetes Service (AKS) クラスター

A

1) ジョブ

Machine Learning を使用して回帰モデルをトレーニングするには、Machine Learning スタジオでジョブを作成する必要があります。 Machine Learning スタジオにアクセスするには、ワークスペースを作成する必要があります。 モデルのトレーニングが完了したら、Azure コンテナー インスタンスと AKS クラスターをデプロイ ターゲットとして作成できます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

68
Q

質問 41/50,, 質問 22/50

画像内のさまざまな種類の車両の位置を識別する境界ボックスを生成する機能を提供する人工知能 (AI) ワークロードの種類はどれですか?

回答を 1 つだけ選択してください。

1) 画像解析
2) 画像の分類
3) 光学式文字認識 (OCR)
4) 物体検出

A

4) 物体検出

物体検出は、画像内のさまざまな種類の車両の位置を識別する境界ボックスを生成する機能を提供します。 回答の他の選択肢も画像を処理しますが、結果は異なります。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/4-understand-computer-vision

69
Q

質問 42/50,, 質問 23/50

画像内の個々のピクセルを、それらが表すオブジェクトに応じて分類する機能を提供する人工知能 (AI) ワークロードの種類はどれですか?

回答を 1 つだけ選択してください。

1) 画像解析
2) 画像の分類
3) 物体検出
4) セマンティック セグメンテーション

A

4) セマンティック セグメンテーション

セマンティック セグメント化により、表す物体に応じて、画像内の個々のピクセルを分類する機能が提供されます。 回答の他の選択肢も画像を処理しますが、結果は異なります。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/4-understand-computer-vision

70
Q

質問 45/50

自然言語処理 (NLP) の例である人工知能 (AI) ワークロード シナリオはどれですか?

回答を 1 つだけ選択してください。

1) ビジネス分析情報レポートからキー フレーズを抽出する
2) 横向きの画像内の物体を識別する
3) サインイン試行の失敗数の急激な増加の監視
4) 以前の購入に基づいて、顧客が製品を購入する可能性があるかどうかを予測する

A

1) ビジネス分析情報レポートからキー フレーズを抽出する

テキストからキー フレーズを抽出して主な用語を識別することは、NLP ワークロードです。 顧客が以前の購入に基づいて製品を購入する可能性があるかどうかを予測するには、機械学習モデルを開発する必要があります。 サインイン試行の失敗数の急激な増加の監視は、別のワークロードです。 横向きの画像内のオブジェクトを識別することは Computer Vision のワークロードです。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/

71
Q

質問 46/50,, 質問 26/50

あなたは、従業員のドキュメント検索とインデックス作成サービスを改善するためのソリューションを検討しています。

画像などの、さまざまな種類のドキュメントでテキストを検索する人工知能 (AI) 検索ソリューションが必要です。

これはどの種類の AI ワークロードですか?

回答を 1 つだけ選択してください。

1) セマンティック セグメンテーション
2) Computer Vision
3) 会話型 AI
4) データ マイニング

A

4) データ マイニング

データ マイニング ワークロードは、主にデータの検索とインデックス作成に焦点を当てています。 コンピューター ビジョンを使用して画像から情報を抽出できますが、これは検索とインデックス作成のソリューションではありません。 会話型 AI は自然言語処理 (NLP) の一部であり、チャットボットの作成を支援します。 セマンティック セグメント化により、表す物体に応じて、画像内の個々のピクセルを分類する機能が提供されます。

https://learn.microsoft.com/training/paths/explore-fundamentals-of-knowledge-mining/

72
Q

質問 47/50, 質問 27/50,, 質問 44/50

責任ある人工知能 (AI) の原則のうち、AI ソリューションが性別や民族性に関係なく社会のあらゆる部分に利益をもたらすという目的を持つのはどれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 包括性
3) プライバシーとセキュリティ
4) 信頼性と安全性

A

2) 包括性

包括性の原則は、身体能力、性別、性的指向、民族性などの基準に関係なく、AI ソリューションがすべての人に力を与え、参加させることを保証することを目的としています。 プライバシーとセキュリティ、信頼性と安全性、アカウンタビリティは、これらの基準に基づいて差別されるものではありませんが、社会のあらゆる部分に利益をもたらす意義を強調するものではありません。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

73
Q

質問 48/50,, 質問 28/50

責任ある人工知能 (AI) の原則のうち、AI ソリューションの倫理的および法的基準を満たすガバナンスと組織の原則のフレームワークを定義するのはどれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 公平性
3) 包括性
4) 透明性

