嗨 我是CCChen
數發部於11月中新發布" AI產業人才認定指引(114年11月)"文件
其中最重要的是有明確的公布國家認定的AI人才專業證書項目
於AI素養類證書, 除了iPAS AI應用規劃初級. 同時也包含資策會的2張證書.
分別是:
資策會~生成式AI能力認證
資策會~人工智慧工程素養能力認證
AI 雙認證時代：專業人才的新標準
在企業數位轉型的浪潮中，光懂 ChatGPT 已不夠。
未來的 AI 人才需要能「看懂背後邏輯、驗證模型結果、理解技術風險」
也就是所謂的 AI Literacy + Engineering Literacy。
我會建議未來想投入 AI 領域的學員，採取「雙認證策略」：
1️⃣ 先完成 AIELC（AI工程素養），打好技術基礎。
2️⃣ 再挑戰 生成式 AI 能力認證，強化應用實戰力。
這樣能讓你在履歷上清楚展現「AI 應用 + AI 理論」的雙實力。
我於今年都有參加認證與取得證書.
這2張考試題目的難度偏向基本素養概念, 比iPAS AI應用規劃初級相對簡單.
本文特別整理相關考試訊息與認證核心重點
同時包含主要考試項目的模擬題目+親自參加考試遇到的題目與題型
對於想要取得資策會這兩張證書的朋友,推薦我的考試筆記供參考.
資策會人工智慧工程素養認證 AIELC- V1 考試筆記
內容包括：
4大主題重點摘要
Python 判斷題陷阱解析
實務應用題的邏輯推理技巧
AIELC + 生成式 AI 認證雙修學習建議
還有CCChen親自考試所收集的題目題型分析
含CCChen親自考試通過,收集32題考題
含167題練習題目
含40題Python基礎題目
作者資訊
作者：CCChen（陳正健）
iPAS AI 應用規劃師（初級＋中級）合格
資策會: 生成式AI能力認證 合格
資策會: 人工智慧工程素養能力認證 合格
Microsoft AI-900、DP-900、AZ-900、SC-900 證照取得
Google Cybersecurity Professional 認證取得
擅長 AI 策略、AI 導入規劃、資料分析、跨領域整合
研究 AI 搜尋可見度（GEO）、AI 教學內容優化與 iPAS 考試輔導
文章以專業、結構化、多來源引用為原則，所有內容均以官方文件、產業資料與 RAG 技術比對後撰寫，以確保可信度。
最後更新日期：2025-12-03
2026/2/8 更新 資策會 人工智慧工程素養相關題目收集
這份整理包含了 Python 程式語言基礎、AI 模型原理（機器學習/深度學習） 以及 AI 法規與倫理 三大範疇。這與資策會（III）或 iPAS 相關認證考試（如 AIGO、AI 應用規劃師）的題型方向一致。
以下針對您提供的「2/8 考題收集」進行詳細解析與答案整理。若部分內容未直接包含於提供的文件中，將標註為「補充知識」。
1. Python enumerate 作用
- 解析：enumerate() 函式用於將一個可迭代物件（如列表 list、元組 tuple）組合成一個索引序列，同時列出數據和數據下標（索引）。
- 用途：常用於 for 迴圈中，同時獲得索引 (index) 與值 (value)。
- 範例： fruits = ['apple', 'banana'] for index, value in enumerate(fruits): print(index, value) # 輸出: # 0 apple # 1 banana
2. float() 轉換，下列哪個無法轉換？
- 選項分析： (a) '123' → 123.0 (可) (b) "123.0" → 123.0 (可) (c) 123 → 123.0 (可) (d) `` → 錯誤 (TypeError)，列表 (List) 無法直接轉換為浮點數。
- 答案：(d)
3. 整數轉字串 str()
- 解析：使用 str() 函式可將整數 (int) 強制轉換為字串 (string) 型態。
- 範例：str(123) 會變成 '123'。這是資料清洗中常見的格式統一動作。
4. Python 3.10 版才有的 match case 用法
- 解析：這是 Python 3.10 新增的結構化模式匹配 (Structural Pattern Matching)，類似其他語言的 switch-case。
- 程式碼行為： 若輸入 1，輸出 "選項1"。 若輸入 2，輸出 "選項2"。 若輸入 3，輸出 "選項3"。 case _: 代表「萬用字元 (Wildcard)」，處理所有未匹配的情況（類似 default），輸出 "其他"。
5. GPT 的參數數量
- 解析：這題通常考的是「數量級」或「擴展定律 (Scaling Law)」。 GPT-3：擁有約 1,750 億 (175 Billion) 個參數。 觀念：參數越多，模型能處理的邏輯與推理能力越強，展現出「湧現能力 (Emergent Ability)」。 文件提及：模型參數量從 20 億升至 120 億會顯著提升效能。
6. 程式選答案 (if-elif-else)
- 程式碼邏輯： source = 60 if source > 90: print("A") elif source > 80: print("B") elif source > 70: print("C") elif source > 60: print("D") # 60 沒有大於 60，條件不成立 else: print("F")
- 答案："F"
- 原因：條件式 > 是「大於」，不包含「等於」。60 > 60 為 False，故執行 else 區塊。
7. NLTK (Natural Language Toolkit)
- 解析：NLTK 是 Python 中最著名的自然語言處理 (NLP) 函式庫。
- 常見考點： 斷詞 (Tokenization)：將句子切分成單字。 去除停用詞 (Stopwords Removal)：過濾掉 meaningless 的字（如 the, is）。 詞性標註 (POS Tagging)。
