各位同學好，這集影片要談的是我114.3,22參加iPAS應用規劃師(初級)考試的心得。這個內容為我Youtube 頻道(名稱：iPAS AI)影片的文字稿，想了解的朋友可以到下面的頻道去觀看，希望對參加考試的人有所幫助。
www.youtube.com/@EasonCheng-l5u
首先，第一個答題概念是鑑別式AI無法產生新東西，生成式AI可以產生新東西。
簡單來說，鑑別式AI只會分類、判斷，比如像是判斷這張照片是不是狗，但生成式AI就像我們用的ChatGPT，是可以生出新的內容的，像是寫文章、畫圖，甚至幫你寫一篇報告。所以你只要懂得分辨這兩種AI，就可以應付大概四分之一的題目。
再來第二個答題概念是AI不是最終決策者。
這種概念常常會出現在考題裡。現在很多工作會使用AI來輔助決策，但最後拍板、做選擇的，一定還是人，不是AI。所以只要看到題目問到責任歸屬、決策角色，這個概念大概可以幫你解決好幾題。
接下來，談到法規題的部分。這類型的題目，常常是用實例、情境來出。這種題目不太會直接考你條文，而是看你能不能套用法規的規定。
最後，講一下No code 跟 Low code。這是必考題，我幫大家整理一下重點:
No code 完全不寫程式，用拖拉的方式建立流程，很方便、入門門檻低，但談性也比較小。
Low code 只要寫一點點程式，需要一些資訊背景，但彈性比較大，能做的事情更多。
所以看到這類選項的時候，記得從使用門檻跟談性程度這兩個角度去判斷答案。
6
接下來我們來看答題心得的第二張重點整理。這一張圖整理了五大題型方向。每一項都是考試會遇到的重點。我會用簡單的方式帶你快速理解。一起來聽聽吧。
首先是資料類型以及處理的實例題。
這類題目會考你能不能分辨資料的類型。舉個例子，像年齡或收入，這是數值型。性別、地區則是類別型。而像對錯、是否、真或假，這就屬於布林值。
要能判斷出資料型別。
再來是模型評估，這次考試考到下面兩個：
一是混淆矩陣，也就是Confusion Matrix。
二是ROC曲線及AUC指標。
這些都是用來評估模型表現好不好的方法。你要知道怎麼看這些圖表、每個指標代表什麼，還有它們什麼時候特別有用。
接下來統計與圖表這次出了好幾題。
像是平均數、中位數、眾數、四分位數。這些統計名詞的定義你要熟悉，知道它們分別在代表什麼、適合用在哪種資料分析情境。
另外，統計圖表像長條圖、折線圖、盒狀圖等等，也要會選對圖來呈現數據，因為考試有時會出圖的應用場景這種題型！
還有機器學習基本概念
你要知道什麼是監督式學習、什麼是非監督式學習什麼是增強式學習。簡單來說，有沒有「標籤」是最大差別。有標籤的，比如分類問題，就用監督式；沒標籤的像是分群問題，就是非監督式。
還要認識常見的演算法，像決策樹、KNN、K-means 這些。
最後是生成式AI基本概念
最後是現在最熱門的主題——生成式AI。
這裡最核心的技術叫做 Transformer。你只要知道，它是讓AI能理解語言、產生語言的基礎。
還有要搞清楚編碼器和解碼器在整個架構裡面各自負責什麼，像ChatGPT就是以解碼器為主的模型，這類概念考試時常會看到。
好，這就是這一張圖的五大答題重點整理。
如果你能把這些基本概念熟練掌握，答題時會更有信心。
7
接下來是這次考題的介紹。
人工智慧的核心定義是什麼呢？不管有沒有出考題。這是一定要具備的概念。
人工智慧，也就是我們常說的 AI，全名是 Artificial Intelligence。
