Enhydra school
考古題總覽 Enhydra Lab 企業平台

機器學習知識地圖 · 監督式學習

監督式學習

Supervised Learning

在互動地圖中開啟 回機器學習知識地圖

觀念教學

給機器看「題目加標準答案」,讓它學會從題目推答案 — 這就是監督式學習(Supervised Learning),產業界最大宗的 AI 應用形態。

核心觀念

使用有標籤(Label)的資料訓練,學出從輸入到輸出的映射關係。依輸出型態分兩大家族:回歸問題(Regression)預測連續數值,分類問題(Classification)預測類別。

白話理解

銀行要建洗錢偵測系統:過去 5 年交易已標好「異常/正常」,拿去訓練,模型就能判斷新交易是否可疑 — 有標籤加預測類別,就是監督式二元分類。房價預測則是回歸,因為答案是數字。

上線後的三個現實(考題最愛)

  • 指標配對:回歸看 MAE、MSE、RMSE、R²;分類看準確率、精確率、召回率、F1-Score、AUC-ROC、混淆矩陣
  • 資料漂移(Data Drift):上線後輸入資料的分布隨時間改變,模型表現悄悄劣化,必須監控並定期再訓練
  • 演算法偏見:標籤帶著歷史偏見,模型會照單全收 — 如放貸模型對不同族群核准率差異顯著,對策方向是公平性評估、檢視與平衡訓練資料
  • 能力範疇:這類模型多屬特化 AI(弱 AI),只會訓練目標那件事,無法直接遷移到其他決策任務
  • 標籤品質決定上限:標錯的資料教出錯的模型
🎯 口訣:有標籤 = 監督式;答案是數字選回歸,答案是類別選分類。

iPAS 考點

情境判斷是主戰場:「有歷史標記資料 + 要預測某結果」→ 監督式,洗錢偵測、瑕疵檢測都是分類。延伸考點成套出現:資料漂移指輸入資料分布隨時間改變;放貸偏見題答公平性評估與資料修正;侷限單一任務的視覺檢測系統屬特化(弱)AI;產業應用配對題(影像辨識對瑕疵檢測、預測模型對金融風控)也從這裡出。

📝 本節掛載 8 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。

應用場景

房價預測氣溫預測銷售額預測趨勢分析垃圾郵件分類疾病診斷信用評估影像辨識客戶分群風險評估文字分類手寫辨識推薦系統情感分析人臉辨識醫學診斷

評估指標

MAEMSERMSER²準確率精確率召回率F1-ScoreAUC-ROCLog Loss混淆矩陣OOB 誤差特徵重要性邊界間距類別分離度

iPAS 歷屆考題詳解(8 題)

先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。

第四梯次初級AI應用規劃師第二科生成式AI應用與規劃 第37題

在機器學習實務應用中，數據漂移（Data Drift）主要指的是哪一種情況？

  1. A訓練時使用的資料分佈，與部署後實際輸入資料的統計特徵隨時間逐漸出現差異，導致模型表現衰退
  2. B在資料前處理過程中，因特徵刪減或缺失補值不當，造成樣本資訊量下降
  3. C模型對訓練數據擬合過度，在未知數據上泛化能力不足
  4. D後端資料庫因欄位定義或結構調整，導致特徵提取流程與原始設計不一致
看正解與逐選項詳解

正解:A

正確答案:(A) 【正解解析】 資料漂移(Data Drift)指模型部署後,實際輸入資料的統計分佈隨時間逐漸偏離訓練時的資料分佈,例如消費行為或市場環境改變,使模型當初學到的模式不再適用,預測表現隨之衰退。(A) 完整涵蓋「訓練分佈與上線輸入分佈的差異」「隨時間逐漸出現」「導致表現衰退」三個要素,是數據漂移的標準定義。 【為何其他選項錯了?】 - (B):特徵刪減或補值不當造成資訊量下降,屬於資料品質或前處理錯誤,是建模流程中的人為問題,不是資料分佈隨時間的變化。 - (C):對訓練資料擬合過度、泛化能力不足是過擬合(Overfitting),描述的是模型與訓練資料的關係,與時間軸上的分佈變化是不同層面的問題。 - (D):資料庫欄位定義或結構調整導致特徵提取不一致,屬於資料管線(Data Pipeline)的工程變更問題,並非真實世界資料分佈的演變。 提示:數據漂移的關鍵詞是「隨時間」「分佈差異」「表現衰退」;前處理失誤、過擬合、管線變更都不是漂移。
第四梯次初級AI應用規劃師第二科生成式AI應用與規劃 第38題

