機器學習技術與應用：181 題線上練習
iPAS AI 應用規劃師中級「機器學習技術與應用」（L23）共 181 題免費練習題，依 5 個知識主題分類，每題附逐題解析與相關 AI 術語連結。
「機器學習技術與應用」是 iPAS AI 應用規劃師中級考試科目（代號 L23）。本頁整理 181 題免費練習題，依 5 個知識主題分類，每題可線上作答並附逐題解析。
考試範圍定位
- 考試等級
- iPAS AI 應用規劃師中級能力鑑定
- 考試科目
- 機器學習技術與應用（L23）
- 考試科目
- 機器學習技術與應用（L23）
練習題列表（共 181 題）
以下依知識主題分組，每組節錄部分題目；點各主題標題可查看該主題全部題目。
機器學習基礎數學（50 題）→
在梯度下降（Gradient Descent）優化過程中，陷入「局部最小值（Local Minimum）」的問題，下列哪種方法最能有效緩解？
在深度神經網路訓練中，「學習率（Learning Rate）」是一個關鍵超參數，下列哪項描述最為準確？
在醫療診斷 AI 系統中，若某模型在訓練資料中表現優異但臨床部署後診斷準確率下降，且醫師反映難以理解模型決策依據，下列哪項解決方案最能同時解決這兩個問題？
在深度學習中，Adam 優化器（Adaptive Moment Estimation）相比標準 SGD 的主要改進為何？
蒙地卡羅模擬（Monte Carlo Simulation）的核心概念是什麼？
在線性迴歸模型診斷中，若殘差圖（Residual Plot）呈現明顯的「喇叭型」（殘差隨預測值增大而擴散），這表示違反了何種假設？
機器學習與深度學習（45 題）→
在機器學習模型評估中，交叉驗證（Cross-Validation）的主要目的為何？
在機器學習中，Lasso（L1 正則化）相比 Ridge（L2 正則化）的主要特性為何？
在密度型分群演算法 DBSCAN 中，若某資料點的 ε 鄰域內包含的資料點數少於 MinPts，且該點本身不在任何核心點的 ε 鄰域內，則該點被定義為？
在卷積神經網路（CNN）中，卷積層（Convolutional Layer）的主要功能為何？
在卷積神經網路（CNN）架構中，「局部感受野（Local Receptive Field）」的概念是指？
長短期記憶網路（LSTM）相比標準遞歸神經網路（RNN）的主要改進為何？
機器學習建模與參數調校（29 題）→
機器學習治理（7 題）→
尚未細分能力指標的考題（50 題）
某零售企業建立一個銷售預測模型，希望評估該模型在不同月份的新資料上，是否仍能維持穩定的預測表現。資料科學團隊計畫利用統計方法檢驗模型對未觀察資料的適應能力與泛化效果。下列哪一種方法最適合用於此目的？
在建立迴歸或分類模型時，若希望避免模型過度擬合（Overfitting），可透過加入正則化項以限制模型的複雜度。其中，L1 正則化（Lasso）的主要效果為何？
在訓練非線性模型時，若目標函數為非凸函數（Non-convex Function），演算法在參數更新過程中可能出現多個極值點，導致最佳化結果不穩定。請問此時最可能發生下列哪一種情況？
在執行 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）群集分析時，若某資料點鄰域內的樣本數不足以形成核心點（Core Point），且該點未被任何核心點的鄰域所包含，也未與其他群集形成密度可達關係（Density Reachability），此資料點最終將被歸類為哪一種類型？
某智慧製造公司開發一套影像辨識系統，用於自動檢測生產線上的瑕疵產品。系統採用卷積神經網路（Convolutional Neural Network, CNN）作為主要模型架構，其中第一層卷積層（Convolutional Layer）主要負責的功能為下列何者？
某智慧城市團隊開發一套交通監控系統，用於即時辨識路口監視器影像中的車輛與行人。團隊比較後發現，卷積神經網路（Convolutional Neural Network, CNN）在訓練與推論效率上，明顯優於傳統的全連接神經網路（Fully Connected Neural Network, FCNN）。請問下列何者為主要原因？
下列哪一種應用最適合採用長短期記憶網路（Long Short-Term Memory, LSTM）模型？
資訊增益（Information Gain）常用於衡量特徵對分類結果的不確定性貢獻程度，並據以進行特徵選擇。此方法主要應用於下列哪一類模型架構中？
在建構以距離為基礎的機器學習模型（如 KNN、SVM）時，下列哪一項資料前處理方式最為關鍵？
下列哪一種應用情境最適合導入 AutoML，以提升模型開發效率？
相較於 Grid Search，Random Search 在超參數調整上具備哪一項主要優勢？
某智慧製造公司開發一套設備故障預測系統，利用感測器資料訓練深度神經網路（Deep Neural Network, DNN）模型，以提前偵測異常運作跡象。在訓練過程中，團隊發現模型收斂速度不穩定：有時太快導致過擬合，有時又遲遲無法達到最佳準確率。開發團隊可以藉由調整下列哪一項超參數（Hyperparameter）以改善此問題？
