MLA-C02：AWS Certified Machine Learning Engineer - Associate ML・AI のためのデータ準備 問16
ML・AI のためのデータ準備／データ変換・特徴量エンジニアリング・前処理画像分類モデルの学習データが少なく、モデルが汎化しにくい状況です。既存の画像から、回転・反転・明るさ変更などで学習データのバリエーションを人工的に増やしたいと考えています。この手法を何と呼びますか。
当サイトのオリジナル問題（MLA-C02：AWS Certified Machine Learning Engineer - Associateの出題範囲「ML・AI のためのデータ準備」に対応。実際の試験問題ではありません）
- Aハイパーパラメータチューニング
- B量子化
- Cデータリーケージ
- Dデータ拡張（データオーグメンテーション）
正解：D
解説
データ拡張（データオーグメンテーション）は、既存のデータに回転・反転・拡大縮小・明るさ変更などの変換を加えて学習データのバリエーションを人工的に増やし、モデルの汎化性能を高める手法です。ハイパーパラメータチューニングは学習設定の最適化、量子化はモデルの軽量化、データリーケージは評価情報の漏れで、いずれもデータ量を増やす手法ではありません。
選択肢ごとの解説
- A誤り。ハイパーパラメータチューニングは学習設定の最適化で、学習データを増やす手法ではありません。
- B誤り。量子化はモデルの重みを低精度にして軽量化する技術で、データ拡張ではありません。
- C誤り。データリーケージは評価用の情報が学習に漏れ込む問題で、望ましくない現象です。
- D正しい。既存データに変換を加えてバリエーションを増やすのがデータ拡張です。