嗨 我是CCChen
08/16 (六) 要舉行iPAS AI應用規劃師-初級 第三場考試了
我也有報名參加考試本篇文章為"利用AI工具幫助考生強化學習"
分享我如何"使用AI學習AI並取得AI證書"
希望能讓大家知道"AI應用規劃師"如何真正的去實踐與應用.
使用AI工具: Gemini 2.5 Pro
使用對象: iPAS考生
考生能力: 具備基礎知識+已通過AI初級測驗
使用目的: 針對自主跨領域學習弱點,去強化學習效果.
期望學習效果: 各科目能達到80分以上
導入AI的資料~~官方資料
導入AI的資料~~自己彙整資料
個人學習強化 提示詞一:
說明個人的情況與能力, 已參加03/22與05/03的初級考試,兩場都有取得合格證書, 分數為科目一 70~75分, 科目二80~85分,
非AI與資訊專業學歷, 非AI與資訊專業工作,非AI與資訊專業職務. 主要以自主學習為主.
需要參加08/16第三場初級考試, 目標為科目一 80~85分, 科目二85~90分,
請幫我加強與規畫學習重點.
個人學習強化 提示詞二:
幫我整理一份適合我增強學習的筆記, 每個科目列出4大主題, 每個主題提供10個加強重點, 並提供20組知識點比較與分析速查表整理.
個人學習強化 提示詞三:
提供30題題目: 難度適合我的程度+能加強分數為主, 包含題目+選項+正確答案+解析. 全部條列出來
AI工具彙整與提供內容如下:
(自己再複製內容至Word或是Notion排版與整理, 重新編排成適合自己的個人強化學習筆記)
以下為AI提供內容, 請自行參考與判斷:
好的，針對您目前的情況與目標，這是一份為您量身打造的iPAS AI應用規劃師初級考試進階強化學習計畫。
首先，恭喜您已連續兩次通過初級鑑定，這代表您已具備扎實的AI基礎知識與自主學習能力。接下來的目標是從「合格」邁向「精通」，不僅要鞏固既有知識，更要深化理解，並將觸角延伸至更細緻的技術與應用層面。
您的現況分析與強化策略
- 強項：科目二（生成式AI應用與規劃）：分數較高，顯示您對生成式AI的工具應用、導入流程與風險管理有很好的掌握。自主學習能力：非本科背景卻能連續高分通過，證明您的學習方法有效且投入度高。
- 可強化領域：科目一（人工智慧基礎概論）：分數相對較低，尤其在機器學習、演算法原理、模型評估等技術細節上，有進一步提升的空間。
- 第三場考試目標策略：
- 科目一：從70-75分提升至80-85分，需鞏固基礎並深化技術理解。
- 科目二：從80-85分提升至85-90分，需擴展應用廣度並關注最新趨勢。
進階強化學習計畫
第一階段：知識深化與廣度擴展 (建議時程：現在 ~ 8月初)
這個階段的目標是將您的知識從「知其然」提升至「知其所以然」。
科目一：人工智慧基礎概論 (目標：技術深度)
- 機器學習 (Machine Learning) 核心技術深化：演算法原理：不僅是知道SVM、決策樹、隨機森林的用途，更要深入理解其核心原理。
- 例如：SVM：理解「最大邊界超平面」的概念。
- 隨機森林：理解它如何透過「多棵決策樹投票」來避免單一決策樹的過擬合問題 。
- 模型評估指標的實務意義：在類別不平衡的資料中（例如：信用卡盜刷偵測），為何F1-score比Accuracy更重要？因為F1-score同時考量了Precision與Recall 。
- 在醫療診斷中，為何Recall（召回率）通常比Precision（精確率）更受重視？因為「寧可錯殺一百，不可放過一人」，避免漏診（偽陰性）是首要目標 。
- 推薦學習資源：書籍：《圖解AI與深度學習的運作機制》 、《零基礎入門的機器學習圖鑑》這類書籍能用視覺化的方式幫助您理解複雜的演算法。
- 線上課程：觀看台大李宏毅教授的YouTube頻道，深入淺出地了解各種模型背後的數學與運作原理 。
- 鑑別式 AI vs. 生成式 AI 的整合應用：RAG (檢索增強生成)：這是前兩次考試的熱門考點。您需要理解RAG不僅是「檢索+生成」，更要了解它與微調(Fine-tuning)的比較。RAG適合需要即時更新知識的情境，而微調則適合需要特定風格或語氣的任務 。
- 多模態學習 (Multimodal Learning)：這是未來的趨勢。需了解如CLIP模型如何將圖像與文字對應，並應用於「看圖說故事」或「以文生圖」等跨模態任務 8。
科目二：生成式AI應用與規劃 (目標：應用廣度與趨勢)
- AI 導入與治理的深化：製造業AI導入指引：深入閱讀經濟部產發署的指引，了解從「構想評估」到「執行階段」的完整流程，特別是ROI（投資報酬率）的計算與KPI的設定 。
- EU AI Act (歐盟人工智慧法案)：除了四大風險等級，您需要更深入了解高風險AI的合規要求，例如：風險管理系統、高品質數據、人類監督與網路安全等 。
- 台灣法規：熟悉行政院與金管會的AI指引，特別是它們在資料治理、問責性與公平性上的具體要求 。
- 關注最新AI工具與技術趨勢：2025年新興AI工具：除了ChatGPT、Midjourney，您需要關注如Claude 3、Google Gemini 2.5 Pro、NotebookLM等新工具的特色與應用場景 。例如，NotebookLM最新的Video Overview功能，使其能對YouTube影片進行摘要與問答 13。
- 新技術名詞：了解如AI Agent、主權AI (Sovereign AI)、輕量化微調技術 (PEFT, LoRA) 等新興概念的意涵 。
第二階段：實戰演練與弱點補強 (建議時程：8月初 ~ 考試前)
這個階段的目標是透過大量模擬練習，找出知識盲點並加以補強。
- 考古題再分析：重新檢視03/22與05/03的考古題，這次不只是找答案，而是要去理解每個選項為何對、為何錯。
- 例如，一個關於No-code限制的題目，除了知道答案是「可客製化程度有限」，也要去思考其他選項為何不正確 。
- 高強度模擬測驗：利用您手邊的學習筆記與模擬題庫進行計時測驗 。目標是將答題速度與準確率都維持在高檔。
- 特別針對您較弱的科目一，增加練習頻率。建立陷阱題速查表：在練習過程中，將常錯或容易混淆的觀念整理成一份「陷阱速讀表」，例如：「BERT是鑑別式模型，非生成式」、「PCA是降維技術，非增加維度」。
- 考前快速複習，加深印象。掌握最新資訊：考前一週務必再次瀏覽iPAS官網與數位發展部等相關網站，確認是否有任何新的公告、勘誤或更新資料 。
透過以上系統性的進階強化學習，相信您不僅能在第三場考試中達成科目一80-85分、科目二85-90分的目標，更能將AI知識內化為自己的專業能力，為未來的職涯發展奠定更穩固的基礎。祝您考試順利！
好的，針對您目前的情況與目標，這是一份為您量身打造的iPAS AI應用規劃師初級考試進階強化學習計畫。
首先，恭喜您已連續兩次通過初級鑑定，這代表您已具備扎實的AI基礎知識與自主學習能力。接下來的目標是從「合格」邁向「精通」，不僅要鞏固既有知識，更要深化理解，並將觸角延伸至更細緻的技術與應用層面。
