AI 應用規劃師（初級）學習指引勘誤表（11404）

來源：/Users/jc/Desktop/學習/iPAS/AI應用規劃師(初級)學習指引勘誤表11404_20251222101819.pdf 適用對象：初級「學習指引」內容（不影響考古題）整理日期：2026-05-06

科目 1：人工智慧基礎概論

	內容
原	平均差（Mean Deviation）：每一個觀察值與平均數之間的差距，其數值越大表示分散程度越高。
改	平均差（Mean Deviation）：是所有觀察值與平均數之間絕對差值的平均，其數值越大，表示資料的分散程度越高。

重點：平均差 = mean(|xᵢ − x̄|)，是「絕對差的平均」，不只是「差距」。

	內容
原	當我們從母體中抽取樣本進行分析時，由於樣本的隨機性，得到的統計量（如樣本平均數、樣本標準差）與母體參數之間存在差異，這種差異稱為抽樣變異。
改	在進行統計分析時，從母體中抽取樣本所計算出的統計量（如樣本平均數、樣本標準差），往往因樣本的隨機性而與對應的母體參數有所差異。這種因抽樣而產生的統計量變動現象，稱為抽樣變異（Sampling Variation）。

	內容
原	統計推論：導致接受或拒絕之統計假設的步驟，就是統計推論之主要工作。
改	統計推論：根據樣本資料，判斷是否接受或拒絕統計假設的過程。

原表 H₀ 為假時「拒絕 H₀ 正確」對應的錯誤型別誤標為「Type II 錯誤」。

結論＼真實	H₀ 為真	H₀ 為假
接受 H₀	正確	Type II 錯誤（β）
拒絕 H₀	Type I 錯誤（α）	正確

記法：α = Type I（誤殺）、β = Type II（漏抓）。

題目：關於 K-means 的特性說明。

	內容
原答	（B）可結合其他方法，使用上較為彈性
改答	（A）原理相對其他集群法較為複雜

解析： K-means 的原理相對簡單（反覆分配點到最近中心、並更新中心點來最小化平方誤差和），並非複雜方法。K-means 常與 PCA（降維）、Elbow method（選 k 值）等方法結合，具有一定彈性。對於球形且大小密度接近的群體，K-means 表現良好。

題目（修正後）： 當我們進行一次假設檢定，得到的 p 值為 0.03，而我們事先設定的顯著性水準為 0.05。以下哪一個敘述最合乎統計檢定的意義？

(A) 我們有 97% 的信心拒絕虛無假設 (B) 我們在 95% 的信心水準下拒絕虛無假設 (C) 我們無法拒絕虛無假設 (D) 我們犯型一錯誤的機率為 5%

答案：(B) 我們在 95% 的信心水準下拒絕虛無假設

解析： 顯著性水準設定為 0.05 表示，我們容許最多 5% 的機率犯型一錯誤（Type-I Error），並非代表實際犯錯的機率是 5%（D 選項錯）；也不是「97% 的信心」（A 選項描述不精確）；p=0.03 < 0.05，可拒絕虛無假設（C 錯）。

	內容
原	（3）資源與基礎設施評估企業需採取分階段策略，平衡短期效益與長期發展：
改	（3）企業導入階段性實施策略企業需採取分階段策略，平衡短期效益與長期發展：

標題從「資源與基礎設施評估」改為「企業導入階段性實施策略」。