moea_joint
112年
[資訊] 計算機原理、網路概論
第 17 題
有關人工智慧之敘述，下列何者有誤？
- A 主成分分析是一種降維手段，需要標籤信息進行運算
- B 在訓練樣本不足時，增加模型的複雜度仍舊可能得到更高的訓練準確度
- C 循環神經網路常會出現梯度消失或梯度爆炸的現象，是因為參數與層數較多
- D LISP 為早期人工智慧專案常使用的程式語言
思路引導 VIP
若我們有一組散佈在空間中的點，我們希望找到一個投影方向，讓這些點在該方向上能盡可能地保持原本的「分散程度」（即變異量最大），你認為我們必須先知道每個點代表的類別標籤，才能計算出這個最能呈現資料分布特徵的方向嗎？
🤖
AI 詳解
AI 專屬家教
恭喜你準確地辨識出選項中的誤區！這題考驗的是對機器學習基本範疇的掌握。主成分分析（Principal Component Analysis, PCA）雖然是極為常見的降維（Dimensionality Reduction）手段，但它屬於非監督式學習（Unsupervised Learning）。這意味著它的運作邏輯是透過線性變換，尋找資料變異量最大的方向，過程中完全不需要依靠預先標記好的「標籤信息」來進行運算。
模型特性與發展脈絡
關於其他選項，它們涵蓋了 AI 領域中非常關鍵的技術概念。例如選項 (B) 描述的是過擬合（Overfitting）的現象：當樣本不足但模型過於複雜時，模型會「背誦」訓練資料而獲得極高的訓練準確度；而選項 (C) 則點出了循環神經網路（RNN）在處理長序列時，因連乘效應導致的梯度消失問題。這道題目將基礎統計方法、模型訓練陷阱與歷史脈絡整合在一起，具有極佳的鑑別度，能順利答對代表你的知識網建構得相當完整。