它是一門跨學科的科學，結合了計算機科學、數學、心理學、哲學等等不同領域的知識。重點在於，它的目標是創造一個能夠執行人類智慧相關任務的系統。這就是人工智慧最根本的精神與核心。
考試重點在人工智慧不是要取代人類。
8
人工智慧的偏見與歧視
在訓練人工智慧的過程中，所使用的資料可能本身就帶有歷史偏見，這會導致 AI 模型在做出判斷時也產生偏見性的決策。
這是一個非常值得注意的議題，未來也可能成為考題。
舉個例子：
Alan Turing，也就是圖靈，他曾經提出著名的圖靈測試，用來定義什麼是智慧。他認為，當一個機器能夠模仿人類的行為，讓人誤以為它是人類時，就可以說這台機器是具備智慧的。
接著，我們來認識「弱人工智慧」，英文叫做 Narrow AI。
這種 AI 只專注在單一或特定的任務上，雖然效率高，但它缺乏彈性，也無法通用，更沒有自我學習新技能的能力。
常見的應用像是：
語音助理，例如 Siri 或 Alexa；
推薦系統，像是 Netflix 或 Spotify 的推薦功能；
以及臉部辨識系統等等。
而所謂的「強人工智慧」目前仍尚未出現，也就是能像人類一樣具有全面智慧與學習能力的 AI 系統，仍在發展中。
9
這次歐盟人工智慧法案有考題。這些內容再之後的講義比較詳細。
這張表是針對人工智慧風險類別所做的分類，一共分為四類，從風險最高到最低依序是：禁止類、高風險、受限風險，以及最低風險。
首先是禁止類：
這類 AI 具有嚴重社會危害性，法律規定必須全面禁止使用。
第二類是高風險：
這類 AI 可能影響基本人權、生命安全，比如醫療、交通、教育等關鍵領域。
對於這類 AI，需要嚴格監管，並且必須符合合法規範的要求才能上線使用。
第三類是受限風險：
這類 AI 影響的是透明度，例如聊天機器人。
使用時必須清楚標示 AI 的來源，讓使用者知道這是 AI 提供的內容。
最後是最低風險：
這是風險最低的一類，比如 AI 遊戲、AI 翻譯這類日常應用。
另外還有例外情形。這類 AI 的使用沒有特別的法規限制，可以自由使用。
10
11.
我們來看看，下次考試可能會怎麼出題
第一種題目可能會問你：
在 歐盟人工智慧法案，如果有一張圖是 AI 生成的，那系統就要告訴使用者「這張圖是 AI 做的」。
那像這樣的情況，會被歸類在哪一種風險等級呢？
還有可能這樣出：
如果 AI 用個人的消費紀錄、社交行為，來決定你能不能貸款，或者能不能入學，這樣的使用情境，會被歸在哪一種風險？
另外可能為反過來問：
以下哪一個不是高風險？這種題目就是要你了解高風險 AI 的定義。
最後是問例外情況：
有些情況即使在 AI ACT 規定下，原本不能用 AI，但如果有特別條件，是可以開放的，那哪些情況是合法的例外呢？
這些題目其實都圍繞在「風險分級」跟「應用情境」，所以只要你搞懂 AI ACT 怎麼分類風險，搭配幾個常見例子，其實不難答。
12
來，我們一起來看這題
題目是說：在一間超市裡，當你把東西放進購物車的時候，系統會自動偵測，等你到結帳時，它會自動幫你結帳、收費。
那這裡要問的就是：這個過程中主要用了哪一種 AI 技術？
選項有四個：
- 自然語言處理
- 電腦視覺
- 強化學習
- 生成對抗網絡
來，我們一起分析一下
這裡重點在於「自動偵測你放了什麼東西進購物車」，也就是它要能「看得懂」東西是什麼，像是辨識你放的是牛奶還是泡麵。這種應用，就是電腦在學「看東西」，所以答案就是電腦視覺。
其他選項像自然語言處理，是在處理語音或文字的；強化學習是跟策略、獎勵有關；而生成對抗網路則是用來做生成模型，像 AI 繪圖那類。
所以這題正確答案就是電腦視覺，掌握關鍵詞就能輕鬆選對喔
13.
