top of page

【iPAS】 114年度經濟部產業人才鑑定認證︱AI應用規劃師︱學習指引+考試練習題目



經濟部產業人才鑑定 (IPAS) Industry Professional Assessment System


AI應用規劃師.經濟部發證.教育部認可


報考資訊來源:


建議報考對象:

1初級:■ 具基本AI概念和知識的學習者

           ■ 熟悉AI工具導入日常工作者

中級:■ 具資通訊相關技術能力者

           ■ 具備AI相關技術開發經驗,或曾參與企業AI應用專案的導入與實施


考試方式:

  1. 共考2科,每科目考50題單選題,

  2. 每科目考試時間75分鐘,採電腦化測驗方式填答

  3. 每題2分,70分合格,

  4. 每科可以錯15題(答錯不倒扣)


考試及格條件:

  1. 每科100分,該科達70分為及格

  2. 單科60分以上+兩科平均70分, 合格發證


證書核發:

  1. 初級:永久有效,不需換發

  2. 中級:有效期間為5年,需換發


考試評鑑範圍:

科目

評鑑主題

評鑑內容

科目一:人工智慧基礎概論

人工智慧概念

AI的定義與分類



AI 治理概念


資料處理與分析概念

資料基本概念與來源



資料整理與分析流程



資料隱私與安全


機器學習概念

機器學習基本原理



常見的機器學習模型


鑑別式AI與生成式AI概念

鑑別式AI與生成式AI的基本原理



鑑別式AI與生成式AI的整合應用

科目二..:生成式AI應用與規劃

No code / Low code 概念

No code / Low code 的基本概念



No code / Low code 的優勢與限制


生成式AI應用領域與工具使用

生成式AI應用領域與常見工具



如何善用生成式AI工具


生成式AI導入評估規劃

生成式AI導入評估



生成式AI導入規劃



生成式AI風險管理




AI應用規劃師初級能力鑑定考試科目一>>>人工智慧基礎概論

1. 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)

----

解析:強化學習(Reinforcement Learning, RL)是一種機器學習方法,讓代理

(Agent)透過與環境不斷互動,學習到一系列動作,以最大化累積獎勵。這

種學習方式非常適合用於訓練電腦在動態、複雜的環境中做出決策,例如下圍

棋、自動駕駛等。



2. 關於 AI 的定義,下列敘述何者較為正確?

(A)AI 僅限於深度學習技術

(B)AI 包括各種技術,例如機器學習、專家系統等

(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

---

解析:人工智慧(AI)就像是一個龐大的拼圖,由許多不同的技術碎片組成。

這些技術各司其職,共同構成了我們所理解的人工智慧。(A)不限於深度學

習,還有機器學習、演算法等。(C)不只限制於特定的研究、金融領域,在各

領域都有許多 AI 的應用,如:醫學、交通等



3. 為了提升 AI 系統的透明性,下列哪種措施是適當的?

(A)不需對外揭露任何有關 AI 系統的資訊

(B)規劃透過發布報告、技術文件或網站揭露 AI 系統的相關資訊

(C)僅對內部員工進行透明性說明

(D)將所有 AI 系統資訊保密


---

解析:透過定期或不定期發佈 AI 系統於各決策環節的決策流程,有助於提昇

AI 系統的透明性。



4. 下列何者不適合做為資料分布估計?

(A)直方圖(Histogram)

(B)散布圖(Scatter plot)

(C)雷達圖(Radar chart)

(D)四分位數(Quartile)


---

解析:雷達圖有幾個限制,無法直觀呈現機率密度:雷達圖主要用於比較不同

個體在多個維度上的表現,而非呈現數據在每個維度上的分布情況。要了解數

據在某個維度上的集中程度、分散程度等,需要更適合的圖形,如直方圖。



5. K-Means 聚類算法中,K 代表什麼?

(A)數據集中特徵的數量

(B)數據集中樣本的數量

(C)所需劃分的群組數量

(D)迭代次數


---

解析:K 在 K-Means 演算法中代表我們希望將數據分為幾個群組。K 值的選

擇會直接影響最終的聚類結果,因此是一個非常重要的參數。



6. 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


---

解析:過擬合指的是模型過度學習訓練數據中的雜訊或特徵,導致在測試集上

表現不佳。正則化是一種在模型中加入額外項來懲罰複雜模型的方法,常見的

正則化項有 L1 正則化和 L2 正則化。

增加正則化項可以使模型變得更簡單,降低過擬合的風險,提高模型的泛化能力。



7. 生成式人工智慧最核心的能力是什麼?

