【L11人工智慧基礎概論】是AI應用規劃師能力鑑定(初級)的第一個考科，包含以下四個評鑑主題：
- L111 人工智慧概念
- L112 資料處理與分析概念
- L113 機器學習概念
- L114 鑑別式 AI 與生成式 AI 概念
考題難度：★☆☆☆☆
1. 關於人工智慧的本質，下列何者最符合？
A. 僅能處理結構化數據
B. 模擬人類智能並在不確定環境中學習與決策
C. 只能依賴預先編寫的規則執行任務
D. 僅用於學術研究領域
答案：B
詳解：人工智慧的核心在於模仿人類感知、推理與學習能力，並能在動態、不確定環境中自主做出決策，非僅限於結構化數據或預定規則。
2. 以下對機器學習與人工智慧的關係，何者正確？
A. 機器學習包含人工智慧
B. 人工智慧包含機器學習
C. 兩者完全相同
D. 兩者毫無關係
答案：B
詳解：人工智慧是涵蓋符號推理、搜尋演算法、機器學習等技術的總稱，機器學習則是其中讓系統從資料自動學習的子領域。
3. 按能力分層分類法，下列哪一層能理解與預測他人意圖但無自我認知？
A. 反應機器
B. 有限記憶
C. 理論心智
D. 自我意識
答案：C
詳解：理論心智層次的 AI 能推理他人信念與意圖，但尚不具備對自身狀態和情感的認知，自我意識則為更高層次。
4. 在技術流派分類中，以下哪一項屬於符號 AI？
A. 深度神經網路
B. 規則推理系統與知識庫
C. 遺傳演算法
D. 生成對抗網路
答案：B
詳解：符號 AI（Symbolic AI）以符號表達知識並透過邏輯推理操作，常見形式為專家系統與本體知識庫。
5. 通用人工智慧（AGI）與狹義人工智慧（Narrow AI）的最大差異在於？
A. AGI 專注單一任務，Narrow AI 可跨領域
B. Narrow AI 僅能處理數據，AGI 僅處理圖片
C. AGI 具備跨領域自主學習與推理能力，Narrow AI 僅擅長特定任務
D. 兩者並無實質差異
答案：C
詳解：狹義 AI 只能在特定場景或任務中表現優異，而通用 AI 理論上能像人類般跨多領域自主學習和推理。
6. 下列何者屬於 AI 治理框架中「公平性」原則？
A. 確保模型訓練資料公開
B. 保護 AI 系統不受網路攻擊
C. 防止模型對特定群體產生偏見
D. 提升模型運算效能
答案：C
詳解：公平性原則致力於避免對性別、種族或其他群體產生不當差異化對待，減少偏見與歧視。
7. 在 AI 治理三層架構中，負責落實流程監控與稽核的是哪一層？
A. 法規層
B. 策略層
C. 執行層
D. 技術層
答案：C
詳解：執行層負責將策略與法規的要求轉化為實際操作流程，並進行稽核與監控，確保合規執行。
8. 關於 AI 倫理與治理，下列哪份文件是國際性指導原則？
A. IEEE Ethically Aligned Design
B. HTTP/1.1 協議
C. ISO 9001
D. W3C HTML5 標準
答案：A
詳解：IEEE Ethically Aligned Design 提出 AI 倫理與治理原則，涵蓋透明度、公平性與責任機制。
9. AI 系統的「可解釋性」（Explainability）主要用於？
A. 提升 API 呼叫速度
B. 讓使用者理解模型決策流程
C. 減少訓練資料量
D. 提高模型隱私
答案：B
詳解：可解釋性可讓開發者與使用者了解模型如何做出決策，增強信任並輔助錯誤排查。
10. 下列哪一項不屬於 AI 治理所需的組織措施？
A. 建立跨部門治理委員會
B. 制定透明度與責任機制
