iPAS 官網~AI應用規劃師~最新消息 (更新公告: 考試樣題更新) CCChen

嗨 我是CCChen

我每天都會注意iPAS官網是否突然更新或是新增變動

果然, 真的更新了

iPAS 官網~AI應用規劃師~最新消息

更新公告: 考試樣題更新

iPAS+AI應用規劃師能力鑑定考試樣題(114年3月版)

連結網址:

https://www.ipas.org.tw/AIAP/AbilityPageContent.aspx?pgeno=2e7faf0d-0e4b-4654-b816-c01af3411433

03/22 第一場還有3天要考試了

現在忽然更新??? 措手不及!!!

考試內容與範圍是否有變動???

初級部分~30題最新樣題

匯出整理如下, 大家參考看看.

重要: 經AI比對分析

iPAS+AI應用規劃師能力鑑定考試樣題(114年1月版) 與 (114年3月版)

比對並分析其差異處。

首先，看到兩份文件都包含 "初級能力鑑定" 的試題，但仔細比較可以發現，兩份文件的題目並不完全相同。

在 "人工智慧基礎概論" (L11) 這個科目中：

• 1月版包含了關於 AI 的基本概念、大數據的特性、聊天機器人的技術基礎、生成式 AI 的應用領域以及 AI 治理的重要性等五個題目。
• 3月版同樣包含了關於 AI 的基本概念和生成式 AI 的應用領域的題目，並且也有關於大數據特性的題目。然而，3月版新增了關於強化學習、降低過擬合的方法以及 K 平均法 (K-means) 的題目。同時，原本1月版中關於聊天機器人技術基礎和 AI 治理重要性的題目，在3月版中則有所調整或替換。

在 "生成式 AI 應用與規劃" (L12) 這個科目中：

• 1月版的題目涵蓋了 No Code/Low Code 平台的主要特色、No-Code AI 工具的特性、使用生成式 AI 生成內容時的品質確保措施、教師引導學生使用生成式 AI 工具的方式，以及生成式 AI 的倫理風險。
• 3月版在這個科目中顯著擴充了題目的數量。除了保留了關於 No Code/Low Code 平台主要特色和 No-Code AI 工具特性的題目外，3月版新增了許多關於生成對抗網路 (GAN)、生成式 AI 的主要應用、生成式 AI 如何支援鑑別式 AI、選擇 No Code / Low Code 平台時的考量、生成式 AI 與 No Code / Low Code 平台的適用性、改善客戶體驗的技術方案、生成式 AI 的基礎技術、生成式 AI 工具在使用體驗方面的優化方向、企業支援生成式 AI 運行所需的 IT 環境條件、企業評估導入生成式 AI 時需識別的問題領域、生成式 AI 導入過程中的資料安全與隱私考量，以及資料安全管理外包的風險應對策略等更深入和廣泛的議題。

總結來說，兩份 "初級能力鑑定" 的樣題在科目劃分上基本一致，都包含 "人工智慧基礎概論" (L11) 和 "生成式 AI 應用與規劃" (L12)。

然而，3月版的樣題在 "人工智慧基礎概論" 中新增了關於強化學習、降低過擬合和 K 平均法的題目**，而在 "生成式 AI 應用與規劃" 中則進行了更大幅度的擴充，涵蓋了更多關於生成式 AI 技術原理、應用場景、平台選擇、倫理考量和風險管理等方面的知識點。這表明 114年3月版的樣題在 "初級能力鑑定" 的範圍內，可能更加側重於對生成式 AI 更為深入的理解和應用規劃能力的考查。

針對iPAS+AI應用規劃師能力鑑定考試樣題(114年3月版)

