左永安顧問卓越經營管理專案管理PMP TTQS ICAP 職能基準職能分析精準訓練 POWERSKILL : 9月 2025

2025年9月26日星期五

2025 09 26 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題科目一：人工智慧基礎概論 (A) 支援向量機（Support Vector Machine） (B) 變分自編碼器（Variational Autoencoder） (C) 自迴歸模型（Autoregressive Model） (D) 擴散模型（Diffusion Model） (A) 特徵（Feature） (B) 標籤（Label / Target） (C) 超參數（Hyperparameter） (D) 正則化係數（Regularization Coefficient）

iPAS AI應用規劃師初級能力鑑定-考試樣題

科目一：人工智慧基礎概論

一家智慧工廠 使用機器學習分類模型 預測關鍵設備

是否會異常停機。

完成模型訓練後，團隊希望全面評估模型在不同面向

的表現。

請問下列哪項指標最適合用來衡量模型

在偵測異常停機時的「漏報率」

（即未能正確偵測出異常事件的比例）？

(A) 準確率（Accuracy），即模型整體預測正確的比例

(B) 召回率（Recall），即模型能正確找出異常停機的比例

(D) 假陽性率（False Positive Rate），即將正常事件誤判為異常的比例

神經網路 與 傳統機器學習模型 的主要區別是什麼？

(A) 神經網路無法處理非線性數據

(B) 神經網路透過多層結構學習複雜特徵

(D) 神經網路不需要大量數據支持

下列關於生成對抗網路（GAN）的描述正確的是哪一項？

(A) GAN由生成器和鑑別器組成

(B) GAN僅用於分類問題

(D) GAN不能生成高品質的數據

一位資料分析師希望 減少輸入特徵的維度，以提升模型運算效率，並觀察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數量，下列哪一項方法最適合？

(A) 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數；

(B) 利用離散化方法將連續變數轉為分類型欄位；

(D) 以ETL技術移除空值欄位並改儲為JSON格式

關於目前 生成式AI的主要應用，不包括下列哪一項？

(A) 創建合成數據樣本

(B) 模擬數據分佈

(C) 分類醫學影像

(D) 生成文本

下列哪項是生成式AI支援鑑別式AI的典型案例？

(A) 模擬交通場景以訓練自動駕駛模型

(B) 使用CNN對腫瘤分類

(D) 創建更好的分類演算法

關於自然語言處理（NLP）核心技術，下列敘述何者不正確？

(A) 語音識別技術將語音轉換為文本，並用於語音助理和語音輸入

(B) 自然語言生成技術可以生成自然流暢的文本，用於聊天機器人和自動文案生成

(C) 語意分析技術理解文本的語意，並主要用於語音識別和機器翻譯

(D) 機器翻譯技術自動翻譯文本，促進多語言支援和全球溝通

關於「負責任的AI」，下列敘述何者較為正確？

(A) AI系統的開發者對AI系統的行為負責

(B) AI系統的使用者對AI系統的結果負責

(D) 政府對AI系統的發展負責

關於生成式AI的基本原理，下列敘述何者較正確？

(A) 生成式AI通過分析大量數據來生成新數據，模擬數據分佈以創造

與訓練數據相似的結果

(B) 生成式AI主要通過預定義的規則來進行數據處理和分類

(D) 生成式AI通過自動化的方式清洗數據，提升數據分析的準確性

關於下列模型在生成式人工智慧（Generative AI）中的角色，

何者並非以「產生新資料」為主要設計目的？

(A) 支援向量機（Support Vector Machine）

(B) 變分自編碼器（Variational Autoencoder）

(D) 擴散模型（Diffusion Model）

某份資料中出現多個欄位（如score1、score2、score3）

儲存相同的成績資訊，造成資料結構重複與使用混淆，

此種情形屬於下列 哪一種資料 品質問題？

(A) 重複資料（Duplicate Data）

(B) 冗餘資料（Redundant Data）

(D) 缺失資料（Missing Data）

某電商平台希望預測商品的 退貨機率，以協助降低營運風險。若模型使用的輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，而模型的輸出為 是否退貨（是/否）。請問在此模型中，「是否退貨」應歸類為下列哪一類變數？

