嗨 我是CCChen
分享昨天11/01 iPAS AI應用規劃師初級第四場考試相關題目關鍵字整理
感謝Line群組--iPAS AI應用規劃師-AI相關考試資源分享＆心得交流群組感謝參加考試的考生(名單如下)熱心提供記憶的考題關鍵字
題目分享考生群友：zora, stacy wu高雄, Yi, 奧斯丁, 這波我來扛, Donna, 俊地-嘉義,Francis_T, Chihi.Y, Raymon_台南,閃電煎餃,小猴-新北, 阿YUN, PuMio, Careful, 蘇菲2, 嘻醬, Cynthia T, Karen, AllenLo, LEO CHEN, Wesson_台中, 我是一棵樹, betty 台北, RR CHEN, 桃園 安, Winnie Wu, dropna(iPAS=null), Genna台北, 張先生, geo台北, 胖哲, 桃園好佳在, 強尼, 游Ｙ游Ｙ.
本文分享2025/11/01 iPAS AI應用規劃師初級第四場考試分析
分析工具：Chat GPT+NoteBookLM
更新：已於2025/11/02 20:00 mail提供有購買AI初級Ｖ4考試筆記的朋友
請查收信箱11/01 AI初級第四場的題目整理與關鍵字分析～補充筆記
更新：已於2025/11/03 16:40 mail提供有購買AI中級Ｖ2考試筆記的朋友
請查收信箱11/01 AI初級第四場的題目關鍵字與中級科目學習指引比對分析～補充筆記
根據2025 年 11 月 1 日 iPAS AI 初級考試（第四場）科目一「人工智慧基礎概論 (L11)」的考題回憶與彙整，以下列出 40 個出現或涉及的核心關鍵字（縮寫＋中文名稱）：
AI：人工智慧
XAI：可解釋性 AI
LIME：局部可解釋模型
Sandbox：監理沙盒 (Regulatory Sandbox)
ETL：資料擷取、轉換、載入 (Extract, Transform, Load)
OHE：獨熱編碼 (One-Hot Encoding)
Cross Enc.：交叉編碼
Rel. DB：關聯式資料庫
Non-Rel. DB：非關聯式資料庫
SFS：監督式特徵選擇
SL：監督式學習 (Supervised Learning)
UL：非監督式學習 (Unsupervised Learning)
Clustering：叢集（分群）
KNN：K-近鄰演算法 (K-Nearest Neighbors)
LL：邏輯迴歸 (Logistic Regression)
BC：貝氏分類器
MSE：均方誤差 (Mean Squared Error)
CE：交叉熵損失 (Cross Entropy Loss)
Reg.：正規化 (Regularization)
L1 / Lasso：L1 正規化 (Lasso)
L2 / Ridge：L2 正規化 (Ridge)
B-V：偏差變異權衡 (Bias-Variance Tradeoff)
RNN：循環神經網路 (Recurrent Neural Network)
Transformer：Transformer 模型
VAE：變分自編碼器 (Variational Autoencoder)
Disc. AI：鑑別式 AI
Gen AI：生成式 AI 概念
ReU：ReU 激活函數 (ReLU)
VG：梯度消失 (Vanishing Gradient)
EG：梯度爆炸 (Exploding Gradient)
Pruning：剪枝
QL：Q 學習 (Q-learning)
DQL：深度 Q 學習 (Deep Q-learning)
H-o-t-L：人在迴圈上 (Human-on-the-loop)
FL：聯邦學習 (Federated Learning)
Data Drift：數據漂移 / 領域飄移
Inf.：即時推論 (Real-time Inference)
Batch Inf.：批次推論 (Batch Inference)
On-prem：地端部署 (On-premise deployment)
Fine-tuning：微調 (模型部署技術)
根據 2025 年 11 月 1 日 iPAS AI 初級考試（第四場）收集的題目內容，以下彙整了科目二「生成式 AI 應用與規劃 (L12)」中出現的核心關鍵字及其縮寫與中文名稱。
科目二：生成式 AI 應用與規劃 (L12) 關鍵字彙整
RAG：檢索增強生成 (Retrieval-Augmented Generation)
LLM：大型語言模型 (Large Language Model)
Agentic AI：多重代理大型語言模型 / 代理式 AI
