21. 關於深度學習(Deep Learning)，下列敘述何者最為正確？
(A)深度學習模型通常需要人工設計特徵，以提升模型表現；
(B)深度學習主要應用於資料壓縮與特徵轉換，較少用於預測任務；
(C)深度學習透過多層神經網路，能自動從大量資料中學習抽象特徵；
(D)深度學習模型通常不需要大量資料即可達到良好效果，適合資料量有限的情境

22. 某企業於不同業務場景導入 AI 應用。下列關於其應用情境與機器學習類型的敘 述，何者正確？ (A)客服對話分析中，同時使用少量標註資料與大量未標註資料進行訓練，屬於 監督式學習(Supervised Learning)； (B)商品分類系統依據顧客購買行為自動將商品分群，且未使用任何標註資料， 屬於監督式學習(Supervised Learning)； (C)自動駕駛系統根據操作結果的回饋持續調整決策策略，屬於非監督式學習 (Unsupervised Learning)； (D)使用者行為分析中，依據瀏覽與點擊模式將使用者分群，且未使用標註資 料，屬於非監督式學習(Unsupervised Learning)

23. 某房仲業者委託 AI 團隊開發一套房價預測系統，希望根據物件坪數、屋齡、樓 層與地段等條件，自動估算每間房屋的成交價格，供業務人員作為議價參考依 據。下列哪一種指標最適合在系統上線前評估模型的預測準確程度？ (A)均方誤差(MSE)； (B)精確率(Precision)； (C)F1 分數(F1 Score)； (D)召回率(Recall)

24. 某電商平台導入強化學習(Reinforcement Learning)技術優化商品推薦策略，AI 代理(AI Agent)會根據使用者的點擊與購買行為持續調整推薦內容。技術團隊在討論中發現，系統面臨一個核心挑戰：若 AI Agent 總是推薦過去表現良好的商品，可能會錯失發掘更高潛力商品的機會；但若頻繁嘗試未知商品，又可能影響短期的推薦成效與使用者體驗。請問上述情境敘述的是強化學習中哪一個核心問題？ (A)探索與利用的權衡(Exploration vs. Exploitation)； (B)偏差與變異的權衡(Bias vs. Variance)； (C)梯度爆炸與消失(Vanishing and Exploding Gradients)； (D)過擬合與欠擬合(Overfitting and Underfitting)

25. 某語音辨識系統需分析長時間的語音序列，發現當句子較長時，模型難以保留 長時間序列中的前段資訊，導致辨識準確度下降。為改善此問題，下列何種模 型最適合？ (A)長短期記憶網路(LSTM)； (B)循環神經網路(RNN)； (C)卷積神經網路(CNN)； (D)生成式對抗網路(GAN)

26. 某大型連鎖超市建置生鮮商品損耗預測模型，以減少報廢損失。資料庫中共有 120 萬筆銷售紀錄，但僅有約 8 萬筆資料標記為「正常銷售」或「損耗發生」， 其餘資料均未標註。在標註資源有限的情況下，團隊希望提升模型預測表現。 請問下列哪一種機器學習方式最適合此情境？ (A)監督式學習(Supervised Learning)，以 8 萬筆已標註資料訓練分類模型，捨 棄其餘 112 萬筆無標註資料； (B)半監督式學習(Semi-supervised Learning)，同時利用少量已標註資料學習分 類邊界，並從大量無標註資料中學習資料整體分布特性； (C)非監督式學習(Unsupervised Learning)，對全部 120 萬筆資料進行自動分 群，再由專家事後人工確認各群所代表的損耗類型； (D)強化學習(Reinforcement Learning)，讓模型在每次預測後依據實際損耗結果 作為回饋訊號，持續調整損耗預警策略

27. 某製造業評估在不同場景導入 AI，包含： (甲)依據設備感測器數值判斷是否出現異常； (乙)依據客服對話內容判斷客戶情緒； (丙)依據產品影像輪廓直接進行瑕疵分類。 下列哪一種情境最適合以自編碼器(Autoencoder)作為主要模型架構？ (A)甲； (B)乙； (C)丙； (D)甲與丙

28. 某 AI 團隊正在訓練一個深度神經網路，用於辨識工廠產線上的瑕疵零件。工程 師發現訓練過程中損失函數震盪幅度大，且不同批次資料造成模型學習方向不 穩定。為改善此問題，團隊在各隱藏層加入 Batch Normalization 機制。請問此 調整在訓練階段最主要的作用為何？ (A)將輸入影像標準化，使不同類別的特徵分布更加一致； (B)自動調整模型權重初始化方式，以避免訓練初期震盪； (C)增加模型隱藏層的非線性能力，以提升分類精度上限； (D)降低不同批次輸入造成的內部特徵分布變動，使梯度更新更穩定

29. 某 AI 研究團隊採用 GRPO(Group Relative Policy Optimization)作為一種基於 強化學習的模型優化方法，用於提升大型語言模型的表現。請問 GRPO 最適合 用來強化模型在哪一類任務上的表現？ (A)判斷客服留言的情緒傾向，將每則訊息快速歸類為正面、負面或中性； (B)將客服電話錄音即時轉換為文字，供後續人工審閱使用； (C)針對數學應用題或邏輯謎題，逐步推導出正確解答； (D)分析商品圖片的外觀特徵，自動辨識類別與品項

30. 某法律科技公司開發一套合約風險審查系統，可自動分析合約內容並標示潛在 的高風險條款。律師在使用過程中，希望了解模型做出風險判斷的依據，因此 系統導入顯著性圖(Saliency Map)作為可解釋 AI 的方法。請問在此自然語言 處理(Natural Language Processing, NLP)應用情境中，顯著性圖主要用來標示 什麼？ (A)合約中各段落之間的語意相似程度，協助辨識重複或可能矛盾的條款； (B)模型在進行預測時，輸入文字中對結果影響程度較高的文字片段； (C)不同版本合約之間的文字差異，用以標示新增或修改的條款位置； (D)模型在訓練資料中學習到的高頻詞彙，反映常見的風險相關用語

31. 某製造業 AI 品質預測模型採用部分依賴圖(Partial Dependence Plots, PDP)分 析特徵影響效果。資料科學家希望了解「溫度特徵」對良品率的整體影響趨 勢，但主管進一步詢問，是否能用 PDP 判斷某一筆瑕疵產品批次資料中，溫度 是否為主要原因。下列何者最能說明 PDP 在此情境中的限制？ (A)PDP 無法顯示模型的預測準確率； (B)PDP 僅能反映模型輸出結果，無法提供任何特徵影響的資訊； (C)PDP 僅能用於單一特徵分析，無法同時考慮多個特徵的影響； (D)PDP 僅呈現整體趨勢，無法判斷單一批次的原因

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰資料處理與分析概念#143293

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰鑑別式 AI 與生成式 AI 的基本原理#143290

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰機器學習基本原理、常見的機器學習模型#143288

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