2025年1月25日土曜日

令和6年度秋期 応用情報技術者試験に合格した件について

令和6年度秋期 応用情報技術者試験に合格しました。

令和1年度秋期 基本情報技術者試験に合格していて、当時どのように勉強していたか曖昧だったので、備忘録として。

また、この投稿直前に (R6秋期)応用情報技術者試験に一発合格した勉強法・合格体験記【Notion活用】 という記事を拝見させていただいて、受験前に午後試験の過去問でなかなか点数が取れない気がして、いろいろな方の記事を拝見させていただいたことを思い出したので。

過去の記憶を思い出す限り、皆さん書かれている内容に似ているような部分と似ていない部分があったりします。

午後試験の勉強方法で苦労したのに、その点についてはあまり書かれていた記憶がないので、それについての備忘録として。

参考までに

  • 午前得点    80.00点
  • 午後得点    72.00点
  • 午前分野別得点(得点率)
    • ストラテジ系  18.75点(75%)(満点25.00点)
    • マネジメント系 11.25点(90%)(満点12.50点)
    • テクノロジ系  50.00点(80%)(満点62.50点)
       
  • 午後問題分野
    • 問1    情報セキュリティ
    • 問3    プログラミング
    • 問4    システムアーキテクチャ
    • 問5    ネットワーク
    • 問7    組込みシステム開発

 

最初にまず大事なことを2点

  • 過去問道場はマメに解く

  • 計画をしっかり立てる

     

    過去問道場に関してはインプットした情報をちゃんとアウトプットできるかの検証です。

    基本情報ではノート作っていた気がしますが、応用情報ではノートや単語帳は作らなかったのです。

    ノートとか作るにしても、絶対にアウトプットが大事なのかなぁと思います。

     

    計画を立てることとしましては、勉強量が幾分量が多いからです。

    幸いなことに章立てであるので、それと参考書のページや問題などの項目をもとに計画を立てましょう。

    午前を理解した上で午後の過去問もきちんと解く時間が必要だと思います。

    また、気持ち多めに午後の問題に解く時間をさきましょう。

    思った以上に解けませんでした。

 

