嗨 我是CCChen
根據11/20 iPAS官網公告的AI中級題目
針對科目二+科目三 相關Python 題目題組進行分析:
AI 中級考試 (L22 + L23) Python 題目分析 (分析工具 NotebookLM pro)
AI 中級考試在 Python 題目的設計上，邏輯上要求考生從「理論概念掌握」提升到**「實務程式碼驗證與除錯」**層次。
這類題目旨在測試考生是否具備將 AI 專案落地所需的工程能力和對主流函式庫（如 Pandas, NumPy, Scikit-learn, Keras/PyTorch, Seaborn）的熟練應用。
考試邏輯分析 (Exam Logic)
Python 題目的邏輯核心是將知識點與實際操作環境連結，體現了 AI 應用規劃師在專案中需具備的實戰能力：
- 實務工作流程模擬 (L22: Q43-Q47, Q48-Q50)：
- 題目常以大型專案的真實數據集（如 VgSales、Titanic、Marketing）為背景，要求考生執行數據清理、資料轉換、分組彙總及視覺化分析等步驟。
- 例如，L22 要求判斷 Pandas 如何處理缺失值導致的型態轉換（Q43, Q44），或使用 groupby() 函式進行銷售額統計並繪圖（Q45）。這模擬了數據工程師處理原始數據時的典型挑戰。
- 核心演算法與數學實現 (L23: Q38, Q40, Q41)：
- 部分題目測試基礎數學和統計概念（如 MSE、線性代數運算、條件機率）在 Python 中的實現邏輯。
- 例如，Q40 考核對 NumPy 矩陣運算（np.dot）的理解，而 Q38 則要求辨識評估指標（MSE）的計算公式與程式碼對應關係。這確保考生理解底層演算法的運作。
- 模型工程化與診斷 (L23: Q42-Q45, Q46-Q47, Q48-Q50)：
- 要求考生解讀工業級模型架構的輸出摘要（如 VGG16），判斷不同層次的參數佔比、運算量分佈 及記憶體需求，這對於模型部署和硬體選型至關重要。
- 此外，亦考核 Scikit-learn/Keras 實作中的關鍵步驟，如：MLP 訓練前的標準化處理 (Q48)、超參數調整的正確語法 (Q50)，以及遷移學習中凍結層的正確程式碼 (Q45)。
出題設計分析 (Question Design)
Python 相關題目設計的精髓在於視覺化、解讀報告與除錯，主要有以下幾種設計形式：
- 程式碼解讀與概念映射 (L23: Q39, L22: Q50)：
- 提供一個簡短的程式碼片段或函式庫呼叫，要求考生判斷它實現了哪一個理論概念。
- 例如：判斷 Keras 層次結構中的 Dropout (Q39)，或是判斷 LinearRegression().fit(X, y) 中 X 和 y 的正確位置 (Q50)。
- 報告輸出解讀與計算 (L23: Q42-Q44, Q48; L22: Q48)：
- 提供 Pandas 的 describe() 輸出表格 或深度學習框架的模型摘要（Model Summary），要求考生根據輸出結果判斷統計量（如 Q1、中位數） 或計算模型參數總數和層次特性。這測試了閱讀標準化輸出文件的能力。
- 情境除錯與最佳實踐選擇 (L23: Q46, Q47; L22: Q44, Q49)：
- 提供一個已知的問題情境（例如：PCA 降噪效果不佳、交叉驗證程式碼錯誤），要求考生從選項中選擇正確的修改方案或語法。
- 這類題目要求考生具備程式碼健壯性與語法正確性的實務知識，例如處理缺失值的最佳型態轉換方式 (Q44)，或識別 Pandas 中判斷遺漏值的正確函式（isnull() 或 isna()） (Q49)。
- 數據視覺化程式碼選擇 (L22: Q45, Q46, Q47)：
- 要求考生在給定視覺化目標（如比較多個地區銷售比例）時，選擇最能達成目標的 Pandas/Seaborn 程式碼。
- 這類題目測試了對數據聚合與轉換（如 pd.melt）的理解，是中級分析師必備的技能。
AI中級 Python 題目出題分析（CCChen專業版）
在 114 年第二梯次中級考試中，Python 雖然未直接出現「寫程式碼」題型，但與 Python 相關的 資料處理思維／模型訓練邏輯／資料分析流程 卻大量出現在科目二與科目三，呈現高度「Python 思維化」的命題方向。
（參考來源：科目二、科目三公告試題 ）
🧩 一、Python 題型的三大類型
① 資料處理與前處理（科目二）
題目大量反映 Python 在資料處理中的常用任務，例如：
- Z-score（標準化）