您的現況分析與強化策略
- 強項：科目二（生成式AI應用與規劃）：分數較高，顯示您對生成式AI的工具應用、導入流程與風險管理有很好的掌握。自主學習能力：非本科背景卻能連續高分通過，證明您的學習方法有效且投入度高。
- 可強化領域：科目一（人工智慧基礎概論）：分數相對較低，尤其在機器學習、演算法原理、模型評估等技術細節上，有進一步提升的空間。
- 第三場考試目標策略：科目一：從70-75分提升至80-85分，需鞏固基礎並深化技術理解。科目二：從80-85分提升至85-90分，需擴展應用廣度並關注最新趨勢。
進階強化學習計畫
第一階段：知識深化與廣度擴展 (建議時程：現在 ~ 8月初)
這個階段的目標是將您的知識從「知其然」提升至「知其所以然」。
科目一：人工智慧基礎概論 (目標：技術深度)
- 機器學習 (Machine Learning) 核心技術深化：
- 演算法原理：不僅是知道SVM、決策樹、隨機森林的用途，更要深入理解其核心原理。例如：SVM：理解「最大邊界超平面」的概念。隨機森林：理解它如何透過「多棵決策樹投票」來避免單一決策樹的過擬合問題 。
- 模型評估指標的實務意義：在類別不平衡的資料中（例如：信用卡盜刷偵測），為何F1-score比Accuracy更重要？因為F1-score同時考量了Precision與Recall 。
- 在醫療診斷中，為何Recall（召回率）通常比Precision（精確率）更受重視？
- 因為「寧可錯殺一百，不可放過一人」，避免漏診（偽陰性）是首要目標 。
- 推薦學習資源：書籍：《圖解AI與深度學習的運作機制》 、《零基礎入門的機器學習圖鑑》 這類書籍能用視覺化的方式幫助您理解複雜的演算法。
- 線上課程：觀看台大李宏毅教授的YouTube頻道，深入淺出地了解各種模型背後的數學與運作原理 。
- 鑑別式 AI vs. 生成式 AI 的整合應用：RAG (檢索增強生成)：這是前兩次考試的熱門考點。您需要理解RAG不僅是「檢索+生成」，更要了解它與微調(Fine-tuning)的比較。RAG適合需要即時更新知識的情境，而微調則適合需要特定風格或語氣的任務 。
- 多模態學習 (Multimodal Learning)：這是未來的趨勢。需了解如CLIP模型如何將圖像與文字對應，並應用於「看圖說故事」或「以文生圖」等跨模態任務 。
科目二：生成式AI應用與規劃 (目標：應用廣度與趨勢)
- AI 導入與治理的深化：
- 製造業AI導入指引：深入閱讀經濟部產發署的指引，了解從「構想評估」到「執行階段」的完整流程，特別是ROI（投資報酬率）的計算與KPI的設定 。
- EU AI Act (歐盟人工智慧法案)：除了四大風險等級，您需要更深入了解高風險AI的合規要求，例如：風險管理系統、高品質數據、人類監督與網路安全等 。
- 台灣法規：熟悉行政院與金管會的AI指引，特別是它們在資料治理、問責性與公平性上的具體要求 。
- 關注最新AI工具與技術趨勢：2025年新興AI工具：除了ChatGPT、Midjourney，您需要關注如Claude 3、Google Gemini 2.5 Pro、NotebookLM等新工具的特色與應用場景 。例如，NotebookLM最新的Video Overview功能，使其能對YouTube影片進行摘要與問答 。
- 新技術名詞：了解如AI Agent、主權AI (Sovereign AI)、輕量化微調技術 (PEFT, LoRA) 等新興概念的意涵 。
第二階段：實戰演練與弱點補強 (建議時程：8月初 ~ 考試前)
這個階段的目標是透過大量模擬練習，找出知識盲點並加以補強。
- 考古題再分析：重新檢視03/22與05/03的考古題，這次不只是找答案，而是要去理解每個選項為何對、為何錯。例如，一個關於No-code限制的題目，除了知道答案是「可客製化程度有限」，也要去思考其他選項為何不正確 。高強度模擬測驗：利用您手邊的學習筆記與模擬題庫進行計時測驗 。目標是將答題速度與準確率都維持在高檔。特別針對您較弱的科目一，增加練習頻率。
- 建立陷阱題速查表：在練習過程中，將常錯或容易混淆的觀念整理成一份「陷阱速讀表」，例如：「BERT是鑑別式模型，非生成式」、「PCA是降維技術，非增加維度」 。考前快速複習，加深印象。掌握最新資訊：考前一週務必再次瀏覽iPAS官網與數位發展部等相關網站，確認是否有任何新的公告、勘誤或更新資料 。
透過以上系統性的進階強化學習，相信您不僅能在第三場考試中達成科目一80-85分、科目二85-90分的目標，更能將AI知識內化為自己的專業能力，為未來的職涯發展奠定更穩固的基礎。祝您考試順利！
比較項目核心知識組別分析重點
學習方式: 監督式學習 vs. 非監督式學習
監督式學習需要「有標籤」的資料進行訓練，用於分類或迴歸 ；非監督式學習則處理「無標籤」的資料，讓模型自行發掘群組或結構 。考試重點在於根據情境判斷應使用哪種類型。
模型問題: 過擬合 (Overfitting) vs. 欠擬合 (Underfitting)
過擬合是模型「過度複雜」，對訓練資料表現極佳，但對新資料（測試集）表現差 ；欠擬合則是模型「過於簡單」，無法有效學習資料規律，導致在訓練集和測試集上表現都不佳 。
AI模型類型: 鑑別式 AI vs. 生成式 AI
鑑別式AI的目標是找到最適函數以對數據進行分類、迴歸等任務 ；生成式AI則是理解數據結構與特徵後，生成類似的新數據 。
語言模型架構: BERT vs. GPT
BERT是基於「編碼器」的雙向模型，擅長「理解」上下文 ；GPT是基於「解碼器」的單向自回歸模型，擅長「生成」連貫的文本 。
模型優化策略: RAG vs. 微調 (Fine-tuning)
RAG透過「外部即時檢索」來提升回答的「事實性與時效性」，適合知識庫頻繁更新的情境 ；微調則是透過「內部模型權重調整」來適應「特定領域的語氣風格或專業知識」，但其知識是靜態的 。
分類評估指標: Precision (精確率) vs. Recall (召回率)
Precision（精確率）關注「預測為正的樣本中有多少是真正的正樣本」（TP / (TP+FP)），重視預測的準確性 ；Recall（召回率）則關注「所有真正的正樣本中有多少被成功預測出來」（TP / (TP+FN)），重視找出所有目標的能力 。
開發平台類型: No-Code vs. Low-Code
No-Code平台讓使用者「完全不需」撰寫程式碼，透過視覺化介面即可建構應用 ；Low-Code平台則允許透過「少量程式碼」進行更高度的客製化與擴充 。
資料處理技術: 標準化 vs. 正規化
標準化（Standardization）是將資料轉換為平均值為0、標準差為1的分布 ；正規化（Normalization）則是將資料等比例縮放到[0, 1]的區間 。