A

1) アカウンタビリティ

アカウンタビリティは、ガバナンスと組織の原則のフレームワークを定義します。これは、AI ソリューションが明確に定義されている倫理的および法的基準を確実に満たすことを目的としています。 その他の回答の選択肢は、ガバナンスと組織の原則のフレームワークを定義するのではなく、対応する標準の倫理的および法的側面に関するガイダンスを提供します。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

74
Q

質問 49/50,,,質問 47/50

ある銀行は、住宅ローン申請の受け入れまたは拒否のプロセスをサポートする新しい人工知能 (AI) システムを開発しています。

偏った意思決定を避けるために、責任ある AI の公平性の原則の一部として考慮すべき 2 つの問題はどれですか? 各正解は解答の一部を示します。

該当するすべての回答を選択してください。

  1. クレジット使用率
  2. 現在の給与
  3. ethnicity
  4. 性別
  5. 支払履歴
A
  1. ethnicity
  2. 性別

AI システムは、民族や性別などの要因に基づくことなく、偏った意思決定が回避されるように設計する必要があります。 システムにより、給与、支払い履歴、クレジットの使用状況が考慮されます。 これらは標準的メトリックです。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

75
Q

質問 50/50,,, 質問 50/50

ある会社は現在、作物の収穫に役立つ無人農業車両を開発しています。 この車両は作物分野で働く人々と一緒に展開されるため、同社は信頼性の高いテストを行う必要があります。

この場合、責任ある人工知能 (AI) のどの原則が最も重要ですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 包括性
3) 信頼性と安全性
4) 透明性

A

3) 信頼性と安全性

AI システムは、AI によって制御される機械を使用して物理的な環境内で人々と連携する必要があるため、ここでは信頼性と安全性の原則が最も重要です。 システムは安全に機能し、人命に害を及ぼさないことが保証される必要があります。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

76
Q

質問 2/50,,,質問 11/50

特定の地理的な場所の降水量を予測することは、どの機械学習の種類の例ですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) featurization
4) 回帰

A

4) 回帰

降水量の予測は回帰機械学習の一例であり、季節などの要因に基づいて時系列の過去の降水量データを使用して将来の降水量の数値を予測します。 クラスタリングは、ラベル付けされていないデータを分析してデータ内の類似点を見つける機械学習の種類です。 特徴量化は機械学習の種類ではなく、特徴エンジニアリング、データスケーリング、正規化などの手法のコレクションです。 分類は、データのカテゴリを予測するために使用されます。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/4-regression

77
Q

質問 5/50

あなたは、機械学習を使用して、人が糖尿病を発症する確率を年齢と体脂肪率に基づいて予測する予定です。

モデルには何を含める必要がありますか?

回答を 1 つだけ選択してください。

1) 3 つの特徴
2) 3 つのラベル
3) 2 つの特徴と 1 つのラベル
4) 2 つのラベルと 1 つの特徴

A

3) 2 つの特徴と 1 つのラベル

このシナリオは、2 つの特徴 (年齢と体脂肪率) と 1 つのラベル (糖尿病を発症する可能性) の間の関係を確立することを目的としたモデルを表しています。 特徴は説明的な属性 (入力として機能) であり、ラベルは予測しようとしている特性 (出力として機能) です。

https://learn.microsoft.com/training/modules/understand-regression-machine-learning/4-multiple-linear-regression

78
Q

質問 7/50

回帰機械学習アルゴリズムで、検証データセットの特徴とラベルの特性は何ですか?

回答を 1 つだけ選択してください。

1) 既知の特徴とラベルの値
2) 既知の特徴値と不明なラベルの値
3) 不明な特徴とラベルの値
4) 不明な特徴値と既知のラベルの値

A

1) 既知の特徴とラベルの値

回帰機械学習アルゴリズムでは、検証セットに既知の特徴とラベル値が含まれています。

https://learn.microsoft.com/training/modules/train-evaluate-regression-models/2-what-is-regression

79
Q

質問 12/50

Azure Machine Learning デザイナーにあるのは、どの 3 つのデータ変換モジュールですか? 正しい解答はそれぞれ完全な解決策を示します。

該当するすべての回答を選択してください。

1) 見つからないデータのクリーンアップ
2) モデルの評価モデル
3) データの正規化
4) データセット内の列の選択
5) クラスタリングのトレーニング

A

1) 見つからないデータのクリーンアップ
3) データの正規化
4) データセット内の列の選択

データの正規化は、値の範囲の違いを歪めることなく、データセット内の数値列の値を共通のスケールに変更するために使用されるデータ変換モジュールです。 Clean Missing Data モジュールは、データとデータ変換プロセスの準備の一部です。 データセット内の列の選択は、データセットから目的の列のサブセットを選択するために使用されるデータ変換コンポーネントです。 クラスタリング モデルのトレーニングは、データ変換の一部ではありません。 評価モデルは、トレーニング モデルの正確性を測定するために使用されるコンポーネントです。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/7-clustering

80
Q

質問 13/50,,,質問 22/50

単語をカウントする前に正規化する自然言語処理 (NLP) 手法はどれですか?

