嗨 我是CCChen
有報考11/08 iPAS AI應用規畫師-中級 第二場考試
分享一些初步整理資料, 供準備方向參考:涵蓋 科目一～三 的核心知識點、常考題型範例與關鍵字。以下是精華版速查表:
📘 iPAS AI中級備考速查表
科目一：人工智慧技術應用與規劃
核心知識點
- NLP：分詞、POS 標註、NER、WSD、BERT（上下文動態詞向量）、Transformer
- 電腦視覺：CNN、YOLO 物件偵測、資料增強
- 生成式AI：GAN、Diffusion、ChatGPT 應用、Prompt Engineering
- 多模態應用：CLIP、跨模態檢索
- 導入規劃：痛點分析、KPI設計、AI導入流程（PoC → 導入 → 監控）
- 風險治理：倫理、偏見、公平性、隱私保護
常考題型範例
- NER 任務辨識文章中的人名、地名
- BERT 同字不同語境 → 動態嵌入（不同向量）
- 客服系統大規模並行 → Transformer 架構
- 自駕車物件偵測 → YOLO
關鍵字
NLP、BERT、Transformer、YOLO、GAN、痛點分析、KPI、AI倫理、公平性
科目二：大數據處理分析與應用
核心知識點
- 統計分析：Z-score、偏態、中位數、CV（變異係數）
- 機率分布：常態、Poisson、Binomial、t 分布
- 資料處理：ETL、Data Lake、Data Warehouse、資料治理
- 工具：Hadoop、Spark、NoSQL
- 應用：異常偵測、推薦系統、資料視覺化
常考題型範例
- 偏態分布時 → 中位數較能代表中心位置
- 右偏資料 → log transformation 轉常態
- Poisson：λ=事件率×時間範圍
- 高維資料 → PCA 降維處理共線性
關鍵字
Z-score、Poisson、常態分布、ETL、Data Lake、資料治理、PCA、Spark
科目三：機器學習技術與應用
核心知識點
- 數學基礎：機率/統計、線性代數、梯度下降、交叉熵
- ML基礎：監督學習 / 非監督學習 / 強化學習
- 常見演算法：Linear Regression、Logistic Regression、SVM、Decision Tree、Random Forest、KNN、ANN、CNN、RNN、Transformer
- 建模流程：資料清理 → 特徵工程 → 模型選擇 → 訓練/驗證/測試 → 超參數調校
- 模型評估：Accuracy、Precision、Recall、F1-score、ROC/AUC
- 治理：偏差與公平性、資料隱私、模型漂移
常考題型範例
- ROC 曲線 → 描述 TPR 與 FPR 的變化
- 病檢陽性率題 → Bayes 定理後驗機率（不會接近 100%）
- 高維共線性 → PCA 降維
- 不平衡資料 → AUC 評估較佳
- Ridge Regression 解決共線性；Lasso Regression 可做特徵選擇
關鍵字
Gradient Descent、Cross Entropy、ROC/AUC、Bayes、PCA、Overfitting、Regularization (L1/L2)、Dropout
📑 考前速記策略
- 科目一：模型 + 應用場景（BERT、YOLO、GAN、AI治理）
- 科目二：統計 + 大數據架構（Z-score、Poisson、ETL、Spark、PCA）
- 科目三：演算法原理 + 評估方法（Linear/Logistic、SVM、Random Forest、ROC/AUC、Bayes）
📘 iPAS AI中級核心考試知識點 (進階 40 條)
🔹 A. AI技術與應用 (科目一重點)
- 自然語言處理 (Natural Language Processing, NLP) 應用：Chatbot、情感分析、機器翻譯。 解說：讓機器理解/生成語言，包括分詞、詞性標註、NER、語義分析。
- 詞向量 (Word Embeddings: Word2Vec, GloVe, BERT) 應用：語意搜尋、問答系統。 解說：將文字轉換成向量表示；BERT 可產生上下文動態詞向量。
- Transformer 架構 應用：大型語言模型 (LLMs) 如 GPT、翻譯。 解說：自注意力 (Self-Attention) + 多頭機制，支援長距依賴與並行運算。
- 電腦視覺 (Computer Vision, CV) 應用：影像分類、物件偵測、自駕車。 解說：CNN 提取特徵，YOLO/Faster R-CNN 可同時輸出位置與標籤。
