嗨, 我是CCChen
分享自學與準備"iPAS AI應用規劃師 初級" 個人模擬練習題1.資料來源: 參考AI種子三日班官方公版教材與AI應用規劃師 初級能力培訓班講義
2.模擬題目來源: 教材與講義中提供練習題收集+使用AI工具針對考試範圍重點生成
3.個人模擬練習方式: 使用Google表單~測驗卷模式 (隨機題目順序+自動評分+無限次數考試)
~~提醒測驗卷為個人整理與生成, 僅供學習參考用. 非官方正式考題, 請先確認清楚~~
2025/03/16 更新~免費測試題目
I應用規劃 (模擬測驗30題)20250316 -1 CCChen
https://forms.gle/LC1Kimr7ftYE2mReA
AI應用規劃 (模擬測驗40題) 20250316-2 CCChen
https://forms.gle/XMztzz4xZGBvAzBd9
2025/03/17 更新~免費測試題目
AI應用規劃 (模擬測驗卷30題) 科目一 01 CCChen
https://forms.gle/WMqGCZthNajxEgqSA
AI應用規劃 (模擬測驗卷30題) 科目二 01 CCChen
https://forms.gle/5WtCJEvLzaVnUHAM6
AI應用規劃 (模擬40題) 科目二Nocode Lowcode CCChen
https://forms.gle/eXJZCoZKzPmfX8Nv9
2025/03/20 更新 篩選出30個重要的知識點，
並提供精簡的重點解析，希望能幫助您快速掌握核心概念。
- No Code平台：允許使用者在完全不編寫任何程式碼的情況下，透過拖拉式介面和視覺化配置創建應用程式。主要適用於無技術背景的業務使用者，快速開發MVP或自動化工作流程。
- Low Code平台：在圖形化開發的基礎上，允許開發者編寫少量程式碼來擴展功能，以應對更複雜的需求。旨在減少重複編碼，提高開發效率，適用於企業級應用和跨系統整合。
- 生成式 AI：能夠自主產生新的、類似於訓練數據的內容（如文本、圖像、音樂、程式碼等）的 AI 技術。
- 大型語言模型 (LLM)：在大量文本數據上進行預訓練的深度學習模型，具有強大的語言理解和生成能力，例如 GPT 系列。
- Transformer：一種基於自注意力機制的深度學習模型架構，擅長處理序列資料（如文本），是許多LLM的核心組件。
- 自注意力機制 (Self-Attention)：Transformer 模型的關鍵組件，使模型能夠動態地關注輸入序列中不同位置的資訊，學習詞語之間的關聯。
- 提示工程 (Prompt Engineering)：設計和優化輸入給 AI 模型的提示，以引導模型產生期望的高質量輸出。
- 語彙基元化 (Tokenization)：將**輸入文本分割成更小的單元（語彙基元）**的過程，以便模型更好地理解和處理語言。
- 內嵌向量 (Embedding)：將詞彙或概念映射到高維度向量空間的技術，使得語義相似的詞彙在向量空間中也彼此靠近，有助於理解語義關係。
- AI 治理：建立指導和管理 AI 系統開發和使用的框架、原則和實踐，確保 AI 的發展和應用符合道德、法律和社會價值觀，並降低潛在風險。
- 負責任的 AI (RAI)：強調以公平、透明、安全、可靠且符合道德的方式設計、開發和部署 AI 系統，關注避免偏見、保護隱私和確保問責制。
- AI 可解釋性 (XAI)：使 AI 系統的決策過程、行為和內部運作對於人類而言是可理解和可追溯的，提高 AI 的透明度、可信度和可靠性。
- 泛化能力：機器學習模型對於在訓練過程中從未見過的新樣本資料的識別和預測能力。
- 過擬合：模型在訓練數據上表現過於優秀，但在新數據上的泛化能力較差。
- 機器學習 (ML)：透過資料訓練模型，使機器在沒有明確程式指令的情況下學習並提升預測和分類能力。
- 深度學習 (Deep Learning)：基於多層人工神經網路的機器學習子領域，能夠學習資料中複雜的抽象特徵。
- 監督式學習：使用標註過的資料訓練模型，學習輸入與輸出之間的對應關係。
- 非監督式學習：使用沒有標註的資料進行訓練，讓模型自行發現資料中的模式、結構或群組。
- 強化學習 (RL)：透過與環境互動並接收獎勵或懲罰，使代理人學習在特定情境下採取最佳行動策略。
- 電腦視覺 (CV)：使電腦能夠**「看」和理解數位圖像與影片**的領域，應用於圖像分類、物件偵測等。
- 自然語言處理 (NLP)：使電腦能夠理解、生成和處理人類自然語言的領域，應用於語音辨識、文本分析等。
- 大數據 5V：指 Volume（數據量）、Velocity（數據速度）、Variety（數據多樣性）、Veracity（數據真實性/準確性）、Value（數據價值）。
- 資料前處理：在訓練模型前進行的清理、轉換、整合和縮放等操作，以提高資料品質。
- 特徵工程：從原始數據中創建、選擇和轉換有用的特徵，以提高模型的預測能力和泛化能力。
- AI 導入四個階段：評估與規劃、設計與開發、驗證與測試、部署和應用。
- AI 導入規劃優先考量：總體目標是否清晰、企業內部數據質量。
- AI 導入風險管理：需注意倫理風險、資料安全與隱私風險、合規風險、產生虛假資訊風險等。
- 歐盟 AI Act：以風險為基礎對 AI 系統進行分級管理，對高風險 AI 有更嚴格的監管和罰則。
- 台灣 AI 法規：數位發展部參考手冊、行政院生成式 AI 指引、金融業 AI 指引等，提供公部門與金融業 AI 應用之規範與建議。
- 模型監控：持續追蹤已部署 AI 模型的效能、穩定性和漂移情況，確保其持續有效運作。
我是CCChen:
如果你覺得這篇文章對你有幫助，
請幫我按個愛心，也歡迎 按讚 + 收藏 + 分享
我將持續分享更多AI學習攻略、考試技巧、AI 工具應用 等精彩內容！