法規框架: EU AI Act vs. 台灣金融業AI指引
EU AI Act是具法律強制力的「全面性法規」，採風險分級管理 ；台灣金融業AI指引是針對特定產業的「行政指導」，重在六大核心原則的落實 。
提示工程策略: Zero-shot vs. Few-shot Learning
Zero-shot Learning是指模型在「沒有任何範例」的情況下，僅憑指令直接完成任務 ；Few-shot Learning則是在提示中「提供少量（1至數個）範例」，引導模型學習任務格式與期望的輸出 。
降維技術: PCA (主成分分析) vs. 特徵選擇
PCA透過數學變換「創造出新的、不相關的特徵（主成分）」來降維 ；特徵選擇則是直接「從原始特徵中挑選」出最具代表性的一部分，不改變原始特徵。
深度學習模型: CNN vs. RNN
CNN（卷積神經網路）透過卷積核提取「空間特徵」，特別擅長處理圖像資料 ；RNN（遞迴神經網路）具有「記憶單元」，能處理具有順序性的「序列資料」，如文字或時間序列 。
生成模型架構: GAN vs. Diffusion Model
GAN（生成對抗網路）由一個「生成器」和一個「判別器」相互對抗訓練而成，訓練過程可能不穩定 ；Diffusion Model透過逐步「從雜訊中還原」資料的過程生成內容，生成品質通常更高且更穩定 。
異常值偵測: Z-score vs. IQR (四分位距法)
Z-score假設資料呈現「常態分佈」，判斷距離平均數多少個標準差為異常值 ；IQR法則不需此假設，透過計算四分位距來判斷，對「偏態資料」更為穩健 。
資料結構: 結構化資料 vs. 非結構化資料
結構化資料具有「固定的欄位與格式」，如Excel表格或資料庫 ；非結構化資料則「沒有固定格式」，如圖片、音訊、PDF文件、影片等 。
模型監控: 資料飄移 (Data Drift) vs. 概念飄移 (Concept Drift)
資料飄移是指模型部署後，「輸入資料的分布」與訓練時不同 ；概念飄移則更為根本，是指「輸入資料與目標變數之間的關係」發生了改變 。
部署方式: 地端部署 (On-premise) vs. 雲端部署 (Cloud)
地端部署將系統建置在企業「內部伺服器」，對資料的「安全性與控制權」較高，但擴充彈性差 ；雲端部署使用外部服務商的資源，具備「高彈性與擴展性」，但需考量資料安全與持續費用 。
AI工具定位: ChatGPT vs. NotebookLM
ChatGPT是一個「通用型對話AI」，能回答廣泛問題與生成各類文本 ；NotebookLM則定位為「個人化研究助理」，專長於整合與摘要使用者「自行上傳」的資料來源（如PDF、Google Docs） 。
強化學習演算法: Q-Learning vs. DQN
Q-Learning使用「表格（Q-table）」來記錄每個狀態-動作對的價值，適用於狀態空間較小的問題 ；DQN則使用「深度神經網路」，能夠處理具有高維度輸入（如遊戲畫面）的複雜問題 。
AI倫理原則:透明性 (Transparency) vs. 可解釋性 (Explainability)
透明性是指讓使用者「知道自己正在與AI互動」，並了解其基本功能與限制 ；可解釋性則更進一步，要求能夠「說明AI為何做出某個特定決策」的內部邏輯與原因 。
恭喜您已連續兩次通過初級鑑定，這充分證明了您扎實的基礎與卓越的自主學習能力。針對您從「高分合格」邁向「卓越精通」的目標，以下為您量身打造了10個需要再加強的重點知識，旨在深化您的技術理解與應用廣度，助您在第三場考試中取得更優異的成績。
為您量身打造的10大進階強化學習重點
科目一：人工智慧基礎概論 (強化技術深度與原理)
1. 模型評估指標的深入應用 (Deep Application of Model Evaluation Metrics)
- 為何需要加強：從70分邁向80分以上，關鍵在於不僅能背誦指標定義，更能根據業務情境選擇最適合的評估指標。
- 建議學習內容：深入比較 Precision (精確率) 與 Recall (召回率) 的應用時機。
- 例如：在金融詐欺偵測（寧可錯殺，不可錯放）中，為何Recall比Precision更重要？
- 理解 F1-score 為何適合用於類別不平衡的資料集。
- 徹底理解 ROC曲線 的橫軸(FPR)與縱軸(TPR)代表的意義，以及AUC為何能作為評估模型整體分類效能的標準。
2. 偏差與變異權衡 (Bias-Variance Tradeoff)
- 為何需要加強：這是理解**過擬合(Overfitting)與欠擬合(Underfitting)**背後核心原理的關鍵，也是區分基礎與進階學習者的指標。
- 建議學習內容：
- 高偏差 (High Bias)：代表模型過於簡單，無法捕捉數據的複雜性，導致欠擬合。
- 高變異 (High Variance)：代表模型過於複雜，過度學習了訓練資料的雜訊，導致過擬合，泛化能力差。
- 學習如何透過調整模型複雜度（例如：決策樹的深度）或使用正則化 (Regularization) 來尋求偏差與變異之間的平衡。
3. AI治理法規的細節比較 (Detailed Comparison of AI Governance Regulations)
- 為何需要加強：您已了解各大法規的存在，下一步是精通其細節與差異，應對更細膩的情境題。
- 建議學習內容：
- EU AI Act：熟記禁止風險（如社會信用評分）與高風險（如醫療、招募）的具體應用範例 。
- 金管會AI指引：深入理解「人在指揮(HIC)」、「人在迴圈內(HITL)」與「人在迴圈上(HOTL)」的差異，並思考它們在金融場景的應用 。
- 行政院生成式AI指引：重點在於對公務機關的規範，例如「機密文書禁止使用」及「不得以生成內容直接作成行政行為」 。
4. 深度學習模型的關鍵差異 (Key Differences in Deep Learning Models)
- 為何需要加強：這是科目一的技術核心，理解不同模型的架構原理有助於您應對各種應用題。
- 建議學習內容：
- CNN (卷積神經網路)：核心在於卷積層提取空間特徵，適用於圖像辨識 。
- RNN (遞迴神經網路)：核心在於記憶單元，能處理序列資料（如文字、時間）。
- Transformer：核心是自注意力機制 (Self-Attention)，能捕捉長距離依賴關係，是現代GPT和BERT的基礎 。
5. 資料前處理技術的選擇 (Choosing Data Preprocessing Techniques)
- 為何需要加強：理解不同資料處理技術的適用時機，是AI專案成功的基礎。
- 建議學習內容：標準化 (Standardization) vs. 正規化 (Normalization)：
- 標準化（均值0, 標準差1）適用於資料呈常態分佈或演算法對尺度敏感（如SVM）的情境；正規化（縮放到0-1區間）常用於神經網路 777。
