嗨，我是 CCChen。
這一篇文章，我同時具備三個身分：
- 實際取得 資策會「生成式 AI 能力認證」與「人工智慧工程素養認證」的合格證書獲證者
- 長期關注 iPAS、資策會、企業AI內訓教材的分析者
- 以及站在「AI相關學習應用」觀察者，重視高效學習策略與分享協助的人
如果你現在還在問：「生成式 AI 考試，是不是該再多刷一點題？」
那這篇文章，就是為你特別準備的。
文章最後提供練習題目供學習參考
資策會生成式 AI 認證 - 15 題基礎概念模擬試題 (CCChen提供)
資策會生成式 AI 認證 - 15 題重要核心模擬考題 (CCChen提供)
一、先給你「資策會生成式 AI 能力認證」的分析全貌
▶ 2026 年生成式 AI 能力認證：十大核心考試項目
這是出題時的思考優先等級:
- 生成式 AI 核心原理（LLM、Transformer、Token、Attention）
- Prompt Engineering 與 Context Engineering
- 生成式 AI 應用場景設計與限制
- RAG（Retrieval-Augmented Generation）架構
- 模型幻覺（Hallucination）與風險控管
- 資料治理、隱私、資安與法規意識
- No-code / Low-code × GenAI 整合應用
- Agent / Agentic AI / 多代理協作
- 模型部署、API、MLOps 與運行思維
- AI 倫理、責任 AI、企業導入治理
👉 提醒：
這張清單不是要你「每一項都背滿」，而是要你知道——哪一些題目，是出題者最容易拿來「懂概念 / 測理解 / 知應用」的地方。
二、考前一定要「看得懂」的基礎知識
▶ 50 個基礎專業名詞（不會考定義，但會考理解）
- LLM（Large Language Model）
- Token
- Context Window
- Transformer
- Self-Attention
- Encoder / Decoder
- Prompt
- Zero-shot / Few-shot
- Temperature
- Top-k / Top-p
- Embedding
- Vector Database
- Similarity Search
- RAG
- Chunking
- Metadata
- Hallucination
- Fine-tuning
- Instruction Tuning
- RLHF
- API
- Latency
- Throughput
- Inference
- Model Drift
- Data Leakage
- PII
- Anonymization
- Federated Learning
- Human-in-the-loop
- Human-over-the-loop
- Responsible AI
- Explainability
- Bias
- Fairness
- No-code
- Low-code
- Workflow Automation
- Agent
- Tool Calling
- Orchestration
- Prompt Template
- System Prompt
- Context Injection
- Model Deployment
- Cloud vs On-Prem
- Cost Control
- Usage Quota
- Rate Limit
- Governance
👉 考前重點：
不是背，而是能回答一句話：
「這個名詞，在企業導入AI時會卡在哪？」
三、真正會拉開分數差距的專業知識
▶ 50 個「專業級」知識點名詞（高鑑別度）
- Attention Head
- Positional Encoding
- Long-context Degradation
- Prompt Leakage
- Context Collapse
- Embedding Drift
- Hybrid Search
- RAG Recall vs Precision
- Knowledge Cutoff
- Tool-grounded Generation
- Agent Planner
- Reflection Mechanism
- Memory Module
