iPAS AI應用規劃師經典回顧卷002

#1

★★★★

卷積神經網路 (CNN) 的核心技術中，哪個是用於降低特徵圖的維度？

A

卷積層 (Convolutional Layer)

B

池化層 (Pooling Layer)

C

權重共享 (Weight Sharing)

D

循環連接 (Recurrent Connection)

答案解析

池化層 (Pooling Layer)，例如最大池化 (Max Pooling) 或平均池化 (Average Pooling)，主要功能是進行下採樣 (Downsampling)，縮減特徵圖的空間尺寸（寬度和高度）。這有助於減少計算量、降低模型對位置微小變化的敏感度（增加強健性），並提取更顯著的特徵。卷積層主要用於特徵提取；權重共享是卷積層的關鍵特性，大幅減少參數數量；循環連接是遞迴神經網路 (Recurrent Neural Network, RNN) 的核心。

#2

★★★★

下列哪一項是遞迴神經網路 (RNN) 的核心技術？

A

循環連接 (Recurrent Connection)

B

卷積層 (Convolutional Layer)

C

權重共享 (Weight Sharing)

D

門控機制 (Gating Mechanism)

#3

★★★★

長短期記憶網路 (LSTM) 的核心技術是下列哪一個？

A

門控機制 (Gating Mechanism)

B

卷積層 (Convolutional Layer)

C

權重共享 (Weight Sharing)

D

自注意力機制 (Self-Attention Mechanism)

#4

★★★★

大型語言模型 (LLM) 的核心架構是什麼？

A

Transformer 架構

B

循環神經網路 (Recurrent Neural Network)

C

卷積神經網路 (Convolutional Neural Network)

D

編碼器-解碼器架構 (Encoder-Decoder Architecture)

#5

★★★★

當模型的預測效果與隨機猜測相同時，AUC 值應為？

A

0

B

< 0.5

C

0.5

D

> 0.5

#6

★★★★

根據文件，模型的預測效果比隨機猜測還差時，AUC 值會小於哪個數值？

A

1

B

0.5

C

0

D

-0.5

#7

★★★★

正規化 (Regularization) 主要是為了防止模型出現下列哪種情況？

A

欠擬合 (Underfitting)

B

過度擬合 (Overfitting)

C

訓練速度過慢

D

準確度過低

#8

★★★★

正規化通常透過在損失函數中加入什麼來實現？

A

懲罰項 (Penalty Term)

B

激活函數 (Activation Function)

C

優化器 (Optimizer)

D

學習率 (Learning Rate)

#9

★★★★

Transformer 的核心技術是？

A

自注意力機制 (Self-Attention Mechanism)

B

循環連接 (Recurrent Connection)

C

卷積層 (Convolutional Layer)

D

池化層 (Pooling Layer)

#10

★★★★

NoSQL 資料庫的 BASE 原則中，B 代表什麼？

A

快速查詢 (Boosted Query)

B

最佳化 (Best Effort)

C

基本可用 (Basically Available)

D

龐大數據 (Big Data Efficient)

#11

★★★★

什麼時候應該使用 NoSQL 而非 SQL 資料庫？

A

交易型應用

B

會計系統

C

強一致性要求的場景

D

高併發、大數據量存取

#12

★★★★

MongoDB 屬於哪種類型的 NoSQL 資料庫？

A

鍵值儲存 (Key-Value Store)

B

文件型 (Document Store)

C

列式儲存 (Column-Family Store)

D

圖形資料庫 (Graph Database)

#13

★★★★

Google Bigtable 屬於哪種類型的 NoSQL 資料庫？

A

文件型 (Document Store)

B

圖形資料庫 (Graph Database)

C

列式儲存 (Column-Family Store)

D

鍵值儲存 (Key-Value Store)

#14

★★★★

NoSQL 資料庫的優勢之一是？

A

高度擴展性和靈活的資料模型

B

強一致性和交易支援

C

完全取代關聯式資料庫

D

使用 SQL 語法

#15

★★★★

ACID 原則中的 I (Isolation) 代表什麼？

A

高度擴展性和靈活的資料模型

B

不可變性 (Immutability)

C

隔離性 (Isolation)

D

輸入完整性 / 分散式

#16

★★★★

NoSQL 的 BASE 原則主要用於什麼類型的應用？

A

銀行交易系統

B

企業資源規劃 (ERP)

