模型訓練與調參

在機器學習中，「偏差與變異權衡(Bias-Variance Tradeoff)」主要用來解決下列哪一類型的問題？

1. A因資料來源或收集方式限制，導致模型學習到的資訊不足
2. B測試資料樣本與訓練資料高度重複，造成模型泛化能力評估失準
3. C訓練資料中類別分布不均，使模型在少數類別上表現不佳
4. D如何在模型偏差與變異之間取得平衡，以避免過度擬合或欠擬合

在深度學習模型的微調（Fine-tuning）過程中，可能出現所謂的「災難性遺忘（Catastrophic Forgetting）」。此現象最可能造成哪種情況？

1. A由於計算資源或訓練步驟不足，模型在微調過程中無法完整收斂，導致學習效果受限
2. B微調後模型的表現變得隨機，無法有效記憶新學到的模式與知識
3. C微調後模型的部分權重產生偏移，導致模型無法針對較長的文字進行回應
4. D模型過度適應微調的資料分佈，逐漸遺忘先前預訓練所獲得的廣泛知識，在原有任務或廣泛領域上表現變差

某電商平台工程師需在已排序的價格清單中,快速定位指定價格是否存在,給定 排序後陣列:arr = [3, 8, 14, 19, 21, 27, 33, 45, 52]。若搜尋目標值為27,且採用標 準二分搜尋(Binary Search)流程(每次比較後排除中位數),請問最多需要比較 幾次即可找到目標?

1. A2次
2. B3次
3. C4次
4. D5次

某AI 團隊正在訓練一個深度神經網路，用於辨識工廠產線上的瑕疵零件。工程師發現訓練過程中損失函數震盪幅度大，且不同批次資料造成模型學習方向不穩定。為改善此問題，團隊在各隱藏層加入Batch Normalization 機制。請問此調整在訓練階段最主要的作用為何？

1. A將輸入影像標準化，使不同類別的特徵分布更加一致；
2. B自動調整模型權重初始化方式，以避免訓練初期震盪；
3. C增加模型隱藏層的非線性能力，以提升分類精度上限；
4. D降低不同批次輸入造成的內部特徵分布變動，使梯度更新更穩定

某中小企業行銷部門主管希望在不需高度依賴IT 支援的情況下，快速建立一套能自動分析顧客問卷回饋並進行情緒分類的系統。他評估了AutoML 平台與自行開發機器學習模型兩種方案。下列何者最能說明AutoML 在此情境下的核心優勢？

1. AAutoML 仍需使用者熟悉Python 與深度學習框架，否則無法進行模型訓練；
2. BAutoML 可自動完成模型選擇、特徵處理與訓練流程，使非技術背景人員也能快速建立並上線模型；
3. CAutoML 僅適用於文字情緒分析，若應用於其他預測任務需重新開發系統；
4. DAutoML 產出的模型無法直接應用於實務場景，仍需完全重寫程式才能使用

某企業在訓練生成式 AI模型時，導入資料增強（Data Augmentation）技術以擴充訓練資料，但觀察到模型效能反而下降。下列哪一項最可能的原因與對應改善策略最為正確？

1. A增強樣本未經隨機初始化，導致模型梯度更新不穩定，應重新設計訓練啟動流程
2. B增強後資料的特徵分佈與原始資料不一致，影響模型的泛化能力，應檢查並調整增強策略以維持語意一致性
3. C增強樣本的比例過高，造成模型對特定資料產生偏好，應適度提高增強比例並調整學習率
4. D增強後資料的標註可信度下降，導致訓練訊號偏差，應以半監督學習方式重新校正資料

某資料科學團隊在開發預測模型時，針對多種模型設定（如學習率、樹深度、正則化係數等）進行系統化測試，希望找出在驗證資料上表現最穩定的組合。此過程最可能採用下列哪一種方法？

1. A使用交叉驗證（Cross Validation）反覆評估模型以降低過擬合風險
2. B透過網格搜尋（Grid Search）在多組超參數設定中進行系統化搜尋與評估
3. C以隨機搜尋（Random Search）快速探索部分參數空間以提升搜尋效率
4. D採用貝葉斯優化（Bayesian Optimization）根據歷次結果動態調整搜尋方向

