AI-900の勉強方法・試験対策方法
私自身AI-900に合格した経験から、AI-900のおすすめ勉強方法と試験対策方法をまとめます。私自身がAI-900で学んだ重要サービスの内容も一問一答形式でまとめています。
AI-900に限らずAzure試験ではMicrosoft Learnを利用するのが推奨です。すべて無料で高品質なクオリティなのでぜひ活用しましょう。
受験料無料・半額クーポンをゲット
2024年3月現在でAzure試験の無料・半額クーポンをもらえるお得なキャンペーンが実施中です。詳細は別記事でまとめているのでぜひ活用しましょう！
おすすめ勉強方法
AI-900のおすすめ勉強方法は以下の通りです。
- スケジュール計画
- 試験ガイドの確認
- 試験の申し込み
- 公式ドキュメントで学習
- 参考書・問題集・動画で対策
- 模擬試験
スケジュール計画
まずは勉強スケジュールを立てましょう。
AI-900合格者の難易度・勉強時間の調査から1週間〜2週間の割合が68％を占めたので、1日1、2時間の学習時間という仮説で勉強時間を検討すると勉強時間は7時間〜28時間が目安となります。
しかしながら勉強期間や勉強時間はあくまで目安なので、ご自身の学習レベルに合わせて柔軟にスケジュールを計画しましょう。他人の勉強時間と自身の勉強時間を比較して卑下するのではなく、自分だったらどれくらいの勉強時間でいけそうかの参考程度にしましょう。
試験ガイド
まずはAI-900の試験ガイドを必ず確認しましょう。各試験の出題内容や割合が詳細に記載されているので、試験ガイドに沿って対策することを強くお勧めします。
試験ガイドに記載のあるサービス内容や機能はひととおり説明できるレベルであれば、合格できる可能性が高いです。
試験の申し込み
AI-900の試験概要を把握できたら、試験申し込みを行いましょう。
試験日の24時間前までであれば試験日の変更やキャンセルが可能なので後回しにしたり、受験日を先倒しにすることも可能です。
公式ドキュメント
Azureは資格試験用の公式ドキュメントが非常に充実しています。特にMicrosoft LearnのAzureトレーニングは、無料ながら試験対策として非常に役立つので利用をおすすめします。
Microsoft Learnの使い方は別記事でまとめています。
参考書・問題集
Azure AI Fundamentals（AI-900）におすすめの参考書・問題集・動画コースを別記事でまとめています。
私自身はWhizlabsの問題集を活用しました。Whizlabsは難易度が高く、良質な問題集だったので試験慣れできました。Whizlabsの問題集は英語になりますが、Google翻訳やDeepLなどの高品質翻訳を利用すれば日本語の問題集とほぼ差はありません。
模擬試験
AI-900の模擬試験が50問公表されているので、受験前に必ず挑戦しましょう。
各問題を1問ずつ解答を確認しながら演習を行える点と解答の解説がしっかりと用意されているので非常に便利です。実際の試験の難易度と非常に近しい、まさに模擬試験なので受験前に80％以上はコンスタントに取れるようにしましょう。
自身の合格体験記
試験結果
Azure AI Fundamentals（AI-900）の結果は783点で合格でした。Azure試験の結果は試験終了後に画面に表示され、帰り際にスコアレポートがもらえます。
勉強時間
私自身の勉強期間としては1週間で、勉強時間は8時間でした。
個人的にAzure AI Fundamentals（AI-900）の難易度はやや簡単に感じました。マイクロソフト公式で用意されているMicrosoft LearnとWhizlabs（グローバルで評判のIT学習サイト）の問題集を試験対策として活用しました。Whizlabsの問題集が難しかったので、試験では簡単に感じました。
Whizlabs（ウィズラブス）のAzure AI Fundamentals（AI-900）問題集で125問程度の問題演習が行ったため、Azureサービスの理解に非常に役立ちました。Whizlabs（ウィズラブス）の詳細は別記事でまとめていますので参考にしてください。
| 項目 | 試験結果 |
|---|---|
| 合格ボーダーライン | 700/1000 |
| 自身の試験スコア | 783/1000（合格） |
| 問題数 | 35問前後（自分は35問だった） |
