[新手入門] 中級科目二：費曼學習法，7 個故事讓你讀完就懂

大數據處理分析與應用聽起來很嚇人，但科目二的 50 題拆開來看，核心只在問你 7 件事。

這篇文章用費曼學習法，把每件事從日常生活講起，讀完你就懂了。

以下內容根據 114 年第二次 AI 應用規劃師中級能力鑑定科目二（大數據處理分析與應用）的 50 題公告試題整理。

想要直接聽可以點 NotebookLM Podcast 連結跳到文章最後面。

故事一：數字會說話

想像你是學校老師，剛改完一百份考卷，你想知道：這次考試難不難？有沒有人考得特別離譜？分數分布長什麼樣？

這些問題的答案都藏在統計量裡，科目二有將近十題在考你對統計量的直覺。

Z-Score：離平均有多遠

班上平均 70 分，標準差 10 分。小明考了 90 分，他的 Z-Score = （90 − 70）/ 10 = 2。意思是：小明的成績比平均值高了 2 個標準差。

Z-Score 不是原始數值、不是說他是異常值、也不是「比平均低」，它只告訴你這個點跟平均值差幾個標準差。

金融業用 Z-Score 抓異常交易。交易金額平均 2,000 元、標準差 400 元，某筆交易 3,200 元，Z = （3,200 − 2,000）/ 400 = 3。如果公司設定 |Z| ≥ 3 為異常，這筆就要標記。

偏態：分布歪向哪邊

考試如果很簡單，大部分人考高分，只有少數人考很低，分布圖會「左邊拖一條長尾巴」。這叫負偏（Skewness < 0），因為尾巴朝左（負的方向）。

反過來，如果考試很難，大部分人分數低、少數人考很高，尾巴朝右，就是正偏（Skewness > 0）。

考試給你一張分布圖，看尾巴往哪邊拖就好。尾巴朝左 = 負偏，尾巴朝右 = 正偏，左右對稱 = Skewness ≈ 0。

CDF：從「某一刻的高度」到「截至目前的面積」

機率密度函數（PDF）告訴你每個數值「有多可能出現」，像是一條山的剖面線。累積分佈函數（CDF）告訴你「截至這個數值，累積了多少機率」。

數學上，CDF 就是 PDF 的積分（面積累加）。考試問「CDF 的數學定義」，答案是「機率密度函數的積分」。不是 PDF 的平均值、也不是標準差。本題是連續型 PDF 情境，所以 CDF 是 PDF 的積分；若是離散型隨機變數，CDF 則用 PMF 累加表示。

Poisson 分佈：數「事件在固定時間內發生幾次」

客服中心平均每小時接 20 通電話，但每分鐘接到幾通不固定（0、1、2 通都有可能）。這些來電彼此獨立、平均發生率固定、在短時間內發生。完美符合 Poisson 分佈的條件。

考試問「描述每分鐘接到幾通來電的機率分佈」，答案是 Poisson。不是均勻分佈（每個值機率一樣）、不是指數分佈（那是描述「兩次事件之間的等待時間」）、不是常態分佈（來電次數是離散的非負整數）。

Poisson 的程式碼長這樣：poisson.pmf(5, lambda_poisson)，其中 lambda_poisson = 5。pmf(5, 5) 算的是「平均每小時 5 個瑕疵品的前提下，剛好出現 5 個的機率」。cdf(10, 5) 算的是「出現 10 個以下（含 10 個）」的累積機率。

二項分佈 → 常態近似

廣告推播 5,000 次，每次被點擊的機率 p = 0.4。想知道「總點擊次數」的分佈長什麼樣，這是二項分佈。但 5,000 次太多了，直接算組合數會爆炸。

好消息是：當 np 跟 n(1−p) 都大於 5 時，二項分佈可以用常態分佈近似。5000 × 0.4 = 2000、5000 × 0.6 = 3000，都遠大於 5，所以可以近似。不是「樣本數大就一定可以」（還要看 p），也不是「只適用於 p = 0.5」。

