常見機器學習演算法：12 題線上練習
「常見機器學習演算法」是 iPAS AI 應用規劃師中級的能力指標（代號 L23202），涵蓋演算法技術原理、應用與優化。本頁收錄 12 題免費練習題，附逐題解析。
「常見機器學習演算法」是 iPAS AI 應用規劃師中級的能力指標（代號 L23202），涵蓋演算法技術原理、應用與優化。本頁收錄 12 題免費練習題，附逐題解析。
考試範圍定位
- 考試等級
- iPAS AI 應用規劃師中級能力鑑定
- 考試科目
- 機器學習技術與應用（L23）
- 知識主題
- 機器學習與深度學習（L232）
- 能力指標
- 常見機器學習演算法（L23202）
- 涵蓋知識點
- 演算法技術原理、應用與優化
練習題列表（共 12 題）
點任一題可查看完整題目、選項與逐題解析。題目依難度由基礎到進階排序。
在機器學習中，Lasso（L1 正則化）相比 Ridge（L2 正則化）的主要特性為何？
在密度型分群演算法 DBSCAN 中，若某資料點的 ε 鄰域內包含的資料點數少於 MinPts，且該點本身不在任何核心點的 ε 鄰域內，則該點被定義為？
在決策樹（Decision Tree）中，「資訊增益（Information Gain）」的計算目的為何？
在機器學習中，特徵縮放（Feature Scaling）對哪類演算法影響最大？
XGBoost（eXtreme Gradient Boosting）相比傳統 Gradient Boosting 的主要改進為何？
在監督式學習的特徵選取中，Lasso 迴歸（L1 正則化）能自動進行特徵選取的原因為何？
在評估機器學習演算法的計算複雜度時，O(n²) 的時間複雜度意味著什麼？
L1 正則化 (Lasso) 的主要效果為何？
DBSCAN 中未被核心點包含也未達密度可達的點歸類為？
Information Gain 主要應用在什麼演算法中？
KNN 和 SVM 在使用前最關鍵的前處理是什麼？
XGBoost 相比傳統 GBDT 的主要改進為何？
本考點的相關 AI 術語
先掌握以下術語的定義與應用情境，再回來刷題，正確率會明顯提升。
下一步
練完本考點的題目後，回到 題庫總覽 查看其他科目的題數分布， 或直接進行 完整模擬考 驗證實力。 還不確定弱點在哪，先做 診斷測驗； 想了解歷年出題趨勢與高頻考點，參考 考古題與模擬測驗總整理。