嗨 我是CCChen
iPAS AI應用規劃師 初級 第四場 將於11/01舉行考試
這是2025年的最後一場考試 (一年四場次, 每季一次)大家都準備好了嗎?
本文CCChen針對之前的親自考試所收集記憶的考古題
提供相關比較有難度的題目,讓大家複習參考一下
希望能更加對於"iPAS AI應用規劃師 初級"的考試題型與難度了解.
詞幹提取和詞形還原的主要區別：?
詞形還原（Lemmatization）是將單詞還原到其字典形式（Lemma），保留語意一致性，這通常需要語法規則和字典的輔助，結果一定是有效的單字 。 詞幹提取（Stemming）是使用字首字尾裁剪等簡單規則，去除詞尾變化以取得詞幹，處理速度快但準確性較低，結果不一定為有效的單字 。因此，主要區別在於處理方式和結果的準確性與語意保留程度。
歐盟AI Act 風險類型～公司內（非開放場合）員工臉部辨識打卡，屬於何種風險？
臉部辨識資料屬於個人識別資料（PII），特別是生物特徵資料，在GDPR等隱私法規下被視為高度敏感個資 。
在非開放場合使用也應審視是否符合《個人資料保護法》或GDPR等法規，並確保資料經妥善匿名化與授權 。因此，此應用最主要涉及的是資料隱私與法規遵循風險 。
隨機森林決策的優點?
隨機森林（Random Forest）是一種集成式學習算法，透過建立多棵決策樹並進行多數投票（分類）或平均（迴歸）來提升模型性能 。其主要優點包括：
能有效處理非線性資料與變數間的高階交互作用 。
具有強大的抗過度擬合能力，能維持穩定表現 。
可計算特徵的重要性 。
可處理類別型與數值型混合資料 。
訓練過程可並行運算，效率較高 。
KNN (K最近鄰算法) 判別原理?
K最近鄰（K-Nearest Neighbors, KNN）是一種非參數、惰性學習的分類算法 。其判別原理是：
計算新的未知資料點與訓練集中所有資料點的距離 。
找出距離最近的 K 個鄰居 。
根據這 K 個鄰居中出現次數最多的類別，將新資料點歸類（即多數決）。
RAG 與微調（Fine-tuning），哪個時間速度較快速？
微調（Fine-tuning）需要更新或調整模型的大量參數，即便使用如 LoRA 等高效技術，仍涉及模型再訓練或調參過程，需要一定的時間和計算資源 。
RAG（Retrieval-Augmented Generation，檢索增強生成）是將「外部知識檢索」與「語言生成」結合，在生成時才檢索相關資料，不需重新訓練或調整模型參數，因此速度較快 。RAG 在即時性、成本與對抗模型幻覺方面較具優勢。
何者不是資料集特性？
資料大小、資料的多樣性、資料的收集時間、資料的特徵數量。 這四項皆屬於資料集特性：
資料大小（Volume）：資料規模，如GB、TB、PB 。
資料的多樣性（Variety）：資料型態，如結構化、非結構化、半結構化 。
資料的收集時間（Velocity）：資料流動速度與更新頻率 。
資料的特徵數量：資料的維度，如數十或數百個特徵 。
資料分析～哪個不是評估變異？
全距 / 中位數 / 標準差。 變異性（或離散度）衡量的是數據的分散程度。
全距（Range）、標準差（Standard Deviation）和四分位距（Interquartile Range, IQR）都屬於評估資料變異（分散）程度的指標 。
中位數（Median）是衡量資料的集中趨勢（Central Tendency）的指標，用於描述資料的中心位置，對極端值不敏感 。
機器模型各層別順序由下而上？
系統層 → 模型層 → 應用層 在AI系統的層次架構中，通常是由最底層的基礎設施向上層應用推進：
底層為系統層（Infrastructure/System Layer）：包括硬體、作業系統、資料儲存與傳輸等基礎設施 。
中層為模型層（Model Layer）：包括資料處理、特徵工程、模型訓練與部署等 。
上層為應用層（Application Layer）：指直接與終端用戶或業務流程互動的應用，如聊天機器人、推薦系統、AI輔助診斷等 。
超商依照天氣進貨，天氣是「特徵（輸入變數）」，而銷售數量是？
銷售數量是模型試圖預測的目標數值，因此是目標變數（Target Variable）或標籤（Label）。
在迴歸任務中（預測連續數值），銷售數量是連續型的目標變數 。
在機器學習流程中，模型學習的即是從輸入變數（天氣）到目標變數（銷售數量）的映射關係 。
偏差與變異的關聯?