某公司正在訓練一個大型語音合成模型，開發團隊使用多台 GPU 進行訓練，但經常出現 GPU 記憶體不足問題。由於模型架構已固定且無法更換硬體，團隊希望在維持模型效能與收斂品質的前提下，下列哪一種方法最有效降低單張 GPU 的記憶體壓力？

1. A減少訓練資料量以降低記憶體使用
2. B採用較小的批次大小（Batch Size）並搭配資料分片（Data Sharding）分散訓練負載
3. C增加學習率（Learning Rate）以加快收斂速度
4. D改用測試資料集（Test Set）進行部分訓練以節省空間

下列哪一種應用情境最適合導入 AutoML，以提升模型開發效率？

1. A公司已有完整的 MLOps 平台與資深資料科學團隊，模型更新採固定流程
2. B製造部門的生產良率模型已長期穩定運作，只需定期調整參數
3. C行銷部門希望在短時間內比較多種顧客流失預測模型，缺乏專職工程師與時間進行手動建模
4. D財務部門正在開發高度客製化的信用風險評估模型，需要精細控制特徵工程與演算法細節

相較於Grid Search，Random Search 在超參數調整上具備哪一項主要優勢？

1. A可自動產生模型架構
2. B可使用更大的訓練集
3. C避免模型過擬合
4. D能更有效率搜尋高維參數空間

某智慧製造公司開發一套設備故障預測系統，利用感測器資料訓練深度神經網路（Deep Neural Network, DNN）模型，以提前偵測異常運作跡象。在訓練過程中，團隊發現模型收斂速度不穩定：有時過快導致過擬合，有時又遲遲無法達到最佳準確率。開發團隊可以藉由調整下列哪一項超參數（Hyperparameter）以改善此問題？

1. A每個神經元的輸出結果
2. B損失函數（Loss Function）在訓練過程中的梯度變化值（Gradient）
3. C學習率（Learning Rate），控制模型權重更新的速度
4. D模型在訓練後產生的權重值

在防止監督式學習模型過擬合（Overfitting）時，下列哪一種策略不屬於降低模型複雜度或限制學習能力的作法？

1. A採用L1或L2 正則化
2. B在訓練過程中使用 Dropout 技術
3. C採取早期停止（Early Stopping）機制
4. D擴增輸入特徵變數以提升模型表達能力

某能源公司利用歷史氣象與用電資料，開發長期電力需求預測模型，採用深度神經網路架構進行訓練。在訓練過程中，模型在訓練集上的損失值持續下降，但在驗證集上，損失在第 80輪後開始波動，呈現週期性上升與下降。團隊懷疑模型受到季節性資料波動與隨機噪音影響，導致驗證損失難以穩定收斂。若要在此情境下合理運用早期停止法（Early Stopping）以確保模型具最佳泛化能力，下列哪一項策略最為適當？

1. A直接根據訓練集損失最低點停止訓練，以確保模型充分擬合所有樣本
2. B監控驗證集損失並設定適度的耐心值（Patience），在連續多輪未改善後再停止訓練
3. C改以測試集損失作為早停依據，以提升模型最終評估一致性
4. D將所有資料重新合併後訓練至收斂，避免因資料分割導致評估波動

以下程式碼實作了神經網路的一項訓練技巧: def forward(x, p, training=True): 　if training: 　　mask = np.random.binomial(1, p, size=x.shape) 　　return x * mask / p 　else: 　　return x 請問此程式碼實現的是哪一種正則化技術?