CoT：思維鏈 (Chain of Thought)
ToT：樹狀思維 (Tree of Thought)
Graph Prompting：圖結構提示
Auto Prompting：自動提示生成
Few-shot：少樣本提示
Zero-shot：零樣本提示
ICL：上下文提示 (In-context learning)
Temperature：溫度參數
LoRA：低秩適應 (Low-Rank Adaptation)
KD：知識蒸餾 (Knowledge Distillation)
CF：災難性遺忘 (Catastrophic forgetting)
Text Generation：文字生成
Seq2Seq：序列 to 序列 (Sequence-to-Sequence)
Multi-Vector：多向量表示
Chunking：資料塊切分
Fine-tuning：微調
MLOps：機器學習運維 (Machine Learning Operations)
MCP：微服務通訊平台 (Microservice Communication Platform)
Solution Graph：解決方案圖譜
Benchmark：基準測試集
MMLU：大規模多任務語言理解
GSM8K：小學數學 8K
MATH：高階數學推理
C-Eval：中文 MMLU
Copilot：GitHub Copilot
Codex：OpenAI Codex 技術
API-calling：API 呼叫
Task-planner：任務規劃器
Vector Retrieval：向量檢索
Auto Gen：LLM 代理庫 (Agent Library)
Task Weaver：LLM 代理庫
Flowise：LLM 應用構建平台
LLaMA Factory：LLM 訓練框架
Axolotl：LLM 訓練框架
Domain Shift：領域遷移
No Code：無程式碼 (No Code)
Low Code：低程式碼 (Low Code)
＊＊以上資料僅供參考,非官方公告題目與答案,請自行判斷＊＊
#CCChen. 2025/11/02 更新
根據 2025 年 11 月 1 日 iPAS AI 初級考試（第四場）的題目收集資料，以下彙整了科目一「人工智慧基礎概論 (L11)」中出現的 20 個核心考試題型或知識點：
- AI 治理與法規： 監理沙盒（Regulatory Sandbox）的概念與適用情境。
- AI 治理與法規： 行政院創新實驗室參考歐盟法規的相關議題。
- 可解釋性 AI (XAI)： XAI 的用途或其對應的技術（如黑箱）。
- 可解釋性 AI (XAI)： LIME (局部可解釋模型) 的應用或解釋原理。
- 資料預處理流程： ETL (Extract, Transform, Load) 步驟的說明，特別是其中 T (Transform) 階段負責資料清理與排序的功能。
- 資料編碼： **One-Hot Encoding（獨熱編碼）**的應用情境或定義，例如將交通方式轉換成數值。
- 資料基礎概念： 區分關聯式資料庫與非關聯式資料庫的特性。
- 資料視覺化： 判斷特定情境（如連續數值，像身高體重）適合使用的圖表類型（如 Distribution Plot 或直方圖）。
- 機器學習基礎： 機器學習中偏差（Bias）與變異（Variance）權衡的說明。
- 機器學習優化： 正規化 L1 (Lasso) 和 L2 (Ridge) 的描述，例如 L1 如何減少權重絕對值控制複雜度以及導致權重收斂為 0 的原因。
- 模型選擇與應用： 根據業務需求（如預測房價）選擇正確的損失函數 (Loss Function)，並能區分迴歸任務（如 MSE）與分類任務（如交叉熵損失）的適用性。
- 模型應用與分類： **邏輯迴歸（Logistic Regression）**的應用情境，如用於預測介於 0-1 之間的指數。
- 機器學習演算法： KNN 演算法在新增輸入變數時，判斷其歸屬類別的決策依據。
- 機器學習應用： 針對工廠出錯很少的情境，應使用什麼模型來訓練和檢測錯誤發生（可能涉及異常檢測）。
- 深度學習基礎： ReU 激活函數在防範梯度消失/梯度爆炸中的作用與原理。
- 生成式 AI 概念： **VAE（變分自編碼器）**的定義，及其作為透過機率分佈生成新資料的生成式模型特性。
- 強化學習： Q-learning 與 Deep Q-learning 的區別，尤其是在處理高維資料時的技術差異。
- AI 協作與隱私： **聯邦學習（Federated Learning）**的機制，適用於跨機構合作且需防止資料外洩的情境。
