【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
- 馬歆Cyndi
- Apr 30
- 13 min read
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：
共考2科，每科目考50題單選題,
每科目考試時間75分鐘，採電腦化測驗方式填答
每題2分，70分合格,
每科可以錯15題(答錯不倒扣)
考試及格條件:
每科100分，該科達70分為及格
單科60分以上+兩科平均70分, 合格發證
證書核發：
初級：永久有效，不需換發
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
性
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
コメント