某銀行導入生成式 AI 放貸審核系統，發現模型對不同族群的核准率差異顯著，可能存在演算法偏見。為降低此風險，哪一項措施最合適？

  1. A提升模型運算速度與效能，以確保在大量申請中快速回應
  2. B全面移除與申貸人身份相關的敏感屬性，避免模型因變數影響而產生偏差
  3. C導入資料與結果的公平性檢測流程，並依合規規範調整模型或決策邏輯
  4. D減少訓練樣本數量，降低偏見被放大的可能性
看正解與逐選項詳解

正解:C

正確答案:(C) 【正解解析】 模型對不同族群的核准率出現顯著差異,顯示可能存在演算法偏見。正規作法是建立系統性的公平性治理:對資料與模型輸出導入公平性檢測流程(如比較各族群的核准率、拒絕率與錯誤率差異),發現偏差後依合規規範調整模型或決策邏輯(如重新加權、調整決策門檻、加入人工複審),並保留完整紀錄供監理稽核。此作法同時兼顧偏見矯正、風險控管與法遵要求,最能降低模型偏見風險。 【為何其他選項錯了?】 - (A):提升運算速度只改善處理效率,對核准率的族群差異沒有任何矯正作用,偏見問題依然存在。 - (B):全面移除敏感屬性無法保證消除偏見,偏差仍可能透過與敏感屬性相關的代理變數(如居住地、消費模式)殘留;且一併移除與還款能力相關的合理變數,會削弱風險評估效度。 - (D):減少訓練樣本會使少數族群的樣本更稀疏,模型更依賴多數族群的模式外推,偏見可能被放大而非降低,同時損害模型整體表現。 提示:偏見治理的正規路徑是「檢測、調整、記錄」;刪除變數、提升速度、減少樣本都無法矯正族群差異。
115年第一次初級AI應用規劃師第一科人工智慧基礎概論 第14題

下列哪一項「AI技術應用與產業領域」的對應最為恰當?

  1. A利用 AI 分析商場顧客購買紀錄以預測股票市場波動—智慧交通
  2. B使用 AI 進行設備故障預測與預防性維護——智慧製造
  3. C以 AI 模型融合即時氣象資料與乘客消費行為特徵,推薦會員升級優惠方案—— 智慧醫療
  4. D利用 AI 分析社群媒體互動以提升臨床診斷準確度——金融服務業
看正解與逐選項詳解

正解:B

正確答案:(B) 【正解解析】 智慧製造的核心是提升工廠的生產效率與品質。透過分析設備運作數據(如溫度、震動),AI 可以預測設備何時可能故障,讓廠商提早進行預防性維護(Predictive Maintenance),避免無預警停機造成重大損失。「設備故障預測與預防性維護」與智慧製造的對應正確。 【為何其他選項錯了?】 - (A):分析顧客購買紀錄以預測股票市場,屬於金融科技或零售分析的應用;智慧交通指車流、路況與運輸工具的智慧化,兩者無關。 - (C):融合氣象資料與消費行為推薦會員升級方案,屬於電信或零售業的精準行銷;智慧醫療處理疾病診斷、藥物開發等,關聯性低。 - (D):分析社群媒體以提升臨床診斷準確度屬於智慧醫療的範疇;金融服務業指銀行、保險等業務,歸類錯誤。 提示:配對題檢查「應用目的」與「產業核心業務」是否一致;故障預測加預防性維護是智慧製造的代表性應用。
115年第一次初級AI應用規劃師第一科人工智慧基礎概論 第30題

某商業銀行想建立洗錢行為檢測系統,擁有過去5年的交易記錄,其中包含已確 認的洗錢案例(標記為「異常」)和正常交易(標記為「正常」)。銀行希望系統能 自動識別新交易是否為洗錢行為,請問使用下列哪一種機器學習方法最為適合?

