這個遊戲練的是「應用場景 → 合適模型」的判斷，正是 iPAS 初級科目一（AI 概論與應用）與中級科目三（機器學習技術與應用）的核心情境題。常見考法：描述一個業務需求，問該選哪類模型——表格資料分類選決策樹／隨機森林／XGBoost，影像辨識選 CNN，序列與時間序列選 RNN／LSTM／Transformer，文字生成選 LLM，無標籤分群選 K-means／DBSCAN，連續決策選強化學習。易混點：有無標籤決定監督／非監督；要「可解釋」時線性模型與決策樹優於深度網路；資料少時先用簡單模型或遷移學習。情境題長相：「電商想依購買行為把顧客分群，沒有既有標籤，應採用？」答非監督式分群。
想練情境題與詳解 → AI 學習與考證地圖
先看有沒有標籤：有標籤要預測類別或數值 → 監督式；沒標籤找結構 → 非監督式；靠獎勵試錯 → 強化學習。再看資料型態（表格、影像、文字、序列）決定模型家族。
影像用 CNN（或 ViT）；文字與長序列用 Transformer／LLM；時間序列、語音傳統上用 RNN／LSTM，近年也多改用 Transformer。
結構化資料量不大時，隨機森林、XGBoost 等樹系模型準確度高、訓練快、好解釋又不需特徵縮放；深度學習反而容易過擬合且難調。
問題是「連續做決策、靠回饋獎勵學策略」時，例如遊戲 AI、機器人控制、動態定價；沒有現成標籤，但有可量化的獎勵訊號。
優先線性／羅吉斯迴歸、決策樹等白盒模型；若必須用黑盒模型，再搭配 SHAP、LIME 等可解釋 AI 工具說明預測依據。
先用簡單模型，或用預訓練模型做遷移學習與微調，搭配資料增強、半監督學習；不要一開始就從頭訓練大型深度網路。