🏆 115-1 最新全真試題 100% 完整收錄 | 最新 2026/08/28 審查精修版

iPAS AI 應用規劃師 中級考照首選教材與全真題庫

三大考科全收錄（L21 / L22 / L23）・破千題 100% 逐題精闢詳解・原創繁體中文高解析架構圖解・Moodle 擬真測驗系統，跨領域非本科高分通關第一首選！

🛒 前往蝦皮賣場立即下單 (現貨供應・秒發下載) 📖 前往 Moodle 免費重點試閱 ↗
🖥️ Moodle 雲端平台免費試閱資訊 免申請・直接登入
👤 試閱帳號 ktest
🔑 試閱密碼
Ktest2025! （注意 K 為大寫）
💡 點擊上方「前往 Moodle 免費重點試閱」進入系統（https://exam.kt.idv.tw/），輸入上述帳密即可自由體驗全真題庫與重點整理！
79+
具名獲證榜單・跨領域見證
3 科
L21 / L22 / L23 全科囊括
100%
逐題破題詳解與架構圖解
2026
持續免費更新保證
Why Choose Us

為什麼中級考生一致推薦 HTML 考題小舖？

中級難度遠高於初級，傳統參考書「只有答案、沒有詳解、公式生硬」已無法應付！我們以全彩圖解與深度破題帶您一次過關。

🎯

100% 逐題破題精解・拒絕只給 ABCD 答案

完整收錄最新 2026/05/23 (115-1) 全真試題、2025/11/08 (114-2) 及官方歷屆樣題！每份考題、每一題都由資深工程師親自撰寫「破題關鍵邏輯」與「A/B/C/D 四個選項逐項正誤剖析」，精準指出錯誤選項錯在何處，讓您知其然更知其所以然。

2026/05 最新公告試題 2025/11 真題全解 ABCD 逐項深度剖析
🖼️

繁體中文原創架構圖解

全教材包含數百張精美架構圖解！無論是 LoRA 低秩適應微調、BERT vs Word2Vec、YOLO vs Faster R-CNN 還是 ROC 評估曲線，圖像化理解勝過死背萬字！

WebP 高解析無損 台灣繁體中文規範
💻

專屬 Moodle 擬真測驗平台

學員享有 Moodle 線上模考特權（直連 exam.kt.idv.tw），手機、平板隨時隨地刷題！支援即時交卷閱卷、錯題重測與計時演練，考場沉著不慌張。

隨機抽題與倒數計時 全平台跨裝置支援
🚀

跨領域非本科真實榜單見證

中級榜單累積 79 位具名通關英雄！包含醫工、獸醫、藥學、化學、水產養殖、土木、企管、國貿、甚至「台文系+環安系雙修」考生紛紛以 80+、88 高分通過！只要跟隨教材圖解與考題步驟，非本科系也能零障礙通關。

79+ 位過關學員 跨領域佔比逾 55% 高分 88/92 傳奇
🔄

持續免費更新承諾

一次購買，享有持續免費改版更新！隨著經濟部主辦單位公告新大綱、題型修訂與 AI 法規趨勢演進，教材團隊持續迭代補充，新版電子檔第一時間免費取得。

2026/08 最新精修 無使用期限
Authentic Question Showcase

具代表性考題・精闢圖解與高對比詳解展示

眼見為憑！每一道中級試題均具備專業題意、高對比醒目詳解框、正誤分析表格與架構圖，吸引買家一目了然！

📝 2026 最新真題實戰・L21 科目
單元：L21103 生成式AI技術與應用 正確答案：C
一家新創公司希望對 Llama3 70B 模型進行領域微調（Domain Fine-Tuning）以建立企業專用助理，但 GPU 記憶體有限，無法支撐完整模型的反向傳播梯度計算。工程師希望凍結（freeze）原模型權重、僅訓練少量額外參數的前提下，評估採用 LoRA（Low-Rank Adaptation）方案。請問 LoRA 在此場景下的主要優勢為何？
A可藉由知識蒸餾（Knowledge Distillation）將 70B 模型永久縮減至 7B 規模
B能將模型量化（Quantization）至 4-bit 浮點數，完全不需額外增加任何可訓練參數
C透過低秩矩陣分解（Low-Rank Decomposition），在凍結預訓練權重下大幅減少可訓練參數與顯存開銷
D將注意力機制（Self-Attention）替換為卷積層，藉以省去位置編碼的計算
💡 深度解析與精華中英對照（高對比亮彩呈現）