  1. A監督式學習的分類問題
  2. B非監督式學習的分群問題
  3. C強化式學習
  4. D非監督式學習的關聯規則挖掘
看正解與逐選項詳解

正解:A

正確答案:(A) 【正解解析】 題目的關鍵是銀行擁有「已確認的洗錢案例(標記為異常)」與「正常交易(標記為正常)」,即帶有標籤的歷史資料;任務是讓模型學習從交易特徵判斷新交易屬於「異常」或「正常」。有明確標籤、目標是預測類別,正是典型的監督式學習分類問題。 【為何其他選項錯了?】 - (B):分群適用於完全沒有標籤、只想讓演算法自行把交易分成數個群組的情況;本題已有標籤,不需捨棄監督訊號改用分群。 - (C):強化學習需要定義環境、行動與獎勵機制(例如依凍結帳戶的結果好壞給予回饋),與單純的識別分類任務不同。 - (D):關聯規則挖掘用於發掘項目間的共現規則(如「常於深夜跨境轉帳者也常使用虛擬貨幣」),找出的是模式,不直接做分類判斷。 提示:題幹出現「已標記資料+預測類別」即為監督式分類;無標籤分群、獎懲回饋、共現規則各有對應方法。
115年第一次初級AI應用規劃師第一科人工智慧基礎概論 第36題

某電子製造公司建置 AI 視覺檢測系統,用於辨識 PCB 電路板製程缺陷。系統在 影像判讀任務上表現穩定,但其模型設計與訓練目標皆侷限於特定應用範圍,無 法直接遷移至其他營運決策任務。依人工智慧能力範疇分類,下列何者最符合該 系統特性?

  1. A弱 AI (Weak AI/Narrow AI)
  2. B強 AI (Strong AI)
  3. C通用人工智慧(Artificial General Intelligence, AGI)
  4. D超級人工智慧(Artificial Superintelligence, ASI)
看正解與逐選項詳解

正解:A

正確答案:(A) 【正解解析】 目前世界上所有實際運作的 AI 系統,無論表現多強,都屬於弱 AI(Weak AI/Narrow AI):它們被設計來專門處理某一項或某幾項特定任務,例如下棋、瑕疵檢測、人臉辨識或翻譯,無法像人類一樣擁有跨領域的通用智慧去處理未經訓練的全新任務。題目中的系統僅能辨識 PCB 缺陷、無法遷移至其他決策任務,是典型的弱 AI。 【名詞白話語典】 - 弱 AI(Narrow AI):專才,只能執行特定任務,例如 AlphaGo 只會下棋。 - 強 AI/通用人工智慧(Strong AI/AGI):全才,像人類一樣具備思考、推理、學習並解決各種問題的能力;這是 AI 研究的長期目標,目前尚未實現。 - 超級人工智慧(ASI):在所有領域全面超越人類智慧的假想存在。 【為何其他選項錯了?】 - (B):強 AI 指具備等同人類的通用認知能力,目前尚未實現;題目系統僅限單一檢測任務,不符。 - (C):AGI 能跨領域處理未經專門訓練的任務,與題目「無法直接遷移至其他任務」的描述相反。 - (D):ASI 是在所有領域全面超越人類智慧的理論假想層級,與題目情境差距更大。 提示:「侷限特定任務、無法遷移」即弱 AI;強 AI、AGI、ASI 目前皆未實現。
115年第一次初級AI應用規劃師第一科人工智慧基礎概論 第43題

關於機器學習不同的學習模式,下列敘述何者錯誤? 1. 監督式學習(Supervised Learning)透過已標註資料學習輸入與目標之間的對應 關係,常見任務包含分類與數值預測。 2. 非監督式學習(Unsupervised Learning)雖不需標註資料,但通常需預先定義每 筆資料的正確輸出類別以利模型收斂。 3. 半監督式學習(Semi-supervised Learning)在訓練過程中僅利用未標註資料進行 特徵學習,並不涉及標註資料。 4.自監督式學習(Self-supervised Learning)的訓練方式與監督式學習相同,皆需 人工逐筆提供標註資料。 5. 強化式學習(Reinforcement Learning)透過與環境互動並依據回饋訊號調整策 略,以優化決策行為。 6.自監督式學習(Self-supervised Learning)通常利用資料本身產生訓練目標,以 降低對人工標註資料的依賴。

