109年 - 109 初級巨量資料分析師能力鑑定試題：資料處理與分析概論#119176

1. 下列何者「不是」文本語料庫內的文字常見問題？ (A) 格式不良 (B) 非標準化 (C) 不能以二維表格呈現 (D) 為結構化數據

2. 一般來說，R 語言通常將遺缺值記為下列何者？ (A) NA（Not Available） (B) NaN（Not a Number） (C) NULL (D) FALSE

3. 一般來說，Python 語言通常將遺缺值記為下列何者？ (A) NA（Not Available） (B) NaN（Not a Number） (C) NULL (D) FALSE

4. 許多資料匯入軟體環境後，經常需要將資料轉換為特定分析與繪圖方法所需的長格式或是寬格式，這項作業稱為下列何者？ (A) 資料彙總（data aggregation） (B) 資料縮減（data reduction） (C) 資料摘要（data summarization） (D) 資料變形（data reshaping）

5. 下列為自然語言處理的基本步驟，下列何者為正確排序？1：斷詞、2：詞性標註、3：專有名詞提取、4：詞組標記、5：斷句 (A) 2＞5＞3＞1＞4 (B) 5＞1＞2＞3＞4 (C) 5＞1＞2＞4＞3 (D) 2＞5＞3＞4＞1

6. R 語言中，下列何者「不是」處理群組與摘要的函數？ (A) tapply() (B) summaryBy() (C) aggregate() (D) cut()

7. 下列何者「不屬於」非監督式學習？ (A) 關聯法則 (B) K-Means (C) Word2Vec (D) K Nearest Neighbor

8. 參考附圖 R 語言 CO2 資料集，依照 uptake 欄位由大至小排序，下列何者為正確？
(A) order(CO2$uptake) (B) CO2[sort(CO2$uptake), ] (C) CO2[order(CO2$uptake, decreasing = TRUE), ] (D) CO2[sort(CO2$uptake, decreasing = TRUE), ]

9. 參考附圖，關於 R 語言資料摘要，下列敘述何者為正確？
(A) AQI 欄位的中位數為 63.79 (B) class(mydata$MonitorDate)的結果為"Date" (C) SiteId 欄位的最大值為 59.00 (D) COSubIndex 欄位有 78 個 NA 值

10. 若用盒鬚圖（Box plot）來檢視資料時，無法從中觀察到下列何者訊息？ (A) 平均值 (B) 第一四分位數 (C) 最小值 (D) 離群值（Outlier）

11. 在機器學習中有多種降低資料維度的方法，下列何者屬於降維度的方法？ (A) 主成份分析（Principal Component Analysis） (B) 決策樹（Decision Tree） (C) K-近鄰演算法（K Nearest Neighbor） (D) 羅吉斯迴歸（Logistic Regression）

12. 下列何者可對連續變量進行離散化（Discretization）處理？ (A) 單熱編碼（One-Hot Encoding） (B) 標準化（Standardization） (C) 資料分箱（Binning） (D) 正規化（Normalization）

13. 參考附圖，是使用下列何者編碼方式對類別資料進行轉換？
(A) 頻率編碼（Frequency Encoding） (B) 序號編碼（Ordinal Encoding） (C) 標籤編碼（Label Encoding） (D) 單熱編碼（One-Hot Encoding）

14. 關於 Box-Cox 轉換，下列敘述何者正確？ (A) 適用於當變數值恆正的時候 (B) 是一種線性轉換 (C) 可將對稱分佈的變數轉為偏斜分佈 (D) 只適用於右偏的變數分布

15. 附圖是移除預測變數流程中的步驟，下列何者為正確的排序？
1：計算 A 與其他變數間的相關係數平均值，B 亦同
2：如果 A 有較大的平均相關係數，則刪除之。否則，請刪除 B 變數
3：找出相關係數絕對值最大的兩個預測變數 A 與 B
4：重複上述三個步驟，直到沒有相關係數的絕對值超出門檻
5：計算預測變數的相關係數矩陣，並設定相關係數的絕對值門檻(A) 1＞2＞3＞4＞5(B) 5＞1＞2＞3＞4(C) 5＞3＞1＞2＞4(D) 1＞5＞3＞4＞2

17. 關於巨量資料的特性，下列何者「不正確」？ (A) Volume (B) Velocity (C) Variety (D) Visualization

18. 相對於單一機器平行運算（Parallel Computing），下列敘述何者「不是」叢集分散式運算（Distributed Computing）的特性？ (A) 可靠性較高 (B) 共享記憶體 (C) 計算效率高 (D) 具可擴展性

