4. 某工程師使用 MLflow 進行實驗追蹤，評估三種不同學習率(0.001、0.01、0.1)對同 一模型在驗證資料集上的損失表現。每種學習率皆以不同隨機種子重複訓練 10 次，形成三組彼此獨立的樣本資料。經檢查後，這些資料近似常態分布且變異數相近。工程師 希望判斷三組平均損失是否存在顯著差異，同時避免因進行多次兩兩比較而提高第一 類型錯誤率。請問下列何者為最適合採用的統計方法？
(A)單因子變異數分析(One-Way ANOVA)；
(B)獨立樣本 t 檢定(Independent Samples t-test)；
(C)卡方獨立性檢定(Chi-Square Test)；
(D)Wilcoxon 符號等級檢定(Wilcoxon Signed-Rank Test)

5. 某 AI 團隊在模型上線後，透過監控系統持續追蹤輸入特徵的分布變化，系統使用 Z- score(Z)作為異常判斷依據，並設定當|Z| ≥ 2 時需觸發警示。假設該特徵近似常態分布，某次監控中發現某特徵值的 Z-score 為-2，請問就實務判讀而言，此數值最可能代表什麼意義？ (A)該特徵值低於該特徵歷史平均值 2 個標準差； (B)該特徵值高於該特徵歷史平均值 2 個標準差； (C)該特徵值等於該特徵的歷史平均值； (D)Z-score 為負值代表該數值位於母體分布之外，無法以常態分布解釋

6. 在 AI 模型評估的假說檢定框架中，「女士品茶」實驗是理解型一／型二錯誤的經典案例。實驗中某女士宣稱能分辨 8 杯奶茶中哪 4 杯先加牛奶，若以顯著水準 α=0.05 進行假說檢定，下列敘述何者不正確？ (A)虛無假說(H₀)為「女士無此能力(隨機猜測)」，對立假說(H₁)為「女士確實有此能力」； (B)在 α=0.05 下，若女士完全答對(8 選 4 全對) ，其 p 值約為 1/70≈0.014，小於顯著水準，可達統計顯著；(C)若女士完全答對且 p 值<α，則拒絕虛無假說，統計上支持女士有此能力； (D)若女士未完全答對，則「接受虛無假說」，代表確認女士無此能力

7. 某醫療 AI 研究團隊開發了一套個人化用藥劑量推薦系統，並設計實驗評估其效果。研 究團隊招募 40 名高血壓患者，分別在導入 AI 推薦系統前後各測量一次收縮壓，且資 料近似常態分布。研究目標是判斷同一批患者在依據 AI 推薦調整用藥劑量前後，血壓 是否有顯著差異。請問此研究情境應選用哪種統計檢定方法？ (A)獨立樣本 t 檢定(Independent Samples t-test)； (B)成對樣本 t 檢定(Paired Samples t-test)； (C)單因子變異數分析(One-Way ANOVA)； (D)魏克遜符號等級檢定(Wilcoxon Signed-Rank Test)

8. 某咖啡店聲稱其平均外送時間為 36 分鐘，母體標準差為 16 分鐘。顧客保護團體抽樣 9 筆訂單，發現平均外送時間為 40 分鐘。若採用右尾 Z 檢定(H₁: μ > 36)，顯著水準 α= 0.05(臨界值 Z₀.₀₅ = 1.645)，請問 Z 值與檢定結果為何？(參考公式如下圖) (A)Z ≈ 0.08，拒絕虛無假說； (B)Z ≈ 0.08，不拒絕虛無假說； (C)Z ≈ 0.75，拒絕虛無假說； (D)Z ≈ 0.75，不拒絕虛無假說

9. 某生技公司正在進行新型 AI 輔助新藥篩選的臨床試驗，並將顯著水準由 α=0.05 降低 至 α=0.01。在新藥療效安全試驗的情境下，此調整對統計檢定的直接影響為何？ (A)降低型二錯誤(Type II Error／β)的發生機率，減少未能偵測到有效藥物的風險； (B)降低型一錯誤(Type I Error／α，偽陽性)的發生機率，減少將無效藥物誤判為有效 並進入後續高成本試驗的風險； (C)增加樣本數以提升統計功效(Statistical Power)，進而改善估計精度； (D)降低統計計算過程中的數值誤差，提高 p 值的精確度

