IPAS 中級 AI 應用規劃師｜完整學習筆記系統

版本：v1.0 ｜ 製作日期：2026-04-22
適用考試：經濟部 iPAS 中級 AI 應用規劃師（科目一 + 科目二）
製作角色：AgentsOrchestrator（協調 project-manager-senior、engineering-technical-writer、zk-steward、product-feedback-synthesizer、testing-reality-checker）

來源與假設

執行摘要（Executive Summary）

本文件為完整的 IPAS 中級 AI 應用規劃師備考工具包，包含：

1. 兩科完整架構對照表：以評鑑代碼（L211xx / L222xx）錨定每節考點
2. 各章節結構化筆記：核心觀念、必背重點、常錯陷阱、情境題、實務案例五欄位
3. 優先級標籤系統：🔴 High / 🟡 Medium / 🟢 Low，依題目出現頻率與難度加權
4. 六週備考計畫：每週主題 + 建議練習題數 + 複習重心
5. 錯題記錄模板：系統化追蹤弱點並制定補救策略
6. 下一步執行指令：可直接貼入 Copilot Chat

一、考試架構總覽

1.1 科目一：人工智慧技術應用與規劃（L21）

L21 人工智慧技術應用與規劃
├── L211 AI相關技術應用
│   ├── L21101 自然語言處理技術與應用          🔴 High
│   ├── L21102 電腦視覺技術與應用              🔴 High
│   ├── L21103 生成式AI技術與應用              🔴 High
│   └── L21104 多模態人工智慧應用              🟡 Medium
├── L212 AI導入評估規劃
│   ├── L21201 AI導入評估                      🔴 High
│   ├── L21202 AI導入規劃                      🔴 High
│   └── L21203 AI風險管理                      🟡 Medium
└── L213 AI技術應用與系統部署
    ├── L21301 數據準備與模型選擇              🔴 High
    └── L21302 AI技術系統集成與部署            🟡 Medium

1.2 科目二：大數據處理分析與應用（L22）

L22 大數據處理分析與應用
├── L221 機率統計基礎
│   ├── L22101 敘述性統計與資料摘要技術        🟡 Medium
│   ├── L22102 機率分佈與資料分佈模型          🟡 Medium
│   └── L22103 假設檢定與統計推論              🔴 High
├── L222 大數據處理技術
│   ├── L22201 數據收集與清理                  🔴 High
│   ├── L22202 數據儲存與管理                  🟡 Medium
│   └── L22203 數據處理技術與工具              🔴 High
├── L223 大數據分析方法與工具
│   ├── L22301 統計學在大數據中的應用          🟡 Medium
│   ├── L22302 常見的大數據分析方法            🔴 High
│   └── L22303 數據可視化工具                  🟢 Low
└── L224 大數據在人工智慧之應用
    ├── L22401 大數據與機器學習                🔴 High
    ├── L22402 大數據在鑑別式AI中的應用        🔴 High
    ├── L22403 大數據在生成式AI中的應用        🟡 Medium
    └── L22404 大數據隱私保護、安全與合規      🟡 Medium

二、科目一學習筆記

📘 第三章：AI 相關技術應用

3.1 自然語言處理技術與應用（L21101）🔴 High

核心觀念

NLP（Natural Language Processing）讓機器能「理解、處理、生成」自然語言，核心框架分三層：
- NLU（Natural Language Understanding）：理解輸入語意、意圖、情緒
- NLG（Natural Language Generation）：將結構資料或推理結果轉為自然語言輸出
- NLP 為二者的總框架，對話系統為典型綜合應用

技術演進四階段

NLP 前處理五步驟（必背順序）

1. 分詞（Tokenization）：切割為詞/子詞單位（中文需斷詞字典）
2. 詞性標注（POS Tagging）：辨識名詞/動詞/形容詞等語法角色
3. 詞形還原（Lemmatization）：running → run（保留語意）
4. 詞幹提取（Stemming）：connections → connect（速度快但精度低）
5. 停用詞移除（Stopword Removal）：移除 is/the/at 等低語意詞

詞向量方法
- TF-IDF：TF（詞頻）× IDF（逆文件頻率），強調文件內的獨特詞
- Word2Vec：將詞轉為連續向量，具語意相似性（King − Man + Woman ≈ Queen）
- BERT：Bidirectional Encoder，雙向上下文理解，適合理解型任務（NLU）
- GPT：單向自迴歸生成，適合生成型任務（NLG）

