解答：
① ディープラーニングにおいて,必要なデータ量のおおよその目安を見積もる経験則は存在するが,それを満たす量のデータを集めるのは非現実的な場合が多い.
理由: ディープラーニングでは、大量のデータが必要とされることが一般的です。実際、経験則として必要なデータ量の目安を見積もることはできますが、それを満たすだけのデータを集めるのは難しい場合が多いです。データ量が多いほどモデルの性能は向上しやすいですが、現実的にはデータの収集が困難なことが多いです。
その他の選択肢について：
- ② ディープラーニングにおいては,所望の性能のモデルを学習するために必要なデータは明確に決めることができる。：必要なデータ量を正確に決定することは難しいです。
- ③ 手元データが少ない場合には,今あるデータだけで長時間ディープニューラルネットワークを学習するのが有効で,追加のデータを集めてはならない。：データが少ない場合、長時間学習しても過学習のリスクが高くなります。追加のデータを集めることは推奨されます。
- ④ ディープラーニングにおいては,学習に使うデータの量はモデルの性能にほとんど影響しない。：データの量はモデルの性能に大きな影響を与えます。
