iPAS AI應用規劃師中級 模擬題

決策樹若不加限制持續生長，會完美區分訓練集中每個樣本，連噪聲與偶然性都學進去，面對新資料表現不佳。剪枝移除不重要或冗餘的分支，犧牲部分訓練集準確率，換取驗證集與測試集上更好的效能，可分為生長階段就限制擴展的預剪枝，與完全生長後再簡化的後剪枝，是解決過擬合、提升泛化能力的關鍵技術。

其他說法有誤：剪枝的目的是簡化模型，強制長到最大深度只會加劇過擬合；剪枝只是移除分支，不會自動生成新的特徵節點來補足資訊；它是單一決策樹本身的技術，隨機森林中的每一棵基學習器同樣可以剪枝。

這是即時分析（流式處理）：關鍵特徵是在資料產生或流入系統的當下就進行處理與分析，達成極低延遲的回應。Kafka 是高性能的分散式事件流平台，負責接收與傳輸即時產生的用戶行為資料流；Spark Streaming 是流式處理引擎，持續處理來自 Kafka 的資料流並執行詐騙模式檢測。系統能「立即觸發通知」，而不是等資料累積到一定量或特定時間才處理，因此屬於典型的即時分析。批次分析是對大量靜態資料做延遲較高的一次性處理；探索性分析則是分析師手動互動式探索資料，而非自動持續運行的警報系統。

智慧手錶運算資源與電池容量都極為有限，因此團隊選擇 MobileNetV3 這類專為低資源環境設計的輕量化架構，取代參數量龐大的 ResNet50。MobileNetV3 透過深度可分離卷積與倒殘差結構等設計，在維持可接受準確率的同時大幅降低參數量與計算量。這屬於一開始就選用小型化模型架構的做法，跟事後對既有模型做量化或剪枝的模型壓縮不同。動態批次大小是推論時依系統負載調整批次量的執行期策略，跟選用哪一種模型架構無關。分布式訓練是用多台機器加速訓練過程，跟在單一穿戴裝置上做推論的情境也不相符。

本題為反向題，正解「其他企業內部尚未公開、且未經授權取得的交易紀錄」並非客戶行為分析的常見數據來源；這類資料須在取得授權或簽訂資料共享合約下才能使用。客戶行為分析取用的是使用者自然留下的互動軌跡，包括在電商平台內的商品瀏覽歷史與購買紀錄、在搜尋欄輸入的關鍵字與頁面停留時間，以及在公開社群媒體上的貼文與互動內容。這些資料反映的是使用者做了什麼、對什麼感興趣，屬於分析端可以合理取用、用來理解偏好的資訊。未經授權取得的他方交易紀錄，不僅無法代表平台自身使用者的行為，還會構成資安與法遵上的重大風險。

Seaborn 是建立在 Matplotlib 之上的 Python 視覺化函式庫，目的是用更少的程式碼繪出更美觀、更具統計意義的圖表：它提供更高階的 API，許多統計圖（散佈圖矩陣、小提琴圖、熱力圖）用 Matplotlib 需多行程式碼，Seaborn 往往一行函數即可；同時內建多套美觀主題與調色盤，並與 Pandas DataFrame 緊密整合，可直接用欄位名稱指定變數。Seaborn 仍依賴 Matplotlib 運行，主要產出靜態圖形，不支援即時流式資料，也不是互動式儀表板工具。

有效的數據合規教育訓練，關鍵在於把抽象法規轉化成員工能理解、記憶並應用在日常工作的具體行為準則，單純的法條宣導效果往往不彰。情境式學習透過設計與員工工作相關的模擬情境（如處理客戶刪除請求、辨識釣魚郵件），讓學習內容更具代入感。搭配互動影片並在關鍵節點設置問答，能抓住員工注意力並引導主動思考，而非被動接收資訊。分享真實的數據外洩案例，分析成因與後果，能讓員工更深刻體會合規的重要性。相較之下，發放法條彙編要求自行研讀簽名、冗長的純理論講座，或僅限 IT 部門受訓，都無法達到同樣的參與度與內化效果。