大數據處理分析與應用：146 題線上練習
「大數據處理分析與應用」是 iPAS AI 應用規劃師中級考試科目（代號 L22）。本頁整理 146 題免費練習題，依 5 個知識主題分類，每題可線上作答並附逐題解析。
「大數據處理分析與應用」是 iPAS AI 應用規劃師中級考試科目（代號 L22）。本頁整理 146 題免費練習題，依 5 個知識主題分類，每題可線上作答並附逐題解析。
考試範圍定位
- 考試等級
- iPAS AI 應用規劃師中級能力鑑定
- 考試科目
- 大數據處理分析與應用（L22）
- 考試科目
- 大數據處理分析與應用（L22）
練習題列表（共 146 題）
以下依知識主題分組，每組節錄部分題目；點各主題標題可查看該主題全部題目。
機率統計基礎（83 題）→
若某數據點的Z分數（Z-Score）= 2，請問代表下列哪一種意涵？
使用Python的pandas套件處理各商品銷售數據（變數為df）時，若需計算「總銷售額」欄位的敘述性統計量（如平均值、標準差等），應使用下列哪一種語法？
附圖為某資料之分佈圖，此圖資料的偏態（Skewness）值較有可能為下列哪個選項？（圖示：左偏分佈，主峰偏右，左側有長尾）
累積分佈函數（Cumulative Distribution Function, CDF）可用於描述隨機變數的機率分佈特性，其數學定義為下列何者？
在進行資料分析時，會遇到類別型（Categorical）與數值型（Numerical）資料格式。關於這兩種資料格式的處理，下列敘述何者不正確？
資料科學家為分析顧客行為，利用現有欄位「銷售金額」與「瀏覽次數」，計算出新變數「銷售金額/瀏覽次數」。此動作屬於下列哪一類特徵工程方法？
大數據處理技術（9 題）→
在資料庫的ACID特性中，下列何者為「原子性（Atomicity）」的正確定義？
某人工智慧團隊使用分散式資料庫（Distributed Database）儲存模型訓練資料，並在更新訓練樣本時啟用多節點交易。若其中一個節點在交易過程中發生錯誤，但系統仍確保整體資料不會出現部分更新、最終狀態維持一致，下列何者最能說明此現象？
某串流影音平台運用關聯規則學習（Association Rule Learning）分析用戶的觀影行為，發現若使用者觀看了科幻影集，則有較高機率接著觀看超級英雄電影。分析顯示，同時觀看這兩種類型的使用者約佔全部觀影紀錄的12%，而觀看科幻影集的使用者中，有50%也觀看了超級英雄電影，該規則的提升度（Lift）為1.8。根據上述資訊，下列哪一項推論最為正確？
在圖形資料庫（Graph Database）中建模社群平台資料時，若每筆「按讚」行為都包含時間戳記（Timestamp）與裝置類型（Device Type）等資訊。若希望同時保留使用者與貼文之間的互動關係，並能有效查詢「按讚」的行為屬性，下列哪一種設計方式最為合適？
分析師在載入vgsales.csv資料後（欄位包含Name、Platform、Year、Genre、Publisher、NA_Sales、EU_Sales、JP_Sales、Other_Sales、Global_Sales），檢視Year欄位的資料型態，發現它是float64，而非一般年份常用的整數。下列哪些原因可能導致這種狀況？ 原因A：CSV檔中Year欄位有缺失值（NaN），導致Pandas自動將整欄轉為浮點數。 原因B：CSV檔中的年份資料原本是字串（如"2006"），Pandas轉換時出錯而變成浮點數。 原因C：Pandas預設會將所有數值型態讀取為float64，不論資料是否為整數。 原因D：CSV檔中的年份資料可能包含小數點（例如2006.0），因此被視為浮點數。
研究團隊接下來想要將Year欄位轉換為整數型態，以便後續進行年份趨勢分析。考慮到資料中可能包含缺失值（NaN），請選出最合適的轉換方式。 A) data['Year'] = data['Year'].astype(int) B) data['Year'] = data['Year'].fillna(0).astype(int) C) data['Year'] = data['Year'].fillna(1).astype(int) D) data['Year'] = data['Year'].astype('Int64')
大數據分析方法與工具（25 題）→
在進行資料前處理時，若使用Label Encoding將類別變數轉換為數字型態，下列何者為最常見的潛在風險？
在處理分類問題時，若某一類樣本數明顯少於其他類別，研究人員可能採用隨機過採樣（Random Oversampling）以平衡資料比例，此方法最常造成下列哪一種問題？
某組資料共10項標籤如下：A, A, A, A, A, B, B, B, B, B。若該標籤僅有A、B兩種，請問這組資料的「正規化吉尼不純度（Normalized Gini impurity）」為何？
某投資研究員希望分析四檔科技類股（A、B、C、D）每日報酬率的變化趨勢，以判斷這些股票之間是否存在高度相關性與共變動性，並評估投資組合分散風險的程度。若研究員希望以單一圖表快速呈現各股票間的關聯強度與方向，下列哪一種視覺化呈現方式最適合？
若在高維度（>500維）的資料上應用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）演算法，卻發現所有資料點皆被判定為雜訊（Noise），下列何者為最有可能的原因？
