13. 某工程師訓練文本情感分類模型，訓練集 F1=0.96、驗證集 F1=0.71，落差明顯， 115 年第一次 AI 應用規劃師-中級能力鑑定【公告試題】 第三科：機器學習技術與應用 考試日期：115 年 05 月 23 日 第 4 頁，共 18 頁 答案 題目 顯示模型出現過擬合。下列哪一種策略能最直接從降低模型複雜度的角度緩解過 擬合？
(A)增加訓練 Epoch 數至 200，讓模型充分學習訓練資料的所有細節；
(B)引入更多原始文本特徵(包括原始 URL、HTML 標籤)，增加特徵多樣性；
(C)對 Embedding 層與全連結層加入 L2 權重衰減(Weight Decay)，懲罰參數值；
(D)移除驗證集並將其併入訓練集，以增加模型可見的訓練樣本數

14. 某電商平台使用樸素貝氏分類器(Naive Bayes Classifier)建立垃圾郵件過濾模型。 訓練集準確率(Accuracy)達 92%，但上線後發現，包含「限時優惠、立即下單 享折扣」等關鍵字的正常促銷郵件，常被誤判為垃圾信。經分析發現，這些詞彙 在訓練資料中多出現在垃圾郵件中，導致其類別條件機率偏高。請問造成此現象 的最主要原因與較適當的改善方式為何？ (A)應禁用 Naive Bayes，改用其他更先進演算法； (B)模型過擬合於訓練資料，應增加 Epoch 數以提升泛化能力； (C)類別條件機率受訓練資料分布影響，導致促銷關鍵字被視為垃圾信特徵，應重 新平衡資料或調整先驗機率； (D)模型未進行特徵標準化(Feature Scaling)，導致分類邊界偏移，應先進行正規 化處理

15. 某資料科學家將客戶資料進行分群，使用 K-means(K=5)後發現部分群集呈現 半月形(非凸)結構，且資料中存在少數離群值(Outliers)。他同時觀察到每次 執行結果略有不同。下列敘述何者最完整且準確地反映 K-means 在此情境中的已 知限制？ (A)K-means 無法處理維度超過 10 的資料，在高維空間中距離計算失效； (B)K-means 假設群集為高斯分佈，無法處理任何非球形群集； (C)K-means 對 K 值敏感，但初始化不影響最終結果(演算法保證全局最優)； (D)K-means 需預先指定 K；以歐氏距離為基礎，難以處理非凸群集；對初始化與 離群值敏感

16. 某資料科學家在信用評分任務中使用 XGBoost 建立模型，發現模型在訓練集表現 良好但驗證集出現過擬合跡象。他檢視其模型設計，發現 XGBoost 在目標函數 (Objective Function)中引入額外的正則化機制以控制模型複雜度。相較於傳統 梯度提升決策樹(GBDT)，XGBoost 在其核心目標函數中加入了下列哪一種關鍵 設計，使其具備更強的防過擬合能力？ (A)加入樹的複雜度懲罰項(包含深度、葉節點數量與葉節點權重的 L2 正則化)； (B)加入動態學習率(Dynamic Learning Rate)的強制衰減機制； (C)加入卷積運算(Convolution)以萃取特徵間的空間關係； 115 年第一次 AI 應用規劃師-中級能力鑑定【公告試題】 第三科：機器學習技術與應用 考試日期：115 年 05 月 23 日 第 5 頁，共 18 頁 答案 題目 (D)強制所有決策樹深度為 1(Decision Stumps)

17. 某醫療新創團隊將原有 3 層 CNN 升級為 16 層架構以提升 CT 影像腫瘤偵測率， 但發現訓練損失反而高於 3 層版本且收斂困難。工程師懷疑是網路深度造成的訓 練問題，下列診斷與對策何者最正確？ (A)網路層數增加導致參數量過多，應減少每層卷積濾波器(Filters)數量以降低 模型複雜度； (B)深層網路可能出現梯度消失問題，導致淺層權重難以更新；應採用 ResNet 的 殘差連接(Skip Connection)以改善梯度傳遞； (C)16 層模型對 CT 影像而言仍過淺，應進一步增加網路深度以學習更高階特徵； (D)問題可能來自激活函數(Activation Function)，將 ReLU 改為 Sigmoid 可改善 梯度傳遞問題

