iPAS 考題解析
關於 Q-Learning 與 Deep Q-Learning,下列敘述何者最正確?
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
關於 Q-Learning 與 Deep Q-Learning,下列敘述何者最正確?
- A. Q-Learning 與 Deep Q-Learning 的差異在於是否使用標記資料作為學習基礎;
- B. Q-Learning 可處理任意維度的狀態空間,因此比 Deep Q-Learning 更靈活;
- C. Deep Q-Learning 透過深度神經網路近似 Q 值,避免了 Q 表在高維空間中難以擴展的問題; ✓ 正確答案
- D. Deep Q-Learning 無法搭配經驗回放(Experience Replay),因為會導致樣本順序被打亂
詳細解析
正確答案:C. Deep Q-Learning 透過深度神經網路近似 Q 值,避免了 Q 表在高維空間中難以擴展的問題;
Deep Q-Learning 的核心創新是用深度神經網路(DNN)取代傳統的 Q 表來近似 Q 值函數。傳統 Q-Learning 使用 Q 表在高維狀態空間中會遇到維度爆炸的問題,而 DNN 能有效地泛化和近似高維空間中的 Q 值。
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. Q-Learning 與 Deep Q-Learning 的差異在於是否使用標記資料作為學習基礎; (不正確)
兩者都屬於強化式學習,差異不在於是否使用標記資料,而在於 Q 值的表示方式。
B. Q-Learning 可處理任意維度的狀態空間,因此比 Deep Q-Learning 更靈活; (不正確)
Q-Learning 使用 Q 表,在高維空間中會遇到維度爆炸問題,反而不如 Deep Q-Learning 靈活。
C. Deep Q-Learning 透過深度神經網路近似 Q 值,避免了 Q 表在高維空間中難以擴展的問題; (正確)
Deep Q-Learning 用神經網路近似 Q 值,有效解決了 Q 表在高維空間中的擴展性問題。
D. Deep Q-Learning 無法搭配經驗回放(Experience Replay),因為會導致樣本順序被打亂 (不正確)
Deep Q-Learning 正是透過經驗回放打破樣本相關性來穩定訓練,兩者可以搭配使用。
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。
某醫院希望開發一個系統,根據患者的年齡、血壓與 BMI 等資訊,預測其罹患糖尿病的機率(0~1),並依據預測值是否超過 0.5 做出風險警示。下列哪一種模型最適合用於此分類任務?
關於敘述性統計指標,下列敘述何者最為正確?
某行銷公司欲針對新客戶進行「行銷活動推播」,目前擁有資料包含:客戶基本資料(尚未有購買紀錄)、客戶過往點擊行為(未標記是否完成購買)、類似客戶是否曾購買過(已標記「有/無購買」標籤)。若該公司希望預測新的單一客戶是否可能完成購買行為,下列哪一種學習方式與資料搭配最合適?
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。