2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 請問我們可以使用哪一種方法 進行屬性萃取？ (Ａ) 交替最小次方法（Alternating Least Square, ALS） (Ｂ) 二元搜索樹（Binary Search Tree） (Ｃ) 主成分分析（Principal Component Analysis, PCA） (Ｄ) K平均法（K-Means）

  AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

 180. 關於獨立（independence）與　相依（dependency），下列敘述何者　正確？ 

        (Ａ) 統計獨立的觀念對於類別與數值變數兩種變數有不同的定義

        (Ｂ) 相關（correlation）係數為 0，代表兩變數統計獨立 

        (Ｃ) 類別與數值變數的相依定義是相同的 

        (Ｄ) 類別變數　的關聯（association）  衡量　較數值變數的相關衡量

　　　　更為 複雜， 　 因為關聯性的衡量方式　遠比　　相關性的為多 

 181. 關於「基於密度　的　集群分析算法（Density-Based Spatial Clustering of 

            Applications with Noise，DBSCAN）」下列敘述何者不正確？ 

         (A) 是以中心點為基礎的方法 

         (B) 能抵抗雜訊，且能處理任何形狀和大小的群集 

         (C) 需要人工指定集群的數目 

         (D) 找出遠離低密度區域之高密度的區域 

182. 下列關於階層式集群，何者不正確？

       (Ａ) 概念簡單，可用樹狀結構來表現整個計算過程 

       (Ｂ) 只需要資料點兩兩之間的距離，就可以建構集群結果 

       (Ｃ) 即使處理大量資料也能保持高效率 

       (Ｄ) 不需要事先定義群數 

183. 請問我們可以使用哪一種方法　進行屬性萃取？ 

        (Ａ) 交替最小次方法（Alternating Least Square, ALS） 

        (Ｂ) 二元搜索樹（Binary Search Tree） 

        (Ｃ) 主成分分析（Principal Component Analysis, PCA） 

        (Ｄ) K平均法（K-Means） 

 184. 已知iris資料集前3筆資料如下圖所示：

        (A) pairs(iris) 

        (B) pairs[iris] 

        (C) pairs(iris[-5]) 

        (D) pairs[iris(-5)] 

 185. 關於K平均法（K-Means），下列敘述何者　不正確？

     (Ａ) 將資料分割成　不相交的K個群集 

     (Ｂ) 如果資料與某群集中心的相似度大於其他群集，則該資料歸類於 其他群集 

     (Ｃ) 目標是達到　群集內　的距離平方達到最小 

     (Ｄ) 目標是達到　群集間　的 距離平方達到最大 

 186. 下列何種問題適合使用K平均法（K-Means）？ 

     (A) 家庭背景對薪資的影響

     (B) 男性的長相對其女朋友數量的影響 

     (C) 根據花蕊長和花瓣寬將花朵集群 

     (D) 根據上下文填入克漏字 

187. 關於K平均法（K-Means）集群分析，下列敘述何者不正確？

     (Ａ) 事前需要估算　資料中有多少集群存在，方能執行演算法 

     (Ｂ) 不適合　非球形　或　數據密度　變化大　的集群問題 

     (Ｃ) 算法只要收斂，保證可以獲得最佳的集群結果 

     (Ｄ) 算法　可彈性變化，經過簡單的調整後，可以解決大部份的缺點 

188. 屬性轉換（Feature Transformation）與　資料縮減（Data Reduction）

   　　  屬 於資料前處理（Data Preprocessing）的重要工作，下列敘述何者不正 確？ 

      (A) 線性迴歸、偏最小平方法（PLS）、類神經網絡（NN）等算法內 嵌有

            變數選擇機制的方法，對於預測變數中的雜訊，或是無訊息 力的變數

            等較不敏感 

      (B) 文字資料探勘（Text Mining）中的詞頻-逆文件頻率可視為維度 縮減 

      (C) 詞組提取（Chunk Extraction）與 N元（N-gram）字組，算是文 字

            資料探勘的降維方法

      (D) 選用的模型種類決定資料前處理的需求 

189. 關於　非監督式學習，下列敘述何者正確？ 

       (A) 以預測變數（predictors）來準確預測反應變數（response variable） 

       (B) 瞭解反應變數與預測變數兩者間的關係

       (C) 線性迴歸與羅吉斯迴歸都屬於非監督式學習 

       (D) 能發現變數間或觀測值間的子群體 

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 關於卡方分配（Chi-squared Distribution），下列敘述何者不正確？ (A) 卡方分配的曲線為非對稱的 (B) 卡方分配的期望值為其自由度 (C) 卡方分配的期望值與變異數相等 (D) 卡方分配的自由度越大會使其變異數越大

 AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

170. 關於巨量資料處理，下列敘述　　何者　正確？ 

       (A) 任何資料皆可作為特定分析目的訓練樣本 

       (B) 巨量資料缺少某些變量不會影響判斷結果 

       (C) 可透過網路爬蟲或API來搜集大量外部資料 

       (D) 透過巨量資料處理可由機器完全取代人工判斷 

 171. 關於卡方分配（Chi-squared Distribution），下列敘述何者　不正確？ 

      (A) 卡方分配的曲線為　　非對稱的

      (B) 卡方分配的　期望值為其　自由度 

      (C) 卡方分配的期望值與變異數相等 

      (D) 卡方分配的自由度越大　會使其　變異數越大

172. 參考以下報表之結果，何者敘述為　正確？

     (A) eruptions 變數的最小值為43.0 

     (B) eruptions 變數的75百分位數為4.454 

     (C) waiting 變數的最大值為82.0 

     (D) waiting 變數的中位數為70.9

173. 針對　3種不同飲料　　與　4種不同商店　　進行　二因子變異數分析，

          則交互作 用的　自由度為多少？

           (A) 6

           (B) 7 

          (C) 12 

           (D) 20 

174.   請參考以下迴歸分析結果：下列敘述何者正確？

 

          (A) 模型

　　 (Ａ) 不具有線性模型解釋能力 

          (B) 模型的截距為3.45000 

          (C) 模型的樣本數為13 

          (D) 模型的判定係數（Coefficient of Determination）為 0.991

175. 預測建模前　　經常會先以各式統計量數，移除無用　的預測變數，

          下列敘 述何者正確？ 

        (A) 數值型預測變數可以其間的相關係數，剔除贅餘的預測變數 

        (B) 線性迴歸模型中納入退化分佈（Degenerate Distribution）的預測 變數，

              並不會損傷其績效 

        (C) percentUnique 是以最常見的類別值頻次，除以次常見類別值頻次 的比值，

              來辨識有退化分佈現象的類別型變數 

        (D) freqRatio 是以獨一無二的類別值數量與樣本大小的比值，

              來辨識 有退化分佈現象的類別型變數 

 176. 重抽樣方法（Resampling Methods）是當代統計學不可或缺的工具之 一，

           下列敘述何者錯誤？

         (A) 拔靴取樣法（Bootrapping）採行多次不置回抽樣的方式，取出與 

               原樣本大小相同的子集 

         (B) k摺交叉驗證（K-fold Cross Validation）是隨機 k 等分（通常是 十等份）

               訓練集樣本後，每次留下一份作為測試集樣本，而以其 餘k-1份樣本

               進行模型訓練 

          (C) 重抽樣方法是反覆地從訓練集或資料集中抽出或有不同的各組 樣本，

                並重新配適各組樣本的模型，以獲得模型相關的額外資訊 

          (D) 拔靴取樣法與k摺交叉驗證兩種重抽樣方法的差別只在於樣本 子集

                 如何被挑出，而彙整與摘要統計的方式則是相同的 

177. 機器學習　經常以　樣本子集　　進行　模型訓練　與　測試，

　　　下列敘述何者正確？ 

        　 (A) 測試集（Test Set）用以最佳化模型參數

            (B) 核驗集（Validation Set）用以建立模型

            (C) 訓練樣本集（Training Set）用以合理估計模型績效 

           (D) 訓練與測試機制經常運用重抽樣（Resampling）策略 

178. 關於　模型訓練　與　測試機制，下列敘述何者不正確？ 

       (A) 模型建立與優化的步驟又可稱為（候選）模型挑選（Model Selection）的階段

       (B) 用測試集對最佳模型未來之績效估計工作又可稱為模型評定/績 效估計

              （Model Assessment/Performance Estimate）階段

       (C) 模型挑選　與未來績效評定　估計工作　應儘量使用相同的樣本進行 訓練、

              調校與測試 

         (D) 對於模型挑選工作來說，當欲評估的參數組合眾多，績效準則的 計算

               速度應   為首要考量 

179. 關於　模型訓練　與　測試機制　中的　資料切分，下列敘述何者不正確？

            (Ａ)　 在樣本充足的情況下，通常將之切割為兩或三個子集，分別肩負 

                 　模型建立、  最佳化　與　估計最佳化模型，對新案例的預測績效

             (Ｂ) 決定最佳的模型複雜度或參數組合後，最後再以整個校驗集建立 

                 　 最佳複雜度  或　最佳參數組合下　的最終模型 

            (Ｃ) 保留法（holdout）包含內外兩圈的重抽樣機制，分別負責模型最 佳化

                   與績效估計的工作，如此內外圈反覆執行所需計算量　

　　　　　應　是負 擔　最重的訓練     與測試機制

          　(Ｄ) 雙重抽樣法充分運用了資料集中的各個樣本，基本上所有樣本都 會

                 　作為訓練樣本、 驗證樣本與測試樣本，但不會有樣本同時參與 模型

　　　　　建立 與未來績效的估計工作上，也就是說不會發生球員兼裁 判的狀況

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 下列哪個方法 需要 類別標籤（Label）資訊？ (A) 線性判別分析（Linear Discriminant Analysis） (B) 主成分分析（Principle Component Analysis） (C) 潛在語意分析（Latent Semantic Analysis） (D) 獨立成分分析（Independent Component Analysis）

  AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

160. 若對  類別變量  進行　　資料探索，下列敘述何者正確？ 

        (A) 得知資料的變異程度 

        (B) 得知資料的分佈情形 

        (C) 得知資料間的相關性 

        (D) 得知資料的出現頻次 

 161. 請問經過  下列轉換方法   做資料轉換後，哪個方法會產生出  

             較   原   資料   多  的  變數？

          (A) 虛擬編碼（Dummy Encoding）

          (B) 降低維度（Dimension Reduction） 

          (C) 特徵縮放比例（Feature Scaling） 

          (D) 特徵選擇（Feature Selection） 

162. 有一個  類別型變項  名稱為「鞋子顏色」，值域（亦即所有可能出現的 值）

            為{紅, 藍, 綠}，下列何者為正確的 One-Hot Encoding 方式

          （變 項名稱：值域）？ 

          (A) 鞋子_紅:{1,0} , 鞋子_藍:{1,0}, 鞋子_綠:{1,0}

          (B) 鞋子顏色:{紅, 藍, 綠} 

          (C) 鞋子顏色:{1, 2, 3} 

          (D) 鞋子_紅:{1, 2} , 鞋子_藍:{1, 2}, 鞋子_綠:{1, 2}

 163. 下列哪個方法  需要   類別標籤（Label）資訊？

          (A) 線性判別分析（Linear Discriminant Analysis） 

          (B) 主成分分析（Principle Component Analysis） 

          (C) 潛在語意分析（Latent Semantic Analysis） 

          (D) 獨立成分分析（Independent Component Analysis） 

 164. 關於  屬性挑選，下列敘述何者正確？ 

          (A) 過濾式屬性挑選法（Filter）單就預測變數空間中進行挑選工作 

          (B) 封裝式屬性挑選法（Wrapper）不考慮後續建模方式的方法 

          (C) 大數據（Big Data）時代下，用越多屬性詮釋反應變數越好 

          (D) 屬性挑選時通常僅需考慮個別屬性的分佈狀況，

                  無須考慮屬性間 的互動關係 

165. 若您在分析資料後發現，由於資料的  某些欄位  具有  高度相關性　　而影響 

          了分析結果，請問可能是忘了進行下列哪一步驟？ 

            (A) 清理資料 

            (Ｂ) 轉換資料結構 

            (Ｃ) 屬性挑選 

            (Ｄ) 蒐集的資料不正確 

166. 　擷取網頁資料時，通常會透過HTML的規則進行網頁解析（Parse）， 

           下列敘述何者　不正確？ 

          (Ａ) CSS 選擇器（Selector）是常用解析網頁元素的一種語法 

          (Ｂ) GET (2) (3) (4) XPath（XML Path Language）是常用解析網頁元素

                的一種語法 

          (Ｃ) cURL是常用解析網頁元素的一種語法 

          (Ｄ) 絕大部分的網頁都是以 HTML 格式來呈現的 

167. 可以透過哪些方式　　取得　　 HTML 表單？

                 (1)     GET

                 (2)    HOLD 

                 (3)    POST 

                 (4)     PUSH

         (Ａ) (1) 和 (2)

         (Ｂ) (2) 和 (3) 

         (Ｃ) (1) 和 (3) 

         (Ｄ) (1) 和 (4) 

168. 關於　巨量資料　　進行　　機器學習建模　　的觀念，

　　　下列敘述何者正確？ 

       (A) 以原始資料進行建模模型 

       (B) 資料重量不重質 

       (C) 無須對資料背景理解 

       (D) 資料轉為結構化資料 

 169. 在擁有　　大量且需要　　即時處理　　的資料時，

　　　下列何者　　並非最必要　　之技術？

 　 　 (A) 訊息佇列（Message Queue） 

     　　(B) 虛擬化（Virtualization） 

      　　(C) 非關聯式資料庫（NoSQL） 

     　 　(D) 串流技術（Streaming）

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 使用視覺化進行資料探索時，下列用法何者不正確？ (A) 使用點圖（Dot Plot）觀察房價跟建物坪數之間的關係 (B) 透過折線圖（Line Chart）觀察房價的走勢 (C) 以長條圖（Bar Chart）檢視不同縣市的房價 (D) 利用圓餅圖（Pie Chart）來辨別不同建物類型的比例

   AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

 150. 關於資料解析思維，下列敘述何者不正確？ 

     (A) 資料建模時，規範性（Prescriptive）模型、敘述性（Descriptive) 模型

            與預測性（Predictive）模型必須謹慎擇一使用 

      (B) 許多資料建模方法成功的關鍵是決定合宜的接近性衡量，

            以 同中 求異、異中求同  的思維解決問題

     (C) 資料前處理就是避免垃圾進垃圾出（Garbage In Garbage Out, GIGO）

      (D) 不確定型態建模時須以合宜的理論（Theoretical）機率分佈，

            捕捉 實際資料之經驗（Empirical）機率分佈變異的型態 

151. 資料分析時常產生一些特殊值，  請問下列何者  並非  R語言  的特殊 值？ 

           (A) NULL

           (B) NA 

           (C) Inf 

           (D) Error 

 152. 在一份調查資料中，下列 何者遺缺值（Missing Value） 較  適合使用 

           平均值（Mean）填充？( 假設遺缺值的比例小於萬分之一，且為隨機 遺缺） 

          (A) 遺缺的家庭收入 

          (B) 遺缺的居住地區 

          (C) 遺缺的身高 

          (D) 遺缺的家庭支出 

153. 在資料建模前    經常會   對髒資料（Dirty Data）進行預處理，

            下列何者 不屬於髒資料？ 

           (A) 資料傳輸時遺漏的數據

           (B) 資料接收時間延遲 

           (C) 資料來源不一致

           (D) 資料包含雜訊 

 154. 假設您每分鐘都會收到某張股票的開盤價、收盤價、最低價、最高 價、

            成交量，若您只想儲存收盤價，最適合R語言中的何種結構？ 

            (A) 向量（Vector） 

            (B) 矩陣（Matrix） 

            (C) 串列（List） 

            (D) 資料框架（Data frame） 

 155.   網路上提供了許多不同型態的資料，在處理時通常需要將其轉化

           為 何種類型，以便進行   資料探勘（Data Mining）？ 

           (A) 中繼資料（Metadata） 

           (B) 結構化資料（Structured Data）

           (C) 非結構化資料（Unstructured Data）

           (D) 半結構化資料（Semi-structured Data）

 156. 下列何種圖表較適合呈現國內各手機品牌的市占率？

          (A) 散佈圖（Scatter plot）

          (B) 直方圖（Histogram） 

          (C) 圓餅圖（Pie Chart）

          (D) 肩形圖（Ogive） 

157. 下列何者在繪製時需要   使用到資料的四分位數？

          (A) 盒鬚圖（Box plot） 

          (B) 目標投影追蹤（Targeted projection pursuit） 

          (C) 散點圖（Scatter plot） 

          (D) 平行座標圖（Parallel coordinates） 

 158. 若要較直觀的觀察各字詞的出現次數，最適合使用下列何種圖表？ 

          (A) 克里夫蘭點圖（Cleveland Dot Plot） 

           (B) 散點圖（Scatter Plot） 

           (C) 文字雲（Word Cloud） 

           (D) 氣泡圖（Bubble Chart） 

 159. 使用視覺化進行資料探索時，下列用法何者不正確？ 

         (A) 使用點圖（Dot Plot）觀察房價跟建物坪數之間的關係 

         (B) 透過折線圖（Line Chart）觀察房價的走勢 

         (C) 以長條圖（Bar Chart）檢視不同縣市的房價 

         (D) 利用圓餅圖（Pie Chart）來辨別不同建物類型的比例 

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源關於 探索式資料分析（Exploratory Data Analysis），下列何者常用來 呈 現 非類別資料 的情況？ (A) 莖葉圖（Stem-and-Leaf Plot） (B) 長條圖（Bar Chart） (C) 桑基圖（Sankey Diagram） (D) 圓餅圖（Pie Chart）

 AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

 130. 關於  機率與統計，下列敘述何者不正確？ 

        (A) 統計分析的對象是樣本而非母體時，可引入能合宜刻畫抽樣變異 

              的機率模型，以了解源自於抽樣變異，所產生的統計估計值   不確 定程度 

        (B) 大資料時代下各式資料充斥，資料分析師必須使用全部的可用資 料

              進行分析 

        (C) 抽樣理論說明如何有效率地從母體中萃取所需要的訊息，許多統 計推論

              均假設樣本已經隨機抽出，可以直接進行分析

        (D) 資料探勘與機器學習領域中必須運用基本的統計分析，以及進階 的

              重抽樣（Resampling）與 模擬（Simulation）等方法。

              因此，統 計學仍然是大資料時代下必備且基本的武器之一 

131. 關於「非監督式學習」（Unsupervised Learning），下列敘述何者正確？ 

           (A) 輸出屬性值是可以被預測的 

           (B) 需用測試集測試所建立模型的正確性 

           (C) 輸入資料的形式只能是類別資料型態 

           (D) 建立模式用的資料，並不是事前定義好的 

132. 關於離群值（Outlier），下列敘述何者  不正確？ 

           (A) 與一般資料極度不同的資料個體 

           (B) 異常值偵測時可以忽略之 

           (C) 經由量測錯誤所引起 

            (D) 資料與生俱有的變異性造成 

 133. 關於K-means演算法，下列敘述何者不正確？ 

          (A) 將n筆待分群的資料選出k個資料點為集群的中心點 

          (B) 將所有資料與此k個中心點做距離運算 

          (C) 穩定性高，對異常值或極值不敏感 

          (D) 每次計算K-means，分群結果不一定相同 

 134. 關於階層式分群，下列敘述何者不正確？ 

         (A) 階層式分群法可以用樹狀結構呈現計算過程 

         (B) 使用階層式分群法時，必須定義資料群之間的距離計算方式 

         (C) 階層式分群可應用於小資料集 

         (D) 階層式分群法需一開始給定群的數目 

135. 關於  探索式資料分析（Exploratory Data Analysis），下列何者常用來

            呈 現  非類別資料 的情況？ 

        (A) 莖葉圖（Stem-and-Leaf Plot） 

        (B) 長條圖（Bar Chart） 

        (C) 桑基圖（Sankey Diagram） 

         (D) 圓餅圖（Pie Chart） 

 136. 關於   多變量探索式分析（Multivariate Exploratory Analysis），

           下列敘述 何者 不正確？ 

           (A) 多個量化變數（Quantitative Variables）之間的關係，

                 通常可以散 佈圖矩陣（Scatterplot Matrix）來表達 

           (B) 共變異數（Covariance）是相對指標（Relative Index），

                 而相關係 數（Correlation Coefficient）是絕對指標（Absolute Index） 

          (C) 計算數值資料矩陣中所有成對的相關係數，即可獲得

                相關係數矩 陣（Correlation Matrix）

           (D) 透過數據排名值（Rank）的方式，將共變異數與相關係數的概念 延伸

                  到類別變數上 

137. 屬性挑選（Feature Selection）是指   挑選原始資料中的  合宜屬性，

            或可 視為   移除缺乏訊息內涵  之變數的   維度縮減  策略。

            下列常用的降維方法 中，何者不屬於屬性挑選的方式？ 

            (A) 遺缺值比率（Missing Values Ratio） 

            (B) 前向式屬性構模（Forward Feature Construction） 

            (C) 主成分分析（Principal Component Analysis） 

             (D) 卡方檢定與信息增益（Chi-square and Information Gain） 

138. 關於機器學習的方式，下列敘述何者正確？ 

             (A) 非監督式學習的目標通常清晰 

             (B) 一般而言我們很難評估非監督式學習結果的好壞 

             (C) 監督式學習通常是探索式資料分析的一部分 

             (D) 非監督式學習的目標就是預測反應變數 

139. 下列何者  不是  非監督式學習的任務？ 

             (A) 上傳至社群網路的相片是否有人臉 

             (B) 在癌症樣本中，或是基因變數中尋找可能的子群，以對此疾病有 

                    更好的瞭解 

             (C) 線上購物網站嘗試依相似的瀏覽習慣與採購記錄將消費者分群， 

                    並將同群消費者購買的品項集合在一起 

             (D) 搜尋引擎也會依據具有相同搜尋型態的使用者點擊歷程，

                   決定呈 現哪些搜尋結果 

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 餐酒館La Capannina 亞曼尼集團 義大利時尚設計大師喬治亞曼尼（Giorgio Armani） 辭世，享壽91歲。Armani Privé等高級訂製服的發表， 並延伸出Emporio Armani、Armani Exchange等副牌1975年與當時同志伴侶加雷歐第創立亞曼尼公司

 2025-09-05 06:44 聯合報／ 記者孫曼

／即時報導

義大利時尚設計大師喬治亞曼尼辭世，享壽91歲。圖／路透社

根據外媒報導，在亞曼尼集團稍早發布聲明稿中表示，

這位義大利時尚設計大師喬治亞曼尼（Giorgio Armani）辭世，

享壽91歲。

他在1975年創立同名設計師服裝品牌，除了高級時裝，

也有

Armani Privé等高級訂製服的發表，

並延伸出Emporio Armani、Armani Exchange等副牌。

亞曼尼集團在聲明中表示：

「我們懷著無比的哀痛宣布，我們的創辦人、靈魂人物與

   永不止息的推動力量——喬治‧亞曼尼先生——辭世了。

  他一向被員工與合作夥伴尊敬且敬愛地稱為

『亞曼尼先生』（Il Signor Armani），於至親環繞下平靜離世。

直到最後一刻，他始終不懈，將自己奉獻給公司、系列作品，

以及眾多正在進行與未來的計畫。」

    中央社 編輯：高照芬1140904  2025/9/4 23:25（9/5 14:08 更新）     

亞曼尼驟逝消息引起義大利時尚圈震驚。亞曼尼2025年7月11日剛過91歲生日，儘管年事已高，但他在職場仍活力充沛，他幾天前宣布收購義大利一家知名餐酒館，紀念他1960年代在這個地點認識已故伴侶與事業夥伴加雷歐第（Sergio Galeotti）；亞曼尼日前也親自審查時裝週展出的50週年系列作品。

       義大利晚郵報（Corriere della Sera）報導，亞曼尼在幾週前的生日前夕，因肺部感染住院，隨後返家休養，幾天前亞曼尼曾嚴重胃痛，但之後恢復正常進食，並仍以電話指揮工作，因此時尚圈皆未預料會在今天傳來噩耗。

       亞曼尼出生在義大利北部城市比森薩（Piacenza），他大學原本念的是醫學，後因服兵役中斷學業， 退伍後到義大利知名「文藝復興」（Rinascente）百貨公司工作，他在1965年被義大利知名設計師尼諾．塞魯蒂（Nino Cerruti）慧眼拔擢，將一系列服裝交給亞曼尼設計。

       隨後亞曼尼逐漸在時尚圈打響名號，他1975年與當時同志伴侶加雷歐第創立亞曼尼公司，從此事業版圖不斷擴張，揚名國際伸展台，讓亞曼尼獲得「時尚之王」美譽。

      可惜加雷歐第在兩人創立公司幾年後早逝，未能看見後來的亞曼尼王國，亞曼尼曾形容，當加雷歐第逝世時，他感覺自己的一部分也跟著消失了。2025年8月底，亞曼尼在逝世前夕宣布收購當初兩人初識的餐酒館La Capannina作為紀念，讓這段傳奇愛情留下更多餘韻。

