AI Knowledge Index
知識庫
不是另一門課，而是把官方題目背後的知識點整理成可快速搜尋、辨識與回題驗證的索引。
這題考上下文工程的核心是為模型選擇、組織與提供適當的指令及背景資訊，而不是改變模型參數。
這題考如何把題幹線索與大型語言模型的 Token的定義、功能或適用情境正確配對。
探索資料中自然形成的結構，例如顧客分群。
回答「是哪一類」；輸出通常是類別或各類別的機率。
這題考如何把題幹線索與分類、迴歸與分群的定義、功能或適用情境正確配對。
這題考以回饋優化模型的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考少量標註資料與大量未標註資料並存時，半監督式學習能同時利用兩者。
這題考如何把題幹線索與去識別化（De-identification）的定義、功能或適用情境正確配對。
用來衡量漏掉正例的程度；越不能漏判，越重視召回率。
這題考如何把題幹線索與可解釋 AI（XAI）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與生成式 AI 工具與應用的定義、功能或適用情境正確配對。
這題考如何把題幹線索與生成式 AI 原理、部署與效能的定義、功能或適用情境正確配對。
這題考如何把題幹線索與生成式與鑑別式 AI的定義、功能或適用情境正確配對。
這題考如何把題幹線索與多代理與 A2A的定義、功能或適用情境正確配對。
這題考自動語音辨識（ASR）的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
適合分群、降維與異常探索等尚未先定義正確答案的任務。
這題考如何把題幹線索與負責任 AI 治理的定義、功能或適用情境正確配對。
這題考如何把題幹線索與特徵工程（Feature Engineering）的定義、功能或適用情境正確配對。
避免用同一批資料同時訓練、選擇與宣告模型成績。
回答「是多少」；輸出是可連續變化的數值。
這題考如何把題幹線索與常見啟動函數的定義、功能或適用情境正確配對。
適合需要連續決策、延遲回饋及探索與利用權衡的任務。
讓模型更清楚任務、輸出要求與評估標準，提高回應穩定性。
這題考如何把題幹線索與提示工程策略的定義、功能或適用情境正確配對。
這題考如何把題幹線索與結構化、半結構化與非結構化資料的定義、功能或適用情境正確配對。
這題考如何把題幹線索與解決方案圖譜（Solution Graph）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與資料視覺化選擇的定義、功能或適用情境正確配對。
這題考資料整理與特徵工程的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考資料隱私與安全的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
辨識模型是否缺乏泛化能力，並選擇正則化、更多資料或降低複雜度等改善方法。
這題考如何把題幹線索與過擬合與泛化的定義、功能或適用情境正確配對。
適合分類與迴歸等已有歷史答案可學習的任務。
用來衡量誤報程度；越不能把負例誤判成正例，越重視 Precision。
這題考如何把題幹線索與標準化與正規化的定義、功能或適用情境正確配對。
降低每個 AI 應用都要為不同工具重做專屬整合的成本。
這題考模型部署與效能的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考如何把題幹線索與模型壓縮與效能優化的定義、功能或適用情境正確配對。
這題考如何把題幹線索與機器學習類型的定義、功能或適用情境正確配對。
補充模型不知道或會更新的知識，並讓回答可依據企業文件。
這題考如何把題幹線索與類別特徵編碼的定義、功能或適用情境正確配對。
把只會回覆的模型延伸成能完成多步驟任務的工作系統。
這題考如何把題幹線索與AI 基礎概念的定義、功能或適用情境正確配對。
這題考如何把題幹線索與AI Agent 與工具調用的定義、功能或適用情境正確配對。
這題考如何把題幹線索與API 系統整合的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Autoencoder 與 VAE的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Fine-tuning 與 PEFT的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Memory as Context（MAC）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與No-Code、Low-Code 與 AI 輔助開發的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Precision、Recall 與 F1的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Transformer 與注意力的定義、功能或適用情境正確配對。
避免接收端反覆輪詢，適合即時觸發自動化流程。
