正確なホットセラー1z0-1122-23試験ダンプ2023新しくリリースされた[Q15-Q31]。

11月 5, 202311月 5, 2023 試験問題正確なホットセラー1z0-1122-23試験ダンプ2023新しくリリースされた[Q15-Q31]。 0 コメント

タグ: 1z0-1122-23試験ハブ, 1z0-1122-23試験割引, 1z0-1122-23最新試験オンライン, 1z0-1122-23新しい無料学習問題集, 1z0-1122-23模擬試験無料, 1z0-1122-23オンライン模擬試験, 1z0-1122-23関連回答, 1z0-1122-23有効な試験問題集

4.4/5 - (12 投票)

正確なホットセラー1z0-1122-23試験ダンプ2023年新発売

正しい答えを100%本物のOracle 1z0-1122-23ダンプを取得する

新しい質問15
機械学習の主な目的は何ですか？

コンピュータが経験から学び、改善することを可能にする

コンピュータの明示的プログラミング

複雑な問題を解決するアルゴリズムの作成

コンピュータ・ハードウェアの改善

機械学習は人工知能の一分野であり、コンピュータが明示的にプログラムされることなく、データや経験から学習することを可能にする。機械学習アルゴリズムは、新しいデータや状況に適応し、時間の経過とともにパフォーマンスを向上させることができる2。参考文献人工知能（AI）｜オラクル

新しい質問16
ジェネレーティブAIは他のAIアプローチとどう違うのですか？

ジェネレーティブAIは、基礎となるデータを理解し、新しい例を作成する。

ジェネレーティブAIは意思決定と最適化に焦点を当てている。

生成AIはトレーニングのためにラベル付き出力を生成する。

生成AIは、もっぱらテキストベースのアプリケーションに使用される。

生成AIは、既存のデータのパターンや構造に基づいて新しいコンテンツやデータを作成することに焦点を当てた人工知能の一分野である。データを認識、分類、予測することを目的とする他のAIアプローチとは異なり、ジェネレーティブAIは、現実的で多様性があり、新規性のあるデータを生成することを目的としている。ジェネレーティブAIは、画像、テキスト、音声、動画、ソフトウェアコード、製品デザインなど、さまざまな種類のコンテンツを生成することができる。生成AIは、生成的敵対ネットワーク（GAN）、変分オートエンコーダ（VAE）、拡散モデル、基礎モデルなど、データから学習して新しい例を生成するためにさまざまな技術やモデルを使用する。ジェネレーティブAIは、アート、エンターテインメント、教育、ヘルスケア、エンジニアリング、マーケティングなど、さまざまな領域や業界にわたって多くの用途がある。参考文献：：Oracle Cloud Infrastructure AI - Generative AI、生成人工知能 - Wikipedia

新しい質問 17
Oracle Cloud Infrastructureが提供するNVIDIA GPUはどれですか？

P200

A100

K80

Oracle Cloud Infrastructureは、コンピュートインスタンスのGPUオプションの1つとしてNVIDIA A100 Tensor Core GPUを提供しています。NVIDIA A100 GPUは、幅広いAIおよびHPCワークロードを高速化できる強力で汎用性の高いGPUです。A100 GPUは、前世代のV100 GPUよりも最大20倍高い性能を実現し、マルチインスタンスGPU、自動混合精度、スパースアクセラレーション12などの機能をサポートしています。OCI Compute のベアメタル BM.GPU4.8 インスタンスは、高速な NVIDIA NVLink ダイレクト GPU-to-GPU インターコネクト3 を介してリンクされた 8 つの 40GB NVIDIA A100 GPU を提供します。このインスタンスは、大規模な言語モデル、コンピュータビジョンモデル、およびその他の複雑なAIタスクのトレーニングに最適です。参考Accelerated Computing and Oracle Cloud Infrastructure (OCI) - NVIDIA、Oracle Cloud Infrastructure Offers New NVIDIA GPU-Accelerated Compute ..., GPU, Virtual Machines and Bare Metal｜Oracle

新しい質問18
テキストのセンチメントを特定したり、言語間のテキストを翻訳したりといったタスクに関連するAI領域は？

自然言語処理

音声処理

異常検知

コンピュータ・ビジョン

自然言語処理（NLP）は、テキストの感情を特定したり、言語間のテキストを翻訳するなどのタスクに関連するAIのドメインです。NLPは、コンピュータサイエンス、言語学、人工知能を組み合わせた学際的な分野で、コンピュータがテキストや音声などの自然言語データを処理し理解できるようにする。NLPには、以下のようなさまざまなテクニックやアプリケーションが含まれる：
テキスト分析：キーワード、エンティティ、トピック、感情、感情など、テキストデータから意味のある情報を抽出する。
テキスト生成：要約、キャプション、見出し、ストーリーなど、構造化または非構造化データから自然言語テキストを生成する。
機械翻訳：テキストや音声をある言語から別の言語に自動的かつ正確に翻訳すること。
質問応答：知識ベースや文書コレクションから、自然言語の質問に対する適切な回答を検索すること。
音声認識：音声信号をテキストやコマンドに変換すること。
音声合成：テキストを自然な音声で音声信号に変換する。
自然言語理解：自然言語入力の意味と意図を解釈し、適切な応答を生成する。
自然言語生成：一貫性があり、流暢で、文脈に関連した自然言語出力を作成すること。参考文献：：自然言語処理とは？| IBM、自然言語処理 - Wikipedia