  1. A2、3、6
  2. B2、4、5
  3. C1、3、6
  4. D2、3、4
看正解與逐選項詳解

正解:D

正確答案:(D) 【正解解析】 本題找錯誤敘述。敘述 2 錯誤:非監督式學習的特點正是不需要預先定義每筆資料的正確輸出類別,其目標是自行發掘資料結構(如分群、降維)。敘述 3 錯誤:半監督式學習是「同時」利用標註與未標註資料訓練,並非僅使用未標註資料。敘述 4 錯誤:自監督式學習從未標註資料中自動產生訓練目標(如遮蔽部分內容讓模型預測),不需人工逐筆標註,與監督式學習的人工標註方式不同。敘述 1、5、6 分別是監督式、強化式與自監督式學習的正確描述。錯誤敘述為 2、3、4,對應 (D)。 【為何其他選項錯了?】 - (A):敘述 6 正確描述自監督式學習利用資料本身產生訓練目標,不應列入錯誤;且此組合漏掉錯誤的敘述 4。 - (B):敘述 5 是強化學習的標準定義,屬正確敘述;且此組合漏掉錯誤的敘述 3。 - (C):敘述 1 與 6 皆為正確定義,此組合中僅敘述 3 確實錯誤,並漏掉錯誤的敘述 2 與 4。 提示:五種學習模式的分辨:監督式靠人工標註,非監督式無標籤,半監督式兩者混用,自監督式自產標籤,強化式靠環境回饋。
115年第一次初級AI應用規劃師第二科生成式AI應用與規劃 第1題

某零售企業導入生成式AI 商品推薦系統。測試結果顯示,在購物行為、偏好設定與價格區間相同的情況下,不同客戶族群收到的推薦商品類型仍出現明顯差異,且差異方向不易以既有行銷策略解釋。若在模型架構與推論設定皆未調整情形下,專案目標是優先降低可能的模型偏差風險,下列何者最合理?

  1. A重新檢視訓練資料的樣本分布與代表性
  2. B限制推薦結果僅顯示高銷量商品
  3. C降低模型參數規模以簡化決策邏輯
  4. D提高推薦結果的隨機性以增加多樣性
看正解與逐選項詳解

正解:A

正確答案:(A) 【正解解析】 模型產生偏差(Bias)時,問題的根源多半出在訓練資料:若資料本身分布不均或帶有既有偏見(例如過去的行銷活動只對某族群推廣特定商品),模型會把這種偏見當成規律學習下來。在模型架構與推論設定皆不調整的前提下,要優先降低偏差風險,第一步是回到源頭,重新檢視訓練資料的樣本分布與代表性,確認各客戶族群是否被均衡涵蓋、是否存在潛在偏見。 【名詞白話語典】 - 模型偏差(Model Bias):模型的預測結果系統性地偏離真實情況,常源於訓練資料的偏差或模型假設的錯誤。 【為何其他選項錯了?】 - (B):限制只顯示高銷量商品是遮蔽輸出的權宜作法,未處理偏差來源,並可能引入新的熱門商品偏誤。 - (C):降低參數規模改變的是模型容量,無法移除訓練資料本身造成的偏差,且與題目「模型架構未調整」的前提不符。 - (D):提高隨機性僅在表面稀釋差異,同時犧牲推薦準確性,並非針對偏差根源的解法。 提示:降低模型偏差先檢查訓練資料的分布與代表性;遮蔽輸出與增加隨機性都是治標不治本。
115年第一次初級AI應用規劃師第二科生成式AI應用與規劃 第23題

某保險公司想建立智慧理賠系統,包含兩個功能:(1)自動判斷理賠案件是否為詐欺案件(2)自動生成理賠調查報告。請問這兩個功能分別屬於哪種 AI 技術類型?

  1. A(1)鑑別式 AI (2)生成式 AI
  2. B(1)生成式 AI (2)鑑別式 AI
  3. C兩者都是鑑別式 AI
  4. D兩者都是生成式 AI
看正解與逐選項詳解

正解:A

正確答案:(A) 【正解解析】 鑑別式 AI(Discriminative AI)的任務是判斷與分類:學習不同類別之間的決策邊界,輸出類別判斷,例如判定理賠案件「是」或「不是」詐欺。生成式 AI(Generative AI)的任務是創造新內容:學習資料的潛在分佈與模式,據以產生全新的文字、影像等內容,例如自動撰寫理賠調查報告。因此功能 (1) 判斷詐欺屬鑑別式 AI,功能 (2) 生成報告屬生成式 AI,對應 (A)。 【為何其他選項錯了?】 - (B):把兩者對應顛倒;判斷詐欺是分類任務而非內容生成,撰寫報告才需要生成能力。 - (C):生成理賠調查報告需要產生新的文本內容,超出鑑別式 AI 的分類判斷範疇,「兩者都是鑑別式」不成立。 - (D):判斷案件是否詐欺輸出的是類別標籤,屬於判別任務而非內容創作,「兩者都是生成式」不成立。 提示:做判斷、輸出類別對應鑑別式;產生新內容對應生成式;先辨認任務的輸出型態再配對。

相關節點

機器學習回歸問題分類問題線性回歸Ridge (L2)Lasso (L1)Elastic Net邏輯斯回歸