24. 某推薦系統工程師處理商品類別特徵，該特徵包含約 3,000 個不同商品項目，每一種商品或其規格皆視為一個獨立類別。請問在高基數(High Cardinality)的情境下，下列哪一種編碼方式最容易造成維度爆炸問題？
(A)目標編碼(Target Encoding)；
(B)標籤編碼(Label Encoding)；
(C)Embedding 層(Categorical Embedding)；
(D)One-Hot 編碼(One-Hot Encoding) 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 7 頁，共 18 頁答案題目

答案：登入後查看
統計： 尚無統計資料

相關試題

25. 某工程師建立房價預測模型，輸入特徵包含屋齡與距捷運站距離(公尺)。他發現距捷運站距離分布嚴重右偏，經對數(Log)轉換後模型表現明顯改善；但將同樣轉換套用於屋齡後，模型表現反而下降。下列何者為最可能的原因？ (A)屋齡與房價若呈線性關係，Log 轉換反而破壞此結構； (B)Log 轉換會壓縮所有特徵的變異數，導致模型失去鑑別能力； (C)Log 轉換不適用於有單位的連續變數，應改用 Box-Cox； (D)兩特徵須套用相同轉換，否則尺度不一致導致梯度不穩定

26. 在時間序列資料的特徵工程中，工程師常使用滑動窗口(Sliding Window)方法，將過去多個時間點的觀測值組合為模型輸入。下列何者為此方法的主要目的？ (A)資料增強； (B)去除資料雜訊； (C)降低特徵維度； (D)建立滯後特徵

27. 某工程師建立零售商品銷量預測模型，初期以第 1 至 52 週資料作為訓練集、第 53 週作為測試集(固定時間切分)。半年後重新評估，發現模型對最新資料(如第 80 週)的預測明顯衰退，推測為時間演進導致行為模式改變。若重新設計驗證策略，應採用下列哪種方法，使每次訓練皆基於最新時間區間資料？ (A)K-fold 交叉驗證(K-fold Cross-Validation)； (B)分層 K-fold(Stratified K-fold)； (C)滾動窗口驗證(Rolling Window Validation / Time Series Split)； (D)留一驗證法(Leave-One-Out Cross-Validation)

28. 某房仲平台要預測物件成交價，資料集含 50 個特徵，其中部分特徵與房價呈非線性關係，且業務單位要求模型須能提供整體特徵重要性以供稽核。下列哪一種模型選擇策略最符合需求？ (A)使用羅吉斯迴歸(Logistic Regression)，透過線性係數解釋特徵影響，但無法有效建模非線性關係； (B)使用隨機森林迴歸(Random Forest Regression)，可處理非線性關係，並提供整體特徵重要性(Feature Importance)作為解釋依據； (C)用 K-means 分群(K-means Clustering)後分別建立迴歸模型，以提升預測準確度並間接提升可解釋性； (D)使用支持向量迴歸(Support Vector Regression, SVR)，透過核函數(Kernel Function)捕捉非線性關係，並以支持向量解釋模型決策

29. 某工廠設備監測系統需偵測馬達軸承的異常振動，但過去僅記錄了大量正常運作的振動時序資料，缺乏任何已確認故障的標註樣本。請問下列何種任務範疇最符 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 8 頁，共 18 頁答案題目合此情境下的異常偵測需求？ (A)監督式二元分類(Supervised Binary Classification)； (B)非監督或半監督異常偵測(Unsupervised / Semi-supervised Anomaly Detection)； (C)強化學習(Reinforcement Learning)； (D)自監督學習(Self-supervised Learning)

30. 某信用風險模型：訓練 AUC=0.97、驗證 AUC=0.72、少數違約樣本預測波動極大及不同 K-fold 切分結果差異明顯。下列何者為最可能的問題？ (A)高偏差； (B)高變異； (C)過擬合； (D)資料漂移

31. 某倉儲自動化公司以強化學習(Reinforcement Learning, RL)訓練機器手臂進行揀貨，獎勵函數設計為「每成功抓取一個貨品得+1 分」。部署後發現機器手臂學會反覆放開再抓取同一物品，以累積分數，但實際完成任務的效率極低。請問此現象的核心問題為何？應如何修正獎勵設計？ (A)獎勵塑形(Reward Shaping)：將獎勵改為「成功完成一次揀貨任務」而非單次抓取行為； (B)策略退化(Policy Degradation)：降低學習率以穩定訓練； (C)信用分配問題(Credit Assignment Problem)：引入優勢函數(Advantage Function)； (D)災難性遺忘(Catastrophic Forgetting)：加入經驗回放(Replay Buffer)

32. 某詐欺偵測模型需同時具備高精確率(Precision)，以避免誤凍結正常帳號，並維持高召回率(Recall)表現，以確保不放過任何詐欺行為。然而工程師發現兩者之間存在取捨關係(Precision-Recall Tradeoff)。在此情境下，F1-score 最能反映何種特性？ (A)F1-score = (Precision + Recall) / 2，為算術平均； (B)F1-score 為 Precision 的加權平均； (C)F1-score 僅適用於類別平衡資料； (D)F1-score = 2 × (Precision×Recall)/(Precision+Recall)，為調和平均，對較小值敏感

33. 某工程師的多元線性迴歸模型包含 150 個特徵，其中許多特徵高度相關(如「建坪」與「總面積」)。他同時希望控制過擬合且保留所有特徵的解釋能力，不讓任何特徵係數歸零，下列哪一項正則化方案最適當？ (A)Lasso 迴歸(L1 正則化)：透過絕對值懲罰使部分係數歸零，具有特徵選擇效 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 9 頁，共 18 頁答案題目果； (B)Ridge 迴歸(L2 正則化)：透過平方懲罰縮小所有係數，在共線性下穩定估計且不歸零； (C)Elastic Net(L1+L2)：結合稀疏性與穩定性，但部分係數仍可能被壓為 0； (D)無正則化的 OLS 迴歸：不控制過擬合，在共線性下係數估計不穩定

34. 某工程師使用 XGBoost 模型進行調參，需對以下超參數進行網格搜尋(Grid Search)：learning_rate(3 個候選值)、max_depth(4 個)、n_estimators(5 個)、 subsample(3 個)、colsample_bytree(3 個)。每組參數組合皆需完整進行 5-Fold 交叉驗證。請問總共需要訓練幾個模型？ (A)3 + 4 + 5 + 3 + 3 = 18 個； (B)5 × 5 = 25 個； (C)max(3,4,5,3,3) × 5 = 25 個； (D)3 × 4 × 5 × 3 × 3 × 5 = 2,700 個

相關試卷

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

2026 年 · #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

2026 年 · #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

2026 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #136294

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

2025 年 · #126106