# iPAS 科目1 題號 ↔ 體系知識圖節點對照表

> 配合 [`科目1_體系知識圖.html`](科目1_體系知識圖.html) 使用
> 來源：115 初級 S1（50 題）+ 114 初級 S1（50 題）+ U11-4301 官方練習題（50 題）= **150 題**
> 對應節點數：60 個

## 使用方式

- **練題前**：用知識圖看 8 大分類有什麼節點，建立 mental model。
- **練題後**：對著題號查本表，找到該題考的是哪幾個節點，再回知識圖看細節。
- **本表只列節點 ID 與簡稱**；完整解析請看各題的 `questions.md`。

---

## 一、依題號查節點

### 115 S1（50 題）

| 題號 | 測驗大類（題目原標） | 對應體系節點 |
|---|---|---|
| 1 | 資料治理 → 資料品質與資料整合 | `A2_AI_governance` / `B2_data_processing_method` / `B6_data_quality` |
| 2 | AI 應用領域 → 智慧城市與物聯網 | `H4_application_cases` |
| 3 | 機器學習概念 → 學習模式（非監督式學習） | `C2_ml_types` |
| 4 | 資料前處理 → 離群值處理 | `B2_data_processing_method` / `B7_outlier_handling` |
| 5 | 機器學習概念 → 不平衡資料處理 | `B2_data_processing_method` / `B11_imbalanced_data` |
| 6 | 機器學習概念 → 資料前處理 | `B2_data_processing_method` |
| 7 | 機器學習概念 → 特徵工程 | `C9_feature_engineering` |
| 8 | 深度學習 → 模型架構 | `D1_neural_network_basics` |
| 9 | 深度學習 → 啟動函數 | `D1_neural_network_basics` |
| 10 | 生成式 AI → 生成模型 | `E1_disc_vs_gen` / `E3_gen_models` |
| 11 | 生成式 AI → 應用評估 | `E1_disc_vs_gen` |
| 12 | 生成式 AI → 大型語言模型 | `E1_disc_vs_gen` / `E4_llm_basics` |
| 13 | AI 倫理與規範 → 法規遵循（金融） | `A6_eu_ai_act` |
| 14 | AI 應用領域 → 產業應用 | `H4_application_cases` |
| 15 | 資料管理 → 資料型態 | `B1_data_basic` |
| 16 | 資料分析 → 敘述統計 | `B3_eda` |
| 17 | 資料分析 → 資料視覺化 | `B3_eda` |
| 18 | 演算法 → 搜尋演算法 | _未對應 (v1 未涵蓋)_ |
| 19 | 機器學習概念 → 學習模式（強化式學習） | `C2_ml_types` |
| 20 | 機器學習概念 → 過擬合處理 | `F1_overfitting` |
| 21 | 生成式 AI → 生成模型 | `E1_disc_vs_gen` / `E3_gen_models` |
| 22 | 機器學習概念 → 異常偵測 | `C12_anomaly_detection` |
| 23 | AI 應用部署 → 推論服務 | `H2_mlops` |
| 24 | 生成式 AI → LLM 訓練流程 | `E1_disc_vs_gen` / `E4_llm_basics` |
| 25 | AI 應用部署 → 推論優化 | `H2_mlops` |
| 26 | 可解釋 AI → XAI 分類 | `G3_explainability` |
| 27 | 可解釋 AI → XAI 工具 | `G3_explainability` |
| 28 | 可解釋 AI → 反事實解釋 | `G3_explainability` |
| 29 | 可解釋 AI → 視覺化解釋 | `G3_explainability` |
| 30 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 31 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 32 | 電腦視覺 → 視覺任務 | `D2_cnn` |
| 33 | 深度學習 → RNN/LSTM | `D3_rnn_lstm` |
| 34 | AI 應用部署 → 平台選擇 | `H2_mlops` |
| 35 | AI 倫理與規範 → 個資保護 | `B12_data_privacy` |
| 36 | AI 概論 → 能力範疇 | `A1_AI_definition` |
| 37 | AI 應用部署 → 效能優化 | `H2_mlops` |
| 38 | AI 應用領域 → 電腦視覺 | `D2_cnn` / `H4_application_cases` |
| 39 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 40 | 機器學習概念 → 模型評估 | `F3_classification_metrics` |
| 41 | 生成式 AI → LLM 推論優化 | `E1_disc_vs_gen` / `E4_llm_basics` / `H2_mlops` |
| 42 | 生成式 AI → RAG 系統設計 | `E1_disc_vs_gen` |
| 43 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 44 | 機器學習概念 → 特徵工程 | `C9_feature_engineering` |
| 45 | 深度學習 → 訓練最佳化 | `D1_neural_network_basics` / `H2_mlops` |
| 46 | 大數據處理 → 大數據特性 | `B1_data_basic` |
| 47 | 機器學習概念 → 任務類型 | `C2_ml_types` |
| 48 | 深度學習 → 模型架構 | `D1_neural_network_basics` |
| 49 | 機器學習概念 → 訓練策略 | `H2_mlops` |
| 50 | 機器學習概念 → 模型評估 | `F3_classification_metrics` |

