10.對於低結構化的文本或圖像資料，下列哪一種特徵工程(FeatureEngineering)方法最為適用？
(A)特徵改善(FeatureImprovement)
(B)特徵建構(FeatureConstruction)
(C)特徵學習(FeatureLearning)
(D)特徵選擇(FeatureSelection)

對於低結構化的文本或圖像資料，最為適用的特徵工程方法是 (C) 特徵學習(Feature Learning)。

原因解釋：

• 特徵學習 (Feature Learning):
  • 低結構化的資料，如文本和圖像，由於其複雜性和多變性，傳統的手工特徵工程方法往往難以有效提取有意義的特徵。
  • 特徵學習利用機器學習模型（特別是深度學習模型，如卷積神經網路 (CNN) 和遞迴神經網路 (RNN)）自動從原始資料中學習有效的特徵表示。
  • 這些模型能夠從資料中學習到多層次的抽象特徵，從而更好地捕捉資料的本質。
• 以下是其他選項的解釋：
  • (A) 特徵改善 (Feature Improvement): 針對現有特徵，改善他的品質，例如，填補缺失值，去除雜訊等等。
  • (B) 特徵建構 (Feature Construction): 從現有的特徵，去創造新的特徵，比較適合高結構化的資料。
  • (D) 特徵選擇 (Feature Selection): 從現有的特徵中選擇最佳的子集，主要目的是減少特徵的數量，比較適合高結構化的資料。

因此，特徵學習是處理低結構化資料時，最有效的特徵工程方法。