C. 持續追蹤並評估模型風險
D. 完全開放所有內部代碼
答案：D
詳解：治理重在平衡透明與安全，並非無限制公開內部算法與代碼，需兼顧商業機密與合規。
11. 在下列資料存儲方案中，哪一種最能同時支援結構化查詢與半結構化資料的靈活欄位？
A. 關聯式資料庫（如 MySQL）
B. 文檔型 NoSQL 資料庫（如 MongoDB）
C. 純文字檔（如 TXT）
D. 二進位影像檔（如 JPEG）
答案：B
詳解：
- 文檔型 NoSQL 資料庫以 BSON/JSON 格式存放「半結構化」文件，允許不同記錄擁有不同欄位，同時也提供索引與查詢功能。
- 關聯式資料庫強調固定欄位結構，不適合頻繁變動的欄位需求；純文字與影像檔均屬非結構化資料，無法直接執行結構化查詢。
12. 下列何者屬於半結構化資料？
A. 關聯式資料表
B. JSON 檔
C. 純文字檔
D. 二進位影像檔
答案：B
詳解：JSON 同時具有鍵值結構與靈活欄位，屬半結構化；關聯表為結構化，純文字與影像為非結構化。
13. 企業在收集外部開放資料時，應優先考量？
A. 資料格式是否易於解析
B. 來源商標色彩
C. 資料是否加密存儲
D. 資料是否包含所有私密個資
答案：A
詳解：易於解析的格式（如 CSV、JSON）能加速資料預處理，增加應用的效率與準確度。
14. 下列何者為內部結構化數據來源？
A. 社交媒體貼文
B. 企業 ERP 系統流水帳
C. 政府公開 API
D. 傳感器影像
答案：B
詳解：ERP 系統中的銷售、庫存等表格型資料屬結構化，社交貼文與影像屬非結構化。
15. 在評估資料可信度時，哪項指標最關鍵？
A. 資料更新頻率
B. 資料檔案大小
C. 資料檔案名稱
D. 資料顏色標籤
答案：A
詳解：更新頻率可反映資料時效性與新鮮度，對分析結果準確度具有重大影響。
16. 資料分析流程的首要步驟是？
A. 模型訓練
B. 資料收集
C. 數據可視化
D. 結果報告
答案：B
詳解：須先取得相關資料，才能進行清理、轉換與後續分析；缺少資料即無分析基礎。
17. 下列哪一項屬於資料清理步驟？
A. 刪除重複值
B. 建立儀表板
C. 部署模型
D. 撰寫報告
答案：A
詳解：資料清理包含重複值刪除、遺失值填補與異常值處理，以確保數據品質。
18. 資料轉換（Transformation）常見操作不包括？
A. 正規化
B. 標準化
C. One-Hot 編碼
D. 模型微調
答案：D
詳解：模型微調屬訓練階段；資料轉換指處理數據格式與尺度，使其符合模型輸入需求。
19. 在探索性資料分析（EDA）中，下列哪項最常見？
A. 建立熱力圖觀察相關性
B. 寫入生產環境
C. 編譯程式碼
D. 設置伺服器
答案：A
詳解：EDA 常以圖形與統計摘要檢視資料分布、相關性與異常，以指導後續建模。
20. 成果呈現時，哪種方式最能即時互動並讓決策者自行篩選？
A. 靜態 PDF 報告
B. Power BI 或 Tableau 儀表板
C. 純文字 Word 文件
D. 紙本列印圖表
答案：B
詳解：互動儀表板允許決策者動態篩選與鑽取細節，比靜態文件更具靈活性。
21. 根據 GDPR，個人資料「最少化原則」要求？
A. 只收集必要欄位
B. 收集所有可能欄位
C. 永久保存所有資料
D. 將資料公開共享
答案：A
詳解：最少化原則強調僅限合法且必要的個資，避免過度收集與儲存。
22. 傳輸中資料保護常用哪種協議？
A. FTP
B. HTTPS/TLS