回答を 1 つだけ選択してください。

1) 頻度分析
2) N-grams (N-gram)
3) ステミング
4) ベクター化

A

3) ステミング

ステミングは、単語をカウントする前に正規化します。 頻度分析では、単語がテキストに出現する頻度がカウントされます。 N グラムは、複数の語句を含めるように頻度分析を拡張します。 ベクター化は、単語を n 次元空間内の場所に割り当てて、単語間の意味的関係をキャプチャします。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-understand-text-analytics

81
Q

質問 29/50,,,質問 45/50

責任ある人工知能 (AI) の原則のうち、ビジネス ローン承認の資格を満たす AI ソリューションを実装する場合、主要な役割を果たすのは、どれですか?

回答を 1 つだけ選択してください。

1) アカウンタビリティ
2) 公平性
3) 包括性
4) 安全性

A

2) 公平性

公平性とは、AI モデルが、性別や民族性などの基準に基づくバイアスを意図せず組み込まないようにすることを保証するためのものです。 銀行は通常、ローンの承認を処理するときに独自のモデルを使用するため、この場合、透明性は適用されません。 すべての人がローンの資格を得るわけではないため、包括性も対象外です。 この場合、人命や健康に対する直接的な脅威はないため、安全性は主要な考慮事項ではありません。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/8-understand-responsible-ai

82
Q

質問 32/50,,,質問 31/50

最新の画像分類ソリューションの基盤となる人工知能 (AI) 手法はどれですか?

回答を 1 つだけ選択してください。

1) セマンティック セグメンテーション
2) ディープ ラーニング
3) 線形回帰
4) 多重線形回帰

A

2) ディープ ラーニング

最新の画像分類ソリューションは、ディープ ラーニング手法に基づいています。 セマンティック セグメント化により、表す物体に応じて、画像内の個々のピクセルを分類する機能が提供されます。 線形回帰と多重線形回帰は両方とも、トレーニングと検証の予測を使用して数値を予測するため、画像分類ソリューションの一部ではありません。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2b-computer-vision-models

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

83
Q

質問 33/50

店舗の正面を写した写真から店舗の名前を抽出するには、どの人工知能 (AI) の手法を使用する必要がありますか?

回答を 1 つだけ選択してください。

1) 画像の分類
2) 自然言語処理 (NLP)
3) 光学式文字認識 (OCR)
4) セマンティック セグメンテーション

A

3) 光学式文字認識 (OCR)

OCR は、画像内のテキストを検出して読み取る機能を提供します。 NLP は、書かれた、または話された言語の意味を識別するが、画像内のテキストは検出したり読み取ったりしない AI の領域です。 画像分類は、その内容に基づいて画像を分類します。 セマンティック セグメント化では、画像内の個々のピクセルを分類する機能が提供されます。

https://learn.microsoft.com/training/modules/get-started-ai-fundamentals/4-understand-computer-vision

84
Q

質問 35/50,,,質問 33/50

光学式文字認識 (OCR) を使用できるプロセスはどれですか?

回答を 1 つだけ選択してください。

1) 医療記録のデジタル化
2) ノート PC のアクセスの制御の識別
3) 画像内の野生動物の識別
4) 音声テキスト変換の翻訳

A

1) 医療記録のデジタル化

OCR では、画像から印刷された、または手書きのテキストを抽出できます。 この場合、スキャンされた医療記録からテキストを抽出して、紙ベースのドキュメントからデジタル アーカイブを生成するために使用することができます。 画像内の野生動物の識別は、物体検出を使用する Computer Vision ソリューションの一例であり、OCR には適していません。 ノート PC へのアクセスを要求するユーザーの識別は、ノート PC の Web カメラから画像を取得し、顔検出と認識を使用してアクセスを要求しているユーザーを特定することによって行われます。 音声からテキストへの翻訳は、音声翻訳の使用例の 1 つであり、Azure AI サービスの一部として Azure AI 音声サービスを使用します。

https://learn.microsoft.com/training/modules/read-text-computer-vision/

85
Q

質問 40/50

Azure AI Vision サービスの画像記述タスクによって返される各フレーズに含まれる追加情報はどれですか?

