iPAS AI應用規劃師-中級 11/08第二場~考試重點整理(一) CCChen

CHENG-CHIEN CHEN

發佈於CChen的AI學習等個房間

2025/09/03 更新2025/09/02 發佈閱讀 19 分鐘

嗨我是CCChen

已報名iPAS AI應用規劃師-中級 11/08第二場考試

我選擇的科目組合是

科目一(AI技術應用與規劃) + 科目二 (大數據處理分析與應用)

距離報名截止 09/26 倒數25天, 有興趣的朋友，要把握機會儘快報名。

(提醒: AI中級考試, 名額限制1500人, 至9/2已報名486人)

(提醒: AI中級考試合格要求為"每一科"都需要70分, 才能合格發證 )

本篇文章主題: AI中級的備考資料分析

有鑑於AI中級的專業度考量, 我預計朝不同的觀點與策略，去分析相關官方資料設定內容

想先釐清AI中級的評鑑方向與職能設定，再去分析考試重點與題目方向

再參考幾本AI專業書籍的內容架構，補充準備資料的廣度與深度。

預計於9月底, 會再提供"AI中級V2版更新筆記"

給之前有購買iPAS AI應用規劃師(中級) 科目1+2與1+3重點與題庫的朋友, 提供強化學習參考.

參考資料:

1. 官網: AI應用規劃師能力鑑定評鑑內容範圍參考11404版

2. 官網: AI應用規劃師-職能基準

3. 官網: AI 應用規劃師能力鑑定課程規劃書 11401版

4. 書本: 從 AI 到生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養

5. 書本: 機器學習的數學基礎 : AI、深度學習打底必讀 (官網推薦參考書目)

6. 書本: 圖解 AI｜機器學習和深度學習的技術與原理 (官網推薦參考書目)

7. 書本: 大數據分析與資料挖礦2/e (官網推薦參考書目)

8. 書本: 資料科學的建模基礎 (官網推薦參考書目)

9. 書本: 大數據分析與應用實戰：統計機器學習之資料導向程式設計 (官網推薦參考書目)

資料分析一: ~~AI中級的評鑑內容範圍11404版

L21 人工智慧技術應用與規劃

AI 相關技術 (L211)： 涵蓋自然語言處理 (NLP)、電腦視覺 (CV)、生成式 AI 和多模態人工智慧等技術與應用。
AI 導入評估與規劃 (L212)： 內容包括技術或工具的效能評估、成本效益分析、需求分析、目標設定與資源分配。同時，也涵蓋了風險識別、安全、合規性、AI 倫理與負責任 AI 等風險管理議題。
AI 技術應用與系統部署 (L213)： 強調數據準備（清洗、預處理、特徵工程）、模型選擇，以及 AI 系統的架構設計、模型部署、效能監控、系統測試與雲端環境建置等。

L22 大數據處理分析與應用

機率統計基礎 (L221)： 這是計算題的重要範圍。內容包括敘述性統計與資料摘要技術、機率分佈、資料分佈模型，以及假設檢定與統計推論。
大數據處理技術 (L222)： 涵蓋數據的收集、清理、儲存、管理與相關技術工具。
大數據分析方法與工具 (L223)： 包含統計學在大數據中的應用、常見分析方法與數據可視化工具。
大數據在 AI 的應用 (L224)： 探討大數據如何應用於機器學習、鑑別式 AI 和生成式 AI 中，以及相關的數據隱私保護、安全與合規性。

L23 機器學習技術與應用

機器學習基礎數學 (L231)： 這是計算題的另一個核心。範圍包括機率/統計、線性代數的機器學習基礎應用，以及數值優化技術與方法。
機器學習與深度學習 (L232)： 涵蓋機器學習原理、常見演算法、深度學習原理與框架。
機器學習建模與參數調校 (L233)： 內容包括數據準備、特徵工程、模型選擇、訓練與驗證。

資料分析二: ~~AI中級的職能基準

經濟部產業人才能力鑑定（iPAS）AI應用規劃師的職能基準，它詳細定義了AI應用規劃師所需具備的知識、技能與態度。這對於分析AI中級考試的內容與重點非常有幫助。

AI應用規劃師的核心職責與能力是協助企業規劃與推動AI技術或工具導入，並將其應用於內部流程或產品生命週期中。

要達成此目標，需具備以下能力：

評估與分析AI技術：掌握AI技術發展趨勢，並具備技術評估與分析能力，能針對企業需求進行效益與風險評估。
提出AI應用策略及建議：能夠制定AI技術應用發展計畫、管理章程與技術規範準則。
負責AI應用開發與部署：協調開發資源、監控開發進度，並確保AI應用能順利部署與系統整合。
執行AI應用發展與持續優化：推動專案計畫、追蹤執行進度，並持續評估與優化AI技術應用。

