17. 某交通局計劃將公車乘客刷卡資料提供給學術機構進行通勤模式研究，該資料 包含卡號、上下車時間、路線編號等欄位，且需保留跨時間追蹤同一乘客行為 能力。為保護乘客隱私，下列哪種處理方式最符合個人資料保護法的去識別化 要求？
(A)將卡號欄位全部刪除，僅保留上下車時間與路線編號；
(B)對卡號進行 MD5 雜湊處理，並保留對照表供查詢；
(C)將資料彙總為每日各路線總乘客數統計；
(D)將卡號替換為隨機編號，且不保留任何對應關係

18. 某工業感測器回傳溫度時序資料，約 5%出現遺漏值，確認為短暫失聯所致，非 設備異常。資料工程師需在不引入虛假異常的前提下進行補值。考量資料具時 間連續性，下列何種填補方式最為合適？ (A)將遺漏值全數填補為 0； (B)以前後時間點的觀測值進行線性插補； (C)填補整份資料的平均值； (D)直接刪除包含遺漏值的時間點

19. 某溫室農場開發 AI 系統自動識別作物葉片上的害蟲種類，測試結果顯示：在 1000 張測試影像中，系統正確識別出 80 隻害蟲，但誤判了 20 張正常葉片為有 害蟲，同時漏檢了 10 隻實際存在的害蟲。對於害蟲檢測這個關鍵任務，下列哪 個評估指標最需要優先關注？ (A)召回率(Recall)； (B)精確率(Precision)； (C)準確率(Accuracy)； (D)F1 分數(F1-Score)

20. 某跨國企業需透過網路將各國子公司之敏感資料傳輸至總部進行模型訓練。資訊安全主管要求在傳輸過程中防範中間人攻擊，避免資料遭竊取或竄改。在不影響系統跨國即時傳輸效率之前提下，下列哪一項措施最能有效降低此風險？ (A)在接收端加強存取權限與身分驗證，限制只有授權人員可讀取資料； (B)在資料傳輸過程中進行加密，並確認雙方身分以確保通訊安全； (C)將資料拆分為多個部分分批傳送，降低單次資料外洩風險； (D)改用離線備援方式進行跨國資料交換，以降低網路攻擊風險

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

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