這題考如何把題幹線索與二分搜尋（Binary Search）的定義、功能或適用情境正確配對。
這題真正考的是 Human-over-the-loop 的監督位置：AI 可持續運作，人類在上層監督並保留即時介入權。
這題考如何把題幹線索與大型語言模型幻覺的定義、功能或適用情境正確配對。
這題考大數據 5V 中 Variety：來源、格式與資料型態高度多樣。
這題考 Few-shot Prompting 的辨識訊號：在提示中先給少量輸入／輸出示範，再要求模型模仿處理新問題。
這題考 Few-shot Prompting 在推理時提供例子、不更新權重；Few-shot Fine-tuning 會更新權重，因此小資料時要注意過擬合。
這題考如何把題幹線索與支援向量機（SVM）的定義、功能或適用情境正確配對。
這題考生成內容出處與浮水印的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考如何把題幹線索與生成對抗網路（GAN）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與同態加密（Homomorphic Encryption）的定義、功能或適用情境正確配對。
管理 Embedding，供 RAG 快速找回相關內容。
讓 RAG 不只比對字面關鍵字，也能找語意相近的內容。
這題考如何把題幹線索與多模態圖像描述的定義、功能或適用情境正確配對。
這題考如何把題幹線索與投資報酬率（ROI）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與卷積神經網路（CNN）的定義、功能或適用情境正確配對。
這題考沒有標籤、依行為相似性分群時，應歸類為非監督式學習。
這題考標準化統計量應由哪一批資料估計，才能讓測試集真正代表未見資料。
這題考在統計查詢中加入受控制的隨機雜訊，使單一個體是否在資料集中不易被推知，同時保留整體趨勢。
這題考時間序列不能任意隨機切分，否則訓練資料可能來自測試時間之後。
這題考如何把題幹線索與訓練資料記憶與洩漏的定義、功能或適用情境正確配對。
這題考如何把題幹線索與迴歸評估指標的定義、功能或適用情境正確配對。
這題考房價是連續數值預測，因此要用迴歸誤差指標，而非分類指標。
這題考『量測問題』屬 Bias Detection；『改資料、模型或決策規則』屬 Bias Mitigation。
這題考偏態且樣本有限時，如何選擇較穩健的母體參數估計策略。
這題考如何把題幹線索與情感分析與關鍵詞提取的定義、功能或適用情境正確配對。
這題考強化學習代理要在嘗試未知選項與使用已知最佳選項之間取得平衡。
這題考深度學習的核心特色：以多層神經網路逐層學得更抽象的表徵，而非主要依賴人工設計特徵。
這題考如何把題幹線索與深度學習架構與訓練的定義、功能或適用情境正確配對。
提供問答、客服或導引等互動。
這題考如何把題幹線索與提示詞注入（Prompt Injection）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與結構化預測（Structured Prediction）的定義、功能或適用情境正確配對。
這題考惡意指令不是由使用者直接輸入，而是藏在模型讀取的網頁或文件中，因此屬間接 Prompt Injection。
這題考如何把題幹線索與感知器網路（Sensor Network）的定義、功能或適用情境正確配對。
這題考輸入分布改變是 Data Drift；輸入與目標之間的關係改變是 Concept Drift。
這題考 PoC 的主要任務是用有限範圍驗證價值與可行性，不是一次完成企業長期治理制度。
這題考如何把題幹線索與資料去偏（Data Debiasing）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與資料型態與分析基礎的定義、功能或適用情境正確配對。
這題考資料清理與品質的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考如何把題幹線索與資料漂移與概念漂移的定義、功能或適用情境正確配對。
這題考訓練準確率遠高於測試準確率時，如何用資料增強提升泛化。
這題考如何把題幹線索與預測性分析（Predictive Analytics）的定義、功能或適用情境正確配對。
這題考公共補助等高影響決策出現族群差異時，治理優先順序不是只看整體準確率，而是先評估公平影響並提供救濟。
這題考 Wide and Deep 如何同時處理已知特徵組合的記憶與未見組合的泛化。
這題考如何把題幹線索與影像分割（Image Segmentation）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與模型評估與泛化的定義、功能或適用情境正確配對。
這題考如何把題幹線索與遷移學習（Transfer Learning）的定義、功能或適用情境正確配對。
這題考非監督式異常偵測能做到『找出偏離』，但不能憑空準確命名每一種異常類別。
這題考能否從『有沒有標籤』與『有沒有獎勵回饋』判斷學習類型。
這題考如何把題幹線索與優化器（Optimizer）的定義、功能或適用情境正確配對。
這題考 TCO 不只加總每月可見費用，還要涵蓋導入、整合、訓練、維護、資安與合規等全生命週期成本。