"初級能力鑑定" 範圍，30題試樣題目

依據題號+題目+選項+答案，條列式如下：

好的，針對文件內容 "初級能力鑑定" 範圍，所有題目依據題號+題目+選項+答案，條列式如下：

1. 1 關於 AI，下列敘述何者正確？ (A) AI 僅能處理結構化數據的分析 (B) AI 涵蓋多種專業領域與技術 (C) AI 系統只能在學術研究中應用 (D) AI 無法應用於金融領域 答案: B
2. 2 下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題？ (A) 監督式學習（Supervised Learning） (B) 非監督式學習（Unsupervised Learning） (C) 半監督式學習（Semi-supervised Learning） (D) 強化學習（Reinforcement Learning） 答案: D
3. 3 深度學習模型中，下列哪一項通常用來降低過擬合問題？ (A) 增加訓練數據量 (B) 增加模型的複雜度 (C) 增加學習率 (D) 增加正則化項 答案: D
4. 4 下列何者非大數據時代資料的特性？ (A) 資料量大 (B) 資料變動速度快 (C) 資料多樣性 (D) 資料存儲位置固定 答案: D
5. 5 關於 K 平均法（K-means），下列敘述何者「不」正確？ (A) 希望找出 k 個互不交集的群集 (B) 不同的起始群集中心，可能會造成不同的分群結果 (C) 容易受雜訊與離群值（Outlier）影響其群集中心 (D) 可以處理類別型資料 答案: D
6. 6 在品質管理中，若一產品的生產過程中標準差顯著偏大，通常意味著什麼？ (A) 資料點高度集中，產品質量穩定 (B) 生產過程波動大，產品品質不穩定 (C) 資料無法反映產品實際狀況 (D) 中位數數值高，品質良率較高 答案: B
7. 7 銀行想建立聊天機器人，可透過下列哪一種領域技術來達成？ (A) 資料庫管理技術 (B) 機器學習與自然語言處理 (C) 網頁開發技術 (D) 網路安全技術 答案: B
8. 8 線性迴歸模型最適合解決哪種類型的問題？ (A) 圖像分類 (B) 銷售額預測 (C) 聚類分析 (D) 遊戲策略學習 答案: B
9. 9 交叉驗證的主要目的是什麼？ (A) 提高模型的訓練速度 (B) 驗證數據是否線性可分 (C) 減少模型的過擬合風險 (D) 測試模型的容錯能力 答案: C
10. 10 神經網路與傳統機器學習模型的主要區別是什麼？ (A) 神經網路無法處理非線性數據 (B) 神經網路透過多層結構學習複雜特徵 (C) 神經網路只適用於迴歸問題 (D) 神經網路不需要大量數據支持 答案: B
11. 11 下列關於生成對抗網路（GAN）的描述正確的是哪一項？ (A) GAN 由生成器和鑑別器組成 (B) GAN 僅用於分類問題 (C) GAN 的結果始終高度可解釋 (D) GAN 不能生成高品質的數據 答案: A
12. 12 在下列哪一種應用領域中，生成式 AI 最有可能被使用來創建新的圖像或影片內容？ (A) 產品品質檢測 (B) 醫學影像分析 (C) 監控系統 (D) 虛擬現實圖像 答案: D
13. 13 關於目前生成式 AI 的主要應用，不包括下列哪一項？ (A) 創建合成數據樣本 (B) 模擬數據分佈 (C) 分類醫學影像 (D) 生成文本 答案: C
14. 14 下列哪項是生成式 AI 支援鑑別式 AI 的典型案例？ (A) 模擬交通場景以訓練自動駕駛模型 (B) 使用 CNN 對腫瘤分類 (C) 使用 SVM 分析風險 (D) 創建更好的分類演算法 答案: A
15. 15 在 AI 治理中，下列何者是國際合作的重要性？ (A) 統一 AI 發展標準 (B) 避免 AI 技術的濫用 (C) 促進 AI 技術的轉移 (D) 以上皆是 答案: D