- 降維技術：理解PCA (主成分分析)，它透過建立新的特徵組合來減少資料維度，同時保留大部分的變異訊息 。
6. 部署後模型維運 (Post-Deployment Model Operations - MLOps)
- 為何需要加強：這是AI專案生命週期的重要環節，也是考試中越來越受重視的實務概念。建議學習內容：
- 資料飄移 (Data Drift)：理解其定義為「實際應用中的資料分佈與訓練時不同」，是導致模型效能下降的主因 。
- 概念飄移 (Concept Drift)：比資料飄移更根本，指「資料與預測目標之間的關係發生了改變」 。
- 持續監控與再訓練：認識到AI模型需要持續監控效能，並在偵測到飄移時進行再訓練，以維持其準確性 。
科目二：生成式AI應用與規劃 (強化應用廣度與趨勢)
7. AI導入流程的實務操作 (Practical Operations in the AI Adoption Process)
- 為何需要加強：您對此科目已很熟悉，加強實務細節能讓您的理解更完整，應對更複雜的導入情境題。建議學習內容：
- PoC (概念性驗證)：深入理解其目的在於以「小規模實驗」驗證AI方案的「技術可行性」與「商業價值」。
- KPI設定：學習如何設定可量化且與AI任務高度相關的關鍵績效指標，避免使用無關的指標（如用客戶退貨率評估AI瑕疵檢測效能） 。
- ROI計算：練習區分量化效益（如：降低工時、減少廢品率）和質化效益（如：員工滿意度、品牌形象提升），並進行成本效益分析 。
8. 進階提示工程與AI Agent (Advanced Prompt Engineering & AI Agent)
- 為何需要加強：這是生成式AI領域的前沿技術，也是未來考試的潛在重點。建議學習內容：思維鏈 (Chain-of-Thought, CoT)：了解這種提示策略是透過引導模型「逐步思考」，來提升其在複雜推理任務上的表現 。
- AI Agent：理解AI Agent不僅是聊天機器人，它具備自主規劃、記憶和使用工具 (Tool Use) 的能力，能完成更複雜的多步驟任務 。
9. RAG vs. 微調的策略選擇 (Strategic Choice between RAG and Fine-tuning)
- 為何需要加強：這是生成式AI應用的核心決策點，理解兩者的權衡是規劃師的必備能力。
- 建議學習內容：適用情境：RAG適合需要即時、最新知識的應用（如新聞問答）；微調適合需要特定風格、語氣或內化專業知識的應用（如模仿特定作家風格寫作） 。
- 成本與維護：RAG的維護成本主要在更新知識庫；微調的前期訓練成本較高。
10. 最新AI趨勢與本土化模型 (Latest AI Trends and Localized Models)
- 為何需要加強：掌握最新動態能幫助您應對可能出現的時事題。建議學習內容：TAIDE：了解這是由台灣國科會主導開發的本土化大型語言模型，強調語料安全與繁體中文的優化 18181818181818。主權AI (Sovereign AI)：理解其概念是國家或組織為了保障資料主權與技術自主，而建立可控的AI系統 19191919。新興工具：關注如Claude 3、Gemini 2.5 Pro、NotebookLM等新工具的突破性功能（如長文本處理、多模態互動）。
進階強化模擬測驗 (30題)
- 題目：某醫院開發一套AI系統用於偵測早期癌症，在1000個樣本（其中10人為真病患）中，系統成功找出8位病患，同時將20位健康者誤判為病患。在此情境下，優先考慮哪個評估指標最能反映其醫療價值？
- (A) 準確率 (Accuracy)(B) 精確率 (Precision)(C) 召回率 (Recall)(D) F1-Score
- 正確答案：(C)解析：在醫療診斷中，首要目標是盡可能找出所有病患（降低偽陰性），因此召回率（真陽性 / (真陽性 + 偽陰性) = 8 / 10 = 80%）是比精確率（8 / (8+20) ≈ 28.6%）更關鍵的指標。
- 題目：一位資料科學家發現他訓練的決策樹模型在訓練集上達到99%的準確率，但在從未見過的測試集上準確率僅60%。這種現象最可能的原因是什麼？
- (A) 高偏差與低變異(B) 低偏差與高變異(C) 低偏差與低變異(D) 高偏差與高變異
- 正確答案：(B)解析：此現象為典型的過擬合。模型過度複雜（低偏差），學習了訓練資料的雜訊，導致對新資料的泛化能力差（高變異）。
- 題目：根據歐盟AI法案，一間公司利用AI分析求職者的面試影片，並根據其微表情與語氣進行情緒評估來決定是否錄用。此AI應用屬於哪個風險等級？
- (A) 最低風險 (Minimal Risk)(B) 有限風險 (Limited Risk)(C) 高風險 (High Risk)(D) 禁止風險 (Unacceptable Risk)
- 正確答案：(D)解析：歐盟AI法案明確禁止在職場或學校使用情緒識別AI，因其可能導致不公平待遇與侵犯隱私，屬於禁止風險類別 。
- 題目：若要讓AI模型能即時回答關於「今天」全球股市的最新動態，下列哪種技術架構最為適合？
- (A) 僅使用經過微調 (Fine-tuning) 的GPT-4模型(B) 使用檢索增強生成 (RAG) 架構，並連接即時新聞資料庫(C) 使用BERT模型進行文本分類(D) 使用GAN模型生成股市走勢圖
- 正確答案：(B)解析：RAG架構能透過外部檢索系統，獲取最新的即時資訊來生成回答，解決了大型語言模型知識截止日期的問題 。
- 題目：一位開發者想要比較兩種不同用戶介面(UI)設計對廣告點擊率的影響，他應該採用下列哪一種實驗方法？
- (A) 對抗性實驗 (Adversarial Testing)(B) 延遲性實驗 (Latency Testing)(C) A/B測試 (A/B Testing)(D) 交叉驗證 (Cross-Validation)
- 正確答案：(C)解析：A/B測試是將用戶隨機分至不同版本（A版本和B版本），比較其行為差異以驗證效果的標準方法 。
- 題目：在金管會的AI指引中，若AI系統僅提供建議，最終決策仍由銀行專員做出，這屬於何種程度的人類監督模式？(A) 人在指揮 (Human-in-command)(B) 人在迴圈內 (Human-in-the-loop)(C) 人在迴圈上 (Human-over-the-loop)(D) 完全自動化 (Fully Automated)正確答案：(B)解析：「人在迴圈內」指人類主動參與監督，並保留完全的控制權，AI僅提供建議或資訊 。
- 題目：某AI專案的PoC（概念性驗證）階段已成功驗證模型可行性，在進入「施行階段」前，最重要的步驟是計算下列何者以爭取預算？(A) 模型參數數量(B) 訓練資料大小(C) 投資報酬率 (ROI)(D) 每日API呼叫次數正確答案：(C)解析：PoC成功後，需計算預期的ROI，向決策者證明專案的商業價值，以利進入大規模的施行階段 。