標籤偏差（Label Bias）通常是因為什麼原因造成？
下列哪一種 AI 應用情境中，模型的可解釋性（Explainability）最為關鍵？
在線性迴歸模型中，若 R² 值為 0.85，其意義為何？
在二元分類問題中，若精確率（Precision）為 0.8，召回率（Recall）為 0.6，則 F1 分數（F1 Score）為何？
下列哪一種優化演算法內建動量（Momentum）的設計機制？
下列何者最能同時反映 XGBoost（eXtreme Gradient Boosting）相較於傳統梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）的主要技術改進？
某醫療機構開發疾病早期偵測模型，正樣本（確診病例）僅佔 3%。在模型訓練與評估過程中，下列哪一種作法最不適合用於提升對少數類病例的預測能力？
某電子商務公司為開發商品評論情感分析模型，希望模型能捕捉評論中不同特徵之間的關聯影響，例如「商品價格」與「顧客滿意度」的互動效果。下列哪一種特徵工程設計方式最適合用於建立互動特徵（Interaction Features）？
某語音辨識系統開發團隊採用 Transformer 架構，為了讓模型能同時理解語音片段中的發音特徵、語速變化與語意脈絡等多層次資訊，團隊在設計中導入了多頭注意力（Multi-head Attention）機制。請問下列何者為此機制的主要優點？
某電商平台希望預測顧客是否會購買特定商品。系統蒐集顧客的瀏覽紀錄、停留時間、商品類別偏好與過去購買行為，並以此推估「在觀察到這些行為特徵的情況下，該顧客會購買的機率」。若模型採用貝氏定理（Bayes' Theorem）進行推論，下列敘述何者最符合其核心運作機制？
一家再生能源公司希望預測未來三個月太陽能發電量的波動範圍。由於氣候條件具有高度隨機性，且輸入變數（如日照時數、雲量、溫度）之間存在不確定關係，工程團隊決定以隨機抽樣方式模擬多種可能情境，以估算整體發電量的機率分佈與風險區間。請問此時所採用的技術最符合下列哪一種方法？
某房地產公司利用多元迴歸模型（Multiple Regression Model）預測房價，並繪製殘差圖（Residual Plot）檢查模型品質。結果顯示部分資料點的殘差極大，且在高價區樣本中出現系統性彎曲分佈現象。根據此觀察，下列何者為最可能的正確解釋？
某金融機構正在建立傳統信用評分卡模型，採用邏輯迴歸（Logistic Regression）作為建模方法，並依循監理機關建議的標準化流程進行模型開發。下列哪一項不是傳統信用評分卡模型開發流程中的常見步驟？
在防止監督式學習模型過擬合（Overfitting）時，下列哪一種策略不屬於降低模型複雜度或限制學習能力的作法？
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？
一家零售電商公司希望建立顧客流失預測模型，用以判斷哪些會員可能在三個月內不再消費。團隊以去年會員資料進行訓練，並僅採用「曾經購買三次以上」的活躍顧客紀錄作為樣本。模型上線後，對全體會員進行預測時，發現模型對於新註冊會員與低消費會員的預測準確率明顯偏低。下列何者為造成此現象最可能的原因？
在工業設備故障預測專案中，模型訓練與超參數調整均依賴於一段歷史數據作為驗證集。然而，隨著設備運行環境與工況條件的變化，原有驗證集已無法充分反映現況，導致模型在實際部署後的預測準確率逐漸下降。下列哪一種策略最能有效提升模型在長期運行環境中的穩定性與泛化能力？
某情感分析模型在英文資料集上取得 macro F1-score = 0.91。當該模型部署於西班牙文資料集時，F1-score 驟降至 0.58。下列哪一項解釋最合理，且與 F1-score 變化相關？
某能源公司利用歷史氣象與用電資料，開發長期電力需求預測模型，採用深度神經網路架構進行訓練。在訓練過程中，模型在訓練集上的損失值持續下降，但在驗證集上，損失在第 80 輪後開始波動，呈現週期性上升與下降。團隊懷疑模型受到季節性資料波動與隨機噪音影響，導致驗證損失難以穩定收斂。若要在此情境下合理運用早期停止法（Early Stopping）以確保模型具最佳泛化能力，下列哪一項策略最為適當？
某電信公司開發客戶流失預測模型，使用大量顧客行為特徵，例如通話時長、上網頻率、帳單金額、客服聯絡次數等。在訓練過程中，團隊發現部分特徵彼此高度相關，但同時也懷疑有些特徵對流失預測的貢獻有限。若希望模型在避免過擬合（Overfitting）的同時，能自動篩選出較具代表性的特徵，採用下列哪一種方法最為合適？
某資料科學團隊正在開發一個客戶相似度比對系統，用於計算所有客戶之間的相似度分數。若系統需逐一比對每一位客戶與其他所有客戶的資料組合，此時演算法的時間複雜度最可能為哪一種？其代表意義為何？
某醫療人工智慧團隊正在開發心臟病風險預測模型，資料量僅有 150 筆，其中陽性個案不到 8%。由於樣本數稀少且類別分佈極不平衡，團隊希望在有限資料下，仍能準確評估模型在不同資料上的表現穩定性，同時避免訓練資料被過度切分而影響模型效能。若團隊希望在有限樣本下，同時兼顧資料的利用率及各類別在驗證折中的比例一致性，最適合採用下列哪一種交叉驗證方法？
