Oracle Cloud 1z0-1122-23試験問題集[Q17-Q35]であなたの成功を後押ししましょう。

4月 2, 20244月 2, 2024 試験問題Oracle Cloud 1z0-1122-23試験問題集[Q17-Q35]であなたの成功を後押ししましょう。 0 コメント

タグ: 1z0-1122-23試験参考書, 1z0-1122-23試験vceフォーマット, 1z0-1122-23信頼できるテストクラムシートファイル, 1z0-1122-23トップダンプス, 1z0-1122-23有効なブラインダンプ, 1z0-1122-23有効なソフトシミュレーション, 1z0-1122-23有効なテストシミュレータ

4.5/5 - (29 投票)

Oracle Cloud 1z0-1122-23試験問題集であなたの成功を後押しします

1z0-1122-23 100%保証ダウンロード1z0-1122-23試験PDF Q&A

新しい質問 17
大規模言語モデル（LLM）と従来の機械学習モデルの違いは？

LLMは訓練にラベル付き出力を必要とする。

LLMは他のモデルに比べてパラメータの数が限られている。

LLMは特に自然言語処理と理解のために設計されている。

LLMは画像認識タスクに焦点を当てている。

大規模言語モデル（LLM）は、ディープラーニングモデルの一種であり、自然言語を認識・生成することができる。LLMは、文法、意味、文脈を学習しながら、膨大なテキストデータセットで学習される。LLMは、入力と出力のシーケンスを処理し理解するために自己注意に依存するTransformerアーキテクチャを使用する。LLMは、テキストの要約、質問応答、テキスト生成など、提供された入力に基づいて、さまざまな自然言語処理と理解タスクを実行することができる34。一方、従来の機械学習モデルは、通常、あらかじめ定義された結果をもたらす特定の統計的アルゴリズムで学習される。これらのモデルは、多くの場合、ラベル付けされたデータと特徴工学を必要とし、LLMほど柔軟で適応的ではない5。参考参考文献：LLMとは何か、生成AIでどのように使われるのか、LLMOps入門：Azure MLを使った大規模言語モデルの運用と管理、大規模言語モデル（LLM）入門：どのように... - Labellerr

新しい質問18
教師あり機械学習における分類と回帰の違いは何ですか？

分類はデータ・ポイントをカテゴリーに割り当てるが、回帰は連続値を予測する。

分類と回帰はどちらも連続値を予測する。

分類は連続値を予測するのに対し、回帰はデータ・ポイントをカテゴリーに割り当てる。

分類と回帰はどちらもデータ・ポイントをカテゴリーに割り当てる。

分類と回帰は、機械学習における教師あり学習の2つのサブタイプである。両者の主な違いは、扱う出力変数のタイプである。分類は、いくつかの基準やルールに基づいて、データ・ポイントを個別のカテゴリーに割り当てる。例えば、出力変数がバイナリ（スパムかスパムでないか）であるため、電子メールをその内容に基づいてスパムかスパムでないかに分類することは、分類問題です。回帰は、入力特徴に基づいてデータ・ポイントの連続値を予測します。例えば、家の大きさ、場所、設備などに基づいて家の価格を予測することは、出力変数が連続的（家の価格）なので、回帰問題です。分類と回帰は、パフォーマンスを評価するために、異なるタイプのアルゴリズムと測定基準を使用します。参照：：Oracle Cloud Infrastructure AI - 機械学習の概念、機械学習における分類と回帰の比較｜by ...

新しい質問 19
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 20
Oracle Cloud Infrastructure Visionサービスでサポートされている機能はどれですか。

画像中の物体の検出と分類

テキストからリアルな画像を生成する

過去のデータを分析し、異常なパターンを見つける

金融取引における不正行為の検出と防止

Oracle Cloud Infrastructure Visionはサーバーレスのマルチテナント・サービスで、コンソールやREST APIからアクセスできる。画像をアップロードして、その中のオブジェクトを検出して分類することができる。画像が大量にある場合は、非同期APIエンドポイントを使ってバッチ処理できる。Visionの機能は、ドキュメント中心の画像向けのドキュメントAIと、オブジェクトやシーンベースの画像向けの画像解析にテーマ別に分かれています。画像解析は、オブジェクト検出と画像分類のための事前学習済みモデルとカスタムモデルの両方をサポートしています3。参考文献ビジョン - オラクル

新しい質問21
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22
Generative AIの文脈におけるGenerative Adversarial Networks（GAN）のアプリケーションはどれか？