| 試験時間 | 45分 |
| 試験日 | 2023/6/5 |
| 難易度 | 1週間 |
| 勉強期間 | やや易 |
| 総勉強時間 | 8時間 |
問題の手応え
Azure AI Fundamentals（AI-900）の試験問題の具体的な手応えとしては、以下の通りでした。マイクロソフト公式のMicrosoft Learnを活用するのはもちろん、知識をアウトプットしながら学んだことが功を奏しました。
| 自信のある問題 | 27/35 |
| 迷う問題 | 8/35 |
| 知らない問題 | 0/35 |
時間配分
Azure AI Fundamentals（AI-900）の試験時間は45分です。
基本的に問題数は35問前後で一問あたり約1分ほど時間を割けます。じっくりやっても時間は余るはずなので、時間はほとんど気にしなくて大丈夫です。
自分の場合、25分でゆっくり一通り問題を一周して、わからない・後回しにした問題は10分で復習して試験を終了しました。最終的に時間は10分ほど余りました。
試験対策・重要サービス
AI基本知識
コンピューターシステムがデータから学習し、経験を通じて自己改善する能力を持つ技術
Machine Learning（機械学習）
データの異常な振る舞いやパターンを検出するための技術
異常検出
カメラ、画像、ビデオからの視覚的な入力を解釈する技術
Computer Vision
書き言葉、話し言葉を解釈し、人間のユーザーと対話できる技術
自然言語処理
大量の非構造化データから有用な知識や洞察を抽出するための技術
ナレッジマイニング
データセットにラベル付けされたトレーニングデータを使用してモデルをトレーニングする手法
教師あり機械学習
データのパターンや構造を探索し、ラベルや正解データなしで学習を行う機械学習の手法
教師なし機械学習
教師あり機械学習で、連続的な数値の予測を行うタスク
回帰
教師あり機械学習で、データを予め定義されたクラスに分類するタスク
分類
教師なし機械学習で、データの分類やグループ化によってデータの特性を理解し、異なるグループ間の違いを明らかにするタスク
クラスタリング
機械学習モデルの開発を自動化する手法
自動機械学習、AutoML（Automated Machine Learning）
機械学習やデータ分析において、元のデータから有用な特徴量（Features）を抽出または作成するプロセス
特徴量化（Feature Engineering）
回帰モデルで特徴量間のスケールの違いが大きい場合や、特徴量の分布に偏りがある場合に、特徴量を均一なスケールに揃えること
データの正規化
機械学習モデルの学習に使用されるデータセット
トレーニングセット（Training Set）
モデルがトレーニングデータに適応しすぎず、未知のデータに対して適切に汎化できるかを評価するために、使用されるデータセット
検証セット（Validation Set）
与えられた画像をあらかじめ定義されたクラスのいずれかに自動的に分類するタスク
画像分類（Image Classification）
画像内の個々の物体を分類し、その位置を境界ボックスで識別・検出するタスク
物体検出（Object Detection）
画像内の各ピクセルに対して物体クラスやカテゴリのラベルを割り当てるタスク
セマンティックセグメンテーション（Semantic Segmentation）
デジタル画像に対して情報を抽出し、解釈するための技術
画像解析（Image Analysis）
画像やビデオ中に存在する人間の顔を自動的に検出するタスク
顔検出（Face Detection）
印刷されたテキストや手書きの文字をデジタルデータとして読み取るための技術
光学式文字認識 (OCR)
テキストや文章の感情や意見を自動的に分析し、その感情がポジティブ、ネガティブ、または中立であるかを判断する自然言語処理（NLP）の技術
センチメント分析（Sentiment Analysis）
テキストや文章から重要なキーワードやフレーズを抽出する自然言語処理（NLP）の技術
キーフレーズ抽出（Keyword Extraction）
与えられたテキストや文章がどの言語で書かれているかを自動的に判定する自然言語処理（NLP）の技術
言語検出（Language Detection）
