普考申論題
107年
[資訊處理] 資訊管理與資通安全概要
第 二 題
📖 題組：
機器學習（Machine Learning）是人工智慧（Artificial Intelligence）的一個分支；深度學習（Deep Learning）則是機器學習的一個分支。 ㈠請說明深度學習與機器學習的差異性。（10 分） ㈡請說明深度學習模型之基本概念。（10 分） ㈢深度學習的辨識效能仰賴大量且有效的訓練資料集。請說明為何深度學習的辨識效能較佳。（10 分）
機器學習（Machine Learning）是人工智慧（Artificial Intelligence）的一個分支；深度學習（Deep Learning）則是機器學習的一個分支。 ㈠請說明深度學習與機器學習的差異性。（10 分） ㈡請說明深度學習模型之基本概念。（10 分） ㈢深度學習的辨識效能仰賴大量且有效的訓練資料集。請說明為何深度學習的辨識效能較佳。（10 分）
📝 此題為申論題，共 3 小題
小題 (二)
請說明深度學習模型之基本概念。（10 分）
思路引導 VIP
此題要求說明「模型架構」。應從仿生學的「神經元」概念出發，說明多層結構。關鍵字包括：輸入層、隱藏層、輸出層、權重（Weights）、激發函數（Activation Function）以及反向傳播（Backpropagation）。建議依序描述資料流向與學習機制。
小題 (一)
請說明深度學習與機器學習的差異性。（10 分）
思路引導 VIP
本題旨在考察考生對人工智慧技術演進層次的理解。分析時應著重於「特徵工程（Feature Engineering）」的處理方式。傳統機器學習多依賴人工定義特徵，而深度學習則能自動提取。建議論述順序：1. 定義兩者層次關係；2. 從特徵提取、資料量需求、運算資源三個維度進行對比。時間分配建議 10 分鐘。
小題 (三)
深度學習的辨識效能仰賴大量且有效的訓練資料集。請說明為何深度學習的辨識效能較佳。（10 分）
思路引導 VIP
本題核心在於「表徵學習（Representation Learning）」。考生需解釋為什麼「多層次」與「大數據」結合會產生更好的辨識能力。應點出：特徵的層次感、處理非線性問題的能力，以及避免人為偏見。
深度學習模型架構
💡 模仿生物神經網路，透過多層非線性變換與權重調整進行端到端優化。
🔗 深度學習訓練優化循環
- 1 前向傳播 — 資料進入多層架構，經權重與激發函數產出預測值
- 2 損失評估 — 透過損失函數計算預測結果與真實標籤間的差距
- 3 反向傳播 — 利用鏈鎖律將誤差由輸出層向隱藏層方向回傳
- 4 參數優化 — 根據梯度下降法動態調整權重，直到損失降至最低
↓
↓
↓
🔄 延伸學習：延伸學習：不同優化器（如 Adam, SGD）對收斂效率的影響。
