Part 1　人工智慧基礎概論
第1章 AI的定義與分類
1-1 人工智慧的發展
1-2 人工智慧的技術演進
1-3 生成式人工智慧
1-4 人工智慧的定義

第2章 AI治理概念
2-1 AI治理的必要性
2-2 AI偏誤與公平性
2-3 可信任AI
2-4 AI治理框架與政策

第3章 資料基本概念與來源
3-1 人工智慧與資料的關係
3-2 資料型態
3-3 結構化與非結構化資料
3-4 資料來源
3-5 機器學習中的資料概念
3-6 大數據的特性與意涵

第4章 資料整理與分析流程
4-1 資料處理與分析流程
4-2 常見資料品質問題
4-3 ETL資料處理流程
4-4 資料分析方法與視覺化
4-5 資料分析結果的應用與決策

第5章 資料隱私與安全
5-1 資料隱私與個人資料概念
5-2 資料隱私的主要風險
5-3 資料保護的基本原則與方法
5-4 AI 時代的隱私挑戰與偏見問題
5-5 隱私保護技術與實務應用

第6章 機器學習基本原理
6-1 機器學習的概念
6-2 機器學習的基本流程
6-3 訓練資料、特徵與標籤
6-4 模型評估與模型表現
6-5 機器學習實例

第7章 常見的機器學習模型
7-1 監督式學習
7-2 非監督式學習
7-3 半監督式學習
7-4 強化式學習
7-5 多模態學習

第8章 鑑別式AI與生成式AI的基本原理
8-1 鑑別式AI與生成式AI概念
8-2 鑑別式AI的原理與應用
8-3 生成式AI的原理與應用
8-4 鑑別式AI與生成式AI的差異

第9章 鑑別式AI與生成式AI的整合應用
9-1 感知與創造的協作架構
9-2 跨領域的技術融合
9-3 實務應用場域與情境分析
9-4 整合應用的關鍵分析

Part 2　生成式 AI 應用與規劃
第10章 No Code / Low Code的基本概念
10-1 軟體開發自主權的釋放
10-2 No Code / Low Code
10-3 LCNC 平台的潛在風險與治理架構
10-4 LCNC 與 AI 的整合應用

第11章 No Code / Low Code的優勢與限制
11-1 LCNC 平台的核心優勢
11-2 導入 LCNC 的限制與挑戰
11-3 生成式 AI 與 LCNC 的整合
11-4 生成式 AI × LCNC 的應用案例

第12章 生成式AI應用領域與常見工具
12-1 文本生成
12-2 圖像生成
12-3 語音與音樂生成
12-4 影片生成
12-5 多模態生成

第13章 如何善用生成式AI工具
13-1 Prompt的基本概念與原則
13-2 提示工程
13-3 RAG

第14章 生成式AI 導入評估
14-1 效能評估
14-2 適用解決方案選擇
14-3 成本效益分析
14-4 生成式AI導入前評估

第15章 生成式AI 導入規劃
15-1 AI導入六步驟
15-2 需求分析
15-3 資料盤點與治理
15-4 技術選型
15-5 PoC 驗證
15-6 規模化導入與持續優化

第16章 生成式AI 風險管理
16-1 生成式 AI 的風險
16-2 模型與資料風險
16-3 技術防護機制
16-4 風險治理與管理機制

學後評量