正確答案：C。

LoRA 低秩適應架構圖解
LoRA 原理：凍結原始龐大權重 W₀，旁路引入低秩矩陣 A 與 B（ΔW = B × A），大幅降低訓練參數達 99% 以上。

【破題核心思維】
LoRA（Low-Rank Adaptation, 低秩適應）是目前大型語言模型（LLM）微調最主流的 PEFT（Parameter-Efficient Fine-Tuning）技術。其核心假設為：模型在適應特定領域任務時的權重變化矩陣具有很低的本質維度（Intrinsic Rank）。因此，LoRA 將權重更新量 $\Delta W$ 分解為兩個低秩矩陣的乘積：$W = W_0 + \Delta W = W_0 + B \times A$。

選項 敘述摘要 正誤深度剖析
A 知識蒸餾縮減模型規模 ❌ 錯誤。知識蒸餾（Knowledge Distillation）是 Teacher-Student 架構，而 LoRA 保留原 70B 模型並旁路低秩矩陣，並未改變模型基礎規模。
B 量化至 4-bit 且不增加參數 ❌ 錯誤。量化（如 QLoRA 中的 4-bit NormalFloat）是權重壓縮技術，LoRA 本身仍需要引入少量可訓練的低秩矩陣參數（通常小於 1%）。
C 低秩矩陣分解大幅減少參數與顯存 ✅ 正確。LoRA 凍結原模型 $W_0$，只對低秩矩陣 $A$ 與 $B$ 進行梯度計算與最佳化，顯著降低 GPU 顯存消耗。
D 替換為卷積層省去位置編碼 ❌ 錯誤。LoRA 完全不改變 Transformer 的原始架構與注意力機制，僅在線性層旁路增添低秩矩陣。
📝 2026 最新真題實戰・L21 科目
單元：L21101 自然語言處理技術與應用 正確答案：D
在建構法律文件解析系統中，工程師首先需對判決書文本進行詞性標註（POS Tagging, Part-of-Speech Tagging），以便後續進行資訊擷取（Information Extraction）。請問詞性標註的主要功能為何？
A將文本由繁體中文自動翻譯為英文或日文
B將長篇連續文本切分為基本的詞彙單位（Token）
C判斷段落與句子所呈現的正面、負面情感傾向
D為輸入句子中的每個詞彙標記其語法類別，如名詞、動詞與形容詞
💡 深度解析與精華中英對照（高對比亮彩呈現）

正確答案：D。

POS Tagging 詞性標註與資訊擷取管線
NLP 處理管線：Raw Text → Tokenization (斷詞) → POS Tagging (詞性標記) → NER (實體辨識) → 資訊擷取。

【破題核心思維】
詞性標註（Part-of-Speech Tagging, POS Tagging）是 NLP 序列標註任務之基石。其定義為：對句子中的每個詞（Token）指定對應的語法功能標籤（Noun, Verb, Adjective 等）。在法律判決書中，當事人多為名詞，違法行為多為動詞，標記詞性後方可精準進行關係抽取。

選項 敘述摘要 正誤深度剖析
A 文本翻譯跨語言轉換 ❌ 錯誤。屬於機器翻譯（Machine Translation），非 POS Tagging。
B 切分為詞彙單位 Token ❌ 錯誤。屬於斷詞/分詞（Tokenization），通常在 POS Tagging 之前執行。
C 判斷正面或負面情感傾向 ❌ 錯誤。屬於情感分析（Sentiment Analysis），不涉及語法類別標籤。
D 標記語法類別（名詞、動詞、形容詞） ✅ 正確。精準符合 POS Tagging 定義，為後續命名實體辨識（NER）提供關鍵特徵。
📝 2026 最新真題實戰・L21/L23 科目
單元：L21102 電腦視覺技術與應用 正確答案：B
在自動駕駛邊緣運算嵌入式系統中，工程師需在物件偵測（Object Detection）演算法中進行選型。比較 One-Stage 偵測器（如 YOLO 系列） 與 Two-Stage 偵測器（如 Faster R-CNN），下列關於兩者特性的比較何者正確？
AFaster R-CNN 省去候選區域（RPN）建議階段，因此推論速度比 YOLO 更快
BYOLO 將偵測視為單一回歸問題直接輸出邊界框與類別，推論速度顯著優於 Faster R-CNN，適合即時系統
CYOLO 需要雙階段萃取特徵，在邊緣設備上的記憶體頻寬需求高於 Faster R-CNN
DFaster R-CNN 無法偵測小物件，在任何情境下準確度皆低於 YOLO
💡 深度解析與精華中英對照（高對比亮彩呈現）

