📘 前50題庫預覽說明｜給讀者的一段話
以下內容為 iPAS 專業工程師等級－初級 AI 應用規劃師考試之題庫「預覽版本」，主要節錄自我依據經濟部最新公告之 AI 應用規劃師評鑑內容範圍（114.04 版） 所編寫的完整題庫。
本預覽旨在協助讀者快速了解實際出題方向、題型風格與重點觀念，作為自我評量與準備規劃的參考。
若你希望 完整下載全部試題、答案與解析內容，以進行更系統化的複習與練習，歡迎前往下方商品方案頁面購買下載完整版題庫：
👉 商品方案連結
https://vocus.cc/salon/682bc984fd89780001738b6f/products/682bd573fd8978000176621e
希望這份預覽能幫助你更清楚掌握考試方向，也祝備考順利，學習進展順心 💪🚀
___________________________________________________________________
依據: 【公告】評鑑內容範圍更新(114.04版)
AI應用規劃師評鑑內容範圍說明更新。
科目名稱
評鑑主題
評鑑內容
備註
L11 人工智慧基礎概論
L111 人工智慧概念
L11101 AI 的定義與分類
—
L11102 AI 治理概念
包括：• AI 治理框架• 歐盟 AI 法案（EU AI Act）• 數位發展部《公部門 AI 應用參考手冊》• 金管會《金融業運用 AI 指引》等國內外政策法規
L112 資料處理與分析概念
L11201 資料基本概念與來源
包括：• 大數據（Big Data）概念• 資料型態：數值型、文字型、圖像型等
L11202 資料整理與分析流程
包括：• 資料收集、清理、轉換、分析與呈現等
L11203 資料隱私與安全
包括：• 資料保護法規• 去識別化• 隱私保護技術（如差分隱私）
L113 機器學習概念
L11301 機器學習基本原理
包括：• 機器學習目的• 模型學習與評估基礎
L11302 常見的機器學習模型
包括：• 監督式學習• 非監督式學習• 半監督式學習• 強化學習• 多模態學習等模型與其評估方式
L114 鑑別式與生成式 AI 概念
L11401 基本原理
包括：• 鑑別式 AI（如分類器）• 生成式 AI（如 GPT、GAN）• 技術測試與驗證方式
L11402 整合應用
包括應用場域：• 電腦視覺• 語音辨識• 自然語言處理與生成技術等
這是 iPAS 經濟部產業人才能力鑑定 — 專業工程師等級初級 AI 應用規劃師考試 的題庫內容，主要針對AI應用規劃師評鑑內容範圍主題進行出題。我當初準備這張證照，僅用 14 天的時間考上，關鍵在於：
1. 系統化複習：我將官方公布的大綱拆解為重點主題，逐一對應練習題庫與範例解析。
2. 題海戰術：集中刷了超過 500 題模擬題，掌握出題方向與答題節奏。
3. 聚焦生成式 AI 和實務應用：尤其針對 ChatGPT、圖像生成、法規分類（如歐盟 AI 法）做深度理解與記憶。
4. 模擬實戰：考前三天進行模擬測驗訓練答題速度，熟悉 CBT 考試介面。
5. 這段準備過程證明只要方法對，時間管理得當，兩週內也能有效通過這張 AI 入門證照，為職涯與學業奠定良好基礎。
當然，每個人都有適合自己的學習方式，但我真心認為，只要熟讀題庫、再搭配機器學習講義中的重點說明好好理解，即使從零開始準備，一個月內通過這張證照絕對是綽綽有餘的。💪
這不只是考一張證照，更是一個進入 AI 世界的起點。只要願意投入，人人都有機會踏出關鍵的第一步！🚀
以下所有試題（及其答案與解析）皆是依據 iPAS 專業工程師考試 AI應用規劃師 之「1.人工智慧基礎概論」大綱與能力指標以及評鑑內容所撰寫，特別緊扣下列核心重點進行命題與編製：
- 人工智慧的基本概念與應用領域
- 瞭解 AI 的定義、發展與核心目標。
- 探討 AI 在隱私、安全及倫理方面的潛在挑戰。
- 資料處理基礎知識
- 資料收集、清洗、分析和視覺化的流程。
- 理解資料在 AI 模型中的角色與重要性。
- 機器學習基本原理與常見方法
- 熟悉監督式學習、無監督式學習、強化學習等主要類型。
- 了解各類演算法（如迴歸、分類、聚類等）之應用場景。
- 鑑別式 AI 與生成式 AI
- 分辨兩者特性與差異。
- 理解生成式 AI 的概念、基本原理及其應用領域。