- 題目：下列哪一種AI技術，其核心概念是讓模型同時「思考」(Reasoning)與「行動」(Acting)，以解決複雜的多步驟任務？(A) 思維鏈 (Chain-of-Thought)(B) ReAct(C) 強化學習 (Reinforcement Learning)(D) 知識蒸餾 (Knowledge Distillation)正確答案：(B)解析：ReAct框架明確地將推理過程與使用工具執行動作結合，使AI Agent能更有效地規劃與執行任務。
- 題目：一家新創公司資源有限，但希望為其特定領域的知識庫建立一個問答機器人，且知識庫內容會頻繁更新。相較於微調一個大型語言模型，採用RAG架構的主要優勢是什麼？(A) 模型的回應風格更多樣(B) 前期訓練成本較低且知識更新靈活(C) 完全不需要GPU資源(D) 生成的內容絕對不會出錯正確答案：(B)解析：RAG不需重新訓練整個模型，只需更新向量資料庫即可更新知識，因此前期成本較低且維護靈活，非常適合知識頻繁變動的場景。
- 題目：台灣國科會主導開發的TAIDE模型，其最主要的設計目標與特色是？(A) 成為全球最大參數的語言模型(B) 專注於英文詩詞創作(C) 強化繁體中文語境理解並確保資料主權(D) 完全取代人類進行科學研究
- 正確答案：(C)解析：TAIDE的目標是建立一個符合台灣文化與語言習慣、可信任且資料主權可控的本土化大型語言模型 。
- 題目：一位AI研究員在訓練圖像分類模型時，發現模型總是將有草地的照片誤判為「牛」，即使照片中沒有牛。這最可能是因為訓練資料中大部分牛的照片背景都是草地。此問題稱為什麼？
- (A) 演算法偏見 (Algorithmic Bias)(B) 資料偏見 (Data Bias)(C) 標籤錯誤 (Labeling Error)(D) 欠擬合 (Underfitting)
- 正確答案：(B)解析：這是典型的資料偏見，模型學習到了目標（牛）與背景（草地）之間的虛假關聯，而非物件本身的特徵。
- 題目：下列哪種深度學習架構的核心機制是「自注意力機制(Self-Attention)」，使其能夠在處理長句子時有效捕捉詞語間的依賴關係？
- (A) 卷積神經網路 (CNN)(B) 遞迴神經網路 (RNN)(C) Transformer(D) 自編碼器 (Autoencoder)
- 正確答案：(C)解析：Transformer架構完全基於自注意力機制，擺脫了RNN的序列處理限制，能更有效地處理長距離依賴問題 。
- 題目：一家公司部署AI模型來預測銷售額，初期表現良好，但半年後準確率大幅下降。經過分析，發現是因為市場趨勢改變，導致顧客的購買行為模式與半年前完全不同。此現象稱為？
- (A) 資料飄移 (Data Drift)(B) 概念飄移 (Concept Drift)(C) 模型崩潰 (Model Collapse)(D) AI幻覺 (AI Hallucination)
- 正確答案：(B)解析：輸入資料（顧客行為）與預測目標（銷售額）之間的關係發生了改變，這屬於概念飄移，比單純的資料分布改變（資料飄移）更為根本 。
- 題目：在製造業AI導入流程中，「概念性驗證(PoC)」的主要產出是什麼？
- (A) 一份完整的市場調查報告(B) 一個已全面部署上線的AI系統(C) 一個可評估其技術可行性與潛在商業效益的原型模型(D) 一份詳細的員工教育訓練手冊
- 正確答案：(C)解析：PoC的目的是驗證想法，產出一個最小可行的原型來證明AI方案的潛力，而非直接建構完整系統 。
- 題目：某開發者利用提示工程中的「思維鏈(Chain-of-Thought)」技巧來解決一個複雜的數學應用題。他的提示詞最可能包含下列哪個元素？
- (A) 直接給出最終答案(B) 要求模型以詩歌的形式回答(C) 在範例中展示解決問題的詳細「步驟」(D) 只提供問題，不給任何範例
- 正確答案：(C)解析：思維鏈的核心是引導模型模仿人類的思考過程，透過展示解題的邏輯步驟來提升其複雜推理能力 。
- 題目：下列關於生成式AI風險管理的敘述，何者錯誤？
- (A) 企業應建立機制，防止員工將公司機密資料輸入公開的AI工具(B) AI生成的內容可能存在偏見，需要進行人工審核(C) RAG技術可以完全消除AI幻覺的風險(D) AI生成的圖像可能涉及著作權問題
- 正確答案：(C)解析：RAG技術可以緩解和降低AI幻覺的風險，但無法完全消除，因為模型仍可能錯誤理解或整合檢索到的資訊。
- 題目：在深度學習中，Batch Normalization技術的主要作用是什麼？
- (A) 作為一種新的激活函數(B) 增加模型的參數數量以提升複雜度(C) 對神經網路中每一層的輸入進行標準化，以加速訓練並穩定收斂過程(D) 一種用於模型壓縮的剪枝技術
- 正確答案：(C)解析：Batch Normalization透過標準化每一層的輸入，解決了內部協變量偏移問題，有助於穩定訓練過程並加速收斂。
- 題目：一家公司希望部署一個AI模型到資源有限的邊緣裝置（如監控攝影機）上，下列哪項技術最適合用來優化模型？
- (A) 增加模型深度與寬度(B) 使用更高精度的浮點數（FP32）(C) 模型壓縮與量化（Quantization）(D) 使用更大規模的資料集進行重新訓練
- 正確答案：(C)解析：模型壓縮（如剪枝）和量化（如將FP32轉為INT8）是減少模型大小和計算需求的關鍵技術，使其適合在資源受限的邊緣裝置上運行 。
- 題目：在自然語言處理中，將"studying"、"studies"、"studied"等詞還原為其基本形式"study"的過程，稱為什麼？
- (A) 分詞 (Tokenization)(B) 詞形還原 (Lemmatization)(C) 詞幹提取 (Stemming)(D) 命名實體識別 (NER)
- 正確答案：(B)解析：詞形還原會考慮詞性與上下文，將詞彙轉換為其字典中的基本形式，比單純去除字尾的詞幹提取更精確。
- 題目：行政院的生成式AI使用指引中，對於「封閉式地端部署」的模型有何特別規定？
- (A) 仍完全禁止處理任何公務資料(B) 可用於撰寫國家機密等級的文書(C) 在確認系統環境安全性後，得依文書或資訊機密等級分級使用(D) 必須開源其模型架構
- 正確答案：(C)解析：指引第四點提到，對於封閉式地端部署的模型，在確認安全性的前提下，可以依機密等級分級使用，這是有別於公開雲端AI工具的彈性規定 。
- 題目：某公司利用AI分析客服對話紀錄，希望找出客戶最常抱怨的「產品名稱」與「功能問題」。這項任務屬於下列何者？
- (A) 情感分析 (Sentiment Analysis)(B) 命名實體識別 (Named Entity Recognition, NER)(C) 文本生成 (Text Generation)(D) 機器翻譯 (Machine Translation)
