iPAS AI 應用規劃師(中級) 科目2 大數據處理分析與應用 (2) 發佈留言 / 作者: S學院 / 2025-05-24 iPAS AI應用規劃師(中級) 科目2 大數據處理分析與應用 模擬試題，採智能選題，無限次反覆練習。 1. 下列何種方法常應用在分類問題？ Support vector regression Polynomial Regression Linear regression Logistic regression None 2. 下列何者不為監督式學習（Supervised Learning）方法？ 自我組織映像圖（Self-OrganizingMap） 邏輯迴歸（Logistic Regression） 支援向量機（Support Vector Machine） K 近鄰法（K-Nearest Neighbor） None 3. 關於配適不足（under-fitting），下列何者正確？ 訓練誤差較小，測試誤差較小 訓練誤差較大，測試誤差較大 訓練誤差較小，測試誤差較大 訓練誤差較大，測試誤差較小 None 4. 關於巨量資料技術架構，下列何者不是應具備的需求？ 可以被平行擴充 儘可能能夠被分散式處理 具有高容錯性 儘可能的使用單一節點資料庫 None 5. 下列學習方法，何者難以獲得人類容易理解的知識或特徵？ Multilayer perceptron Decision tree Association rule mining Logistic regression None 6. 關於資料解析思維，下列敘述何者不正確？ 集成（或稱系集）模型（ensemble models）可以發揮團結力量大的效果，解決困難的問題 巨量資料中雜訊多，穩健統計方法可降低雜訊對模型的影響 機器學習模型不需要考慮資料是否與背景假設吻合 利用重抽樣樣本中的不確定性，可以強化參數估計過程與避免過度配適 None 7. 下列何者不是屬性轉換的主要目的？ 轉換後可能更容易發現資料之間的關係，使沒有關係變成有關係 資料可能呈現嚴重的偏態分布，經過轉換後差異可以拉開 讓資料能夠符合模型所需要的假設，以利進行分析，例如經過轉換後的資料呈現正態分布 能夠讓資料的可讀性更高 None 8. 行銷部選擇部分客戶進行簡訊產品推薦，同時獲取了客戶是否願意購買產品的資訊；而通過這些已知資訊，用來判斷其他用戶的購買意願，請問屬於下列何種方法？ 預測模型 關聯法則 推薦系統 探索性分析 None 9. 關於單一變量的（univariate）統計量數，下列敘述何者不正確？ 熵係數（entropy coefficient）可用於檢視類別變數次數分佈的異質性 四分位距（inter-quartile range）可由類別變數的次數分佈進行計算 異質性（heterogeneity）最低時集中度（concentration）達到最大；而異質性最高時集中度則最小 變異係數（coefficient of variation）適用於量化變數 None 10. 下列何者不屬於非監督式學習？ 關聯法則 K Nearest Neighbor K-Means Word2Vec None 11. 關於資料敘述與摘要統計之內容，下列敘述何者不正確？ 衡量資料集中趨勢的統計量，例如: 平均數、中位數、眾數 a將資料處理與製作圖表，例如: 次數分配表、直方圖 資料抽樣常見的有簡單隨機抽樣、系統抽樣、分層隨機抽樣 比較兩筆資料的分散程度，例如: 相關係數 None 12. 以下何者不是探索性資料分析經常關心的議題？ 資料是否有離群值 與應變數相關的自變數 資料模型的準確度 資料的四分位數 None 13. 關於 MapReduce 框架，下列敘述何者不正確？ 資料在進入 Map 階段之前會經過整理階段（shuffle） Reducer 的輸出值通常也是鍵值組（key-value pair）的結構 實現 Reducer，通常是定義如何處理個別鍵值下的值集合 Mapper 的輸出需要是鍵值組（key-value pair）的結構 None 14. 下列何者不是極端值或雜訊產生的主要原因？ 測量儀器出錯 資料交給分析人員時，是透過電子郵件寄送而非隨身碟傳送 人為故意謊報資料導致錯誤 數據輸入錯誤 None 15. 關於 K-means 集群演算法，下列敘述何者正確？ 必須事先給定群組數目 K 值 集群結果只與資料群聚分佈方式有關 對異常值、極值的資料不敏感 當集群中心不再變動，就達到全局最佳解（global optimum） None 16. 建立簡單線性迴歸模型之前常會根據資料的散佈圖進行模型假設，則下列四張資料的散佈圖，何者最適合使用簡單線性迴歸模型？ None 17. 折線圖 散布圖 圓餅圖 雷達圖 None 18. 關於資料特徵，下列敘述何者不正確？ 資料特徵個數越多，該模型所需的運算時間也就越短 資料特徵個數越多，容易引起維度災難，而模型也會越複雜 剔除不相關或多餘的資料特徵，以減少資料特徵個數，提高模型效果 可透過模型計算資料特徵重要程度，例如：Random Forest None 19. 若兩事件 X、Y 為某試驗可能發生之二獨立事件，P(X)>0，P(Y)>0，下列何者不正確？ P(X|Y)=P(X) P(X∪Y)=P(X)+P(Y) P(X|Y)P(Y)=P(Y|X)P(X) P(X∩Y)=P(X)P(Y) None 20. 對自變數 X 與依變數 Y 作簡單線性迴歸得到的相關係數 r，下列敘述何者正確？ r > 0 代表 X、Y 間有因果關係 r = 0 代表數據點恰好落在同一條水平直線上 r = -1 代表 X 與 Y 完全無關 r = 1 代表 Y=aX+b（a、b 是常數，a>0） 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
