建議可以先觀看影片後再做題目效果加倍 https://youtu.be/8m5ysSLQrxw
問題 1 (中級)
------------------------------題目: 在預測房屋價格的AI專案中，若特別關注模型對於高價位房屋的預測誤差，且希望對較大的誤差給予更高的懲罰，下列哪一個迴歸評估指標會是最佳選擇？
選項:
A) MAE (Mean Absolute Error)
B) MSE (Mean Squared Error)
C) R-squared
D) RMSE (Root Mean Squared Error)
答案: B) MSE (Mean Squared Error)
解析: MSE透過平方誤差的方式，對預測值與真實值之間較大的誤差給予不成比例的更高懲罰，使其對大誤差更敏感。MAE對所有誤差的懲罰是線性的。R-squared衡量模型解釋變異的比例，RMSE是MSE的平方根，雖然單位與原始數據相同，但對大誤差的敏感度根源於MSE。
問題 2 (中級)
------------------------------
題目: 某金融機構開發詐欺交易偵測系統，因誤判詐欺會導致客戶不便，但漏判詐欺則會造成巨大損失。在此情境下，AI應用規劃師應優先優化哪個分類指標，以確保盡可能多地捕捉到真實詐欺交易，即使可能增加少量誤報？
選項:
A) 準確度 (Accuracy)
B) 精準度 (Precision)
C) 召回率 (Recall)
D) F1分數 (F1-score)
答案: C) 召回率 (Recall)
解析: 召回率衡量的是所有實際為正類（真實詐欺）的樣本中，有多少被模型正確預測為正類。在金融詐欺偵測中，捕捉到所有詐欺交易（避免漏判）比避免誤報（精準度）更為關鍵，因為漏判可能造成更大的經濟損失。
問題 3 (中級)
------------------------------
題目: 一家電商公司希望分析其大量客戶的購買行為模式，以識別出自然的客戶群體，但事先並不知道應該分成多少類型的客戶。在沒有預設標籤的情況下，下列哪種非監督式學習演算法最適合進行探索性的客戶分群，並且能提供數據組織的層次結構？
選項:
A) K-Means 演算法
B) 決策樹 (Decision Tree)
C) 層次聚類 (Hierarchical Clustering)
D) 邏輯迴歸 (Logistic Regression)
答案: C) 層次聚類 (Hierarchical Clustering)
解析: 層次聚類不需要預設群集數量K，它通過不斷合併或分裂群集來構建一個樹狀結構（樹狀圖），這使得分析師可以根據數據的自然結構來選擇合適的群集數量和層次。K-Means需要預設K值，而決策樹和邏輯迴歸都是監督式學習的分類模型。
問題 4 (中級)
------------------------------
題目: 在利用支持向量機 (SVM) 處理分類任務時，其核心目標是最大化不同類別數據點之間的「邊界」。下列哪一個選項最能描述這個「邊界」在SVM中的意義和目的？
選項:
A) 區分訓練數據中所有正類與負類的超平面
B) 讓支持向量到超平面的距離最小化，以確保泛化能力
C) 在不同類別的數據點之間找到一個最大間隔的超平面，以提升模型的泛化能力
D) 連結所有數據點中心點的一條直線
答案: C) 在不同類別的數據點之間找到一個最大間隔的超平面，以提升模型的泛化能力
解析: SVM的核心思想是尋找一個最大邊界超平面 (Maximum Margin Hyperplane)，這個超平面使得距離最近的訓練數據點（支持向量）到超平面的距離最大化。這樣做的目的是提高模型的泛化能力，使其在面對未見數據時也能保持良好的分類效果。
問題 5 (中級)
------------------------------
題目: 小明在開發一個基於人工神經網路的圖像識別模型時，為了避免訓練資料不足造成的過擬合問題，他收集了一個大型公開數據集上的預訓練模型，並在自己的小數據集上對其進行調整。這種利用已學習知識來解決新問題的方法稱為？
選項:
A) 零樣本學習 (Zero-shot Learning)
B) 遷移學習 (Transfer Learning)
C) 強化學習 (Reinforcement Learning)
D) 生成式學習 (Generative Learning)
答案: B) 遷移學習 (Transfer Learning)
解析: 遷移學習是指將一個已經訓練好的模型（通常是在大型數據集上訓練的）的知識和特徵表示應用於一個新的、相關但數據量較小的任務。這能有效節省訓練時間，並在數據稀缺的情況下取得更好的性能。
