第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ）

主題1 AI 相關技術應用

第1 章 自然語言處理（NLP）技術與應用

1-1 認識自然語言（NLP）

1-2 GenAI、LLM 和NLP 三重奏

1-3 GenAI、LLM 和NLP 三合一的魅力

1-4 展現更多商業價值

1-5 RAG 的角色與使用要點

1-6 實務應用

模擬試題

?

第2 章 電腦視覺技術與應用

2-1 介紹電腦視覺（Computer Vision）

2-2 電腦視覺的發展歷史

2-3 正在崛起的視覺GenAI 

2-4 電腦視覺的應用

2-5 電腦視覺技術的未來發展

2-6 實務應用

模擬試題

?

第3 章 生成式AI 技術與應用

3-1 生成式AI 的內涵

3-2 大型語言模型（LLM）

3-3 LLM 的幻覺問題

3-4 LLM 搭配RAG：降低幻覺

3-5 RAG、微調與提示工程

3-6 GenAI 的常見應用

3-7 GenAI 的未來發展

3-8 實務應用

模擬試題

?

第4 章 多模態人工智慧應用

4-1 簡介多模態AI

4-2 流行的多模態AI 模型

4-3 多模態AI 應用情境

4-4 多模態AI 提升人機介面（HCI）

4-5 多模態AI 提升人的決策力

4-6 多模態AI 的未來發展

4-7 實務應用

模擬試題

?

主題2 AI 導入評估規劃

第5 章 AI 導入評估

5-1 什麼是「AI 導入評估」

5-2 AI 導入評估的主要內容

5-3 概念驗證（Proof of Concept, POC）方法

5-4 快速原型（Rapid Prototyping）驗證方法

5-5 實務應用

模擬試題

?

第6 章 AI 導入規劃

6-1 AI 專案規劃包含哪些內容

6-2 了解問題，訂定專案目標（Goal）

6-3 挑選優先用例（Use Case），進行用例評估

6-4 模型（Model）選擇

6-5 收集高品質的資料（Data）

6-6 組成多元團隊，並制定風險管理計劃

6-7 模型訓練& 部署（Train & Deploy）

6-8 實務應用

模擬試題

?

第7 章 AI 風險管理

7-1 為什麼AI 導入需要風險管理

7-2 AI 專案風險管理的範圍

7-3 常見AI 風險類型

7-4 風險評估流程

7-5 對應的控管策略

7-6 實務應用

模擬試題

?

主題3 AI 技術應用與系統部署

第8 章 數據準備與模型選擇──以生成式AI 為例

8-1 數據準備（Data Preparation）的涵意

8-2 數據準備的六項關鍵任務

8-3 數據準備實施中的注意事項

8-4 模型選擇（Model Selection）

8-5 開發原型，快速驗證

8-6 實務應用

模擬試題

?

第9 章 AI 技術系統集成與部署—以生成式AI 為例

9-1 AI 系統整合（集成）架構

9-2 AI 部署與挑戰

9-3 AI 部署的流程：以GenAI 為例

9-4 實務應用

模擬試題

?

第2 篇 機器學習技術與應用（ iPAS 中級科目3 ）

主題1 機器學習基礎數學

第1 章 機率/ 統計之機器學習基礎應用

1-1 統計學是現代AI 的起點

1-2 使用sigmoid 函數讓迴歸線輸出機率

1-3 簡單的線性迴歸分析

1-4 從線性迴歸到多類分類

1-5 範例說明

模擬試題

?

第2 章 線性代數之機器學習基礎應用

2-1 迴歸線的本質就是線性代數

2-2 空間映射：資料穿越空間，成為智慧

2-3 機器學習（ML）的邏輯步驟

2-4 範例說明

模擬試題

?

第3 章 數值優化技術與方法

3-1 模型優化的重要概念

3-2 優化器的種類

3-3 反向傳播（BP）與優化器的完美協作

3-4 ML 的數值優化流程

3-5 範例說明

模擬試題

?

主題2 機器學習與深度學習

第4 章 機器學習原理與技術

4-1 機器學習（Machine Learning）的原理

4-2 從資料樣本提取特徵（Feature）

4-3 AI 從特徵中學習其規律

4-4 範例說明

模擬試題

?

第5 章 常見機器學習演算法

5-1 鑑別式AI 演算法

5-2 生成式AI 演算法

5-3 介紹邏輯迴歸模型

5-4 介紹神經網路模型

5-5 介紹卷積神經網路（CNN）模型

5-6 範例說明

模擬試題

?

第6 章 深度學習原理與框架

6-1 介紹深度學習

6-2 深度學習框架

6-3 使用PyTorch 框架：分辨「水果」圖片

6-4 範例說明

模擬試題

?

主題3 機器學習建模與參數調校

第7 章 數據準備與特徵工程

7-1 數據準備與特徵工程之關係 

7-2 數據準備與資料預處理

7-3 特徵工程

7-4 認識分類型特徵

7-5 展開特徵工程，並訓練模型

7-6 範例說明

模擬試題

?

第8 章 模型選擇與架構設計

8-1 模型選擇

8-2 ML 架構設計

8-3 模型選擇與架構設計之迭代過程

8-4 遷移學習：復用ResNet50 模型

8-5 範例說明

模擬試題 

?

第9 章 模型訓練、評估與驗證

9-1 模型訓練與評估

9-2 四項基本評估指標

9-3 模型驗證與測試

9-4 範例說明

模擬試題

?

第10 章 模型調整與優化

10-1 模型調整的涵義

10-2 模型調整方法

10-3 模型優化技術

10-4 模型微調（Fine-tuning）：以LoRA 為例

10-5 範例說明

模擬試題

?

主題4 機器學習治理

第11 章 數據隱私、安全與合規

11-1 資料隱私與資料安全之關係

11-2 資料隱私

11-3 數據安全

11-4 數據合規與AI 治理

11-5 範例說明

模擬試題

?

第12 章 演算法偏見與公平性

12-1 ML 偏見導致不公平性

12-2 ML 演算法的偏見

12-3 ML 演算法的公平性

12-4 細說可解釋性

12-5 範例說明

模擬試題