本模擬試題旨在協助考生釐清考試範疇並進行自我評量，題目設計均貼合「1.人工智慧基礎概論」的能力指標，盼能提供考生更聚焦且系統性的複習方向。祝備考順利，學習成果豐碩。
___________________________________________________________________
第一部分（題號 1～100）
1. 下列何者最能描述「人工智慧」的核心目標？
A. 透過大型資料庫進行檔案索引
B. 讓機器能模擬人類的思考或行為模式
C. 設計高速運算電腦以處理平行運算
D. 建立固定規則以自動化所有決策流程
Answer: B
Explanation: 人工智慧核心在於「讓機器能模擬或執行人類的智能行為」，包含推理、學習、判斷與決策等。
2. 下列何者最符合人工智慧（AI）的基本定義？
A. 機器具備大量儲存空間
B. 透過機器學習與演算法讓系統自動學習與推理
C. 電腦開發之程式語言的使用
D. 全部依靠使用者手動輸入數據
Answer: B
Explanation: AI 藉由機器學習與相關演算法，使系統能自動「從經驗中學習」並進行推理或預測。
3. 關於人工智慧的應用領域，下列何者較不屬於常見的 AI 應用？
A. 電腦視覺
B. 自然語言處理
C. 化石挖掘中的地質辨識
D. 聲音辨識
Answer: C
Explanation: 化石挖掘與地質辨識並非主流或常見的 AI 領域，雖不代表絕無應用，但相較 A、B、D 為 AI 典型領域，此為最不常見。
4. 下列敘述何者最符合 AI 技術在隱私層面可能面臨的挑戰？
A. 只要在演算法中設定隱私參數即可完全保護個資
B. 收集大規模使用者資料時，若缺乏明確同意或保護機制，恐侵犯個人隱私
C. 因為模型自動學習，因此不存在隱私洩漏風險
D. 健全的資料庫規劃能避免任何形式的隱私問題
Answer: B
Explanation: 進行大規模資料收集時，若無明確的授權機制或保護措施，便可能產生侵犯個人隱私的風險。
5. 下列何者不屬於 AI 技術在安全性方面的主要挑戰？
A. 演算法被惡意竄改，造成模型輸出錯誤
B. 分散式運算環境不穩定，導致執行效率降低
C. 深度學習模型遭對手攻擊（adversarial attack）
D. 資料在傳輸過程中遭竊取或竄改
Answer: B
Explanation: 分散式運算環境的不穩定主要影響「效率」或「效能」，並非直接的安全性(資安)威脅；其餘選項均涉及安全或對手攻擊。
6. 下列選項何者屬於 AI 技術在倫理面向的關鍵課題？
A. 如何減少運算資源的使用成本
B. 如何強化中央處理器（CPU）的製程
C. 如何避免演算法產生偏見或歧視
D. 如何提高 GPU 的運算速度
Answer: C
Explanation: 演算法因訓練資料或設計不當可能產生偏見（Bias），造成歧視是重要的倫理議題。
7. 關於 AI 在自動駕駛領域應用時，下列敘述何者正確？
A. 自動駕駛車僅需單純規則式判斷，不需要機器學習
B. 汽車必須具備高階感測器與即時圖像辨識技術
C. 車輛決策只需參考地圖資訊，不需要神經網路運算
D. 結合 AI 後，車輛在碰撞事故責任歸屬上不會產生任何爭議
Answer: B
Explanation: 自動駕駛通常仰賴多種感測器（攝影機、雷達、LiDAR 等）及先進影像/感知技術，才能做即時決策。
8. 下列何者最能說明「弱人工智慧（Weak AI）」？
A. 強調模擬人類全面智慧，能主動發明技術
B. 運用嚴格規則達成單一特定任務或功能
C. 擁有類似人類的意識與情感
D. 完全模擬人類的多層面思考與行為
Answer: B
Explanation: 弱人工智慧通常只在某特定領域或單一功能上有表現，不追求真正的人類全方位智慧。
9. 下列有關「強人工智慧（Strong AI）」的敘述，何者較為合理？
A. 強調在多重領域擁有人類相當的智能與理解力
B. 僅用於影像辨識與語音辨識等單一功能
C. 不需感測器即可精準抓取外界資訊
D. 不包含任何形式的神經網路架構
Answer: A
Explanation: 強人工智慧目標是在多元領域展現類似人類般通用智慧，而非只侷限於單一任務。
10. 下列哪一項技術最能協助 AI 系統進行影像辨識？
A. 電子商務平台的推薦系統
B. 自然語言處理中的詞嵌入（word embedding）
C. 深度學習中的卷積神經網路（CNN）