- 正確答案：(B)解析：NER的目標是從文本中識別並分類出特定的實體，如人名、地名、組織名，也包含此情境中的「產品名稱」等。
- 題目：下列關於「數位孿生(Digital Twin)」的敘述，何者最為正確？
- (A) 是一種用於生成虛擬人像的Deepfake技術(B) 指的是在企業中設立一個完全數位的部門(C) 建立一個實體物件或系統的動態虛擬模型，用於模擬、監控與預測(D) 一種將紙本文件數位化的OCR技術
- 正確答案：(C)解析：數位孿生是工業4.0與AI結合的關鍵應用，透過感測器數據即時更新虛擬模型，以模擬和預測實體世界的運作情況。
- 題目：一家電商平台希望提升其推薦系統的精準度，除了分析用戶的點擊行為，還加入了用戶的評論文字。這種結合「結構化數據」（點擊行為）與「非結構化數據」（評論文字）進行分析的AI應用，屬於下列何者？
- (A) 強化學習 (Reinforcement Learning)(B) 多模態學習 (Multimodal Learning)(C) 半監督學習 (Semi-supervised Learning)(D) 零樣本學習 (Zero-shot Learning)
- 正確答案：(B)解析：多模態學習的核心是整合與分析來自不同類型（模態）的數據源，如此處的結構化點擊數據與非結構化的文本數據 32。
- 題目：在製造業AI導入指引中，強調AI導入的思考誤區是「為導入而導入」。這建議企業在導入AI前，應優先進行下列哪一項工作？
- (A) 採購最高規格的GPU伺服器(B) 釐清企業是否真的有需要透過AI解決的痛點(C) 全面更換現有的ERP系統(D) 訓練所有員工學習Python程式設計
- 正確答案：(B)解析：該指引強調，AI是解決問題的工具，導入前必須先釐清企業的真實需求與痛點，確認AI是合適的解決方案 33。
- 題目：在訓練深度學習模型時，若損失函數在數個週期後不再下降，且驗證集上的準確率也停止提升，繼續訓練下去可能導致過擬合。此時最適合採用的優化策略是？
- (A) 增加學習率 (Learning Rate)(B) 提早停止 (Early Stopping)(C) 增加模型層數(D) 減少批量大小 (Batch Size)
- 正確答案：(B)解析：Early Stopping是一種監控驗證集效能的策略，當效能不再提升時便停止訓練，以防止模型過擬合並節省運算資源。
- 題目：下列哪一項不是大型語言模型(LLM)出現「AI幻覺(Hallucination)」的可能原因？
- (A) 訓練資料中存在矛盾或錯誤的資訊(B) 模型為了生成流暢的回應而捏造事實(C) 模型的知識有截止日期，無法回答最新問題(D) 模型使用了RLHF進行對齊訓練
- 正確答案：(D)解析：RLHF（人類回饋強化學習）是緩解AI幻覺、提升內容真實性的方法之一，而非造成幻覺的原因 。
- 題目：某公司希望讓AI模型能理解財務報表中的表格數據，並回答相關問題。除了LLM的語言能力外，還需要強化模型的哪一項能力？
- (A) 圖像生成能力(B) 結構化數據理解與分析能力(C) 語音合成能力(D) 情感分析能力
- 正確答案：(B)解析：財務報表是典型的結構化數據，AI需要具備解析表格、理解欄位意義並進行計算或比較的能力，才能準確回答問題。
- 題目：根據《AI產業人才認定指引》，一位行銷專員利用ChatGPT產出社群貼文文案，並使用Midjourney生成配圖，以提升工作效率。這位專員最符合下列哪一類AI人才的定義？
- (A) AI研究人才(B) AI開發人才(C) AI應用人才(D) AI治理人才
- 正確答案：(C)解析：該指引將「使用AI工具提高生產力，負責應用與價值創造」的人才定義為AI應用人才 。
- 題目：在進行「提示注入攻擊(Prompt Injection)」時，攻擊者最常利用下列何種方式來繞過AI模型的安全限制？
- (A) 增加提示詞的長度(B) 使用更複雜的詞彙(C) 將惡意指令隱藏或偽裝在看似無害的用戶輸入中(D) 降低生成溫度的參數
- 正確答案：(C)解析：提示注入攻擊的核心是透過巧妙的語言設計，欺騙模型執行其原始指令之外的惡意任務。
- 題目：一家企業希望在不將客戶個資上傳到雲端的前提下，利用分散在各地用戶手機上的資料來共同訓練一個模型。下列哪種技術最符合此需求？
- (A) 聯邦學習 (Federated Learning)(B) 遷移學習 (Transfer Learning)(C) 雲端集中式訓練 (Centralized Cloud Training)(D) 專家系統 (Expert System)
- 正確答案：(A)解析：聯邦學習是一種分散式機器學習技術，它允許在資料不出本地的情況下進行模型訓練，僅交換模型更新的參數，有效保護了數據隱私。
這是一份專門針對「科目一：人工智慧基礎概論」中，您希望加強的「資料處理與分析」及「機器學習評估與部署」兩大主題所設計的30題進階測驗。這些題目的難度與情境設計旨在幫助您從70-75分區間，穩固地邁向80-85分的目標。
科目一進階強化模擬測驗 (30題)
主題：資料處理與分析
- 題目：在進行資料前處理時，若特徵年齡的範圍是20-65，而特徵收入的範圍是30萬-200萬，為了避免模型過度受收入特徵的尺度影響，最適合採用下列哪種方法？
- (A) one-hot encoding(B) 填補缺失值(C) 正規化 (Normalization)(D) 去除重複值
- 正確答案：(C)解析：正規化（或標準化）能將不同尺度的數值特徵縮放到相近的範圍，避免模型因數值大小差異而產生偏誤，特別適用於基於距離計算的模型（如SVM、KNN）或神經網路。
- 題目：一位分析師發現某資料集的平均值遠大於中位數，這通常暗示該資料的分佈呈現何種狀態？
- (A) 常態分佈 (Normal distribution)(B) 左偏分佈 (Left-skewed)(C) 右偏分佈 (Right-skewed)(D) 均勻分佈 (Uniform distribution)
- 正確答案：(C)解析：當平均數被少數極大值拉高，導致其大於位於中間位置的中位數時，表示資料呈現右偏分佈（也稱正偏態），代表大部分數據集中在左側，右側有長尾。
- 題目：下列哪一種圖表最適合用來直觀地判斷數值型資料中是否存在異常值 (Outliers)？
- (A) 圓餅圖 (Pie Chart)(B) 折線圖 (Line Chart)(C) 箱型圖 (Boxplot)(D) 長條圖 (Bar Chart)
- 正確答案：(C)解析：箱型圖能清晰地展示資料的四分位距(IQR)，並將落在上下限（通常是Q1-1.5IQR 與 Q3+1.5IQR）之外的點標示為異常值。
- 題目：在ETL流程中，「T」(Transform)階段不包含下列哪一項任務？