這題考如何把題幹線索與聯邦學習（Federated Learning）的定義、功能或適用情境正確配對。
這題考如何把題幹線索與擴散模型（Diffusion Model）的定義、功能或適用情境正確配對。
這題考害蟲偵測最怕漏檢時，應優先關注 Recall，而不是被大量正常樣本墊高的 Accuracy。
這題考如何把題幹線索與AI 治理、倫理與法規的定義、功能或適用情境正確配對。
這題考AI 產品與系統評測的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考如何把題幹線索與AI 導入評估與規劃的定義、功能或適用情境正確配對。
這題考 AI Agent 的差異不是『會自動執行』，而是能根據目標與環境狀態動態決策、調整策略並調用工具。
這題考AI Guardrails（防護機制）的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考 AutoSkill 的主要目標：把反覆互動中形成的成功經驗整理為明確、可重複使用的技能模組。
這題考如何把題幹線索與CLIP 與 DINO的定義、功能或適用情境正確配對。
這題考線性逐步推理適合 CoT；需要探索、比較多條候選路徑的規劃問題更適合 ToT。
這題考 Conditional Random Field（條件隨機場）直接建模給定觀察序列時的標籤序列，因此屬鑑別式模型。
這題考如何把題幹線索與Embedding 與向量表示的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Encoder-Decoder 與 Decoder-only的定義、功能或適用情境正確配對。
這題考如何把題幹線索與ETL 資料流程的定義、功能或適用情境正確配對。
這題只需掌握 GRPO 常用來強化可被回饋或驗證的多步推理能力，尤其是數學與邏輯解題。
這題考 L1／L2 的懲罰形式、別名，以及它們對權重的典型影響。
這題考 LIME 用簡單的局部代理模型，說明某一筆特定預測附近哪些特徵影響結果。
這題考資源受限時，LoRA 透過訓練少量低秩適配參數，避免更新整個大型模型。
這題考模型知識過時時，可透過 MCP 整合外部文件工具，讓模型在推理當下存取最新 API 文件。
這題考 RAG 主要把外部知識檢索進上下文；MCP 主要標準化模型與資源、工具或 API 的連接方式。
這題考如何把題幹線索與PoC 與 MVP的定義、功能或適用情境正確配對。
這題考如何把題幹線索與Prompt 與 Context Engineering的定義、功能或適用情境正確配對。
這題考 Prompt Injection 沒有單一完美防線，應以輸入、模型行為、輸出與工具權限組成多層防禦。
這題考如何把題幹線索與Q-Learning 與 Deep Q-Learning的定義、功能或適用情境正確配對。
這題考 Chunking 的主要目的不是讓模型更有創意，而是把長文件切成語意可檢索單位，提高命中相關段落的機率。
這題考 ReAct 適合下一步取決於新觀察、需要邊推理邊查資料並調整方向的開放任務。
這題考如何把題幹線索與RNN 與 LSTM的定義、功能或適用情境正確配對。
這題考ROC 與 AUC的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考先算每月人工成本與 API 成本差額，再用一次性整合成本除以每月節省額估回收期。
這題考Token Economics的適用邊界，並要求找出不正確、最不符合或不屬於的選項。
這題考兩者的核心取捨：Vibe Coding 以自然語言產生客製程式碼，彈性高但品質依賴指令與審查；Low-Code 用預設元件快速組裝，受平台能力限制。
這題真正考的是 Human-over-the-loop 的監督位置：AI 可持續運作，人類在上層監督並保留即時介入權。
這題考 Few-shot Prompting 的辨識訊號：在提示中先給少量輸入／輸出示範，再要求模型模仿處理新問題。
這題考 Token 同時影響可處理的輸入輸出長度與 API 計費；它不是整段語意向量，也不只是速度單位。
這題考 Chunking 的主要目的不是讓模型更有創意，而是把長文件切成語意可檢索單位，提高命中相關段落的機率。
這題考上下文工程的核心是為模型選擇、組織與提供適當的指令及背景資訊，而不是改變模型參數。
這題只需掌握 GRPO 常用來強化可被回饋或驗證的多步推理能力，尤其是數學與邏輯解題。
這題考惡意指令不是由使用者直接輸入，而是藏在模型讀取的網頁或文件中，因此屬間接 Prompt Injection。
這題考 AutoSkill 的主要目標：把反覆互動中形成的成功經驗整理為明確、可重複使用的技能模組。
這題考『量測問題』屬 Bias Detection；『改資料、模型或決策規則』屬 Bias Mitigation。
這題考公共補助等高影響決策出現族群差異時，治理優先順序不是只看整體準確率，而是先評估公平影響並提供救濟。
這題考兩者的核心取捨：Vibe Coding 以自然語言產生客製程式碼，彈性高但品質依賴指令與審查；Low-Code 用預設元件快速組裝，受平台能力限制。
這題考公共補助等高影響決策出現族群差異時，治理優先順序不是只看整體準確率，而是先評估公平影響並提供救濟。