Transformer 關鍵機制
- Self-Attention（自注意力）：每個詞能同時參考整個序列，解決長距離依賴問題
- 預訓練 + 微調（Fine-tuning）：大規模語料預訓練 → 特定任務資料微調

必背重點

常錯陷阱

⚠️ Lemmatization ≠ Stemming：Lemmatization 保留完整詞義（running→run），Stemming 只截詞幹（connections→connect），精度較低。
⚠️ BERT 是雙向，GPT 是單向：試題常混淆，記「BERT 看前後文，GPT 只看之前的文字」。
⚠️ NLU/NLG/NLP 三者範疇：NLP 是總稱，NLU 是理解子集，NLG 是生成子集，不能互換。
⚠️ TF-IDF 不是詞向量：TF-IDF 是統計特徵方法，Word2Vec/BERT 才是向量嵌入方法。

情境題

某智慧客服系統需辨識使用者問題中的訂單編號、公司名稱與聯絡人，應採用何種 NLP 技術？
答：命名實體識別（NER）

一段文字「今天天氣真好，心情也不錯」，系統需判斷這是正面情緒，屬於哪種 NLP 任務？
答：情感分析（Sentiment Analysis）

實務案例

• 智慧客服：NLU 解析使用者意圖 → 後台查詢 → NLG 生成自然語言回覆
• 電商評論分析：情感分析挖掘負評關鍵詞，輔助產品改善決策
• 醫療文本摘要：NLP 從病歷自動提取診斷代碼（ICD codes）

3.2 電腦視覺技術與應用（L21102）🔴 High

核心觀念

電腦視覺讓機器「看懂」影像/影片，核心任務分四類：

必背模型架構

• CNN（卷積神經網路）：影像特徵提取主力，由卷積層→池化層→全連接層組成
• ResNet：殘差連接（Skip Connection）解決深層網路梯度消失問題
• YOLO（You Only Look Once）：即時目標偵測，單次前向傳播同時輸出位置與類別
• U-Net：U 型對稱架構，跳接連接（Skip Connections），專為醫療影像分割設計

影像前處理（Data Augmentation）
- 旋轉、翻轉、裁切、色彩調整 → 擴充訓練集、提升泛化能力
- 資料標注（Labeling）：影像分類→類別標籤；目標偵測→邊界框；分割→像素遮罩

常錯陷阱

⚠️ 影像分類 ≠ 目標偵測：分類只輸出一個標籤，偵測輸出多個物件位置+類別。
⚠️ U-Net 的跳接連接（Skip Connections）是其核心創新，使高解析度特徵能保留於解碼路徑。
⚠️ 殘差連接（ResNet）解決梯度消失，不是解決過擬合問題。

情境題

製造業生產線要偵測皮帶上每顆零件的瑕疵位置並標記範圍，應選用哪種視覺任務？
答：目標偵測（Object Detection），輸出邊界框座標

醫院希望系統能在 X 光片上圈出腫瘤的精確輪廓，每個像素都需分類，應使用？
答：語義分割（Semantic Segmentation）

實務案例

• 智慧製造品管：CNN 分類良品/瑕疵品，YOLO 即時偵測流水線上的缺陷位置
• 醫療影像診斷：U-Net 分割肺部 CT，輔助放射科醫師標記病變範圍
• 無人駕駛：多任務視覺（分類+偵測+分割）整合辨識道路、行人、交通號誌

3.3 生成式 AI 技術與應用（L21103）🔴 High

核心觀念

生成式 AI 能創造新內容（文字、圖像、音訊），主要三大架構：

GAN 架構（必考）

雜訊/潛空間 → [產生器 Generator] → 假資料
                                        ↓
真實資料 ──────────────────→ [鑑別器 Discriminator] → 真/假判斷
                                        ↓
                              反向傳播更新兩者參數

LLM 關鍵技術
- Prompt Engineering：設計輸入提示引導模型輸出
- RAG（Retrieval-Augmented Generation）：結合外部知識庫提升準確度
- Fine-tuning（微調）：在特定領域資料上繼續訓練，調整模型行為
- RLHF（人類反饋強化學習）：用人類評分引導模型輸出更符合期待的結果

必背重點

常錯陷阱

⚠️ GAN 訓練不穩定是已知挑戰，Diffusion Model 生成品質更穩定但速度較慢。
⚠️ RAG ≠ Fine-tuning：RAG 在推理時動態查詢外部資料，Fine-tuning 在訓練時修改模型參數。
⚠️ DALL-E 是文字→圖像（Text-to-Image），不是文字生成模型。

