27. 某 AI 產品的商業分析師在準備月度報告時，需要在單一頁面上同時呈現 1,000 位使用 者的留存率、活躍程度與付費轉換率三項指標，以讓決策層快速掌握整體趨勢。若依據 Edward Tufte 的資料視覺化原則中資料密度(Data Density)的概念，下列何者最符合 此原則的設計方向？
(A)將 1,000 筆資料分散至多張圖表(每張顯示約 100 筆)，避免單一圖表資訊過載；
(B)移除所有圖例、軸標籤與輔助線等非資料墨水(Non-data Ink)，使版面最簡潔；
(C)在圖表中加入大量裝飾性元素(如色塊、陰影、3D 效果)，使視覺效果更豐富；
(D)在有限頁面空間中呈現盡可能多的有效資料資訊，同時維持可讀性與清楚的視覺層 次

28. 行銷團隊比較三種廣告投放管道(A／B／C)的轉換率差異，原始數據如下，A：3.2%、 B：3.8%、C：4.0%。若設計圖表時將 y 軸刻意截斷(不從 0 開始) ，造成視覺差異放 大。此做法最可能產生的問題為何？ (A)提升資料解析效率並減少認知負擔； (B)增強小幅差異的可視化辨識能力； (C)造成視覺誤導並放大實際差異感； (D)提升圖表計算準確性與數據正確性

29. 某 AI 系統的維運工程師需要在儀表板上呈現「模型推論延遲(ms)隨時間的變化趨 勢」，以便即時監控 服務水準協議(Service Level Agreement, SLA)是否達標(P99<200 ms) 。在資料視覺化的圖表類型選擇上，下列哪種圖表最適合呈現連續數值隨時間變化 的趨勢？ (A)面積圖(Area Chart)； (B)散佈圖(Scatter Plot)； (C)長條圖(Bar Chart)； (D)折線圖(Line Plot)

30. 訓練資料共 5,000 萬筆，工程師比較 Batch Size=32 與 Batch Size = 4096 的訓練表現， 發現大批次(Large Batch)雖然訓練較快，但模型泛化能力較差。從最佳化理論角度， 下列何者為此現象最合理的解釋？ (A)大批次(Large Batch)計算量過大，GPU 無法有效處理； (B)大批次(Large Batch)梯度估計更穩定，但容易收斂至局部極小值(Local Minima) ， 導致泛化能力較差； (C)小批次(Small Batch)因隨機性高，更容易發生梯度爆炸(Gradient Explosion)； (D)批次大小(Batch Size)與泛化能力無關，問題出在學習率(Learning Rate)設定

31. 某公司中，A 團隊負責信用評分模型，B 團隊負責詐欺偵測模型，兩團隊皆需要「使用 者過去 30 天交易行為」資料，但各自會進行特徵工程與後續工作。以公司整體管理角 度，下列何者為導入統一管理與共用特徵的主要目的？ (A)模型推論延遲過高，導致線上服務回應時間不符合系統即時性需求與使用體驗要 求； (B)降低跨團隊重複開發的維護成本； (C)訓練資料儲存空間不足，造成歷史資料保存與批次訓練流程效率下降問題； (D)模型版本管理混亂，導致不同模型部署與回溯分析困難並增加維運複雜度

32. 某銀行建置貸款違約預測模型，資料共 50,000 筆，其中違約樣本僅 800 筆(佔 1.6%) 。 在模型建置流程中，先對整體資料使用 SMOTE 對少數類進行過採樣，之後再進行訓 練／測試切分，並訓練輕量梯度提升機(LightGBM)模型，並以 AUC-ROC 評估模型 表現。模型在測試集的 AUC-ROC 達到 0.91，團隊認為模型表現良好，準備上線部署。 在模型審查過程中，下列何者為使測試集評估結果失真的主要原因？ (A)SMOTE 不適合用於金融違約預測場景，此類高風險業務應一律採用 class_weight 調 整損失函數，而非對資料本身進行過採樣； (B)SMOTE 的過採樣操作在訓練/測試切分之前即對全體資料執行，導致合成樣本資訊 洩漏至測試集，使 AUC-ROC 0.91 虛高而不可信； (C)AUC-ROC 在 1.6%的不平衡場景下過度樂觀，應改用 PR-AUC 作為評估指標，其餘 流程均正確； (D)LightGBM 本身已內建處理不平衡的機制，與 SMOTE 同時使用會造成少數類過度 補償，導致過多誤判