Pearson 相關係數：兩個變數走同一個方向嗎

行銷部門畫散佈圖，發現廣告預算跟銷售金額呈明顯線性趨勢、沒有離群值。想量化這個關係的強度跟方向，用 Pearson 相關係數（值在 −1 到 +1 之間）。

不是 RMSE（那是預測誤差）、不是共變異數（沒有標準化，數值大小無法比較）、不是 MAE（也是誤差指標）。

Gini 不純度：這群人有多混雜

官方題目是 10 筆標籤：A、A、A、A、A、B、B、B、B、B。A 有 5 筆，B 有 5 筆。Gini = 1 − (5/10)² − (5/10)² = 1 − 0.25 − 0.25 = 0.5。二分類情境下最大 Gini 也是 0.5，所以 Normalized Gini = 0.5 / 0.5 = 1。

Gini 越接近 0 代表越純（全部是同一類），越接近 1 代表越混雜（5/5 最混雜，所以 Normalized Gini = 1）。決策樹就是靠 Gini 來決定怎麼分裂的。

分位數迴歸：常態假設不管用的時候

金融風險資料的報酬率分佈明顯不對稱、經常出現極端損失事件（肥尾）。傳統線性迴歸假設常態分佈，在這裡不管用。分位數迴歸（Quantile Regression）專門聚焦在尾部分位，能更精準地評估極端風險。

費曼檢查點：你能不能用一句話解釋 Z-Score？（「這個數據點離平均有幾個標準差。」）如果可以，統計直覺這塊你就通了。

故事二：資料要先洗才能用

想像你要做一道菜，買回來的食材有些帶泥巴、有些混了壞掉的、有些大小不一。你不會直接丟進鍋裡，你會先洗、切、分類。資料也一樣：模型再厲害，餵進去的資料沒整理好，結果就是垃圾。

類別型資料怎麼轉數字

模型只吃數字，但你的資料有「會員等級：一般、白金、黑卡」這種文字欄位。怎麼辦？

Label Encoding：把類別直接編成數字，一般 = 0、白金 = 1、黑卡 = 2。簡單，但有陷阱：模型會以為 0 < 1 < 2 有大小順序關係。如果類別之間沒有真正的順序（例如「紅、藍、綠」），模型就會學到錯誤的假順序。這是 Label Encoding 最常見的風險。

One-Hot Encoding：每個類別展開成一個獨立的 0/1 欄位。「一般」= [1,0,0]、「白金」= [0,1,0]、「黑卡」= [0,0,1]。沒有順序問題，但類別很多時欄位會爆炸（高基數問題）。

用 Gradient Boosting Tree 時，如果會員等級只有三種，Label Encoding 可能會讓模型誤判類別之間有順序。這時應特別注意。

標準化 vs 正規化 vs 穩健縮放

數值型特徵的尺度差很大（薪水幾萬 vs 年齡幾十），需要縮放。三種方法各有適用場景：

標準化（Standardization）：平移讓平均值 = 0，縮放讓標準差 = 1。注意：標準化不會把數值壓到 0 到 1 之間，那是 Min-Max 做的事。考試故意在標準化的描述裡混入「數值範圍壓縮至 0 到 1」，那就是錯的。

Min-Max 正規化：把數值線性壓到 [0, 1]。簡單好用，但極端值會把整個尺度拉歪。

穩健縮放（Robust Scaling）：用中位數跟四分位距取代平均跟標準差。有極端值時最穩。考試問「有 Outliers 時最適合用哪種標準化」，答案就是 Robust Scaling。

PCA 前一定要先標準化。三個數值欄位的量級差距達 10⁵、10¹、10²，如果不先標準化就丟進 PCA，第一主成分會幾乎完全由量級最大的欄位主導，其他欄位的資訊等於白丟。

特徵衍生：自己造新欄位

現有的欄位是「銷售金額」跟「瀏覽次數」。你把兩個除一下算出「每次瀏覽的平均消費金額」，這個新欄位叫做特徵衍生（Feature Derivation）。不是特徵選擇（那是從現有特徵裡挑重要的）、不是特徵轉換（那是對單一特徵做數學變換）、不是分箱（那是把連續值切段）。

不平衡資料：少數類怎麼處理

罕見疾病資料集只有 1% 陽性。隨機過採樣（Random Oversampling）會直接複製少數類資料，最大風險是增加過擬合：模型只是背下了那些重複的少數類樣本。

SMOTE 更聰明：它在少數類的鄰近樣本之間做內插，造出全新的合成樣本。罕見疾病、標註成本高、短期無法取得更多資料的情境，用 SMOTE 比隨機過採樣更不容易過擬合。