- 生成對抗網路 (GAN, Generative Adversarial Network) 應用：圖像生成、Deepfake。 解說：生成器 vs 判別器對抗學習，提升生成內容真實度。
- 擴散模型 (Diffusion Models) 應用：Stable Diffusion 圖像生成。 解說：透過逐步「去噪」學習影像分布，生成高品質樣本。
- 多模態 AI (Multimodal AI) 應用：CLIP (圖文比對)、視覺問答 (VQA)。 解說：整合文字、影像、聲音等多模態資料進行推理。
- AI 導入流程 (AI Implementation Process) 應用：企業 AI 專案規劃。 解說：痛點分析 → KPI 設計 → PoC → 導入 → 監控。
- KPI 與效益量化 (KPI & ROI for AI) 應用：衡量 AI 導入成效。 解說：Precision、Recall、F1、ROI，結合財務/效能雙指標。
- AI 風險管理 (AI Risk Management) 應用：避免專案失敗。 解說：數據品質風險、倫理風險、跨部門溝通風險。
🔹 B. 大數據處理與資料分析 (科目二重點)
- ETL 流程 (Extract, Transform, Load) 應用：資料倉儲建置。 解說：抽取 → 清理/轉換 → 載入，確保資料可用性。
- 資料湖 (Data Lake) vs 資料倉儲 (Data Warehouse) 應用：湖儲非結構化，倉儲決策分析。 解說：Data Lake 原始儲存，DW 經結構化設計。
- Hadoop 生態系 (HDFS, MapReduce, YARN) 應用：分散式大數據處理。 解說：MapReduce 任務分散 + HDFS 分布式存儲。
- Apache Spark 應用：即時流處理、批次運算。 解說：基於記憶體運算，比 Hadoop 快。
- NoSQL 資料庫 (MongoDB, Cassandra, Redis) 應用：高效存取、非結構化資料。 解說：支援水平擴展，靈活結構。
- 資料治理 (Data Governance) 應用：合規與品質管理。 解說：確保資料一致性、完整性、可追溯性。
- 資料隱私 (Data Privacy) 應用：醫療/金融個資保護。 解說：去識別化、差分隱私、加密。
- 敘述統計 (Descriptive Statistics) 應用：平均數、中位數、眾數、IQR。 解說：資料分布初步觀察。
- 推論統計 (Inferential Statistics) 應用：假設檢定、信賴區間。 解說：透過樣本推估母體。
- Z-score & 標準化 (Z-score & Standardization) 應用：異常值偵測。 解說：Z>3 常視為離群點，標準化讓資料均值0、方差1。
- 變異係數 (Coefficient of Variation, CV) 應用：比較不同單位數據穩定性。 解說：CV = 標準差/平均數。
- 機率分布 (Probability Distributions) 應用：常態、Poisson、Binomial。 解說：描述隨機變數的行為，常態分布最常見。
- 中心極限定理 (Central Limit Theorem, CLT) 應用：樣本平均數近似常態分布。 解說：n≥30 時，母體非正態也可近似常態。
- 貝氏定理 (Bayes’ Theorem) 應用：Spam 檢測、醫學診斷。 解說：根據觀測證據更新事件發生機率。
- 主成分分析 (Principal Component Analysis, PCA) 應用：降維、去除共線性。 解說：利用特徵值分解找主要變異方向。
🔹 C. 機器學習技術與應用 (科目三重點)
- 監督學習 (Supervised Learning) 應用：分類、回歸。 解說：有標籤資料訓練模型。
- 非監督學習 (Unsupervised Learning) 應用：分群、關聯規則。 解說：無標籤資料，找隱藏模式。
- 強化學習 (Reinforcement Learning) 應用：自駕車、遊戲 AI。 解說：智能體透過回饋信號學習策略。
- 線性迴歸 (Linear Regression) 應用：房價預測。 解說：找出自變數與應變數的線性關係。
- 邏輯迴歸 (Logistic Regression) 應用：二元分類（Spam / Not Spam）。 解說：Sigmoid 函數將輸出轉為機率。