### 114 S1（50 題）

| 題號 | 測驗大類（題目原標） | 對應體系節點 |
|---|---|---|
| 1 | AI 倫理與規範 → 人機協作 | `G2_fairness` |
| 2 | 機器學習概念 → 特徵工程 | `C9_feature_engineering` |
| 3 | 資料治理 → ETL 流程 | `A2_AI_governance` / `B4_etl` |
| 4 | 機器學習概念 → 正則化 | `F6_hyperparameter_tuning` |
| 5 | 機器學習概念 → 模型評估 | `F3_classification_metrics` |
| 6 | 機器學習概念 → 正則化 | `F6_hyperparameter_tuning` |
| 7 | 機器學習概念 → 鑑別式 AI 與生成式 AI 概念 | `E1_disc_vs_gen` |
| 8 | 生成式 AI → 語言模型 | `E1_disc_vs_gen` / `E4_llm_basics` |
| 9 | AI 倫理與規範 → 法規 | `A6_eu_ai_act` |
| 10 | AI 倫理與規範 → 法規遵循（金融） | `A6_eu_ai_act` |
| 11 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 12 | 資料分析 → 資料視覺化 | `B3_eda` |
| 13 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 14 | 資料分析 → 分析類型 | `B3_eda` |
| 15 | 機器學習概念 → 分類演算法 | `C2_ml_types` |
| 16 | 深度學習 → RNN | `D3_rnn_lstm` |
| 17 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 18 | 機器學習概念 → 強化式學習 | `C2_ml_types` |
| 19 | 機器學習概念 → 損失函數 | `F3_classification_metrics` |
| 20 | 機器學習概念 → 分類模型 | `F3_classification_metrics` |
| 21 | 機器學習概念 → 集成學習 | _未對應 (v1 未涵蓋)_ |
| 22 | 生成式 AI → 生成模型 | `E1_disc_vs_gen` / `E3_gen_models` |
| 23 | AI 倫理與規範 → 評測標準 | `A5_taiwan_ai_eval` |
| 24 | 生成式 AI → 大型語言模型 | `E1_disc_vs_gen` / `E4_llm_basics` |
| 25 | AI 倫理與規範 → 公平性 | `G2_fairness` |
| 26 | 生成式 AI → LLM 訓練 | `E1_disc_vs_gen` / `E4_llm_basics` |
| 27 | 生成式 AI → 模型壓縮/優化 | `E1_disc_vs_gen` |
| 28 | 生成式 AI → Transformer | `D4_transformer` / `E1_disc_vs_gen` |
| 29 | 可解釋 AI → XAI 方法 | `G3_explainability` |
| 30 | 可解釋 AI → 應用價值 | `G3_explainability` |
| 31 | 可解釋 AI → 反事實解釋 | `G3_explainability` |
| 32 | 資料分析 → 統計推論 | `B3_eda` |
| 33 | 機器學習概念 → 異常偵測 | `C12_anomaly_detection` |
| 34 | 資料治理 → 資料品質 | `A2_AI_governance` / `B6_data_quality` |
| 35 | 機器學習概念 → 不平衡資料 | `B11_imbalanced_data` |
| 36 | 資料分析 → EDA | `B3_eda` |
| 37 | 機器學習概念 → 抽樣策略 | `B11_imbalanced_data` |
| 38 | 生成式 AI → RAG 系統設計 | `E1_disc_vs_gen` |
| 39 | 機器學習概念 → 模型評估 | `F3_classification_metrics` |
| 40 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 41 | 機器學習概念 → 特徵工程 | `C9_feature_engineering` |
| 42 | AI 倫理與規範 → 隱私保護 | `B12_data_privacy` |
| 43 | 機器學習概念 → 特徵工程 | `C9_feature_engineering` |
| 44 | 機器學習概念 → 學習模式 | `C2_ml_types` |
| 45 | 資料前處理 → 離群值處理 | `B2_data_processing_method` / `B7_outlier_handling` |
| 46 | 機器學習概念 → 特徵選擇 | `C9_feature_engineering` |
| 47 | 深度學習 → 訓練最佳化 | `D1_neural_network_basics` / `H2_mlops` |
| 48 | 資料分析 → 資料視覺化 | `B3_eda` |
| 49 | AI 倫理與規範 → 評測標準 | `A5_taiwan_ai_eval` |
| 50 | AI 應用部署 → 推論服務 | `H2_mlops` |