D. 強化學習中的 Q-learning
Answer: C
Explanation: 卷積神經網路 (CNN) 專長於影像處理與辨識，是目前影像領域的主流架構。
11. 透過 AI 技術實現人臉辨識時，下列何者較不可能是資料面向須考量的要點？
A. 臉部資料的隱私與取得授權
B. 資料庫臉部影像解析度的足夠性
C. 影像處理前的資料清洗和特徵標註
D. 資料科學家本人是否熟悉 3D 列印技術
Answer: D
Explanation: 3D 列印技術與人臉資料處理無直接關連，其餘選項皆為人臉辨識的重要考量面向。
12. 下列關於「AI 在醫療診斷」的應用敘述，何者較為正確？
A. 只要有任何醫學影像，就能自動得到最準確的診斷結果
B. AI 模型需要龐大的醫療影像及對應診斷資料作為訓練基礎
C. 模型訓練不需要任何標籤資料，只需無監督學習即可
D. 醫師必須完全讓 AI 自動診斷，無須再進行二次確認
Answer: B
Explanation: 用於醫療影像的 AI 模型通常需大量且高品質的帶標註（標籤）的醫學資料，才能協助醫療診斷。
13. 關於「資料收集」對 AI 研發的重要性，下列敘述何者較不恰當？
A. 豐富且多元的資料有助於訓練更可靠的模型
B. 在資料收集前不需要考量使用者隱私問題
C. 收集過程應注意資料品質及標註正確性
D. 隨機且不具代表性的資料可能導致模型偏差
Answer: B
Explanation: 收集前「必須」考量隱私與合規性，故宣稱「不需要考量使用者隱私」是不恰當敘述。
14. 若要進行 AI 專案，資料清洗的主要目的在於：
A. 優化程式效能，減少演算法的記憶體使用量
B. 將原始資料中的重複值、遺漏值或異常值處理，以提高資料品質
C. 完全刪除所有疑似不正確的資料
D. 主要在美化資料以便於視覺化
Answer: B
Explanation: 資料清洗目的是「處理重複、遺漏、異常等問題」，確保整潔度與一致性。
15. 下列何者不是常見的「資料分析」步驟？
A. 特徵工程與選擇
B. 參數調整（hyperparameter tuning）
C. 視覺化與描述統計
D. 資料庫硬體升級
Answer: D
Explanation: 資料分析通常包含特徵工程、模型調參、視覺化等流程，資料庫硬體升級則屬基礎設備維運層面，不是核心分析步驟。
16. 關於「資料視覺化」，下列敘述何者較為恰當？
A. 只要以表格呈現即可，無需進一步的圖形分析
B. 圖像呈現的主要目的是傳遞資訊並協助發現數據間的關係
C. 可用來完全取代參數優化過程
D. 使用越複雜的圖形就代表視覺化品質越高
Answer: B
Explanation: 視覺化的目的在於「有效傳達資訊、找出潛在關係」，並非取代其他分析流程。
17. 在 AI 模型開發過程中，資料所扮演的主要角色為：
A. 幫助確定演算法的執行速度
B. 提供訓練、驗證、測試模型所需的依據與素材
C. 單純給使用者參考，模型實際並不需要資料
D. 只要有模型參數就可以取代資料
Answer: B
Explanation: 機器學習/深度學習的模型需要大量資料來學習與評估，資料是模型的「燃料」。
18. 關於「機器學習」與「深度學習」的關係，下列敘述何者正確？
A. 深度學習是機器學習的子領域，強調多層神經網路
B. 機器學習無法應用神經網路
C. 深度學習與機器學習是完全獨立的兩個領域
D. 機器學習僅包含監督式學習
Answer: A
Explanation: 深度學習是機器學習的一個分支，特別強調以多層神經網路來進行特徵學習。
19. 機器學習常見的主要方法不包括下列何者？
A. 監督式學習
B. 半監督式學習
C. 強化學習
D. 基因學學習
Answer: D
Explanation: 常見機器學習包含監督式、無監督式、半監督式、強化學習等，「基因學學習」並非主流稱呼。
20. 在監督式學習中，下列何者是常見的任務？
A. 聚類（Clustering）
B. 分類（Classification）
C. 降維（Dimensionality Reduction）
D. 關聯規則挖掘（Association Rule Mining）
Answer: B
Explanation: 監督式學習常見任務為「分類」或「回歸」，選項 A 與 C 屬無監督範疇，D 屬關聯分析。