評估不平衡資料的模型時，如果資料集裡 80% 是良性、20% 是惡性，直接用 5-fold 交叉驗證可能讓某些折裡惡性樣本比例更低。分層交叉驗證（Stratified K-Fold）確保每一折的類別比例一致。

迴歸的前處理：Y 不正常時怎麼辦

線性迴歸假設殘差是常態分佈。如果 Y（因變數）明顯右偏、而且變異數隨 X 增大，怎麼辦？對 Y 做 Box-Cox 轉換，能把右偏分佈拉成接近常態。不是標準化 X（那只改自變數尺度）、不是一次差分（那是時間序列用的）、也不是刪掉變異大的樣本。

pandas 處理缺失值

遊戲銷售資料集裡 Year 欄位的型態是 float64 而不是整數。為什麼？因為 CSV 裡 Year 欄位有缺失值（NaN），pandas 會自動把整欄從整數升級為浮點數（因為 NaN 在 pandas 裡是浮點值）。另一個可能是 CSV 裡的年份就含小數點（如 2006.0）。

要轉回整數型態且處理缺失值，正確做法是用 data['Year'].astype('Int64')（大寫 I 的 Int64 是 pandas 的 nullable integer type，能容納 NaN）。不是直接 .astype(int)（NaN 會報錯）、也不是先 fillna(0)（0 年沒意義）或 fillna(1)。

費曼檢查點：你能不能解釋「標準化」跟「Min-Max 正規化」的差異？（標準化讓平均 = 0、標準差 = 1，數值不一定在 0 到 1 之間；Min-Max 把數值壓到 [0,1]。）

故事三：假設檢定，用數據說服人

老闆說「新行銷策略讓月銷售額從 100 萬變成 103 萬」。你心裡想：這 3 萬是真的變好了，還是只是隨機波動？假設檢定就是回答這個問題的工具。

p 值跟信賴區間

單一樣本 t 檢定結果：p = 0.08，95% 信賴區間 [95 萬, 108 萬]，顯著水準 α = 0.05。

p = 0.08 > 0.05，所以不能拒絕虛無假設（虛無假設是「銷售額沒變」）。但 100 萬落在信賴區間 [95, 108] 裡面，也支持「無法拒絕」這個結論。

考試常見的陷阱選項：「若顯著水準改為 0.10，仍不顯著」——錯，0.08 < 0.10 就變顯著了。「信賴區間寬度僅與顯著水準有關」——錯，還跟樣本數、標準差有關。

比較兩組比例：雙比例 Z 檢定

原生產線良率 95%、新生產線良率 97%，各抽 100 件。要檢驗差異是否有統計意義。兩個都是比例、兩組獨立樣本，用雙比例 Z 檢定（Two-proportion Z-test）。

不是雙樣本 t 檢定（那是比較兩組平均值，不是比例）、不是卡方檢定（那是多個類別的獨立性）、不是 ANOVA（那是比較三組以上的平均值）。

費曼檢查點：p 值 = 0.03 且 α = 0.05 時，你的結論是什麼？（p < α，拒絕虛無假設，差異有統計顯著性。）

故事四：圖表選對，訊息自己說話

數據分析做得再好，報告裡的圖表選錯了，老闆也看不懂，科目二有好幾題在考「什麼資料配什麼圖」。

資料密度原則：一張圖塞最多資訊

業務績效報告要在一頁裡呈現多區域、多產品線的銷售趨勢。Edward Tufte 的資料密度（Data Density）原則：用顏色區分產品線，在同一張圖裡整合多條趨勢線，保持比例一致且標註清晰。

不是拆成多張獨立圖（資訊分散）、不是移除輔助線跟標籤（看不懂）、也不是改用表格（失去趨勢視覺）。

Heatmap + 相關矩陣

四檔股票的每日報酬率想看彼此的相關性、關聯強度跟方向。用熱力圖（Heatmap）配合相關係數矩陣。

不是每檔各畫直方圖（看不到相關）、不是兩兩畫散佈圖加趨勢線（四檔要畫六張太多）、不是用雙軸折線圖（容易誤導比例）。

離群值太多：用對數刻度

消費金額的箱型圖 IQR 很小但上鬚超長，高金額區域有大量離群值。想依消費層級設計分群策略，最有用的視覺化是以對數刻度繪製箱型圖或長條圖，放大高金額消費族群的變化差異。