(A)從大量數據中學習

(B)執行複雜的數學計算

(C)生成新的、原創的內容

(D)控制機器人


---

解析:生成式 AI 的最大特徵就是能夠生成全新的文本、圖像、音樂等內容。

這與傳統的 AI 主要用於分析或預測已有數據不同。生成式 AI 透過學習大量

數據的模式,能產生出具有創造性的輸出。


8. 下列哪項技術是生成式 AI 發展的重要基礎?

(A)決策樹

(B)神經網路

(C)線性迴歸

(D)貝氏分類


---

解析:神經網路,尤其是深度學習模型,是生成式 AI 的基石。這些模型能夠

學習數據中的複雜模式,並生成與訓練數據相似但又不完全相同的新的數據。

其他選項如決策樹、線性迴歸和貝氏分類雖然也是機器學習的重要方法,但並

不擅長生成新的內容。



9. 關於 AI,下列敘述何者較為正確?

(A)AI 僅限於深度學習技術

(B)AI 包括各種技術,例如機器學習、專家系統等

(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


---

解析:AI 是一個廣泛的領域,涵蓋了多種技術,包括但不限於機器學習、深度

學習、專家系統、自然語言處理和計算機視覺等。它不僅限於深度學習,也不

僅侷限於學術研究,且已成功應用於金融、醫療、製造等多個領域



10. 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


---

解析:在 AI 治理中,國際合作的重要性包含多個方面,主要包括:統一 AI 發

展標準,確保不同國家在技術應用上的一致性和互操作性。避免 AI 技術的濫

用,透過跨國監管和政策協調減少倫理與安全風險。促進 AI 技術的轉移,幫

助各國共享技術資源,縮小數位鴻溝。因此,以上選項都屬於國際合作的重要



1. 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


---

解析:K-means 演算法特性為隨機選取集群中心、依距離計算、各群質心為代

表點、分割式分群、易受離群值影響、類別型資料集群方法。


2. 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


---

解析:標準差越大表示數據分散程度越高,在品質管理中意味著產品或過程波

動大,進而產品品質不穩定,故答案為 B。



3. 下列何者「並非」K 平均數(k-means)集群法的特點?

(A)原理相對其他集群法較為複雜

(B)可結合其他方法,使用上較為彈性

(C)在特定情況下,能將集群的任務處理得足夠好

(D)不適合非球形、數據密度變化大或有離群數據的集群問題


---

解析:用於估計結果不穩定時。



4. 驗 證 性 資 料 分 析 ( Confirmatory Data Analysis, CDA ) 與 探 索 性 資 料 分 析

(Exploratory Data Analysis, EDA)相比,主要著重於下列哪一項?

(A)對資料進行初步描述和視覺化

(B)驗證先前生成的假設並進行深入挖掘

(C)排除資料中的極端值以提高準確性

(D)探索數據中潛在的模式和異常


---

解析:驗證性資料分析的重點在於檢驗先前所提出的假設,通常採用分類、分

群、相關性分析或預測模型等方法進行深入分析,因此答案為




5. 以下哪種情況下,使用中位數來描述資料的集中趨勢最為合適?

(A)一組考試成績,大部分學生分數集中在 80 分左右

(B)一組房屋價格數據,其中包含少數豪宅的極端高價

(C)一組產品銷售量數據,每個產品的銷量差異不大

(D)一組學生身高數據,呈現出常態分布


---

解析:平均數:易受極端值影響。當資料中有極端值時,平均數可能會偏離資

料的中心趨勢。中位數:不受極端值影響。它能更準確地反映資料的中心趨勢,

特別是在資料分布不對稱或有極端值的情況下。眾數:表示資料中出現頻率最

高的數值。


6. 一組數據中,如果平均數小於中位數,那麼這組數據的分布可能是下列哪一種?

(A)對稱分布

(B)正偏態分布

(C)負偏態分布

(D)無法判斷


---

解析:對稱分布:平均數、中位數和眾數通常會接近。正偏態分布:資料的尾

巴向右邊延伸,平均數會大於中位數。負偏態分布:資料的尾巴向左邊延伸,

平均數會小於中位數。



7. 當我們進行一次假設檢定,得到的 p 值為 0.03,顯著性水準設定為 0.05,以下

哪一個敘述是正確的?