- log 轉換（對偏態資料常態化）
- 變異係數 CV（比較不同尺度資料的穩定性）
- 箱型圖、散佈圖、雷達圖應用
- 連續 vs 類別資料的圖表選擇
- 機率分佈使用情境（Poisson / Normal）
命題邏輯是：
不要求考生會寫 Python，但要求「理解 Pandas / NumPy 的資料科學思維」。
例如 Z-score 標準化、對數轉換、資料視覺化選圖等皆是 Python 中日常操作，在試題中則以「概念理解題」呈現。
② 模型建立與評估（科目三）
題目涉及大量與 Python ML 常見 API 一致的概念：
- Loss 函數（Cross Entropy）
- ROC、AUC
- Overfitting / underfitting
- PCA 降維
- 共線性（線性迴歸不穩定）
- 正規方程式與矩陣性質（線性代數基礎）
- Optimizer（SGD、Adam、RMSProp）
- Learning rate decay / CLR
這對應 Python 中（sklearn / PyTorch）的典型流程：
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
loss = criterion(y_pred, y_test)
考試並不需要寫出這些程式，但題目會問：
- 什麼情況下 loss 降不下來？
- Adam 為何比 SGD 好？
- Z-score 對極端值有什麼影響？
- PCA 用來解決什麼問題？
命題邏輯：
Python 工具與 ML 理論的「概念層交集」＝中級考試核心。
③ AI 工具與資料流程（跨科目）
科目一與科目三的互補題型也反映典型 Python AI pipeline：
- NLP / CV 適用任務
- TF-IDF、Word2Vec
- BERT 的上下文向量
- YOLO 做物件偵測
- Dice、IOU（影像任務常用指標）
這些概念全部與 Python 的 AI library 相關（Transformers、OpenCV、Ultralytics），但考試仍然維持「不寫 code，只測理解」。
🎯 二、Python 題目的核心知識點（歸納）
類別知識點試題示例資料處理Z-score、log 轉換、箱型圖、偏態Z-score 不超過 3 非離群值（科二 Q1）
機率統計常態分配、poisson、標準誤、t/z 檢定样本平均數採 SE 進行常態估計（科二 Q2）
ML 模型評估ROC、AUC、Cross Entropy高信心預測錯誤 → CE 最大（科三 Q8）
特徵工程PCA、共線性PCA 解決高維+共線性（科三 Q9）代數運算內積、投影、可逆條件X^T X 必須可逆（科三 Q9）
優化SGD vs Adam、LR decay、CLRAdam 使用 adaptive LR（科三 Q4）
🎯 三、命題目的（官方風格推論）
1. 檢驗資料科學流程是否理解
題目不考語法，但考「做資料分析時會遇到的真實邏輯」，例如 Z-score、偏態、資料視覺化判讀，這正是 Python 分析的核心概念。
2. 評估考生是否具備 ML pipeline 的思維
考試希望你知道：
如何思考資料、建模、優化，而非如何寫程式。
因此題量大部分集中在評估概念理解。
3. 確保考生能與工程師溝通
中級職能基準要求：
- 能規劃 AI 導入
- 能與資料工程師合作
- 能理解模型特性與數據問題
因此題目刻意出現 PCA、共線性、Loss 函數、Optimizer，意在確認考生「能講得懂」AI 工程語言。
4. 將 Python 思維融入理論題
即使不考 syntax，題型本質仍然是 Python 常見任務：
- pandas 的資料處理邏輯
- sklearn 的模型訓練邏輯
- pytorch 的 loss/optimizer 概念
✅ 結論（CCChen 專業評論）
AI 中級「Python 相關題型」並非程式語法考試，而是以 Python 生態系的資料分析思維與 ML pipeline 流程作為命題主軸。
考試重點聚焦在：
- 資料前處理邏輯（Z-score、偏態、log 轉換）
- 模型訓練概念（Cross Entropy、ROC、AUC、PCA）
- 學習率與優化器理解（LR decay、Adam、RMSProp）
- 矩陣與統計基礎（可逆性、共線性、SE 計算）
換句話說：
不會寫 Python 也能考高分，但若理解 Python 活用邏輯，就能看懂所有題目的本質。
這正是「中級」的定位：
不是程式考試，而是資料科學思維考試。