回答を 1 つだけ選択してください。

1) 境界ボックス座標
2) 信頼度スコア
3) endpoint
4) キー

A

2) 信頼度スコア

Azure AI Vision の画像記述タスクによって返される各フレーズには、信頼度スコアが含まれています。 Azure AI Vision サービスにアクセスするには、エンドポイントとキーを指定する必要があります。 境界ボックス座標は、物体検出などのサービスによって返されますが、画像の説明は返されません。

https://learn.microsoft.com/training/modules/analyze-images-computer-vision/2-image-analysis-azure

86
Q

質問 12/50

ある会社は、新しい製品の発売のために、ソーシャル メディア プラットフォームでオンライン マーケティング キャンペーンを展開します。 この会社は、機械学習を使用して、キャンペーンに応じて投稿を行った Twitter プラットフォーム上のユーザーのセンチメントを測定したいと考えています。

これは、どの種類の機械学習ですか?

回答を 1 つだけ選択してください。

1) 分類
2) クラスターリング
3) データの変換
4) 回帰

A

1) 分類

分類は、データのカテゴリを予測するために使用されます。 これは、データの項目が属するカテゴリまたはクラスを予測できます。 この例では、肯定的または否定的なセンチメントを識別して分類するために、投稿に数値を適用して Twitter の投稿で感情分析を実行できます。 クラスタリングは、ラベル付けされていないデータを分析してデータ内の類似点を見つける機械学習の種類です。 回帰は、数値を予測するために使用される機械学習シナリオです。 データ変換は機械学習の種類ではありません。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/7-clustering

87
Q

質問 16/50

ある会社では、機械学習を使用して、適切な住宅の属性に基づいて住宅価格を予測しています。

機械学習モデルの場合、どの属性がラベルですか?

回答を 1 つだけ選択してください。

1) 家の築年数
2) 床面積のサイズ
3) ベッドルームの数
4) 家の価格

A

4) 家の価格

家の価格は、機械学習モデルを通じて予測しようとしているラベルです。 これは通常、回帰モデルを使用して行われます。 床面積のサイズ、ベッドルームの数、家の築年数はすべて、住宅価格ラベルの予測に役立つモデルの入力変数です。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

88
Q

質問 18/50

ある会社は、家の中の人の数、気温、時期に基づいて、家庭の水使用量を予測したいと考えています。

データ ラベルと特徴に関して、このユース ケースのラベルは何ですか?

回答を 1 つだけ選択してください。

1) 家の中の人々の数
2) 時期
3) 水の使用
4) 気温

A

3) 水の使用

水の使用量は、予測したいラベル値であり、独立変数とも呼ばれます。 家の中の人の数、気温、時期は特徴であり、ラベルに依存する値です。 家の中の人々の数、気温、時期は、家庭で消費される水に影響を与える可能性があります。

https://learn.microsoft.com/training/modules/fundamentals-machine-learning/

89
Q

質問 24/50

オンライン ユーザー レビューを分析して、製品に対するユーザーの意見が肯定的であるか否定的であるかを識別するために使用できる Azure AI Service for Language 機能はどれですか?

回答を 1 つだけ選択してください。

1) キー フレーズ抽出
2) 言語検出
3) 固有表現認識
4) 感情分析

A

4) 感情分析

感情分析では、テキスト分析の信頼度スコアに基づいて、否定的、中立、肯定的などのセンチメント ラベルが提供されます。 これにより、製品レビューのユーザー センチメントを理解するのに適しています。 固有表現認識、キー フレーズ抽出、言語検出機能では、製品レビューの感情分析を実行できません。

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/

https://learn.microsoft.com/azure/cognitive-services/language-service/sentiment-opinion-mining/overview

90
Q

質問 40/50

画像分類モデルのトレーニングに使用できるサービスはどれですか?

回答を 1 つだけ選択してください。

1) Azure AI Vision
2) Azure AI Custom Vision
3) Azure AI Face
4) Azure AI Language

A

2) Azure AI Custom Vision

Azure AI Custom Vision は、独自の画像モデルを構築してデプロイできるようにする画像認識サービスです。 Azure AI Vision サービス、Azure AI Face サービス、Azure AI Language サービスでは、独自の画像モデルをトレーニングする機能は提供されません。

https://learn.microsoft.com/azure/cognitive-services/custom-vision-service/overview

https://learn.microsoft.com/training/modules/analyze-text-with-text-analytics-service/2-understand-text-analytics