18. 某工程師設計用於醫療 X 光影像分類的 CNN，發現卷積層後直接接全連結層導 致參數量高達 5,000 萬，訓練速度極慢。為降低模型參數量與計算成本，他在卷 積層後加入池化層(Pooling Layer)。下列何者為池化層在此設計中最主要解決的 問題？ (A)降低特徵圖空間維度，減少參數與計算量； (B)提供非線性表達能力，以提升模型學習複雜度； (C)改善梯度消失問題，以強化反向傳播穩定性； (D)提升模型泛化能力而不影響特徵維度

19. 某團隊開發合約文件審查系統，需比對合約首頁的定義條款與第 20 頁的責任條 款是否一致。工程師初版採用雙向長短期記憶(Bidirectional LSTM)，但發現長 文件的跨段落語義關聯捕捉效果不佳，且訓練時間隨文件長度明顯增加。改用 Transformer 架構後問題獲得改善，下列何者為最主要的原因？ (A)Transformer 參數量比 LSTM 少，因此訓練速度更快、不易過擬合； (B)Transformer 內建位置編碼，使模型天生理解文件的章節結構與段落順序； (C)LSTM 無法處理超過 512 個 token 的輸入，Transformer 無此硬性限制； (D)Transformer 的 Self-Attention 可讓任意 token 直接建立關聯，不受距離限制， 且運算可平行化

20. 工程師在 PyTorch 中建構貓、狗、鳥三分類 CNN，並使用交叉熵損失函數 (CrossEntropyLoss)作為訓練目標。由於此損失函數在內部已包含 Softmax 計 算，輸出層的設計需特別注意。請問輸出層的激活函數(Activation Function)與 輸出維度應如何設定？ (A)使用 ReLU 作為激活函數，輸出維度設為 1，直接輸出單一數值作為預測結 果； (B)使用 Sigmoid 作為激活函數，輸出維度設為 3，使每個類別獨立輸出 0 到 1 的 機率； (C)不使用任何激活函數，直接輸出未經正規化的 logits，輸出維度設為 3 對應三 個類別； (D)使用 Softmax 作為激活函數，輸出維度設為 3，輸出為已正規化的機率分布

21. 某工程師將一個大型預訓練模型部署至資源受限的行動裝置，發現模型體積過大 且推論效率不足。為降低模型大小並提升推論速度，他將原本 32-bit 浮點數權重 轉換為 8-bit 整數。在不重新訓練模型的前提下，請問此過程稱為何？ (A)知識蒸餾(Knowledge Distillation)； (B)權重剪枝(Pruning)； (C)張量分解(Tensor Decomposition)； (D)模型量化(Quantization)

22. 某工程師建置企業內部知識問答的 RAG 系統，上線後發現部分問題檢索結果與 查詢語意不符。分析後確認問題出在向量搜尋的語意匹配不準確。於檢索階段， 採取下列哪種方法最能直接改善此問題？ (A)將切片大小(Chunk Size)由 512tokens 縮小至 128tokens，以提升檢索精細度； (B)調整向量相似度閾值(Similarity Threshold)，以過濾低相關檢索結果； (C)採用混合搜尋(Hybrid Search)：結合語意向量搜尋與關鍵字搜尋(BM25)， 並以 RRF(Reciprocal Rank Fusion)融合排序； (D)將檢索結果隨機洗牌(Shuffle)後回傳給 LLM，避免位置偏誤(Position Bias)

23. 某團隊開發法律文件生成系統，需根據合約前半段內容自動生成後半段條款。工 程師分別使用 BERT 與 GPT-2 進行微調，但發現 BERT 的生成效果明顯較差，且 即使增加訓練資料也無法改善。下列何者為最主要原因？ (A)BERT 缺乏法律領域知識，因此生成能力較差； (B)BERT 的分詞方式影響語意理解，導致生成效果不佳； (C)BERT 模型規模較小，因此生成能力不足； (D)BERT 無法根據前文逐步生成後續文字，較不適合此類任務

115年 - 115-1 AI應用規劃師_中級能力鑑定公告試題_第三科：機器學習技術與應用#141075

115年 - 115-1 中級AI應用規劃師試題_第二科：大數據處理分析與應用#141063

115年 - 115-1中級AI應用規劃師公告試題_第一科：人工智慧技術應用與規劃_#141062

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第三科：機器學習技術與應用#136329

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第二科：大數據處理分析與應用#136306

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_一科：人工智慧技術應用與規劃#136301

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目三：機器學習技術與應用#136300

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目二：大數據處理分析與應用#136295

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目一：人工智慧技術應用與規劃#136294

114年 - iPAS AI 應用規劃師能力鑑定考試樣題(中級)#126106