中級 機器學習技術與應用
難度：未標示 114 年考題
題目與選項
下列哪一種應用情境最適合導入 AutoML，以提升模型開發效率？
- A. 公司已有完整的 MLOps 平台與資深資料科學團隊，模型更新採固定流程
- B. 製造部門的生產良率模型已長期穩定運作，只需定期調整參數
- C. 行銷部門希望在短時間內比較多種顧客流失預測模型，缺乏專職工程師與時間進行手動建模 ✓ 正確答案
- D. 財務部門正在開發高度客製化的信用風險評估模型，需要精細控制特徵工程與演算法細節
詳細解析
正確答案：C. 行銷部門希望在短時間內比較多種顧客流失預測模型，缺乏專職工程師與時間進行手動建模
AutoML 最適合缺乏 ML 工程師、時間緊迫、需要快速比較多種模型的情境：讓沒有深厚建模技術的業務部門（如行銷）也能快速建出夠用的預測模型，不需要等待專職工程師。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
相較於 Grid Search，Random Search 在超參數調整上具備哪一項主要優勢？
中級 機器學習技術與應用 難度 未標示 114 年
某智慧製造團隊在開發瑕疵影像偵測模型時，發現使用線性激活函數（Activation Function）後，模型的訓練準確率長期停滯，懷疑模型無法學習到足夠複雜的特徵表達。若要改善此問題，下列哪一項調整方案最為合適？
中級 機器學習技術與應用 難度 未標示 114 年
VGG16 連題組第三題：VGG16 層數深且結構規則，由多層卷積、池化及全連接層組成。了解各層的輸入/輸出維度、參數量及記憶體需求，有助於掌握 CNN 模型的組成邏輯與實作技巧。根據 VGG16 的模型架構，下列敘述何者正確？ (A) AdaptiveAvgPool2d 的輸出會被攤平後傳入第一個全連接層；由於前一層池化輸出空間為 4×4，所以第一個線性層的輸入維度是 512×4×4 = 8192 (B) Linear-33（第一個全連接層）報出的 102,764,544 參數只包含權重，偏差（bias）沒有算在內 (C) 根據列出的「Estimated Total Size (MB) = 624.98」，表示訓練此模型只需大約 625MB 的 GPU 記憶體（包含所有 optimizer state 與梯度），所以一張 1 GB 的 GPU 就足夠訓練 (D) VGG16 包含 13 層卷積（conv）與 3 層全連接層（FC），總參數數目約為 138,357,544（約 138.36M）
中級 機器學習技術與應用 難度 未標示 114 年
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
資料來源
114-2-mid-3/q10
開始準備 iPAS 考試
題目來源：114-2-mid-3/q10。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。