C. SMTP
D. Telnet
答案：B
詳解：HTTPS/TLS 提供點對點加密，確保資料在網路傳輸過程不被竊聽或篡改。
23. 若要在儲存層保護敏感資料，可採用？
A. 差分隱私
B. 數據庫索引
C. 離線備份
D. 權限存取控制與加密
答案：D
詳解：結合角色/權限控管與靜態資料加密，可防止未授權存取與資料外洩。
24. 資料去識別化（Anonymization）常見技術為？
A. k-匿名
B. 決策樹
C. 隨機森林
D. 支持向量機
答案：A
詳解：k-匿名透過聚合群組方式，使每個記錄無法對應單一個人，提高隱私保護。
25. 遇到資料外洩事件，企業應首要執行？
A. 提升硬體資源
B. 隔離受影響系統並通報主管機關
C. 刪除所有日誌
D. 擴充備份存儲
答案：B
詳解：隔離並通報監管機構及受影響者，是法規與應變流程的首要步驟。
26. 下列哪種學習方法最適合訓練遊戲代理進行決策？
A. 監督式學習
B. 非監督式學習
C. 半監督式學習
D. 強化學習
答案：D
詳解：強化學習透過獎勵回饋讓代理在動態環境中學習最優策略，適合遊戲或控制場景。
27. 過度擬合問題通常源自？
A. 訓練資料量過少或模型過於複雜
B. 使用更多正則化
C. 增加測試資料
D. 降低學習率
答案：A
詳解：資料不足與過度複雜模型容易記住訓練樣本細節，導致在新資料上表現差。
28. 評估迴歸模型常用哪種損失函數？
A. 交叉熵
B. 均方誤差（MSE）
C. 信息增益
D. 支持度
答案：B
詳解：MSE 計算預測值與真實值之平方差平均，是迴歸模型的標準損失函數。
29. k 折交叉驗證的主要目的為？
A. 測試模型速度
B. 減少過度擬合風險並評估泛化能力
C. 增加訓練資料量
D. 提高模型複雜度
答案：B
詳解：將資料分成 k 份輪流驗證，可穩健地評估模型在不同切分上的性能。
30. 在機器學習中，偏差—方差權衡指的是？
A. 提高偏差必降低方差
B. 偏差和方差皆越高越好
C. 偏差過高導致欠擬合，方差過高導致過擬合
D. 方差與偏差無關
答案：C
詳解：需平衡模型的偏差與方差以獲得最佳泛化性能，防止欠擬合或過擬合。
31. 線性迴歸模型最適合解決哪種類型的問題？
A. 圖像分類
B. 連續數值預測
C. 文字分群
D. 強化控制
答案：B
詳解：線性迴歸用於預測連續變數，如銷售額或溫度，非分類或分群問題。
32. 在使用 CART 決策樹算法時，對於迴歸任務，節點分裂通常採用哪一種準則？
A. 基尼不純度（Gini Impurity）
B. 信息增益（Information Gain）
C. 均方誤差減少（Reduction in Mean Squared Error）
D. 交叉熵（Cross-Entropy）
答案：C
詳解：CART 決策樹對分類任務常用基尼不純度或信息增益作為分裂指標；而對迴歸任務，則根據切分前後樣本的平方誤差（MSE）減少量來選擇最優分裂，確保每次切分後葉節點的預測值最小化平方誤差。
33. K-means 分群算法「不」適用於？
A. 大量數據的快速分群
B. 非球形分布的複雜分群
C. 需要指定群數的場景
D. 無監督特徵探索
答案：B
詳解：K-means 假設簇呈球形且大小相近，對非球形或密度差異大的分布效果差。
34. 隨機森林屬於哪種學習技術？
A. 深度學習
B. 集成學習
C. 強化學習
D. 統計推論
答案：B
詳解：隨機森林透過多棵決策樹集成投票或平均，提高穩定性與抗過擬合能力。