(A) 特徵（Feature）

(B) 標籤（Label / Target）

(D) 正則化係數（Regularization Coefficient）

2025年9月19日星期五

2025 09 19 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 PLAN 計畫階段訓練規劃與組織營運發展目標之關聯性及訓練體系之實踐能力。指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 列舉適當佐證資料項目 1.組織願景、使命、策略之揭露。 2.展現組織策略及未來發展方向 3.展現組織年度工作計畫及相關行動方案。 4.展現組織年度訓練發展方向。指標意涵說明藉由揭露組織短、中長期的發展方向與目標,訂定組織未來營運策略與各項年度計畫或行動方案。並連結年度訓練發展方向。常見參考佐證資料(並註明資料之位置頁碼) 1.組織發展策略或策略地圖說明及揭露· 2.組織的願景與核心發展使命的說明及揭露。 3.組織年度的事業行動計畫發展涵蓋人力資源的發展與訓練規劃內容、主題或方向的佐證。 4.其他有關組織願景/使命/策略揭露及目標與需求訂定的相關佐證資料。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌國立臺灣大學臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理專案管理品牌管理策略管理關鍵就業力共通核心職能師資左記歐洲商行安永經營管理顧問

PLAN 計畫階段

訓練規劃與組織營運發展目標 之關聯性及

訓練體系之實踐能力。

指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分)

列舉適當佐證資料項目

1.組織願景、使命、策略之揭露。

2.展現組織策略及未來發展方向

3.展現組織年度 工作計畫 及 相關行動方案。

4.展現組織年度 訓練發展方向。

指標意涵說明

藉由揭露組織 短、中 、 長期的發展方向 與目標,

訂定組織未來營運策略

與各項年度計畫或行動方案, 並連結年度訓練發展方向。

常見參考佐證資料(並註明資料之位置頁碼)

1.組織發展 策略或策略地圖 說明及揭露·

2.組織的 願景與核心發展使命 的說明及揭露。

3.組織年度的 事業行動計畫發展 涵蓋 人力資源的發展 與

訓練規劃內容、主題或方向 的佐證。

4.其他有關組織願景/使命/策略揭露及目標與需求訂定的相關佐證資料

2025年9月8日星期一

2025 09 08左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長訓練機器學習時，會運用到許多不同的機器學習演算法大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier）常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE）常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier）常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