- 支持向量機 (Support Vector Machine, SVM) 應用：二分類、小樣本分類。 解說：找到最大化分類邊界的超平面。
- 決策樹 (Decision Tree) 應用：信用風險評估。 解說：依特徵分割，易於解釋但易過擬合。
- 隨機森林 (Random Forest) 應用：分類與回歸。 解說：多決策樹集成，降低過擬合。
- 梯度提升 (Gradient Boosting, XGBoost, LightGBM) 應用：Kaggle 比賽常勝模型。 解說：逐步修正前一模型錯誤，提升準確度。
- k-近鄰 (k-Nearest Neighbors, k-NN) 應用：推薦系統。 解說：依鄰近點類別決策，對尺度敏感。
- 人工神經網路 (Artificial Neural Network, ANN) 應用：非線性分類。 解說：多層感知器（MLP），具表達非線性能力。
- 卷積神經網路 (Convolutional Neural Network, CNN) 應用：影像辨識。 解說：局部感受野 + 權重共享。
- 遞迴神經網路 (Recurrent Neural Network, RNN) 應用：語音、文字。 解說：適合處理序列，但存在梯度消失問題。
- 長短期記憶網路 (LSTM) / 閘控循環單元 (GRU) 應用：時間序列預測。 解說：解決 RNN 的梯度消失問題。
- 模型評估指標 (Evaluation Metrics) 應用：分類與回歸效能檢測。 解說：Accuracy、Precision、Recall、F1、ROC/AUC、MSE、RMSE、R²。
✅ 這 40 條完整涵蓋 AI應用規劃 + 大數據分析 + 機器學習技術，同時包含 基礎原理 + 實務應用 + 考試高頻知識點。
針對 iPAS AI中級考試中「需要計算」的知識點與公式，整理成一份 表格化考前速查對照表。
🔢 iPAS AI中級 計算小技巧 (10個)
- Z-score 快速判斷
- 公式：Z = (x−μ)/σ
- 小技巧： Z ≈ 2 → 在平均值 ±2σ 內 (95%) → 通常不是異常 Z ≥ 3 → 幾乎必定是異常值
- 👉 遇到數字題，不用算太細，先用 σ 判斷範圍。
- 變異係數 (CV) 快速比較
- CV = σ/μ
- 小技巧： 不同單位或不同尺度數據 → 只要比 CV，越小越穩定
- 👉 只要看到「穩定性比較題」→ 立刻用 CV 判斷。
- Precision / Recall 快速判斷
- Precision = TP/(TP+FP) →「我抓到的正例有幾個是真的？」
- Recall = TP/(TP+FN) →「真實正例我抓到了多少？」
- 小技巧： 記憶法 → Precision「準確」偏向模型輸出，Recall「召回」偏向真實數據。
- 👉 遇到「漏報 vs 誤報」題：漏報=Recall低，誤報=Precision低。
- F1-score 心算公式
- F1 = 2PR / (P+R)
- 小技巧： P=R 時 → F1 = P = R P 與 R 差距大 → F1 接近小的那個
- 👉 可用來快速驗算答案。
- ROC / AUC 快判
- 小技巧： AUC=0.5 → 隨機分類器 AUC 越接近 1 → 模型越好 AUC < 0.5 → 模型方向錯 (可反轉)
- 👉 遇到選項問「模型有無效用」→ 看 AUC 即可。
- MSE / RMSE 快速轉換
- MSE = 平方誤差平均，RMSE = √MSE
- 小技巧： MSE = 4 → RMSE = 2 👉 RMSE 與原始單位一致，更直觀。
- R² 判斷
- R² = 1 − (SSE/SST)
- 小技巧： R² 越接近 1 → 模型越好 R² < 0 → 模型比直接猜平均還爛
- 👉 考題問「模型是否有意義」→ 看 R² 是否 > 0。
- 貝氏定理簡化思路
- P(D|+) = (靈敏度·盛行率)/[(靈敏度·盛行率)+(假陽性率·(1−盛行率))]
- 小技巧： 盛行率很低時 → 後驗機率絕對不會接近 100% 考試陷阱：靈敏度 98% ≠ 陽性=98%
- 👉 看到醫學檢測題 → 直接用簡化公式。
- PCA 主成分保留判斷
- 小技巧： 特徵值由大到小排序 → 保留前幾個直到累積變異 ≈ 80~90% 考題常出陷阱：不是取全部，而是取「大部分變異」。
- 梯度下降 (Gradient Descent) 快判
- 更新公式：θ = θ − α∂L/∂θ
- 小技巧：
- α 太大 → 震盪不收斂
- α 太小 → 訓練超慢
- 👉 遇到問「為何模型不收斂」→ 答案通常是 α（學習率）問題。