- Function Calling
- Prompt Injection
- Jailbreak
- Red Teaming
- Safety Alignment
- Output Guardrails
- Evaluation Harness
- Offline Evaluation
- Online A/B Testing
- Prompt Versioning
- Token Cost Optimization
- Batch Inference
- Streaming Response
- Multimodal Input
- Vision-Language Model
- Speech-to-Text (ASR)
- Text-to-Speech (TTS)
- Data Lineage
- Access Control
- Zero Trust Architecture
- Model Registry
- Canary Deployment
- Shadow Deployment
- Auto Prompt Engineer
- Graph Prompting
- Context Engineering
- Semantic Chunking
- Knowledge Graph
- MCP（Model Context Protocol）
- A2A（Agent-to-Agent）
- API Gateway
- Rate Throttling
- Failover
- Cost Attribution
- Audit Log
- Compliance by Design
- AI Governance Framework
CCChen提醒：這一區，最常出現在「情境題 + 選項陷阱」。
四、2026 年「重要AI平台趨勢」的彙整
▶ 10 個最新 AI 工具趨勢 × 功能用途
- ChatGPT / GPT-4.x / GPT-OSS：通用生成、Agent 框架核心
- Gemini：多模態、長上下文處理
- Claude：長文分析、低幻覺傾向
- NotebookLM：企業知識整理 × RAG 示範
- Perplexity：搜尋 × 生成混合架構
- GitHub Copilot：程式生成 × 開發流程
- LangChain / LlamaIndex：RAG 與 Agent 框架
- Vector DB（Pinecone / FAISS / Milvus）：語意檢索核心
- No-code AI 平台（Copilot Studio 等）：非工程導入
- Agent Frameworks：自動任務拆解與協作
👉 考試不考你「會不會用」，
而是考你：
「你知道它適合用在什麼地方、不適合什麼地方。」
五、考試前，真正有效的複習策略
✔️ 1. 停止「補新知識」
考前幾天再開新主題學習，風險極高。
✔️ 2. 改成「反向提問」
對每一題問自己三件事：
- 出題者想測什麼？
- 哪個選項是「看起來對，其實錯」？
- 企業情境下，這題會怎麼被用錯？
✔️ 3. 練「口頭解釋」
你能不能不用術語，跟主管說清楚一個概念？
說不出來，代表還沒真的懂。
✔️ 4. 把錯題當教材
錯題不是弱點，是出題邏輯的入口。
六、我為什麼分享這些訊息？
因為我是親自考過資策會相關認證。
也真的花過時間，把資策會、iPAS、企業內訓的題目，一題一題拆開分析理解。
我很清楚：這張證照，不是要你變工程師，而是要你成為——知道 生成式AI 能做什麼、不能做什麼、該怎麼負責的人。
如果你現在能冷靜把這篇文章認真看完，那代表你已經站在「理解」這一側，而不是「死背」。
希望這篇文章，對於"資策會 生成式AI能力證"的考生能有很實質性與立即性的學習幫助。
— CCChen 心語
「考試不是為了證明你懂多少，而是證明你知道什麼時候該停手、什麼時候該判斷。」
CCChen 2026/1/21 分享更新
資策會生成式 AI 認證 - 15 題基礎概念模擬試題 (CCChen整理提供)
【主題一：生成式 AI 定義與原理】
1. 生成式 AI (AIGC) 的核心定義 與傳統的分析式 AI 或單純的數據處理軟體不同，若我們要精準定義「生成式人工智慧（Generative AI）」的核心功能與產出特性，下列哪一個選項的描述最為貼切且完整？
- (A) 一種專門用於大數據清洗與分類的統計工具