### U11-4301（50 題）

| 題號 | 測驗大類（題目原標） | 對應體系節點 |
|---|---|---|
| 1 | 模型評估與資料劃分策略 | `C4_train_val_test` / `F3_classification_metrics` |
| 2 | 語音辨識效能優化策略 | _未對應 (v1 未涵蓋)_ |
| 3 | 機器學習類型與應用場景 | `C2_ml_types` |
| 4 | 循環神經網路之原理與特性 | `D1_neural_network_basics` / `D3_rnn_lstm` |
| 5 | 我國 AI 評測制度與可信任 AI 規範 | `A5_taiwan_ai_eval` |
| 6 | 探索性資料分析的核心應用 | `B3_eda` |
| 7 | 鑑別式 AI 與生成式 AI 之定義與差異 | `E1_disc_vs_gen` |
| 8 | 生成式與鑑別式 AI 的整合應用 | `E1_disc_vs_gen` / `E5_disc_gen_integration` |
| 9 | 生成式模型與鑑別式模型之辨析 | `E1_disc_vs_gen` / `E2_disc_models` |
| 10 | 資料前處理中的離群值處理策略 | `B2_data_processing_method` / `B7_outlier_handling` |
| 11 | K-近鄰演算法 | `C5_knn` |
| 12 | 結構化學習的定義與應用 | `C11_structured_learning` |
| 13 | 自動化機器學習流程與模型選擇策略 | `C2_ml_types` / `C10_automl` |
| 14 | 模型泛化能力與環境遷移問題 | `H1_data_drift` |
| 15 | 隱私保護技術與資料匿名化 | `B12_data_privacy` / `G5_anonymization` |
| 16 | 資料品質與資料前處理 | `B2_data_processing_method` / `B6_data_quality` |
| 17 | 語言模型的推論策略 | `E4_llm_basics` |
| 18 | ETL 程序與資料清理 | `B4_etl` |
| 19 | 多模態生成任務分類 | `E6_multimodal_clip` / `E7_multimodal_tasks` |
| 20 | 自然語言處理之文字前處理技術 | _未對應 (v1 未涵蓋)_ |
| 21 | 人工智慧功能分類與特徵 | `A3_AI_function_classification` |
| 22 | 資料不平衡處理與模型偏誤 | `B11_imbalanced_data` |
| 23 | 模型選擇與輸出限制 | `C2_ml_types` |
| 24 | 歐盟《人工智慧法案》風險分級與合規規範 | `A6_eu_ai_act` |
| 25 | 卷積神經網路之組成架構與功能 | `D1_neural_network_basics` / `D2_cnn` |
| 26 | 金融業 AI 治理與公平性維護 | `A2_AI_governance` / `G2_fairness` |
| 27 | 人工智慧技術底層組成與分類 | `A1_AI_definition` |
| 28 | 線性迴歸模型評估指標 | `F3_classification_metrics` |
| 29 | 特徵降維與特徵工程 | `C8_pca` / `C9_feature_engineering` |
| 30 | 敘述統計指標之選擇與抗離群值特性 | `B3_eda` / `B7_outlier_handling` |
| 31 | 資料標準化 | `B9_standardization` |
| 32 | 時間序列資料的特性與驗證流程 | `F2_cross_validation` |
| 33 | AI 治理核心原則 | `A2_AI_governance` |
| 34 | 分類模型評估指標：召回率與漏報率 | `F3_classification_metrics` |
| 35 | GRPO演算法原理 | _未對應 (v1 未涵蓋)_ |
| 36 | 異常值的識別與處理方法。 | `B7_outlier_handling` |
| 37 | 語言模型推論優化 | `E4_llm_basics` / `H2_mlops` |
| 38 | 模型效能診斷與初步處理 | `F3_classification_metrics` |
| 39 | 電腦視覺基本任務分類 | `D2_cnn` |
| 40 | 預測模型的建模原則與偏誤-變異權衡 | `F5_bias_variance` |
| 41 | 特徵工程：類別變數處理 | `C9_feature_engineering` |
| 42 | 生成對抗網路之運作原理 | `E3_gen_models` / `G7_adversarial_attack` |
| 43 | AI 代理於客服系統之應用實務 | `H4_application_cases` |
| 44 | 批次推論的資源調度與管理 | `H2_mlops` |
| 45 | 擴散模型的原理與應用 | `E3_gen_models` |
| 46 | 統計推論與大數法則 | `B3_eda` |
| 47 | 模型誤差分類與泛化能力 | `F5_bias_variance` / `H1_data_drift` |
| 48 | 機器學習基本構成要素 | `C1_ml_basics` |
| 49 | 搜尋演算法的選擇與前提條件 | _未對應 (v1 未涵蓋)_ |
| 50 | 反向傳播演算法 | `D1_neural_network_basics` |

