解析：
CNN 的核心優勢是處理具有空間結構的資料，特別是影像。從倉庫監視器影像辨識貨架缺貨並標示位置，是典型的影像辨識/物件偵測任務，最適合使用 CNN。
你有沒有想過，電腦怎麼從一張照片裡找出邊緣、眼睛或車輪？
你可以把卷積神經網路想成「先看局部，再慢慢拼成整體」：它用小視窗掃過圖片，抓邊緣、紋理和形狀。
它很重要，因為影像資料又大又複雜，CNN 透過局部感受野和參數共享，把圖像任務做得更有效率。
容易混淆
卷積神經網路 vs 全連接神經網路 vs 電腦視覺
卷積神經網路：處理影像的模型架構
全連接神經網路：每個神經元都和前一層大量連接，參數很多
電腦視覺：更大的領域，CNN 是其中常見工具
最關鍵的區別：CNN 是方法，電腦視覺是應用領域。
記住這句就好
先抓局部特徵，再拼出整張圖的意思。
實際案例
貓狗分類
前：把整張圖硬塞進普通神經網路，參數爆炸還不穩
後：用卷積層抓耳朵、眼睛、毛流，再做分類
工廠瑕疵檢測
前：每個像素都一樣看，效率差又難抓局部異常
後：CNN 先找刮痕、孔洞和邊界異常，再輸出是否不良
算法與應用
CNN 的核心是卷積、池化、非線性激活和特徵圖，透過層層堆疊形成更高階表示
它廣泛用在影像分類、物件偵測、影像分割，後來也被延伸到語音和序列任務
現在深度學習很強，但 CNN 仍是許多視覺模型的基本積木
情境判斷
Q1（直覺題）： 你想做圖片分類，CNN 通常是合理選擇嗎？
→ 是，因為它天生適合抓圖像的局部與空間關係。
Q2（判斷題）： 只要是神經網路，就一定是 CNN 嗎？
→ 不是。CNN 只是神經網路的一種架構，還有 RNN、Transformer 等其他類型。
iPAS 考題
Q：CNN 在 iPAS 常怎麼考？
→ 通常會考卷積核、特徵提取、參數共享、池化與影像分類應用。
Q：為什麼這題常考？
→ 因為它是電腦視覺的核心模型，也最能看出你有沒有理解局部特徵與參數效率。
常見問題
卷積是不是只用在圖片？
不是，也能用在音訊、文字和其他結構化資料上。
池化一定要用嗎？
不一定，但它常用來縮小特徵圖和提升平移穩定性。
CNN 還重要嗎？
很重要，尤其在很多視覺前處理和嵌入式場景中仍然常見。
範例考題
某物流公司想導入 AI 以提升營運效率，評估不同資料型態與模型架構。下列哪一種應用情境最適合採用卷積神經網路（Convolutional Neural Network, CNN）作為主要模型架構？
- A. 依據包裹每日掃描紀錄的時間序列，預測下週各倉庫的進貨量波動
- B. 根據客服對話逐句內容的先後順序，判斷客訴是否可能升級為申訴案件
- C. 根據倉庫監視器影像，自動辨識貨架是否缺貨並標示缺貨區域位置 ✓ 正確答案
- D. 依據車隊 GPS 路徑點的連續軌跡，預測下一段可能行駛路線