1. AL1正則化
2. BL2正則化
3. CDropout
4. DBatch Normalization

某廣告技術公司的點擊率（CTR）預測系統每天新增數百個用戶行為特徵（如新廣告位、新設備類型），特徵空間持續動態擴展。若採用傳統靜態模型每週批次重訓一次，會導致嚴重的模型過期問題。為在特徵空間頻繁變化的情況下維持模型即時準確度，最適合的模型架構方向為何？

1. A採用傳統靜態羅吉斯迴歸（Logistic Regression），縮短批次重訓週期從每週改為每日
2. B採用支援增量學習（Incremental Learning）的模型，使模型能隨新資料即時更新並適應新增特徵，而不需重新訓練整個模型
3. C採用固定架構的深度神經網路（DNN），每次有新特徵時重新定義輸入層後全量重訓
4. D改用預訓練圖神經網路（GNN），透過圖結構建立特徵間的關聯，自動應對新增特徵

某資料工程師在建構大規模影像資料處理流程時，需要處理數千萬筆訓練影像，並發現模型出現嚴重的過度擬合（Overfitting）：訓練集準確率達 99%，但驗證集僅有 72%。在不改變模型架構的前提下，下列哪一項「資料處理層面」的調整最無法有效改善過度擬合，甚至可能使問題惡化？

1. A在資料處理流程中加入資料增強（Data Augmentation），於訓練時動態生成多樣化影像樣本
2. B擴充資料來源，收集更多不同場景與條件的影像，以提升訓練資料分布的多樣性
3. C為了提升資料處理吞吐量（Throughput），預先將影像轉為固定特徵並快取（Cache），反覆使用相同訓練資料以加速訓練流程
4. D在資料前處理階段進行資料清理，移除標註錯誤或品質不佳的影像資料

訓練資料共 5,000萬筆，工程師比較 Batch Size=32 與 Batch Size = 4096 的訓練表現，發現大批次（Large Batch）雖然訓練較快，但模型泛化能力較差。從最佳化理論角度，下列何者為此現象最合理的解釋？

1. A大批次（Large Batch）計算量過大，GPU無法有效處理
2. B大批次（Large Batch）梯度估計更穩定，但容易收斂至局部極小值（Local Minima），導致泛化能力較差
3. C小批次（Small Batch）因隨機性高，更容易發生梯度爆炸（Gradient Explosion）
4. D批次大小（Batch Size）與泛化能力無關，問題出在學習率（Learning Rate）設定

某工程師訓練文本情感分類模型，訓練集 F1=0.96、驗證集 F1=0.71，落差明顯，顯示模型出現過擬合。下列哪一種策略能最直接從降低模型複雜度的角度緩解過擬合？

1. A增加訓練 Epoch 數至200，讓模型充分學習訓練資料的所有細節
2. B引入更多原始文本特徵（包括原始 URL、HTML 標籤），增加特徵多樣性
3. C對Embedding 層與全連結層加入 L2權重衰減（Weight Decay），懲罰參數值
4. D移除驗證集並將其併入訓練集，以增加模型可見的訓練樣本數

某信用風險模型：訓練AUC=0.97、驗證AUC=0.72、少數違約樣本預測波動極大及不同K-fold切分結果差異明顯。下列何者為最可能的問題？

1. A高偏差
2. B高變異
3. C過擬合
4. D資料漂移

某工程師使用 XGBoost 模型進行調參，需對以下超參數進行網格搜尋（Grid Search）：learning_rate（3 個候選值）、max_depth（4 個）、n_estimators（5 個）、subsample（3 個）、colsample_bytree（3 個）。每組參數組合皆需完整進行 5-Fold交叉驗證。請問總共需要訓練幾個模型？

1. A3 + 4 + 5 + 3 + 3 = 18 個
2. B5 × 5 = 25個
3. Cmax(3,4,5,3,3) × 5 = 25 個
4. D3 × 4 × 5 × 3 × 3 × 5 = 2,700 個

以 CIFAR-10 訓練 CNN 後,繪製訓練與驗證準確率曲線(Training and Validation Accuracy):訓練曲線隨 Epoch 穩定上升,驗證曲線雖上升但出現明顯波動。當 Epochs=6 時,訓練曲線值(0.81)明顯大於驗證曲線值(0.72),下列何者為最可能的原因?

1. A學習率(Learning Rate)太低
2. B批次大小(Batch Size)設定太大
3. C模型低度擬合(Underfitting)
4. D模型過擬合(Overfitting)