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應用於醫學影像分析時，最重要的前處理步驟是： 標準化和特徵提取 僅改變影像大小 數據加密 更改文件名 None 2. 在AutoML部署模型為Web服務的主要目的是什麼？ 只是為了展示模型結構 只用於數據可視化 只用於模型存檔 根據新資料進行預測並找出潛在的商機 None 3. 在金融領域應用AutoML時，什麼是特別重要的考慮因素？ 只關注短期預測 僅考慮模型的視覺化效果 模型的可解釋性、風險評估和監管合規性 避免使用任何統計方法 None 4. 在AutoML系統中，"特徵交互"(Feature Interaction)的主要作用是什麼？ 捕獲特徵間的非線性關係 僅用於時間序列數據 避免使用複雜模型 減少特徵總數 None 5. 下列何者不是使用Azure Machine Learning設計和執行AutoML實驗的步驟？ 識別要解決的ML問題 設定自動化機器學習參數 指定標示定型資料的來源 重新編寫演算法的核心程式碼 None 6. 正規化在特徵工程中的主要作用是： 增加特徵數量 增加模型複雜度 降低模型精確度 標準化資料，使模型能夠更穩定地學習 None 7. 在AutoML中，哪種類型的任務適合使用深度學習模型？ 複雜的電腦視覺和自然語言處理任務 基本回歸問題 小型資料集分析 簡單的二元分類 None 8. 在AutoML部署階段，容器化技術（如Docker）的主要優勢是： 確保環境一致性和部署便捷性 減少特徵數量 降低模型複雜度 減少模型準確性 None 9. AutoML的「早期停止」功能的主要用途是： 增加模型複雜度 節省計算成本 防止模型過擬合 增加特徵數量 None 10. 在自動化機器學習中，如何評估模型在極端情況下的表現？ 忽略所有極端情況 僅關注中位數表現 壓力測試和對抗性驗證 僅考慮平均性能 None 11. 在Azure AutoML中，"Voting Ensemble"算法的原理是什麼？ 結合多個模型的預測結果 隨機選擇一個最佳模型 僅使用深度學習網絡 平均所有模型的參數 None 12. 機器學習中的「過擬合」問題是指： 訓練時間過長 計算資源不足 模型對訓練數據擬合過度，無法很好地泛化到新數據 模型太簡單，無法捕捉數據特徵 None 13. 在處理回歸問題時，AutoML系統可能使用哪些評估指標？ 僅使用混淆矩陣 均方誤差、平均絕對誤差或R平方 僅使用F1分數 僅使用準確率 None 14. 在自動化ML中，對於時間敏感的預測問題，最重要的考慮因素是： 模型大小 演算法名稱 時間窗口和特徵工程 使用界面的易用性 None 15. 自動化機器學習在處理大型資料集時的優勢是什麼？ 可在叢集節點上平行處理定型 不需要資料預處理 不需要特徵工程 可以在沒有標記數據的情況下工作 None 16. 自動化機器學習使用何種方式評估不同模型的表現？ 通過預先定義的評估指標來比較模型 主觀評估各模型的結果 只考慮模型訓練時間 僅通過訓練集的損失函數 None 17. 自動化特徵工程的主要優點是什麼？ 提高資料處理效率 完全替代人工參與 減少需要的數據量 降低模型複雜度 None 18. AutoML在資料預處理階段自動執行的任務包括： 創建新特徵 處理缺失值和異常值 重新定義業務問題 收集更多數據 None 19. AutoML的功能應用範圍不包括以下哪一項？ 影像分類 自然語言處理 硬體加速器設計 時間序列預測 None 20. 在AutoML中，當面對高維數據時，通常需要： 忽略數據結構 隨機選擇特徵 進行降維或特徵選擇 總是使用所有特徵 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
