iPAS 中級考古題與趨勢分析

難度趨勢

大量情境規劃題，幾乎沒有純背誦題；需要整合多個概念做最佳方案判斷

近期新增考點

• AI 專案 ROI 計算框架（直接節省 + 間接效益 - 導入與維運成本）
• AI 風險評估矩陣（可能性 × 影響程度）
• 混合雲 AI 部署架構（公有雲 + 私有雲）
• MLOps 生命週期管理（特徵 store、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 vs CV vs GenAI 適用場景）

常見錯誤

• MLOps vs DevOps：MLOps 額外包含特徵 store 管理和模型漂移監控
• AI 專案失敗主因：不是技術問題，是資料品質不足 + 組織變革管理失敗
• AI 治理 vs IT 治理：AI 治理多了可解釋性和演算法偏見的考量

難度趨勢

約 25% 為 Python/PySpark 程式碼閱讀題，不需寫程式但要能看懂操作邏輯

近期新增考點

• PySpark DataFrame 程式碼閱讀（groupBy/agg/join/filter）
• Apache Kafka 串流架構（Producer-Consumer-Topic-Partition）
• Delta Lake（可靠資料湖，支援 ACID）
• 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、Type I/II Error）
• L222 ETL vs ELT 流程差異
• L223 資料不平衡處理（SMOTE、欠採樣）

常見錯誤

• groupby().agg() 的執行順序：先分組，再對每組套用聚合函數
• join type 語意：left join 保留左表所有列；inner join 只保留兩表都有的列
• Type I/II Error（同 L11 勘誤）：Type I = 拒絕真 H₀；Type II = 接受假 H₀
• p 值判斷：p < α 時拒絕 H₀（顯著）；p > α 時無法拒絕 H₀

難度趨勢

約 25% 程式碼閱讀題；Recall 公式勘誤是超高頻考點，官方學習指引原版有誤

近期新增考點

• scikit-learn Pipeline 程式碼閱讀（make_pipeline、fit_transform）
• Keras/TensorFlow Sequential model 結構
• SHAP 值（模型可解釋性，特徵貢獻度量化）
• Optuna / 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 vs Boosting vs Stacking）
• L233 過擬合處理（正則化、Dropout、Early Stopping）

常見錯誤

• 【勘誤！】Recall 公式：官方學習指引原版寫 TP/(TP+FP) 是錯誤的，正確為 TP/(TP+FN)
• Precision vs Recall 定義：Precision = 預測為正中有多少真正是正；Recall = 真正為正中有多少被找到
• Bagging vs Boosting：Bagging（隨機森林）降低 Variance 並行；Boosting（XGBoost/AdaBoost）降低 Bias 序列
• cross_val_score 回傳值：每個 fold 的分數陣列，不是 mean；要用 .mean() 取平均