自然言語処理（NLP）の技術の1つであり、テキスト内の特定の情報要素を識別し、それらを固有のカテゴリ（固有表現）に分類するタスク
固有表現認識（Named Entity Recognition、NER）
自然言語処理（NLP）の技術の一つであり、テキスト内の特定の名前や表現（エンティティ）を、それが参照している実際の事物や知識ベース上のエンティティと関連付けるタスク
エンティティのリンク（Entity Linking）
自然言語処理（NLP）の技術の一つであり、コンピュータが人間の言語を理解し、その意図や要求を把握するための能力
Language Understanding（言語理解）
2つ以上のフィーチャと1つのラベルの間の関係をモデル化する機械学習モデル
重線形回帰
単一の特徴でモデル化する機械学習モデル
線形回帰
AUC（Area Under the ROC Curve、分類モデルの性能評価指標）で、理想的な値
1.0
AI-900試験対策
機械学習モデルの開発、トレーニング、展開を行うためのクラウドベースのプラットフォーム
Azure Machine Learning
機械学習や自然言語処理、ビジョン解析などのAI機能を提供する統合サービス
Azure Cognitive Services
チャットボットの作成とデプロイを容易にするためのサービス
Azure Bot Service
あらゆる種類の情報をエンリッチして関連コンテンツの特定と探索を大規模に行うのに役立つ、組み込みAI 機能を備え、データマイニングに役立つクラウド検索サービス
Azure Cognitive Search
Azure Machine Learningでコードを記述しなくても、ドラッグアンドドロップによるビジュアルインターフェイスを使用して回帰モデルを作成できるサービス
Azure Machine Learning デザイナー
Azureのクラウド上で提供される機械学習の開発および運用環境に役立つWebポータル
Azure Machine Learning Studio
Azure Machine Learningで実行する演算の名称
ジョブ
AutoMLで、モデルの評価や比較のために使用される主要な指標や評価指標のこと
プライマリメトリック
画像分類、物体検出、顔認識、セマンティックセグメンテーションなどのタスクを処理するAzureサービス
Computer Vision（Azure Cognitive Service Computer Vision）
ユーザーが独自の画像分類モデルを作成し、トレーニング、デプロイ、利用するためのツールセットを提供するAzureサービス
Custom Vision
顔検出および顔認識ソリューションをビルドできるAzureサービス
Face
テキスト、キーと値のペア、テーブル、構造をドキュメントから自動的かつ正確に抽出できるAzureサービス
Form Recognizer
テキストを理解し分析するための自然言語処理 (NLP) 機能を提供するAzureサービス
Azure Cognitive Service for Language
100以上の言語間でテキストを瞬時に、または一括で翻訳するAzureサービス
Azure Cognitive Services Translator
音声データの認識、合成、翻訳などのタスクをサポートするAzureサービス
Speech Service（Azure Cognitive Service）
自然言語処理と対話型AIを利用してチャットボットを作成できるAzureサービス
Azure Bot Service
AzureのAIの6つの原則の1つで、AIシステムはすべての人を公平に扱う必要があるという原則
公正性
AzureのAIの6つの原則の1つで、AIシステムは信頼でき安全に実行する必要があるという原則
信頼性と安全性
AzureのAIの6つの原則の1つで、AIシステムは安全であり、プライバシーを尊重する必要があるという原則
プライバシーとセキュリティ
AzureのAIの6つの原則の1つで、AIシステムは理解しやすい必要があるという原則
透明性
AzureのAIの6つの原則の1つで、AIシステムはあらゆる人に力を与え、人々を結びつける必要があるという原則
包括性
AzureのAIの6つの原則の1つで、AIシステムには説明責任が必要であるという原則
アカウンタビリティ