- (B) 一種利用人工智慧技術來創造文字、影像、音訊等新內容的過程
- (C) 一種用於增強現實（AR）場景建構的硬體設備
- (D) 一種僅能執行固定指令自動化的機器人流程
- 正確答案：(B)
2. AIGC 技術的運作基礎 關於生成式 AI 技術（AIGC）如何達成類似人類創作的效果，若從其底層運作邏輯與資料處理的方式來看，下列哪一項敘述最符合其技術原理？
- (A) 透過對大量訓練資料的整合分析，使模型能模擬人類的思考邏輯進行產出
- (B) 透過複製人類大腦的生物細胞結構，產生真實的自我意識
- (C) 依賴工程師手動編寫數百萬條規則來回應所有可能的問題
- (D) 僅利用關鍵字檢索資料庫中既有的文章進行拼接
- 正確答案：(A)
3. 機器學習中的損失函數 (Loss Function) 在訓練生成式 AI 模型的過程中，為了讓模型生成的結果越來越接近理想目標，演算法會使用「損失函數（Loss Function）」來進行數學運算。請問該函數在訓練過程中的主要作用為何？
- (A) 用來刪除訓練資料集中不必要的雜訊與錯誤
- (B) 用來衡量模型「生成的數據」與「真實數據」之間的相似程度與誤差
- (C) 用來增加模型參數量，以提升運算速度
- (D) 用來將生成的圖片自動轉換為向量圖檔
- 正確答案：(B)
4. 深度學習開發框架的識別 在進行深度學習模型（如圖片生成或自然語言處理）的開發與訓練時，工程師通常會依賴特定的程式框架（Framework）。請問下列哪一個選項不屬於常用的深度學習開發框架？
- (A) TensorFlow
- (B) PyTorch
- (C) Keras
- (D) Microsoft Excel
- 正確答案：(D)
【主題二：模型架構與技術細節】
5. 生成式對抗網路 (GAN) 的核心機制 生成式對抗網路（GAN）是圖像生成領域非常重要的技術架構。請問該模型是依賴哪兩個內部的神經網路組件，透過彼此的相互競爭與博弈，最終產出高品質的生成結果？
- (A) 編碼器 (Encoder) 與 解碼器 (Decoder)
- (B) 生成器 (Generator) 與 鑑別器 (Discriminator)
- (C) 卷積層 (Convolution) 與 池化層 (Pooling)
- (D) 注意力機制 (Attention) 與 前饋網路 (Feed-forward)
- 正確答案：(B)
6. GAN 生成器的訓練目標 在生成式對抗網路（GAN）的訓練過程中，負責產出內容的「生成器（Generator）」與負責審核的「鑑別器」目標相反。請問生成器的最終訓練目標是為了達成下列哪一項任務？
- (A) 準確地將輸入的圖片進行分類與標註
- (B) 創造出與訓練資料集特徵極為相似的新資料，以騙過鑑別器
- (C) 盡可能快速地剔除資料集中的異常數值
- (D) 將高維度的圖像資料壓縮成低維度的向量
- 正確答案：(B)
7. 隨機雜訊與圖像生成 有一種特定的深度學習模型，以能夠將輸入的「隨機雜訊（Random Noise）」逐步轉化為具備逼真細節的圖像而聞名。請問這通常是指下列哪一種模型架構？
- (A) 生成式對抗網路 (GAN)
- (B) 轉換器模型 (Transformer)
- (C) 循環神經網路 (RNN)
- (D) 支援向量機 (SVM)
- 正確答案：(A)
8. 大型語言模型 (LLM) 的基石 現代的大型語言模型（如 ChatGPT、BERT）之所以能表現出卓越的語意理解與上下文處理能力，主要是因為它們都基於哪一種具備「注意力機制」的深度學習架構？
- (A) Transformer 架構
- (B) 隨機森林 (Random Forest)
- (C) 卷積神經網路 (CNN)
- (D) 遞歸神經網路 (RNN)
- 正確答案：(A)
9. LSTM 模型與 RNN 的差異 在處理音樂生成或長篇文本等序列資料時，傳統的循環神經網路（RNN）容易遇到記憶力不足的問題。請問「長短期記憶模型（LSTM）」相較於傳統 RNN，在生成式 AI 應用中最大的優勢為何？
- (A) 模型結構更簡單，運算速度快十倍
- (B) 更能有效處理序列資料中的「長期依賴關係（Long-term Dependencies）」
- (C) 不需要任何訓練資料即可運作
- (D) 專門用於靜態圖像的畫質修復