新しい質問 19
大規模言語モデル（LLM）の領域における「文脈内学習」とは何か？

ゼロショット学習でモードを教える

モデルを多様なタスクでトレーニングする

事前に訓練されたLLMの動作を永続的に変更する

入力プロンプトによるターゲットタスクのいくつかの例の提供

インコンテキスト学習は、入力プロンプトで提供されるいくつかの入出力例から学習する大規模言語モデルの能力を活用する技術である。これらの例を条件とすることで、モデルはタスクと希望する出力の形式を推測し、適切な応答を生成することができる。インコンテキスト学習は、モデルの追加学習や微調整を必要とせず、テキストの要約、質問応答、テキスト生成など、さまざまなタスクに利用できる45。イン・コンテキスト学習は、数発学習やプロンプト・ベース学習としても知られている。参考文献[2307.12375] In-Context Learning in Large Language Models Learns Label ...](https://arxiv.org/abs/2307.12375), [2307.07164] Learning to Retrieve In-Context Examples for Large Language Models](https://arxiv.org/abs/2307.07164)

新しい質問 20
あなたはディープラーニング研究チームのリード開発者で、ディープニューラルネットワークのトレーニング速度を向上させる任務を負っている。トレーニングプロセスを高速化するため、専用のハードウェアを活用することにしました。
ディープラーニングにおいて、モデル学習を高速化するために一般的に使用されているハードウェアコンポーネントはどれか？

ソリッド・ステート・ドライブ（SSD）

グラフィックス・プロセッシング・ユニット（GPU）

ランダム・アクセス・メモリー（RAM）

中央演算処理装置（CPU）

グラフィックス・プロセッシング・ユニット（GPU）は、大量のデータに対して並列計算を実行できる特殊なハードウェア・コンポーネントである。GPUは、多数の行列演算とテンソル演算を同時に実行できるため、ディープ・ニューラル・ネットワークの学習を高速化するために、ディープ・ラーニングで広く使用されている。GPUは、CPUのみを使用する場合と比較して、学習時間を大幅に短縮し、ディープラーニングモデルの性能を向上させることができる678。参考文献機械学習/AI向けハードウェアの推奨, 新しいハードウェアは人工知能の計算を高速化する..., 機械学習に最適なハードウェア - ReHack, ディープラーニング推論用ハードウェア：最適なハードウェアの選び方 ...

新しい質問21
大規模言語モデル（LLM）においてトークンはどのような役割を果たすのか？

これらはモデルパラメーターの数値を表している。

これらは、モデルのニューラルネットワークのアーキテクチャを定義するために使用される。

これは、モデルによる処理中にテキストが分割される個々の単位である。

これらはモデルのメモリサイズを決定する。

トークンは、大規模な言語モデルにおけるテキスト表現の基本単位である。トークンには単語、サブワード、文字、記号がある。トークンは、入力テキストをモデルのニューラル・ネットワークで処理できる数値ベクトルにエンコードするために使用される。トークンはまた、語彙サイズとモデルの最大シーケンス長を決定する3。参考文献Oracle Cloud Infrastructure 2023 AI Foundations Associate｜オラクル・ユニバーシティ

新しい質問22
テキストから音声を生成するAIタスクは？

テキストからスピーチへ

オーディオ録音

音声認識

テキストの要約

TTS（Text to speech）は、テキストから音声を生成するAIタスクである。TTSは、自然な音声を使ってテキストを音声に変換する技術である。TTSは、PDF、ウェブサイト、書籍、電子メールなど、あらゆるテキストデータを読み上げ、書かれたコンテンツにアクセスするための聴覚フォーマットを提供することができます。TTSは、アクセシビリティ、利便性、マルチタスク、学習、娯楽など、さまざまな理由でテキストデータを聞く必要がある人に役立ちます。TTSは、テキストデータから音声を生成するために、以下のようなさまざまな技術やモデルを使用します：
連結合成：あらかじめ録音された人間の音声セグメントを、テキストの音声単位に基づいて合成すること。
パラメトリック合成：統計モデルを用いてテキストから得られる音響パラメータから音声信号を生成する。
ニューラル合成：ディープニューラルネットワークを使用して、テキストと音声特徴間のマッピングを学習し、高品質の音声信号を生成する。
表現力豊かな合成：音声出力に感情やスタイルを追加して、より自然で魅力的な音声にすること。参考：：音声合成AI：本物そっくりの音声合成｜Google Cloud、音声合成 - Wikipedia

