阿摩線上測驗
28.有關強化學習(Reinforcement Learning, RL)、量子機器學習(Quantum Machine Learning, QML)與深度學習(Deep Learning, DL)，下列敘述何者錯誤？
(A) RL 可對「多數有標註以及少數無標註的資料」進行有依據辨識，其預測結果比非監督學習誤差大
(B) QML 結合 HHL(Harrow, Hassidim and Lloyd)演算法與機器學習，可加速找出數據特徵與分類
(C) DL 透過設計函數模組、組成類神經網路，可分析雜訊高、看似不相干、多非線性的多維度數據
(D)迴歸分析與分類技術常見於各類機器學習，主要進行數據收集、分析、建模與預測等步驟
答案：登入後查看
統計： A(3189), B(358), C(327), D(353), E(0) #3344710
統計： A(3189), B(358), C(327), D(353), E(0) #3344710
詳解 (共 4 筆)
努力不會白費的
#6251810
2024年版課本p.104
50
0
Cen
#6374179
| 名稱 | 核心概念 | 用途 |
|---|---|---|
| 強化學習 (RL) | 透過「試錯」+「獎勵」來學習最好的行為策略 | 玩遊戲AI、機器人走路、無人車 |
| 深度學習 (DL) | 利用類神經網路自動提取特徵並分類／預測 | 語音辨識、臉部辨識、翻譯、推薦系統 |
| 量子機器學習 (QML) | 結合量子計算與機器學習，讓訓練效率爆炸快 | 還在研究中，應用於金融、醫療、科學模擬 |
ㅤㅤ
以上是ChatGPT整理的表格
ㅤㅤ
----------------------------------------------
ㅤㅤ
以下是關於 (D) 的我的筆記，但我忘記來源了~可能是課本或摩友，如有侵權請告知，可刪除~
ㅤㅤ
-
資料探勘：一種分析技術，用於從結構化或半結構化的數據中提取有價值的資訊，通常是對已擷取的資料進行處理，而不是用於直接從網站抓取資料。手法：
-
資料分群：將資料中相似的個體聚集在一起，並以人為判定方法，將資料分為數個群體
-
類神經網路：將資料的特徵透過電腦進行類似腦與神經的處理技術，再將結果作不同的呈現
-
迴歸分析：了解兩個或多個變數間是否相關，相關的方向與強度為何?並建立數學模型以便觀察特定變數，在統計學上常用的大數據分析工具
-
決策樹：根據特定對象的屬性，觀察過去的行為或是歷史資料，推估其未來的可能性
- 關聯分析：分析數據庫中各資料彼此相依的機率，常被用作分析公司各產品同時被購買的關聯，又稱為購物籃分析
ㅤㅤ
14
0
十六夜
#7423742
正確答案為 (A) RL 可對「多數有標註以及少數無標註的資料」進行有依據辨識，其預測結果比非監督學習誤差大。
錯誤原因分析
❌ (A) 敘述完全錯誤：
- 定義張冠李戴：對「多數有標註與少數無標註資料」進行處理的技術稱為「半監督學習」（Semi-supervised Learning）。
- 強化學習（RL）的本質：並非處理結構化標註資料。它是透過「代理人（Agent）與環境（Environment）互動」，利用「獎勵（Reward）與懲罰（Penalty）」機制來學習最大化累積回報的策略，例如 AlphaGo 圍棋、自動駕駛與高頻交易。
- 誤差比較無依據：不能直接概括 RL 的預測結果比非監督學習誤差大，兩者的應用場景與衡量標準完全不同。
其他選項正確性說明
- ⭕ (B) 敘述正確：QML 將量子計算與機器學習結合。其中 HHL 演算法（由 Harrow, Hassidim, Lloyd 提出）是著名的量子線性方程組求解演算法，能以指數級速度（Exponential Speedup）解決矩陣運算，因此能大幅加速大數據特徵提取與分類。
- ⭕ (C) 敘述正確：深度學習（DL）利用多層「人工神經網路」（Artificial Neural Networks）架構，能夠自動學習特徵。它極其擅長處理金融市場中高雜訊、非線性、多維度且看似無關的複雜數據（如股價波動、輿情文字、圖像等）。
- ⭕ (D) 敘述正確：「迴歸（Regression）」與「分類（Classification）」是監督式機器學習（Supervised Learning）最核心的兩大任務，其標準開發流程確實包含數據收集、特徵分析、模型訓練（建模）與最終的預測評估。
0
0