- 正確答案：(B)
10. 循環神經網路的英文全稱 在人工智慧的專有名詞中，專門用於處理時間序列資料（如語音、文字）的基礎模型「RNN」，其正確的英文全名與中文翻譯應為下列何者？
- (A) Recursive Neural Networks (遞迴神經網路)
- (B) Recurrent Neural Networks (循環神經網路)
- (C) Random Neural Networks (隨機神經網路)
- (D) Reinforcement Neural Networks (增強神經網路)
- 正確答案：(B)
【主題三：模型特性與應用現象】
11. AI 幻覺 (Hallucination) 現象 在使用大型語言模型進行問答時，有時會發現模型自信地陳述錯誤的事實，或編造不存在的歷史事件。請問在生成式 AI 領域中，這種現象被稱為什麼？
- (A) 模型過擬合 (Overfitting)
- (B) 梯度消失 (Vanishing Gradient)
- (C) 幻覺 (Hallucination)
- (D) 資料投毒 (Data Poisoning)
- 正確答案：(C)
12. 模型訓練的必要資料類型 若企業希望訓練一個專門用於「撰寫行銷文案」與「回答客戶信件」的生成式 AI 模型，在準備訓練資料集時，最核心且不可或缺的資料類型是哪一種？
- (A) 高解析度的圖片資料
- (B) 大量的文字文本資料
- (C) 各種頻率的音訊波形資料
- (D) 3D 模型的幾何數據
- 正確答案：(B)
13. 檢索增強生成 (RAG) 的運作原理 為了改善語言模型的幻覺問題並補足最新知識，技術人員常使用「檢索增強生成（RAG）」技術。請問該技術如何利用外部搜尋到的資訊來提升生成品質？
- (A) 將搜尋到的資訊直接覆蓋掉模型的原始權重
- (B) 將外部資訊作為輸入模型時的參考上下文（Context）的一部分
- (C) 僅用外部資訊來驗證結果，不參與生成過程
- (D) 將文字資訊轉化為圖片讓模型進行視覺辨識
- 正確答案：(B)
14. 微軟生態系中的語音合成工具 在生成式 AI 的多模態應用中，若開發者希望使用微軟（Microsoft）提供的雲端服務來進行高品質的「文字轉語音（TTS）」功能，應選擇下列哪一項產品？
- (A) Amazon Polly
- (B) Google WaveNet
- (C) Microsoft Azure AI Speech
- (D) IBM Watson Text to Speech
- 正確答案：(C)
15. LLM 效能提升的關鍵因素 根據目前生成式 AI 的發展路徑，若要提升大型語言模型（LLM）在理解複雜任務與生成多樣化內容的表現，除了增加算力外，下列哪一項被視為技術改進的關鍵？
- (A) 大幅減少訓練資料量以加快速度
- (B) 擴展並學習更多樣化的語言模式與結構
- (C) 限制模型只能處理單一語言
- (D) 移除模型中的注意力機制模組
- 正確答案：(B)
資策會生成式 AI 認證 - 15 題重要核心模擬考題(CCChen提供)
【主題一：基礎知識與模型原理】
1. 關於生成式對抗網路（GAN）的運作架構與核心邏輯 在深度學習領域中，生成式對抗網路（GAN）以其能夠從隨機雜訊中生成逼真圖像而聞名。若我們深入剖析其內部運作機制，該模型是依靠哪兩個關鍵神經網路組件之間的相互競爭、博弈與演化，最終達到騙過對方並優化生成結果的目的？
- (A) 編碼器 (Encoder) 與解碼器 (Decoder) 的協同合作
- (B) 生成器 (Generator) 與鑑別器 (Discriminator) 的對抗
- (C) 卷積層 (Convolution) 與池化層 (Pooling) 的堆疊
- (D) 注意力機制 (Self-Attention) 與前饋神經網路的結合
- 正確答案：(B)
2. 大型語言模型（LLM）的基礎技術架構 當一家科技公司計畫開發類似 ChatGPT 的大型語言模型（LLM），目標是讓模型具備極強的語意理解能力，能夠捕捉長篇文本中字詞的上下文關聯性（Contextual Relationships），並且解決傳統 RNN 無法平行運算的問題。請問目前主流的 LLM 都是基於哪一種深度學習架構所建構的？
- (A) Transformer 模型架構
