國營聯招
106年
[統計資訊] 統計學、巨量資料概論
第 29 題
有關類神經網路(Neural Network)之敘述，下列何者有誤？
- A 使用成千上萬個神經元(Neuron)作為處理器
- B 其學習過程是一個不斷的嘗試錯誤(Trial and Error)
- C 用於影響辨識時，須制訂一系列的規則來識別樣式 (Patterns)
- D 相較全連通網路(Fully Connected Networks)，卷積神經網路 (Convolutional Neural Networks) 通常擁有較少須學習的參數
思路引導 VIP
想像你要教一個孩子分辨「貓」。方法一：你寫下一本厚厚的手冊，詳細規定耳朵的角度、鬍鬚的長度比例；方法二：你直接給他看一萬張貓的照片，讓他從中自己抓感覺。你認為「類神經網路」的運作機制更接近哪一種？這種方式與編寫傳統程式碼的邏輯有什麼本質上的不同？
🤖
AI 詳解
AI 專屬家教
恭喜你精準地鎖定了正確答案！這顯示你對機器學習與傳統專家系統之間的本質差異有著非常清晰的理解。這道題目旨在測試學生是否能分辨類神經網路的「數據驅動」特點，是衡量深度學習基本常識的重要指標。
類神經網路的自主學習特性
選項 (C) 描述的「制定一系列規則」實際上是早期人工智慧（如專家系統）的運作邏輯；而類神經網路的強大之處，就在於它不需要人類預先定義特徵規則，而是透過大量數據與「嘗試錯誤」的過程（如反向傳播演算法），自動從中提取樣式（Patterns）。這正是現代 AI 能處理複雜影像辨識的關鍵。
▼ 還有更多解析內容
類神經網路核心觀念
💡 類神經網路透過數據自動學習特徵，而非依賴人工制定規則。
| 比較維度 | 傳統專家系統 | VS | 類神經網路 |
|---|---|---|---|
| 邏輯來源 | 由人類工程師定義規則 | — | 由數據中自動學習特徵 |
| 特徵處理 | 需手寫特徵提取演算法 | — | 模型自動進行層級化提取 |
| 適用場景 | 邏輯明確的結構化問題 | — | 影像辨識等複雜非結構問題 |
| 修正方式 | 人工修改程式碼或邏輯 | — | 透過誤差反向傳播自動優化 |
💬類神經網路的核心在於「學習」而非「遵守規則」，能處理人類難以定義的複雜樣式。