考試內容與重點關聯，文件中的「職能內涵（K=knowledge 知識）」部分與iPAS AI中級考試的評鑑內容高度相關：

K05 機器學習概論、K09 人工智慧概論（含鑑別式與生成式AI）：這些知識涵蓋了AI中級評鑑內容中的「L23 機器學習技術與應用」與「L21 人工智慧技術應用與規劃」中的AI相關技術。
K04 資料庫原理、K11 資料處理與分析概念：這與評鑑內容中「L22 大數據處理分析與應用」的數據處理技術與方法直接相關。
K08 專案管理知識、K12 風險管理概念：文件多次提及專案管理與風險管理能力，這對應了評鑑內容中的「L212 AI導入評估規劃」與「L234 機器學習治理」

資料分析三: ~~AI中級的課程規劃書 11402版

AI中級的定位與目標對象

定位： AI中級能力鑑定（Specialist）的定位為開發實務者 。這類人才主責 AI 相關開發任務，以落實 AI 技術應用。
目標對象： 適合具備資通訊相關技術能力，且有參與企業AI應用專案的導入開發與實施經驗的人員。

AI中級課程模組與單元

AI中級的課程總時數為70小時。主要分為三大模組，並包含多個核心單元：

科目1：人工智慧技術應用與規劃 (16小時)
- AI相關技術原理與應用 (4小時)
- AI導入評估規劃 (6小時)
- AI技術應用與系統部署 (6小時)
科目2：大數據處理分析與應用 (26小時)
- 基礎機率與統計 (6小時)
- 大數據處理技術及分析方法與工具 (16小時)
- 大數據在AI之應用 (4小時)
科目3：機器學習技術與應用 (28小時)
- 機器學習基礎數學 (6小時)
- 機器學習與深度學習概論 (6小時)
- 機器學習數據解析與模型 (12小時)
- 機器學習治理 (4小時)

與計算題相關的重點

這份文件直接點出了與計算題最相關的兩個單元：

基礎機率與統計 (6小時)
- 大綱內容： 敘述性統計與資料摘要技術、機率分佈與資料分佈模型、假設檢定與統計推論。
機器學習基礎數學 (6小時)
- 大綱內容： 機率/統計之機器學習基礎應用、線性代數之機器學習基礎應用、數值優化技術與方法。

結論

根據這份課程規劃書，iPAS AI中級考試的計算題將會集中在機率/統計和線性代數的基礎應用上。這些內容是機器學習演算法的基石，因此熟練掌握這些數學概念的計算與應用，對於通過考試至關重要。

書籍《從AI到生成式AI：40個零程式的實作體驗，培養新世代人工智慧素養》

書籍目錄章節內容分析

這本書旨在提供一個無程式、無數學門檻的AI學習體驗，核心內容為40個實作練習，涵蓋多種AI技術，適合初學者。

基礎概念與入門
- 第1章 AI時代來臨：介紹AI在生活中的應用，並探討人類智慧與人工智慧的關係，以及兩者之間的合作與競爭。
- 第2章認識人工智慧：講解AI的運作方式、擅長與不擅長的領域，以及傳統程式與機器學習的差異。
核心技術實作
- 第3章機器學習：介紹機器學習的基礎概念，並透過實作活動如「教AI認識水果」、「讓AI修復照片」等，讓讀者親身體驗機器學習的運作。
- 第4章深度學習：深入探討深度學習的核心概念——神經網路，並透過「用AI玩剪刀、石頭、布」、「TensorFlow Playground」等實作，讓讀者了解其工作原理。
- 第5章卷積神經網路 (CNN)：專注於電腦視覺領域，介紹CNN的由來與應用，例如「人臉(物品)偵測與情緒判讀」和「捷運車廂的電腦視覺應用」。
生成式AI與其他應用
- 書籍的實作內容也包含生成式AI的應用，例如**「隨手塗鴉一秒生成照片」、「用音樂作畫」**等。
- 此外，還有其他實用且有趣的活動，如「尋找威利」、「風格轉換」、「情感分析」與「單字聯想」等。