午前問題の対策として

他の方とほぼ同じです。

午前の内容に関して教科書的なもので一通りは頭に入れておきます。

私は以下のものを使いました。

キタミ式イラストIT塾 応用情報技術者 令和07年 

他の方の記事では違うものを使ったりしていますし、良し悪しもあると思うのですが、自分が読んでみて頭に入りそうなもので評判が悪くなければよいかと思います。

参考書も解いているご自身も全てをカバーできるわけじゃないと思いますので、聞かれそうなことの70%位をカバーできていれば問題ないと思います。 

これに関して、過去問道場で解いた章から解いていって、最終的に8割くらいを初見で解ければいいのかなと思います。

また、午後の問題を解くにあたって、苦手だなぁと思う分野を見定めておくのもよいかと思います。

私はストラテジ系とマネジメント系が厳しいと思いました。 


午後問題の対策として

まずは過去問道場で午前を6割程度理解しておくことが必要と思います。

一部の記事では午前をきちんとすればあまり午後は勉強しなくて済んだとおっしゃっている記事もあるほど、情報が必要十分にインプットされている必要があります。

私は以下のものを使いました。

2025 応用情報技術者 午後問題の重点対策

みなさんと同じでした。

午後は記述で、応用がまさに問われました。

まずは全ての章の問題を解いてみて、雰囲気を理解する必要があると思います。

私は解けそうな問題と無理だなと思う問題に別れました。

私はデータベースは速攻で無理だなと思いました、SQLの構文覚えていない。

最終的に必修のセキュリティ以外で5,6問解けそうな分野、余分に1,2分野を解けるようになっているのが良いかなと思いました。

また、この問題集に関しては解かない分野の問題を除いて、全ての問題を解いておくべきでした。

なぜならば、分野は同じでも聞かれている内容がちょこちょこ違っていて、何がポイントか理解するには数をこなすしか無いのかなと思いました。

ポイントを理解する点において、問題集の解説をきっちり読むことは大事だと思います。

選択肢であっていたとしても、実は考えていたことと解答の理由が異なっていることがありました。

採点においては、過去問道場の午後も参考にすべきだと思います。


最後に

ぶっちゃけR6秋は例年と比べて合格率が5%くらい高かったので、参考にならないかもしれないです。

頭の中で情報のグラフができているのが大事かなと思います。 

そして、ちゃんと情報を引き出せるということが大事かと思います。

出来ていないならば、その分野のことは理解していないと思います。

そのような分野が小さいなら、午後はなんとかパスできると思いますが、午前も突破できない中途半端なグラフが出来ているなら、まずはその分野をしっかりすべきと思います。

2023年3月26日日曜日

Dissipative Lagrangian Neural Networksについて

最近まで学業で研究をしていました。

その内容がDissipative Lagrangian Neural Networks(github)という先行研究のDissipative Hamiltonian Neural Networks(arxiv.org,github.com)とLagrangian Neural Networks(arxiv.org,github) を合体したものです。

具体的にどういうものかというと

ラグランジュ方程式に基づき、エネルギー散逸を考慮した力学系の学習が可能なニューラルネットワーク

  • Dissipative Hamiltonian Neural Networksでは必要であった正準座標系に依存しない
    • つまり、重さを知らなくても良い。 
  • Lagrangian Neural Networksでは考慮できない散逸を考慮できる
    • 保存場のみの計算が可能であるが、散逸場を含むと計算できない。
    • 空気抵抗などの粘性抵抗、摩擦などのエネルギーロスがあっても良い。

という感じです。
物理屋ではないので間違っていたら、書き換えると思います。たぶん。


ここでは苦労話を書こうと思います。


  1. DLNNで予測するモデル構造には複数のモデルが存在する

    ラグランジュ方程式を解くのですが、
    $$ \ddot{q} = - {\nabla _q \nabla _\dot{q} \cal{L}} + {\nabla _q \cal{L}} - {\nabla _\dot{q} \cal{D}} $$
    という微分方程式で表現することが最終的に求めることなのですが、この過程でヘッシアンで直接求めるか、頑張って二階微分するかです。
    ここで頑張って二階微分するとモデルとしての柔軟性が失われますが、一括で処理することができ、大幅な高速化が見込まれます。
    しかし、今回はvmapで並列化するという手法を取りました。
    これはすべての計算をニューラルネットワークのもつ自動微分で行わないので追跡性(backward?)を損なうと考えております。
    実際にはこのヘッシアンを使っています。
    なぜかそのほうが精度が良かったです。

  2. optimizerなにが良いのかがわからない
    投稿した現在もたくさんのoptimizerが出てきており、投稿時点ではLionというものがここ数週間で出てきた感じとなります。
    最初から備え付けのAdam,AdamW,自分でインストールしたDadapAdam,Lionを試しました。めんどくさくなって、サンプル結果だけAdanとかSGDとか見ました。
    他の方の検証によってはAdamWが良かったり、Adanが良かったり、Lionのタイパが良かったりするなどありました。

  3. optimizerやschedulerの扱いがよくわからない。

    今はdadaptationのAdamとtimmのCosineLRSchedulerを使っています。
    ただ、使用方法に書いてあるとおりに使用しておりません。
    何故かその通りに使用するとあまり芳しい結果が得られませんでした。
    dadaptationは
    「dadaptationがlrも管理するのでスケジューラーは使わないでね。それとd0は1r-6、lr=1でお願いね。」
    というふうに書いてあるように読み取れましたが、そのとおりにするとあんまり芳しくないんですよね。
    なんか試行錯誤の末、選んだ感じになりました。

  4. dadaptationはエポック数を稼ぎにくい

    試行回数が増えるほどnanやなんかdadaptのパラメータがおかしくなります。
    やだねぇ...。

  5. Lossの取り方がよくわからない

    一般的にMSE、平均二乗誤差を取るかと思います。
    これは一般的に有用であると考えます。バッチサイズにも影響を受けず、安定した値を返します。
    ただ、逆に細かな値の調整や外れ値に弱いと考えております。
    今回のような小さな値(0~100)を取り扱い、外れ値のような結果も外れではないという場合にはあまり良くないのではないかと考えております。
    $$ sum(abs(predict-train)) $$ という形でLossを取る場合、ノイズに弱くなると思うところがあるので、今後の課題の一つであるかと思います。