某團隊在開發風險評估模型時，使用主成份分析（Principal Component Analysis, PCA）進行降維。輸入資料包含三個數值欄位：「交易金額（單位：新台幣）」、「交易次數（次／月）」與「年齡（歲）」，其數值量級分別約為10⁶、10¹與10²。分析人員直接將原始數據帶入PCA，結果第一主成分（PC1）幾乎完全由「交易金額」主導。下列哪一項作法或判斷最合理？
大數據在人工智慧之應用（14 題）→
下列何者為同態加密（Homomorphic Encryption）技術的核心特性？
某電商公司欲利用顧客行為資料建立消費預測模型，其中「會員等級」欄位包含「一般、白金、黑卡」三種類別。若模型採用梯度提升樹（Gradient Boosting Tree）演算法，資料科學家在進行特徵編碼時應特別注意下列何種情況？
某企業建置生成式AI系統，利用大量客服紀錄與產品評論資料訓練語言模型，由於資料來源多樣，且包含非結構化文字、影像與表格資訊，團隊希望在不降低模型效能的前提下，提升資料處理效率與一致性，下列哪一種資料處理策略最適合？
某電信公司導入生成式AI客服系統，利用過去對話紀錄與用戶行為資料訓練語言模型，在資料治理與合規審查過程中，團隊發現模型可能會在回答中生成包含真實姓名、電話或交易資訊的內容。為確保系統符合各個法令及生成式AI的安全與隱私要求，下列哪一項作法最符合實務可行及法規原則？
某研究人員欲使用線性迴歸模型（Linear Regression Model）分析變數Y與X之間的關係，但發現Y的分佈明顯右偏，且其變異數隨X的增大而增加。為滿足模型假設並提升預適效果，下列哪一種前處理方法最為合適？
考慮資料集已經填補遺漏值，參考下圖執行結果，OLS迴歸輸出顯示：R-squared=0.898，迴歸係數：youtube=0.0455、facebook=0.1891、newspaper=-0.0006，截距=3.5561，newspaper的p值=0.914（不顯著）。 程式碼架構： X = df[['youtube','facebook','newspaper']] y = df['sales'] reg = 空格1 print(reg.coef_) X2 = sm.add_constant(X) model_sm = 空格2 print(model_sm.summary()) 各陳述： A: 空格1完整語法 reg = LinearRegression().fit(y, X) B: 空格1完整語法 reg = LinearRegression().fit(X, y) C: print(reg.coef_)結果為包括截距項等4個係數值 D: 空格2完整語法 sm.OLS(X2, y).fit() E: model_sm迴歸模型的所有迴歸係數在α=0.05之下具有顯著的解釋力 F: 截距項係數值為3.5561 下列哪些陳述正確？
尚未細分能力指標的考題（15 題）
附圖為某資料之分佈圖（直方圖右側集中、左側出現負值的長尾，主峰位置約在 40 附近），此圖資料之偏態（Skewness）值較有可能為下列哪個選項？
某組資料共 10 項標籤如下：A, A, A, A, A, B, B, B, B, B 若該標籤僅有 A、B 兩種，請問這組資料的「正規化吉尼不純度（Normalized Gini impurity）」為何？
某客服中心統計資料發現，平均每小時會接到約 20 通顧客來電，但每分鐘的來電數量不固定，可能為 0、1、2 通不等。這些來電事件彼此獨立，且在短時間內，發生的機率與時間長短成正比。若要以機率模型描述「每分鐘接到幾通來電」的機率分佈，下列哪一種最適合使用？
某企業建置生成式 AI 系統，利用大量客服紀錄與產品評論資料訓練語言模型，以自動生成客服回覆與知識摘要。由於資料來源多樣，且包含非結構化文字、影像與表格資訊，團隊希望在不降低模型效能的前提下，提升資料處理效率與一致性，下列哪一種資料處理策略最適合？
某電商資料團隊繪製顧客單筆消費金額的箱型圖後發現：四分位距（IQR）範圍極小，但上鬍鬚拉得很長，且在高金額區域有多筆離群值。若希望協助行銷部門依據消費層級設計分群策略，下列哪一種視覺化方式最有助於凸顯不同消費層級間的差異？
某團隊在開發風險評估模型時，使用主成分分析（Principal Component Analysis, PCA）進行降維。輸入資料包含三個數值欄位：「交易金額（單位：新台幣）」、「交易次數（次／月）」與「年齡（歲）」，其數值量級分別約為 10^5、10^1 與 10^2。分析人員直接將原始數據帶入 PCA，結果第一主成分（PC1）幾乎完全由「交易金額」主導。下列哪一項作法或判斷最合理？
若開發一個用於罕見疾病自動診斷的分類模型，目前資料集中確診樣本僅佔不到 1%，且因為標註成本高，短期內無法取得更多資料。在此情況下，若希望提升模型對少數類的偵測能力，同時避免過擬合，下列哪一種策略最為合理？
請參考附圖，下列虛擬程式碼（pseudocode）最可能是在描述何種驗證法？ Input: - data_set: 包含 N 筆資料的資料集 - model_training_function: 用來訓練模型的函式 - model_evaluation_function: 用來評估模型的函式（如計算誤差或準確率） Output: - 平均評估指標（如平均準確率或平均誤差） Algorithm: 1. 初始化評估指標列表 metrics = [] 2. 對 i = 1 到 N: a. 將第 i 筆資料作為測試集 test_data b. 將其餘 N-1 筆資料作為訓練集 train_data c. 使用 model_training_function 在 train_data 上訓練模型 d. 使用訓練好的模型對 test_data 做預測，計算評估指標 metric_i e. 將 metric_i 加入 metrics 3. 計算 metrics 的平均值 mean_metric 4. 回傳 mean_metric