與iPAS AI中級考試的關聯性

雖然這本書的內容與iPAS AI中級的計算題和數學理論部分沒有直接關聯，但它與iPAS AI初級和中級的部分概念有間接關係。

機器學習、深度學習、自然語言處理、電腦視覺辨識等技術，都對應到iPAS AI中級考試的**「L211 AI相關技術」單元中的「自然語言處理技術與應用」和「電腦視覺技術與應用」**部分。
書籍中提到的「零程式」實作，則與iPAS AI初級的**「L121 No code / Low code 概念」**相符。
「生成式AI」的相關實作，則與初級的**「L114 鑑別式AI與生成式AI概念」和中級的「L21103 生成式AI技術與應用」**有關聯。

總結來說，這本書適合AI入門學習，能幫助讀者建立基礎的AI技術概念與實作經驗。但若要準備iPAS AI中級考試，您還需額外加強統計學、線性代數、大數據處理與模型評估等更深入的理論與計算知識。

書籍《機器學習的數學基礎 : AI、深度學習打底必讀》

但從書籍介紹可以推斷其內容涵蓋了iPAS AI中級考試評鑑內容中的「L231 機器學習基礎數學」的核心知識，尤其是在線性代數、機率/統計和數值優化技術方面。

數學基礎： 書籍強調「用數學引領你走進AI的神秘世界」，這直接對應到iPAS AI中級考試的「機器學習基礎數學」單元，此單元涵蓋了機率、統計與線性代數的基礎應用。
計算過程： 根據介紹，「不是只講觀念，還手工算給你看！」，這與iPAS AI中級計算題的考點相符，例如隨機梯度下降法、反向傳播等，這些都是考試中可能出現的計算題型。
深度學習： 書名中提及「AI、深度學習打底必讀」，這與iPAS AI中級的「機器學習與深度學習概論」單元相呼應，該單元涵蓋了深度學習原理與框架。

書籍《圖解 AI｜機器學習和深度學習的技術與原理》

這本書的內容與iPAS AI中級考試的評鑑範圍高度相關。該書以圖解方式深入淺出地解釋了機器學習和深度學習背後的運作機制，非常適合用來準備考試中的理論與概念題。

書籍目錄與iPAS AI中級考試的關聯性

從博客來提供的目錄預覽來看，這本書的章節內容與iPAS AI中級的「L23 機器學習技術與應用」模組中的多個單元緊密相連：

第1章活躍中的深度學習： 本章介紹深度學習在各領域的應用，例如圖像解析、語音識別、Big Data等。這對應到考試中的**「L211 AI相關技術」**單元，尤其是電腦視覺與自然語言處理的技術與應用。
第2章用圖說明深度學習的機制： 這部分透過圖解神經元、神經網路和「學習」機制，解釋了卷積神經網路（CNN）與遞迴神經網路（RNN）的運作方式。這與考試中的**「L232 機器學習與深度學習概論」**單元直接相關。
第3章說明深度學習之前的準備： 本章涵蓋了諸如Sigmoid函數、資料分析模型與參數、誤差等基礎概念。這些內容與iPAS AI中級的**「L231 機器學習基礎數學」**單元中的「數值優化技術與方法」有所關聯。
後續章節： 書籍還深入探討了神經網路、卷積神經網路和遞迴神經網路的機制，並詳細解釋了誤差反向傳播法（Backpropagation）。這不僅涵蓋了考試中的深度學習概論，更深入到**「L233 機器學習數據解析與模型」**中的模型訓練與優化部分，特別是反向傳播是機器學習模型優化的核心概念。

總結

相較於其他書籍，這本書的內容與iPAS AI中級的機器學習與深度學習相關單元吻合度非常高，特別是在原理與機制的解釋上。雖然它可能不會像專門的數學教材那樣詳細涵蓋所有統計學與線性代數的計算，但它對於理解機器學習演算法的運作原理至關重要。

書籍《大數據分析與資料挖礦2/e》

這本書的內容與iPAS AI中級考試的**「L22 大數據處理分析與應用」**模組高度吻合。這本書系統性地介紹了從資料準備到模型建構的整個流程，並強調實務操作，對於準備相關考題非常有幫助。