(A)我們有 97%的信心拒絕虛無假設

(B)我們有 95%的信心拒絕虛無假設

(C)我們無法拒絕虛無假設

(D)我們有 5%的機率犯型一錯誤


---

解析:p 值為 0.03 表示,在虛無假設為真的情況下,觀察到目前數據或更極端

數據的機率是 3%。換句話說,如果虛無假設是正確的,那麼得到這樣的結果

是非常罕見的.

顯著性水準設定為 0.05 表示,我們願意接受 5%的風險來拒絕一個實際為真的

虛無假設(即 Type-I Error)。

比較 p 值和顯著性水準:由於 0.03 < 0.05,因此我們拒絕虛無假設。這意味著,

我們有 95%的信心認為,觀察到的結果並非偶然,而是支持對立假設。



8. 一組資料中,若平均數大於中位數,則這組資料的分布可能是下列哪一種?

(A)對稱分布

(B)負偏態分布

(C)正偏態分布

(D)無法判斷


---

解析:四分位距(IQR):是指一組數據中,第三四分位數(Q3)與第一四分位

數(Q1)的差。也就是說,IQR 代表了資料中間 50%的數據的範圍



9. 下列哪一個敘述關於四分位距(IQR)是正確的?

(A)四分位距會受到極端值的影響

(B)四分位距代表資料中所有數據的分散程度

(C)四分位距是第三四分位數與第一四分位數的差

(D)四分位距與平均數一樣,容易受到極端值影響


---

解析:四分位距(IQR):是指一組數據中,第三四分位數(Q3)與第一四分位

數(Q1)的差。也就是說,IQR 代表了資料中間 50%的數據的範圍



10. 以下哪一種情況最適合用眾數來描述資料的集中趨勢?

(A)一組學生身高資料,呈現出常態分布

(B)一組產品銷售量資料,其中一種產品的銷量遠高於其他產品

(C)一組考試成績資料,大部分學生的分數集中在 80 分左右

(D)一組房屋價格資料,其中包含少數豪宅的極端高價


---

解析:眾數代表資料中出現頻率最高的數值。當資料中有一個或幾個數值出現

的頻率明顯高於其他數值時,眾數能較好地反映資料的集中趨勢。當一種產品

的銷量遠高於其他產品時,這個產品的銷量就是眾數。這代表大多數的銷售額

來自於這個產品,使用眾數能更直接地反映出最受歡迎的產品。



1. 機器學習的三個核心要素是什麼?

(A)數據、模型、損失函數

(B)訓練集、測試集、驗證集

(C)特徵工程、優化演算法、正則化

(D)超參數調整、模型選擇、數據處理


---

解析:機器學習的三個核心要素分別是數據(Data)、模型(Model)和損失函

數(Loss Function),其中數據提供基礎,模型學習數據的規律,損失函數用於

評估預測的準確性並指導模型優化



2. 下列哪一項屬於監督式學習的特點?

(A)數據集中包含標記訊息

(B)僅需探索數據內部的結構

(C)使用代理與環境互動進行學習

(D)不需要驗證集來調整參數


---

解析:監督式學習依賴有標記的數據集,透過學習輸入與輸出之間的映射關係

來進行預測或分類。(B)是非監督式學習的特點,(C)是強化學習的特點。


3. 機器學習模型過擬合的主要原因是什麼?

(A)模型的複雜度不足

(B)訓練數據樣本過多

(C)模型過度學習數據中的雜訊

(D)使用過於簡單的損失函數


---

解析:過擬合通常是由於模型學習了訓練數據中的雜訊或特定模式,導致模型

對測試數據泛化能力不足。


4. 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


---

解析:交叉驗證透過多次分割數據進行訓練和測試,有助於評估模型的穩健性

並降低過擬合的可能性。



5. 機器學習的梯度下降演算法主要用於什麼?

(A)減少模型的計算複雜度

(B)優化模型參數以最小化損失函數

(C)減少數據中的雜訊干擾

(D)增強數據特徵的表示能力


---

解析:解析:梯度下降演算法是一種優化方法,透過計算損失函數相對參數的

偏導數,調整模型參數使損失函數值逐漸減小。



6. 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


---

解析:線性迴歸是一種典型的迴歸模型,用於解決輸出為連續值的問題,如預

測銷售額或房價。



7. 決策樹的最大優勢是什麼?