35. 主成分分析（PCA）的主要用途為？
A. 分類
B. 降維與特徵提取
C. 分群
D. 生成新樣本
答案：B
詳解：PCA 通過線性變換將高維數據映射到低維空間，保留最多變異，用於降維與可視化。
36. 下列何者為鑑別式模型？
A. 生成對抗網路（GAN）
B. 朴素貝氏（Naïve Bayes）
C. 邏輯迴歸（Logistic Regression）
D. 變分自編碼器（VAE）
答案：C
詳解：鑑別式模型直接學習條件分佈 P(y|x)，邏輯迴歸為典型例子；GAN、VAE、朴素貝氏皆涉及生成分佈。
37. 下列何者為生成式模型？
A. 支持向量機（SVM）
B. 隨機森林
C. 高斯混合模型（GMM）
D. 決策樹
答案：C
詳解：生成式模型擬合聯合分佈 P(x,y) 或 P(x)，GMM 通過混合高斯估計分佈，可生成新樣本。
38. 生成對抗網路（GAN）核心機制為何？
A. 使用單一模型直接生成
B. 生成器與鑑別器對抗訓練
C. 僅採用監督式標籤
D. 基於規則庫推理
答案：B
詳解：GAN 由生成器與鑑別器組成，透過對抗過程提升生成品質，直至鑑別器無法區分真假。
39. 下列何者為鑑別式模型的優勢？
A. 更好地模擬資料分佈
B. 訓練速度較快且分類性能通常更佳
C. 能生成高質量樣本
D. 不需標籤即能訓練
答案：B
詳解：鑑別式模型專注學習條件邊界，所需參數較少、訓練更直接且分類任務效果通常優於生成式模型。
40. 下列何者屬於生成式 AI 的典型任務？
A. 圖像分類
B. 文本生成
C. 特徵篩選
D. 資料預處理
答案：B
詳解：生成式 AI 主要用於創建新內容，如文本、圖像與音頻的生成，分類和預處理則屬鑑別或傳統流程。
41. 在 RAG 流程中，第一步通常是？
A. 生成回應
B. 檢索相關文檔
C. 模型微調
D. 結果評估
答案：B
詳解：Retrieval-Augmented Generation 先檢索知識庫中高相關性文檔，將其作為生成模型上下文以提高回答準確度。
42. 若要結合 GAN 與分類器以產生高品質圖像，最合理的流程是？
A. 先用分類器生成圖像，再用 GAN 篩選
B. 只用 GAN 創造圖像
C. 先用 GAN 生成候選，再用分類器評分並篩選
D. 只用分類器輸出圖像
答案：C
詳解：生成式模型生成多個候選圖像後，鑑別式分類器評估其品質與符合度，最終輸出最佳結果。
43. 在語音助理應用中，ASR 與 TTS 分別對應何種 AI 類型？
A. ASR 為生成式，TTS 為鑑別式
B. 兩者均為鑑別式
C. ASR 為鑑別式，TTS 為生成式
D. 兩者均為生成式
答案：C
詳解：ASR（Automatic Speech Recognition）將語音轉文字，屬辨識與分類任務；TTS（Text-to-Speech）將文字合成語音，屬生成任務。
44. 在多階段管道中使用 VAE 做特徵擷取，之後再做分類，這屬於哪種整合？
A. 生成器後評估
B. 特徵生成＋鑑別式分類
C. 純分群
D. 即時控制
答案：B
詳解：VAE 先以生成式模型學習潛在特徵，作為分類器輸入，結合生成與鑑別雙重優勢。
45. 若要提升文本分類模型的魯棒性，可採用何種生成式輔助？
A. 用 GAN 生成合成樣本擴增訓練集
B. 只用原始數據訓練
C. 減少模型層數
D. 停用所有正則化
答案：A
詳解：透過生成模型生成擴充樣本補足少數類別樣本，能平衡數據分佈並提升分類模型的穩健性與泛化能力。
