iPAS AI應用規劃師-初級 (9) / iPAS AI 應用規劃師, AI 測驗題庫, iPAS AI 初級, 測驗題庫 / 作者: S學院 iPAS AI應用規劃師-初級 (9) 模擬測驗，採智能選題，無限次反覆練習。 1. 在神經網絡的正則化方法中，Dropout與L2正則化的主要區別是： Dropout隨機停用神經元，L2懲罰大權重 Dropout適用於卷積層，L2適用於全連接層 Dropout減少過擬合，L2解決梯度消失 Dropout用於訓練階段，L2用於推理階段 None 2. 在設計電腦視覺系統時，「域適應」（Domain Adaptation）主要解決： 不同硬件平台兼容性問題 訓練數據與實際應用環境分佈不一致問題 模型安全性和隱私保護問題 視覺模型的實時性能問題 None 3. 在評估機器學習模型時，ROC曲線下面積（AUC-ROC）為0.5通常表示： 模型僅能識別一半的正類別 模型預測能力相當於隨機猜測 模型完全記住了訓練數據 模型在所有閾值下都維持50%的準確率 None 4. Focal Loss在目標檢測中的主要貢獻是： 解決前景-背景類別嚴重不平衡問題 提高邊界框定位精度 減少訓練時所需的計算資源 解決小目標被忽略的問題 None 5. 在Kaggle平台上，我們可以獲取什麼類型的資料用於模型訓練? 生物醫學原始資料 即時串流數據 個人隱私數據 已整理後的資料庫 None 6. 在機器學習工作流程中，模型訓練完成後的下一個關鍵步驟是什麼？ 重新標記數據 評估模型表現 刪除訓練數據 變更算法參數 None 7. 在電腦視覺應用中，為確保模型的泛化能力，訓練數據應該? 僅包含高品質圖像 只使用專業相機拍攝的圖像 包含多樣化的場景和條件 限制在特定光線條件下 None 8. 在電腦視覺應用中，使用輪胎品質分類來評估安全性時，主要目的是? 降低製造成本 快速辨識潛在的安全隱患 提高輪胎美觀度 增加輪胎使用壽命 None 9. Azure Container Registry 在 AI 模型部署中的主要作用是： 自動擴展容器實例以應對負載變化 存儲和管理容器映像，供部署環境使用 監控已部署容器的運行狀態 直接執行容器化的 AI 模型 None 10. 在物件偵測案例中，Overlap Threshold的設定主要影響? API回應時間 模型大小 重疊物件的識別效果 訓練速度 None 11. 在工業焊接檢測應用中，物件偵測模型相較於影像分類模型的主要優勢是： 不需要專家知識進行標記 處理速度更快 能同時識別並定位多個瑕疵位置 需要較少的訓練資料 None 12. 機器學習模型訓練中的"過擬合"(overfitting)問題是指？ 計算資源不足 訓練數據太少 模型過於簡單 模型對訓練數據表現極好但泛化能力差 None 13. 卷積神經網路中殘差連接（Residual Connections）的主要作用是： 提高卷積操作的計算效率 增強模型對旋轉不變性的能力 減少模型參數總量 解決深層網路中的梯度消失問題 None 14. 若要確保 AI 模型能持續保持高準確度，最佳的長期維護策略是： 建立監控系統並使用新數據重新訓練模型 限制模型的使用場景以避免誤判 定期更換為最新的演算法 增加模型的複雜度以適應新情境 None 15. 神經架構搜索（Neural Architecture Search）的主要創新是： 自動生成訓練數據 模擬人腦結構構建AI系統 自動化設計最優神經網絡結構 動態調整模型參數 None 16. 對抗樣本（Adversarial Examples）對視覺模型的主要威脅是： 消耗過多計算資源導致服務中斷 破壞訓練數據的完整性 竊取模型權重和架構信息 通過細微的、人眼幾乎無法察覺的擾動誤導模型 None 17. 在電腦視覺中，YOLO（You Only Look Once）算法的創新點是： 引入注意力機制增強特徵提取 使用區域建議網絡生成候選框 將目標檢測視為單一回歸問題，一次性預測邊界框和類別 採用深度可分離卷積減少參數量 None 18. TensorRT優化主要應用於哪個階段？ 模型訓練 數據預處理 模型評估 模型推論 None 19. 在電腦視覺應用中，為什麼需要定期重新訓練模型？ 降低運營成本 適應新數據分佈和變化 僅為符合合規要求 提高系統審美性 None 20. 若希望將訓練好的模型運行於邊緣裝置上，下列何者為較佳選擇？ VotingEnsemble General (compact) [S1] StackEnsemble MaxAbsScaler, LightGBM None 如有問題可留言，謝謝您的寶貴意見！ 暱稱 電郵（提交獲得正確答案，可換題測驗完整題庫，新增題庫電郵通知） Time's up