AI vs 機器學習 vs 深度學習

AI vs ML vs DL

人工智慧 目標是 讓機器具有人類的智慧

機器學習 從 大量資料 中找出規則，以 達到智慧化 的目標

深度學習 機器學習 的其中一種方法，模仿人類大腦 的類神經網路去分析數據資料

在訓練機器學習時，會運用到許多不同的機器學習演算法，

例如 線性回歸法、邏輯回歸法 等，

大致將各種演算法分為 4 種類型：

1.監督式學習

2.非監督式學習

3.半監督式學習

4.強化式學習

（一）監督式學習（Supervised Learning）

監督式學習定義

提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。

例如，我們給機器多組啤酒與葡萄酒的影像，並標記出哪些是啤酒，

哪些是葡萄酒。

機器會學習這些資料，並找出這些影像間的共同特徵，

以分辨啤酒與葡萄酒。

常見的監督式學習演算法有：

1.線性回歸法（Linear Regression）

2.隨機森林法（Random Forest）

3.單純貝氏分類器（Naive Bayes Classifier）

監督式學習例子

推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。

Netflix 的推薦系統會根據用戶過去的觀看紀錄與行為，

推薦用戶可能會喜歡的節目。

（二）非監督式學習（Unsupervised Learning）

非監督式學習定義

在非督導式學習模式中，輸入的資料多是沒有標準答案、未標記與非結構化

的資料。機器會使用 所有相關且可存取的資料 來識別資料間的關聯性，

並將資料分群。

常見的非監督式學習演算法有：

1. K-平均算法（K-Means Cluctering）

2. 主成分分析（PCA）

3. t-分布隨機鄰近嵌入（t-SNE）

非監督式學習例子

非監督式學習 可以解決各種商業問題，有助於企業快速探索大量資料，

例如銀行 用來監測交易 是否為 詐欺或機器人 活動等 異常行為。

（三）半監督式學習（Semi-supervised Learning）

半監督式學習定義

半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。

半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型

來標記 那些未標記的資料，直到所有資料都被標記完成。

常見的半監督式學習演算法有：

1.生成式對抗網路（Generative adversarial networks）

2.自學習貝氏分類器（Self-trained Naive Bayes classifier）

半監督式學習應用

半監督式學習經常應用在語音與語言分析，例如使用少量的語音數據

來訓練模型，並利用大量的未標記語音數據來進一步學習，

提高辨識的準確度。

（四）強化式學習（Reinforcement Learning）

強化式學習定義

強化式學習 也叫做增強式學習，指機器在處理資料時，

會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，

就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，

反之則是「懲罰」。

透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，

最終找到最有效的處理資料路徑，達到最終目標。

常見的增強式學習演算法有：

1.Q 學習（Q-Learning）

2.蒙特卡洛學習（Monte-Carlo Learning）

3.SARSA （State–Action–Reward–State–Action）

強化式學習應用

強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的

下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，

不過由於學習與進步的速度太慢了，

因此改使用強化式學習的方式提高棋力。

2025年9月7日星期日

2025 09 07 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長企業人力資源提升計畫(大人提) 小型企業人力提升計畫(小人提) SMART原則的應用 1.個人目標設定： 2.組織管理： 3.專案管理： SMART原則是一個目標設定的框架，其中「SMART」是五個英文單字的縮寫，分別代表： 1.明確(Specific) 2.可衡量(Measurable) 3.可達成(Achievable/Attainable) 4.相關(Relevant) 5.有時限(Time-bound)

SMART原則

是一個目標設定的框架，其中「SMART」是五個英文單字的縮寫，

分別代表：

1.明確(Specific)

2.可衡量(Measurable)

3.可達成(Achievable/Attainable)

4.相關(Relevant)

5.有時限(Time-bound)

旨在幫助個人和組織

設定出 清晰、具體且能有效執行 的目標，以提高達成目標的成功率。

SMART原則的五個要素

1. 明確(Specific)：

目標必須 具體且清晰，能夠清楚地描述要達成的事項。

例如，不要說「我要減重」，而是說「我要在三個月內減重3 公斤」。

2. 可衡量(Measurable)：

目標 必須是 可以量化的，以便 能夠追蹤進度 並 評估達成情況。

通常會 設定明確的數據或指標 來衡量。

3. 可達成(Achievable/Attainable)：

目標應該 具有挑戰性 但同時也要 是可實現的，避免設定

過於 極端、難以達成 或 完全不可能 的目標。

4. 相關(Relevant)：

目標 應與個人或組織的 長期目標 保持一致，並且 具有重要性，

不偏離 核心需求。

5. 有時限(Time-bound)：

目標必須 設定明確的 截止期限或開始/結束日期。

設立時間限制 可以創造緊迫感，防止拖延，並確保 能按時完成。

SMART原則的應用

1.個人目標設定：

幫助個人訂定 更明確且可執行的 人生目標。

2.組織管理 ：

協助企業設定明確的組織目標，提高團隊的 效率和執行力。

3.專案管理：

讓專案經理能更精確地 規劃專案，並追蹤專案 進度與成果。

2025年9月4日星期四

2025 09 04 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長資料科學詳細步驟： 1. 定義問題與目標： 2. 收集資料(Data Acquisition)：3. 資料前處理(Data Preprocessing)： 4. 探索性資料分析(Exploratory Data Analysis - EDA)：5. 模型開發與驗證(Model Development & Validation)：6. 解釋與報告(Interpretation & Communication)：7. 部署與決策應用(Deployment & Decision Making)：TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌國立臺灣大學臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理專案管理品牌管理策略管理關鍵就業力共通核心職能師資左記歐洲商行安永經營管理顧問