正確答案：B。

YOLO vs Faster R-CNN 單階段與雙階段物件偵測架構對照
One-Stage (YOLO) 直接端到端回歸；Two-Stage (Faster R-CNN) 具 RPN 區域候選階段，精確度高但推論耗時較長。

【破題核心思維】
One-Stage 偵測架構（如 YOLO、SSD）：將物體偵測視為單一空間回歸問題，整張圖像直接一次前向傳播即可同時預測座標與類別機率，速度極快（>30-60 FPS），專為即時串流視訊與自動駕駛邊緣端設計！
Two-Stage 偵測架構（如 Faster R-CNN）：第一階段先由 RPN 提出候選區域（Region Proposals），第二階段再進行特徵池化（RoI Pooling）與精細分類，速度較慢。

選項 敘述摘要 正誤深度剖析
A Faster R-CNN 省去 RPN 故速度更快 ❌ 錯誤。Faster R-CNN 的核心正是 RPN（Region Proposal Network），因此計算量大、速度較慢。
B YOLO 視為單一回歸推論速度快 ✅ 正確。YOLO（You Only Look Once）端到端快速回歸，為即時自動駕駛首選。
C YOLO 為雙階段萃取 ❌ 錯誤。YOLO 是典型單階段（One-Stage）網路。
D Faster R-CNN 無法偵測小物件 ❌ 錯誤。Faster R-CNN 在多尺度特徵金字塔（FPN）輔助下，小物件與精密度表現常十分優異。
📝 2026 最新真題實戰・L22/L23 科目
單元：L22/L23 大數據與機器學習評估指標 正確答案：A
在醫療罕見疾病篩檢預測系統中，正負樣本存在極度不平衡現象（陽性僅佔 0.5%）。資料科學家評估分類模型表現時，繪製了 ROC 曲線（Receiver Operating Characteristic Curve） 並計算 AUC 值。下列關於 ROC 曲線座標軸與指標特性的敘述，何者正確？
AROC 曲線橫軸為假陽性率（FPR），縱軸為真陽性率（TPR/Recall），且不受類別不平衡嚴重干擾
BROC 曲線橫軸為精確率（Precision），縱軸為召回率（Recall）
CAUC 數值若接近 0.5，代表該模型具備近乎完美的分類鑑別力
DROC 曲線必須固定單一決策門檻值（Threshold=0.5）方可計算繪製
💡 深度解析與精華中英對照（高對比亮彩呈現）

正確答案：A。

ROC 曲線 FPR vs TPR 醫療診斷評估圖解
ROC 曲線：橫軸 FPR = FP / (FP + TN)；縱軸 TPR = TP / (TP + FN)。AUC 越接近 1.0 代表鑑別度越強。

【破題核心思維】
ROC 曲線評估指標是 iPAS 中級 L22/L23 每年必考重點！
1. 橫軸（X-axis）：假陽性率 FPR（False Positive Rate） = $1 – Specificity = \frac{FP}{FP+TN}$。
2. 縱軸（Y-axis）：真陽性率 TPR（True Positive Rate, 即 Recall） = $\frac{TP}{TP+FN}$。
3. 門檻值動態變化：ROC 曲線是藉由遍歷所有可能的分類門檻（從 0.0 到 1.0）繪製出的軌跡，AUC（曲線下面積）在 0.5 時相當於隨機猜測，1.0 代表完美分類。

選項 敘述摘要 正誤深度剖析
A 橫軸 FPR、縱軸 TPR 且指標穩定 ✅ 正確。符合 ROC 曲線定義，橫軸為 FPR，縱軸為 TPR。
B 橫軸 Precision 縱軸 Recall ❌ 錯誤。此為 PR 曲線（Precision-Recall Curve），非 ROC 曲線。
C AUC = 0.5 具完美分類鑑別力 ❌ 錯誤。AUC = 0.5 代表等於隨機丟銅板瞎猜；AUC = 1.0 才是完美鑑別。
D 必須固定單一門檻值計算 ❌ 錯誤。ROC 曲線的精髓在於評估模型在「連續所有門檻變動下」的整體表現。
📝 2026 最新真題實戰・L21 科目
單元：L21102 電腦視覺技術與應用 正確答案：A
在智慧零售商場監控中，系統需精確統計走道上個別顧客的數量並追蹤其購物動線。請問相較於語意分割（Semantic Segmentation），採用實例分割（Instance Segmentation）的主要優勢為何？
A能區分同類別中彼此重疊或相鄰的個別獨立實體個體（Instance）
B僅輸出整張照片單一類別標籤，因此運算速度提高 10 倍
C只能用外接矩形框（Bounding Box）標示位置，無法做到像素級分割
D不需要標註任何 Ground Truth 即可進行非監督式自動分群
💡 深度解析與精華中英對照（高對比亮彩呈現）