16. 16 下列何者最能表達 No Code/Low Code 平台的主要特色？ (A) 需要撰寫大量程式碼 (B) 運用模板快速建立應用程式 (C) 僅供專業開發人員使用 (D) 只能製作靜態網站 答案: B
17. 17 關於 No-Code AI 工具，下列敘述何者最為準確？ (A) 已經完全取代傳統的 AI 開發模式 (B) 只適用於大型企業 (C) 是一種降低 AI 技術複雜性和開發成本的新興方法 (D) 工具都具有完全相同的功能和性能 答案: C
18. 18 在選擇 No Code / Low Code 平台時，下列何者為考慮功能與擴展性時最重要因素？ (A) 平台的購買成本 (B) 平台的技術整合能力和自訂性 (C) 使用者的程式設計能力 (D) 平台的市場評價 答案: B
19. 19 關於生成式 AI 與 No Code / Low Code 平台的應用，下列何者最不適合？ (A) 自動生成程式碼 (B) 自動化生成行銷文案 (C) 快速開發個人化 App (D) 自動化生成法律判決 答案: D
20. 20 關於 No Code / Low Code 平台，下列敘述何者較正確？ (A) 兩者完全相同 (B) Low Code 平台不需要任何程式設計知識 (C) Low Code 平台更適合開發靈活且可擴展的解決方案 (D) No Code 平台可以無限客製化 答案: C
21. 21 下列哪一種技術方案適用於改善客戶體驗？ (A) 智慧排程系統 (B) 消費行為洞察模型 (C) 預測性維護工具 (D) 自然語言處理（NLP）和生成式回應模組 答案: D
22. 22 下列哪一項技術是生成式 AI 的基礎？ (A) 決策樹模型 (B) 聚類演算法 (C) 生成對抗網路 (D) 隨機森林技術 答案: C
23. 23 使用生成式 AI 技術或工具生成內容時，應採取下列哪一項措施以確保內容品質？ (A) 使用內容直接進行學術報告 (B) 適當標注引用來源 (C) 減少人工參與的審查過程 (D) 排除所有生成的資料 答案: B
24. 24 下列哪一項不是生成式 AI 工具在使用體驗方面的優化方向？ (A) 提供更直觀的操作設計 (B) 支援自然語言指令 (C) 提供智慧化的參數調整建議 (D) 限制使用者自訂生成內容 答案: D
25. 25 學校教師如何引導學生正確使用生成式 AI 工具？ (A) 不應使用 AI 工具於教學場域 (B) 無限制地使用 AI 工具 (C) 訂立清晰的使用規範並進行說明 (D) 僅鼓勵學生利用 AI 完成課堂作業 答案: C
26. 26 企業若要有效支援生成式 AI 的運行，內部 IT 環境最需要具備下列何種條件？ (A) 提供更多的辦公設備，以提升員工生產 (B) 精簡企業內部流程，以加速決策效率 (C) 擁有高效能運算資源與彈性儲存空間，以支援 AI 模型訓練與推理 (D) 增加部門之間的交流機會，以促進跨部門合作 答案: C
27. 27 以下哪一項屬於企業在評估導入生成式 AI 時需識別的問題領域？ (A) 市場趨勢預測能力有限 (B) 設計更高效能的運算資源 (C) 增加銷售團隊人力 (D) 減少 AI 模型參數數量 答案: A
28. 28 在生成式 AI 導入過程中，資料安全與隱私保護的哪一方面是最重要的考量？ (A) 設定目標優先級 (B) 增強客服回饋（反饋）能力 (C) 資料視覺化能力 (D) 權限控管與合規要求 答案: D
29. 29 若企業將資料安全管理外包給第三方服務供應商，屬於哪種風險應對策略？ (A) 風險緩解 (B) 風險轉移 (C) 風險接受 (D) 風險規避 答案: B
30. 30 在生成式 AI 的風險管理中，下列哪一項屬於倫理風險？ (A) AI 生成的內容可能帶有偏見或歧視 (B) 系統運行中斷可能導致企業業務受到影響 (C) 因資料需求增加而引起的存儲成本上升 (D) 員工培訓成本增加 答案: A

