32. 在統計推論中，若樣本來自母體但呈現明顯偏態分布，且樣本數有限，下列哪一項策略最能減少推估母體參數的偏誤？
(A)直接使用樣本平均數與變異數估計母體參數，不做任何調整；
(B)增加樣本數並考慮使用分位數或中位數作為中心趨勢估計；
(C)將樣本隨機重新排列後，多次計算平均值以消除偏態影響；
(D)完全依賴樣本標準差來估計母體參數，忽略分布形態

33. 在工業物聯網架構中，進行設備預測性維護(Predictive Maintenance) 時，若面對異常事件發生頻率極低、樣本高度不平衡的時間序列資料， 下列哪一種方法最能兼顧模型穩定性與異常偵測效能？ (A)將每筆異常事件資料複製多次以提升模型對異常的辨識敏感度，搭 配全序列訓練模型(如 LSTM)； (B)對時間序列進行差分與標準化後，使用傳統監督式學習模型(如 SVM)進行分類訓練； (C)使用經過時間序列特化的 SMOTE 技術生成異常樣本，以平衡異常與 正常資料比例； (D) 採用基於重建誤差的自編碼器模型( Sequence-to-Sequence Autoencoder)進行異常偵測，並僅使用正常資料進行訓練

34. 在零售業進行客戶行為分析時，資料倉儲中發現多個欄位儲存相同的購買金額資訊(例如：amount_usd、total_price、transaction_value)， 但其單位、命名慣例及格式不一致，進而導致特徵工程階段混淆模型輸 入。針對此種跨欄位語義重疊與結構冗餘問題，下列哪一種資料處理策 略最合適且具實務可行性？ (A)利用資料探勘技術自動選擇資料集中對目標變數最敏感的欄位，其 他欄位捨棄即可，避免過度清理干擾原始結構； (B)保留所有相似欄位，交由高階模型(如 Gradient Boosting 或 Deep Learning)自動學習特徵關聯，無需手動處理； (C)建立欄位命名標準，統一金額單位與格式，進行欄位正規化與語義 合併，減少重複資訊影響特徵重要性估計； (D)將重複欄位視為類別欄位，進行 One-hot 編碼(One-hot encoding) 後輸入模型，以避免數值誤導模型學習過程

35. 某大型零售企業準備將商品推薦模型上線，專案團隊在檢視訓練資料時，發現部分商品類別(例如高價商品)樣本數量極少，而多數樣本集 中於低價商品。若此不平衡問題未妥善處理，下列何種狀況最可能在實 際推薦結果中發生？ (A)模型在預測時傾向輸出稀有類別，導致雖能捕捉到少數樣本，但精 確率(Precision)顯著下降； (B)模型由於類別分布不均，難以建立有效的線性分離邊界，進而無法 收斂； (C)模型過度聚焦於稀有類別樣本，導致對多數類別的預測能力下降， 整體效能受損； (D)模型學到的決策邊界主要由多數類別主導，忽視了稀有類別，造成 該類別的召回率(Recall)大幅降低

36. 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？ (A)建立隨機森林模型，預測使用者是否會完成購買； (B)使用 K-means 對使用者群進行分群並立即制定對應促銷策略； (C)繪製各類流量來源對轉換率的關聯圖，尋找潛在關係； (D)對不同購物路徑設定統計假設並進行雙樣本 t 檢定

37. 某金融科技公司在利用歷史交易資料建立風險控管模型時，嘗試推估整體詐騙交易比例。近期發現，樣本間存在明顯的時間序列相關性，導致模型在實際偵測新交易時誤判率升高。若希望同時改善詐騙比例推 估的準確性並提升模型的穩健性，下列哪一種做法最為合適？ (A)擴充樣本數量，以涵蓋更多潛在的詐騙型態，但維持既有的隨機抽 樣方式不變； (B)採取時間序列敏感的抽樣策略，例如依據交易時間區間進行分層， 以保存原始的時間結構特性； (C)將資料完全隨機打散，以降低序列相關性對模型訓練造成的影響； (D)在模型評估時，針對相鄰時間區段進行誤差合併，以便用整體估計 方式修正詐騙比例

38. 某公司建置基於檢索增強生成(RAG)的知識查詢系統，需同時兼顧查詢效能與資料的即時更新。近期發現回應內容偶爾過時，且每次更新文 件都需完整重建索引，導致系統在更新期間無法服務。若要解決此問題並提升整體穩健性，下列哪項做法最適合？ (A)調整生成模型的回應隨機性參數，以降低答案偏差並提升一致性； (B)提升檢索與索引的運算效能，以縮短查詢與更新所需時間； (C)採用索引的增量或分段更新方式，使新資料能即時納入而不需全部 重建； (D)建立常見問題的標準答案集，透過快速檢索回應以降低模型負擔

39. 某醫院計畫開發住院日數預測模型，以協助病房調度。多數病人的住院日數集中在 3–7 天，但仍有少數重症患者因治療需求而住院日數明顯偏長。醫院希望採用一種合適的評估方式，既能兼顧大部分病人的預測準確度，也能確保對重症個案的預測維持穩健。下列哪一種方法最符合此需求？ (A)在模型檢核時，同時呈現平均絕對誤差(MAE)與重症子群的誤差指標； (B)僅針對一般病人樣本進行交叉驗證，以避免重症個案拉高誤差； (C)將所有病人的住院日數進行標準化處理，以減少數值範圍差異的影響； (D)只採用單一的整體決定係數 (R²) 作為模型優劣的判斷依據

40. 關於監督式學習( Supervised Learning )與非監督式學習 (Unsupervised Learning)的目標，下列敘述何者錯誤？ 1.非監督式學習的核心在於發掘資料內在結構，例如分群、關聯規則與降維，而不依賴外部標籤。 2.監督式學習的典型應用為分類與迴歸，通常不適合應用於異常偵測任務。 3.非監督式學習若搭配少量標註資料，即會完全轉化為監督式學習。 4.監督式學習仰賴已標註的資料集，透過最小化輸出與真實標籤之間 的差距，學習輸入與目標之間的對應函數。 5.所有監督式學習任務都必須要有大量完整標註資料，否則無法進行任何有效的模型訓練。 6.非監督式學習不需要目標變數，僅透過輸入資料本身的特徵分布進行模式學習。 (A)3、5、6； (B)1、4、6； (C)2、4、6； (D)2、3、5

41. 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？ (A)布林轉換(Boolean Conversion)； (B)序數編碼(Ordinal Encoding)； (C)數值標準化(Numerical Standardization)； (D)One-hot 編碼(One-hot Encoding)

42. 一家跨國醫療研究機構希望利用各地醫院的病患資料，建立一個能夠預測疾病早期風險的機器學習模型。由於各國法規限制，病患的原始資料無法集中到單一伺服器。在此情境下，下列哪一種方法最能同時滿足 「各醫院保留資料不外流」與「模型仍能跨院學習」的需求？ (A)資料匿名化(Data Anonymization)； (B)差分隱私(Differential Privacy)； (C)聯邦學習(Federated Learning)； (D)交叉驗證(Cross-validation)

115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#140595

115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#140586

115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#139147

115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#139146

114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#139148

114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#139118

114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目二：生成式 AI 應用與規劃#132596

114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目一：人工智慧基礎概論#132595

114年 - iPAS◆AI應用規劃師◆初級-科目1-L1101#130994

114年 - iPAS AI應用規劃師初級能力鑑定_科目二：生成式 AI 應用與規劃#128027