情境題

電商平台希望系統根據商品描述文字自動生成產品宣傳圖，應採用何種技術？
答：Text-to-Image 生成式 AI（如 Stable Diffusion / DALL-E）

企業要建立內部 FAQ 問答系統，避免 LLM 產生幻覺，最佳方案為？
答：RAG（Retrieval-Augmented Generation），結合企業文件庫

實務案例

• 廣告創意生成：DALL-E / Stable Diffusion 根據行銷文案自動產圖
• 程式碼輔助：GitHub Copilot（GPT 系列）根據注解自動補全程式碼
• 影像風格轉換：CycleGAN 將白天照片轉為夜景、馬轉斑馬等

3.4 多模態人工智慧應用（L21104）🟡 Medium

核心觀念

多模態 AI 同時處理並整合多種感知來源（文字+影像+聲音+影片），提升跨模態理解能力。

代表模型

應用情境
- 視覺問答（VQA）：輸入圖片+問題，輸出文字答案
- 影片字幕生成：語音辨識（ASR）+ 視覺上下文 + NLG
- 情感辨識：聲音語調 + 表情影像 + 語言內容同時分析
- 自動駕駛感知：LiDAR（點雲）+ 攝影機影像 + 地圖資料融合

常錯陷阱

⚠️ CLIP 的對比學習（Contrastive Learning）是其核心，利用大量圖文配對資料訓練跨模態對齊，考題常考 CLIP 的訓練方式。

情境題

影片字幕自動生成系統需整合哪些模態資料？
答：語音（ASR 轉文字）+ 影像（視覺上下文）+ 文字（NLG 輸出字幕）

📘 第四章：AI 導入評估規劃

4.1 AI 導入評估（L21201）🔴 High

核心觀念

AI 導入評估回答四個核心問題：
1. 我們需不需要 AI？（業務需求）
2. AI 導入是否值得投入資源？（成本效益）
3. 我們有能力導入 AI 嗎？（技術可行性）
4. 導入有哪些潛在風險？（風險辨識）

評估三大面向

（1）業務需求與痛點分析
- 辨識哪些流程重複性高、規則清晰、數據驅動
- 分析 As-Is（現況）vs To-Be（理想）流程差距
- 釐清需提升的 KPI（效率、準確率、回應速度）

（2）技術可行性初探
- 資料品質（Data Quality）：完整性、一致性、準確性、即時性、唯一性
- IT 能力：伺服器、雲端架構、網路頻寬是否足夠
- AI 適配性：監督式/非監督式/強化學習/生成式模型的適用情境

（3）成本與效益評估

POC（概念驗證）
- 正式導入前的小規模試點測試
- POC 結果是後續導入決策的重要依據，關注：技術可行性確認、效益初步量化、風險評估

必背重點
- AI 導入首要步驟：業務痛點辨識，而非技術選型
- 商業價值評估核心：預期效益與回報（ROI）
- 技術評估核心：技術成熟度與部署資源
- AI 專案跨部門協作：需在規劃階段即明確分工

常錯陷阱

⚠️ 考題常問「導入 AI 的第一步是什麼？」—— 答案是業務痛點辨識，不是選模型或準備資料。
⚠️ POC 成功 ≠ 全面導入，POC 是驗證，後續仍需評估規模化成本與組織準備度。
⚠️ ROI 是衡量商業價值，NPV 強調時間價值，兩者用途不同，勿混淆。

情境題

製造業想導入 AI 品質檢測，評估委員會說需先確認「資料是否完整、一致、有標注」，這屬於哪種評估？
答：技術可行性評估中的「資料品質（Data Quality）」分析

一 AI 專案預期 3 年內節省成本 500 萬，初期投入 200 萬，ROI 為何？
答：ROI = (500-200) ÷ 200 × 100% = 150%

實務案例

• 零售業：AI 需求評估發現補貨規則可自動化（重複性高、規則清晰），選擇監督式預測模型
• 金融業：KYC 流程痛點明確，但客戶資料涉及個資法，需在評估階段納入法規可行性

4.2 AI 導入規劃（L21202）🔴 High

核心觀念

導入規劃解答「如何導入 AI」，產出可執行的導入藍圖，涵蓋資源安排、系統設計、跨部門協作。

導入路徑選擇

跨部門協作（考試高頻）
- AI 專案涉及：資料團隊、業務部門、IT 部門、法規合規部門
- 規劃階段需明確：職責分工、溝通機制、決策流程
- 缺乏協作機制 → 需求不對齊、資料準備延遲、部署失敗