- (A) 將類別資料轉換為數值編碼(B) 從多個資料來源擷取原始資料(C) 清理資料中的重複值與缺失值(D) 將資料進行標準化處理
- 正確答案：(B)解析：從來源擷取資料屬於「E」(Extract)階段的工作。Transform階段專注於資料的清洗、轉換與整合。
- 題目：某公司希望分析顧客的消費紀錄，將顧客分為「高價值群」、「潛力群」與「流失風險群」，但手邊沒有任何預先標記好的分類。此任務最適合採用何種機器學習方法？
- (A) 監督式學習 (Supervised Learning)(B) 非監督式學習 (Unsupervised Learning)(C) 強化學習 (Reinforcement Learning)(D) 半監督式學習 (Semi-supervised Learning)
- 正確答案：(B)解析：在沒有預先標籤的情況下，要從資料中找出潛在的群組結構，應使用非監督式學習中的分群 (Clustering) 演算法，如K-Means。
- 題目：下列哪一項是主成分分析 (PCA) 的主要目的？
- (A) 預測一個連續的數值(B) 將資料分為兩個或多個類別(C) 透過建立新的特徵組合來降低資料的維度(D) 生成新的、與原始資料相似的資料點
- 正確答案：(C)解析：PCA是一種非監督式的降維技術，它將原始的高維度特徵轉換為一組新的、線性不相關的低維度特徵（主成分），同時盡可能保留原始資料的變異訊息。
- 題目：在處理自然語言資料時，將"running", "runs", "ran"都還原成它們的字典基本形式"run"，這個過程稱為什麼？
- (A) 詞幹提取 (Stemming)(B) 分詞 (Tokenization)(C) 詞形還原 (Lemmatization)(D) 停用詞移除 (Stop Word Removal)
- 正確答案：(C)解析：詞形還原會考慮詞性與上下文，將詞彙轉換為其字典中的原型，比單純粗暴地去除字尾的詞幹提取更為精確。
- 題目：為了保護用戶隱私，蘋果公司在收集用戶數據進行分析時，會在統計結果中加入微小的隨機噪音，使得從最終的匯總數據中無法反推出任何單一用戶的具體資訊。這種技術稱為什麼？
- (A) 零信任架構 (ZTA)(B) 去識別化 (De-identification)(C) 差分隱私 (Differential Privacy)(D) 資料加密 (Data Encryption)
- 正確答案：(C)解析：差分隱私是一種強大的隱私保護技術，透過在查詢結果中添加受控的噪音，來保護個體數據不被洩露，同時維持整體統計分析的可用性。
- 題目：一個資料集中包含「性別」欄位，其值有'男', '女', 'Male', 'Female'。在進行模型訓練前，對此欄位進行的「將'Male'統一為'男'，'Female'統一為'女'」的操作，屬於資料處理的哪個環節？
- (A) 資料轉換 (Data Transformation)(B) 資料清理 (Data Cleaning)(C) 特徵選取 (Feature Selection)(D) 資料擴增 (Data Augmentation)
- 正確答案：(B)解析：處理不一致的格式，確保資料的統一性與正確性，是資料清理的核心任務之一。
- 題目：下列何種資料格式最適合用來描述具有複雜層級與巢狀結構的資料，例如組織部門圖或網站地圖？
- (A) CSV(B) TXT(C) JPEG(D) JSON 或 XML
- 正確答案：(D)解析：JSON和XML都支持鍵值對和巢狀結構，能夠很好地表示具有層次關係的半結構化資料，而CSV僅適合平面的表格資料。
主題：機器學習評估與部署
- 題目：一家銀行使用AI模型來偵測信用卡盜刷，模型在1000筆交易（其中50筆為真實盜刷）中，成功攔截了45筆盜刷，但同時也將10筆正常交易誤判為盜刷。此模型的精確率 (Precision) 約為多少？
- (A) 90%(B) 81.8%(C) 97.8%(D) 4.5%
- 正確答案：(B)解析：精確率 = TP / (TP + FP) = 45 / (45 + 10) = 45 / 55 ≈ 81.8%。它衡量的是「所有被模型預測為盜刷的交易中，有多少是真的盜刷」。
- 題目：承上題，該模型的召回率 (Recall) 為多少？
- (A) 90%(B) 81.8%(C) 98.9%(D) 5.5%
- 正確答案：(A)解析：召回率 = TP / (TP + FN) = 45 / 50 = 90%。它衡量的是「所有真實的盜刷交易中，有多少被模型成功攔截」。
- 題目：一位機器學習工程師在訓練神經網路時，發現訓練集的損失持續下降，但驗證集的損失在某個點後開始上升。為了防止過擬合並節省訓練時間，他應該採用下列哪種策略？
- (A) 增加學習率 (Learning Rate)(B) 提早停止 (Early Stopping)(C) 增加模型層數(D) 減少批量大小 (Batch Size)
- 正確答案：(B)解析：Early Stopping是一種監控驗證集效能的策略，當效能不再提升或開始變差時便停止訓練，這是防止過擬合的有效方法。
- 題目：若一個機器學習模型的特徵之間存在高度相關性（例如：身高（公分）和身高（英尺）），這可能會導致模型不穩定。下列哪種技術可以用來解決此問題？
- (A) 類別編碼(B) 資料擴增(C) 降維技術（如PCA）或移除其中一個特徵(D) 增加模型的深度
- 正確答案：(C)解析：高度相關的特徵會帶來共線性問題。可以透過特徵選取移除其中一個，或使用PCA等降維技術創造出新的、不相關的特徵。
- 題目：下列關於交叉驗證 (Cross-Validation) 的敘述，何者最為正確？
- (A) 它的主要目的是為了加快模型訓練速度。(B) 它是將資料集分為訓練集和一個固定的測試集。(C) 它是透過多次分割資料集進行訓練與驗證，以獲得對模型泛化能力更穩健的評估。(D) 它只適用於非監督式學習模型。
- 正確答案：(C)解析：交叉驗證（如K-fold CV）將資料分成K份，輪流將其中一份作為驗證集，其餘作為訓練集，重複K次，能有效避免因單次數據劃分偶然性帶來的不穩定評估。
- 題目：在深度學習中，Dropout技術被用來防止過擬合，其運作原理是什麼？
- (A) 在訓練過程中隨機丟棄（暫時忽略）一部分神經元的輸出(B) 減少訓練資料的數量(C) 增加神經網路的層數(D) 將所有激活函數替換為線性函數
- 正確答案：(A)解析：Dropout透過在訓練時隨機讓部分神經元“失活”，迫使網路學習到更穩健的特徵，而不是依賴少數特定的神經元，從而提升模型的泛化能力。
- 題目：下列哪一個評估指標不適用於迴歸 (Regression) 任務？
- (A) 均方誤差 (MSE)(B) R平方 (R-squared)(C) 平均絕對誤差 (MAE)(D) 曲線下面積 (AUC)