---

## 二、依節點查題號（高頻 → 低頻）

可協助找出哪些節點在考古題中**被反覆考**——這些是必懂的高頻觀念。

### A. 基礎與分類

- 🔥 **`A2_AI_governance`** AI 治理與倫理概念 ★★★★★（命中 5 題）
  - 出處：115 S1#1、114 S1#3、114 S1#34、U11-4301#26、U11-4301#33
- ⭐ **`A6_eu_ai_act`** 歐盟人工智慧法案（EU AI Act）風險分級 ★★★★★（命中 4 題）
  - 出處：115 S1#13、114 S1#9、114 S1#10、U11-4301#24
- ⭐ **`A5_taiwan_ai_eval`** 我國 AI 評測制度與可信任 AI（AI 產品與系統評測中心） ★★★★（命中 3 題）
  - 出處：114 S1#23、114 S1#49、U11-4301#5
- ⭐ **`A1_AI_definition`** 人工智慧（AI）的定義與範疇 ★★★★★（命中 2 題）
  - 出處：115 S1#36、U11-4301#27
- **`A3_AI_function_classification`** AI 功能分類：分析型／預測型／生成型 ★★★★（命中 1 題）
  - 出處：U11-4301#21
- **`A4_history`** AI 發展歷史與里程碑 ★★（命中 0 題）
  - 出處：_無_
### B. 資料