重要篩選參考題目:

仔細分析並篩選出40題對於 AI 應用規劃師初級能力備考最為重要的選擇題，並提供選項與答案解析。

• No Code/Low Code 平台 以下哪一個工具屬於 No Code 平台？ (A) OutSystems (B) Mendix (C) Webflow (D) H2O.ai
• 答案：(C) 解析： Webflow 是一種允許使用者在完全不編寫任何程式碼的情況下，透過拖拉式介面和視覺化配置來創建應用程式的工具，屬於 No Code 平台OutSystems 和 Mendix 屬於 Low Code 平台，H2O.ai 則更偏向 AI 模型開發平台。
• 哪一個工具可用於 No Code 自動化流程整合？ (A) DataRobot (B) Mendix (C) Power Apps (D) Zapier
• 答案：(D) 解析： Zapier 是一種 No Code 平台，主要用於實現不同應用程式之間的自動化流程整合。DataRobot 用於 AI 模型開發，Mendix 和 Power Apps 屬於 Low Code 或包含 Low Code 功能的平台.
• 哪一個 Low Code 平台適合企業級應用開發？ (A) Bubble (B) OutSystems (C) Webflow (D) Chatfuel
• 答案：(B) 解析： OutSystems 是一個企業級 Low Code 開發平台的例子，旨在減少重複編碼，提高開發效率，並適用於複雜的企業應用開發和跨系統整合。Bubble 和 Chatfuel 主要用於 MVP 開發或特定類型的應用，Webflow 則側重於網站建設.
• Microsoft Power Platform 屬於哪種類型的平台？ (A) No Code (B) Low Code (C) 全程手寫程式碼 (D) AI 研究平台
• 答案：(B) 解析： Microsoft Power Platform 提供了 Low Code 的開發環境，允許使用者透過視覺化工具和少量程式碼來構建應用程式.
• No Code 與 Low Code 平台的技術架構不包含哪一項？ (A) 拖拉式 UI 設計 (B) API 整合 (C) 雲端部署 (D) 只能使用傳統開發工具
• 答案：(D) 解析： No Code 和 Low Code 平台旨在簡化開發流程，其技術架構包含拖拉式 UI 設計、API 整合和雲端部署等現代技術. 它們與只能使用傳統開發工具的理念相反.
• No-Code 主要適用於哪種類型的使用者？ (A) IT 人員 (B) 專業開發者 (C) 無技術背景的業務用戶 (D) 軟體工程師
• 答案：(C) 解析： No Code 平台主要適用於無技術背景的業務用戶，使他們能夠快速開發 MVP 或實現工作流程自動化.
• Low-Code 最適合開發哪種類型的應用？ (A) 個人部落格 (B) 簡單內部工具 (C) 企業級應用、ERP、AI、跨系統整合 (D) 靜態網頁
• 答案：(C) 解析： Low Code 平台在圖形化開發的基礎上允許少量程式碼擴展，因此最適合開發企業級應用、ERP 系統、整合 AI 功能以及進行跨系統整合等更複雜的應用.
• No-Code 的開發方式是什麼？ (A) 需要手寫大量程式碼 (B) 拖放式介面、視覺化配置 (C) 只能使用命令列開發 (D) 依賴 JavaScript
• 答案：(B) 解析： No Code 的主要開發方式是透過拖放式介面和視覺化配置，完全不需要編寫程式碼.
• No Code 的主要特點是什麼？ (A) 需要熟悉程式語言 (B) 需要編寫大量程式碼 (C) 無需寫程式碼，透過拖拉式介面開發 (D) 只能用於大型企業應用
• 答案：(C) 解析： No Code 平台的主要特點是無需編寫程式碼，透過拖拉式介面進行開發.
• 以下哪一項是 No Code 平台的主要用途？ (A) 建立企業級 ERP 系統 (B) 開發 AI 深度學習模型 (C) 進行 MVP (最小可行產品) 開發 (D) 設計 GPU 硬體架構
• 答案：(C) 解析： No Code 平台的主要用途包括進行 MVP (最小可行產品) 開發和自動化流程整合.
