7. 某金融團隊建立信貸風險模型，特徵工程後共產生 200 個變數，其中「月收入」、 「年收入」、「季收入」三者高度相關。模型上線後業務單位反映：每次重新訓練 後，模型輸出的重要特徵清單在這些高度相關特徵間反覆變動，難以向審查單位 解釋。請問下列何者為造成此現象最可能的原因？
(A)模型使用 L2 正則化，導致所有特徵係數被壓縮至接近零，重要性難以區分；
(B)模型使用 L1 正則化，面對高度相關特徵時隨機保留其中之一，導致每次訓練 保留的特徵不穩定；
(C)模型未使用任何正則化，過擬合導致係數每次收斂至不同極值；
(D)特徵數量過多導致梯度消失，應優先進行 PCA 降維再套用正則化

8. 某深度學習工程師訓練 ResNet 時，發現模型在前幾個 Epoch 驗證損失快速下降， 但從第 15 個 Epoch 起驗證損失開始上升，而訓練損失持續下降。工程師將學習 率調高後，訓練損失反而開始明顯震盪。學習率過大最直接導致下列哪種現象？ (A)梯度消失(Gradient Vanishing)：梯度在反向傳播中逐層縮小趨近於零，底層 無法學習； (B)損失函數震盪或發散(Oscillation / Divergence)：每次更新步伐過大，參數在 最優點兩側反覆跳越，無法穩定收斂； (C)過擬合(Overfitting)：模型記憶訓練資料的雜訊，泛化能力下降； (D)死亡 ReLU(Dying ReLU)：大量神經元輸出永久為零，停止參與梯度更新

9. 某工程師訓練深度神經網路時發現損失函數震盪嚴重且收斂速度慢，改用 Adam 優化器後訓練變得穩定且收斂更快。下列何者為 Adam 能改善此問題的主要原 因？ 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 3 頁，共 18 頁 答案 題目 (A)同時結合一階動量(Momentum)與自適應學習率(Adaptive Learning Rate)， 為每個參數調整更新步長； (B)強制所有參數使用相同學習率(Learning Rate)，避免梯度差異造成不穩定； (C)透過批次正規化(Batch Normalization)重新分布輸入資料； (D)將梯度裁剪為固定範圍以避免梯度爆炸(Gradient Explosion)

10. 某工程師同時開發兩個模型：一個預測使用者「隔日 App 使用時長(分鐘)」，另 一個預測使用者「隔日是否流失(是/否)」。關於上述兩個任務，他應分別選擇哪 種適當的損失函數？ (A)使用時長預測：均方誤差(MSE)；流失預測：二元交叉熵(Binary CrossEntropy)； (B)使用時長預測：交叉熵損失(Cross-Entropy)；流失預測：均方誤差(MSE)； (C)使用時長預測：Hinge 損失(Hinge Loss)；流失預測：MAE(平均絕對誤差)； (D)兩個任務均使用交叉熵損失，因為兩者的輸出都有不確定性

11. 某工程師在 A100 GPU 叢集上訓練大型語言模型，觀察到以下現象：全批次梯度 下降時 GPU 利用率達 100%，但每次更新耗時 45 秒；隨機梯度下降(SGD)每 次更新僅需 0.01 秒，但梯度極不穩定、訓練曲線震盪劇烈。為兼顧梯度穩定性與 GPU 吞吐量(Throughput)，應採用下列哪種策略？ (A)全批次梯度下降(Full-batch GD)：使用完整資料集計算梯度，更新穩定但每 次更新耗時長； (B)隨機梯度下降(SGD)：每次只用一個樣本，速度快但梯度雜訊大，收斂不穩 定； (C)第二階梯度法(Newton's Method)：利用 Hessian 矩陣精確估計曲率，大幅減 少更新次數； (D)小批次梯度下降(Mini-batch GD)：以適當批次大小(如 256-2048)平衡梯度 估計穩定性與 GPU 平行效率，是深度學習的業界標準

12. 某醫院導入肺癌篩檢模型，資料集中正常病例佔 99%、肺癌陽性僅佔 1%。模型 上線後，系統報告整體準確率(Accuracy)為 99.1%。醫師對此數字感到疑慮， 認為不足以評估臨床價值，在漏診風險上可能存在重大問題。請問在此情境下， 僅以 Accuracy 作為評估指標最嚴重的缺陷為何？ (A)Accuracy 對類別不平衡不敏感，可能無法反映模型對肺癌陽性的偵測能力； (B)Accuracy 的計算不包含模型對邊界樣本的分類結果，容易遺漏困難樣本； (C)Accuracy 無法處理多分類問題，在二元分類下需改用 AUC； (D)Accuracy 無法揭示模型的收斂速度，因此不適合用來選擇最終模型

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

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