- 🔥 **`B3_eda`** 探索性資料分析（EDA） ★★★★（命中 10 題）
  - 出處：115 S1#16、115 S1#17、114 S1#12、114 S1#14、114 S1#32、114 S1#36、114 S1#48、U11-4301#6、U11-4301#30、U11-4301#46
- 🔥 **`B2_data_processing_method`** 資料處理基本方法（清洗/轉換/整合） ★★★★★（命中 7 題）
  - 出處：115 S1#1、115 S1#4、115 S1#5、115 S1#6、114 S1#45、U11-4301#10、U11-4301#16
- 🔥 **`B7_outlier_handling`** 離群值（Outlier）的識別與處理 ★★★★（命中 5 題）
  - 出處：115 S1#4、114 S1#45、U11-4301#10、U11-4301#30、U11-4301#36
- ⭐ **`B11_imbalanced_data`** 資料不平衡處理（SMOTE / 類別權重） ★★★★★（命中 4 題）
  - 出處：115 S1#5、114 S1#35、114 S1#37、U11-4301#22
- ⭐ **`B6_data_quality`** 資料品質與關鍵維度 ★★★★★（命中 3 題）
  - 出處：115 S1#1、114 S1#34、U11-4301#16
- ⭐ **`B12_data_privacy`** 資料隱私與安全（個資保護） ★★★★★（命中 3 題）
  - 出處：115 S1#35、114 S1#42、U11-4301#15
- ⭐ **`B1_data_basic`** 資料基本概念（定義與分類） ★★★★★（命中 2 題）
  - 出處：115 S1#15、115 S1#46
- ⭐ **`B4_etl`** ETL 程序與資料清理 ★★★★（命中 2 題）
  - 出處：114 S1#3、U11-4301#18
- **`B9_standardization`** 資料標準化（Standardization / Normalization） ★★★★★（命中 1 題）
  - 出處：U11-4301#31
- **`B5_data_warehouse_lake`** 資料倉儲（Data Warehouse）與資料湖（Data Lake） ★★★（命中 0 題）
  - 出處：_無_
- **`B8_missing_value`** 缺失值（Missing Values）處理 ★★★★★（命中 0 題）
  - 出處：_無_
- **`B10_categorical_encoding`** 類別變數編碼（One-hot / Label / Target Encoding） ★★★★（命中 0 題）
  - 出處：_無_
- **`B13_cia_triad`** 資訊安全鐵三角（CIA Triad） ★★★★★（命中 0 題）
  - 出處：_無_
### C. 機器學習

- 🔥 **`C2_ml_types`** 機器學習三大類型（監督／非監督／強化） ★★★★★（命中 17 題）
  - 出處：115 S1#3、115 S1#19、115 S1#30、115 S1#31、115 S1#39、115 S1#43、115 S1#47、114 S1#11、114 S1#13、114 S1#15、114 S1#17、114 S1#18、114 S1#40、114 S1#44、U11-4301#3、U11-4301#13、U11-4301#23
- 🔥 **`C9_feature_engineering`** 特徵工程（Feature Engineering） ★★★★★（命中 8 題）
  - 出處：115 S1#7、115 S1#44、114 S1#2、114 S1#41、114 S1#43、114 S1#46、U11-4301#29、U11-4301#41
- ⭐ **`C12_anomaly_detection`** 異常偵測（Anomaly Detection） ★★★★（命中 2 題）
  - 出處：115 S1#22、114 S1#33
- **`C1_ml_basics`** 機器學習基本原理與架構 ★★★★★（命中 1 題）
  - 出處：U11-4301#48
- **`C4_train_val_test`** 資料劃分：訓練／驗證／測試集 ★★★★★（命中 1 題）
  - 出處：U11-4301#1
- **`C5_knn`** K-近鄰演算法（KNN） ★★★★（命中 1 題）
  - 出處：U11-4301#11
- **`C8_pca`** 主成分分析（PCA）／降維 ★★★★★（命中 1 題）
  - 出處：U11-4301#29
- **`C10_automl`** 自動化機器學習（AutoML） ★★★★（命中 1 題）
  - 出處：U11-4301#13
- **`C11_structured_learning`** 結構化學習（Structured Learning） ★★★（命中 1 題）
  - 出處：U11-4301#12
- **`C3_features_labels`** 特徵（Features）與標籤（Labels） ★★★★（命中 0 題）
  - 出處：_無_
- **`C6_decision_tree`** 決策樹與資訊增益（Information Gain） ★★★★（命中 0 題）
  - 出處：_無_
- **`C7_clustering`** 分群（K-means／DBSCAN／Hierarchical） ★★★★（命中 0 題）
  - 出處：_無_
### D. 深度學習與架構

