台海兩岸影視文創交流協會
2025 慶祝雙十・以歌會友
熱烈歡迎
洛杉磯華美表演藝術協會
LA Chinese American Performing Arts Association
時間:2025年10月12日(星期日)
16:30報到;17:00節目開始
地點:中華民國 新北市
台海兩岸影視文創交流協會
時間:2025年10月12日(星期日)
16:30報到;17:00節目開始
iPAS AI應用規劃師初級能力鑑定-考試樣題
科目一：人工智慧基礎概論
一家智慧工廠 使用機器學習分類模型 預測 關鍵設備
是否會異常停機。
完 成模型訓練後，團隊希望全面評估模型在不同面向
的表現。
請問下列哪 項指標最適合用來衡量模型
在偵測異常停機時的「漏報率」
（即未能 正 確偵測出異常事件的比例）？
(A) 準確率（Accuracy），即模型整體預測正確的比例
(B) 召回率（Recall），即模型能正確找出異常停機的比例
(C) F1分數（F1 Score），準確率與召回率的調和平均數
(D) 假陽性率（False Positive Rate），即將正常事件誤判為異常的比例
神經網路 與 傳統機器學習模型 的 主要區別是什麼？
(A) 神經網路無法處理非線性數據
(B) 神經網路透過多層結構學習複雜特徵
(C) 神經網路只適用於迴歸問題
(D) 神經網路不需要大量數據支持
下列關於生成對抗網路（GAN）的描述正確的是哪一項？
(A) GAN由生成器和鑑別器組成
(B) GAN僅用於分類問題
(C) GAN的結果始終高度可解釋
(D) GAN不能生成高品質的數據
一位資料分析師希望 減少輸入特徵的維度，以提升模型運算效率，並觀 察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數 量，下列哪一項方法最適合？
(A) 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數；
(B) 利用離散化方法將連續變數轉為分類型欄位；
(C) 使用標準化方法將所有特徵縮放至相同數值區間；
(D) 以ETL技術移除空值欄位並改儲為JSON格式
關於目前 生成式AI的主要應用，不包括下列哪一項？
(A) 創建合成數據樣本
(B) 模擬數據分佈
(C) 分類醫學影像
(D) 生成文本
下列哪項是生成式AI支援鑑別式AI的典型案例？
(A) 模擬交通場景以訓練自動駕駛模型
(B) 使用CNN對腫瘤分類
(C) 使用SVM分析風險
(D) 創建更好的分類演算法
關於自然語言處理（NLP）核心技術，下列敘述何者不正確？
(A) 語音識別技術將語音轉換為文本，並用於語音助理和語音輸入
(B) 自然語言生成技術可以生成自然流暢的文本，用於聊天機器人和自 動文案生成
(C) 語意分析技術理解文本的語意，並主要用於語音識別和機器翻譯
(D) 機器翻譯技術自動翻譯文本，促進多語言支援和全球溝通
關於「負責任的AI」，下列敘述何者較為正確？
(A) AI系統的開發者對AI系統的行為負責
(B) AI系統的使用者對AI系統的結果負責
(C) AI系統本身對其行為負責
(D) 政府對AI系統的發展負責
關於生成式AI的基本原理，下列敘述何者較正確？
(A) 生成式AI通過分析大量數據來生成新數據，模擬數據分佈以創造
與訓練數據相似的結果
(B) 生成式AI主要通過預定義的規則來進行數據處理和分類
(C) 生成式AI專注於數據分類和迴歸預測，幫助識別已知數據中的模 式
(D) 生成式AI通過自動化的方式清洗數據，提升數據分析的準確性
關於下列模型 在生成式人工智慧（Generative AI）中的角色，
何者並非 以「產生新資料」為主要設計目的？
(A) 支援向量機（Support Vector Machine）
(B) 變分自編碼器（Variational Autoencoder）
(C) 自迴歸模型（Autoregressive Model）
(D) 擴散模型（Diffusion Model）
某份資料中出現多個欄位（如score1、score2、score3）
儲存相同的 成 績資訊，造成 資料 結構重複 與 使用混淆，
此種情形 屬於下列 哪一種資料 品質問題？
(A) 重複資料（Duplicate Data）
(B) 冗餘資料（Redundant Data）
(C) 格式錯誤資料（Malformed Data）
(D) 缺失資料（Missing Data）
某電商平台希望預測 商品的 退貨機率，以協助降低營運風險。若模型使 用的 輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，而模型的輸 出為 是否退貨（是/否）。請問在此模型中，「是否退貨」應歸類為下列哪 一類變數？
