こんばんはーーー！
3日目にして早速勉強をさぼってしまおうかと思いましたが、
やると決めたからにはやらねば！と戻ってまいりました。
あー、ほんとはさぼりたいなー。だって眠いんだもん…。
とりあえずはいまさらですが、改めてG検定について調べてみよう。
どうやら試験時間は120分で220問ほどあるらしい。
そしてどうやらオンライン受験らしい！
え？オンライン！？
ってことは…
カンニングし放題？
いったいどういうこと！？
合格者のブログによると、
問題数が多く1問約30秒で解く必要があるため、
カンニングしてる余裕などないらしい。
ほんとに～～？
検索なんて余裕でしょー。
ちょっと試してきますっ！
・
・
・
・
・
はいっ！戻りました。
無理でした！
問題を読む→意味が分からない→選択肢を読む→何から検索して良いか時間がなくて焦る
もたついてるうちにあっという間に30秒が経過。
ある程度知識をつけないと、無理だということがはっきりと判明しました！
ほっと安心…。
カンニングし放題ないい加減な試験で、
ただG検定協会だけがじゃぶじゃぶぼろ儲けシステムだと
モチベーションダダ下がりだと思いましたが、違ってたようで良かったです。
そして検定で出題される問題ですが、公式サイトに出題範囲が載っておりました！
G検定の試験範囲（シラバス）と例題という部分で、詳細はPDFをダウンロードです。
さて！
だいぶ前置きが無駄に長くなりましたが、
本日の1問を勉強したいと思います！
問題
ニューラルネットワークにおいて、出力値の変換に用いられる活性化関数の種類として、最も不適切な選択肢を選べ。
ReLU関数
プーリング関数
シグモイド関数
tanh関数
えーーー、今日もさっぱり分かりません！
ニューラルネットワーク、出力値の変換、活性化関数
これらすべて意味が分かりません💦
まずニューラルネットワーク
ニューラルネットワークとは、人間の脳神経系のニューロンを数理モデル化したものの組み合わせのことです。
udemyメディア
ニューラルネットワークは、人間の脳のしくみ（ニューロン(*1)間のあらゆる相互接続）から着想を得たもので、脳機能の特性のいくつかをコンピュータ上で表現するために作られた数学モデルです。
へー
出力値の変換と活性化関数は？
AI／機械学習のニューラルネットワークにおける活性化関数（Activation function）とは、あるニューロンから次のニューロンへと出力する際に、あらゆる入力値を別の数値に変換して出力する関数である。
@IT
機械学習における人工ニューラルネットワーク（ANN：Artificial Neural Network）は、人間における生体ニューラルネットワーク（BNN：Biological Neural Network）の基本的な挙動を模倣している。そのBNNでは、生体ニューロンが活性化（activation）することによって、電気信号がそのニューロンから次のニューロンへと伝播（でんぱ、※「伝搬：でんぱん」ではないので注意）していくことになる。ANNで、この「活性化」を表現するのが、活性化関数である。
なんとなく分かったような。
ニューロンは、生物の脳を構成する神経細胞のことだそうです。
ここまで調べてやっと問題の意味をなんとなく理解出来ました。
ここからは選択肢について調べねば。
ReLU関数
最も現在使われることの多い活性化関数。 xが負のとき0それ以外は恒等関数 シグモイドなどより計算が早いことが特徴
Thoth children
良く分かりませんが、最も使われてる活性化関数らしいです。
詳しくは引用元をご覧ください！
プーリング関数
「プーリング」処理では画像の特徴を粗く整理します。
Qiita
活性化関数とは関係なさそうですね。
シグモイド関数
シグモイド関数は、主に2値分類問題における出力層の活性化関数に用いられます。
機械学習ナビ
だそうです。
tanh関数
tanh関数はシグモイド関数と非常によく似ています。
tetoblog
だそうです。
ということで、不適切なのはプーリング関数ですね。
これはただ覚えるしかなさそうです💦
各関数の特調については、引用元の図を参照ください！
今回も検索しまくってそれぞれの関数の雰囲気は分かったけど、
こんなんでG検定、大丈夫かな…。
それでも明日もがんばろう！