• 生成式 AI 應用與規劃 企業希望建構 AI 聊天機器人來提升客服效率，應該使用哪種工具？ (A) Power Virtual Agents (B) DataRobot (C) Midjourney (D) H2O.ai
• 答案：(A) 解析： Power Virtual Agents 是用於建構 AI 聊天機器人的工具. DataRobot 則是用於 AI 模型建立與部署, Midjourney 是 AI 繪圖應用, H2O.ai 是一個 AI 平台.
• 如果企業希望開發 AI 繪圖應用，應該選擇哪種工具？ (A) Midjourney (B) Zapier (C) Shopify (D) Webflow
• 答案：(A) 解析： Midjourney 是一款知名的 AI 繪圖應用，可以根據文字提示生成圖像.
• LLM (大型語言模型) 如何進行學習？ (A) 只能透過人工標註 (B) 只能依賴單一來源 (C) 無法進行學習 (D) 透過大量文本數據訓練
• 答案：(D) 解析： LLM (大型語言模型) 是在大量文本數據上進行預訓練的深度學習模型，從而學習語言的模式和結構.
• 語彙基元化 (Tokenization) 在 Transformer 訓練中的主要目的是什麼？ (A) 讓模型只學習單字詞 (B) 讓模型只處理完整的句子 (C) 將文本拆分為最小單位，讓模型更好理解語言 (D) 讓模型只處理單個字母
• 答案：(C) 解析： 語彙基元化 (Tokenization) 是將輸入文本分割成更小的單元（語彙基元或 tokens），以便模型能夠更好地理解和處理語言.
• Transformer 模型的核心組件是什麼？ (A) 池化層與捲積層 (CNN) (B) 循環神經網路 (RNN) (C) 統計模型 (D) 編碼器與解碼器
• 答案：(D) 解析： Transformer 模型的核心組件是編碼器 (Encoder) 和解碼器 (Decoder)，它們共同處理序列資料. 在 Transformer 模型中，
• 哪個部份負責學習單詞與句子之間的關聯？ (A) 池化層 (Pooling) (B) 自注意力機制 (Self-Attention) (C) 接續層 (Feed-Forward) (D) 隱藏層 (Hidden Layer)
• 答案：(B) 解析： 自注意力機制 (Self-Attention) 使 Transformer 模型能夠學習輸入序列中不同單詞之間的依賴關係和關聯性.
• 內嵌向量 (Embedding) 在自然語言處理 (NLP) 中的主要作用是什麼？ (A) 捕捉語意的順序 (B) 讓模型記憶每個單詞的拼寫 (C) 將詞彙轉換為向量，以捕捉語意關聯性 (D) 限制模型只能處理固定長度的文本
• 答案：(C) 解析： 內嵌向量 (Embedding) 的主要作用是將詞彙轉換為高維度向量，使得語義上相似的詞彙在向量空間中也彼此靠近，從而捕捉語意關聯性.
• 位置編碼 (Positional Encoding) 在 Transformer 模型中的作用是？ (A) 限制模型只能處理固定長度的文本 (B) 記錄每個單字在文本中出現的次數 (C) 提供序列中"標記的順序資訊" (D) 完全忽略上下文含義
• 答案：(C) 解析： 位置編碼 (Positional Encoding) 在 Transformer 模型中用於提供輸入序列中每個標記的順序或位置資訊.
• 生成式 AI 的核心能力是什麼？ (A) 僅能執行程式碼 (B) 只能進行數據分析 (C) 自主互動與內容生成 (D) 需要人工輸入大量數據才能運行
• 答案：(C) 解析： 生成式 AI 的核心能力是能夠自主產生新的、類似於訓練數據的內容，並能進行互動.
• 下列哪一種 AI 模型可用於程式碼生成？ (A) DALL-E (B) Stable Diffusion (C) Codex Model (D) Transformer
• 答案：(C) 解析： Codex Model 是一種生成式 AI 模型，專門用於程式碼的生成與理解. GPT 模型也可用於程式碼生成. DALL-E 和 Stable Diffusion 主要用於圖像生成. Transformer 是底層架構.
