38. 附圖程式碼所計算的是哪一類型的評估指標？

(A)MAE；
(B)MSE；
(C)RMSE；
(D)R²

39. 附圖程式碼實現的是哪一種正則化技術？(A)L1 正則化；(B)L2 正則化；(C)Dropout；(D)Batch Normalization

40. 依據附圖程式碼進行資料處理，下列何者正確？(A)np.linalg.inv( A ) 計算矩陣 A 的行列式；(B)v1 * v2 結果為 array([5, 7, 9])；(C)np.dot(v1, v2) 結果為 np.int64(32)；(D)np.linalg.eig( A ) 計算矩陣 A 的反矩陣

41. 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。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？(A)A_and_B.sum() / (A.sum() * B.sum())；(B)A_and_B.sum() / (A.sum() + B.sum())；(C)A_and_B.sum() / A.sum()；(D)A_and_B.sum() / B.sum()

42. 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？ (A)卷積層(Conv2d)； (B)全連接層(Linear)； (C)ReLU 激活函數； (D)池化層(MaxPool2d, AdaptiveAvgPool2d)

43. 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？ (A)卷積層(Conv2d)； (B)全連接層(Linear)； (C)ReLU 激活函數； (D)池化層(MaxPool2d, AdaptiveAvgPool2d)

44. 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 層卷積層(conv)與 3 層全連接層(FC)，總參數數目約為 138,357,544(約 138.36M)

45. 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？ (A)(B)(C)(D)

46. 假設研究人員已將含有雜訊的手寫數字影像存放在變數 noisy 中。部分資 料經視覺化後的外觀如下： 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。然而，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個步驟的設定不正確，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？ (A)程式碼 A； (B)程式碼 B； (C)程式碼 C； (D)程式碼 D

47. 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。每組程式碼在資料切割、模型訓練、交叉驗證函數的使用上略有差異，研究人員希望找出可以正確完成任務的程式碼組合，以確保模型評估的可靠性。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？(A)程式碼 A、程式碼 B、程式碼 C、程式碼 D；(B)程式碼 A、程式碼 C；(C)程式碼 A、程式碼 B；(D)程式碼 C、程式碼 D

48. 參考下圖程式碼，下列何者正確？A：X_train -= X_train.mean(axis=0) 將每個訓練集特徵的平均值調整為0B：X_train /= X_train.std(axis=0) 將每個訓練集特徵的標準差調整為0C：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)(A)A、B、C、D；(B)A、E；(C)A、D；(D)A、C、F

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