常見的機器學習模型：26 題線上練習

下列哪一類問題最適合使用非監督式學習（Unsupervised Learning）來處理？

難度 ★★☆

某模型使用K-近鄰演算法（KNN）進行分類，K設為3。一筆新的測試資料輸入後，與其最接近的3筆資料的類別如下：鄰近樣本1：類別A；鄰近樣本2：類別B；鄰近樣本3：類別A。請問模型會將這筆資料預測為哪一類別？

難度 ★★☆

某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？

難度 ★★☆

關於K平均法（K-means），下列敘述何者「不」正確？

難度 ★★☆

下列哪一類問題最適合使用非監督式學習（Unsupervised Learning）來處理？

難度 ★★☆ 114 年考題

某模型使用 K-近鄰演算法（KNN）進行分類，K 設為 3。一筆新的測試資料輸入後，與其最接近的 3 筆資料的類別如下：鄰近樣本 1：類別 A；鄰近樣本 2：類別 B；鄰近樣本 3：類別 A。請問模型會將這筆資料預測為哪一類別？

難度 ★★☆ 114 年考題

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？

難度 ★★☆ 114 年考題

在深度學習模型的微調（Fine-tuning）過程中，可能出現所謂的「災難性遺忘（Catastrophic Forgetting）」。此現象最可能造成哪種情況？

難度 ★★☆ 114 年考題

在大型 Transformer 模型的效能優化過程中，常見的方法之一是「剪枝（Pruning）」。下列哪一項最符合該方法的核心概念？

難度 ★★☆ 114 年考題

對非常長的輸入序列進行推理（Inference），Transformer 模型推理的主要計算瓶頸通常是什麼？

難度 ★★☆ 114 年考題

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。

難度 ★★☆ 114 年考題

某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？

難度 ★★☆ 114 年考題

下列何者不符合非監督式學習（Unsupervised Learning）的典型特徵？

難度 ★★☆ 115 年考題

某物流公司導入強化式學習（Reinforcement Learning）優化車隊調度。模型在系統運行過程中，會依據不同配送狀態動態調整行動選擇方式，使決策結果逐步朝較佳績效收斂。上述模型在學習過程中的調整行為，最符合下列哪一項強化式學習核心機制？

難度 ★★☆ 115 年考題

某企業導入大型語言模型作為客服助理。模型已具備穩定語言能力，但在回覆偏好一致性與組織規範遵循方面仍需優化，團隊因此規劃導入人類反饋強化學習（RLHF）流程，下列何者最不屬於 RLHF 階段的典型技術活動？

難度 ★★☆ 115 年考題

在深度學習模型的分析與驗證過程中，研究人員有時會利用「顯著性圖（Saliency Map）」來輔助理解模型行為。下列何者最符合此技術的主要用途？

難度 ★★☆ 115 年考題

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？

難度 ★★☆ 115 年考題

在大型語言模型（LLM）的效能優化中，Flash Attention 常被用來改善 Transformer 注意力機制的運算效率。關於 Flash Attention 的主要效益，下列敘述何者最正確？

難度 ★★☆ 115 年考題

關於機器學習不同的學習模式，下列敘述何者錯誤？ 1. 監督式學習（Supervised Learning）透過已標註資料學習輸入與目標之間的對應關係，常見任務包含分類與數值預測。 2. 非監督式學習（Unsupervised Learning）雖不需標註資料，但通常需預先定義每筆資料的正確輸出類別以利模型收斂。 3. 半監督式學習（Semi-supervised Learning）在訓練過程中僅利用未標註資料進行特徵學習，並不涉及標註資料。 4. 自監督式學習（Self-supervised Learning）的訓練方式與監督式學習相同，皆需人工逐筆提供標註資料。 5. 強化式學習（Reinforcement Learning）透過與環境互動並依據回饋訊號調整策略，以優化決策行為。 6. 自監督式學習（Self-supervised Learning）通常利用資料本身產生訓練目標，以降低對人工標註資料的依賴。

難度 ★★☆ 115 年考題

關於 K 平均法（K-means），下列敘述何者「不」正確？

難度 ★★☆ 114 年考題

關於 K 平均法（K-means），下列敘述何者「不」正確？

難度 ★★☆ 114 年考題

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？

難度 ★★★

在深度學習模型的微調（Fine-tuning）過程中，可能出現所謂的「災難性遺忘（Catastrophic Forgetting）」。此現象最可能造成哪種情況？

難度 ★★★

在大型Transformer模型的效能優化過程中，常見的方法之一是「剪枝（Pruning）」。下列哪一項最符合該方法的核心概念？

難度 ★★★

對非常長的輸入序列進行推理（Inference），Transformer模型推理的主要計算瓶頸通常是什麼？

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。

難度 ★★★