  6. バッチサイズが一般論とは違う
    リソースが許す限り、一般的にバッチサイズは大きければ大きいほど良いみたいな感じがあるのですが、これはそうではないです。
    なぜならば、Lossの取り方が$$ sum(abs(predict-train)) $$になっている場合、バッチサイズが大きくなればなるほどLossが大きくなります。
    しかし、エポック数を無闇矢鱈に増やす訳にはいかない...普通のものと比べるとエポック数を多少増やす必要があるようには思います。

  7. 活性化関数がよくわからない
    結局swishを使っているのですが、形としてはtanhshrinkが合いそうな気がするんですよね。
    結局は使っている活性化関数が答えですね。理由はわからないです。

  8. 隠れ層やその種類について
    現状はdenseで512次元です。
    これは最近になってどうするか考え出したので、結局答えはわからずじまいです。

以上より、なかなかに苦労したところでもあり、今後の参考になる部分ではないかと思います。

 

まとめ

 最近は力学系ニューラルネットワークが盛んになってきている傾向があると思います。これはHamiltonian Neural Networks(arxiv.org,github.com)を提案したSam Greydanus氏が恐ろしいほどすごい人であるからと考えております。

普通こんな事考えないよねと思ったりもしますが、いつの日かこういうニューラルネットワークが普通になるのかもしれない日が来るのかもしれないですし、来ないのかもしれないです...。 


余談

LNNは自身の環境では再現できませんでした。

再現できた方はおめでとうございます。

再現できた環境をネットの海に放流してください。

2022年12月17日土曜日

Google Pixel 6aを買いました


最近、スマートフォンの機種変をしました。

 

 

機種変更先はGoogleのPixel 6a(以降 Pixel 6a)です。

よくCMで流れているPixelの最新の廉価モデルです。

それまでは、この記事で紹介したOppo Reno Aを2022/11/30まで使っておりました。

機種変更の理由は、上記の記事と同じ理由で、「もたつきが増えた」という理由に加え、「バッテリーの持ちが悪くなった」という理由です。

  

買い替えたことによる「Pixel 6a」の良いところと悪いところを書いていこうかと思います。

 

「Pixel 6a」とは

Googleが発売するPixelシリーズのスマートフォンの一つです。

2022/7/28に販売され、セールなしでは53900円で販売されているスマートフォンとなります。

セールであったり、店舗の独自値下げなどで、2022/12/17現在では、30000円から45000円ほどで購入できる事が多く、白ロムで最安値では22001円(MNP一括で1円というもの)で購入できる機種となっています。

特徴としては、Googleが開発した独自SoCである「Google Tensor」を搭載しており、上位の無印やProと同じCPUであります。

しかしながら、他の特筆すべき点はなく、ありふれたスマートフォンという感じです。

逆に言うと、オールマイティに使える万能さがあります。

 

使い勝手について

私が使ったことのある「ASUS Zenfone 2(Zenfone 2)」、「Motorola Moto g5s(g5s)」、「Oppo Reno A(Reno A)」と比べます。

使用用途は上記の記事から変わっていません。

一言でいうと、「微妙」です。

モダンで使いやすい位置にある指紋認証ですが、Reno Aのように顔認証には対応していません。安全性の確保やチップの制限による判断だと思います。後継のPixel 7シリーズにはあるので。

そして、ピュアAndroidが最速で降ってくるので、下のバーを消せなかったり、Reno Aで出来ていた事ができずに、少々不便なところもあります。

また、同様の理由でUIが一貫性がないようにも思います。Android 12で不評である2回下にスワイプしないと設定を細かく変えることのできない、WiFiは自分で選びにくいなどなど...。

