iPAS AI應用規劃師-初級 (8) 發佈留言 / 作者: S學院 / 2025-05-04 iPAS AI應用規劃師-初級 (8) 模擬測驗，採智能選題，無限次反覆練習。 1. 在AutoML中處理類別型特徵時，哪種編碼方法通常不會自動應用？ 手動語義編碼 頻率編碼 獨熱編碼(One-Hot) 標籤編碼(Label) None 2. 在自動化機器學習中，如何評估模型在極端情況下的表現？ 僅關注中位數表現 僅考慮平均性能 忽略所有極端情況 壓力測試和對抗性驗證 None 3. 在AutoML中查看confusion matrix的主要目的是： 只評估模型大小 只評估模型訓練時間 只評估特徵重要性 評估分類模型的預測錯誤類型 None 4. AutoML在處理IoT（物聯網）設備數據時的主要優勢是： 實時分析和異常檢測能力 提高設備性能 減少需要的感測器數量 減少數據存儲需求 None 5. 特徵工程在機器學習中的主要目的是什麼？ 減少模型訓練所需的計算資源 加快模型訓練速度 使用資料的領域知識來提升模型的準確性和效能 簡化模型架構 None 6. 在分類問題中，當正面例子非常稀少時，應選擇的評估指標是： 簡單準確率 精確率和召回率 模型大小 執行時間 None 7. 在AutoML系統中，處理文本數據時通常會使用什麼技術？ 完全忽略文本順序 使用詞嵌入和N-gram特徵提取 只識別語言類型 僅進行簡單的字符計數 None 8. 在AutoML中，Feature importance視覺化的主要價值是： 顯示哪些資料功能影響模型預測 只記錄模型架構 僅用於美化報告 只評估模型定型速度 None 9. 如果希望AutoML在選擇最佳模型時考慮模型的可解釋性，應該啟用哪個選項？ 使用全部支援模型 並行反覆項目上限 早期停止 解釋最佳模型 None 10. 在AutoML的實驗結果中，模型說明的主要目的是什麼？ 了解影響特定模型預測的資料功能 只用於記錄模型架構 僅評估模型訓練時間 只用於比較不同實驗 None 11. 驗證資料在自動化機器學習中的主要用途是什麼？ 調整模型的超參數 用於數據清洗 用於最終模型評估 替代定型資料 None 12. 在AutoML中，什麼情況下"集成學習"方法通常表現最佳？ 只有少量訓練數據時 需要高精度且穩定預測時 只處理線性關係時 要求極快訓練速度時 None 13. 跨產業的ML專業人員和開發人員使用AutoML的主要好處是什麼？ 提高模型的複雜性 降低硬體成本 簡化組織架構 無須豐富的程式設計知識實作ML服務解決方案 None 14. AutoML在時間序列預測中特別適用於： 隨機事件預測 季節性和趨勢分析 超長期預測（十年以上） 極短期預測（秒級） None 15. 在自動化機器學習中，預測任務和分類任務最大的區別是什麼？ 輸出值的類型不同 所需數據量不同 使用的演算法不同 計算資源需求不同 None 16. AutoML系統如何確定最適合的神經網絡架構？ 總是使用固定架構 根據數據集大小按固定公式計算 通過搜索和測試不同的層配置和參數 由最終用戶手動指定 None 17. AutoML系統在處理非結構化數據時面臨的主要挑戰是什麼？ 非結構化數據不適用於機器學習 非結構化數據總是易於處理 需要領域特定的特徵提取技術和大量計算資源 非結構化數據不需要特徵提取 None 18. 使用AutoML處理非結構化數據（如圖像）時，最重要的預處理步驟是： 僅修改文件名 更改存儲格式 數據排序 特徵提取和表示 None 19. 在時間序列預測中，自動化機器學習如何處理趨勢成分？ 只考慮短期趨勢 將趨勢視為噪聲處理 通過分解或差分等技術分離趨勢 完全忽略趨勢成分 None 20. 在使用AutoML分析醫療數據時，最關鍵的考慮因素是什麼？ 數據隱私和模型的可解釋性 模型的大小 訓練速度 視覺化效果 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