言語とコードを深く理解した大規模で生成的なAIモデルを活用して、最先端のアプリケーションを構築するための新しい論理的思考と理解の機能を実現するAzureサービス
Azure OpenAI Service
Azure OpenAI Serviceモデルの1つで、GPT-3.5 を基に改善され、自然言語とコードを生成するだけでなく、理解できるモデルのセット
GPT-4
Azure OpenAI Serviceモデルの1つで、自然言語のコードへの変換を含め、コードを理解し、生成できるモデルのシリーズ
Codex
OpenAIが開発した画像生成モデル
DALL-E（ダリー）
Custom Visionで画像分類モデルを利用するために開発者が必要な情報を4つ
- プロジェクト ID
- モデル名
- 予測リソースのキー
- 予測エンドポイント
テキスト、画像、ビデオ コンテンツに不快感を与える可能性のある素材がないかチェックするために使用される Azure Cognitive Servicesサービス
コンテンツモデレーター（Content Moderator）
独自のトレーニングデータを用いて翻訳モデルをカスタマイズし、専門的なテキストや業界固有の用語など、特定のドメインにおける翻訳品質を向上できるAzureサービス
Custom Translator
以下の5つのメトリックで評価を提供するAzure MLのモデル
・平均絶対誤差 (MAE)
・二乗平均平方根誤差 (RMSE)
・相対絶対誤差 (RAE)
・相対二乗誤差 (RSE)
・決定係数（R2）
回帰モデル
FAQ、ドキュメント、マニュアルなどの情報を基に、自動的に質問応答システムを構築できるAzureサービス
QnA Maker
以下の5つのメトリックで評価を提供するAzure MLのモデル
・Accuracy (正確性)
・Precision (精度)
・Recall（再現率）
・F1 score
・AUC
分類モデル
以下の3つのメトリックで評価を提供するモデルのAzureサービス
・Precision (精度)
・Recall（再現率）
・F1 score
Custom Vision
2クラス ロジスティック回帰アルゴリズムを利用してトレーニングするモデル
分類
線形回帰アルゴリズムを利用してトレーニングするモデル
回帰
K-Meansクラスタリングを利用してトレーニングするモデル
クラスタリング
以下の5つのメトリックで評価を提供するAzure MLのモデル
・Average Distance to Other Center (その他の中心への平均距離)
・Average Distance to Cluster Center (クラスターの中心への平均距離)
・Number of Points (ポイントの数)
・Maximal Distance to Cluster Center (クラスターの中心までの最大距離)
・Combined Evaluation (結合した評価)
クラスタリング
物体検出モデルで得られる3つの情報
- クラス名
- 境界ボックス
- 確率スコア
テキスト翻訳、ドキュメント変換、業界固有の言語、用語、スタイルを翻訳するために、カスタマイズされたモデルを作成（Custom Translator）できるAzureサービス（テキスト翻訳のみ、音声は不可）
Translatorサービス
Translator APIのオプションの1つで、不適切な表現を除外して翻訳する機能
不適切用語のフィルタリング
Translator APIのオプションの1つで、コンテンツにタグを付け、意図的に選択した箇所の翻訳を行わないようにできる機能
選択的翻訳
音声からテキストおよび音声から音声への翻訳を可能にするAzureサービス
音声サービス（Speechサービス）
音声サービス（Speechサービス）のAPIの1つで、音声ソースからテキスト形式に音声を文字起こしできる機能
音声テキスト変換
音声サービス（Speechサービス）のAPIの1つで、テキストソースから音声を生成できる機能
テキスト読み上げ
音声サービス（Speechサービス）のAPIの1つで、ある言語の音声を別の言語のテキストまたは音声に翻訳できる機能
音声翻訳
Language Understanding（LUIS）モデルの2つの主要なスキーマコンポーネント
- エンティティ
- 意図