來，我們看這題
題目問的是：Transformer 模型的核心技術是什麼？
這邊有四個選項：
- 池化運算符
- 卷積層
- 注意力機制
- 循環連接
好，我們來一個一個拆解：
首先，Transformer 是不是用來做自然語言處理的？沒錯！它就是 ChatGPT 的底層模型，也是現在很多 AI 模型的基礎。
那它最厲害的地方在哪裡呢？
就是它引入了所謂的 注意力機制，也叫做 Attention。這個技術的核心概念是：讓模型知道該注意句子中哪些部分比較重要。
比如說一句話裡的某個關鍵字，模型會特別關注它，而不是平均地處理每一個字。這就是 Transformer 為什麼能理解上下文，還能生成流暢句子的關鍵。
其他選項像是：
池化和卷積，是 CNN（卷積神經網路）裡用在影像處理的；
循環連接則是 RNN、LSTM 那種舊一點的序列模型才會出現的。
所以這題正確答案是：注意力機制，這就是 Transformer 最具代表性的技術，要記住這個關鍵字。
14
好下一提題目是：誰對 AI 系統的行為負主要責任？
選項有四個：
開發者
政府監管機構
使用者
AI 系統本身
先來說答案：正確是開發者。
因為根據目前的法律和倫理觀點，AI 還不是一個有法律人格的主體，所以當它做出錯誤的決策或造成損害時，不能讓 AI 自己負責。
而開發者才是設計和訓練這個系統的人，他們要對模型的行為負起主要責任，特別是在設計階段，是否考慮到偏見、安全性、合規性等等。
其他選項像政府機構，是負責訂規則、做監管的；使用者雖然有責任，但不會是「主要責任者」；AI 系統自己當然不能負責，它又不是人，也不能上法院對吧？
15.
下面這題是在問你：下面哪一個不是屬於深度學習或生成式 AI 模型的類型？
我們先看選項：
第一個是 VAE，也就是變分自編碼器，這是深度學習裡的一種生成模型，用來產生新資料，比如新圖片，所以它是。
第二個是 SVM，也就是支持向量機，這個不是生成式模型，它屬於傳統的機器學習，主要是做分類或回歸用的。它不是深度學習，也不是生成式 AI。
第三個是 擴散模型，這個現在很紅，像是用來生成 AI 圖片的 Stable Diffusion，就是這一類。所以這個當然是生成式 AI 沒錯。
最後一個是 GAN，生成對抗網路，也是很有名的生成模型，能產生圖像、語音、甚至影片，所以也是屬於生成式 AI。
所以答案很清楚：SVM支持向量機不是深度學習，也不是生成式模型。
這題的關鍵在於認識不同模型的分類
16
我們來看這題，是在考你對 ROC 曲線和 AUC 的理解。
題目問：以下哪一個敘述是正確的？
來，我們先來了解一下
ROC 曲線是用來評估分類模型的表現，它會畫出真陽率對上假陽率的曲線。
而 AUC，就是這條曲線下面的面積，數值越接近 1，表示模型越準確。
來看選項：
A. ROC 曲線的橫軸是真陽綠、縱軸是假陽率，這個相反了！應該是：橫軸是假陽率，縱軸才是真陽率，所以這個是錯的。
B. ROC 曲線是繪製召回率跟精確率的關係，也錯了！那是 PR 曲線（Precision-Recall Curve）才是看這兩個。ROC 是真陽率對假陽率。
C. AUC = 1 代表模型預測力 100%，這個是正確的！AUC 值越接近 1，代表分類效果越好。AUC = 1 代表完美預測。
D. AUC 較高表示模型性能較差這也錯了，AUC 越高才表示模型越好。
所以正確答案是：C
AUC 是 ROC 曲線下的面積，值越大表示模型表現越好。
17
下面這一題是在考你：資料型態的判斷能力。詳細考題不太記得，類似這樣出題。