21. 下列敘述何者最能描述「回歸（Regression）」任務？
A. 將資料分群而無明確標籤
B. 預測連續性數值的結果
C. 預測類別標籤
D. 找尋不同屬性的關聯性
Answer: B
Explanation: 回歸就是預測「連續數值」，如價格、溫度等。
22. 下列哪一種機器學習演算法最常用於「分類（Classification）」？
A. 線性迴歸（Linear Regression）
B. 羅吉斯迴歸（Logistic Regression）
C. 主成分分析（PCA）
D. K-Means 聚類
Answer: B
Explanation: 羅吉斯迴歸雖名為「迴歸」，但實際應用在二元或多元分類。
23. 關於「無監督學習」，下列敘述何者正確？
A. 必須提供正確的標籤資料才能進行訓練
B. 常見於分類與回歸問題
C. 透過資料本身的分布或特徵，進行聚類或降維等分析
D. 預測未來某個時間點的銷售量
Answer: C
Explanation: 無監督學習沒有標籤，主要是從資料的內在結構中挖掘分群或模式。
24. K-Means 演算法主要用途為：
A. 監督式學習的迴歸問題
B. 對資料進行分群（Clustering）
C. 進行強化學習
D. 預測時間序列
Answer: B
Explanation: K-Means 演算法是經典的無監督「分群」演算法。
25. 關於「生成式 AI」與「鑑別式 AI」的區別，下列敘述何者正確？
A. 生成式 AI 專注於生成新資料或內容；鑑別式 AI 主要用於判斷或分類已有的資料
B. 生成式 AI 需要標籤資料；鑑別式 AI 完全不需要標籤資料
C. 生成式 AI 無法用於圖像生成；鑑別式 AI 只適合語音辨識
D. 生成式 AI 不需大規模模型參數
Answer: A
Explanation: 生成式 AI (Generative) 著重「生成」內容，鑑別式 (Discriminative) 著重對現有資料作辨識、分類或判斷。
26. 關於「生成式對抗網路（GAN）」的原理，下列何者較為貼切？
A. 單純線性迴歸
B. 由生成器與辨別器相互對抗學習，以產生逼真的資料
C. 只有生成器，不包含辨別器
D. 以強化學習為基礎，與環境不斷互動
Answer: B
Explanation: GAN 透過「生成器」(Generator) 與「辨別器」(Discriminator) 互相競爭，使生成器產出愈來愈逼真的結果。
27. 生成式 AI 在應用時，較需關注的重點不包括下列何者？
A. 產出內容的真實性或合理性
B. 產生結果可能涉及智慧財產權或著作權爭議
C. 產生大量圖像或文本，但品質無法被評估
D. 硬體 CPU 的時脈速度
Answer: D
Explanation: 生成式 AI 的重點關注包含內容真實度、侵權與倫理，而 CPU 時脈雖會影響執行效率，但相對不是首要考量。
28. 下列哪一個應用最可能是「生成式 AI」的範疇？
A. 客服機器人判斷使用者問題類型
B. 透過文字描述自動生成對應的圖像（Text-to-Image）
C. 進行影像分類與物件辨識
D. 語音指令控制家電開關
Answer: B
Explanation: 文字轉圖像（Text-to-Image）明顯屬於生成式 AI 的典型應用。
29. 關於 AI 中的「偏見（Bias）」問題，下列何者敘述較為恰當？
A. 偏見僅存在於資料標註，不會存在於演算法
B. 偏見通常與資料收集和標註過程密切相關
C. 只要使用大型神經網路就能自動消除偏見
D. 偏見只會出現在深度學習模型，不會影響傳統機器學習
Answer: B
Explanation: 偏見往往來自於「資料收集與標註」或「樣本分佈」不均衡等，並可能影響後續模型。
30. 監督式學習中，常見於分類問題的評估指標不包括下列哪一項？
A. 準確率（Accuracy）
B. 精確率（Precision）
C. 召回率（Recall）
D. 互資訊（Mutual Information）
Answer: D
Explanation: 互資訊常用於衡量特徵與標籤之間的相關度，並非最常見的分類「性能」評估指標 (如 Accuracy, Precision, Recall, F1)。
31. 關於 AI 模型訓練的「過擬合（Overfitting）」現象，下列何者為其常見的解決方法？