10. 某團隊為職業籃球隊建立球員受傷風險預測模型，原始特徵 280 個。初始模型訓練集 AUC 為 0.94、測試集僅 0.68，顯示嚴重過擬合。為改善模型，團隊進行以下處理步驟： 第一步於全體資料(含測試集)上計算特徵間線性相關係數並移除高度相關特徵；第二步依模型重要性篩選特徵後重新訓練模型。最終測試集 AUC 提升至 0.81。關於上述調 整流程，下列敘述何者最為正確？ (A)使用相關係數進行特徵篩選方向正確，主要問題在於相關係數門檻設定過高； (B)在全體資料(含測試集)上進行特徵篩選會造成資料洩漏，且線性相關無法捕捉非 線性關係； (C)特徵篩選後需重新對測試集進行標準化，否則會影響模型表現； (D)測試集表現提升代表過擬合已解決，流程可直接部署

11. 某團隊為電信公司建立用戶月租方案續約預測模型，資料集包含兩個類別特徵： 「客服評價」共有 5 個等級(非常不滿意至非常滿意)，具明確順序關係；「居住縣市」共有 22 個不同類別，類別之間無順序關係。團隊計劃分別以 Logistic Regression 與 XGBoost 訓練模型，並對上述特徵進行編碼。請問下列哪個編碼方案最適當？ (A)兩模型皆將「客服評價」與「居住縣市」進行 One-Hot Encoding，保留全部欄位並使用相同特徵矩陣訓練模型； (B)Logistic Regression 將「客服評價」做 Ordinal Encoding、「居住縣市」以歷史續約率 進行編碼且於資料切分前計算；XGBoost 對兩個特徵皆採 Ordinal Encoding 處理； (C)Logistic Regression 將「客服評價」做 Ordinal Encoding、「居住縣市」進行 One-Hot Encoding 並採 Drop First；XGBoost 將「客服評價」採 Ordinal Encoding，「居住縣市」 以類別型態輸入並啟用 enable_categorical； (D)兩個模型均將「客服評價」以平均續約率進行編碼，「居住縣市」先做 One-Hot Encoding 再以 PCA 降維，並統一作為兩模型輸入特徵

12. 某資料工程師在建構 AI 訓練資料處理流程時，需要處理一個 50GB 的 CSV 檔案，其 大小遠超過系統可用記憶體。他使用 Python 的 Pandas 進行資料前處理，但直接呼叫 頁  pd.read_csv()時出現記憶體溢位(Out of Memory, OOM)錯誤。在不改用其他分散式框 架的前提下，下列哪個參數最能有效解決此問題？ (A)nrows=10000：限制僅讀取前 N 筆資料以避免記憶體溢位； (B)usecols=0.5：隨機載入 50%的資料欄位，以減半記憶體使用量； (C)chunksize=10000：分批讀取資料並逐批處理，避免一次載入整個檔案； (D)dtype：指定欄位資料型別以降低記憶體使用量

13. 某電商平台正在重構商品資料架構，需同時支援三個系統：商品管理後台需處理結構 化與半結構化資料(如巢狀庫存與不同類別商品欄位差異) ，並支援複雜條件查詢；AI 推薦系統需儲存高維向量(1,536 維)並進行高效相似度搜尋(高 QPS)；即時庫存服 務則要求 ACID 且延遲低於 10ms，以避免超賣。在此情境下，哪種資料庫架構最適合？ (A)全部使用關聯式資料庫，透過 JSON 欄位儲存巢狀資料，並以延伸套件支援向量搜 尋，同時以資料列鎖(Row-level Lock)處理庫存扣減； (B)商品資料使用文件型資料庫，向量搜尋使用專用向量資料庫，庫存服務使用關聯式 資料庫，各系統依需求選擇最適合的資料庫； (C)全部使用文件型資料庫，同時處理商品資料、向量搜尋與庫存服務，以統一技術棧 降低維運複雜度； (D)商品與向量資料使用搜尋引擎型資料庫，並以文件更新機制處理庫存扣減

14. 某 AI 平台的資料量已達 PB 級，單一資料庫節點已無法負荷，決定採用分片(Sharding) 策略。下列何者為 Sharding 設計的主要目的？ (A)增加資料備份數量以提升安全性； (B)將查詢結果預先計算以降低延遲； (C)將資料水平分割以提升擴展性與負載均衡； (D)將資料壓縮以減少儲存成本

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