三周課程總覽 日期: 8/4.8/5.8/11.8/12.8/18.8/19
甲、時間: 8/4-8/5：科目L21（必修）
乙、時間: 8/11-8/12 科目（L22）
丙、時間: 8/18-8/19:科目（L23）
（符合「科目2或科目3擇一報考」規則）
甲:科目L21（必修）人工智慧
1.L21101 自然語言處理技術與應用
◆NLP 任務地圖
◆典型應用場景
◆資料與品質要點
◆常見考題角度
◆快速解題關鍵字
2.L21102 電腦視覺技術與應用
◆CV 任務地圖
◆典型應用場景
◆資料與標註要點
◆落地限制與風險
◆常見考題角度
3.L21103 生成式AI技術與應用
◆生成式AI可做什麼
◆生成式AI常見風險
◆企業導入常見模式
◆常見考題角度
4.L21104 多模態人工智慧應用
◆多模態是什麼：文字×圖片×聲音×影片的整合
◆常見應用
◆題型常見問法
5.L21201 AI導入評估
◆「是否適合AI」判斷框架
◆成效與成本
◆導入門檻與風險
◆POC / MVP / 正式上線：差異與目的
◆常見題型
6.L21202 AI導入規劃
◆規劃必備六要素
◆供應商/方案選型
◆常見題型
7.L21203 AI風險管理
◆風險類型地圖
◆風險控管手段
◆考題常問
◆銜接到L22的「統計判讀」預告
◆為什麼L22統計重要：KPI、A/B測試、模型指標判讀
◆敘述統計與分佈直覺：平均/變異/離群值
乙:科目2（L22)大數據處理
1.L22101 敘述性統計與資料摘要技術
◎集中趨勢：平均/中位數/眾數
◎離散程度：全距/變異/標準差
◎資料摘要：交叉表、分群摘要、描述統計報表
◎典型陷阱
◎被離群值影響、用錯指標、樣本太少就下結論
2.L22102 機率分佈與資料分佈模型
◎機率直覺：事件、獨立性、條件機率
◎常見分佈判讀
◎常態/偏態、離散/連續、長尾、資料不平衡
◎取樣與代表性
◎抽樣偏差、樣本代表性問題
3.L22103 假設檢定與統計推論
◎假設檢定四步驟模板
◎設H0/H1
◎選顯著水準α
◎計算/判讀p-value或臨界值
◎下結論（能不能推翻H0）
◎型一/型二錯誤與實務意義
◎常見考題角度
4.L22201 數據收集與清理
◎資料來源：內部系統/感測器/網站/第三方
◎資料清理：缺失值、離群值、重複值、格式不一致
◎資料洩漏（Data leakage）概念：為何會讓結果假好看
◎情境題：哪種清理策略最合理？哪個風險最大？
5.L22202 數據儲存與管理
◎資料儲存型態：結構化/半結構/非結構
◎資料湖 vs 資料倉儲（直覺比較、題目常問「哪個適合」）
◎權限與版本、資料保留策略
6.L22203 數據處理技術與工具
◎ETL/ELT 概念與選擇
◎批次處理 vs 串流處理
◎管線設計重點：可追溯、可重跑、可監控
7.L22301 統計學在大數據中的應用
◎用統計回答問題：比較/關聯/趨勢/異常
◎以商業問題導向：哪些指標能支持決策
8.L22302 常見的大數據分析方法
◎分析類型地圖：描述/診斷/預測/處方
◎常見方法：分群、關聯、預測建模、異常偵測
9.L22303 數據可視化工具
◎圖表選擇：長條/折線/散佈/盒鬚/熱力圖
◎儀表板常見誤導：尺度、缺基準、類別排序、樣本偏誤
10.L22401~L22404 大數據在AI之應用＋隱私安全合規
◎大數據與機器學習：資料品質→模型效果的因果鏈
◎鑑別式AI vs 生成式AI：資料需求差異、資料治理差異
◎隱私/安全/合規：權限分級、匿名化/遮罩、稽核、保存期限
丙:科目（L23）機器學習應用
1.L23101 機率/統計之機器學習基礎應用
■抽樣偏差、資料不平衡、評估指標選擇邏輯
■常見情境：Accuracy 失真時怎麼辦？何時看Recall/F1？
2.L23102 線性代數之機器學習基礎應用
■向量/矩陣/內積
■維度、特徵空間概念
3.L23103 數值優化技術與方法
■梯度下降直覺、學習率、收斂/震盪
■常見題：學習率太大/太小會怎樣？如何改善？
4.L23201 機器學習原理與技術
■監督/非監督/半監督/強化
■分類/回歸/分群/降維：題幹關鍵字→方法配對
5.L23202 常見機器學習演算法
■線性模型、樹模型、KNN、SVM、聚類
■常見題：小資料/可解釋性/非線性/高維度分別適合什麼？
6.L23203 深度學習原理與框架
■epoch/batch、過擬合直覺、訓練流程、框架用途
■常見題：資料量不足/過擬合/訓練不收斂怎麼做？
7.L23301 數據準備與特徵工程
■切分/交叉驗證、資料洩漏、特徵選擇/轉換概念
■題型：哪個做法會造成資料洩漏？何者可提升泛化？
8.L23302 模型選擇與架構設計
■基線模型、模型比較、可解釋性 vs 效能取捨
■題型：情境限制（延遲/成本/可解釋）
9.L23303 模型訓練、評估與驗證
■混淆矩陣、Precision/Recall/F1、資料不平衡策略
■題型：給混淆矩陣或敘述，問指標、問結論、問改善方向
10.L23304 模型調整與優化
■過擬合對策：正規化、Dropout、早停、資料增強
■調參策略：Grid/Random、學習率調整
■題型：看到「訓練好驗證差」→如何改善？
11.L23401 數據隱私、安全與合規
■權限控管、匿名化/遮罩、稽核、保存期限、機密資料保護
■情境題：哪種做法最符合合規？如何降低洩密風險？
12.L23402 演算法偏見與公平性
■偏見來源（資料/標註/模型/部署）、公平性直覺
■控管方式：資料再平衡、監控分群表現、人為審核機制
■情境題：遇到特定族群表現差，應怎麼處理？
13.考前總整理
報名網站:
請自行至以下iPAS官網進行個人報名：
https://www.ipas.org.tw/AIAP/
報名梯次：
本課程針對115年【第二梯】中級能力鑑定考試
報名日期：9/22前
考試日期：11/14