7. 根據數位發展部《公部門人工智慧應用參考手冊》，若 AI 系統的自動決策可能對民眾權益造成重大影響，最應優先確保下列哪一項機制？
(A)演算法模型應經第三方公正機構進行技術合規檢測；
(B)建立人在迴圈內(Human-in-the-loop)的最終審核機制；
(C)系統應定期進行弱點掃描與資安檢測，以降低系統遭受攻擊的風險；
(D)系統產製的所有決策及決策軌跡皆應全程公開於政府資訊網站

8. 某製造企業欲建置 AI 品質檢測系統，利用生產線攝影機即時判斷零件表面是否存 在細微刮痕。下列何種技術最適合用於此類應用？ (A)強化學習(Reinforcement Learning)，透過獎勵機制改善影像辨識結果； (B)決策樹(Decision Tree)，透過人工設定規則判斷影像像素差異； (C)分群演算法(Clustering Algorithm)，依資料距離將影像自動分類； (D)卷精神經網路(CNN)，透過學習影像中的局部特徵進行缺陷辨識

9. 某電商平台計劃開發一個機器學習模型，目標是在每個月底自動預測哪些現有會員在下個月可能會流失(不再消費)，以便行銷團隊提前發送優惠券進行挽留。若要提升模型預測會員流失的效果，在進行特徵工程(Feature Engineering)時，下列哪一項作法最適合？ (A)為了提高預測的準確度，特徵與要預測的目標值(是否流失)之間，在統計上不需要具備任何關聯性或因果關係； (B)可以將「會員下個月是否仍有消費紀錄」加入模型特徵，因為該資訊與會員是否流失具有高度關聯性； (C)為了縮短模型推理(Inference)的反應時間，特徵所涵蓋的時間範圍越短越好，建議一律只保留前一天的單日行為資料； (D)所選取的特徵，必須是在每個月底模型進行預測的當下，系統就能實際取得且掌握的已知資料

10. 某零售電商平台計劃建置機器學習模型分析會員行為。在資料預處理階段，資料科學團隊發現會員的「年消費總額」與「月到訪次數」數值範圍差異較大，可能影響部分機器學習模型的訓練效果，因此決定採用 Z-Score 標準化(Standardization)進行特徵縮放。已知該平台全體會員的「年消費總額」平均值為 30,000 元，標準差為 5,000 元。若某位 VIP 會員的年消費總額為 40,000 元，下列敘述何者正確？ (A)經過 Z-Score 轉換後，該會員的年消費總額特徵值將被限制於 0 至 1 的範圍內，以利模型訓練； (B)計算後該會員的 Z-Score 值為 2，代表其消費金額高於平均值兩個標準差，可反映其消費金額相對於整體會員的高低程度； (C)不論原始消費資料的分布為何，只要經過 Z-Score 轉換，整組資料一定會轉換為標準常態分配； (D)即使完成 Z-Score 轉換，由於「月到訪次數」與「年消費總額」原始計量單位不同，兩項特徵仍不適合同時作為機器學習模型的輸入

11. 某健康管理 AI 系統透過智慧手環蒐集使用者的生理量測資料，資料以欄位標籤(Tag)記錄，例如「使用者 ID：H123」、「量測項目：心率」、「量測數值：75」等。不同裝置可依功能需求上傳不同欄位(如：血氧濃度)，因此各筆資料不一定具有 完全相同的欄位結構。在資料格式與資料結構特徵的分類上，此類資料最屬於下列哪一種資料型態？ (A)結構化資料(Structured Data)； (B)半結構化資料(Semi-structured Data)； (C)高頻資料(High-frequency Data)； (D)時序資料(Time Series Data)

12. 某電商平台的客服部門統計了本月 10,000 筆顧客服務評分(滿分 100 分)，發現平均分數為 72 分，中位數為 85 分，平均數顯著小於中位數。資料分析師欲初步判斷此評分資料的分配型態，下列敘述何者最合理？ (A)資料呈負偏態分配(左偏，Skewness to the Left)，代表多數顧客給予高分，但少數極低評分將平均數大幅拉低； (B)資料呈正偏態分配(右偏，Skewness to the Right)，代表多數顧客給予低分，但少數極高評分將平均數大幅拉高； (C)資料呈標準常態分配，平均數與中位數的些微差異屬於正常的隨機抽樣誤差； (D)資料呈均勻分配，各分數區間出現的機率大致相同，因此平均數略低於中位數

13. 某電商平台的資料科學團隊欲建置一套 NLP 模型，用於分析顧客在社群媒體上對商品的評論情緒。在將原始貼文資料送入模型訓練前，團隊執行了以下步驟：移除貼文中央雜的 HTML 標籤與網址、將表情符號轉換或移除、去除「的、了、啊」等對情緒判斷無實質貢獻的停用詞，並統一將文字轉換為小寫格式。請問上述步驟主要屬於機器學習專案流程中的哪一環節？ (A)模型評估(Model Evaluation)：透過移除干擾詞彙，計算模型在測試資料集上的準確率、精確率等指標表現； (B)特徵萃取(Feature Extraction)：將文字資料轉換為數值向量，使模型能夠識別評論中與情緒相關的關鍵詞彙權重； (C)資料清理與預處理(Data Cleaning and Preprocessing)：將原始、雜亂的文字資料轉換為格式一致、去除雜訊的乾淨資料，以利後續模型有效學習； (D)超參數調校(Hyperparameter Tuning)：調整模型訓練過程中的學習率、批次大小等參數，以移除訓練資料中的雜訊干擾

14. 某資料科學家利用房屋資料建立 AI 房價預測模型，資料中包含許多彼此高度相關的數值特徵(例如房屋總坪數、客廳坪數等)。為了降低資料維度並減少特徵間的重複資訊，最適合採用下列何種技術？ (A)類別編碼(Categorical Encoding)； (B)主成分分析(PCA)降維； (C)特徵標準化(Standardization)； (D)異常值(Outlier)處理

15. 企業在公開去識別化的消費資料集前，為避免他人透過郵遞區號、性別等間接識別資訊交叉比對後重新識別特定個人身分，同時保留資料的分析價值，最適合採用下列哪一種隱私保護技術？ (A)差分隱私(Differential Privacy)技術； (B)隨機抽樣(Random Sampling)技術； (C)k-匿名化(k-Anonymity)技術； (D)密碼雜湊(Hashing)技術

16. 某零售企業的資料科學團隊正在開發高價值會員預測模型。在資料前處理階段，分析師發現特徵欄位「年收入」有約 5% 的遺漏值(Missing Value)。經資料探索發現，該欄位的數值分佈呈現高度正偏態(右偏分配，Skewness to the Right)。若在不刪除任何會員資料的前提下，欲選擇較適合的遺漏值填補方式，下列何者最為合適？ (A)填補該欄位的平均值(Mean)； (B)填補該欄位的眾數(Mode)； (C)填補該欄位的中位數(Median)； (D)將遺漏值直接填補為「0」

17. 某公司準備利用智慧電表資料建立 AI 模型分析用電趨勢。為了降低資料量，將原本每秒紀錄一次的資料改為每小時統計一次。這項調整最可能造成什麼影響？ (A)因為資料維度大幅減少，AI 模型的預測準確度一定會隨之提升； (B)保留了整體的用電趨勢，但可能失去短時間內設備啟動的用電變化資訊； (C)將連續的用電數值轉換成每小時統計後，資料型態會自動轉變為類別資料； (D)由於重新彙整資料，容易造成資料外洩(Data Leakage)，使模型評估結果偏高

115年 - 115-3 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#144821

115年 - 115-3 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#144820

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