iPAS 考題解析
下列何者不屬於特徵工程？
中級 大數據處理分析與應用
難度：進階 ★★★
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- 大數據處理分析與應用
- 知識主題
- 機率統計基礎
- 能力指標
- 敘述性統計與資料摘要技術（L22101）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「大數據處理分析與應用」科目中的「機率統計基礎」範疇， 對應的能力指標為「敘述性統計與資料摘要技術」，涵蓋數據的集中趨勢、離散程度與分佈型態、數據清理與剖析等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
下列何者不屬於特徵工程？
- A. 特徵轉換 (Transformation)
- B. 特徵萃取 (Extraction)
- C. 特徵挑選 (Selection)
- D. 預測 (Prediction) ✓ 正確答案
詳細解析
正確答案：D. 預測 (Prediction)
特徵工程（Feature Engineering）包括轉換、萃取和挑選三大步驟。預測是模型的輸出階段，不是特徵工程的一部分。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 特徵轉換 (Transformation) （不正確）
特徵轉換（如對數轉換、標準化（Standardization））是特徵工程（Feature Engineering）
B. 特徵萃取 (Extraction) （不正確）
特徵萃取（如 PCA、文字嵌入）是特徵工程（Feature Engineering）
C. 特徵挑選 (Selection) （不正確）
特徵挑選（如篩選重要特徵）是特徵工程（Feature Engineering）
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。
進階題備考建議
- ▶ 本題屬於進階難度，涉及技術原理的深入理解或跨領域整合應用，需要紮實的基礎。
- ▶ 進階題通常需要你綜合多個知識點才能判斷，建議建立知識圖譜，把相關概念串聯起來。
- ▶ 如果這題答錯了，建議回頭複習相關的基礎概念，確保每一層知識都沒有漏洞。
- ▶ 中級考試的進階題佔比較高，建議先把初級範圍的基礎打穩，再挑戰中級進階題。
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。
考慮使用 CIFAR-10 資料集進行資料處理，資料包括 32×32 像素的多筆彩色照片。下列程式碼的資料處理，請選出正確的選項。 ```python from tensorflow.keras import datasets, utils import pandas as pd (x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data() # type(x_train) -> numpy.ndarray # x_train.shape, y_train.shape, x_test.shape, y_test.shape # -> (50000, 32, 32, 3) (50000, 1) (10000, 32, 32, 3) (10000, 1) # x_train.min() -> 0 # x_train.max() -> 255 ```
中級 大數據處理分析與應用 難度 ★★★ 114 年
為了分析社群網路使用者之間的互動結構，應使用下列哪種分析方法？
中級 大數據處理分析與應用 難度 ★★☆ 114 年
若企業希望即時監控交易異常，應選擇下列哪一類數據處理架構？
中級 大數據處理分析與應用 難度 ★★☆ 114 年
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 iPAS 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。