- 模型部署與維護： **Data Drift（數據漂移/領域飄移）**的定義與造成原因，例如訓練時的資料分佈與部署後隨時間推移產生的變化。
- 模型部署與風險： **人在迴圈上（Human-on-the-loop）**的定義，即人類在日常中監督 AI 並在必要時介入或停止。
根據 2025 年 11 月 1 日 iPAS AI 初級考試（第四場）的收集資料，以下彙整了科目二「生成式 AI 應用與規劃 (L12)」中出現的 20 個核心考試題型或知識點：
- **RAG（檢索增強生成）**的定義、應用情境或作用原理。
- 提示詞工程技術： 應用**思維鏈（CoT）與樹狀思維（ToT）**提升模型推理準確性與可解釋性的原理或方法。
- **多向量表示（Multi-Vector）**的定義，及其在 RAG 檢索中提高語意搜尋精準度的應用。
- **Agentic AI（多重代理大型語言模型）**的定義與應用，屬於複雜 LLM 系統的規劃範疇。
- Agentic AI 風險管理： 當多重代理 LLM 系統中任務分工或角色分工不明確時，可能導致的問題（例如回覆不一造成邏輯崩潰或反覆對話造成資源耗盡）。
- 模型優化技術： **LoRA（Low-Rank Adaptation）**的特性與應用，作為一種低成本微調技術，僅更新少量參數即可學習新任務或風格。
- 模型優化與風險： **災難性遺忘（Catastrophic forgetting）**的定義，即模型在學習新任務後會遺忘原有知識的現象。
- 生成式 AI 應用情境： 判斷輸入文字後，AI 接著生成下一句文章的機制，屬於**文字生成（Text Generation）**或序列 to 序列（Sequence-to-Sequence）。
- 生成式 AI 工具： GitHub Copilot 的技術基礎與能力，特別是其透過 OpenAI Codex 技術支援的知識點。
- 提示技術應用： **零樣本提示（Zero-shot prompting）與少樣本提示（Few-shot prompting）**的區別與應用情境。
- 進階提示技術： **圖結構提示（Graph Prompting）**的用途，例如將知識圖譜或節點關聯融入提示文字，提升模型推理的一致性。
- 提示技術自動化： **Auto Prompting（自動提示生成）**的優勢，即模型自動生成、測試、優化提示詞。
- LLM 評估基準： 區分 MMLU (大規模多任務語言理解)、GSM8K (小學數學) 和 C-Eval 等基準數據集的功能，例如 MMLU 用於評估模型的綜合知識理解力。
- LLM 參數調整： **溫度（Temperature）**參數的意義或調整對輸出的影響。
- 架構與資料流： MCP (Microservice Communication Platform) 的架構與資料流，例如 AI Host、MCP Client 和 MCP Server 之間的通訊順序。
- Agentic AI 規劃工具： **解決方案圖譜（Solution Graph）**的定義，描述任務步驟與工具關係的結構圖。
- Prompt 設計的風險： 透過情境題，判斷醫生 AI 系統語音誤判（如術後復健誤判為術前須知）是由於 Prompt 沒有寫好或 Fine-tuning 資料不足等哪種原因造成。
- 模型部署與生命週期管理： **MLOps（機器學習運維）**的定義與範圍。
- 數據處理優化： Chunking 在 RAG 流程中的作用。
- 模型優化/壓縮： **知識蒸餾（Knowledge Distillation）**的定義或用途。
＊＊以上資料僅供參考,非官方公告題目與答案,請自行判斷＊＊
#CCChen. 2025/11/02 更新
2025 iPAS AI應用規劃師-中級 V2版筆記500題
**提醒購買筆記的朋友,
1.請注意手機訊號或是網路訊號是否通暢. 付款成功後, 即可立即下載筆記檔案
2.如使用Google被擋住, 請改用其他劉網頁覽器(如微軟Edge)
更新內容:
V2版考試筆記500題
AI -中級 114年9月版公告樣題分類整理
科目一二三: 重點整理, 各自100題模擬題目(共300題)
2025AI趨勢關鍵字100題題目+特殊新增題型100題題目
特殊新增考試題型100題模擬題目
補充提醒：
目前AI中級考試。官方沒有提供考古題與正確答案。市面坊間所有的題目或是考題。都可能是第一場考生自己實際考試後。記憶收集的。
對於此份筆記。我的定義是協助了解考試架構與主題重點。筆記是協助的工具。不是考上合格的唯一學習資料。請大家務必了解這不是一份可以100%保證考上的筆記。務必看清楚說明。
