📊 初1 考題交叉索引
📅 來源：00_科1_114_115_考題交叉索引 PDF（用戶整理）
對照 114年第四次（2025-11-01）+ 115年第一次（2026-03-21）公告試題各 50 題
🔥 高頻熱點（兩次都考，★ 優先複習）
★ VAE 變分⾃編碼器
114-4: 114-Q22
115-1: 115-Q10115-Q22
★ LIME 局部可解釋
114-4: 114-Q29
115-1: 115-Q26
★ 反事實解釋 Counterfactual
114-4: 114-Q31
115-1: 115-Q28
★ One-hot 編碼
114-4: 114-Q41
115-1: 115-Q7
★ 直⽅圖適⽤情境
114-4: 114-Q48
115-1: 115-Q17
★ 數值標準化
114-4: 114-Q43
115-1: 115-Q6
★ RAG 增量索引更新
114-4: 114-Q38
115-1: 115-Q42
★ 機器學習類型搭配（情境四選⼀）
114-4: 114-Q13
115-1: 115-Q39
★ ⾦融機構 AI 作業規範
114-4: 114-Q10
115-1: 115-Q13
★ 強化式學習應⽤辨識
114-4: 114-Q17
115-1: 115-Q19
★ 不平衡資料／類別失衡
114-4: 114-Q33114-Q35
115-1: 115-Q5115-Q40115-Q50
★ 離群值處理
114-4: 114-Q45
115-1: 115-Q4
📚 概念 → 題號（依官方 L1 章節）
能⼒分類（弱 強 ）
115-Q36PCB 視覺檢測屬弱 AI（Narrow AI）
與基礎模型
115-Q12ChatGPT、Gemini 的基礎技術 = LLM
資料整合（ ）
114-Q34跨欄位語義重疊（amount_usd / total_price / transaction_value）→ 命名標準 +
語義合併
115-Q1資料整合主要⽬的（反例題：「延長保存期限」非整合⽬的）
結構化 非結構化資料
114-Q3T 包含資料清理與排序
115-Q15MySQL 訂單記錄 = 結構化資料
⼤數據特性
115-Q46交通+影像+⽂字陳情整合 → 主挑戰是 Variety
離群值與資料品質 ★2
★114-Q45收縮壓常態分布 → Z-score / 標準差檢測再決定處理
★115-Q4保險理賠常態分布 → One-hot 編碼最不適當（反例題）
隱私計算（聯邦學習 差分隱私 去識別化）
114-Q42跨國醫院資料不外流 → 聯邦學習
115-Q35市⺠⽤電資料釋出 → 對識別風險欄位轉換 + 移除直接識別資訊
敘述性統計指標
115-Q16百分位數衡量資料相對位置（中位數/標準差/平均值反例）
統計推論與抽樣
114-Q32偏態分布 + 樣本有限 → 增加樣本 + 中位數
114-Q37詐騙交易時間序列 → 時間區間分層抽樣
視覺化（散佈圖 直⽅圖 折線 長條） ★2
★114-Q48連續分布觀察集中/偏態/多峰 → 直⽅圖
★115-Q17顧客年齡分布集中情形 → 直⽅圖
114-Q12兩數值變數關係 → 散佈圖
與分析類型
114-Q14下季備貨銷量推算 → 預測性分析
114-Q36流量來源 vs 轉換率關聯圖 → EDA 做法
演算法基礎
115-Q18已排序陣列 9 筆找 27，⼆分搜尋最多比較 3 次
學習類型辨識（監督 非監督 半監督 強化）★ ⾼頻 ★6
★114-Q13四選⼀情境搭配（複合題型）
★114-Q17智慧投資根據獎勵 → 強化式
★114-Q406 敘述對錯題（學習模式比較）★ 題型必考
★115-Q19物流調度動態調整⾏動機率 → RL 策略函數
★115-Q39四選⼀情境搭配（複合題型）
★115-Q436 敘述對錯題（學習模式比較）★ 題型必考
114-Q11⽤⼾分群⾏銷 → 非監督
114-Q44顧客分群差異化⾏銷 → 叢集
115-Q3非監督式特徵反例（學輸入與⽬標標記對應 ≠ 非監督）
115-Q30洗錢偵測有標註 → 監督式分類
115-Q3130% 標註葉片影像 → 半監督式
特徵⼯程（編碼 標準化 選擇 轉換） ★4
★114-Q41交通⽅式（無序類別）→ One-hot
★114-Q43績效/加班/年齡（範圍差異⼤）→ 數值標準化
★115-Q6先分割 train/test，僅以訓練集計算統計量再套⽤測試集（避資料洩漏）
★115-Q7資費⽅案/客⼾地區（類別特徵）→ One-hot
114-Q2星期幾 + 24 ⼩時 → 特徵交叉
114-Q46監督式特徵選擇 = 評估特徵與⽬標相關性
115-Q44⾼度偏態⾦額特徵 → 對數轉換
不平衡資料與異常偵測 ★
114-Q33低頻異常 + 時序不平衡 → Sequence-to-Sequence Autoencoder（僅⽤正常資料）
114-Q35稀有⾼價商品 → 多數類別主導決策邊界，稀有類別 Recall ⼤幅降低
115-Q5SMOTE = 依少數類特徵空間合成新樣本
評估指標（ ） ★2
★115-Q40瑕疵品比例極低 → F1-score
★115-Q50癌症篩檢降低漏診 → Recall