新しい質問23
Oracle Cloud Infrastructure Anomaly Detectionサービスは不正検知にどのように貢献するのか？

データの異常なパターンを特定することによって

テキストのセンチメントを分析することで

テキストから話し言葉を生成する

話し言葉を書き写すことによって

Oracle Cloud Infrastructure Anomaly Detectionは、一変量および多変量の時系列データに対してリアルタイムおよびバッチの異常検知を提供するAIサービスです。組織は、シンプルなユーザーインターフェイスを通じて、異常を検出し、異常な行動、傾向の変化、異常値などを特定するモデルを作成し、訓練することができます。異常検知は、トランザクション、ログ、センサー、顧客行動など、さまざまなソースからのデータを分析し、疑わしい行為や不正行為が検出された場合にユーザーに警告することで、不正行為の検出に貢献することができます2。参考文献異常検知｜オラクル

新しい質問24
大規模言語モデルを微調整する目的は？

モデルのパラメータ数を減らすために

モデル・アーキテクチャの複雑性を高める

モデルの能力を特定のタスクに特化させる

モデルのオーバーフィットを防ぐ

ファインチューニングとは、事前に訓練された大規模な言語モデルを出発点として、新しいタスクとデータセットでモデルのパラメータを更新するプロセスである。ファインチューニングにより、モデルは新しいタスクの特定のコンテキストとドメインに適応し、パフォーマンスと精度を向上させることができます。ファインチューニングは、テキスト分類、名前付きエンティティ認識、機械翻訳82 などの特定のタスクに対して、モデルの能力をカスタマイズするために使用できる。ファインチューニングは、転移学習やタスクベース学習としても知られている。参考文献大規模言語モデルのファインチューニング完全ガイド、大規模言語モデルのファインチューニング - DeepLearning.AI

新しい質問25
画像中の力を認識したり、物体を分類したりといったタスクに関連するAI領域は？

コンピュータ・ビジョン

異常検知

音声処理

自然言語処理

コンピュータ・ビジョンは、画像中の顔を認識したり、物体を分類したりするタスクに関連するAIの領域である。コンピュータビジョンは人工知能の一分野であり、コンピュータやシステムがデジタル画像、ビデオ、その他の視覚入力から意味のある情報を導き出し、その情報に基づいて行動を起こしたり推奨したりすることを可能にする。コンピュータビジョンは、ピクセル、色、形、テクスチャなどの視覚データに機械学習や深層学習モデルを適用し、さまざまな目的に使用できる特徴やパターンを抽出することで機能する。コンピュータ・ビジョンの一般的な技術やアプリケーションには、以下のようなものがある：
顔認識：顔の特徴に基づいて人物を識別したり、身元を確認したりすること。
物体検出：画像や映像の中から興味のある物体を見つけ、ラベリングすること。
物体認識：物体を動物、乗り物、果物など、あらかじめ定義されたカテゴリーに分類すること。
シーンの理解：場所、時間、天候、活動など、視覚的なシーンのコンテキストとセマンティクスを分析する。
画像分割：画像を、色、テクスチャ、形状などの類似した特性を持つ複数の領域に分割すること。
イメージエンハンスメント：フィルター、変換、補正を適用することによって、画像の品質や外観を向上させること。
画像生成：スケッチ、キャプション、属性などの入力データに基づいて、リアルな画像やスタイル化された画像をゼロから作成すること。参考：：コンピュータ・ビジョンとは？| IBM, コンピュータビジョン - Wikipedia

新しい質問26
あなたは、ある医療機関で、入院患者の重症度を予測するシステムを開発するプロジェクトに取り組んでいます。目標は、病歴とバイタルサインに基づいて、患者を低リスク、中リスク、高リスクの3つのカテゴリーに分類することです。
このシナリオでは、どのタイプの教師あり学習アルゴリズムが必要か？

クラスタリング

回帰

バイナリ分類

マルチクラス分類

マルチクラス分類は教師あり学習アルゴリズムの一種であり、出力変数が2つ以上のクラスを持つため、このシナリオで必要とされる。マルチクラス分類とは、インスタンスを3つ以上のクラスの1つに分類する問題である。例えば、病歴とバイタルサインに基づいて患者を低リスク、中リスク、高リスクに分類することは、多クラス分類問題である。多クラス分類は、決定木、ランダムフォレスト、サポートベクターマシン(SVM)、k-最近傍(k-NN)、ナイーブベイズ、ロジスティック回帰、ニューラルネットワークなど、様々なアルゴリズムを用いて解くことができる。これらのアルゴリズムの中には、多クラス問題を自然に扱えるものもあれば、1対1や1対残りのような戦略を用いて適応させる必要があるものもある。参考文献：：多クラス分類 - Wikipedia, 多クラス分類 - 機械学習における説明

ローディング …