正確答案：A。

語意分割 vs 實例分割概念對比圖
語意分割（同類合一）vs 實例分割（像素級區分出每個人 Person 1, Person 2, Person 3）。

【破題核心思維】
語意分割（Semantic Segmentation）：對每個像素標註語義類別（如「人」、「背景」），但當多個人重疊或緊靠時，像素會相連成一大片，無法區分誰是誰！
實例分割（Instance Segmentation）：結合物件偵測與語意分割，在像素等級上為同類別中的每一個不同實體（個體）給予獨立識別編號（如 Mask R-CNN）。

選項 敘述摘要 正誤深度剖析
A 區分同類別中彼此重疊的獨立個體 ✅ 正確。實例分割的本質即是同時達成「物件定位辨識」與「像素級獨立個體分割」。
B 僅輸出整張照片單一類別標籤 ❌ 錯誤。這是影像分類（Image Classification），非實例分割。
C 只能用矩形框標示無法像素分割 ❌ 錯誤。矩形框為物件偵測（Object Detection）；實例分割可精確至像素多邊形輪廓遮罩。
D 非監督式無須標註訓練 ❌ 錯誤。實例分割需要精密的像素級 Ground Truth 標註進行監督式訓練。
Hall of Fame

🏆 115-1 / 114-2 中級英雄榜榮譽戰報

累積 79+ 位學員高分獲證！非本科、跨領域背景學員大放異彩，真實名單與成績見證！

🔍
考試梯次 序號 學員社群名稱 L21 L22 L23 畢業科系
115-1 (2026/05)#1店小二 8280資管系
115-1 (2026/05)#2加菲 8088資管系
115-1 (2026/05)#3AI中級L23/安 跨領域7474台文系+環安系
115-1 (2026/05)#4千 跨領域8270–人管
115-1 (2026/05)#5aziz 86––電機所
115-1 (2026/05)#6Eric Kuo 跨領域74––醫工
115-1 (2026/05)#7Yuchang761 跨領域88––社工
115-1 (2026/05)#8Ming中級過L22再考L2123 707054資管+流管+工管
115-1 (2026/05)#9Fu.J 跨領域8876–會計系
115-1 (2026/05)#10>*.*< 9272–跨領域學員
115-1 (2026/05)#11Christin 跨領域7870–經管
115-1 (2026/05)#12KenLee1109 74–76資工
115-1 (2026/05)#13諺 跨領域7874–環安系
115-1 (2026/05)#14Anthea 9072–跨領域學員
115-1 (2026/05)#15Demi 8876–跨領域學員
115-1 (2026/05)#16addison0828 ––72finance
115-1 (2026/05)#17EQ 92–72管理科學
115-1 (2026/05)#18Little white 跨領域82–74機械
115-1 (2026/05)#19第5隊 – Blake 跨領域90–74醫工
115-1 (2026/05)#20Chris 92–74工業工程
115-1 (2026/05)#21泰瑞 8270–資管
115-1 (2026/05)#22老朱 跨領域82–70財政學系
115-1 (2026/05)#23catherine 86–70跨領域學員
115-1 (2026/05)#24夏儂 跨領域90–70政治+電影
115-1 (2026/05)#25clarence 跨領域8474–企管
115-1 (2026/05)#26兔包子 跨領域84–72國貿
115-1 (2026/05)#27Gina 9680–跨領域學員
115-1 (2026/05)#28Yuko 跨領域8678–國貿
115-1 (2026/05)#29憶筆的姐姐 跨領域90–70廣告設計
115-1 (2026/05)#30jason0810 90–70跨領域學員
115-1 (2026/05)#31布總管 727074資工系
115-1 (2026/05)#32sky 跨領域86–74機械系
115-1 (2026/05)#33YU 80–76跨領域學員
115-1 (2026/05)#34姜姜寧 867064資管
115-1 (2026/05)#35Jason Lin 785872資管
115-1 (2026/05)#36Nini 跨領域807072土木工程
115-1 (2026/05)#37Jimmy HH Hao 跨領域787672企管 + 電子
115-1 (2026/05)#38Cherry Chen 跨領域9482–國文+地理
