中二 ICT 人工智能練習四:十個常見誤解逐項改正 2026-11-20 導師備課指引 · 小學數學 中二 ICT 人工智能練習四:十個常見誤解逐項改正 十題全部是真實課堂錯誤:人工智能等於機器學習、準確率 95% 就夠、測試集可以調參、訓練誤差越低越好,逐題講清正確做法。 中二 ICT 人工智能練習四:錯題重練十題 每題先判斷對錯,再寫出正確做法。 01 本卷資料(做完才看答案) 項目 內容 題數 10 建議時間 25 難度分佈 基礎 4 · 進階 2 · 挑戰 2 · 錯題重練 2 對應章節 所屬章節:中二 ICT:人工智能與機器學習入門 適用年級 Retry 02 題目(10 題) 基礎錯題:人工智能與機器學習是同一件事。正確說法是甚麼? 基礎錯題:準確率 95% 就足夠判斷模型好壞。正確做法是甚麼? 基礎錯題:測試集可以用來調參數。正確做法是甚麼? 基礎錯題:訓練誤差越低越好。正確理解是甚麼? 進階錯題:資料越多,模型一定越準。正確理解是甚麼? 進階錯題:先對全部資料標準化再切分訓練測試集沒有問題。正確做法是甚麼? 挑戰錯題:精確率高,召回率一定也高。正確理解是甚麼? 挑戰錯題:AUC 0.5 已經算不錯的模型。正確理解是甚麼? 錯題重練錯題:學習率越大,訓練越快越好。正確理解是甚麼? 錯題重練錯題:非監督式學習不需要標籤,所以不需要大量資料。正確理解是甚麼? 03 答案與一句解說 題號 答案 一句解說 1 機器學習只是人工智能其中一個分支 人工智能包含規則系統、搜尋、規劃等,機器學習只是其中以資料訓練模型的一類方法。 2 同時看精確率、召回率與混淆矩陣 類別不平衡時高準確率可以完全掩蓋少數類的失敗。 3 用驗證集調參數,測試集只在最後用一次 測試集一旦參與決策就不再客觀,得出的分數不能代表真實表現。 4 訓練誤差過低往往是過擬合,要看驗證誤差 模型把訓練樣本的雜訊一併記住,換新資料就失效。 5 資料要相關、乾淨、有代表性才有用 重複與偏斜的資料只會放大偏差,錯誤標籤更直接教錯模型。 6 先切分,再只用訓練集的統計量做標準化 用全部資料計平均值與標準差會把測試集資訊洩漏給模型。 7 兩者可能互相拉扯,要提高其中一個往往要犧牲另一個 把判斷門檻提高會令精確率升而召回率跌,所以要按用途取捨。 8 AUC 0.5 等同隨機,接近 1 才算好 AUC 衡量正樣本排在負樣本之前的機率,0.5 就是一半一半。 9 學習率過大會震盪或發散,過小則收斂太慢 實務上先試較小值再逐步放大,觀察損失曲線是否穩定下降。 10 非監督式學習同樣需要大量而有代表性的資料 沒有標籤只省去人手標註,聚類與降維仍要靠足夠樣本才能找出可靠結構。 04 做完之後怎樣跟進 對完答案,只重做錯的那幾題,並在錯題旁寫出錯在哪一步(公式、單位還是抄錯數)。 同一題隔兩日再做一次;兩次都對才可以移到下一份練習。 家長只需看答案欄與解說欄,不必逐題講解。 想再操練同章題目?回到本章頁可以看到其餘三份練習,難度由基礎到錯題重練。導師登記 → 本卷題目與答案由 TutorZone 團隊原創編寫,並非任何學校、出版社或考試局的試題;數值與答案均以程式核算。
中二 ICT 人工智能練習四:十個常見誤解逐項改正 2026-11-20 導師備課指引 · 小學數學 中二 ICT 人工智能練習四:十個常見誤解逐項改正 十題全部是真實課堂錯誤:人工智能等於機器學習、準確率 95% 就夠、測試集可以調參、訓練誤差越低越好,逐題講清正確做法。 中二 ICT 人工智能練習四:錯題重練十題 每題先判斷對錯,再寫出正確做法。 01 本卷資料(做完才看答案) 項目 內容 題數 10 建議時間 25 難度分佈 基礎 4 · 進階 2 · 挑戰 2 · 錯題重練 2 對應章節 所屬章節:中二 ICT:人工智能與機器學習入門 適用年級 Retry 02 題目(10 題) 基礎錯題:人工智能與機器學習是同一件事。正確說法是甚麼? 基礎錯題:準確率 95% 就足夠判斷模型好壞。正確做法是甚麼? 基礎錯題:測試集可以用來調參數。正確做法是甚麼? 基礎錯題:訓練誤差越低越好。正確理解是甚麼? 進階錯題:資料越多,模型一定越準。正確理解是甚麼? 進階錯題:先對全部資料標準化再切分訓練測試集沒有問題。正確做法是甚麼? 挑戰錯題:精確率高,召回率一定也高。正確理解是甚麼? 挑戰錯題:AUC 0.5 已經算不錯的模型。正確理解是甚麼? 錯題重練錯題:學習率越大,訓練越快越好。正確理解是甚麼? 錯題重練錯題:非監督式學習不需要標籤,所以不需要大量資料。正確理解是甚麼? 03 答案與一句解說 題號 答案 一句解說 1 機器學習只是人工智能其中一個分支 人工智能包含規則系統、搜尋、規劃等,機器學習只是其中以資料訓練模型的一類方法。 2 同時看精確率、召回率與混淆矩陣 類別不平衡時高準確率可以完全掩蓋少數類的失敗。 3 用驗證集調參數,測試集只在最後用一次 測試集一旦參與決策就不再客觀,得出的分數不能代表真實表現。 4 訓練誤差過低往往是過擬合,要看驗證誤差 模型把訓練樣本的雜訊一併記住,換新資料就失效。 5 資料要相關、乾淨、有代表性才有用 重複與偏斜的資料只會放大偏差,錯誤標籤更直接教錯模型。 6 先切分,再只用訓練集的統計量做標準化 用全部資料計平均值與標準差會把測試集資訊洩漏給模型。 7 兩者可能互相拉扯,要提高其中一個往往要犧牲另一個 把判斷門檻提高會令精確率升而召回率跌,所以要按用途取捨。 8 AUC 0.5 等同隨機,接近 1 才算好 AUC 衡量正樣本排在負樣本之前的機率,0.5 就是一半一半。 9 學習率過大會震盪或發散,過小則收斂太慢 實務上先試較小值再逐步放大,觀察損失曲線是否穩定下降。 10 非監督式學習同樣需要大量而有代表性的資料 沒有標籤只省去人手標註,聚類與降維仍要靠足夠樣本才能找出可靠結構。 04 做完之後怎樣跟進 對完答案,只重做錯的那幾題,並在錯題旁寫出錯在哪一步(公式、單位還是抄錯數)。 同一題隔兩日再做一次;兩次都對才可以移到下一份練習。 家長只需看答案欄與解說欄,不必逐題講解。 想再操練同章題目?回到本章頁可以看到其餘三份練習,難度由基礎到錯題重練。導師登記 → 本卷題目與答案由 TutorZone 團隊原創編寫,並非任何學校、出版社或考試局的試題;數值與答案均以程式核算。