# 5/17 考題範圍整理

## 科目一

- **VAE 與 Kullback-Leibler 散度**
- 變分自編碼器（VAE）
- KL 散度（Kullback-Leibler Divergence）
- **DBSCAN 不用指定 k 值**
- Density-Based Spatial Clustering of Applications with Noise
- **HITL (Human-In-The-Loop)**
- **供應鏈攻擊（Supply Chain Attack）**
- **自動超參數調整（Hyperopt）**
- 超參數搜尋框架
- **DVC (Data Version Control)**
- **LoRa**
- Low-Rank Adaptation / 低秩微調
- **RBAC (Role-Based Access Control)**
- **MLflow**
- 機器學習實驗管理
- **馬可夫鏈蒙地卡羅（MCMC, Markov Chain Monte Carlo）**
- **MAE 高的含意**
- 平均絕對誤差高，代表模型表現不佳
- **多模態（Multimodal）**
- 結合多種數據型態（如圖像＋文字等）
- **語意分割與實例分割**
- Semantic Segmentation：每個像素分類
- Instance Segmentation：分割出單一物件實例
- **PCA（主成分分析，Principal Component Analysis）**
- 常見降維方法

---

## 科目二

- **GBM（Gradient Boosting Machine）**
- **殘差、U型結構**
- 殘差結構：ResNet
- U型結構：U-Net
- **加密（Encryption）技術**
- **Zero Trust（零信任架構）**
- **超參數 vs 參數 差異**
- 超參數（Hyperparameter）：訓練前設定，例如學習率、batch size
- 參數（Parameter）：訓練中學習，如權重、偏差
- **激活函數（Activation Function）**
- **特徵向量（Feature Vector）**
- **降維（Dimensionality Reduction）**
- **正則化（Regularization）**
- **標準化（Normalization）**
- **F1 計算題**

公式：

$$
F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}
$$

---

# 成績


# 心得

- 每科考試時間 1.5 小時，1 科共 50 題、滿分 100 分。
- 實際作答與檢查大約花 40–50 分鐘。
- 當下有不少不確定的題目，最後成績比預期高。
- 有些題目即使對部分名詞不熟，可以善用些作答技巧排除錯誤答案。
- 考試範圍很廣，建議平時就要整理、累積 AI 相關專有名詞，搭配考前幾天大量刷題效果較好。
- 可以整理重點餵給 LLM（如 ChatGPT）生成模擬試題，或利用網路資源練習。
- 推薦 [CCChen的沙龍](https://vocus.cc/salon/678ac6e5fd89780001eb761c)，內有考試準備方向、模擬考題，對準備很有幫助。