(A) 特徵（Feature）
(B) 標籤（Label / Target）
(C) 超參數（Hyperparameter）
(D) 正則化係數（Regularization Coefficient）
PLAN 計畫階段
訓練規劃 與 組織營運發展目標 之 關聯性 及
訓練體系 之 實踐能力。
指標1:組織願景/使命/策略的揭露與目標及需求的訂定(滿分5分)
列舉適當佐證資料項目
1.組織 願景、使命、策略 之 揭露。
2.展現 組織 策略 及 未來發展方向
3.展現 組織 年度 工作計畫 及 相關行動方案。
4.展現 組織 年度 訓練發展方向。
指標意涵說明
藉由揭露組織 短、中 、 長期的發展方向 與 目標,
訂定 組織 未來 營運策略
與 各項 年度計畫 或 行動方案, 並 連結 年度訓練發展方向。
常見參考佐證資料(並註明資料之位置頁碼)
1.組織發展 策略 或 策略地圖 說明及揭露·
2.組織的 願景 與 核心發展使命 的 說明及揭露。
3.組織年度 的 事業行動計畫發展 涵蓋 人力資源的發展 與
訓練規劃內容、主題或方向 的 佐證。
4.其他有關 組織願景/使命/策略揭露 及 目標與需求訂定的 相關佐證資料
AI vs 機器學習 vs 深度學習
AI vs ML vs DL
人工智慧 目標是 讓機器 具有 人類的智慧
機器學習 從 大量資料 中找出規則，以 達到智慧化 的 目標
深度學習 機器學習 的其中一種方法，模仿人類大腦 的 類神經網路去分析數據資料
在訓練機器學習時，會運用到許多不同的機器學習演算法，
例如 線性回歸法、邏輯回歸法 等，
大致將各種演算法分為 4 種類型：
1.監督式學習
2.非監督式學習
3.半監督式學習
4.強化式學習
（一）監督式學習（Supervised Learning）
監督式學習定義
提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。
例如，我們給機器多組啤酒與葡萄酒的影像，並標記出哪些是啤酒，
哪些是葡萄酒。
機器會學習這些資料，並找出這些影像間的共同特徵，
以分辨啤酒與葡萄酒。
常見的監督式學習演算法有：
1.線性回歸法（Linear Regression）
2.隨機森林法（Random Forest）
3.單純貝氏分類器（Naive Bayes Classifier）
監督式學習例子
推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。
Netflix 的推薦系統會根據用戶過去的觀看紀錄與行為，
推薦用戶可能會喜歡的節目。
（二）非監督式學習（Unsupervised Learning）
非監督式學習定義
在非督導式學習模式中，輸入的資料多是 沒有標準答案、未標記與非結構化
的資料。機器會使用 所有相關且可存取的資料 來識別 資料間的關聯性，
並將資料分群。
常見的非監督式學習演算法有：
1. K-平均算法（K-Means Cluctering）
2. 主成分分析（PCA）
3. t-分布隨機鄰近嵌入（t-SNE）
非監督式學習例子
非監督式學習 可以解決各種商業問題，有助於企業快速探索大量資料，
例如 銀行 用來監測交易 是否為 詐欺 或 機器人 活動 等 異常行為。
（三）半監督式學習（Semi-supervised Learning）
半監督式學習定義
半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。
半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型
來標記 那些未標記的資料，直到所有資料 都被標記完成。
常見的半監督式學習演算法有：
1.生成式對抗網路（Generative adversarial networks）
2.自學習貝氏分類器（Self-trained Naive Bayes classifier）
半監督式學習應用
半監督式學習經常應用在語音與語言分析，例如使用少量的語音數據
來訓練模型，並利用大量的未標記語音數據來進一步學習，
提高辨識的準確度。
（四）強化式學習（Reinforcement Learning）
強化式學習定義
強化式學習 也叫做 增強式學習，指機器在處理資料時，
會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，
就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，