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
一間遊戲市場研究公司正在分析全球電子遊戲銷售情況，並準備建立一份「熱銷遊戲銷售報告」。分析師取得了一份名為 vgsales.csv 的資料集，內容包含全球銷量超過 10 萬份的電子遊戲清單。研究團隊希望透過這份資料，了解不同年份、平台與地區的銷售趨勢。 分析師在載入資料後，檢視 Year 欄位的資料型態，發現它是 float64，而非一般年份常用的整數。他想了解這樣的情形為什麼會發生。請問下列哪些原因可能導致這種狀況？ 原因 A：CSV 檔中 Year 欄位有缺失值（NaN），導致 Pandas 自動將整欄轉為浮點數。 原因 B：CSV 檔中的年份資料原本是字串（如 "2006"），Pandas 轉換時出錯而變成浮點數。 原因 C：Pandas 預設會將所有數值型態讀取為 float64，不論資料是否為整數。 原因 D：CSV 檔中的年份資料可能包含小數點（例如 2006.0），因此被視為浮點數。
為了觀察各遊戲平台的市場表現，分析師想要統計每個平台的全球銷售總額，並以長條圖呈現。請選出最能正確實現此分析的程式碼。
團隊希望比較北美、歐洲、日本及其他地區的整體銷售比例，並使用 seaborn 套件以長條圖的形式進行可視化分析。請選出能正確顯示這些地區銷售總額比例的程式碼。
使用銷售資料集（marketing.csv）進行迴歸分析，附圖程式碼展示資料載入與處理。根據 df.describe() 的輸出結果，下列何者正確？ （describe() 輸出：youtube count=200, mean=176.451, std=103.025, min=0.840, 25%=89.25, 50%=179.700, 75%=262.590, max=355.680；facebook count=199, mean=27.820, std=17.808, min=0.000, 25%=11.940, 50%=27.000, 75%=43.680, max=59.520；newspaper count=200, mean=36.665, std=26.134, min=0.360, 25%=15.300, 50%=30.900, 75%=54.120, max=136.800；sales count=200, mean=16.827, std=6.261, min=1.920, 25%=12.450, 50%=15.480, 75%=20.880, max=32.400）
參考下圖計算各變數的遺漏值（NaN）個數結果，下列何者正確？ （輸出結果：youtube 0 / facebook 1 / newspaper 0 / sales 0 / dtype: int64） 選項 A: df.isnull().sum() 選項 B: df.isNaN().sum() 選項 C: df.isna().sum() 選項 D: df.isnan().sum()
考慮資料集已經補填遺漏值，參考下圖執行結果，下列何者正確？ from sklearn.linear_model import LinearRegression import statsmodels.api as sm X = df[['youtube', 'facebook', 'newspaper']] y = df['sales'] reg = 空格1 print(reg.coef_) X2 = sm.add_constant(X) model_sm = 空格2 print(model_sm.summary()) （OLS 結果：R-squared 0.898、Adj. R-squared 0.896、F-statistic 573.0、No. Observations 200、Df Residuals 196、Df Model 3；coef: const 3.5561、youtube 0.0455、facebook 0.1891、newspaper -0.0006；P>|t|: const 0.000、youtube 0.000、facebook 0.000、newspaper 0.914） A：空格 1 完整語法 reg = LinearRegression().fit(y, X) B：空格 1 完整語法 reg = LinearRegression().fit(X, y) C：print(reg.coef_) 結果為包括截距項等 4 個係數值 D：空格 2 完整語法 sm.OLS(X2, y).fit() E：model_sm 迴歸模型的所有迴歸係數在 α=0.05 之下具有顯著的解釋力 F：截距項係數值為 3.5561
本考點的相關 AI 術語
先掌握以下術語的定義與應用情境，再回來刷題，正確率會明顯提升。
下一步
練完本考點的題目後，回到 題庫總覽 查看其他科目的題數分布， 或直接進行 完整模擬考 驗證實力。 還不確定弱點在哪，先做 診斷測驗； 想了解歷年出題趨勢與高頻考點，參考 考古題與模擬測驗總整理。