問題 6 (中級)
------------------------------
題目: 考慮一個用於自動駕駛的強化學習系統。當汽車在道路上行駛時，它會根據當前交通狀況、車速等資訊做出加速、減速或轉向等決策。在強化學習的框架中，哪個組件負責定義智能體在任何給定狀態下將如何行動？
選項:
A) 環境 (Environment)
B) 獎勵 (Reward)
C) 策略 (Policy)
D) 值函數 (Value Function)
答案: C) 策略 (Policy)
解析: 在強化學習中，策略 (Policy) 定義了智能體從狀態到行動的映射，它決定了智能體在觀察到特定狀態時應該採取什麼行動。環境提供狀態和獎勵，值函數評估狀態或行動的長期價值，但直接控制行為的是策略。
問題 7 (中級)
------------------------------
題目: 在深度學習的卷積神經網路 (CNN) 中，MaxPooling 層（最大池化層）的主要功能為何？
選項:
A) 提取圖像中的高層次語義特徵
B) 減少特徵圖的空間尺寸，同時保留主要特徵，並減少計算量
C) 透過非線性激活函數增加模型的表達能力
D) 將多個特徵圖組合起來，形成更豐富的表示
答案: B) 減少特徵圖的空間尺寸，同時保留主要特徵，並減少計算量
解析: MaxPooling層的主要作用是降採樣，它透過在一個區域內取最大值來減少特徵圖的尺寸。這不僅有助於減少模型的參數數量和計算量，還能提供一定的平移不變性，使模型對圖像中物體的微小位移不那麼敏感。
問題 8 (中級)
------------------------------
題目: 一位AI藝術家希望開發一個能夠生成全新、逼真且風格多樣的風景圖像的AI工具。他發現傳統的圖像生成方法效果不佳。下列哪種生成式模型架構最適合此目標，因其能夠透過兩個相互競爭的網路來學習生成高質量數據？
選項:
A) 變分自編碼器 (VAE)
B) 卷積神經網路 (CNN)
C) 生成對抗網路 (GAN)
D) 循環神經網路 (RNN)
答案: C) 生成對抗網路 (GAN)
解析: GAN由一個生成器和一個判別器組成，兩者在對抗過程中不斷學習。生成器的目標是生成盡可能逼真的假數據來欺騙判別器，而判別器的目標是區分真假數據。這種對抗訓練機制使得GAN能夠生成極其逼真且多樣化的新數據樣本，特別是在圖像生成方面表現出色。
問題 9 (中級)
------------------------------
題目: 某團隊正在為一個內部知識庫構建問答系統。他們觀察到市場上有許多功能強大的預訓練大型語言模型 (LLMs)，但這些模型缺乏對公司內部專有知識的了解。在不從頭訓練新模型的前提下，下列哪種策略是將這些預訓練LLM適應到其特定企業知識領域，同時保持其強大泛化能力的最佳實務？
選項:
A) 重新設計並從零開始訓練一個新的小型語言模型
B) 僅使用預訓練LLM，不進行任何調整
C) 使用強化學習直接讓LLM學會回答內部問題
D) 透過微調 (Fine-tuning) 預訓練LLM，使其在內部數據集上進行少量訓練
答案: D) 透過微調 (Fine-tuning) 預訓練LLM，使其在內部數據集上進行少量訓練
解析: 微調是遷移學習的一種形式，它利用一個在大量數據上預訓練好的模型，然後在一個較小的、特定於任務的數據集上進行進一步的訓練。這使得模型能夠學習特定領域的知識和語義，同時保留預訓練模型強大的語言理解和生成能力，是一種高效且效果顯著的方法。
問題 10 (中級)
------------------------------
題目: 在處理一個數據量相對較小、特徵維度不高且可解釋性需求較強的二元分類問題時，AI應用規劃師在考慮了運算資源與部署效率後，決定採用邏輯迴歸而非深度學習模型。下列哪項是支持這項決策的關鍵因素？
選項:
A) 深度學習模型在小數據集上總是表現優於邏輯迴歸
B) 邏輯迴歸的訓練時間通常比深度學習模型更長
C) 邏輯迴歸模型的可解釋性高，對小數據集不易過擬合，且運算成本較低
D) 深度學習模型能夠處理非結構化數據，而邏輯迴歸不能
答案: C) 邏輯迴歸模型的可解釋性高，對小數據集不易過擬合，且運算成本較低
解析: 對於數據量小、特徵簡單且需要高可解釋性的問題，傳統機器學習模型如邏輯迴歸通常是更好的選擇。它們計算成本低、訓練速度快、不易過擬合小數據集，且模型原理和每個特徵的影響清晰易懂。深度學習模型在數據量大、特徵複雜、非結構化數據上表現優異，但通常需要大量數據和計算資源，且可解釋性較差，在小數據集上反而容易過擬合。