不是移除離群值（丟掉高消費客戶的資訊）、不是等距分箱（高低消費混在同一箱）、也不是改成折線圖看時間趨勢（題目不是問時間）。

pandas + matplotlib 圖表程式碼

統計每個遊戲平台的全球銷售總額並畫長條圖：data.groupby("Platform")["Global_Sales"].sum().plot(kind="bar")。

.count() 是算筆數不是加總、.mean() 是算平均不是總額、kind="line" 是折線不是長條。

費曼檢查點：朋友問你「想看四檔股票的相關性用什麼圖」，你能不能 3 秒內回答「Heatmap 配相關矩陣」？

故事五：大數據架構與資料庫

資料不只要分析，還要有地方存、有辦法快速查。科目二有一群題目在考你對資料庫和大數據架構的理解。

ACID：資料庫的四個保證

想像你在 ATM 轉帳：從 A 帳戶扣 1000 元，存入 B 帳戶。如果扣了 A 但存 B 失敗，你就平白少了 1000 元。

原子性（Atomicity）：交易不可分割，要嘛全部成功，要嘛全部回復（Rollback）。這是 ACID 的第一個字母，考試直接問「原子性的正確定義」。

一致性（Consistency）：交易完成後資料符合完整性規則。隔離性（Isolation）：多筆交易同時進行時互不干擾。持久性（Durability）：交易提交後永久保存。

分散式資料庫的情境：某節點交易失敗但系統仍保持資料一致、最終狀態正確。這就是原子性在分散式環境的體現——確保交易全部成功或全部回復。

IoT 即時串流架構

工廠有上萬台 IoT 感測器，需要毫秒級回應異常、同時把完整資料存到雲端供 AI 模型訓練。兼顧即時性、資料完整性和可擴展性的架構是：

感測器 → 邊緣運算節點 → 流式資料處理框架（Stream Processing） → 雲端資料湖 → 模型推論

邊緣運算負責即時回應，串流框架處理資料流，資料湖存完整資料。不是走 API Gateway（延遲太高）、不是 MQTT 到即時儀表板（缺持久儲存）、也不是本地快取加 REST API（不可擴展）。

圖形資料庫（Graph Database）

社群平台裡使用者可以按讚貼文，每筆「按讚」行為帶有時間戳記跟裝置類型。想同時保留使用者跟貼文的互動關係，又能有效查詢「按讚」的行為屬性，最適合的設計是把「按讚」資訊作為邊的屬性（Property）儲存，連結使用者與被按讚的貼文節點。

知識圖譜（Knowledge Graph）要整合研究報告、專利、專家知識並支援語意查詢跟關聯推理。最適合的圖模型設計是用 RDF（Resource Description Framework）三元組（Subject-Predicate-Object），因為它天生支持語意推理跟擴展性。

近似分位數：資料量太大的時候

金融公司每天分析上億筆轉帳交易。精確計算分位數要全部排序，資料量大到記憶體放不下。近似分位數（Approximate Quantile）在可容忍的誤差範圍內快速估算分位值，支撐即時分析。

費曼檢查點：你能不能用「轉帳」的例子解釋什麼是 Atomicity？（要嘛 A 扣錢 + B 收錢全成功，要嘛全回復，不能只做一半。）

故事六：程式碼判讀

科目二大約有 10 題是給你 Python 程式碼（或虛擬碼），問你「這在做什麼」或「該怎麼寫」。不需要會寫完整程式，但要能讀懂 pandas、numpy、seaborn、scipy 的基本語法。

pandas 基本功

df['總銷售額'].describe() 一次給你 count、mean、std、min、25%、50%、75%、max，是最全面的敘述性統計。.sum() 只加總、.sort_values() 只排序、.stats() 不存在。

大量非結構化資料（客服紀錄、產品評論、圖片、表格）要建語言模型，最適合的資料處理策略是建立 Data Lake + Apache Spark 分散式資料預處理與特徵抽取 → 模型訓練 Pipeline。

虛擬碼辨識：LOOCV 跟 K-means

虛擬碼描述：N 筆資料，每次留 1 筆當測試、其他當訓練，重複 N 次取平均。這是留一交叉驗證（LOOCV）。不是 Hold-out（只切一次）、不是 K-fold（分 K 折不是 N 折）、不是 Bootstrap（有放回抽樣）。

