iPAS AI 應用規劃師

iPAS 考題解析

請參考附圖,下列虛擬程式碼(pseudocode)最可能是在描述何種演算法? Input: - data_points: N 筆資料,每筆資料有 D 個特徵 - X: 要分成的群數 Output: - clusters: 每筆資料所屬的群編號 - centroids: 每個群的中心點 Algorithm: 1. 隨機選擇 X 個資料點作為初始中心 2. 重複以下步驟直到收斂: a. 分群: 對每個資料點,計算它到每個中心的距離,將資料點指派給距離最近的中心 b. 更新中心: 對每個群,計算該群中所有資料點的平均值,將群中心更新為這個平均值 3. 當群中心不再變動時,停止 回傳每筆資料的群編號 clusters,以及最後的群中心 centroids

中級 大數據處理分析與應用 難度:基礎 ☆☆☆ 114 年考題

題目與選項

請參考附圖,下列虛擬程式碼(pseudocode)最可能是在描述何種演算法? Input: - data_points: N 筆資料,每筆資料有 D 個特徵 - X: 要分成的群數 Output: - clusters: 每筆資料所屬的群編號 - centroids: 每個群的中心點 Algorithm: 1. 隨機選擇 X 個資料點作為初始中心 2. 重複以下步驟直到收斂: a. 分群: 對每個資料點,計算它到每個中心的距離,將資料點指派給距離最近的中心 b. 更新中心: 對每個群,計算該群中所有資料點的平均值,將群中心更新為這個平均值 3. 當群中心不再變動時,停止 回傳每筆資料的群編號 clusters,以及最後的群中心 centroids

  • A. K-means 分群(K-means Clustering) ✓ 正確答案
  • B. 高斯混合模型分群(Gaussian Mixture Model Clustering)
  • C. 階層式分群(Hierarchical Clustering)
  • D. DBSCAN 分群(Density-based Spatial Clustering of Applications with Noise Clustering)

詳細解析

正確答案:A. K-means 分群(K-means Clustering)

這段 pseudocode 描述的是 K-means 分群(K-means Clustering):事先指定群數 K,反覆做「分派到最近中心」和「更新中心為群平均」兩個步驟,直到中心收斂為止。

延伸學習

本題尚未連結特定術語,你可以從以下常見主題開始探索相關知識。

中等題備考建議

  • 本題屬於中等難度,需要理解概念之間的關聯與應用情境,不能只靠死背定義。
  • 中等難度的題目常考「為什麼」和「怎麼用」,建議整理各技術的優缺點比較表。
  • 練習時注意錯誤選項的陷阱設計,很多時候錯誤選項只有一兩個字的差異,需要仔細辨別。
  • 建議用「費曼學習法」,嘗試向別人解釋這道題的解題思路,能講清楚就代表真正理解了。

同主題考題練習

以下題目與本題屬於相同的考試範疇,建議一併練習以加強對該主題的掌握程度。

iPAS AI 應用規劃師認證簡介

iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度, 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目, 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目, 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍,需要具備紮實的技術基礎才能正確作答。

開始準備 iPAS 考試

本題來自 114 年 AI 應用規劃師中級考試。 想通過 iPAS 認證?從完整題庫練習開始,搭配術語詞典與備考攻略,系統化提升你的 AI 知識。