- (B) 隨機森林 (Random Forest) 演算法
- (C) 詞袋模型 (Bag-of-Words) 技術
- (D) 支援向量機 (Support Vector Machine)
- 正確答案：(A)
3. 處理時間序列與長期依賴關係的模型選擇 在進行 AI 音樂創作、語音合成或長篇文本生成等任務時，資料具有強烈的時間序列特性。傳統的循環神經網路（RNN）往往面臨「遺忘早期資訊」的問題。請問哪一種改進型的模型設計了特殊的「閘門」機制，專門用來解決此類「長期依賴（Long-term Dependency）」的問題？
- (A) 卷積神經網路 (CNN)
- (B) 長短期記憶模型 (LSTM)
- (C) 光學字元辨識 (OCR)
- (D) 擴散模型 (Diffusion Model)
- 正確答案：(B)
【主題二：能力強化與提示詞工程】
4. 解決 AI 幻覺與知識更新的技術：RAG 大型語言模型常因訓練資料截止日期的限制或機率生成的特性，而產生內容虛構的「幻覺（Hallucination）」現象。為了在企業應用中確保回答的正確性與即時性，檢索增強生成（RAG）技術採取了下列哪一種運作模式來優化模型輸出？
- (A) 直接修改模型內部的神經網路權重參數
- (B) 將外部檢索到的正確資訊作為「提示詞上下文」餵給模型參考
- (C) 僅在模型訓練階段增加資料量，生成時不進行任何處理
- (D) 將文字轉化為圖片格式，強迫模型進行影像辨識
- 正確答案：(B)
5. 提升邏輯推理準確度的提示詞策略：CoT 當使用者要求生成式 AI 解決複雜的數學應用題或多步驟的邏輯推理問題時，若直接要求答案，AI 容易發生計算錯誤。為了改善此問題，提示工程師通常會使用哪一種策略，引導模型在給出最終答案前，先展示中間的思考與推理過程？
- (A) 零樣本學習 (Zero-shot Learning)
- (B) 思路鏈 (Chain-of-Thought, CoT)
- (C) 逆向工程提示 (Reverse Engineering)
- (D) 情感分析提示 (Sentiment Prompting)
- 正確答案：(B)
6. 資料前處理中的缺漏值處理原則 在準備訓練生成式 AI 模型或進行數據分析的「資料前處理（Data Pre-processing）」階段，如果發現原始數據集中存在部分欄位數值缺漏（Missing Values），為了維持資料的統計完整性並避免偏差，下列哪一種做法通常被認為是最不適當且高風險的？
- (A) 使用該欄位的平均值或中位數進行填補
- (B) 利用統計回歸模型預測可能的數值
- (C) 直接將包含缺漏值的整筆資料列（Row）全數刪除
- (D) 將缺漏值標記為一個特殊的類別（如 N/A）
- 正確答案：(C)
7. 提示詞工程中的角色設定（Persona）應用 在使用 ChatGPT 等工具撰寫商務郵件或專業報告時，若發現 AI 產出的語氣過於平淡或缺乏該行業的專業度，提示工程（Prompt Engineering）建議使用下列哪一種技巧，能最快速有效地讓 AI 的用詞與語氣對齊特定職業標準（如資深律師或行銷總監）？
- (A) 在提示詞中明確定義 AI 的「角色設定 (Persona)」
- (B) 嚴格限制 AI 輸出的總字數在 50 字以內
- (C) 要求 AI 使用大量冷僻且艱澀的學術術語
- (D) 要求 AI 忽略所有的道德與安全限制
- 正確答案：(A)
【主題三：應用技能與工具操作】
8. 維持 AI 生成圖像的品牌一致性 某行銷設計團隊正在使用 Midjourney 或 Stable Diffusion 等工具生成一系列產品宣傳圖。為了確保產出的圖片在風格、色調與構圖上具有高度的「品牌一致性」，避免每次生成都像不同品牌的作品，下列哪一種操作策略最為有效？
- (A) 每次生成都隨機更換不同的種子碼 (Seed) 以增加創意
- (B) 在提示詞中僅使用抽象的情感形容詞
- (C) 統一使用特定的風格模板 (Style Template) 或微調後的模型
- (D) 讓 AI 完全自由發揮，不設定任何風格限制
- 正確答案：(C)
9. 商品攝影後製與模擬補光工具 在電商商品圖的自動化生產流程中，設計師將商品去背後合成到新的場景中，常會發現商品的光影與背景不合。此時，若要利用 AI 工具對主體進行「模擬補光（Relight）」以修正光線方向與色溫，下列哪一款工具最具代表性？