題目說，社區辦活動，要收集參加者的資料，比如姓名、地址、出生日期，還有像是否自行開車這種選項。
那這些欄位，其實就分別對應到不同的資料型態。
我們來逐一想一下：
- 姓名和地址，這種是純文字的，所以是文字型。
- 出生日期，很直觀，這當然是日期型。
- 像年齡、收入、或車輛數這類可以計算的，就是數值型。
- 最後，是否自行開車這種只有兩個選項：是或否、True 或 False，就是布林型。
所以這題要你從選項中找出包含三種正確資料型態的組合，可能會像是文字型、日期型、布林數這種。
這類題目滿實用的，因為在實際處理資料前，我們常常第一步就是要辨識資料型態，決定後續該怎麼清洗、轉換或分析。
19
接下來我們來看這一張考題整理，總共三題，都是在考統計基本概念，特別是集中趨勢和異常值的判斷。
第一題：以下哪個不適合處理異常值？
選項有：眾數、平均數、標準差、四分位數。
這題的關鍵在於：平均數很容易被極端值影響，所以不太適合用來判斷異常值。
而像標準差和四分位數，其實就是我們用來找異常值的工具。
所以這題的正確答案是：平均數不太適合處理異常值。
第二題：何者不是集中趨勢的指標？*
選項有：平均數、中位數、眾數、四分位數。
前三個大家應該很熟，都是在講資料的「集中在哪裡」，也就是平均的位置。
但四分位數是用來表示資料的分布範圍，不是用來看集中趨勢的。
所以這題正確答案是：四分位數不是集中趨勢的指標。
第三題：哪一種圖形無法用來判斷資料的集中趨勢？
選項有：直方圖、雷達圖、分佈圖、箱型圖。
這邊考的是對統計圖表的理解：
- 直方圖可以看到數據分佈的集中與離散情形；
- 分佈圖也是類似的功能；
- 箱型圖可以看出中位數、上下四分位，很適合看趨勢；
- 但雷達圖是多變量比較用的，不適合判斷集中趨勢。
所以這題的正確答案是：雷達圖無法有效判斷集中趨勢。
總結一下這三題，主要是在考你：
資料集中趨勢的指標有哪些？異常值怎麼處理？還有常見統計圖該怎麼用？
19
這題在考你：大語言模型中的 Function Calling 是什麼？
先簡單講一下什麼是 Function Calling。這個功能是讓語言模型在回答問題的時候，可以主動調用外部的工具或已經定義好的函數，幫它查資料、算數學、查天氣、存資料之類的，不只會講話，還能動手做事！
所以來看選項：
A. 優化運算效率 。 這不是主要功能，這比較像是系統層面在做的事。
B. 降維 ，這是資料處理或降噪時用的，跟 Function Calling 沒直接關係。
C. 調用已定義函數， 沒錯，這就是重點！Function Calling 的核心，就是讓模型根據使用者的需求，自動去呼叫對應的函數，這是正確答案。
D. 提高文本生成品質 ，雖然這可能是附帶好處，但不是 Function Calling 的主要目的。
所以這題正確答案是：C，調用已定義函數。
20
接下來這題很實用。
在大語言模型中，所謂的Prompt Engineering，是什麼意思？
簡單說，Prompt就是我們給模型的提示或指令，那 Prompt Engineering，就是在設計這些提示的技巧。
目的是什麼？就是讓模型根據我們的提示，產出我們想要的答案。所以不是亂問，而是要有策略地問、會問、問得精準！
來看選項：
A. 設計模型 ，不是，這是工程師做的，跟 prompt 沒關係。
B. 增強數據訓練 ，這是訓練階段的事，Prompt Engineering 是在使用階段。
C.*設計有效的提示以獲取需要的輸出，沒錯，這就是 Prompt Engineering 的核心定義，答案就是這個！
D. 程式設計 ， 和程式有關但不是重點，寫 prompt 不需要寫程式。