C

會計記帳

D

分散式大數據應用

#17

★★★★

SQL 中的 JOIN 操作主要用於什麼？

A

增加資料冗餘

B

快速查詢 JSON

C

關聯多個表格的資料

D

壓縮資料

#18

★★★★

哪一個 NoSQL 資料庫適合處理推薦系統？

A

Neo4j

B

MySQL

C

PostgreSQL

D

SQLite

#19

★★★★

特徵工程中的特徵選擇方法包括以下哪一項？

A

使用 PCA 提取資訊

B

使用資訊增益方法選擇重要特徵

C

根據時間序列生成新特徵

D

類別型資料編碼

#20

★★★★

資料降維技術如 PCA 的主要作用是什麼？

A

減少特徵數量，降低計算複雜度

B

增強資料一致性

C

移除異常值

D

增加樣本資料

#21

★★★★

布林值 (Boolean) 主要用於表示什麼概念？

A

真或假

B

大或小

C

有或無

D

正或負

#22

★★★★

根據文件，下列哪個選項可能使用布林值 (Boolean) 作為資料型態？

A

人名 (Name)

B

生日 (Birthday)

C

年齡 (Age)

D

性別 (Gender) (假設只有兩種選項)

#23

★★★★

若使用布林值 (Boolean) 表示性別，下列哪種表示方式是可行的？

A

0 代表男性，1 代表女性

B

"男性" 代表真，"女性" 代表假

C

年齡大於 18 為真，否則為假

D

血型為 A 型為真，否則為假

#24

★★★★

何者無法判斷資料集中趨勢？

A

直方圖 (Histogram)

B

雷達圖 (Radar Chart)

C

分佈圖 (Distribution Plot)

D

箱形圖 (Box Plot)

#25

★★★★

SQL 資料庫的 ACID 原則不包括以下哪一項？

A

原子性 (Atomicity)

B

一致性 (Consistency)

C

最終一致性 (Eventual Consistency)

D

持久性 (Durability)

#26

★★★★

NoSQL 常見的四種類型不包括哪一種？

A

時序資料庫 (Time-Series Database)

B

鍵值儲存 (Key-Value Store)

C

文件型 (Document Store)

D

圖形資料庫 (Graph Database)

#27

★★★★

哪一種 NoSQL 資料庫最適合用於社交網路關係？

A

鍵值儲存 (Key-Value Store)

B

文件型 (Document Store)

C

列式儲存 (Column-Family Store)

D

圖形資料庫 (Graph Database)

#28

★★★★

SQL 和 NoSQL 在擴展性上的主要區別是什麼？

A

SQL 垂直擴展，NoSQL 水平擴展

B

SQL 水平擴展，NoSQL 垂直擴展

C

SQL 和 NoSQL 都只能垂直擴展

D

SQL 和 NoSQL 都只能水平擴展

#29

★★★★

SQL 資料庫遵循哪一個標準語法語言？

A

JSON

B

SQL

C

NoSQL

D

YAML

#30

★★★★

NoSQL 資料庫的 BASE 原則中，B 代表什麼？

A

快速查詢 (Boosted Query)

B

最佳化 (Best Effort)

C

基本可用 (Basically Available)

D

龐大數據 (Big Data Efficient)

#31

★★★★

什麼時候應該使用 NoSQL 而非 SQL 資料庫？

A

交易型應用

B

會計系統

C

強一致性要求的場景

D

高併發、大數據量存取

#32

★★★★

「王小明」這個人名屬於哪種資料型態？

A

字串 (String / Text)

B

整數 (Integer)

C

日期 (Date)

D

布林值 (Boolean)

#33

★★★★

「1990-01-01」這個生日最適合用哪種資料型態儲存？

A

字串 (String / Text)

B

日期 (Date)

C

整數 (Integer)

D

類別 (Categorical)

#34

★★★★

「O 型」血型通常屬於下列哪種資料型態？

A

字串 (String)

B

整數 (Integer)

C

日期 (Date)

D

布林值 (Boolean)

#35

★★★★

「台北市信義區 00 路 XX 號」這個住址應該使用哪種資料型態儲存？

A

字串 (String / Text)

B

整數 (Integer)

C

類別 (Categorical)

D

布林值 (Boolean)

#36

★★★★

表示性別時，下列哪種資料型態最不常用？

A

字串 (String)