- (A) Clipdrop
- (B) Remove.bg
- (C) Excel 分析工具箱
- (D) Notepad 記事本
- 正確答案：(A)
10. 企業級語音合成服務的選擇 許多企業在建置智慧客服系統時，需要導入高品質的文字轉語音（Text-to-Speech, TTS）技術，以提供接近真人的語音互動體驗。若該企業指定使用微軟（Microsoft）生態系中的 AI 語音解決方案，應選擇下列哪一項服務？
- (A) Amazon Polly
- (B) Google WaveNet
- (C) Azure AI Speech
- (D) Apple Siri (傳統版)
- 正確答案：(C)
11. 圖像生成式填補（Outpainting）的失敗場景 當設計師使用 Photoshop 的「生成式填補（Generative Fill）」功能來擴展圖片邊界（Outpainting）時，AI 需要參考原圖邊緣的像素來預測延伸內容。請問在下列哪一種原始影像狀態下，AI 最容易判讀失敗，導致生成出扭曲、斷裂或不自然的拼接畫面？
- (A) 背景為單純色塊或均勻漸層的影像
- (B) 原始影像邊緣紋理極度混亂、斷裂且缺乏規律性
- (C) 主體位於畫面正中央且輪廓非常清晰
- (D) 解析度極高且光線充足的風景照片
- 正確答案：(B)
【主題四：倫理、法規與隱私安全】
12. 歐盟人工智慧法案（EU AI Act）的監管邏輯 被視為全球 AI 監管標竿的歐盟《人工智慧法案》（EU AI Act），其立法精神並非採取「一刀切」的全面禁止，而是採取了更靈活的管理框架。請問該法案是依據什麼標準來區分 AI 系統，並給予不同程度的合規義務要求？
- (A) 依據 AI 應用場景的「風險程度 (Risk-based approach)」進行分級
- (B) 僅針對來自非歐盟國家的 AI 軟體進行嚴格審查
- (C) 要求所有 AI 模型的原始程式碼必須無條件開源
- (D) 禁止所有涉及個人資料蒐集的 AI 商業應用
- 正確答案：(A)
13. 敏感資料處理與隱私保護架構 醫療、金融等高度監管行業在導入生成式 AI 協助業務時（例如分析病歷或財務報表），為了確保敏感個資不外洩且不被公共模型用於訓練，應採用下列哪一種架構設計來達到「資料隔離」與「不侵犯隱私」的雙重目標？
- (A) 將加密資料直接上傳至公開版的免費聊天機器人
- (B) 建立資料孤島 (Data Silos) 或地端隔離環境，阻絕與外部模型連線
- (C) 關閉企業內部的防火牆以加速資料傳輸效率
- (D) 僅使用未經加密的電子郵件傳輸資料
- 正確答案：(B)
14. AI 生成內容的透明度標示義務 根據歐盟 AI 法案的透明度規定以及著作權法的合理使用原則，當企業在對外發布的行銷文案、報告或多媒體素材中，使用了生成式 AI 協助產出內容時，為了符合倫理規範並降低法律風險，最標準的作業程序（SOP）應包含下列何者？
- (A) 刻意隱瞞 AI 參與的事實，宣稱內容完全由人類原創
- (B) 明確標示「由 AI 協助產出」並進行人工的事實查核與侵權審查
- (C) 僅在公司內部的會議記錄中備註，不對外公開說明
- (D) 自動放棄該內容所有的智慧財產權主張
- 正確答案：(B)
15. 可信賴 AI 倫理準則的核心要素 歐盟提出的《可信賴 AI 倫理準則》（Ethics Guidelines for Trustworthy AI）是全球企業開發 AI 的重要參考依據，強調 AI 必須具備合法性、倫理性與穩健性。在具體的執行原則中，下列哪一項通常不被視為核心的「倫理」要求，而是偏向商業或功能性的目標？
- (A) 透明性 (Transparency) - 要求決策過程可被解釋
- (B) 公平性 (Fairness) - 避免演算法偏見與歧視
- (C) 實用性 (Utility) - 單純追求功能強大與利潤最大化
- (D) 問責制 (Accountability) - 確保有人對 AI 的結果負責
- 正確答案：(C)
分享知識圖卡整理 CCChen 2026/1/22更新
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。