所以這題的正確答案就是：C，設計有效的提示以獲取需要的輸出。
這是使用大型語言模型時最關鍵的一項技能。
21這題要問我們：什麼是 RLHF，也就是「人類反饋強化學習」的正確實行步驟？
這種訓練方式是讓 AI 更接近人類的偏好，像是 ChatGPT 就是用這種方式來調整反應品質的。
這個流程分成三個主要步驟：
第一步：提示示範
也就是先讓 AI 看人類寫得好的範例，學會怎麼回答比較合適。
第二步：獎勵模型
這時人類會針對 AI 給出的回答打分數，幫助模型學會怎麼判斷什麼是好回答。
第三步：部署
就是把訓練好的模型正式上線，實際讓人使用。
所以這題的正確答案是：A，提示示範、獎勵模型、部署。
其他選項雖然也是做模型時可能會有的步驟，但不是 RLHF 的關鍵流程。
22
這題在考你對 ChatGPT 新功能的了解
題目問：OpenAI 在 ChatGPT 裡面加入的 Canvas，是屬於哪一類的功能？
我們先說明一下什麼是 Canvas。
這是 ChatGPT 在新版中推出的一個空間，讓你可以跟 AI 互動式地處理文字、圖表、代碼、甚至拖拉元件，就像在白板上跟 AI 一起思考、規劃或寫東西。
所以它不是單純聊天，而是可以一起工作、一起創作、一起規劃。這種功能，就叫做協作功能。
來看選項：
A. 協作 ，沒錯，Canvas 就是用來協作的，是正確答案！
B. 語音識別 ，這是 Whisper 的功能，不是 Canvas。
C. 圖像生成 ，是 DALL·E 的功能。
D. 建模 ， 是開發者訓練模型會用到的術語，也不是 Canvas 的主要用途。
所以這題正確答案就是：A 協作！
23
這題目說，有一家商店收集了一萬名顧客的資料，像是他們買了哪些商品、花了多少錢、多久買一次。現在想要用這些資料來預測這個客戶會不會再來購買？
關鍵來了：這個會不會就是一種二元分類問題，也就是答案只有兩種：會，或者不會。
那我們就來看選項，哪一個方法最適合處理這種只有兩個可能結果的問題？
A. 邏輯迴歸 ，沒錯！這就是處理二元分類最常用的方法。
B. 線性迴歸 ，這是用來預測連續數值的，比如金額、分數，不適合做分類。
C. 主成分分析 ，這是資料降維用的，幫你整理變數，並不是拿來分類的。
D. 均方誤差 ，這是評估預測誤差的指標，也不是分類方法。
所以答案就是：A. 邏輯迴歸！
記住這個重點：如果結果為是或否、會或不會、成功或失敗這種二選一的情況，邏輯迴歸就是你的好朋友！
24
我們看到這題在問：ChatGPT 是屬於哪一類的模型？
答案其實很明確，ChatGPT 是屬於 Decoder-only架構的模型。
我們來看一下圖表裡怎麼分類的：
Transformer 架構大致分成三種：
1. Encoder-only（僅編碼器）
像 BERT、RoBERTa 就是這類型。
它們擅長的是理解任務，例如分類、搜尋、語意分析。
但它們不擅長生成，也就是不能自己寫內容。
2. Decoder-only（僅解碼器）
這一類就是像 GPT-3、GPT-4、還有 Stable Diffusion。
它們的強項是內容生成，像寫文章、補字、生成圖片等等。
ChatGPT 就是屬於這一類的！
3. Encoder-Decoder（編碼器加解碼器）
這類則是雙向架構，像 T5、BART、Whisper。
它可以理解輸入再進行摘要、翻譯、生成等複雜任務，非常萬用。
所以這題答案就是：ChatGPT 屬於 Decoder-only 架構。
另外，如果問你哪一個模型屬於 Encoder-only，你就要想起 BERT、RoBERTa 這些，因為它們專門做理解任務，但不能產生內容喔！