A. 不做任何資料清洗，直接提高模型複雜度
B. 使用更多訓練資料或進行正則化（Regularization）
C. 減少驗證資料集的大小
D. 僅使用單一演算法參數，避免模型擴充
Answer: B
Explanation: 過擬合往往可透過增加資料量、正則化或使用 Dropout 等方式來緩解。
32. 下列哪一個方法通常與「正則化（Regularization）」無關？
A. L1 或 L2 正則化
B. Dropout
C. Batch Normalization
D. 遺傳演算法（Genetic Algorithm）
Answer: D
Explanation: 遺傳演算法屬於一種演化式優化方法，並非典型的「正則化」技巧。L1/L2、Dropout、BatchNorm 等都可視為正則化或穩定訓練方式的一環。
33. 在機器學習流程中，「特徵工程（Feature Engineering）」的主要意義為何？
A. 單純增加資料量
B. 從原始資料中萃取、選擇或組合出對模型預測最有幫助的特徵
C. 將模型輸出結果可視化，方便人類理解
D. 用於資料庫的備份與復原
Answer: B
Explanation: 特徵工程是將原始資料處理成更能被模型有效利用的特徵，提升預測效果。
34. 有關「交叉驗證（Cross-Validation）」的描述，下列何者較為正確？
A. 只需要一次切分資料為訓練集與測試集即可
B. K-Fold 交叉驗證能使資料在不同的「訓練/驗證」配置下測試模型，以更客觀評估模型性能
C. 交叉驗證必須在有標籤資料的情況下才能進行
D. 交叉驗證只適用於無監督學習
Answer: B
Explanation: 交叉驗證是透過多次分割資料，使模型評估更穩定客觀。
35. 在 AI 模型訓練中，若資料量不足，易產生的問題不包括下列何者？
A. 模型過度擬合
B. 模型難以學習有效特徵
C. 模型容易在測試時表現不佳
D. 模型可保證在所有測試資料上達到 100% 準確率
Answer: D
Explanation: 資料不足通常會導致過擬合、難以學習等問題，反而不可能「保證 100% 準確率」。
36. 下列何者不是常見的「資料品質」問題？
A. 資料遺漏（Missing Data）
B. 資料重複（Duplicate Data）
C. 資料無關（Irrelevant Data）
D. 資料備份（Data Backup）
Answer: D
Explanation: 資料備份與品質本身無直接關係，屬資料管理/維運層面。
37. 關於「特徵尺度（Feature Scaling）」與模型訓練的關係，下列敘述何者正確？
A. 僅在使用決策樹模型時才需要特徵尺度化
B. 對於距離或梯度相關的演算法，若未進行尺度化，可能影響模型收斂
C. 特徵尺度化指的是增加資料維度
D. 只需對標籤（Label）做尺度化
Answer: B
Explanation: 許多使用梯度或距離度量的演算法（如線性回歸、神經網路、SVM、KNN 等）都需要特徵在相似尺度上，以利訓練收斂和效能。
38. 下列敘述何者最能代表「資訊安全」在 AI 專案中的重要性？
A. 強調模型運算速度，即可保證資訊安全
B. 必須確保資料傳輸與儲存的過程防止外部惡意攻擊
C. 只要使用雲端服務就能自動確保安全
D. 資訊安全與 AI 專案無關
Answer: B
Explanation: AI 專案往往蒐集並處理大量敏感資料，必須在傳輸及儲存過程防範竊取、竄改或對手攻擊。
39. 下列關於 AI 系統中「對手攻擊（Adversarial Attack）」的描述，何者較為合適？
A. 只會發生在語音辨識，影像辨識不會受到影響
B. 是透過些微干擾或修改，使 AI 模型判斷結果嚴重錯誤
C. 只要使用資料加密就能防止所有對手攻擊
D. 只在無監督學習中產生
Answer: B
Explanation: 對手攻擊是指在輸入資料中嵌入極微小但蓄意的干擾，使模型做出錯誤判斷，是近年安全領域重要議題。
40. 關於 AI 項目的倫理考量，下列何者較不符合常見原則？
A. 公平性（Fairness）：避免模型對某些族群產生系統性歧視
B. 責任歸屬（Accountability）：若產生錯誤決策，應有明確可追溯機制
C. 透明度（Transparency）：不需要向任何人公開演算法