B

類別 (Categorical)

C

浮點數 (Float)

D

布林值 (Boolean)

#37

★★★★

年齡「25」通常是什麼資料型態？

A

整數 (Integer)

B

字串 (String / Text)

C

日期 (Date)

D

浮點數 (Float)

#38

★★★★

大數據 (Big Data) 的 5V 特性中，代表資料多樣性的是哪一項？

A

Volume (資料量)

B

Velocity (資料速度)

C

Variety (多樣性)

D

Veracity (真實性)

#39

★★★★

在大數據時代的轉變中，下列哪一項是其中之一？

A

專注於少量樣本

B

追求資料的因果關係

C

接受資料的紛繁複雜性

D

資料的靜態分析

#40

★★★★

以下哪一項不是大數據 (Big Data) 的核心特性？

A

Volume (資料量)

B

Velocity (資料速度)

C

Viability (可行性)

D

Value (價值)

#41

★★★★

大數據 (Big Data) 中，資料的真實性 (Veracity) 代表什麼？

A

確保資料準確性

B

資料的即時更新

C

資料的多樣性

D

資料的價值

#42

★★★★

以下哪些屬於非結構化資料的範疇？

A

學生成績資料庫

B

會議的發言記錄

C

公文資料

D

銷售報表

#43

★★★★

在評估 AI 模型的泛化能力時，最需要警惕：

A

過度擬合 (Overfitting) 現象

B

回應延遲

C

訓練時間過長

D

資源消耗過大

#44

★★★★

以下哪一項是 GDPR（歐盟通用資料保護規則）資料保護的基本原則？

A

資料收集與處理透明

B

禁止資料跨境傳輸

C

僅允許群體匯總資料

D

強制採用匿名化技術

#45

★★★★

資料最小化 (Data Minimisation) 的主要原則是什麼？

A

收集所有相關資料

B

僅收集完成任務所需的最少資料

C

僅收集匿名資料

D

使用加密技術保護資料

#46

★★★★

資料加密的傳輸通常使用哪種技術？

A

VPN 或 HTTPS

B

RSA 或 AES

C

防火牆 (Firewall)