25
Transformer 模型最基本的架構，其實就是由兩個部分組成的：編碼器（Encoder） 和 解碼器（Decoder）。
來，我們先講 編碼器 是做什麼的：
編碼器的工作是理解輸入的內容，像是讀一段文字，幫它轉換成模型能夠理解的向量表示，也就是語意的形式。
在處理像是分類、語意理解、搜尋任務時，編碼器特別重要。代表模型像是 BERT，就是只有編碼器的架構，擅長做理解但不會生成。
再來是 解碼器，它的任務就是根據輸入生成新的內容。
也就是說，它會根據語境一步一步產出字詞或句子。像我們用的 ChatGPT 就是只有解碼器的架構，專門用來生成文字內容。
那如果是同時需要理解輸入、又要產出結果呢？
這時候就會用到 編碼器-解碼器（Encoder-Decoder）的架構。像是翻譯、摘要這類任務就會用到，代表模型像是*T5、BART、Whisper。
26
我們來看看這幾題，都是跟 AI 資安、資料處理與應用場景有關的重點考題～
第一題：保護敏感資料應該使用哪種安全技術？
這題的關鍵就是敏感資料跟安全性相關。
目前主流的作法是採用一種叫做 零信任架構的安全設計概念。
意思就是：不管你是內部人員還是外部使用者，預設都不信任，一律驗證與授權後才開放存取。
這樣的安全機制可以最大程度保護資料不被未授權使用。
所以答案是：零信任架構。
第二題：移除個人識別資訊（PII Removal）和去識別化（De-identification）屬於哪種技術？
這題其實是考你資料處理的技術分類。
像 PII removal 或去識別化，目的是為了保護個資，那這些都屬於一種統計或數據保護的做法，叫做：差分法。
它的精神是：在保留資料整體特性的情況下，盡量模糊掉個人可辨識的部分，讓你無法從資料中推回特定個體。
第三題：何者為鑑別式 AI 的應用場景？先來複習一下，鑑別式 AI的重點是分類、判斷、辨識，它不是用來產生內容，而是用來分辨資訊。
所以像是醫學診斷這種，要根據檢查結果判斷你有沒有病，是典型的鑑別式 AI 應用。
而像生成新角色、虛擬情境、創新產品設計，這些就比較偏向生成式 AI。
27
我們來看這兩題，都是考你對 AI 應用情境的理解，判斷哪種情況風險高、哪種最符合實務用途。只記得正確答案，其他選項已經不記得了。
第一題：哪種 AI 應用最可能侵犯權利？
這題重點在侵犯權利這四個字，特別是在智慧財產權方面。
如果你AI 生成的藝術作品，然後拿去市場上販售，那就可能會有問題。
因為訓練 AI 的時候可能用到了別人的作品，而你又拿生成的東西去商業用途，這樣就很容易引發著作權爭議。
所以正確答案是：用 AI 生成藝術品去市場販售，這個最可能涉及侵權問題。
第二題：哪種 AI 應用符合供應鏈管理？
這題是應用判斷題，我們要找的是能提升效率、協助決策的 AI。
像是：
- 自動化採購訂單
- 自動產出市場報告，讓管理層更快掌握業務狀況
這些就是典型的 AI 在供應鏈中的應用場景，能幫企業省時、省人力，又提升準確度。
所以正確答案是：自動化採購訂單、生成報告提升效率。
28
這題是在考你對「生成式 AI」尤其是**交談式 AI 工具**的辨識，以下是**口語化說明稿**，幫助你自然地講解這一題：
這題問的是：下面哪一個**不是交談式的生成式 AI？**
來，我們一個一個看：
- **ChatGPT**：這不用多說了，是最有名的對話式生成 AI，OpenAI 出品。
- **Claude**：由 Anthropic 開發的生成式聊天 AI，也屬於交談式。