(A)適合大規模數據的訓練

(B)具有良好的可解釋性

(C)不需要進行數據標準化

(D)適用於圖像生成任務


---

解析:決策樹的分支結構清晰,便於直觀解釋,因此廣泛用於需要高可解釋性

的任務,如醫學診斷或風險評估。


8. 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


---

解析:神經網路具有多層結構,能夠從數據中提取高層次特徵,適合處理複雜

的非線性問題,例如圖像分類和語音辨識



9. 下列關於生成對抗網路(GAN)的描述正確的是哪一項?

(A)GAN 僅用於分類問題

(B)GAN 由生成器和鑑別器組成

(C)GAN 的結果始終高度可解釋

(D)GAN 不能生成高品質的數據


---

解析:生成對抗網路(GAN)由生成器和鑑別器組成,透過對抗學習生成高品

質的數據,應用於圖像生成、文本生成等任務


10. 隨機森林(Random Forest)改進了單一決策樹的缺陷,主要透過什麼方法實

現?

(A)使用核函數映射高維空間

(B)集成多棵隨機生成的決策樹並投票

(C)增加模型參數以減少偏差

(D)採用生成模型替代分類器


---

解析:隨機森林是決策樹的集成演算法,透過構建多棵隨機決策樹並對其結果

進行投票,有效降低了過擬合的風險



1. 下列何者為鑑別式 AI 的主要目標?

(A)學習數據的生成過程

(B)生成類似真實數據的新樣本

(C)分類或迴歸數據

(D)創建多樣化的數據分佈


---

解析:鑑別式 AI 專注於學習數據的條件概率 P(y|x),主要用於分類或迴歸任

務,而非生成數據


2. 下列何者屬於生成式 AI 使用之模型?

(A)支援向量機(SVM)

(B)邏輯迴歸(Logistic Regression)

(C)生成對抗網路(GAN)

(D)隨機森林(Random Forest)


---

解析:生成對抗網路(GAN)是典型的生成式 AI 模型,專注於生成新數據,

而其他選項均為鑑別式模型。


3. 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


---

解析:生成式 AI 的核心應用包括生成合成數據、模擬分佈和生成文本,而分

類醫學影像屬於鑑別式 AI 的應用範疇


4. 生成對抗網路(GAN)的兩個核心組件是什麼?

(A)編碼器與解碼器

(B)分類器與生成器

(C)生成器與鑑別器

(D)訓練器與推斷器


--

解析:GAN 的兩個核心組件為生成器(Generator)和鑑別器(Discriminator),

生成器負責生成數據,鑑別器負責判斷數據真假。


5. 關於鑑別式 AI,下列敘述何者較為正確?

(A)學習數據的聯合概率 P(x,y)

(B)專注於數據的分類或迴歸任務

(C)主要用於生成新數據

(D)適合處理無標記數據


---

解析:鑑別式 AI 學習的是條件概率 P(y∣x),用於分類或迴歸,並不適合生

成數據或非監督式學習場景。


6. 在醫學影像中,生成式 AI 和鑑別式 AI 的整合應用主要目的是什麼?

(A)減少標記數據需求

(B)自動生成診斷結論

(C)提高診斷準確性和數據多樣性

(D)完全取代醫生的判斷


---

解析:生成式 AI 用於生成多樣化數據,鑑別式 AI 提升診斷準確性,兩者結合

可提高醫學影像分析的整體效能。


7. 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


---

解析:生成式 AI 通常生成模擬場景數據,支援鑑別式 AI 進行模型訓練和決策。


8. 下列哪種方法能解決生成式模型的訓練不穩定性問題?

(A)使用更大的數據集

(B)採用 Waserstein GAN(WGAN)

(C)提高硬體效能

(D)增加模型層數


---

解析:Wasserstein GAN 透過改進損失函數提高了 GAN 模型的訓練穩定性,避

免模式崩潰。


9. 在整合應用中,生成式 AI 提供的數據增強主要解決了哪個問題?

(A)模型過擬合

(B)數據稀缺或不平衡

(C)訓練過程的時間延遲

(D)數據隱私問題


---

解析:生成式 AI 透過生成多樣化的數據樣本解決數據稀缺或不平衡問題,增

強模型的泛化能力。


10. 未來整合鑑別式 AI 和生成式 AI 的關鍵方向是什麼?

(A)增加生成模型的參數數量

(B)開發更高效的整合框架

(C)減少對標記數據的依賴

(D)將兩者獨立使用


---

解析:整合框架的開發是未來的關鍵方向,旨在提升生成與分類模型的協同能

力,實現更高效的應用



初級能力鑑定考試科目二>>> 生成式AI應用與規劃

תגובות


bottom of page