114年 第四梯次 初級 AI應用規劃師 第一科 人工智慧基礎概論 (當次試題公告114.11.20)作者: S學院 / 2025-11-29 114年第四梯次初級AI應用規劃師第一科人工智慧基礎概論(當次試題公告114.11.20)，採智能選題，無限次反覆練習。 1. 下列哪一類問題最適合使用非監督式學習（Unsupervised Learning）來處理？ 透過已知交通事故記錄預測未來事故發生機率； 根據使用者行為將用戶分群，以優化行銷策略； 根據歷史股價預測未來股市的走勢 根據已標記的醫療影像訓練模型診斷疾病； None 2. 在人工智慧系統的決策流程中，下列哪一種情境最符合「人在迴圈上（Human-over-the-loop）」所強調的監督機制？ AI 系統只能提供建議，人類需主動下達命令才能進行決策； 人類平時不參與 AI 的運作，僅在發生異常或重大錯誤時才接手控制； 人類對 AI 的運行進行日常監督，必要時可立即介入修正或干預； AI 的所有判斷與行動在執行前，皆須經過人類逐一審核與批准 None 3. 在醫療診斷決策支援系統等高風險領域中，「可解釋人工智慧（Explainable AI, XAI）」的核心價值最主要呈現在哪個面向？ 以可解釋性方法優化臨床資料蒐集與管理流程，從而降低整體醫療作業成本； 透過提供可理解的決策依據，促進患者與醫療專業人員對系統診斷結果的信任與接受度； 透過提供透明化的運作過程，進而減輕臨床人員負擔，並提升醫療服務的整體效率 利用解釋機制增強模型預測的統計顯著性與準確度，使其在研究及實務應用中更具科學性； None 4. 為提升生成式 AI 系統回應的語境一致性，常會結合哪類模型技術？ 條件語言模型（Conditional Language Model）； 決策樹分類器（Decision Tree Classifier）； 基因演算法（Genetic Algorithm） 強化學習 Q-learning 函數模型； None 5. 在金融科技公司的信貸決策系統中，導入反事實解釋（Counterfactual Explanation）時，實際部署往往伴隨技術與監管挑戰。下列哪一項最符合該情境下的核心挑戰？ 生成的反事實樣本必須滿足特徵間的因果約束和業務邏輯約束，同時確保建議的改變在現實中具有可操作性且符合公平放貸法規 需要建立完整的客戶行為預測模型來估算建議改變的實施成本，並整合到現有的風險管理系統架構中； 必須使用聯邦學習技術保護客戶隱私，同時在分散式環境中計算跨機構的反事實解釋結果； 需要建構時間序列因果圖來處理客戶信用狀況的動態變化，並預測未來可能的信用評分軌跡； None 6. 某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？ 將特徵透過降維方法（如 PCA）轉換為新特徵，再用於模型訓練 根據特徵的整體分布、變異度或資訊量進行篩選，而不直接參考目標變數； 評估每個特徵與目標變數之間的相關性，選擇對預測結果貢獻最大的特徵； 使用模型評估特徵對預測結果的重要性，並保留對目標變數影響較大的欄位； None 7. 某醫院希望開發一個系統，根據患者的年齡、血壓與 BMI 等資訊，預測其罹患糖尿病的機率（0~1），並依據預測值是否超過 0.5 做出風險警示。下列哪一種模型最適合用於此分類任務？ 邏輯迴歸（Logistic Regression）； 決策樹（Decision Tree）； 支援向量機（Support Vector Machine）； K 平均演算法（K-means） None 8. 某電商資料團隊要協助行銷部門規劃再行銷策略。目前取得資料包含使用者點擊、購買紀錄、流量來源與轉換率。若資料團隊希望先進行探索性資料分析（EDA），下列哪一項最符合 EDA 的做法？ 繪製各類流量來源對轉換率的關聯圖，尋找潛在關係； 對不同購物路徑設定統計假設並進行雙樣本 t 檢定 建立隨機森林模型，預測使用者是否會完成購買； 使用 K-means 對使用者群進行分群並立即制定對應促銷策略； None 9. 關於變分自編碼器（Variational Autoencoder, VAE）的運作流程，下列何者敘述最為正確？ 編碼器將輸入資料轉換為可視化圖像以利模型學習； 編碼器將資料轉換為潛在空間表示，解碼器再重建資料； 解碼器的任務是將低維壓縮向量分類為不同類別； 編碼器利用最大邊際機率對資料進行異常點偵測 None 10. 下列何者不是我國數位發展部 AI 產品與系統評測中心對生成式 AI 的評測項目? 可靠性； 當責性； 互動性 隱私及資安； None 11. 關於 Q-Learning 與 Deep Q-Learning，下列敘述何者最正確？ Deep Q-Learning 無法搭配經驗回放（Experience Replay），因為會導致樣本順序被打亂 Q-Learning 可處理任意維度的狀態空間，因此比 Deep Q-Learning 更靈活； Q-Learning 與 Deep Q-Learning 的差異在於是否使用標記資料作為學習基礎； Deep Q-Learning 透過深度神經網路近似 Q 值，避免了 Q 表在高維空間中難以擴展的問題； None 12. 