iPAS AI應用規劃師(中級) 科目1 人工智慧技術應用規劃 L213 AI技術應用與系統部署L21301 數據準備與模型選擇 (進階題型)

作者: /

iPAS AI應用規劃師(中級) 科目1人工智慧技術應用規劃 L213 AI技術應用與系統部署 L21301 數據準備與模型選擇 (進階題型)  模擬試題，採智能選題，無限次反覆練習。

1. 
Dropout技術在神經網路中防止過擬合的原理是？

2. 
知識蒸餾（Knowledge Distillation）的核心思想是？

3. 
在處理缺失值時，使用預測模型填補（Predictive Imputation）相比簡單統計方法的優勢和要求是？

4. 
t-SNE相比PCA在視覺化上的優勢是？

5. 
TF-IDF中的IDF（Inverse Document Frequency）的作用是？

6. 
在多模態學習中，CLIP模型如何對齊圖像和文字？

7. 
商業資料庫（如Refinitiv）與自行爬取的公開資料相比，主要優勢在於？

8. 
Reward Shaping在強化學習中的作用和風險是？

9. 
對於決策樹模型，是否需要對數值特徵進行標準化或正規化？

10. 
當使用Forward Fill方法填補時間序列缺失值時，最不適合的情境是？

11. 
ResNet（殘差網路）引入跳躍連接（Skip Connection）解決了什麼問題？

12. 
在時間序列預測中，為什麼不能使用隨機K-Fold交叉驗證？

13. 
L1正則化（Lasso）能實現特徵選擇的原理是？

14. 
在金融交易資料中，使用IQR方法偵測異常值可能產生的問題是？

15. 
Precision和Recall存在權衡時，F1-score的作用是？

16. 
在處理非平衡資料集時，SMOTE（合成少數類過採樣）技術的原理是？

17. 
在時間序列預測中，創建滯後特徵（Lag Features）時，滯後期數的選擇應該基於？

18. 
對於循環性時間特徵（如小時、星期），最佳的編碼方式是？

19. 
Model-based RL相比Model-free RL的優勢和挑戰是？

20. 
GPT和BERT的主要架構差異是？


error: Content is protected !!
返回頂端