- 🔥 **`D1_neural_network_basics`** 神經網路與反向傳播（Backpropagation） ★★★★（命中 8 題）
  - 出處：115 S1#8、115 S1#9、115 S1#45、115 S1#48、114 S1#47、U11-4301#4、U11-4301#25、U11-4301#50
- ⭐ **`D2_cnn`** 卷積神經網路（CNN） ★★★★（命中 4 題）
  - 出處：115 S1#32、115 S1#38、U11-4301#25、U11-4301#39
- ⭐ **`D3_rnn_lstm`** RNN／LSTM／時序模型 ★★★★（命中 3 題）
  - 出處：115 S1#33、114 S1#16、U11-4301#4
- **`D4_transformer`** Transformer 與自注意力（Self-Attention） ★★★★★（命中 1 題）
  - 出處：114 S1#28
- **`D5_bert`** BERT 與遮罩語言模型（MLM） ★★★★（命中 0 題）
  - 出處：_無_
### E. 生成式 vs 鑑別式

- 🔥 **`E1_disc_vs_gen`** 鑑別式 AI vs 生成式 AI 的核心差異 ★★★★★（命中 18 題）
  - 出處：115 S1#10、115 S1#11、115 S1#12、115 S1#21、115 S1#24、115 S1#41、115 S1#42、114 S1#7、114 S1#8、114 S1#22、114 S1#24、114 S1#26、114 S1#27、114 S1#28、114 S1#38、U11-4301#7、U11-4301#8、U11-4301#9
- 🔥 **`E4_llm_basics`** 大型語言模型（LLM）基礎 ★★★★（命中 8 題）
  - 出處：115 S1#12、115 S1#24、115 S1#41、114 S1#8、114 S1#24、114 S1#26、U11-4301#17、U11-4301#37
- 🔥 **`E3_gen_models`** 生成式模型典型例子（GAN／VAE／Diffusion） ★★★★★（命中 5 題）
  - 出處：115 S1#10、115 S1#21、114 S1#22、U11-4301#42、U11-4301#45
- **`E2_disc_models`** 鑑別式模型典型例子 ★★★★（命中 1 題）
  - 出處：U11-4301#9
- **`E5_disc_gen_integration`** 鑑別式 + 生成式整合應用 ★★★★（命中 1 題）
  - 出處：U11-4301#8
- **`E6_multimodal_clip`** 多模態與 CLIP（圖文對齊） ★★★★（命中 1 題）
  - 出處：U11-4301#19
- **`E7_multimodal_tasks`** 多模態生成任務分類 ★★★★（命中 1 題）
  - 出處：U11-4301#19
### F. 評估與訓練

- 🔥 **`F3_classification_metrics`** 分類評估指標（F1/Precision/Recall/ROC） ★★★★★（命中 10 題）
  - 出處：115 S1#40、115 S1#50、114 S1#5、114 S1#19、114 S1#20、114 S1#39、U11-4301#1、U11-4301#28、U11-4301#34、U11-4301#38
- ⭐ **`F5_bias_variance`** 偏誤-變異權衡（Bias-Variance Trade-off） ★★★★（命中 2 題）
  - 出處：U11-4301#40、U11-4301#47
- ⭐ **`F6_hyperparameter_tuning`** 超參數調校（Grid/Random/Bayesian） ★★★★（命中 2 題）
  - 出處：114 S1#4、114 S1#6
- **`F1_overfitting`** 過擬合（Overfitting）與欠擬合 ★★★★★（命中 1 題）
  - 出處：115 S1#20
- **`F2_cross_validation`** 交叉驗證（Cross-Validation） ★★★★★（命中 1 題）
  - 出處：U11-4301#32
- **`F4_regression_metrics`** 迴歸評估指標（MSE/RMSE/MAE/R²） ★★★★（命中 0 題）
  - 出處：_無_
### G. 倫理治理風險