D

IDS

#47

★★★★

依據歐盟人工智慧法案 (AI Act)，下列何者屬於「不可接受風險」的 AI？

A

聊天機器人

B

政府行政 AI

C

醫療診斷 AI

D

社會信用評分 AI

#48

★★★★

歐盟人工智慧法案 (AI Act) 規定，違規企業最高可被罰款全球年營收的多少比例？

A

4%

B

2%

C

5%

D

7% 或 3500 萬歐元

#49

★★★★

歐盟人工智慧法案 (AI Act) 中「高風險 AI 系統」的主要適用領域為？

A

娛樂產業

B

電子商務

C

交通、醫療、教育

D

遊戲開發

#50

★★★★

歐盟人工智慧法案 (AI Act) 規範的「透明度義務」適用於哪類 AI？

A

生成式 AI

B

最低風險 AI

C

個人助理 AI

D

零售 AI

#51

★★★★

歐盟人工智慧法案 (AI Act) 對「高風險 AI」的主要要求不包括？

A

風險評估

B

透明度報告

C

人類監管

D

禁止開發

#52

★★★★

在歐盟人工智慧法案 (AI Act) 中，何種 AI 系統屬於「有限風險」類別？

A

AI 聊天機器人

B

人臉辨識 AI

C

醫療診斷 AI

D

自動駕駛 AI

#53

★★★★

歐盟人工智慧法案 (AI Act) 針對生成式 AI 的規定不包括？

A

標示 AI 生成內容

B

限制企業營收

C

確保資料來源合法

D

建立透明度機制

#54

★★★★

哪類 AI 技術在歐盟人工智慧法案 (AI Act) 內屬於「最低風險」？

A

電影推薦 AI

B

自動履歷篩選 AI

C

金融信用評分 AI

D

深度偽造技術

#55

★★★★

歐盟人工智慧法案 (AI Act) 規定，高風險 AI 的使用者應具備哪些義務？

A

禁止使用

B

免責聲明

C

監測 AI 輸出

D

記錄使用者資訊

#56

★★★★

歐盟人工智慧法案 (AI Act) 針對自動駕駛 AI 的要求為何？

A

必須確保安全性測試

B

不受 AI Act 約束

C

僅限歐盟內部開發

D

無需風險評估

#57

★★★★

長短期記憶網路 (LSTM) 中的門控機制 (Gating Mechanism) 的主要作用是什麼？

A

控制資訊的流動

B

提取圖像的局部特徵

C

降低資料的維度

D

增加模型的非線性

#58

★★★★

以下哪一項是迴歸分析 (Regression Analysis) 的主要目標？

A

找出資料間的線性或非線性關係

B

找出分群相似實體

C

檢測垃圾郵件

D

建構深度學習模型

#59

★★★★

深度學習神經網路的結構以什麼為基礎？

A

人類大腦的神經元模型

B

非監督式學習模型

C

聚類演算法

D

強人工智慧的框架

#60

★★★★

人工智慧 (AI) 的特性包括以下哪一項？

A

學習能力

B

記憶能力

C

語言能力

D

以上皆是

#61

★★★★

以下哪一項描述了弱人工智慧 (Weak AI / Narrow AI) 的特性？

A

僅處理特定問題

B

自我學習能力強

C

擁有完整人類認知

D

具備創造新知識的能力

#62

★★★★

機器學習 (Machine Learning) 的主要用途不包括以下哪一項？

A

分類事物

B

預測結果

C

模擬人類感官

D

模式識別

#63

★★★★

監督式學習 (Supervised Learning) 的主要特性是什麼？

A

使用標籤資料進行訓練

B

能夠預測未見過的輸入

C

僅適用於靜態資料

D

無需輸入與輸出配對

#64

★★★★

特徵工程 (Feature Engineering) 的目的是什麼？

A

減少資料儲存空間需求

B

立資料倉儲系統以儲存模型用資料

C

提升模型效能與預測準確率

D

增加資料噪音以模擬真實環境

答案解析

特徵工程（Feature Engineering）是指針對原始資料進行處理、轉換、選擇或創造新的特徵，以提高機器學習模型的表現與預測能力。良好的特徵工程能協助模型更有效地學習，進而提升準確率、解釋能力，甚至加快訓練速度。因此，它是資料科學流程中極為關鍵的一環。

技術類型	說明	常見方法
特徵選擇 Feature Selection	從原始特徵中選擇對預測有幫助的子集	- 統計檢定（如皮爾森相關係數） - 遞迴式特徵消除（RFE, Recursive Feature Elimination) - 基於模型的選擇（例如隨機森林重要性）
特徵轉換 Feature Transformation	將資料轉換為適合模型學習的格式	- 標準化（Standardization） - 正規化（Normalization） - 對數轉換（Log Transformation） - 類別編碼（Categorical Encoding）： One-Hot Encoding Label Encoding Target Encoding
特徵建構 Feature Construction / Extraction	基於現有資料產生新的有用特徵	- 互動特徵（Feature Interaction） - 時間特徵衍生（如「星期幾」、「是否假日」） - 地理特徵（如座標轉為距離）
缺失值處理 Handling Missing Values	處理資料中遺漏的值以提升模型穩定性	- 平均數 / 中位數 / 眾數補值 - 使用模型預測補值（如 KNN、迴歸） - 建立缺失標記（Missing Indicator）
異常與雜訊處理 Outlier & Noise Handling	消除或緩解極端值和干擾資料	- 離群值移除或替換 - Winsorizing 技術 - 平滑雜訊資料

#65

★★★★

以下哪一項是特徵選取 (Feature Selection) 的主要原則之一？

A

選擇全部可用資料

B

確保資料集的平衡性

C

測試特徵對模型效能的影響

D

僅使用文本資料

#66

★★★★

根據歐盟人工智慧法案 (AI Act)，誰應該對 AI 系統行為負責？

A

使用者

B

開發者

C

系統本身

D

開發者與使用者皆有可能

#67

★★★★

什麼是負責任 AI (Responsible AI) 的核心原則？

A

確保安全和公平性

B

只關注技術效率

C

避免所有監管

D

促進市場壟斷

#68

★★★★

負責任 AI (Responsible AI) 的關鍵原則之一是？

A

透明性

B

壟斷市場

C

只供企業內部使用

D

無須考慮公平性

#69

★★★★

歐盟《人工智慧法案》(AI Act) 採用的核心管理模式是？

A

基於風險 (Risk-Based Approach)

B

基於技術 (Technology-Based Approach)

C

全面禁止 (Total Prohibition)

