iPAS 考題解析
某團隊想採用循環神經網路（Recurrent Neural Network, RNN）建構長期氣候數據的預測模型，以下哪一項敘述最符合使用 RNN 可能會遇到的挑戰？
初級 人工智慧基礎概論
難度：中等 ★★☆ 114 年考題
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
- 常見的機器學習模型（L11302）
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「常見的機器學習模型」，涵蓋監督式、非監督式、半監督式、強化式、多模態、深度學習等核心知識點。 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
某團隊想採用循環神經網路（Recurrent Neural Network, RNN）建構長期氣候數據的預測模型，以下哪一項敘述最符合使用 RNN 可能會遇到的挑戰？
- A. RNN 無法處理可變長度的序列輸入，因此在實務上限制極大；
- B. RNN 在長序列訓練中可能出現梯度消失，影響模型效果； ✓ 正確答案
- C. RNN 無法捕捉時間上的依賴關係，因此預測準確度低；
- D. RNN 只能用於分類任務，不能應用於時間序列預測
詳細解析
正確答案：B. RNN 在長序列訓練中可能出現梯度消失，影響模型效果；
RNN 在處理長序列時容易出現梯度消失（Vanishing Gradient）問題，導致模型難以學習長距離的時間依賴關係。這是 RNN 的已知限制，後續的 LSTM 和 GRU 就是為了解決此問題而設計。
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. RNN 無法處理可變長度的序列輸入，因此在實務上限制極大； （不正確）
RNN 能夠處理可變長度的序列輸入，這正是它的優勢之一。
B. RNN 在長序列訓練中可能出現梯度消失，影響模型效果； （正確）
RNN 在長序列訓練中確實容易出現梯度消失問題，影響對長期依賴的學習效果。
C. RNN 無法捕捉時間上的依賴關係，因此預測準確度低； （不正確）
RNN 的設計目的就是捕捉時間序列中的依賴關係，但長距離依賴會因梯度消失而受限。
D. RNN 只能用於分類任務，不能應用於時間序列預測 （不正確）
RNN 可應用於分類、序列生成、時間序列預測等多種任務，不限於分類。
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。
在訓練機器學習模型時，若任務為預測房價，應選用下列哪一種損失函數（Loss Function）來衡量預測誤差？
初級 人工智慧基礎概論 難度 ★★☆ 114 年
某電信公司建立機器學習模型預測用戶流失風險。資料中包含多個類別型特徵（Categorical Features），例如「資費方案類型」與「客戶地區」。為使模型能有效使用這些特徵，下列何者最直接用於將類別型特徵轉換為模型可處理的數值格式？
初級 人工智慧基礎概論 難度 ★★☆ 115 年
某醫院使用機器學習模型篩檢癌症患者。模型預測結果會決定哪些病人需要進一步檢查。院方非常重視盡量找出所有可能的癌症患者，即希望降低漏診（Missed Diagnosis）風險，即便這可能增加一些誤判。下列哪一個評估指標最能反映模型找出癌症患者的能力？
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 114 年 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。