115-1 (2026/05)#39John 727474資管
115-1 (2026/05)#40翁小彬 跨領域82–70國貿
115-1 (2026/05)#41瑞文 72–70電機
115-1 (2026/05)#42Richard 跨領域74–76藥學系
115-1 (2026/05)#43網咖少女 跨領域––72觀光
115-1 (2026/05)#44Sakayama 80–76資管
115-1 (2026/05)#45Lingo 跨領域80–72水產養殖系
115-1 (2026/05)#46lansslu ?沒考?跨領域學員
115-1 (2026/05)#47Anderson 9070–資工系
115-1 (2026/05)#48JH 86––工工系
115-1 (2026/05)#49Jason 847276資管
115-1 (2026/05)#50沐心 跨領域70–76化工
114-2 (2025/11)#1店小二 8280–資管系
114-2 (2025/11)#2加菲 80––資管系
114-2 (2025/11)#3Cal 7676–電機
114-2 (2025/11)#4Issac 82–72資管系
114-2 (2025/11)#5煎餅 跨領域7276–化學系
114-2 (2025/11)#6EasonLee 72––資管系
114-2 (2025/11)#7棗安 跨領域70–70企管
114-2 (2025/11)#8星星 84–70資工
114-2 (2025/11)#9vetboy 跨領域78–70獸醫
114-2 (2025/11)#10帥哥兒 跨領域7478–企管系
114-2 (2025/11)#11John 72–74資管
114-2 (2025/11)#12佑 跨領域70–70設計
114-2 (2025/11)#13SP 7272–統計
114-2 (2025/11)#14走路草 跨領域74–74電影
114-2 (2025/11)#15icene 跨領域727874財管
114-2 (2025/11)#16Nazira 跨領域70–74外文系
114-2 (2025/11)#17H. H. Hao 跨領域7876–企管 & 電子
114-2 (2025/11)#18Yoyogau 跨領域78–72機械
114-2 (2025/11)#19Twelvia 74–74跨領域學員
114-2 (2025/11)#20Eva 跨領域7270–財稅系
114-2 (2025/11)#21Jt 74–72工管系
114-2 (2025/11)#22Corey 7472–生物資訊
114-2 (2025/11)#23魚泡泡爹 跨領域7070–企管
114-2 (2025/11)#24friday1530 7270–(沒加社群)
114-2 (2025/11)#25統一陽光豆漿 跨領域70–70會計系
114-2 (2025/11)#26胖貞 7070–跨領域學員
114-2 (2025/11)#27Yuyi Lin 70–76跨領域學員
114-2 (2025/11)#28King, CFK 7272–跨領域學員
114-2 (2025/11)#29次元大叔 9686–跨領域學員
Complete Syllabus

三大考科大綱與市售參考書全方位評比

完整對應經濟部產業發展署能力鑑定規範，涵蓋技術規劃、數據分析與模型建構！

科目一・L21

人工智慧技術應用與規劃

  • 自然語言處理（NLP）：斷詞、POS Tagging、Word2Vec、Transformer
  • 生成式 AI 與 LLM：LoRA 微調、Prompt 工程、RAG 檢索增強
  • 電腦視覺（CV）：卷積神經網路、YOLO 物件偵測、影像分割
  • AI 專案系統架構分析與落地實務法規
科目二・L22

大數據處理分析與應用

  • 大數據分析流程：描述性、診斷性、預測性與處方性分析
  • 資料前處理與特徵工程：Missing Value、標準化、One-Hot
  • 大數據分析方法：決策樹、隨機森林、分群演算法、A/B 測試
  • 模型評估指標：ROC、AUC、PR 曲線、混淆矩陣、F1-Score
科目三・L23

機器學習技術與應用

  • 監督式學習：線性回歸、邏輯回歸、SVM、集成學習 XGBoost
  • 非監督式與降維：K-Means、DBSCAN、PCA 主成分分析
  • 深度學習模型：ANN、CNN、RNN、LSTM、Attention 機制
  • 模型過擬合（Overfitting）防範：Dropout、L1/L2 正則化