這題考深度學習的核心特色：以多層神經網路逐層學得更抽象的表徵，而非主要依賴人工設計特徵。
這題考先算每月人工成本與 API 成本差額，再用一次性整合成本除以每月節省額估回收期。
這題考資源受限時，LoRA 透過訓練少量低秩適配參數，避免更新整個大型模型。
這題考 Few-shot Prompting 在推理時提供例子、不更新權重；Few-shot Fine-tuning 會更新權重，因此小資料時要注意過擬合。
這題考 Conditional Random Field（條件隨機場）直接建模給定觀察序列時的標籤序列，因此屬鑑別式模型。
這題考 PoC 的主要任務是用有限範圍驗證價值與可行性，不是一次完成企業長期治理制度。
這題考如何把題幹線索與過擬合與泛化的定義、功能或適用情境正確配對。
這題考 Webhook 是事件發生時，由來源系統主動把通知送到預先登記的接收端。
這題考 Conditional Random Field（條件隨機場）直接建模給定觀察序列時的標籤序列，因此屬鑑別式模型。
這題考訓練準確率遠高於測試準確率時，如何用資料增強提升泛化。
這題考 TCO 不只加總每月可見費用，還要涵蓋導入、整合、訓練、維護、資安與合規等全生命週期成本。
這題考資料型態取決於原始組織方式，而不是之後能否轉成數值。
這題考線性逐步推理適合 CoT；需要探索、比較多條候選路徑的規劃問題更適合 ToT。
這題考線性逐步推理適合 CoT；需要探索、比較多條候選路徑的規劃問題更適合 ToT。
這題考惡意指令不是由使用者直接輸入，而是藏在模型讀取的網頁或文件中，因此屬間接 Prompt Injection。
這題考時間序列不能任意隨機切分，否則訓練資料可能來自測試時間之後。
這題考標準化統計量應由哪一批資料估計，才能讓測試集真正代表未見資料。
這題考害蟲偵測最怕漏檢時，應優先關注 Recall，而不是被大量正常樣本墊高的 Accuracy。
這題考 AI Agent 的差異不是『會自動執行』，而是能根據目標與環境狀態動態決策、調整策略並調用工具。
這題考 ReAct 適合下一步取決於新觀察、需要邊推理邊查資料並調整方向的開放任務。
這題考資源受限時，LoRA 透過訓練少量低秩適配參數，避免更新整個大型模型。
這題考強化學習代理要在嘗試未知選項與使用已知最佳選項之間取得平衡。
這題考非監督式異常偵測能做到『找出偏離』，但不能憑空準確命名每一種異常類別。
這題考 Prompt Injection 沒有單一完美防線，應以輸入、模型行為、輸出與工具權限組成多層防禦。
這題考資料型態取決於原始組織方式，而不是之後能否轉成數值。
這題考在統計查詢中加入受控制的隨機雜訊，使單一個體是否在資料集中不易被推知，同時保留整體趨勢。
這題考 LIME 用簡單的局部代理模型，說明某一筆特定預測附近哪些特徵影響結果。
這題考如何把題幹線索與分類、迴歸與分群的定義、功能或適用情境正確配對。
這題考 PoC 的主要任務是用有限範圍驗證價值與可行性，不是一次完成企業長期治理制度。
這題考輸入分布改變是 Data Drift；輸入與目標之間的關係改變是 Concept Drift。
這題考輸入分布改變是 Data Drift；輸入與目標之間的關係改變是 Concept Drift。
這題考模型知識過時時，可透過 MCP 整合外部文件工具，讓模型在推理當下存取最新 API 文件。
這題考訓練準確率遠高於測試準確率時，如何用資料增強提升泛化。
這題考少量標註資料與大量未標註資料並存時，半監督式學習能同時利用兩者。
這題考標準化統計量應由哪一批資料估計，才能讓測試集真正代表未見資料。
這題考 LIME 用簡單的局部代理模型，說明某一筆特定預測附近哪些特徵影響結果。
這題考 L1／L2 的懲罰形式、別名，以及它們對權重的典型影響。
這題考『量測問題』屬 Bias Detection；『改資料、模型或決策規則』屬 Bias Mitigation。
這題考 Webhook 是事件發生時，由來源系統主動把通知送到預先登記的接收端。
這題考如何把題幹線索與分類、迴歸與分群的定義、功能或適用情境正確配對。
這題考 Prompt Injection 沒有單一完美防線，應以輸入、模型行為、輸出與工具權限組成多層防禦。
這題考 Prompt Injection 沒有單一完美防線，應以輸入、模型行為、輸出與工具權限組成多層防禦。
這題考在統計查詢中加入受控制的隨機雜訊，使單一個體是否在資料集中不易被推知，同時保留整體趨勢。
這題考 Chunking 的主要目的不是讓模型更有創意，而是把長文件切成語意可檢索單位，提高命中相關段落的機率。
這題考如何把題幹線索與負責任 AI 治理的定義、功能或適用情境正確配對。
這題考兩者的核心取捨：Vibe Coding 以自然語言產生客製程式碼，彈性高但品質依賴指令與審查；Low-Code 用預設元件快速組裝，受平台能力限制。
這題考 Token 同時影響可處理的輸入輸出長度與 API 計費；它不是整段語意向量，也不只是速度單位。
這題考如何把題幹線索與分類、迴歸與分群的定義、功能或適用情境正確配對。
這題考時間序列不能任意隨機切分，否則訓練資料可能來自測試時間之後。
這題考如何把題幹線索與機器學習類型的定義、功能或適用情境正確配對。
這題考先算每月人工成本與 API 成本差額，再用一次性整合成本除以每月節省額估回收期。