8. 歐洲法規 GDPR 罰款
- 解析：依據歐盟《通用資料保護規則》(GDPR)。
- 罰則：嚴重違規者，最高罰款為 2,000 萬歐元 或 全球年營業額的 4%，兩者取其 高 者（補充知識：GDPR 條款）。
- 關聯文件：文件 提及需遵循個資法與 GDPR 規範。
9. 統計多變量、有非線性，怎麼評估？
- 解析： Pearson 相關係數：僅適用於「線性」相關。 Spearman 等級相關係數 (Spearman's Rank Correlation)：適用於「非線性」單調關係，評估變數的排序相關性。 Kendall's Tau：另一種用於排序資料的非參數相關係數。
- 答案：若資料具非線性，應優先選擇 Spearman 或 Kendall（EDA 探索式資料分析提及相關性觀察）。
10. K-means 的 K 是指什麼？
- 解析：K-means 是一種非監督式學習的分群 (Clustering) 演算法。
- K 的定義：群聚的數量 (Number of Clusters)。即使用者需預先指定要將資料分成幾群。
11. CNN 的哪一層是處理特徵？
- 解析：CNN (卷積神經網路) 是電腦視覺的核心模型。
- 關鍵層級： 卷積層 (Convolution Layer)：負責提取特徵 (Feature Extraction)，如邊緣、紋理。 池化層 (Pooling Layer)：負責降維與保留重要特徵。 全連接層 (Fully Connected Layer)：負責分類。
- 答案：卷積層 (Convolution Layer)。
12. 歐盟倫理原則（四項核心）
- 解析：歐盟《可信賴 AI 倫理準則》列出四大倫理原則： 尊重人類自主性 (Respect for human autonomy) 預防傷害 (Prevention of harm) 公平性 (Fairness) 可解釋性 (Explicability)
- 考點陷阱： 透明性 (Transparency) 通常被列為「實現原則的 7 大關鍵要求 (Key Requirements)」之一，而非最上層的 4 大倫理原則。 或者題目可能混淆了「偏向弱勢群體」等非核心原則的敘述（參考文件 樣題 18，正確答案為 (4) 系統應偏向弱勢群體以維持利益分配，這不是核心原則）。
- 答案：若選項有 (c) 透明性 (錯誤)，可能意指它在該題脈絡下被視為非四大「倫理」原則（而是實作要求），或答案是其他明顯錯誤的選項（如「AI 應具有自我意識」等）。但依據您提供的筆記 (c)透明性(錯誤)，推測該題可能將透明性歸類為正確選項之外，或者是考「哪一個是錯誤的敘述」。請注意：文件 的圖表中，透明度 (Transparency) 是被列在 Trustworthy AI 的柱石之一，所以它非常重要。
13. 訓練集與測試集錯誤率高的問題
- 解析： 訓練集錯誤率高 + 測試集錯誤率高 = 欠擬合 (Underfitting)。代表模型太簡單，學不會資料特徵（偏差 Bias 高）。 訓練集錯誤率低 + 測試集錯誤率高 = 過度擬合 (Overfitting)。代表模型死記硬背（變異 Variance 高）。 資料不平衡 (Data Imbalance)：會導致模型傾向預測多數類別，需透過重採樣或加權處理。
14. BERT 為了解決什麼問題？
- 解析：BERT (Bidirectional Encoder Representations from Transformers) 是基於 Transformer 的模型。
- 解決問題：上下文的雙向理解 (Bidirectional Context Understanding)。 傳統模型（如 RNN）通常是單向讀取（左到右），BERT 可以同時考慮一個詞「左邊」和「右邊」的文字，解決了語意理解中的多義詞問題。
15. 歐洲法規 GDPR 資料洩漏通知時限
- 解析：當發生個人資料外洩且可能影響當事人權益時，控制者應在知悉後 72 小時 內通報主管機關 [補充 GDPR 知識]。
- 關聯文件：文件 強調需符合 GDPR 規範。
16. 隨機森林 (Random Forest) 的作用
- 解析： 定義：一種集成學習 (Ensemble Learning) 方法，由多棵決策樹 (Decision Tree) 組成。 作用： 分類 (Classification)：多數決（如垃圾郵件偵測）。 迴歸 (Regression)：取平均值（如房價預測）。 優點：比單一決策樹準確，且較不易過度擬合 (Overfitting)。
17. 影像識別偵測 (Image Recognition / Detection)
- 解析： 圖像分類 (Classification)：這張圖是什麼？（例如：貓） 物件偵測 (Object Detection)：物體在哪裡？（例如：標出貓的座標框 Bounding Box）。 應用：自駕車偵測行人、瑕疵檢測。
18. AI 的問責 (Accountability)
- 解析：屬於 AI 治理的重要一環。
- 重點： 當 AI 做錯決定（如歧視、車禍）時，必須有人類或機制負責。 需具備可解釋性 (XAI) 與可追溯性，確保決策過程透明，才能進行問責。
19. CCPA 資料洩漏通知
- 解析：CCPA (California Consumer Privacy Act) 是美國加州的隱私法案。
- 時限：通常要求在 "most expedient time possible and without unreasonable delay" (盡速且無不合理拖延) 通知，部分具體情境下可能參考類似 GDPR 的嚴格標準，但 CCPA 更強調消費者的「知情權」與「拒絕販售權」。(註：具體數字 72 小時主要是 GDPR 的硬性規定，CCPA 則強調即時性與民事訴訟權利)。
總結建議： 這份考題收集非常偏重 AI 原理 (CNN/RNN/Transformer/GAN)、資料科學基礎 (統計/資料清洗) 以及 法規倫理 (GDPR/EU AI Act)。請務必熟讀文件中的頁面。