- **Grok**：是 X（原 Twitter）由 Elon Musk 團隊開發的聊天型 AI，同樣是交談式生成 AI。
那麼 **Apriori** 呢？
其實它完全不是生成式 AI。Apriori 是一種傳統的資料探勘演算法，專門用來找出「關聯規則」，比如購物籃分析（買了牛奶也常買麵包），是**用在結構化資料分析上**的，不是用來對話的。
所以正確答案是：**Apriori**，它不是交談式的生成式 AI。
29
我們來看這三題，都是應用場景與基本工具認知的考題，其他選項已經不記得了。
第一題：導入 AI 的實施運行階段，三個步驟的正確順序？
這題考你導入 AI 專案的流程。
正確順序應該是：
1. 方案落地：先確認要在哪裡導入 AI，定義問題與目標。
2. 模型監控與重新訓練：導入後要持續觀察表現、修正與更新。
3. AI 價值擴散：效果穩定後，讓這個 AI 解決方案擴展到更多場域，發揮價值。
所以順序是：
方案落地 → 模型監控與重新訓練 → AI 價值擴散，
這樣才能讓 AI 真正幫企業創造價值。
第二題：哪一個工具無法生成圖片？
選項有：
DALL·E：OpenAI 開發的圖像生成工具。
Midjourney：非常有名的圖像生成工具。
Stable Diffusion：開源圖像生成模型。
Suno：這個就不是做圖片的，它是**做 AI 音樂生成的工具。
所以正確答案是：**Suno** 無法生成圖片。
對生成式AI 的產品多嘗試就會知道。
第三題：生成式 AI 在金融領域最可行的應用？
記得選項都是金融業的使用情境，包含製作報告、分析金融情勢那些描述，用風險、決策、和幻覺的層面去思考，應該很容易找出答案。
30
我們來看這一頁，只記得考甚麼，不記得選項。
第一題：混淆矩陣相關
這次考的很簡單，問你一個分類模型優劣判別要使用哪一個，答案是混淆矩陣，我覺得下次可能不會考這麼簡單，型一錯誤，型二錯誤也許會考。
第二題：金融業 AI 指引
金融產業在 AI 應用的規範，比如風險管理、詐欺偵測、自動報表產生、合規性處理等等。
第三題：監督式學習 和非監督式學習
監督式學習有標籤，像分類問題。非監督式學習則沒有標籤，像是分群分析。
第四題：機器學習的定義何者正確？
這種題目關鍵字是從數據中學、提升預測能力等。
第五題：正則化防止過度擬合，下列何者敘述不是？要了解正則化的原理及應用。
第六題：自然語言處理
題目都是考應用情境，不難。
第七題：電腦視覺與應用
會問影像辨識、目標追蹤、醫學影像診斷、智慧監控等等。
31
最後是No code 和 Low code 的考題，這次出了不少題。題目已經不記得，但考題不難。
我們先來簡單分一下這兩個概念：
No code：完全不用寫程式，就可以拖拉元件完成系統或流程的開發。常見於像是自動化工具、表單設計、資料串接等。
Low code：只需要寫一點點程式碼，讓開發更有談性，適合進階使用者或 IT 人員快速開發工具或應用。
1. 情境案例出題
像是問你某家公司想要快速部署內部表單、或串接資料流程，但沒有 IT 團隊，那該用 No code 還是 Low code？
或者問你某部門需要高度自訂的工作流程，那可能就要用 Low code 來保有談性。
2. 可能帶來的隱憂
雖然用起來方便，但 No code 的系統有可能資料安全性不足、缺乏擴充談性，或者一旦平台停止服務就無法維護。
3. 優缺點比較
No code 的優點是上手快、成本低、人人可用，但缺點是談性有限。
Low code 可以做出更客製化的功能，但可能還是需要懂一點技術門檻，開發人力依然重要。