資料科學的步驟大致可分為：

1.定義問題、

2.收集資料、

3.資料前處理（包含 清理和轉換）、

4.資料分析（包含 探索與探勘）、

5.建立與優化模型，最後是

6.解釋與部署結果，

7.將洞察 轉化為實際的 商業 決策與應用。

資料科學詳細步驟：

1. 定義問題與目標：

這是資料科學流程的第一步，需要與利害關係人溝通，

明確專案的商業問題、分析目標，以及預期的成果。

2. 收集資料(Data Acquisition)：

根據定義好的問題，識別並收集 相關的資料來源，

可能來自內部數據庫、公開數據集、網路爬蟲或第三方來源。

3. 資料前處理(Data Preprocessing)：

資料清理(Data Cleaning)：

處理資料中 的 雜訊、錯誤訊息、遺失值和重複記錄，確保資料品質。

資料轉換(Data Transformation)：

將資料 變更成適合 後續分析的格式，

例如進行 特徵工程、多個 資料集合併 等。

4. 探索性資料分析(Exploratory Data Analysis - EDA)：

透過 統計學方法 和 資料視覺化，初步了解資料的 特性、分布與模式，

找出可能的研究方向。

5. 模型開發與驗證(Model Development & Validation)：

模型選擇：

根據問題類型（如分類、回歸、預測）選擇合適的機器學習或統計模型。

模型訓練：

使用資料訓練模型，並透過測試集評估其性能與準確性。

模型優化：

針對訓練結果進行微調，持續改善模型的性能。

6. 解釋與報告(Interpretation & Communication)：

將分析和模型的結果，透過圖表、報告等視覺化的方式呈現，

並用商業語言解釋 洞察和預測。

7. 部署與決策應用(Deployment & Decision Making)：

將經過驗證的模型和分析結果 實際應用 到商業場景中，

協助企業 做出更明智的決策，解決實際問題。

這個過程往往需要 不斷迭代 和優化。

2025年9月3日星期三

2025 09 03 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列哪一項技術屬於非監督式學習？ (A) 決策樹（Decision Tree） (B) 類神經網路（Neural Network） (C) 集群分析（Clustering Analysis） (D) 支援向量機（Support Vector Machine）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