2025 09 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列何種方法， 最適合解決 非線性 分類問題 及 高 維空間數據 識別問 題？ (A) 支援向量機（Support Vector Machine） (B) K平均法（K-means） (C) 貝式判別（Bayesian Classifier） (D) 模糊理論（Fuzzy Set） (A) 線性迴歸 (B) 線性判別分析（Linear Discriminant Analysis） (C) 變異數分析（Analysis of Variance） (D) 皮爾森相關係數（Pearson Correlation Coefficient）

AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

140. 關 於  關聯規則分析（Association Rule），下列敘述何者 不正確？ 

      (A)  典型的關聯規則分析，是分析超市中顧客購買的品項集合資料

            （通 常被稱為交易資料，或是購物籃資料），其個別品項間或

              品項群間 的關聯

       (B) 關聯規則分析最常見的模型， 是以品項集合出現的次數，

              來量化 彼此間的關聯程度， 以此探勘出來的品項集合稱為

              頻繁品項集 （Large Itemsets or Frequent Itemsets）

       (C) 關聯規則分析的目的，是基於某些品項出現的前提下，

             挖掘出可 預測其它品項發生之可能性的規則，這

             些規則就被稱為關聯規則 

        (D) 關聯規則分析在資料探勘領域中，不容易與其它方法論結合運 用，

               例如：集群、分類與離群值分析等

 141. 下列何種方法， 最適合解決  非線性  分類問題  及  高 維空間數據  識別問 題？ 

          (A) 支援向量機（Support Vector Machine）

          (B) K平均法（K-means）

          (C) 貝式判別（Bayesian Classifier） 

          (D) 模糊理論（Fuzzy Set） 

142. 下列何者為「常用來分析客戶資料，並建構模型以預測顧客流失 （Churn）

            與否」的方法？ 

          (A) 關聯規則分析 

          (B) 分類模型 

          (C) 迴歸分析 

          (D) 集群分析 

 143. 關於 訓練資料集  與 測試資料集，下列敘述何者正確？ 

         (A) 訓練資料是從要分析的資料庫中隨機取樣 

         (B) 訓練資料可以不知道其類別 

         (C) 測試資料可以包含訓練資料集中的資料 

         (D) 測試資料可以不知道其類別 

 144. 關於線性迴歸模型（Linear Regression）的假設，下列敘述何者不正確？ 

          (A) 依變項（要預測的變項）呈現常態分佈 

          (B) 自變項（預測變項） 之間是獨立事件 

          (C) 自變項的組合來自隨機抽樣（例如五個自變項隨機抽三個出來做 迴歸）

          (D) 依變項之誤差為常態分佈 

 145. 下列何者為「學習模型時，為了得到好的準確度」而容易造成的問題？ 

          (A) 過度擬合（Overfitting） 

          (B) 資料標籤不均（Imbalanced Data） 

          (C) 資料維度過高 

          (D) 資料集過大 

 146. 在線性迴歸中，以   最小平方法計算  迴歸參數時，殘差 需符合四大條件。 

           下列何者非屬 四大條件之一？ 

          (A) 殘差期望值為零 

          (B) 殘差必須符合均勻分配 

          (C) 殘差之間沒有自相關（殘差獨立性） 

           (D) 殘差需符合變異數同質性 

147. 選用  線性模型 或 統計分析方法  時，會根據  依變數 與自變數  的  屬性而有

             所不同，請問下列表格與配對的選項，何者  不適當？

              

              (A) 線性迴歸

              (B) 線性判別分析（Linear Discriminant Analysis） 

              (C) 變異數分析（Analysis of Variance）

               (D) 皮爾森相關係數（Pearson Correlation Coefficient）

 148.  根據  資料分佈   選擇模型假設時，會遇到  不適合  直接建立線性模型的情 況，

          此時可以透過轉換資料的方式進行修正。請問透過何種模型，

          適 合  將圖 1的資料分佈轉換為圖 2？

               (A) y=β0+β1 x 

               (B) y=β0+β1 x+β2 x2 

               (C) y2=β0+β1 x 

               (D) log(y)= β0+β1 log(x)

149. 關於線性迴歸模型績效評估，下列敘述何者  不正確？ 

           (A) 評估模型績效的方式不只一種

           (B) 通常可透過混淆矩陣評估模型績效 

            (C) 殘差繪圖（Residual Plots）是以視覺化的方式檢視模型的配適狀 況 

            (D) 許多績效評量的計算是基於殘差（Residual），它是  各觀測值  減去 

                 其模型的預測值，而常用的SSE 是  殘差平方的總和

2025 09 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 資料科學詳細步驟： 1. 定義問題與目標： 2. 收集資料(Data Acquisition)：3. 資料前處理(Data Preprocessing)： 4. 探索性資料分析(Exploratory Data Analysis - EDA)：5. 模型開發與驗證(Model Development & Validation)：6. 解釋與報告(Interpretation & Communication)：7. 部署與決策應用(Deployment & Decision Making)：TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

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。 

2025 09 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源 . 若欲 透過 巨量資料分析 來剖析 核心的商業價值， 下列何者 需最先 被執 行？ (A) 數據建模 (B) 資料解析 (C) 定義問題 (D) 資料理解

  AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

120. 若欲  透過  巨量資料分析  來剖析   核心的商業價值，

           下列何者  需最先  被執 行？ 

            (A) 數據建模 

            (B) 資料解析 

            (C) 定義問題 

            (D) 資料理解 

121. 關於  卡方分配、F分配、t分配 之比較，下列敘述何者  不正確？ 

           (A) 皆為小樣本

           (B) 皆為不連續分配 

           (C) 三者皆有自由度 

           (D) 皆來自於常態母體 

122. 關於  卜瓦松分配  之特性，下列敘述何者 不正確？ 

           (A) 某一時段內發生的次數與其他時段發生的次數相互獨立 

           (B) λ 與所選擇之時間長度成比例 

           (C) 在極短時間內成功兩次以上之機率不可忽略不計 

           (D) 在相同長度的時段內發生事件的機率皆相同 

 123. 當所有觀察值  都落在   迴歸直線上，則x與y之間的相關係數為何？ 

          (A) -1 < r < 1 

          (B) 僅r = 1 

          (C) 僅r = -1 

          (D) r = 1 或 r = -1 

124. 下圖為海藻資料集的變數Chla分佈狀況，請問最接近何種機率分佈？

          (A) 常態分佈 

          (B) 偏態分佈 

          (C) 幾何分佈 

          (D) 均勻分佈 

 125. 考慮   簡單線性迴歸（Linear Regression）模型，其   變異數分析表中，

             迴 歸模型  的  自由度  為何？ 

           (A) 1 

           (B) 2 

           (C) 12 

           (D) 20 

126.   機器學習（Machine Learning）是從所搜集的資料中建構出

        （學習出 learning 或   配適出 fitting）X 與 Y 之間的函數關係Y = f(X)，

          下列敘述 何者不正確？ 

          (A) X稱為預測變數（Predictors） 

          (B) X稱為獨立變數（Independent Variables）

          (C) Y稱為反應變數（Responses） 

          (D) Y稱為屬性（Features） 

127. 關於模型績效評估，下列敘述何者  不正確？ 

          (A) 殘差（或稱預測誤差）是真實的反應變數值  減去  預測的反應變數 值 

          (B) 所有的模型績效衡量準則都基於  殘差 

          (C) 均方根預測誤差（Root Mean Squared Error, RMSE）其單位為 反應 變數

                原始單位的平方 

           (D) 瞭解殘差的分佈情形有助於評估模型的優劣與適用情境 

128. 抽樣（Sampling）是統計學重要的概念之一，下列敘述何者正確？ 

           (A) 巨量資料趨近於母體，因此分析時一定要採用抽樣方法 

           (B) 資料分析師如欲估計線性迴歸模型的變異性，可以用重抽樣方法

                  （Resampling Methods）對每一組重抽樣訓練樣本配適模型後，

                  檢 視各模型績效的差異程度，這種作法使我們可以獲得只以原訓練 

                 集配適一次因而無法獲得的有用資訊 

            (C) 隨機抽樣（Random Sampling）是反覆地從訓練集或資料集中抽出 

                  或有不同的各組樣本，並重新配適各組樣本的模型，以獲得模型 

                  相關的額外資訊 

            (D) 拔靴取樣法（Bootrapping）是隨機 k 等分（通常是十等份）

                   訓練 集樣本後，每次留下一份作為測試集樣本，而以其餘 k-1 份樣本 

                  進行模型訓練 

 129. 關於  模型訓練 與  測試機制，下列敘述何者正確？ 

             (A) 用測試集對最佳模型未來之績效估計工作，又可稱為（候選）模 型

                   挑選（Model Selection）的階段 

             (B) 模型建立與優化的步驟，又可稱為模型評定/績效估計

                 （Model Assessment/Performance Estimate）階段 

            (C) 模型建立後，常透過交叉驗證（Cross-Validation）進行優化，

                  避 免過度配適（Overfitting）的情況發生 

            (D) 最佳模型的績效估計工作來說，績效準則的計算速度是首要考量 

2025 09 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列何者 不屬於 HTTP/1.1協定 中定義的方法？ (A) POST (B) GET (C) DELETE (D) TCP

 AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

110. 關於  探索式資料分析（Exploratory Data Analysis），下列敘述何者 不正 確？ 

          (A) 不拘泥於統計方法 

          (B) 著重於對資料的整理 

          (C) 可用於驗證算法的假設 

          (D) 更直觀的發現隱含的資訊 

111. 如果要使用  邏輯式迴歸（Logistic Regression）建立 客戶流失  分類模型， 

            則我們   必須  將標籤（例如名為：流失，不流失）做什麼處理？ 

          (A) 轉換為二元（Binary）數值 

          (B) 必須將標籤從中文名稱轉換成英文 Yes 與 No 

          (C) 保留原始標籤名稱即可 

           (D) 必須將標籤轉換為數字型態 

112. 下列何者不是讀取文字檔時，通常需要注意的事項？ 

           (A) 檔案編碼格式 

           (B) 檔案擁有者 

           (C) 檔案大小 

           (D) 欄位分隔符號 

 113. 下列何者並非  屬性  選取（Feature Selection）的目的？ 

         (A) 避免過度配適（Overfitting） 

         (B) 提高機器學習效能 

         (C) 篩選最佳屬性 

         (D) 提高資料維度 

114. 關於  資料標準化（Normalization），下列敘述何者   不正確？ 

        (A) 通常會在建模後進行 

        (B) 消除不同觀測值間的差異性 

        (C) 減少不必要的變異

        (D) 將不同變量縮放到一定範圍 

115. 若您想對30000筆的房屋資料  進行機器學習，欄位包含房價、樓層、 

            距市區距離、車位數量和面積等，應該先對資料進行下列何項步驟， 

            使得變量尺度統一？ 

         (A) 集中化（Centralization） 

         (B) 標準化（Normalization） 

         (C) 聚合（Aggregation） 

         (D) 離散化（Discretization） 

 116. 下列何者  不屬於  HTTP/1.1協定  中定義的方法？ 

         (A) POST 

         (B) GET 

         (C) DELETE 

         (D) TCP 

 117. 在大數據系統中，為了 能夠有效  的   分散式運算  資料，

            資料通常會被擺 置在下列哪個地方？ 

         (A) Storage Area Network（SAN）儲存設備 

         (B) 集中化的儲存設備 

         (C) 分散擺放在各個機器節點上 

          (D) 一台主要節點之中 

118. 關於  巨量資料運算平台架構   之設計策略，不包含 下列何者？ 

          (A) 垂直式擴充（Scale-up） 

          (B) 水平式擴充（Scale-out） 

          (C) 大量平行化運算（Massively Parallel Processing） 

           (D) 無共享架構（Shared-Nothing Architecture） 

119. 下列何者 並非 提升巨量資料處理效能的方法？ 

          (A) 採用關聯式資料庫 

          (B) 使用分散式架構處理數據

          (C) 提升為較好的硬體配備 

          (D) 進行平行運算 

2025 09 04 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列何者 不是 探索式資料分析（Exploratory Data Analysis） 常用的圖形化方法？ (A) 長條圖（Bar Chart） (B) 圓餅圖（Pie Chart） (C) 次數分配圖（Frequency Chart） (D) 流程圖（Flow Chart）

  AI應用規劃師初級: L11 人工智慧基礎概論 

     L11201 資料基本概念與來源

100. 關於隨機森林（Random Forest），下列敘述何者  不正確？ 

     (A) 包含多個決策樹 

     (B) 可以幫助篩選重要的自變項 

    (C) 輸出可以採用投票或是平均 

    (D) 依變項只能使用類別型變項 

101. 下列何項工作  通常  較耗費時間？ 

     (A) 資料前處理（清理、操弄及變形等） 

     (B) 統計分析 

     (C) 資料視覺化 

     (D) 資料建模 

102. 下列何者  並非  資料清理的範疇？ 

      (A) 檢查資料的不一致性

      (B) 移除遺缺值（Missing Value） 

      (C) 去除重複資料 

      (D) 資料合併 

103. 下列何者 不是  進行   資料操弄（Manipulation）與  清理  時，

        較常會用 到的方法？ 

      (A) 資料萃取（Extract） 

      (B) 資料轉換（Transform） 

      (C) 資料載入（Load） 

      (D) 資料視覺化（Visualization） 

104. 下列何者  並非  資料清理時，所需處理之項目？ 

     (A) 處理資料遺缺值（Missing Value） 

     (B) 處理資料離群值（Outlier） 

     (C) 處理資料變異性（Variability） 

      (D) 處理資料之錯字 

105. 在進行資料處理時，會使用正規表達式（Regular Expression）來 處理

        何種類型的資料？

       (A) 視頻 

       (B) 音頻 

       (C) 圖像 

       (D) 文字 

 106. 在一個網站使用者活動的日報表，某天造訪該網站的使用者中，

           來自 台灣的使用者人數為3,200人，來自美國的使用者人數為1,000人，

           來 自日本的使用者人數為500人，來自其他國家的使用者人數為300人。 

           請問台灣使用者的人數占總比多少百分比？

         (A) 50 

         (B) 64 

         (C) 80 

         (D) 32

107. 我們常用  盒鬚圖（Box plot）觀察   資料分散  情況資料，

           下列敘述何者不 正確？ 

          (A) 四分位距（Interquartile Range）可用來計算隔離離群值（Outlier） 

                的邊界 

          (B) 資料分配有對稱分配、左偏分配、右偏分配與均勻分配 

          (C) 需要5個統計資料，包含最大值、最小值、眾數、下四分位數及 

                上四分位數 

           (D) 將某些集中量數與分散量數，以長盒形圖表現出來的一種圖示法 

 108. 下列何者 不是  探索式資料分析（Exploratory Data Analysis）

            常用的圖形化方法？ 

            (A) 長條圖（Bar Chart） 

            (B) 圓餅圖（Pie Chart） 

           (C) 次數分配圖（Frequency Chart） 

            (D) 流程圖（Flow Chart） 

109. 當使用直方圖（Histogram）進行資料探索時，下列何者無法從 圖形中 看出？ 

            (A) 資料中的異常值 

            (B) 資料的變異程度 

            (C) 資料的分布狀況 

            (D) 資料的排列順序