• AI 治理概念 AI 治理的主要目的是？ (A) 加速 AI 技術的發展 (B) 確保 AI 應用符合道德、法律和社群價值，降低風險 (C) 提升 AI 模型的準確性 (D) 促進 AI 產業的壟斷
• 答案：(B) 解析： AI 治理的主要目的是建立指導和管理人工智慧系統開發和使用的框架，確保其符合道德、法律和社會價值觀，並降低潛在風險.
• 以下哪一項不屬於 AI 治理的六大核心？ (A) 倫理與公平性 (B) 透明度與可解釋性 (C) 硬體效能優化 (D) 隱私與資料保護
• 答案：(C) 解析： AI 治理的六大核心包括倫理與公平性、透明度與可解釋性、隱私與資料保護、安全與可靠、法規與責任、社會影響力與永續性. 硬體效能優化不屬於此範疇。
• 負責任的 AI (RAI) 強調以何種方式設計、開發和部署 AI 系統？ (A) 快速迭代與商業利益優先 (B) 低成本與最大化數據收集 (C) 公平、透明、安全、可靠且符合道德 (D) 完全自動化與減少人工干預
• 答案：(C) 解析： 負責任的 AI (RAI) 強調以公平、透明、安全、可靠且符合道德的方式設計、開發和部署 AI 系統.
• AI 包容性的意義是指確保 AI 系統對哪些群體是公平、公正、可及和有益的？ (A) 僅限於技術專業人員 (B) 僅限於付費使用者 (C) 所有不同背景、能力和群體的人們 (D) 僅限於特定年齡層
• 答案：(C) 解析： AI 包容性指設計、開發和部署 AI 系統的過程和結果，確保這些系統對所有不同背景、能力和群體的人們都是公平、公正、可及和有益的.
• 什麼是 AI 可解釋性 (XAI) 的主要目標？ (A) 提高 AI 模型的運算速度 (B) 使 AI 系統的決策、行為和內部運作對於人類而言是可理解的 (C) 減少 AI 模型所需的訓練數據 (D) 確保 AI 系統完全自主運行
• 答案：(B) 解析： AI 可解釋性 (XAI) 的主要目標是使人工智慧系統的決策、行為和內部運作對於人類而言是可理解、可追溯和可解釋的.
• MLOps 的主要目標是什麼？ (A) 加速 AI 模型訓練的過程 (B) 簡化、自動化和管理機器學習模型從開發到生產環境部署、監控和維護的整個生命週期，並提升 AI 透明度與可追蹤性 (C) 降低 AI 模型部署的硬體成本 (D) 確保 AI 模型永遠不需要更新
• 答案：(B) 解析： MLOps 的主要目標是簡化、自動化和管理機器學習 (ML) 模型從開發到生產環境部署、監控和維護的整個生命週期，並提升 AI 透明度與可追蹤性.
• 如何確保 AI 系統的公平性？ (A) 僅使用大量的訓練數據 (B) 採取公平演算法、確保數據多樣性、進行偏見測試 (C) 完全依賴開發人員的道德判斷 (D) 忽略不同群體之間的差異
• 答案：(B) 解析： 確保 AI 系統公平性的方法包括確保數據多樣性、採取公平的演算法以及測試 AI 是否存在偏見.
• 透明度與可解釋性對於建立公眾對 AI 的信任有何重要性？ (A) 可以完全消除 AI 的風險 (B) 可以讓公眾理解 AI 的運作方式和決策過程，從而增強信任 (C) 會減緩 AI 技術的發展速度 (D) 沒有任何實際的重要性
• 答案：(B) 解析： 透明度與可解釋性讓公眾能夠理解 AI 的運作方式和決策過程，有助於建立對 AI 系統的信任.
• 在 AI 開發與監管過程中，為何需要利害關係人的參與？ (A) 只是為了符合法規要求 (B) 可以確保透明度、減少風險、促進公平使用，並納入不同群體的觀點 (C) 會增加開發的複雜性和成本 (D) 沒有實際的必要性
• 答案：(B) 解析： 利害關係人的參與可以確保 AI 開發和監管過程的透明度，有助於減少潛在風險，促進 AI 的公平使用，並納入不同群體的觀點和需求.
• 以下哪項是 AI 責任的重要原則？ (A) 強調 AI 的完全自主性 (B) 強調 AI 透明度 (C) 降低對 AI 系統的監管 (D) 確保 AI 系統可以完全取代人類決策
• 答案：(B) 解析： AI 責任的重要原則包括強調 AI 透明度、確保 AI 由人類負責監管與決策.
• 資料處理與機器學習 大數據的 5V 特性不包含以下哪一項？ (A) Volume (數據量) (B) Velocity (數據速度) (C) Viability (可行性) (D) Variety (數據多樣性)