19. 關於巨量資料處理，下列敘述何者「不正確」？ (A) 分散式架構處理可以提升巨量資料處理效能 (B) 透過 API 或者網路爬蟲的方式，可以來搜集大量外部資料，例如網站資料 (C) 可以根據運算需求與時效性，平行擴增所需要的運算資源，提供更好的運算服務 (D) 許多資料要能即時得到結果才能發揮最大的價值，即為巨量資料所談的「Value」

20. 當 Client 端上傳檔案到 HDFS 時，下列敘述何者較為正確？ (A) 資料經過 NameNode 傳給 DataNode (B) 資料區塊將依預先設定依次傳遞 (C) Client 將資料上傳到一台 DataNode 上，並由 DataNode 完成副本的複製工作 (D) 該 DataNode 失敗時，Client 不會繼續上傳給其他 DataNode

21. R 語言中，下列何者為計算平均的函數？ (A) var() (B) sd() (C) mean() (D) quantile()

22. R 語言中，下列何者為計算變異數的函數？ (A) var() (B) sd() (C) mean() (D) quantile()

23. 下列何者能夠同時回傳資料向量的最大值與最小值？ (A) diff() (B) range() (C) gather() (D) dcast()

25. 下列何者屬於連續型變數資料？ (A) 身分證號 (B) 生日 (C) 血型 (D) 體重

26. 關於重抽樣方法（resampling methods），下列敘述何者「不正確」？ (A) 重抽樣是反覆地從訓練集或資料集中抽出或有不同的各組樣本，並重新配適各組樣本的模型，以獲得模型相關的額外資訊 (B) 常用的重抽樣方法有拔靴抽樣法（bootstrapping）與 k 摺交叉驗證（k-fold cross validation） (C) 交叉驗證（cross validation）與拔靴抽樣（bootstrapping）兩種方法的差別只在於樣本子集如何被挑出 (D) 一般而言 k 摺交叉驗證（k-fold cross validation）相較於他法有較低的變異，但當訓練集大時則此問題較不嚴重

28. 下列敘述何者「不正確」？ (A) 理論上常態分配的平均數=中位數 (B) 機率分配中所有事件機率的總和=期望值 (C) p=0.5 的二項分配為對稱型 (D) 卜瓦松分配中事件發生的最小次數為 0

29. 『薪資』資料集中的觀察值（單位千元），依遞增順序顯示為：28, 30,32, 35, 35, 40, 45, 47, 47, 80。下列何者為上述資料中之中位數？ (A) 35 (B) 40 (C) 37.5 (D) 42.5

30. 關於類別型變數的頻繁次數比（Frequent ratio）與唯一值百分比（Percent unique）資料相關性，下列敘述何者「不正確」？ (A) 頻繁次數比之數值如果太大，表示此變數集中出現最頻繁類別，可考慮刪除此類別型變數 (B) 某類別型變數計次結果為男：2 次，女：98 次，則頻繁次數比為98 (C) 唯一值百分比之數值太大，表示此變數幾乎完全相同，可考慮刪除此類別型變數 (D) 某類別型變數計次結果為男：2 次，女：98 次，則唯一值百分比為 2

31. 關於主成分分析（Principal Component Analysis, PCA）屬性萃取的主要用途，下列敘述何者正確？ (A) 以長條圖視覺化多變量資料 (B) 將低度相關的預測變數矩陣 x，轉換成相關且量多的潛在變項集合 (C) 將最攸關的訊息與無關的雜訊結合 (D) 將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數

32. 關於奇異值分解（Singular Value Decomposition, SVD），下列敘述何者「不正確」？ (A) 常見應用是維度縮減 (B) 用於估計結果穩定時 (C) 用於資料其屬性個數大於觀測值個數 (D) 用於估計結果不穩定時

33. 根據主計總處資料，2018 年工業及服務業受僱員工（下稱受僱員工）全年總薪資如附圖，下列敘述何者「不正確」？
(https://www.managertoday.com.tw/articles/view/58998) (A) 有半數受僱員工，全年薪資不高於 49 萬元 (B) 有半數受僱員工，全年薪資不高於 62.9 萬元 (C) 此薪水分布不是左右對稱分布的鐘型曲線，而是左偏型態 (D) 全年薪資達 115 萬元，即可排名在受僱員工前 10%