iPAS AI 應用規劃師中級考古題
可以直接作答，答完看各科答對情形，也可以看逐題解析，了解每個選項為什麼對或錯，作答到一半離開，下次會從下一題接著做。
中級最新獲證率 40.80%（115 年第一次中級），看歷屆取證率
作答與逐題解析
-
114 年第二次・L21 AI 技術應用與規劃
-
114 年第二次・L22 大數據處理分析與應用
-
114 年第二次・L23 機器學習技術與應用
官方學習資源下載
iPAS 官方已在學習資源頁提供歷屆考題與相關檔案下載，建議先看官方原始題本，再搭配這一頁的趨勢分析與重點整理一起練習。
前往 iPAS 官方學習資源頁（含歷屆考題）AI 技術應用與規劃：趨勢分析
難度變化
大量情境規劃題，幾乎沒有純背誦題，要整合多個概念判斷最佳方案。
115 年新增考點
- AI 專案 ROI 計算框架（直接節省加間接效益，減去導入與維運成本）
- AI 風險評估矩陣（可能性乘以影響程度）
- 混合雲 AI 部署架構（公有雲加私有雲）
- MLOps 生命週期管理（特徵庫、模型漂移監控）
高頻考區
- L212 AI 導入評估規劃（成本效益、需求分析）
- L213 AI 系統部署（MLOps、模型監控）
- L211 技術選型（NLP、CV 與生成式 AI 的適用情境）
常見錯誤
- MLOps 和 DevOps 的差別：MLOps 多了特徵庫管理與模型漂移監控
- AI 專案失敗的主因不是技術，是資料品質不足與組織變革管理失敗
- AI 治理和 IT 治理的差別：AI 治理多了可解釋性與演算法偏見
官方學習指引勘誤
-
IDF 公式精確值（TF-IDF 計算範例）
錯誤：IDF("AI", D) = log(1000/10) = log(100) ≈ 2
正確：IDF("AI", D) = log(1000/10) = log(100) = 2
-
PDPA 個人資料保護法定義
錯誤：台灣 PDPA 規範所有在台灣境內或涉及台灣居民個資的組織，要求必須取得明確同意
正確：目的為規範個人資料之蒐集、處理及利用，以避免人格權受侵害。蒐集前須告知：蒐集機關名稱、蒐集目的、個資類別、利用情形、當事人權利及行使方式、不提供資料之影響
讀書建議
每個概念都對應真實企業情境，要能說出「為什麼這個方案比其他選項好」。
大數據處理分析與應用：趨勢分析
難度變化
約 25% 是 Python 或 PySpark 程式碼閱讀題，不用寫程式，但要看懂操作邏輯。
115 年新增考點
- PySpark DataFrame 程式碼閱讀（groupBy、agg、join、filter）
- Apache Kafka 串流架構（Producer、Consumer、Topic、Partition）
- Delta Lake（支援 ACID 的資料湖）
- Feature Store 概念（特徵集中管理、重複使用）
高頻考區
- L221 假設檢定（p 值判斷、型一與型二錯誤）
- L222 ETL 與 ELT 流程差異
- L223 資料不平衡處理（SMOTE、欠採樣）
Python 程式題重點
自 114 年第二梯次起，L22 Python 程式碼閱讀題約占 25%（約 12 到 13 題），考 PySpark／pandas 操作如 groupBy、agg、join、filter，不同科目與屆次可能略有差異。不需要會寫，要能看懂執行邏輯和輸出結果。
常見錯誤
- groupby().agg() 的順序：先分組，再對每組套用聚合函數
- join 的語意：left join 保留左表所有列，inner join 只留兩表都有的列
- 型一錯誤是拒絕真的 H₀，型二錯誤是接受假的 H₀
- p < α 時拒絕 H₀，p > α 時無法拒絕 H₀
讀書建議
程式碼題不用背語法，要看懂「這段程式在做什麼」與「執行結果是什麼」，pandas 與 PySpark 的 groupby、merge、pivot 是重點。
機器學習技術與應用：趨勢分析
難度變化
約 25% 是程式碼閱讀題，Recall 公式的勘誤是超高頻考點，官方學習指引原版有誤。
115 年新增考點
- scikit-learn Pipeline 程式碼閱讀（make_pipeline、fit_transform）
- Keras 與 TensorFlow 的 Sequential 模型結構
- SHAP 值（量化特徵貢獻的可解釋性方法）
- Optuna 與 GridSearchCV 超參數調整
高頻考區
- L232 模型評估指標（Precision、Recall、F1、AUC-ROC）
- L232 Ensemble 方法（Bagging、Boosting、Stacking）
- L233 過擬合處理（正則化、Dropout、Early Stopping）
Python 程式題重點
自 114 年第二梯次起，L23 Python 程式碼閱讀題約占 25%（約 12 到 13 題），考 scikit-learn／Keras 操作如 Pipeline、fit_transform、Sequential model，不同科目與屆次可能略有差異。重點是理解流程（前處理、訓練、評估），不需要背 API。
常見錯誤
- 勘誤：Recall 是 TP/(TP+FN)，學習指引原版寫成 TP/(TP+FP) 是錯的
- Precision 是預測為正的裡面真的是正的比例，Recall 是真的為正的裡面被找到的比例
- Bagging（隨機森林）平行訓練、降低變異，Boosting（XGBoost、AdaBoost）依序訓練、降低偏差
- cross_val_score 回傳每個 fold 的分數，要用 .mean() 才是平均
官方學習指引勘誤
-
Recall（召回率）公式
錯誤：Recall = TP / (TP + FP)
正確：Recall = TP / (TP + FN)
-
加權求和通式（神經元計算）
錯誤：Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ w₁x₁ + b（下標全為 1）
正確：Z = w₁x₁ + w₂x₂ + … + wₙxₙ + b = Σ wᵢxᵢ + b（下標為 i）
-
邏輯迴歸模型假設術語
錯誤：線性可分性（Linearity in Log-Odds）
正確：對數勝算的線性關係（Linearity in Log-Odds）
讀書建議
最重要的一點：Recall = TP/(TP+FN)，考題用的是正確版本，程式碼題的重點是看懂 Pipeline 流程（前處理、訓練、評估），不用背 API。