某公司針對製程感測器資料進行主成分分析（PCA），經標準化與協方差矩陣分解後，得到三個主成分的特徵值如下：λ1=6.0，λ2=3.0，λ3=1.0。若團隊決定僅保留能解釋至少 80% 總變異量的主成分，以進行後續模型建構，下列哪一項敘述最合理且數據解讀正確？
某銀行計畫與多家合作機構共同訓練一個 AI 信用風險預測模型，為避免客戶交易資料在傳輸與運算過程中外洩，技術團隊評估使用同態加密（Homomorphic Encryption）技術。下列何者最能正確描述同態加密在此應用中的關鍵特性？
某跨銀行風控平台希望整合多家銀行的用戶行為資料，用於訓練信用風險預測模型。由於競爭與法規限制，各銀行僅願意提供加密後資料，且資料在任何時間不得被平台解密。同時，平台需建立安全通訊協議以確保資料在傳輸過程未被竄改或重放。下列哪一組技術最能完整對應上述需求？
附圖程式碼所計算的是哪一類型的評估指標？ def metric(y_true, y_pred): return sum((y_true - y_pred) ** 2) / len(y_true)
附圖程式碼實現的是哪一種正則化技術？ def forward(x, p, training=True): if training: mask = np.random.binomial(1, p, size=x.shape) return x * mask / p else: return x
依據附圖程式碼進行資料處理，下列何者正確？import numpy as npv1 = np.array([1, 2, 3])v2 = np.array([4, 5, 6])A = np.array([[1, 2], [3, 4]])
考慮擲出骰子並採用 Monte Carlo 方法估算條件機率，參考附圖程式碼。 import numpy as np np.random.seed(123) n = 100000 dice_rolls = np.random.randint(1, 7, size=n) A = (dice_rolls % 2 == 0) B = (dice_rolls > 3) A_and_B = A & B 事件 A：擲出偶數 事件 B：擲出大於 3 請問下列何者為條件機率 P(A | B) 的正確值？
VGG16 是由牛津大學 Visual Geometry Group (VGG) 在 2014 年提出的經典卷積神經網路（Convolutional Neural Network, CNN）架構。該模型以簡潔且規則的層堆疊設計聞名，廣泛應用於影像分類、特徵提取及遷移學習等任務。附圖程式碼載入了預訓練的 VGG16 模型，並輸出其完整層級結構及參數統計摘要（如附表，總參數約 138,357,544）。在深度神經網路中，不同層的參數量（parameter count）差異極大。有些層雖然數量少但計算量大，有些則相反。了解參數分佈情形，有助於模型壓縮與遷移學習設計。請問在 VGG16 中，下列何者的參數量最多？
VGG16 連題組第二題：在神經網路中，了解各層的運算量分佈，有助於模型壓縮與硬體加速的策略設計。請問在 VGG16 中，下列何者運算量（FLOPs）最多？
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）
VGG16 連題組第四題：在實務應用中，我們常使用遷移學習（transfer learning）技巧，即載入預訓練模型（如 VGG16），凍結部分層的參數，只針對特定任務重新訓練最後幾層，這種做法可節省訓練時間並提升模型效能。假設你要對 VGG16 進行遷移學習（transfer learning），希望凍結卷積層的參數，只訓練最後全連接層（classifier）。下列哪段程式碼寫法正確？
在郵遞區號自動辨識的研究中，研究人員收集了一份手寫數字影像資料集（UCI sklearn digits, 8×8 灰階），共 1797 筆。研究人員把含有雜訊的手寫數字影像存放在變數 noisy 中，部分資料經視覺化後外觀如附圖所示。他們嘗試使用 PCA 進行降噪，並希望能保留影像的主要特徵，同時去除影像中的雜訊。 程式碼如下： 程式碼 A: import numpy as np; noisy = np.random.normal(digits.data, 4) 程式碼 B: from sklearn.decomposition import PCA; pca = PCA() 程式碼 C: pca.fit(noisy) 程式碼 D: components = pca.transform(noisy) 程式碼 E: filtered = pca.inverse_transform(components) 當程式執行後，觀察到影像仍然含有明顯的雜訊。研究人員懷疑是程式中某步驟的設定不正確，導致 PCA 沒有發揮降噪的作用，需要修改程式碼才能讓降噪有效。請問哪一段程式碼需要修改，才能讓 PCA 對 noisy 影像有效去噪？