33. 某線上書店希望建立一個多類別書籍推薦模型，根據讀者的「年齡、性別、過去購書類 別偏好評分」等特徵，預測讀者下次最可能購買的書籍主題(共 8 類) 。資料已完整標 註，且資料量達數十萬筆。在模型選型上，除了預測準確率外，也需考量模型訓練效 率、可擴充性，並需支援快速訓練與線上部署。請問下列哪種方法最適合此情境？ (A)多類別羅吉斯迴歸(Multinomial Logistic Regression)； (B)支援向量機(SVM)搭配 One-vs-One； (C)K-means 分群後將群集標籤作為分類結果； (D)主成分分析(PCA)後再以最大主成分作為分類依據

34. 某電商平台希望建立二元分類模型，根據商品的「價格區間、品牌、顏色、材質」等特 徵，將商品分類為「高銷量(1)」或「低銷量(0)」 。同時希望模型輸出具備可解釋的 機率(如 P=0.73 表示 73%機率為高銷量)。請問下列哪種方法最適合？ (A)K-means 分群(K-means Clustering)； (B)決策樹迴歸(Decision Tree Regression)； (C)羅吉斯迴歸(Logistic Regression)； (D)線性迴歸(Linear Regression)

35. 某工程師在開發一個以 Transformer 為基礎的文本分類模型時，發現模型對於詞語順序 的變化不夠敏感，影響語意判斷效果。請問在 Transformer 架構中，位置編碼(Positional Encoding)的主要作用為何？ (A)在詞嵌入(Embedding)中加入隨機擾動，以提升模型對輸入變化的泛化能力； (B)在注意力機制中加入遮罩(Mask)，限制模型只能關注部分詞語； (C)將輸入序列轉換為可同時運算的向量表示，以提升計算效率； (D)在詞的向量表示中加入位置資訊，使模型能區分序列中不同位置的詞語

36. 某 AI 系統架構師正在為一個電子商務資料湖(Data Lake)設計系統。該資料湖儲存數百億筆使用者點擊紀錄，並作為企業主要的分析資料來源。系統需讓非技術背景的行銷人員能以自然語言查詢數據洞察(如：上個月台北市購買 3C 產品的女性轉換率為何？) ，同時滿足高精確性、可擴展性，支援資料庫層級的權限控管與查詢審計，並確 保查詢結果可由資料庫引擎精確執行。在此情境下，下列何者為最適合的系統架構？ (A)協同過濾(Collaborative Filtering) ：根據歷史查詢推薦相似問題的答案，無法執行新問題的即時計算； (B)檢索增強生成(RAG) ：讓 LLM 檢索相關資料後生成回答，但無法可靠執行大規模數值聚合與精確統計查詢； (C)生成對抗網路(GAN) ：用於生成合成資料或模擬數據分佈，可用於資料擴增，但不 適合即時查詢與資料庫聚合運算； (D)Text-to-SQL Agent：由 LLM 將自然語言轉換為 SQL 查詢，交由分散式資料庫執行， 兼顧自然語言彈性與資料查詢精確性

37. 某金融機構將訓練好的信用評分模型開放 API 供合作夥伴查詢。資安團隊警告此設計 可能遭受成員推斷攻擊(Membership Inference Attack) 。下列何者最準確說明攻擊原理 與對應防禦？ (A)利用模型對訓練樣本的高信心輸出判斷其是否屬於訓練集；以差分隱私或降低輸出 信心防禦； (B)利用查詢次數與回應頻率差異判斷資料是否在訓練集中；以限制查詢次數防禦； (C)透過模型輸出推測輸入的敏感特徵；以限制輸出資訊防禦； (D)透過大量查詢建立替代模型模擬目標模型；以限制模型存取防禦

115年 - 115-1 AI應用規劃師_中級能力鑑定公告試題_第三科：機器學習技術與應用#141075

115年 - 115-1 中級AI應用規劃師試題_第二科：大數據處理分析與應用#141063

115年 - 115-1中級AI應用規劃師公告試題_第一科：人工智慧技術應用與規劃_#141062

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第三科：機器學習技術與應用#136329

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第二科：大數據處理分析與應用#136306

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_一科：人工智慧技術應用與規劃#136301

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目三：機器學習技術與應用#136300

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目二：大數據處理分析與應用#136295

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目一：人工智慧技術應用與規劃#136294

114年 - iPAS AI 應用規劃師能力鑑定考試樣題(中級)#126106