反之則是「懲罰」。
透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，
最終找到最有效的處理資料路徑，達到最終目標。
常見的增強式學習演算法有：
1.Q 學習（Q-Learning）
2.蒙特卡洛學習（Monte-Carlo Learning）
3.SARSA （State–Action–Reward–State–Action）
強化式學習應用
強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的
下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，
不過由於學習與進步的速度太慢了，
因此改使用強化式學習的方式提高棋力。
SMART原則
是一個目標設定的框架，其中「SMART」 是五個英文單字的縮寫，
分別代表：
1.明確(Specific)
2.可衡量(Measurable)
3.可達成(Achievable/Attainable)
4.相關(Relevant)
5.有時限(Time-bound)
旨在 幫助 個人 和 組織
設定出 清晰、具體 且能 有效執行 的目標，以提高達成目標的成功率。
SMART原則的五個要素
1. 明確(Specific)：
目標 必須 具體 且 清晰，能夠清楚地描述要達成的事項。
例如，不要說「我要減重」，而是說「我要在三個月內減重3 公斤」。
2. 可衡量(Measurable)：
目標 必須是 可以量化的，以便 能夠追蹤進度 並 評估達成情況。
通常會 設定 明確的 數據 或 指標 來衡量。
3. 可達成(Achievable/Attainable)：
目標 應該 具有挑戰性 但同時也 要 是可實現的，避免設定
過於 極端、難以達成 或 完全不可能 的 目標。
4. 相關(Relevant)：
目 標 應與 個人 或 組織 的 長期目標 保持一致，並且 具有重要性，
不偏離 核心需求。
5. 有時限(Time-bound)：
目標 必須 設定 明確的 截止期限 或 開始/結束日期。
設立時間限制 可以 創造緊迫感，防止拖延，並 確保 能按時完成。
SMART原則的應用
1.個人目標設定：
幫助個人訂定 更明確 且 可執行的 人生目標。
2.組織管理 ：
協助企業 設定 明確的組織目標，提高團隊的 效率 和 執行力。
3.專案管理：
讓 專案經理能 更精確地 規劃專案，並追蹤 專案 進度 與 成果。
資料科學的步驟大致可分為：
1.定義 問題、
2.收集 資料、
3.資料 前處理（包含 清理 和 轉換）、
4.資料 分析 （包含 探索 與 探勘）、
5.建立 與 優化 模型，最後是
6.解釋 與 部署 結果，
7.將洞察 轉化為實際的 商業 決策 與 應用。
資料科學詳細步驟：
1. 定義問題與目標：
這是資料科學流程的第一步，需要與利害關係人溝通，
明確專案的 商業問題、分析目標，以及預期的成果。
2. 收集資料(Data Acquisition)：
根據定義好的問題，識別 並 收集 相關的資料來源，
可能來自內部數據庫、公開數據集、網路爬蟲或第三方來源。
3. 資料前處理(Data Preprocessing)：
資料清理(Data Cleaning)：
處理資料中 的 雜訊、錯誤訊息、遺失值和重複記錄，確保資料品質。
資料轉換(Data Transformation)：
將資料 變 更 成 適合 後續分析的格式，
例如 進行 特徵工程、多個 資料集合併 等。
4. 探索性資料分析(Exploratory Data Analysis - EDA)：
透過 統計學方法 和 資料視覺化，初步了解資料的 特性、分布 與 模式，
找出可能的研究方向。
5. 模型開發與驗證(Model Development & Validation)：
模型選擇：
根據問題類型（如分類、回歸、預測）選擇合適的機器學習或統計模型。
模型訓練：
使用資料訓練模型，並透過測試集評估其性能與準確性。
模型優化：
針對訓練結果進行微調，持續改善模型的性能。
6. 解釋與報告(Interpretation & Communication)：
將分析和模型的結果，透過圖表、報告等視覺化的方式呈現，
並用商業語言 解釋 洞察 和 預測。
7. 部署與決策應用(Deployment & Decision Making)：
將經過 驗證的 模型 和 分析結果 實際應用 到商業場景中，
協助企業 做出更明智的決策，解決實際問題。
這個過程往往需要 不斷迭代 和 優化。