加えて、ゲームスペースが拡張性がなく、設定が甘いことがあります。

さらに、GPSの精度はReno Aよりも少々悪いように体感します。

一部機種では健在のイヤホンジャックとSDカードスロットがありません。

そのうえで、Reno Aよりも、重さは重く、奥行きが厚く、 横幅は細くなっています。

そのせいで少々持ちにくく感じます。

 最後にRAMが6GBしかないので、タスクキルがReno Aよりも多いように感じました。

 

しかしながら、この値段でハイエンドのCPU,GPUを積み、ベンチマークでも上位に位置する性能であるため、操作は快適です。

Reno AでもTwitterやDiscord、Web閲覧、動画視聴などなど普通にもたつくことなくできるので、本領を発揮するのはゲームとなります。

 

ゲームの動作について

 これも上記の記事と同じことを述べてしまうのですが、「以前使っていたものよりもサクサク動きます」。

SoCの性能が上がっているからですね。

具体的に言いますと、ミリシタを3D高画質で「レイジーレイジー」をプレイしても、13人ライブの「ESPADA」をプレイしても、カクつくことはほぼありません。一瞬負荷が高くなって、60fps貼り付きは難しいですが、十分に耐えれる程度です。

 


Reno Aだと3D超軽量でも13人ライブはカクつき、「レイジーレイジー」は一瞬止まってしまったのではないかと見間違うほどでした。

 

デレステに関しては、3Dリッチでも基本的にカクつくことがありません。

しかし、プレイ中にエフェクトなどで非常に見ずらいのでやめます。

「Majoram Therapie」 ではSSRやTextureRenderなど結構重い処理が走っているのですが、普通にほぼカクつくことがなく動作しました。

 

逆にSSRやTextureRenderとかPS3で搭載されたか否かくらいの技術だと思うので、それがモバイル端末で60fps付近で動くというのは驚きがありました。

Reno Aでは3D軽量にしていても、3人の「UNIQU3 VOICES!!!」ですら、怪しい挙動でフルコンが難しいと明らかに感じるほどでした。


とはいえ、CPU,GPUがハイエンドとは言え、RAMはLPDDR5なのですが、6GBでミドルレンジかそれ以下くらいです。

アプリを複数起動した状態で、ゲームをするとカクつきがより顕著に感じました。


まとめ

Felicaがついていて、SoCのスコアがハイエンド級、その割に30000万から45000円程度、コスパモンスターという感じがします。

コスパモンスターと言えば、中華系でXiaomi系の会社が強く、2022/12/17現在では「Xiaomi 11 T Pro(Amazon)」や「POCO F4 GT(Amazon)」がハイエンド帯ではあり得るのかなぁと思います。MIUI系なのでCRIWAREを使用している音ゲーとは相性がすこぶる悪いと聞くのですが。

 

※Amazonのリンクをすぐ検索して見れるように貼っている(パートーナーではないので、アフィリエイトはないです。そのため、正しくリンクに飛べる確証はありません。)のですが、公式サイトや楽天、Yahooショッピング、回線販売事業者などをチェックするとよりお安く求めることができると思うので、ご購入を検討の方はご自身で情報を集めてください。


ミドル帯でもほぼ同様で、Xiaomi,Oppo,Motoloraなのかなぁと思います。

 

そのため、安定していて、欲張りセットでお安く求めることができるハイエンド端末として、75%くらいの方々におすすめできるスマートフォンです。


余談

予算が30000円から60000円ほどですと、スマートフォンは基本的にSDM695 5Gがメインとなっていましたね。

鬼のようにSDM695 5G を搭載する端末が多くて嫌になりました。

中途半端に性能が良いが、中途半端に悪いのがいらっとするんですよね。


Oppoを検討していたのですが、Reno 5AはSoCは良いものの、液晶な上に、背面に指紋認証があり嫌でしたし、Reno 7AはSoCが劣化していましたので、予算を上げることを検討しました。

 

引用元

1.価格.com,Google Pixel 6a スペック・仕様・特長 ,https://kakaku.com/keitai/smartphone/model/M0000000951/spec/

2.Google, Google Pixel 6aの技術仕様,https://store.google.com/jp/product/pixel_6a_specs?hl=ja

3.Google,Compare Pixel Phone and Specs,https://store.google.com/jp/magazine/compare_pixel?hl=ja