市售傳統參考書 vs HTML 考題小舖中級教材

比較項目 HTML 考題小舖 (中級教材) 市售傳統中級參考書
最新全真試題收錄 ✔ 100% 收錄 2026/05、2025/11 及官方樣題 ❌ 僅少數過期樣題，無最新真題
逐題破題詳解品質 ✔ 100% 逐題精闢詳解 + ABCD 逐項正誤剖析 ❌ 僅附簡答 ABCD，完全無詳解或僅一兩句
原創高解析架構圖解 ✔ 數百張繁中 WebP 專業圖解（LoRA/YOLO/ROC） ❌ 純文字黑白印刷，生硬難以吸收
線上模擬測驗 (Moodle) ✔ 提供專屬 Moodle 系統，手機電腦隨時刷題 ❌ 無任何線上測驗平台
後續免費更新服務 ✔ 持續免費改版更新，緊貼最新考綱 ❌ 印刷成書即斷更，改版需重複購書
跨領域學員通過率 ✔ 79+ 位具名榜單（非本科跨領域超過半數） ❌ 缺乏具體真實過關學員背書
Frequently Asked Questions

常見問題解答

針對中級考試常見疑問，為您提供最清晰透明的說明

1. iPAS AI 應用規劃師 (中級) 與初級差別在哪？非資工本科能考過嗎？ +
中級難度較初級更深，考科涵蓋 L21（人工智慧技術應用與規劃）、L22（大數據處理分析與應用）、L23（機器學習技術與應用）。雖然範圍較廣，但 HTML 考題小舖教材將複雜演算法與數學公式轉化為直覺的全彩架構圖解與破題口訣，我們的 79 位獲證學員中超過半數皆為跨領域非本科（包含醫工、獸醫、化學、企管、國貿、甚至台文系+環安系），只要跟著全真題庫與圖解循序漸進，跨領域非本科絕對能一次過關！
2. 我想先免費試閱教材與題庫，該如何操作？ +
歡迎免費體驗！點擊頁面上的「前往 Moodle 免費重點試閱」即可直達我們的 Moodle 雲端測驗學習系統（https://exam.kt.idv.tw/）！
我們提供公開試閱帳號密碼供您自由登入體驗：
• 體驗帳號：ktest
• 體驗密碼：Ktest2025! (注意 K 為大寫)
登入後即可免費試閱最新考題解析與全真試題介面！
3. 題庫真的每份考題、每一題都提供精闢詳解與圖解嗎？ +
是的！市面上多數中級考古題只附答案 ABCD，毫無說明。HTML 考題小舖堅持 100% 逐題提供精闢詳解，包含最新 2026/05/23（115-1）全真試題、2025/11/08（114-2）及官方樣題，每道題目均有破題邏輯、ABCD 選項正誤深度剖析表格，並附上 LoRA 微調、POS Tagging、YOLO vs Faster R-CNN、ROC 曲線等高解析架構圖解，讓您透徹理解而非死記硬背。
4. 教材會持續免費更新嗎？後續更新需要額外付費嗎？ +
購買後享有持續免費更新承諾，後續改版絕不加收任何費用！我們會緊密追蹤經濟部產業發展署的最新命題方向、新增題型與 AI 最新技術演進，最新版電子檔教材將第一時間免費提供給學員。
5. 教材可以在哪些裝置上閱讀？是否有期限或浮水印？ +
教材為全彩響應式 HTML 離線網頁檔案，可於手機（iOS/Android）、平板（iPad）、Windows/Mac 電腦直接用瀏覽器開啟閱讀，隨開即讀。無任何使用期限、無閱讀軟體限制、無浮水印，排版自由縮放與列印皆非常方便。

立即啟動備考・輕鬆拿下 iPAS 中級證照

加入 79+ 位獲證學員的行列！全真題庫・100% 逐題破題詳解・Moodle 雲端測驗，給自己一次高分通關的最佳投資。

🖥️ Moodle 雲端平台免費試閱資訊 (免申請・即開即測)
👤 試閱帳號 ktest
🔑 試閱密碼
Ktest2025! （注意 K 為大寫）
💡 點擊上方試閱按鈕進入系統，輸入上述帳號密碼，即可自行登入體驗線上測驗與章節重點！
🏆
iPAS AI 應用規劃師 (中級) 考照首選教材
三大考科全收錄・100% 逐題精闢詳解・79 位具名榜單・持續免費更新
免費試閱 ↗ 蝦皮下單
返回頂端