• 答案：(C) 解析： 大數據的 5V 特性包括 Volume (數據量)、Velocity (數據速度)、Variety (數據多樣性)、Veracity (數據真實性/準確性) 和 Value (數據價值). Viability (可行性) 不是其核心特性。
• 以下哪些數據屬於非結構化數據的範疇？ (A) 使用行與列組成的 Excel 表格 (B) 會議的發言記錄 (C) 由標籤或標記語言組成的資料 (D) 包含在關係型資料庫中的數據
• 答案：(B) 解析： 非結構化數據沒有明確的資料與資料表，可能來自不同的來源，例如會議的發言記錄.
• 大數據應用於 AI 的步驟順序為何？ (A) 資料分析 -> 資料收集 -> 資料前處理 -> 資料解釋 -> 決策 (B) 資料收集 -> 資料前處理 -> 資料分析 -> 資料解釋 -> 決策 (C) 資料前處理 -> 資料收集 -> 資料分析 -> 資料解釋 -> 決策 (D) 資料收集 -> 資料分析 -> 資料前處理 -> 資料解釋 -> 決策
• 答案：(B) 解析： 大數據應用於 AI 的步驟順序通常為：資料收集（Data Collection）、資料前處理（Data Preprocessing）、資料分析（Data Analysis）、資料解釋（Data Interpretation）、決策應用（Decision Making）.
• 在資料前處理中，標準化（Normalization）的主要目的是什麼？ (A) 處理缺失值 (B) 將數據轉換為均值為 0、標準差為 1 的分布，消除單位影響 (C) 減少特徵數量 (D) 將類別型數據轉換為數值型
• 答案：(B) 解析： 標準化（Normalization）的主要目的是將數據轉換為均值為 0、標準差為 1 的分布，從而消除不同單位之間的影響，並提高模型的穩定性和收斂速度.
• 屬於資料 "整合" 過程的是？ (A) 移除冗餘特徵 (B) 處理缺失值 (C) 使用 Z 分數處理異常值 (D) 標準化數據
• 答案：(D) 解析： 標準化數據是將不同來源或不同尺度的數據整合到一個共同的尺度範圍內的過程，屬於資料整合.
• 以下哪一項是監督式學習的主要特性？ (A) 使用沒有標註的數據進行訓練 (B) 目標是發現數據中的模式或結構 (C) 使用標籤數據進行訓練，學習輸入與輸出之間的對應關係 (D) 透過獎勵和懲罰學習最佳行為策略
• 答案：(C) 解析： 監督式學習是一種機器學習方法，使用標註過的數據（Labeled Data）來訓練模型，學習輸入與輸出之間的對應關係，常見的應用包括分類和迴歸.
• 非監督式學習的主要特性是什麼？ (A) 使用標籤化的數據進行訓練 (B) 主要用於預測未見過的輸入 (C) 無需監督輸出，聚類相似實例 (D) 依賴延遲回報進行學習
• 答案：(C) 解析： 非監督式學習使用沒有標註的數據進行訓練，讓模型自行發現資料中的模式、結構或群組，例如分群（Clustering）.
• 強化學習透過什麼方式學習最佳行為策略？ (A) 直接從標註數據中學習 (B) 分析大量未標註數據的結構 (C) 與環境互動並接收獎勵或懲罰 (D) 模擬人類的思考過程
• 答案：(C) 解析： 強化學習是一種透過與環境互動並接收獎勵或懲罰的方式，使代理人（Agent）學習在特定情境下採取最佳行動策略的機器學習方法.
• 電腦視覺 (CV) 技術主要應用於哪些領域？ (A) 自然語言處理和語音辨識 (B) 圖像分類、人臉識別、醫療影像分析 (C) 時間序列分析和金融預測 (D) 推薦系統和客戶分群
• 答案：(B) 解析： 電腦視覺 (CV) 是一個使電腦能夠「看」和理解數位圖像與影片的領域，應用範圍涵蓋圖像分類、物件偵測、人臉識別和醫療影像分析.
• 以下哪一項是 CNN (卷積神經網路) 的主要應用？ (A) 處理時間序列數據 (B) 圖像處理和物體檢測 (C) 生成新的文本內容 (D) 分析社交網路結構
• 答案：(B) 解析： CNN (卷積神經網路) 是一種深度學習模型，在圖像處理和物體檢測等電腦視覺任務中表現出色.

我是CCChen:

如果你覺得這篇文章對你有幫助，

請幫我按個愛心，也歡迎 按讚 + 收藏 + 分享

我將持續分享更多AI學習攻略、考試技巧、AI 工具應用 等精彩內容！