這份文件為 114 年第四次 AI 應用規劃師 - 初級能力鑑定（第一科：人工智慧基礎概論） 的公告試題。為了幫助您理解，將這 50 題的核心知識點整理為四大範疇進行解析：
資料來源：https://www.ipas.org.tw/certification/AIAP/learning-resources
一、 AI 倫理、法規與治理 (第 1, 9, 10, 23, 30, 31, 49 題)
這部分著重於政府政策、國際標準以及 AI 決策中的人類角色。
人機協作模式 (Human-in/on/out-of-the-loop)： 第 1 題強調「人在迴圈上 (Human-over-the-loop)」是指人類進行日常監督，必要時才介入 1。
法規制度： * 我國《人工智慧基本法》草案參考歐盟的 「監理沙盒 (Regulatory Sandbox)」 制度 (第 9 題) 2。
金融機構 AI 治理包含人才培育、了解生成式 AI 運作及高階主管監督，但不包含「每日公布運作狀況」(第 10 題) 3。
安全評測與 XAI： * 可解釋性 (XAI)： LIME 用於解釋「單一樣本」的決策 (第 29 題) 4；反事實解釋則需滿足因果約束與操作性 (第 31 題) 5。
評測指標： 數位部評測項目包含當責、可靠、隱私資安 (第 23 題) 6，安全性指標包含事實正確性、偏見、惡意使用，但不包含「資料複雜性」(第 49 題) 7。
二、 機器學習基礎與模型類型 (第 7, 11, 13, 15, 17, 18, 20, 21, 40, 44 題)
區分監督式、非監督式與強化學習是初級考試的核心。
重要演算法： * KNN (K-近鄰)： 採多數決，如 K=3 時，A類占2個則預測為 A (第 15 題) 11。
貝氏分類器： 屬於生成模型，建構資料整體分布並利用條件機率 (第 7 題) 12。
隨機森林： 適合處理大量特徵並提升穩定性 (第 21 題) 13。
Deep Q-Learning： 用神經網路解決高維空間中 Q 表難以擴展的問題 (第 18 題) 14。
三、 資料處理與特徵工程 (第 2, 3, 4, 6, 12, 34, 41, 43, 45, 46, 48 題)
資料品質直接決定模型成敗，「垃圾進，垃圾出 (Garbage In, Garbage Out)」是此處重點。
特徵工程技巧：
One-hot 編碼： 適合處理「交通方式」等類別欄位 (第 41 題) 15。
特徵交叉 (Feature Cross)： 結合「星期」與「時間」來預測通勤 (第 2 題) 16。
數值標準化 (Normalization/Standardization)： 當特徵範圍差異極大 (如年齡與薪水) 時使用 (第 43 題) 17。
正則化 (Regularization)： * L1 (Lasso)： 會使不重要的權重趨近於零，產生稀疏性 (第 4, 6 題) 18。
L2 (Ridge)： 控制權重的大小，避免過擬合。
統計圖表： * 散佈圖： 觀察兩數值變數（如身高體重）相關性 (第 12 題) 19。
直方圖： 觀察單一變數（如年齡）的分布情形 (第 48 題) 20。
四、 深度學習與生成式 AI (第 8, 16, 22, 24, 26, 27, 28, 38, 50 題)
這部分涵蓋了當前最熱門的 LLM 與 Transformer 技術。
模型架構：
RNN： 處理序列數據，但長序列易有梯度消失問題 (第 16 題) 21。
VAE (變分自編碼器)： 編碼器轉為潛在空間，解碼器重建資料 (第 22 題) 22。
Transformer： 推理瓶頸在於自注意力層的平方級記憶體成長 (第 28 題) 23。
模型優化與挑戰：
剪枝 (Pruning)： 移除冗餘權重以縮小模型 (第 27 題) 24。
災難性遺忘： 微調時遺忘預訓練的廣泛知識 (第 26 題) 25。
RAG (檢索增強生成)： 採用「增量更新」可解決索引重建與資料過時問題 (第 38 題) 26。
💡 備考建議
區分名詞： 搞懂 L1/L2、MAE/MSE、偏差 (Bias)/變異 (Variance) 的差異。
情境應用： 考試常給予一段「公司情境」，詢問該選哪種模型或特徵處理法，平時多思考「為什麼這個情境不能用那種方法」。
法規更新： 2025 年 9 月的《人工智慧基本法》草案與數位部評測標準是必考點。