iPAS 考題解析
貝氏分類器（Naive Bayes Classifier）常被應用於文字分類、垃圾郵件過濾等場景。依據模型特性，它最適合歸類於下列哪一類？
初級 人工智慧基礎概論
難度：進階 ★★★
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 人工智慧概念
- 能力指標
- AI 的定義與分類（L11101）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「人工智慧概念」範疇， 對應的能力指標為「AI 的定義與分類」，涵蓋AI 定義、弱 AI vs 強 AI vs 超 AI 分類、三大 AI 浪潮等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
貝氏分類器（Naive Bayes Classifier）常被應用於文字分類、垃圾郵件過濾等場景。依據模型特性，它最適合歸類於下列哪一類？
- A. 透過直接學習輸入特徵與目標標籤之間的邊界或關係來進行分類的模型；
- B. 透過建構資料的整體分布，並利用條件關係進行推斷和分類的模型； ✓ 正確答案
- C. 側重探索資料中樣本間的相似性，將資料自動分成不同群組的模型；
- D. 透過試錯學習，根據行動結果的獎勵或懲罰來優化決策策略的模型
詳細解析
正確答案：B. 透過建構資料的整體分布，並利用條件關係進行推斷和分類的模型；
貝氏分類器（Naive Bayes Classifier）是生成式模型（Generative Model），透過建構資料的整體分布並利用貝氏定理（Bayes' Theorem）的條件機率關係來進行推斷和分類。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 透過直接學習輸入特徵與目標標籤之間的邊界或關係來進行分類的模型； （不正確）
直接學習輸入與標籤邊界的是鑑別式模型（Discriminative Model），如 SVM、邏輯迴歸（Logistic Regression）
C. 側重探索資料中樣本間的相似性，將資料自動分成不同群組的模型； （不正確）
探索資料相似性並分群（Clustering）是非監督式學習（Supervised Learning）（如 K-means），不是貝氏分類器（Naive Bayes Classifier）
D. 透過試錯學習，根據行動結果的獎勵或懲罰來優化決策策略的模型 （不正確）
透過獎勵懲罰優化策略是強化學習（Reinforcement Learning），與貝氏分類器（Naive Bayes Classifier）無關
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
進階題備考建議
- ▶ 本題屬於進階難度，涉及技術原理的深入理解或跨領域整合應用，需要紮實的基礎。
- ▶ 進階題通常需要你綜合多個知識點才能判斷，建議建立知識圖譜，把相關概念串聯起來。
- ▶ 如果這題答錯了，建議回頭複習相關的基礎概念，確保每一層知識都沒有漏洞。
- ▶ 中級考試的進階題佔比較高，建議先把初級範圍的基礎打穩，再挑戰中級進階題。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 iPAS AI 應用規劃師初級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。