KNN 連題組第二題：研究人員在對 digits 資料集進行分類時，決定使用 KNN 並搭配交叉驗證來評估模型準確率。他們撰寫了四組不同的程式碼來進行 KNN 訓練與交叉驗證，但不確定哪幾組程式碼能正確執行並輸出準確率。請問哪幾組程式碼能正確使用 KNN 搭配交叉驗證，對 digits 資料集進行訓練並輸出準確率？ 程式碼 A：使用 StratifiedKFold(n_splits=5, shuffle=True)，scoring="accuracy" 程式碼 B：同 A，但 scoring="f1" 程式碼 C：使用 cv=5（整數），scoring="accuracy" 程式碼 D：同 C，但 scoring="f1"
使用鐵達尼號（Titanic）資料集進行多層感知機（Multilayer Perceptron, MLP）分類預測分析，其中 survived 為反應變數（1 表示存活，0 表示死亡）。資料載入後切分為 X_train（前 9 欄）/y_train（survived）/X_test/y_test，型別為 float32。 參考下圖程式碼： X_train -= X_train.mean(axis=0) X_train /= X_train.std(axis=0) X_test -= X_test.mean(axis=0) X_test /= X_test.std(axis=0) 敘述（複選 sub-options）： A：X_train -= X_train.mean(axis=0) 將每個訓練集特徵的平均值調整為 0 B：X_train /= X_train.std(axis=0) 將每個訓練集特徵的標準差調整為 0 C：X_train 處理結果會將資料壓縮到 0 和 1 之間 D：標準化結果防止梯度爆炸或消失 E：標準化是屬於特徵選擇（Feature Selection）方法 F：X_train 程式碼應修正為 X_train = X_train.std(axis=0)，X_test 程式碼應修正為 X_test = X_test.std(axis=0) 請問下列何者正確？（4 個選項各為不同的子敘述組合）
Titanic MLP 連題組第二題：參考下圖執行結果，下列何者正確？ model = Sequential() model.add(Input(shape=(X_train.shape[1],))) model.add(Dense(10, activation="relu")) model.add(Dense(10, activation="relu")) model.add(Dense(1, activation="sigmoid")) model.summary() model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"]) Model: "sequential" Layer (type) Output Shape Param # dense (Dense) (None, 10) 空格 1 dense_1 (Dense) (None, 10) 空格 2 dense_2 (Dense) (None, 1) 11 敘述： A：activation="relu" 其數學式為 f(x) = 1/(1+e^(-x)) B：空格 1 值為 110，空格 2 值為 100 C：空格 1 值為 100，空格 2 值為 110 D：activation="sigmoid" 一般用於多類別分類預測模型
Titanic MLP 連題組第三題：模型訓練後繪製訓練/驗證損失曲線，圖顯示訓練損失（藍實線）持續下降，驗證損失（紅虛線）下降後在 0.45 附近趨平且小幅波動。 history = model.fit(X_train, y_train, validation_split=0.2, epochs=100, batch_size=10) loss, accuracy = model.evaluate(X_train, y_train, verbose=0) import matplotlib.pyplot as plt loss = history.history["loss"] epochs = range(1, len(loss)+1) val_loss = history.history["val_loss"] plt.plot(epochs, loss, 空格 1, label="Training Loss") plt.plot(epochs, val_loss, 空格 2, label="Validation Loss") 敘述（複選 sub-options）： A：空格 1 須填入 "b-" B：空格 2 須填入 "b--" C：空格 1 須填入 "r-" D：空格 2 須填入 "r--" E：驗證損失明顯較訓練損失減少更明顯 請問下列何者正確？（4 個選項各為不同的子敘述組合）
本考點的相關 AI 術語
先掌握以下術語的定義與應用情境，再回來刷題，正確率會明顯提升。
下一步
練完本考點的題目後，回到 題庫總覽 查看其他科目的題數分布， 或直接進行 完整模擬考 驗證實力。 還不確定弱點在哪，先做 診斷測驗； 想了解歷年出題趨勢與高頻考點，參考 考古題與模擬測驗總整理。