- 🔥 **`G3_explainability`** 可解釋性（Explainability / XAI） ★★★★（命中 7 題）
  - 出處：115 S1#26、115 S1#27、115 S1#28、115 S1#29、114 S1#29、114 S1#30、114 S1#31
- ⭐ **`G2_fairness`** AI 公平性（Fairness） ★★★★★（命中 3 題）
  - 出處：114 S1#1、114 S1#25、U11-4301#26
- **`G5_anonymization`** 去識別化（Anonymization / Pseudonymization） ★★★★★（命中 1 題）
  - 出處：U11-4301#15
- **`G7_adversarial_attack`** 對抗性攻擊（Adversarial Attack） ★★★★（命中 1 題）
  - 出處：U11-4301#42
- **`G1_bias_detection_mitigation`** 偏見檢測（Bias Detection）vs 緩解（Mitigation） ★★★★★（命中 0 題）
  - 出處：_無_
- **`G4_he_fl_zkp`** 隱私計算（HE / FL / ZKP / DP） ★★★★★（命中 0 題）
  - 出處：_無_
- **`G6_hallucination`** 幻覺（Hallucination） ★★★★（命中 0 題）
  - 出處：_無_
### H. 應用與部署

- 🔥 **`H2_mlops`** MLOps 與模型營運 ★★★★（命中 11 題）
  - 出處：115 S1#23、115 S1#25、115 S1#34、115 S1#37、115 S1#41、115 S1#45、115 S1#49、114 S1#47、114 S1#50、U11-4301#37、U11-4301#44
- ⭐ **`H4_application_cases`** AI 應用情境（製造／醫療／金融／智慧城市） ★★★★（命中 4 題）
  - 出處：115 S1#2、115 S1#14、115 S1#38、U11-4301#43
- ⭐ **`H1_data_drift`** 資料漂移（Data Drift）/ 概念漂移（Concept Drift） ★★★★★（命中 2 題）
  - 出處：U11-4301#14、U11-4301#47
- **`H3_phased_rollout`** 漸進式部署（Phased Rollout） ★★★（命中 0 題）
  - 出處：_無_

---

## 三、統計概況

- **150 題中**：144 題已對應到體系節點，6 題未對應（多為 v1 尚未涵蓋的補充主題）。
- **60 節點中**：46 個節點至少被 1 題考過，14 個節點是「概念補強」性質（未在考古題出現）。

### 出題頻次 Top 10（必懂！）

| 排名 | 節點 | 題數 | 涵蓋章節 |
|---|---|---|---|
| 1 | `E1_disc_vs_gen` 鑑別式 AI vs 生成式 AI 的核心差異 | **18** | L11401 |
| 2 | `C2_ml_types` 機器學習三大類型（監督／非監督／強化） | **17** | L11101 |
| 3 | `H2_mlops` MLOps 與模型營運 | **11** | L11301 |
| 4 | `B3_eda` 探索性資料分析（EDA） | **10** | L11101 / L11202 |
| 5 | `F3_classification_metrics` 分類評估指標（F1/Precision/Recall/ROC） | **10** | L11301 |
| 6 | `C9_feature_engineering` 特徵工程（Feature Engineering） | **8** | L11302 |
| 7 | `D1_neural_network_basics` 神經網路與反向傳播（Backpropagation） | **8** | L11401 |
| 8 | `E4_llm_basics` 大型語言模型（LLM）基礎 | **8** | L11401 |
| 9 | `B2_data_processing_method` 資料處理基本方法（清洗/轉換/整合） | **7** | L11101 / L11202 |
| 10 | `G3_explainability` 可解釋性（Explainability / XAI） | **7** | L11102 |

### 未對應到節點的題目

以下 6 題對應的觀念在 v1 體系圖未涵蓋，可作為 v2 擴充節點的依據：

- **115 S1 #18** — 演算法 → 搜尋演算法
- **114 S1 #21** — 機器學習概念 → 集成學習
- **U11-4301 #2** — 語音辨識效能優化策略
- **U11-4301 #20** — 自然語言處理之文字前處理技術
- **U11-4301 #35** — GRPO演算法原理
- **U11-4301 #49** — 搜尋演算法的選擇與前提條件

---

## 圖例

- 🔥 = 高頻節點（命中 ≥ 5 題）
- ⭐ = 中頻節點（命中 2~4 題）
- 無圖示 = 命中 1 題或未命中（仍可能是重要觀念，只是這 150 題未碰到）