貝氏分類器（Naive Bayes Classifier）常被應用於文字分類、垃圾郵件過濾等場景。依據模型特性，它最適合歸類於下列哪一類？ 側重探索資料中樣本間的相似性，將資料自動分成不同群組的模型； 透過直接學習輸入特徵與目標標籤之間的邊界或關係來進行分類的模型； 透過建構資料的整體分布，並利用條件關係進行推斷和分類的模型； 透過試錯學習，根據行動結果的獎勵或懲罰來優化決策策略的模型 None 13. 關於資料正則化（Regularization）L1、L2 方法，下列敘述何者正確？ L2 較 L1 正則化方法會將特徵權重趨近於零 L1 權重個數愈多，愈可以提升模型的正確率； L2 稱為 Lasso 正則化； L1 運用減少權重的絕對值來控制模型的複雜度； None 14. 某醫院研究團隊蒐集了大量病患的「收縮壓」數據，經檢驗後顯示此數值大致呈現常態分布。在進行後續模型分析前，研究人員希望妥善處理可能存在的極端血壓數值。下列哪一種做法最為合適？ 將檢測到的離群值以 Label Encoding 編碼，轉換為序號標籤以避免影響原始分布 使用對數轉換（Log Transformation），將數據壓縮至更接近常態，以降低極端值的影響； 將所有極端偏高或偏低的血壓數據直接刪除，以保留最具代表性的病患樣本； 透過 Z 分數（Z-score）或標準差範圍檢測異常值，並依研究需求決定是否調整或移除； None 15. 一間金融科技公司設計一款智慧投資系統，該系統會根據市場變化自動決定「買進」、「持有」或「賣出」的行動，並根據每次交易後的盈虧結果，逐步優化下一次的投資策略。整個過程中，系統不依賴事先標記的資料，而是根據歷次行動獲得的獎勵進行調整。請問此系統最可能採用哪一種學習方法？ 非監督式學習（Unsupervised Learning）； 遷移學習（Transfer Learning） 強化式學習（Reinforcement Learning）； 監督式學習（Supervised Learning）； None 16. 在機器學習中，「偏差與變異權衡（Bias-Variance Tradeoff）」主要用來解決下列哪一類型的問題？ 因資料來源或收集方式限制，導致模型學習到的資訊不足； 如何在模型偏差與變異之間取得平衡，以避免過度擬合或欠擬合 測試資料樣本與訓練資料高度重複，造成模型泛化能力評估失準； 訓練資料中類別分布不均，使模型在少數類別上表現不佳； None 17. 在「可解釋人工智慧（Explainable AI, XAI）」領域中，LIME（Local Interpretable Model-agnostic Explanations）方法最核心的應用目的是什麼？ 用於生成大量擬真數據來替代訓練集 將黑箱模型轉換成完全可解釋的模型作為替代； 解釋單一樣本（局部預測）的黑箱模型決策過程； 全面提升黑箱模型整體的預測準確度； None 18. 一家旅遊平台希望建立模型，預測顧客下次是否會再次透過該平台訂房。資料包含：顧客 ID、年齡、旅遊次數、平均花費金額、主要交通方式（火車/飛機/自駕/公車）、會員等級（普通/進階/白金）、是否為海外旅遊等。下列哪一種特徵工程方法最適合處理「主要交通方式」欄位？ 序數編碼（Ordinal Encoding）； 布林轉換（Boolean Conversion）； 數值標準化（Numerical Standardization）； One-hot 編碼（One-hot Encoding） None 19. 在深度學習模型的微調（Fine-tuning）過程中，可能出現所謂的「災難性遺忘（Catastrophic Forgetting）」。此現象最可能造成哪種情況？ 微調後模型的表現變得隨機，無法有效記憶新學到的模式與知識； 微調後模型的部分權重產生偏移，導致模型無法針對較長的文字進行回應； 模型過度適應微調的資料分佈，逐漸遺忘先前預訓練所獲得的廣泛知識，在原有任務或廣泛領域上表現變差 由於計算資源或訓練步驟不足，模型在微調過程中無法完整收斂，導致學習效果受限； None 20. 對非常長的輸入序列進行推理（Inference），Transformer 模型推理的主要計算瓶頸通常是什麼？ 自注意力層的計算和其記憶體使用，因為注意力矩陣的大小隨序列長度呈平方級增長 Softmax 函數的計算，因為對每個 Token 都需要執行繁重的運算； 詞嵌入 (Embedding) 查找操作，因為其時間複雜度隨詞彙表大小指數級增長； 模型輸出層產生文本的過程，因為每生成一個詞都必須重新訓練整個模型一次； None 如有問題可留言，謝謝您的寶貴意見！ 暱稱 電郵（提交獲得正確答案，可換題測驗完整題庫，新增題庫電郵通知） Time's up
