TQC 人工智慧應用及技術 第四類 第1~20題

1. 機器學習模型中，下列關於模型的偏差（Bias）與變異（Variance）之描述哪一項正確？
(A) 希望訓練好的模型能是高變異、低偏差
(B) 高偏差代表模型過於複雜
(C) 高變異代表模型過於簡單
(D) 偏差與變異之間存在一平衡（Trade-off）關係
Ans: D 

2. 二元分類問題中，如果資料存在類別極度不平衡的問題，建立模型後在測試集達到了99%的準確度（Accuracy），下列描述哪一項正確？
(A) 模型有足夠高的準確度，可上線運行
(B) 準確率（Accuracy）不適合用來評估二元分類問題
(C) 應使用其他指標來評估不平衡的二元分類問題
(D) 可能有過擬合的風險，應更換更簡單的模型
Ans: C 

3. 如附圖所示，三個模型是對於訓練資料的擬合程度，下列敘述哪一項正確？

(A) 最左邊圖片的模型有較高的變異（Variance）
(B) 中間圖片的模型複雜度不足
(C) 最右邊圖片的模型可能是過擬合（Overfitting）
(D) 三個模型的訓練結果都不好
Ans: C 

4. 關於機器學習模型的敘述，下列哪一項正確？
(A) 一個模型如果在訓練集有較高的準確率（Accuracy），說明這個模型一定比較好
(B) 如果增加模型的複雜度，則測試集的錯誤率會降低
(C) 如果增加模型的複雜度，則訓練集的錯誤率會降低
(D) 訓練集的錯誤率越低，測試集的錯誤也會跟著越低
Ans: C 

5. 關於訓練集與測試集的比例，下列哪一項較為正確？
(A) 訓練集：測試集 ＝ ６：４
(B) 訓練集：測試集 ＝ ５：５
(C) 訓練集：測試集 ＝ ２：８
(D) 比例不須固定，須根據資料集判斷
Ans: D 

TQC 人工智慧應用及技術 第四類 第21~40題

21. 下列哪一項不是分類問題常用的評估指標（Evaluation Metrics）？
(A) F1-Score
(B) Area Under Curve, AUC
(C) Mean Square Error, MSE
(D) R-Square
Ans: D 

22. 如附圖所示，為Log Loss的曲線圖，橫軸為模型預測的機率，縱軸則是該機率所帶來的Log Loss，請參考此圖判斷下列哪一項為Log Loss的計算公式？
    
(A) 
(B) 
(C) 
(D) 
Ans: B 

23. 關於相關係數（Correlation coefficient）的描述，下列哪一項錯誤？
(A) 其值在0至1之間
(B) 相關係數是衡量變數之間的線性相關性
(C) 相關係數就算很接近最大值，也不一定代表兩個變數有因果關係
(D) 可用於衡量迴歸模型的表現
Ans: A 

24. 關於常見的模型衡量標準，平均絕對誤差（Mean Absolute Error, MAE）與均方根誤差（Root Mean Square Error, RMSE）的描述，下列哪一項錯誤？
(A) 兩者對離群值都不敏感
(B) 兩者的值落在0至無限大之間
(C) 兩者都可以使用在迴歸的問題上
(D) 兩者都是數值越低，代表模型越精準
Ans: A 

25. 關於梯度提升機（Gradient Boosting Machine）的描述，下列哪一項錯誤？
(A) 使用集成（Ensemble）方法中的Boosting方法
(B) 使用大量弱學習器（Weak Learner）結合來提升模型準確度
(C) 弱學習器彼此之間無關聯性
(D) 可用於迴歸與分類問題
Ans: C 

TQC 人工智慧應用及技術 第四類 第41~63題

41. 關於啟動函數（Activation Function）所對應的輸出值域，下列哪一個錯誤？
(A) Sigmoid:(0, 1)
(B) ReLU:(0, Inf)
(C) LeakyReLU:(-1, Inf)
(D) Hyperbolic Tangent:(-1, 1)
Ans: C 

42. 下列哪一種啟動函數（Activation Function）較不會有梯度彌散（Vanishing Gradient）的現象？
(A) Tanh
(B) Sigmoid
(C) Softsign
(D) ReLU
Ans: D 

43. 在遞迴類神經網路（Recurrent Neural Network, RNN）模型中，克服梯度彌散（Vanishing Gradient）最主要的手段為下列哪一項？
(A) 使用ReLU作為整個神經網路的啟動函數
(B) 加入長短期記憶單元（LSTM Cell）
(C) 加入Dropout layer
(D) 加入1 x 1卷積層
Ans: B 

44. 在遞迴類神經網路（Recurrent Neural Network, RNN）模型中，克服梯度爆炸（Exploding Gradient）最主要的手段為下列哪一項？
(A) 使用ReLu作為整個神經網路的啟動函數
(B) 加入長短期記憶單元（LSTM Cell）
(C) 對梯度使用數值切割（Clip Gradient）
(D) 加入1 x 1卷積層
Ans: C 

45. 關於批次正規化（Batch Normalization），下列哪一項正確？
(A) 所有特徵一起做正規化（Normalization）
(B) 可以解決梯度彌散（Vanishing Gradient）的問題
(C) 在訓練模式（Training Mode）與推論模式（Inference Mode）所使用的平均數與標準差為同一組數值
(D) 在不論批次（Batch）大小下，使用批次正規化都能取得較好的結果
Ans: B