D

自願遵守 (Voluntary Compliance)

#70

★★★★

根據歐盟《人工智慧法案》(AI Act)，下列哪一類 AI 系統原則上禁止使用？

A

不可接受風險 (Unacceptable Risk)

B

高風險 (High Risk)

C

有限風險 (Limited Risk)

D

微小或無風險 (Minimal or No Risk)

#71

★★★★

歐盟《人工智慧法案》(AI Act) 對高風險 AI 系統的主要要求是？

A

遵守一套嚴格的強制性要求

B

完全禁止在歐盟市場投放

C

只需進行自我評估即可

D

無特殊要求

#72

★★★★

下列哪個應用領域的 AI 系統可能被歐盟《人工智慧法案》(AI Act) 視為高風險？

A

關鍵基礎設施管理

B

AI 輔助的電玩遊戲

C

垃圾郵件過濾器

D

庫存管理系統

#73

★★★★

當使用者與聊天機器人互動時，歐盟《人工智慧法案》(AI Act) 要求告知使用者？

A

其互動對象是 AI 而非真人

B

聊天機器人的開發者資訊

C

聊天記錄將被永久保存

D

聊天內容的版權歸屬

#74

★★★★

根據歐盟《人工智慧法案》(AI Act)，「深度偽造」(Deepfake) 的影像內容在公開發布時應？

A

標示為人工生成或修改過

B

禁止公開發布

C

可以不加任何標示

D

僅限特定平台發布

#75

★★★★

歐盟人工智慧法案 (AI Act) 主要將 AI 系統依風險劃分為幾個等級？

A

4 級 (不可接受、高風險、有限風險、最低風險)

B

3 級

C

5 級

D

2 級

#76

★★★★

當模型的預測效果與隨機猜測相同時，AUC 的數值應接近多少？

A

0

B

1

C

0.5

D

無法確定

#77

★★★★

根據文件，當模型的預測效果比隨機猜測還差時，AUC 應為下列哪個範圍？

A

小於 0.5

B

大於 0.5

C

等於 0.5

D

等於 0 或 1

#78

★★★★

理論上，AUC 值為 0 代表模型做出了什麼樣的預測？

A

完全錯誤的預測

B

完全正確的預測

C

與隨機猜測相同

D

無法判斷

#79

★★★★

在監督式學習 (Supervised Learning) 中，標籤的作用是什麼？

A

提供模型的輸入資料

B

確定模型的輸出結果

C

提高訓練資料的品質

D

減少資料的雜訊

#80

★★★★

資料集劃分時，驗證集 (Validation Set) 的主要用途是什麼？

A

用於模型訓練

B

調整模型的超參數

C

測試模型最終效能

D

確保資料隨機分布

#81

★★★★

資料收集時應注意哪一項以確保 AI 系統的公平性？

A

資料集的多樣性和代表性

B

減少資料的成本

C

增加資料的雜訊

D

使用單一類型的資料

#82

★★★★

非監督式學習 (Unsupervised Learning) 的主要特性是什麼？

A

使用標籤化資料

B

預測未見過的輸入

C

無需監督輸出，常用於聚類相似實例

D

使用延遲回饋

#83

★★★★

強化學習 (Reinforcement Learning) 的主要應用場景是什麼？

A

遊戲和機器人迷宮

B

圖像壓縮

C

客戶細分

D

詐騙偵測

#84

★★★★

「人工智慧」(Artificial Intelligence) 這個術語首次在哪個歷史性會議上被提出？

A

圖靈測試研討會

B

世界電腦高峰會

C

達特茅斯會議 (Dartmouth Conference)

D

國際機器人聯合會議

#85

★★★★

哪種類型的 AI 專注於執行特定任務，例如語音辨識或下棋？

A

狹義 AI (Narrow AI)

B

通用 AI (General AI)

C

超級 AI (Super AI)

D

情感 AI (Emotional AI)

#86

★★★★

艾倫·圖靈 (Alan Turing) 提出的著名測試，用來判斷機器是否能展現出與人類無法區分的智慧行為，稱為？

A

羅森布拉特感知機 (Rosenblatt's Perceptron)

B

中文房間論證 (Chinese Room Argument)

C

萊布尼茲報告

D

圖靈測試 (Turing Test)

#87

★★★★

深度學習 (Deep Learning) 是哪個 AI 技術領域的一個分支？

A

自然語言處理 (NLP)