虛擬碼描述：隨機選 X 個中心點，重複「分配每筆資料到最近的中心 → 重新計算中心」直到收斂。這是 K-means。不是 GMM（用機率模型）、不是階層式群集（不用中心點迭代）、不是 DBSCAN（不指定群數）。

DBSCAN 在高維度的陷阱

超過 500 維的資料丟進 DBSCAN，結果所有資料點都被判為雜訊。為什麼？高維度下距離變化趨同（所有點之間的距離都差不多），Epsilon 閾值選擇失效。解法不是換距離函數、不是調小 MinPts、也不是過度標準化，而是先降維再分群。

費曼檢查點：看到虛擬碼「每次留 1 筆當測試，重複 N 次」，你能不能 2 秒內說出「這是 LOOCV」？

故事七：隱私與規則

銀行要把信用風險模型部署到雲端，但不想讓雲端服務商看到客戶的原始資料，怎麼辦？

同態加密（Homomorphic Encryption）：資料在加密狀態下就能做數學運算，算完解密，結果跟用原始資料算的一模一樣。就像把考卷鎖進透明但不可打開的箱子，閱卷老師隔著箱子也能批改。

不是匿名化（只去欄位不能運算）、不是 Hash（不可逆且不能運算）、也不是資料本地化（不讓資料離開公司但也失去雲端運算的好處）。

生成式 AI 客服系統可能在回答中洩漏訓練資料裡的真實姓名、電話、交易資訊。最符合個資法的做法是訓練前資料匿名化（Anonymization）或偽匿名化（Pseudonymization），並建立輸出內容稽核機制。不是用強化學習微調（不能保證不洩漏）、也不是同態加密所有文字輸入（文字模型的場景不適合）、更不是只靠「不顯示用戶姓名」（那只是表面功夫）。

關聯規則學習：一起買的東西

串流影音平台發現看科幻影集的人有 50% 也看超級英雄電影，Lift = 1.8。Lift > 1 代表這兩個類型之間有正向關聯（不只是巧合）。Confidence = 50% 代表「看了科幻影集的人裡，有一半也看超級英雄電影」，這有明顯的推薦價值。

Support（支持度）= 同時看兩種的佔總觀影紀錄 12%，低不代表沒價值（稀有組合反而有推薦意義）。Lift 大於 1 不代表內容無關、也不是隨機重疊。

費曼檢查點：你能不能用一句話解釋同態加密？（「資料加密了還能做運算，解密後結果正確。」）

總結：7 個故事覆蓋 50 題

故事	核心問題	覆蓋題數
數字會說話	Z-Score、偏態、CDF、Poisson、Gini	約 10 題
資料要先洗才能用	編碼、標準化、特徵工程、不平衡	約 12 題
假設檢定	p 值、信賴區間、Z 檢定	約 3 題
圖表選對	Heatmap、對數刻度、Data Density	約 5 題
資料的家	ACID、串流架構、Graph DB	約 6 題
程式碼判讀	pandas、LOOCV、K-means、DBSCAN	約 10 題
隱私與規則	同態加密、匿名化、關聯規則	約 4 題

考前跑一遍每個故事結尾的費曼檢查點，能用自己的話說出來就代表真的懂了，祝考試順利！

---

NotebookLM Podcast

推薦閱讀

• [新手入門] 中級科目一：費曼學習法，7 個故事讓你讀完就懂
• [新手入門] 中級科目三：費曼學習法，6 個故事讓你讀完就懂
• iPAS AI 應用規劃師是什麼？台灣唯一官方 AI 證照完整攻略
• iPAS AI 應用規劃師中級跟初級差別？從 150 題考古題看穿出題思維
• iPAS AI 應用規劃師中級科目一：人工智慧技術應用與規劃 7 大核心命題
• iPAS AI 應用規劃師中級科目二：大數據處理分析與應用 6 大核心命題
• iPAS AI 應用規劃師中級科目三：機器學習技術與應用 6 大核心命題

參考資料

iPAS 經濟部產業人才能力鑑定（2025）. AI 應用規劃師中級能力鑑定考試簡章

iPAS 經濟部產業人才能力鑑定（2025）. 114 年第二次 AI 應用規劃師中級能力鑑定公告試題｜第二科：大數據處理分析與應用

---

FAQ