iPAS 考題解析
神經網路與傳統機器學習模型的主要區別是什麼？
初級 人工智慧基礎概論
難度：中等 ★★☆
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
- 機器學習概念
- 能力指標
- 機器學習基本原理（L11301）
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「機器學習概念」範疇， 對應的能力指標為「機器學習基本原理」，涵蓋模型訓練與泛化機制等核心知識點。 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
神經網路與傳統機器學習模型的主要區別是什麼？
- A. 神經網路無法處理非線性數據
- B. 神經網路透過多層結構學習複雜特徵 ✓ 正確答案
- C. 神經網路只適用於迴歸問題
- D. 神經網路不需要大量數據支持
詳細解析
正確答案：B. 神經網路透過多層結構學習複雜特徵
神經網路（Neural Network）透過多層（深度）結構能自動學習複雜的特徵表示（Feature Representation），這是其與傳統機器學習（Machine Learning, ML）的主要區別。
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. 神經網路無法處理非線性數據 （不正確）
神經網路（Neural Network, NN）擅長處理非線性數據，這正是它的優勢
C. 神經網路只適用於迴歸問題 （不正確）
神經網路（Neural Network, NN）可用於分類、迴歸、生成等多種任務
D. 神經網路不需要大量數據支持 （不正確）
神經網路（Neural Network, NN）通常需要大量數據來有效訓練
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。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
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。
一家工廠要用歷年瑕疵照片判斷產品是否有刮痕，資料包含數萬張已標註影像，且刮痕形狀與位置差異很大。下列哪種做法最符合需求？
初級 人工智慧基礎概論 難度 ★★☆
關於監督式學習（Supervised Learning）與非監督式學習（Unsupervised Learning）的目標，下列敘述何者錯誤？ 1. 非監督式學習的核心在於發掘資料內在結構，例如分群、關聯規則與降維，而不依賴外部標籤。 2. 監督式學習的典型應用為分類與迴歸，通常不適合應用於異常偵測任務。 3. 非監督式學習若搭配少量標註資料，即會完全轉化為監督式學習。 4. 監督式學習仰賴已標註的資料集，透過最小化輸出與真實標籤之間的差距，學習輸入與目標之間的對應函數。 5. 所有監督式學習任務都必須要有大量完整標註資料，否則無法進行任何有效的模型訓練。 6. 非監督式學習不需要目標變數，僅透過輸入資料本身的特徵分布進行模式學習。
初級 人工智慧基礎概論 難度 ★★☆ 114 年
某公車系統想預測各站點的到站時間，需要考慮歷史班次資料、即時路況、天氣等因素。由於路況變化複雜，傳統循環神經網路（Recurrent Neural Network, RNN）在建模時可能難以保留較早期的重要資訊。下列哪種架構最能解決這個問題？
初級 人工智慧基礎概論 難度 ★★☆ 115 年
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。