B

計算機視覺 (CV)

C

機器學習 (Machine Learning)

D

專家系統 (Expert System)

#88

★★★★

讓電腦能夠理解、解釋和生成人類語言的 AI 分支被稱為什麼？

A

計算機視覺 (Computer Vision)

B

自然語言處理 (Natural Language Processing, NLP)

C

機器人學 (Robotics)

D

知識表示與推理 (Knowledge Representation and Reasoning)

#89

★★★★

目前被認為仍處於理論階段，指望機器擁有與人類同等、可在多領域應用的智慧是指？

A

弱人工智慧 (Weak AI)

B

專家系統 (Expert System)

C

通用人工智慧 (Artificial General Intelligence, AGI)

D

超級人工智慧 (Artificial Superintelligence, ASI)

#90

★★★★

使電腦能夠從圖像或影片中提取資訊並進行理解的 AI 技術領域是？

A

計算機視覺 (Computer Vision)

B

自然語言處理 (Natural Language Processing, NLP)

C

語音辨識

D

推薦系統

#91

★★★★

AI 的哪個子領域，使系統能夠在沒有明確指令的情況下，從經驗（資料）中學習？

A

規則引擎 (Rule Engine)

B

符號計算 (Symbolic Computation)

C

機器學習 (Machine Learning)

D

模糊邏輯 (Fuzzy Logic)

#92

★★★★

下列哪項不是目前狹義 AI (Narrow AI) 的典型應用？

A

手機人臉解鎖

B

電商商品推薦

C

擁有自我意識的機器人

D

自動駕駛輔助系統

#93

★★★★

下列關於 AUC (Area Under the ROC Curve) 的敘述何者正確？

A

AUC 值越高，模型預測效果通常越好

B

AUC 值越低，模型預測效果通常越好

C

AUC 值只與正樣本預測有關

D

AUC 值不受資料類別比例影響

#94

★★★★

在二元分類問題中，ROC (Receiver Operating Characteristic) 曲線的橫軸通常代表什麼？

A

精確率 (Precision)

B

召回率 (Recall)

C

F1 分數 (F1-Score)

D

偽陽性率 (False Positive Rate, FPR)

#95

★★★★

在二元分類問題中，ROC (Receiver Operating Characteristic) 曲線的縱軸通常代表什麼？

A

精確率 (Precision)

B

真陽性率 (True Positive Rate, TPR)

C

F1 分數 (F1-Score)

D

偽陽性率 (False Positive Rate, FPR)

#96

★★★★

根據文件，卷積神經網路 (CNN) 中的哪個層級的主要功能是「降維」？

A

卷積層 (Convolutional Layer)

B

池化層 (Pooling Layer)

C

權重共享 (Weight Sharing)

D

激活函數層 (Activation Layer)

#97

★★★★

池化層 (Pooling Layer) 在 CNN 中進行降維的主要目的是什麼？

A

減少計算量並提高模型的泛化能力/強健性

B

提取更複雜的特徵

C

增加模型的深度

D

改善模型的訓練速度

#98

★★★★

下列哪個池化操作常用於 CNN 的降維？

A

最大池化 (Max Pooling)

B

卷積運算 (Convolution)

C

批次正規化 (Batch Normalization)

D

ReLU 激活函數

#99

★★★★

降維技術 (Dimensionality Reduction) 的主要目的是什麼？

A

減少資料的特徵數量

B

增加資料的樣本數量

C

提高模型的訓練資料量

D

改善資料的視覺化效果 / 主成分分析

#100

★★★★

除了池化層，下列哪種方法也常用於降維？

A

增加網路層數

B

使用更複雜的激活函數

C

調整學習率

D

主成分分析 (Principal Component Analysis, PCA)

#101

★★★★

權重共享 (Weight Sharing) 是 CNN 的核心技術之一，它主要減少了模型的哪個部分？

A

參數數量

B

計算複雜度

C

輸入資料的維度

D

模型的訓練時間

#102

★★★★

長短期記憶網路 (LSTM) 中的門控機制 (Gating Mechanism) 的主要作用是什麼？

A

控制資訊的流動

B

提取圖像的局部特徵

C

降低資料的維度

D

增加模型的非線性

iPAS AI應用規劃師 經典回顧卷002

iPAS AI應用規劃師經典回顧卷002