80. 下列敘述 何者正確？

(A) 樣本變異數的值一般介於1與-1之間

(B) 母體變異數計算公式與樣本變異數相同

(C) 變異係數(Coefficient of Variance)=(標準差/平均數)*100%

(D) 相關係數介於0與1之間

81. 關於 K平均法（K-means），下列敘述何者 不正確？

(A) 希望找出k個互不交集的群集

(B) 不同的起始群集中心，可能會造成不同的分群結果

(D) 可以處理類別型資料

82. 探索式資料分析的主要目的為何？

(A) 熟悉資料

(B) 視覺化資料

(D) 資料分群

83. 下列哪一項技術屬於 非監督式學習？

(A) 決策樹（Decision Tree）

(B) 類神經網路（Neural Network）

(C) 集群分析（Clustering Analysis）

(D) 支援向量機（Support Vector Machine）

84. 關於 探索式資料繪圖，下列敘述何者 不正確？

(A) 直方圖之X軸資料是間斷不連續的

(B) 長條圖適合用於類別型資料分析

(D) ROC 曲線（Receiver Operating Characteristic Curve）

用於分類模型評估

85. 關於集群分析（Clustering Analysis），下列敘述何者 不正確？

(A) 依照相似度將資料分群

(B) 同一群內的相似度大

(D) K-means 每次分群結果一定會相同

86. 關於階層式集群分析（Hierarchical Clustering），下列敘述何者不正確？

(A) 一般採用樹狀圖（Dendrogram）表示

(B) 樹狀圖根節點（Root）為單一群集

(C) 聚合法（Agglomerative）是由上方根節點往下進行計算

(D) 分裂法（Divisive）是一開始將所有資料視為一個大群集

87. 關於階層式集群分析（Hierarchical Clustering）的方法，

下列敘述何者不正確？

(A) 單一連結法（Single Linkage Method）採用兩群間最小距離

(B) 完全連結法（Complete Linkage Method）採用兩群間最大距離

(C) 平均連結法（Average Linkage Method）採用兩群間中心點距離

(D) 華德法（Ward's Method）是計算組內變異作為評估群集相似性

88. 推薦系統（Recommender System）通常採用下列哪一個方法作為核心技術，

來分析 產品與使用者 間的關係？

(A) 支援向量機（Support Vector Machine）

(B) 矩陣分解（Matrix Factorization）

(D) 詞性標記（Part-of-Speech（POS）Tagging）

89. 下列何種 統計學習 的 演算法 是用來 進行資料的分群（Clustering），

但不能用 來進行 資料分類（Classification）？

(A) 基於密度的集群分析算法

（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）

(B) 貝氏網路（Bayisian Network）

(D) 支援向量機（Support Vector Machine）

2025年9月2日星期二

2025 09 02 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，一般可利用哪種統計工具來描述資料分佈？ (A) Zipf（齊夫分佈） (B) Gaussian（高斯分佈） (C) Dirichlet（狄利克雷分佈） (D) Uniform（均勻分佈）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

50. 當使用 線性模型 時，哪種方法 對於 學習預測線性 不可分的資料集

也許有幫助？

(A) 交叉驗證（Cross validation）

(B) 核方法（Kernel method）

(D) 降採樣（Down sampling）

51. 將網頁資料擷取下來之後，應先進行下列何步驟？

(A) 資料清理（Cleaning）

(B) 資料建模（Modeling）

(D) 趨勢預測（Prediction）

52. 假設Facebook公司給您1000位用戶的基本資料及文章資料，

如：姓名、性別、年齡以及最近十篇發文的時間、點讚數、回應數與

分享該文章所有人的基本資料，最適合 R語言中 的何種資料結構？

(A) 資料框架（Data frame）

(B) 串列（List）

(D) 矩陣（Matrix）

53. 若資料表中 只出現了一個 遺缺值（NA）值，下列何項處理方式最不適當？

(A) 刪除整欄（變數）

(B) 刪除整列（觀測值）

(D) 往回追溯資料源頭，尋找NA的來源

54. 下列何者 不是資料倉儲 的資料類型？

(A) 運算資料

(B) 預先加總資料

(D) 即時更新資料

55. 一般來說，下列何者不是 資料清理的目的？

(A) 將資料轉為可以分析的格式

(B) 發現資料之間的相關性

(D) 讓計算及分析上，更為方便及降低偏誤

56. 在一次考試中，由於班上同學考試成績最高分僅有70 分，為了能夠

讓學期成績比較好看，老師決定幫每個人的考試成績都加10分，

請問這個數值樣本中的 哪個統計量不會因為調分 而有差別？

(A) 平均值

(B) 標準差

(D) 第一四分位數

57. 在統計學中，下列哪一個選項的 分佈類型 與其他不相同？

(A) 二項分佈（Binomial Distribution）

(B) 指數分佈（Exponential Distribution）

(D) 常態分佈（Normal Distribution）

58. 關於資料探索，下列敘述何者不正確？

(A) 透過工具函數（例如：R 語言當中的 summary 函數）可了解關於

資料集內容的整體結構、變數情況、分佈指標、遺缺值

(B) 視覺化工具可幫忙了解變數間的關係，以利後續資料探勘作業

(C) 定性變數可計算出最小值、分位數、中位數、平均值與最大值進行

觀察

(D) 透過平均值和中位數的差異程度來判斷資料的偏倚程度，可用來

判斷資料之左偏或右偏情況

59. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，

一般可 利用哪種 統計工具來描述資料分佈？

(A) Zipf（齊夫分佈）

(B) Gaussian（高斯分佈）

(D) Uniform（均勻分佈）

訂閱：意見 (Atom)

2025年9月26日 星期五

2025年9月19日 星期五

2025年9月8日 星期一

2025年9月7日 星期日

2025年9月4日 星期四

2025年9月3日 星期三

2025年9月2日 星期二