- 正確答案：(D)解析：AUC是評估分類模型效能的指標，它衡量的是模型將正負樣本正確分開的能力。MSE、R-squared和MAE則是用來衡量預測值與真實連續值之間差距的指標。
- 題目：若一個模型的偏差 (Bias) 很高，但變異 (Variance) 很低，這通常意味著什麼？
- (A) 模型發生了過擬合(B) 模型發生了欠擬合(C) 模型達到了理想的平衡狀態(D) 模型的訓練資料存在嚴重噪音
- 正確答案：(B)解析：高偏差意味著模型過於簡單，無法捕捉資料的複雜模式（欠擬合）；低變異意味著模型對訓練資料的變化不敏感，表現穩定但可能一直不準確。
- 題目：在MLOps的實踐中，當部署在正式環境的AI模型，其輸入資料的統計特性（如平均值、分佈）隨著時間推移而發生顯著變化，此現象稱為什麼？
- (A) 模型退化 (Model Decay)(B) 資料飄移 (Data Drift)(C) 概念飄移 (Concept Drift)(D) 梯度消失 (Vanishing Gradient)
- 正確答案：(B)解析：資料飄移專指輸入資料的分佈發生變化，是導致模型效能下降的常見原因，需要透過持續監控來偵測。
- 題目：某公司將AI模型部署於雲端平台，下列何者是雲端部署相較於地端部署（On-premise）的主要優勢？
- (A) 對公司資料有絕對的物理控制權(B) 初始建置成本通常較低(C) 完全沒有網路延遲問題(D) 高度的彈性與可擴展性
- 正確答案：(D)解析：雲端平台最大的優勢在於能夠根據需求彈性調整運算資源（如GPU），具備高度的可擴展性，而地端部署則擴充不易。
- 題目：在一個類別不平衡的資料集中（例如99%為負樣本，1%為正樣本），一個模型若將所有樣本都預測為負樣本，其準確率 (Accuracy) 會非常高。此時，下列哪個指標更能揭示模型的真實效能？
- (A) 均方誤差 (MSE)(B) 準確率 (Accuracy)(C) F1-Score(D) R平方 (R-squared)
- 正確答案：(C)解析：在這種情況下，模型的Recall會是0，導致F1-Score（Precision和Recall的調和平均數）也會非常低，能真實反映出模型並未學到任何有效分類的能力。
- 題目：下列哪一項不是負責任AI (Responsible AI) 中「問責性 (Accountability)」原則所涵蓋的範疇？
- (A) 建立AI系統的風險管理機制(B) 確保AI模型的運算速度達到最快(C) 明確界定AI開發者與使用者的責任(D) 建立內部審查與監管機制
- 正確答案：(B)解析：問責性關注的是責任歸屬、風險管理與治理，確保AI系統的開發與使用是負責任的，而運算速度屬於效能指標，非問責性原則的核心。
- 題目：在神經網路訓練中，學習率 (Learning Rate) 這個超參數的作用是什麼？
- (A) 決定神經網路的總層數(B) 控制模型權重在每次迭代中更新的幅度(C) 設定模型訓練的總時長(D) 衡量模型最終的準確率
- 正確答案：(B)解析：學習率控制了梯度下降演算法的步長。設定過大可能導致無法收斂，設定過小則會使訓練速度過慢。
- 題目：BERT 模型之所以在多項自然語言理解任務上取得突破，其關鍵的架構創新是什麼？
- (A) 使用了RNN來處理序列(B) 採用了基於雙向 Transformer 的編碼器架構(C) 僅使用無標籤資料進行訓練(D) 是一個輕量化的語言模型
- 正確答案：(B)解析：與GPT等單向模型不同，BERT能夠同時考慮一個詞的左右上下文，使其在語意理解任務上表現更為出色。
- 題目：一家金融公司希望利用AI分析客戶評論，以了解客戶對新產品的情緒（正面、負面或中性）。這項任務屬於機器學習中的哪一類？
- (A) 迴歸 (Regression)(B) 分群 (Clustering)(C) 降維 (Dimension Reduction)(D) 分類 (Classification)
- 正確答案：(D)解析：將文本分配到預先定義好的類別（正面、負面、中性）中，是典型的多類別分類任務。
- 題目：在建立機器學習模型時，通常會將資料集分為訓練集、驗證集與測試集。其中，驗證集 (Validation Set) 的主要用途是什麼？
- (A) 用來訓練模型的主要參數(B) 在模型訓練完成後，評估其最終的泛化能力(C) 在訓練過程中，用來調整模型的超參數（如學習率、模型深度）並防止過擬合(D) 用於擴增原始資料量
- 正確答案：(C)解析：驗證集用於在訓練期間監控模型表現並進行超參數調優，而測試集則是在模型完全訓練好後，用來評估其在未知數據上的最終表現。
- 題目：下列關於集成學習 (Ensemble Learning) 的敘述，何者正確？
- (A) 指的是將多個模型組合起來，以獲得比單一模型更好的預測效能(B) 它是非監督式學習的一種特例(C) 它的主要目的是為了降低模型訓練的計算成本(D) 指的是只使用一種非常複雜的深度學習模型
- 正確答案：(A)解析：集成學習的核心思想是「三個臭皮匠，勝過一個諸葛亮」，透過結合多個弱學習器（如決策樹）的預測結果來提升整體模型的穩定性和準確性，例如隨機森林。
- 題目：在處理類別型特徵時，若該特徵的類別之間沒有大小或順序關係（例如：'台北', '台中', '高雄'），最適合採用下列哪種編碼方式？(A) 標籤編碼 (Label Encoding)(B) One-Hot 編碼 (One-Hot Encoding)(C) 數值化 (Numerization)(D) 正規化 (Normalization)正確答案：(B)解析：對於無序的類別特徵，使用Label Encoding（如轉為0, 1, 2）會讓模型誤解其間存在順序關係。One-Hot編碼將其轉換為稀疏的二元向量，避免了這個問題。
- 題目：某AI模型在部署後，持續監控發現其效能穩定，但公司希望將其應用到一個全新的業務領域。此時，最有效率的方法是？
- (A) 從頭開始為新領域收集資料並訓練一個全新模型(B) 直接將現有模型應用於新領域，不做任何改變(C) 採用遷移學習 (Transfer Learning)，利用現有模型的知識在新領域的少量資料上進行微調(D) 購買一個新的第三方模型
- 正確答案：(C)解析：遷移學習能夠利用預訓練模型已經學到的通用知識，在新的、相關的任務上用較少的資料和時間達到很好的效果，是效率極高的方法。
- 題目：在評估AI專案效益時，下列哪一項屬於質化 (Qualitative) 指標，而非量化指標？
- (A) 瑕疵品檢出率提升 5%(B) 客戶服務處理時間縮短 20%(C) 提升公司在產業內的創新形象(D) 每月節省人力成本 10 萬元
- 正確答案：(C)解析：公司形象、員工滿意度、客戶體驗等屬於難以用具體數值衡量的質化效益，而A、B、D都是可以直接量化的指標。
CCChen 2025/08/15 更新