偏差（Bias）和變異（Variance）是機器學習中的一組權衡關係：
偏差（Bias）：衡量模型對資料趨勢的擬合能力不足（欠擬合），系統性誤差高。
變異（Variance）：衡量模型對訓練資料細微差異的敏感度（過度擬合），泛化能力差。
模型複雜度越高，通常偏差越低（擬合得越好），但變異越高（越容易過度擬合）。兩者之間存在權衡（Tradeoff）。
哪個不是提示工程？
零樣本學習、少樣本學習、思維鏈、AutoML
零樣本學習（Zero-shot Learning）、少樣本學習（Few-shot Learning）和思維鏈（Chain-of-Thought, CoT）都是提示工程（Prompt Engineering）中用來引導大型語言模型（LLM）的策略 。
AutoML（Automated Machine Learning）是自動化機器學習流程的工具或技術（如自動特徵工程、自動模型選擇、自動超參數調整），與提示工程是不同領域的技術。
CLIP 多模態模型原理?
CLIP（Contrastive Language-Image Pre-training）是 OpenAI 提出的多模態模型，原理是透過對比學習（Contrastive Learning）實現圖像與文字的語意對齊 。
它將圖片與文字映射到同一個向量空間（Embedding Space）。
使語意相符的圖文對（例如「一隻貓的圖片」和「一隻貓的文字描述」）在向量空間中的距離接近，而語意不符的則距離遠離 。
對抗性實驗目的與應用?
對抗性實驗（Adversarial Experiments）在AI治理和安全性中扮演重要角色 。其主要目的包括：
測試模型的穩健性（Robustness）與安全性 。
偵測模型的潛在漏洞與弱點（如被誤導或產生錯誤輸出）。
在生成式AI中，紅隊測試（Red Teaming）即是透過對抗性方法，測試模型是否會產生有害、歧視或不實內容 。
延遲性實驗目的與應用?
在AI系統部署和運維（MLOps）中，延遲性（Latency）實驗和測試至關重要 。
目的：評估模型從接收輸入到產生輸出的時間（推論延遲，Inference Latency） 。
應用：確保系統滿足即時應用情境的需求（如金融交易、即時推薦、自動駕駛），並優化模型壓縮與部署架構 。
AI 遇到新環境時能進步的能力是何種？
這是指模型的泛化能力（Generalization Capability） 。
泛化能力：模型在訓練資料上表現良好後，能將學到的模式應用於未曾見過的新資料並維持良好性能的能力 。
當模型從舊環境轉移到新環境時，其泛化能力決定了其適應新數據和新任務的成功程度。
希望這些解析能幫助您深入理解評鑑內容中的關鍵知識點。
最後CCChen的備考建議:
- 熟讀基本原理與概念,可以應付越來越靈活的題目變化.
- 相關主題的核心專有名詞務必了解清楚, 題目增加雙邏輯判斷題型, 常考兩個以上知識點互相比較.
- 注意題目的詢問關鍵字, 看清楚何者"正確"或是"錯誤", 看清楚問題.
- 注意題目的陷阱文字, 利用常識判斷合理性.
祝大家 考試順利 合格取證 CCChen 2025/10/25