D. 隱私權（Privacy）：確保個資不被濫用
Answer: C
Explanation: 一般要求 AI 系統具「適度透明度」，若完全不揭露，難以建立信任和追責機制。
41. 下列關於「AI 倫理」中「可解釋性（Explainability）」的描述，何者為真？
A. 所有 AI 模型都能完全可解釋
B. 若模型無法被解釋，便無法投入商業應用
C. 可解釋性是讓人們理解 AI 決策或預測背後的原因
D. 可解釋性僅適用於規則式系統
Answer: C
Explanation: 「可解釋性」強調幫助人理解模型的判斷依據，並非所有模型都易解釋，但多數應用仍會追求一定程度的可解釋度。
42. 若要加強 AI 模型的可解釋性，下列何者較不常被採用？
A. 使用決策樹或隨機森林等樹狀結構模型
B. 利用 LIME、SHAP 等方法進行模型解釋
C. 增加隱藏層數量與神經元後自動提升可解釋性
D. 運用可視化工具呈現模型對輸入特徵的權重評估
Answer: C
Explanation: 增加深度和神經元通常會使模型更複雜、可解釋性更低；A、B、D 都是常見的解釋手段。
43. 下列哪種職業領域不太可能直接被 AI 所取代？
A. 大量重複性資料處理工作
B. 需高度創造力與人際互動的工作
C. 電子商務推薦系統的演算
D. 圖像標註與初步篩選
Answer: B
Explanation: AI 對高度依賴人際互動、創造力或同理心的工作較難全面取代。
44. 關於人工智慧在「智慧製造」領域的應用，下列敘述何者正確？
A. 只要安裝機器手臂即可自動達成所有智能化
B. 透過感測器與數據分析，可優化生產流程與品質檢測
C. 不需要任何資料收集與處理，主要靠勞工經驗
D. 智慧製造不涉及預測維護或需求預測
Answer: B
Explanation: 智慧製造透過各種感測器蒐集資料，再結合 AI 數據分析優化流程與品質檢測等。
45. 下列何者最可能是「自然語言處理（NLP）」的應用範例？
A. 預測手機電池餘量
B. 新聞文章的自動摘要與情感分析
C. 遙測衛星影像的分類
D. 強化學習的遊戲代理（Game Agent）
Answer: B
Explanation: 自然語言處理應用相當廣泛，新聞摘要和情感分析都是常見 NLP 任務。
46. 下列哪一項不是 NLP 常見的技術或概念？
A. 詞嵌入（Word Embedding）
B. 形態分析（Morphological Analysis）
C. 語句標註（POS Tagging）
D. 波士頓矩陣（BCG Matrix）
Answer: D
Explanation: BCG 矩陣為企業策略工具，不屬於 NLP 技術範疇。
47. 針對中文文本進行 NLP 處理時，下列何者為必要步驟？
A. 文字圖像化
B. 中文斷詞（Tokenization）
C. 隱藏馬可夫模型
D. 資料庫結構化
Answer: B
Explanation: 中文處理的一大難點在於「沒有空白斷詞」，故中文斷詞為重要前置步驟。
48. 下列敘述何者最能代表「深度學習」對硬體需求的特性？
A. 大部分的深度學習演算法都在 CPU 上比在 GPU 更快
B. 訓練大型深度神經網路時，往往需要 GPU 或 TPU 等加速器
C. 若資料規模很大，也能輕易在普通筆電上進行大規模訓練
D. 訓練時間與資料大小無關
Answer: B
Explanation: 深度學習常需加速器（GPU/TPU）才能加快大規模參數與資料的訓練迭代。
49. 關於深度神經網路的「層數」與「模型複雜度」，下列敘述何者為真？
A. 增加層數不會影響任何訓練難度
B. 層數越多，模型理論上能學到更複雜的特徵，但也可能更難訓練
C. 深度神經網路只需要 2 層就能解決所有問題
D. 層數越多，計算量越小
Answer: B
Explanation: 深層網路可捕捉更複雜特徵，但層數越多伴隨梯度消失、運算量大等訓練難度。
50. 下列何者最不符合「卷積神經網路（CNN）」在圖像處理的特性？
A. 透過卷積核（Filter）萃取影像局部特徵
B. 可用池化（Pooling）層減少特徵維度
C. 需要將圖片轉成語音訊號再進行運算
D. 經常應用在圖像分類、物件偵測等領域
Answer: C
Explanation: CNN 直接處理影像矩陣，不需先轉為語音訊號。