書籍目錄與iPAS AI中級考試的關聯性

該書的章節內容與iPAS AI中級的評鑑範圍有著直接的對應關係：

第1章認識大數據與資料挖礦： 介紹大數據與資料挖礦的基本概念、發展與應用。這與iPAS AI中級的「L224 大數據在人工智慧之應用」以及「L223 大數據分析方法與工具」相符。
第2章大數據分析方法、技術與工具： 探討資料科學的流程、不同資料型態的處理方式，並介紹R語言、Python等工具。這對應到考試中的**「L222 大數據處理技術」和「L223 大數據分析方法與工具」**單元。
第3章資料的準備、探索與可視化： 涵蓋資料清理、缺失值處理、特徵工程等步驟，並介紹敘述性統計與資料可視化技術。這與iPAS AI中級的**「L221 機率統計基礎」中的敘述性統計與資料摘要技術，以及「L21301 數據準備與模型選擇」中的數據清洗與預處理、特徵工程**等知識點完全吻合。
第4章分類與預測模型： 介紹決策樹、貝氏分類、迴歸分析、神經網路等常見的分類與預測模型。這與iPAS AI中級的**「L232 機器學習與深度學習」**單元中的常見機器學習演算法與深度學習原理高度相關。
後續章節： 書籍還深入討論了分群、關聯分析和社交網路分析等進階主題，這些都屬於iPAS AI中級評鑑範圍中的大數據分析方法。

總結

《大數據分析與資料挖礦2/e》這本書是準備iPAS AI中級考試的絕佳教材。它不僅涵蓋了大數據處理與分析的所有核心內容，也觸及了機器學習模型的基礎知識。書中強調的實作與應用，將有助於您理解資料處理的實際流程，並能更有效地回答相關的考題。

書籍《資料科學的建模基礎》

這本書的內容與iPAS AI中級考試的評鑑範圍有高度關聯性。該書涵蓋了從數據預處理到建立與評估模型的一系列重要步驟，對於準備考試中的相關單元非常有幫助。

書籍目錄與iPAS AI中級考試的關聯性

雖然無法取得完整的章節列表，但從網路上的簡介與內容概要來看，本書的核心主題與iPAS AI中級的以下模組高度重疊：

第1章資料科學簡介與工具環境建置： 介紹資料科學的基本概念和Python、R等工具的應用。這對應到iPAS AI中級的**「L223 大數據分析方法與工具」**單元。
第2章數據準備與探索分析： 本章涵蓋了數據的探索性分析（EDA），包括敘述性統計、數據可視化和特徵工程。這與考試中的**「L221 機率統計基礎」與「L213 AI技術應用與系統部署」**單元密切相關。
第3章迴歸與分類模型： 深入介紹迴歸與分類兩大類型的機器學習模型，例如線性迴歸、決策樹和邏輯斯迴歸等。這完全吻合iPAS AI中級的**「L232 機器學習與深度學習」**單元中的「常見機器學習演算法」。
第4章模型評估與驗證： 討論如何評估模型效能，包括準確率、精確率、召回率、均方誤差等指標。這對應到考試中的**「L233 機器學習建模與參數調校」**單元，尤其是模型訓練、評估與驗證部分。這些指標也常常是計算題的考點。
後續章節： 書籍還可能涵蓋分群（如 K-Means）與關聯規則等主題，這些都屬於iPAS AI中級**「L223 大數據分析方法與工具」**單元的範疇。

總結

《資料科學的建模基礎》這本書對於準備iPAS AI中級考試來說是非常好的參考資料。它不僅提供了數據準備與分析的完整流程，也詳細介紹了機器學習建模與評估的核心知識。透過本書，您可以有效地應對考試中關於數據處理、模型選擇與評估的相關考題。

書籍《大數據分析與應用實戰：統計機器學習之資料導向程式設計》

這本書的內容與iPAS AI中級考試的**「大數據處理分析」與「機器學習技術」**兩大模組高度相關。該書以Python為主要工具，強調如何將統計機器學習方法應用於實務，對於準備考試中的實作與概念題非常有幫助。

書籍目錄與iPAS AI中級考試的關聯性

該書的章節內容與iPAS AI中級的評鑑範圍有著直接的對應關係：

基礎程式與統計： 書中涵蓋了Python程式設計基礎，並介紹統計與機率的基本概念。這與iPAS AI中級的**「L221 機率統計基礎」及「L231 機器學習基礎數學」**單元密切相關。
資料處理與特徵工程： 該書深入探討如何使用Python處理與清洗資料，並進行特徵工程與特徵選擇。這完全符合iPAS AI中級**「L21301 數據準備與模型選擇」**單元中的數據準備與特徵工程。
機器學習模型實作： 該書詳細介紹了迴歸分析、分類、分群與關聯規則等機器學習演算法。這與考試中的**「L232 機器學習與深度學習」**單元中的「常見機器學習演算法」完美契合。
模型評估與效能分析： 書中也包含了如何評估模型準確度、判斷模型好壞的方法。這與iPAS AI中級**「L233 機器學習建模與參數調校」**單元中的模型訓練、評估與優化直接相關。