このページは Free Exams Dumps Materials [ http://exams.dumpsmaterials.com ] からエクスポートされました。 エクスポート日時:Wed Jan 8 20:57:12 2025 / +0000 GMT ___________________________________________________ タイトル正確なホットセラー1z0-1122-23試験ダンプ2023年新発売[Q15-Q31] --------------------------------------------------- 新しく解放される正確で熱い販売の1z0-1122-23検査のダンプ2023 100%の正答の確実なOracle 1z0-1122-23のダンプを得なさい NEW QUESTION 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習し、改善できるようにすること コンピュータを明示的にプログラミングする 複雑な問題を解決するアルゴリズムの作成 コンピューターのハードウェアを改善する 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NEW QUESTION 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か？ Generative AIは、基礎となるデータを理解し、新しい例を作成する。 Generative AIは意思決定と最適化に重点を置く。 Generative AIは、学習のためにラベル付けされた出力を生成します。 ジェネレーティブAIは、テキストベースのアプリケーションにのみ使用される。 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重点を置く人工知能の一分野です。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, Generative artificial intelligence - WikipediaNEW問題17Oracle Cloud Infrastructureが提供するNVIDIA GPUはどれか。 P200 T4 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 | OracleNEW QUESTION 18テキストの感情を識別したり、言語間のテキストを翻訳したりするようなタスクに関連するAI領域はどれですか。 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、テキストの感情を識別したり、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ものです。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：音声認識：音声認識：音声信号をテキストまたはコマンドに変換する：自然言語理解：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。参考文献：：自然言語処理とは？| IBM、自然言語処理 - WikipediaNEW QUESTION 19大規模言語モデル（LLM）の領域における「文脈内学習」とは？ モードを教える！ゼロショット学習を通して 多様なタスクに対するモデルの学習 事前に訓練されたLLMの動作を恒久的に変更する 入力プロンプトを通じてターゲットタスクのいくつかの例を提供する 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テクニックである。これらの例を条件とすることで、モデルはタスクと望ましい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、数ショット学習やプロンプト・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)NEW QUESTION 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学習速度を向上させることを課せられています。トレーニングプロセスを高速化するために、あなたは特殊なハードウェアを活用することを決定しました。モデルのトレーニングを高速化するために、ディープラーニングで一般的に使用されるハードウェアコンポーネントはどれですか？ 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） 中央処理ユニット（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・コンポーネントです。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：NEW QUESTION 21大規模言語モデル（LLM）でトークンはどのような役割を果たしますか？ トークンはモデルパラメーターの数値を表します。 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ます。 トークンは、モデルの処理中にテキストを分割する個々の単位である。 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。単語、サブワード、文字、記号のいずれかである。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｜Oracle UniversityNEW QUESTION 22テキストから音声を生成するAIタスクはどれですか。 テキストから音声へ 音声録音 音声認識 テキスト要約 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、自然な音声でテキストを音声に変換する技術です。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、次のようなさまざまな技術やモデルを使用します：パラメトリック合成：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：より自然で魅力的にするために、音声出力に感情やスタイルを加える。参考文献：：Text-to-Speech AI: Lifelike Speech Synthesis｜Google Cloud、音声合成 - WikipediaNEW QUESTION 23 Oracle Cloud Infrastructure Anomaly Detectionサービスは不正検出にどのように貢献していますか？ データの異常なパターンを特定する テキストのセンチメントを分析する テキストから話し言葉を生成する 話し言葉の書き起こし 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出を提供するAIサービスです。組織は、シンプルなユーザー・インターフェースを通じて、異常を検出し、異常な行動、傾向の変化、異常値などを識別するためのモデルを作成し、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Anomaly Detection｜OracleNEW QUESTION 24大規模言語モデルを微調整する目的は何ですか？ モデルのパラメータ数を減らす モデルアーキテクチャの複雑性を高める モデルの機能を特定のタスクに特化させるため モデルのオーバーフィッティングを防ぐ 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す。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。参考文献参考文献：A Complete Guide to Fine Tuning Large Language Models, Finetuning Large Language Models - DeepLearning.AINEW QUESTION 25画像中の力の認識や物体の分類などのタスクに関連するAI領域はどれか？ 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ドメインである。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：物体認識：画像やビデオ内の関心のある物体を見つけ、ラベル付けすること：物体の認識：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：画像分割：画像を複数の領域に分割すること：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共有する複数の領域に分割すること：画像強調：フィルタ、変換、補正を適用することにより、画像の品質や外観を向上させること：画像生成：ゼロから、またはスケッチ、キャプション、属性などの入力データに基づいて、現実的また