114-Q39住院⽇ 3-7 天 + 重症長尾 → MAE + 重症⼦群誤差指標
損失函數
114-Q19房價迴歸預測 → MSE 均⽅誤差
正則化（ ）
114-Q4L1 ⽤權重絕對值控制複雜度
114-Q6L1 對⼤係數懲罰強 → 稀疏解
過擬合與
114-Q5Bias-Variance Tradeoff = 平衡偏差與變異避免過擬/⽋擬
115-Q20訓練 98% / 測試 72% → 旋轉翻轉資料增強
經典演算法（ ）
114-Q7Naive Bayes = 建構整體分布 + 條件推斷（⽣成式分類）
114-Q15KNN K=3 → 多數決 → 類別 A
114-Q20年齡/⾎壓/BMI 預測糖尿病機率 → Logistic Regression
114-Q21違約風險 + 多特徵 + 穩定性 → Random Forest
深度學習架構與啟動函數（ 啟動函數）
114-Q16RNN 長序列 → 梯度消失
114-Q47神經網路收斂改善 → ReLU 改善梯度傳播
115-Q9影片類別機率分布輸出層 → Softmax
115-Q33到站時間需保留早期資訊 → LSTM 改善 RNN 長期記憶
115-Q45訓練停滯、梯度傳遞差 → 調整啟動函數
強化學習機制（ ）
114-Q18DQN ⽤深度網路近似 Q 值，避免 Q 表⾼維擴展問題
模型架構選型（ ）
115-Q8稀疏類別 + 數值特徵 + 學過往組合 + 對未⾒組合泛化 → Wide and Deep
結構化預測
115-Q47語⾳轉⽂字後逐詞標註 → 結構化預測
應⽤領域對應（含反例）
115-Q14設備故障預測 + 預防性維護 → 智慧製造（其餘三項皆錯配）
智慧城市 感測
115-Q2垃圾收集 + PM2.5 + 桶滿溢度 → 感測器網路（Sensor Network）
電腦視覺（分類 偵測 分割 ）
115-Q32找出煙霧像素區域 → 影像分割
115-Q38蘋果成熟度判斷 → 電腦視覺
115-Q48倉庫監視器辨識缺貨區域 → CNN
推論架構（批次 即時 注意⼒效能）
114-Q28Transformer 長序列推理瓶頸 → ⾃注意⼒ O(n²)
114-Q50批次推論主要難題反例 → 訓練語料品質非批次推論階段問題
115-Q23批次推論偏吞吐量、即時推論偏低延遲穩定性
115-Q25Batching 提升加速器效率與吞吐量，但可能影響單筆延遲
115-Q37紡織瑕疵 3 秒內判定 → 強化即時推論計算資源
115-Q41Flash Attention = 調整計算與資料處理⽅式減少中間結果儲存
（檢索增強⽣成）★
114-Q38RAG 知識更新需重建索引 → 增量/分段更新
115-Q42法遵 RAG 法規更新需重建 → 可⽀援增量更新的索引管理
模型優化（ 微調 遷移學習）
114-Q26災難性遺忘 = 微調後遺忘預訓練廣泛知識
114-Q27Pruning = 移除冗餘權重以減少模型⼤⼩
115-Q24RLHF 階段反例 → 未標註語料長週期表⽰學習非 RLHF 活動
115-Q49標註樣本稀少 + 既有預訓練 → 遷移學習
⽣成式 技術（ 條件語⾔模型） ★2
★114-Q22VAE 編碼器→潛在空間，解碼器→重建
★115-Q10依既有圖像⽣成風格⼀致新圖 → VAE
114-Q8⽣成式 AI 語境⼀致性 → 條件語⾔模型
115-Q21服裝草圖⾼品質 + 多樣性 → 擴散模型
115-Q22缺異常標註 → VAE 學正常資料分佈做異常偵測
模型擴展與 ⼯程
114-Q24GPT-OSS 20B → 120B：較⼤參數提升表達能⼒但需⾜夠資料
平台選型
115-Q34缺 AI ⼈才 + 快速上線 → 雲端 AutoML 平台
內容評估
115-Q11評估摘要正確性與完整性 → 判斷是否遺漏關鍵資訊或語意錯誤
⼈在迴圈
114-Q1Human-over-the-loop = ⽇常監督 + 必要時介入修正
法規（基本法 沙盒）
114-Q92025-09 AI 基本法草案「創新實驗環境」= 歐盟 Regulatory Sandbox
⾦融機構 規範 ★
114-Q10非規範明訂治理措施 → 「每⽇公布運作狀況」（反例）
115-Q13直接與消費者互動時非必要揭露 → 「AI 模型原始程式碼」（反例）
數位部 評測中⼼
114-Q23非評測項⽬ → 互動性（評測為當責性/可靠性/隱私資安）
114-Q49LLM 安全性指標非常⾒ → 資料複雜性（常⾒為事實正確性/偏⾒/惡意濫⽤）
資料去偏（ ）
114-Q25擴充訓練語料使群體比例平衡
可解釋 四件套 ★ 完整覆蓋
114-Q29LIME = 解釋單⼀樣本（局部）的⿊箱決策
114-Q30醫療 XAI 核⼼價值 = 提供決策依據促進信任
114-Q31⾦融反事實解釋核⼼挑戰 = 因果約束 + 業務邏輯 + 公平放貸
115-Q26LIME 屬 post-hoc 後處理模型解釋
115-Q27SHAP = 單⼀預測中各特徵對輸出的貢獻分配
115-Q28⾦融反事實 = 客⼾資料變動對授信決策的影響分析
115-Q29Saliency Map = 標⽰輸入中對單⼀預測影響⼤的區域