トレーニングデータに類似したリアルな画像の作成

入力データからの連続値の予測

トレーニング用のラベル付き出力の生成

データポイントのカテゴリーへの分類

Generative Adversarial Networks（GAN）は、学習データに似たリアルな画像を生成できるAIモデルの一種である。GANのアーキテクチャは、ゲームのようなシナリオで互いに対戦する2つの別々のニューラルネットワークで構成されている。ジェネレーター・ネットワークとして知られる最初のネットワークは、本物に見える偽のデータを作成しようとする。2番目のネットワークは識別ネットワークと呼ばれ、本物と偽物のデータを区別しようとする。ジェネレーター・ネットワークは識別器ネットワークのフィードバックから学習し、偽データの質を向上させることで識別器ネットワークを騙そうとする。識別器ネットワークも生成器ネットワークのフィードバックから学習し、その精度を向上させようとする。このプロセスは、生成ネットワークが実際のデータと区別できないデータを生成するまで続けられる4。GANは、顔、動物、風景などのリアルな画像を作成するために使用できる5。参考文献Generative models - OpenAI, Artificial Intelligence Explained：GANとは？

新しい質問23
Oracle Cloud Infrastructure Languageサービスでサポートされているケイパビリティはどれですか？

テキストを分析して、センチメントやエンティティのような構造化された情報を抽出する。

画像内のオブジェクトとシーンの検出

音声をテキストに変換する

テキストを画像に変換する

Oracle Cloud Infrastructure Languageサービスは、高度なテキスト分析を大規模に実行するためのクラウドベースのAIサービスである。非構造化テキストを処理し、自然言語処理技術を使用してセンチメントやエンティティのような構造化情報を抽出するためのさまざまな機能を提供する。Oracle Cloud Infrastructure Languageサービスがサポートする機能には、次のようなものがある：
言語検出：提供されたテキストに基づいて言語を検出し、信頼スコアが含まれます。
テキストの分類：テキストが属する文書カテゴリとサブカテゴリを特定する。
名前付きエンティティ認識：一般的なエンティティ、人、場所、電子メールなどを識別する。
キーフレーズの抽出：テキストブロックから重要なフレーズを抽出します。
センチメント分析：提供されたテキストから側面を識別し、それぞれを肯定的、否定的、または中立的な極性に分類する。
テキスト翻訳：テキストをお好みの言語に翻訳します。
個人を特定できる情報：構造化されていないテキスト内の個人情報を識別、分類、および非識別化します：言語概要 - オラクル, AI Text Analysis at Scale｜オラクル

新しい質問24
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25
大規模言語モデル（LLM）の文脈における「プロンプト・エンジニアリング」と「ファインチューニング」はどのように違うのでしょうか？

モデル・アーキテクチャをカスタマイズ

モデルをゼロから訓練する

事前に定義されたプロンプトを使用して、モデルの反応を誘導する。

モデル出力の後処理とハイパーパラメータの最適化

プロンプトエンジニアリングは、大規模な言語モデルから望ましい応答を引き出すことができる自然言語の命令やクエリを設計する技術です。プロンプトエンジニアリングは、モデルのパラメータやアーキテクチャを変更するのではなく、モデルの既存の知識や機能に依存します。プロンプト・エンジニアリングは、適切なコンテキスト、形式、制約をモデルに提供することで、テキスト生成、感情分析、コード補完など、さまざまなタスクの実行に使用できる67。プロンプト・エンジニアリングは、ゼロ・ショット学習やクエリ・ベースの学習としても知られている。参考文献[2211.01910] Large Language Models Are Human-Level Prompt Engineers](https://arxiv.org/abs/2211.01910), プロンプトエンジニアリングとLLMの開発者ガイド - GitHub Blog

新しい質問26
強化学習の主な目的は何ですか？

データセット内の関係を見つける

データのパターンを特定する

ラベル付きデータからの予測

成果から学ぶ意思決定

強化学習は機械学習の一種で、結果から学習して意思決定を行うことに基づいている。強化学習アルゴリズムは、ラベル付けされたデータや明示的なフィードバックからではなく、環境における自身の行動や経験から学習する。強化学習の目標は、時間の経過とともに累積報酬を最大化する最適なポリシーを見つけることである。方針とは、環境の各状態で取るべき行動を決定するルールである。報酬とは、望ましい目的を達成するための行動の良し悪しを示すフィードバック信号である。強化学習は、様々な行動を探索し、その結果を観察し、それに応じて方針を更新するという試行錯誤のプロセスを含む。強化学習の課題と構成要素には次のようなものがある：
探索と搾取：将来より高い報酬が得られるかもしれない新しい行動を試すこと（探索）と、すぐに報酬が得られる既知の行動を選ぶこと（搾取）のバランスをとること。
マルコフ決定過程（MDP）：不確実性の下での逐次的な意思決定問題をモデル化するための数学的枠組みで、結果は現在の状態と行動のみに依存し、以前の状態には依存しない。
価値関数：現在の政策に基づき、各状態または状態と行動のペアの長期的な期待リターンを推定する関数。
Q学習：Q関数と呼ばれる価値関数を学習する一般的な強化学習アルゴリズムで、ある状態においてある行動を取ることの良し悪しを表す。
深層強化学習：ディープニューラルネットワークと強化学習アルゴリズムを組み合わせ、ビデオゲームやロボットの制御など複雑で高次元の問題を扱う強化学習の一分野。参考文献：：強化学習 - Wikipedia, 強化学習とは？- その仕組みの概要 - シノプシス

新しい質問 27
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 28
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 ...

ローディング …