導入階段規劃（典型 4 階段）

1. 策略規劃 → 2. POC 驗證 → 3. 試點導入 → 4. 全面擴展

每階段需定義：里程碑（Milestone）、KPI 指標、驗收標準

必背重點
- 「建立跨部門協作機制與角色分工」是 AI 導入規劃的最關鍵工作
- No-Code / Low-Code 工具降低非技術人員的 AI 應用門檻
- 導入後需持續監控：模型效能衰減（Model Drift）、資料分布漂移

常錯陷阱

⚠️ AI 導入規劃 ≠ 技術架構設計。重點在策略、流程、組織，不在模型演算法細節。
⚠️ Low-Code/No-Code 不等於「無需技術人員」，仍需 IT/資料人員監控與維運。
⚠️ Model Drift（模型漂移）是部署後的常見問題，指真實資料分布與訓練資料不一致導致效能下降。

情境題

一家公司想導入 AI 客服，業務部門要求功能 A，IT 說系統無法支援，怎麼辦？
答：建立跨部門協作機制，釐清需求優先序，制定 IT 系統升級計畫，分階段導入

4.3 AI 風險管理（L21203）🟡 Medium

核心觀念

AI 風險分為四大類別：

AI 治理框架要素
- 可解釋性（Explainability / XAI）：模型決策能被人類理解（如 SHAP、LIME）
- 公平性（Fairness）：避免對特定群體的系統性歧視
- 問責性（Accountability）：明確 AI 決策的負責人與申訴機制
- 透明性（Transparency）：公開 AI 系統的運作邏輯與資料來源

必背重點
- GDPR（歐盟通用資料保護規範）：個人資料處理需告知、取得同意、可刪除
- 差分隱私（Differential Privacy）：在資料中加入統計雜訊保護個人隱私
- Model Card：記錄模型用途、效能、偏見風險的文件，提升透明度

常錯陷阱

⚠️ XAI（可解釋 AI）解決「黑盒問題」，但 SHAP/LIME 是事後解釋工具，不改變模型本身。
⚠️ 演算法偏見主要源自訓練資料的偏差，不單純是演算法設計問題。

📘 第五章：AI 技術應用與系統部署

5.1 數據準備與模型選擇（L21301）🔴 High

核心觀念

「垃圾進，垃圾出（GIGO）」—— 資料品質決定模型效能上限。

資料品質五指標（必背）

缺失值處理方法
- 均值/中位數填補（Mean/Median Imputation）
- 前後值填補（Forward/Backward Fill）— 時序資料常用
- 插值法（Interpolation）
- 模型預測填補

異常值偵測方法
- Z-score：超過 ±3 標準差視為異常
- IQR（四分位距）：低於 Q1−1.5×IQR 或高於 Q3+1.5×IQR 為異常
- Isolation Forest、LOF：機器學習方法

特徵工程

特徵選擇方法
- 資訊增益（Information Gain）
- 皮爾森相關係數（Pearson Correlation）
- L1 正則化（Lasso）— 係數為零即刪除特徵
- PCA（主成分分析）— 降維，保留方差最大的方向

模型選擇原則（依問題類型）

常錯陷阱

⚠️ 正規化（Normalization）≠ 標準化（Standardization）：前者縮放至 [0,1]，後者轉為 Z-score，考題常混淆。
⚠️ One-hot encoding 不適合高基數（High Cardinality）類別，會造成維度爆炸。
⚠️ PCA 是降維而非特徵選擇，PCA 不刪除原始特徵，而是轉換為主成分。

情境題

資料集中「城市」欄位有 500 個不同值，使用 One-hot encoding 後特徵維度爆炸，應如何處理？
答：使用 Target Encoding、Embedding 或分組處理，避免高基數問題

5.2 AI 技術系統集成與部署（L21302）🟡 Medium

核心觀念

AI 模型需從研究環境遷移至生產環境，部署方式影響效能、成本與維運複雜度。

部署方式比較

MLOps 關鍵概念
- Model Monitoring（模型監控）：持續追蹤效能指標（準確率、F1、AUC）
- Data Pipeline（資料管線）：自動化資料收集→前處理→特徵工程→訓練→部署流程
- CI/CD for ML：持續整合/持續部署應用於機器學習模型更新
- A/B Testing：新舊模型同時運行，比較效果後決定是否全面切換

常見 API 整合模式
- REST API：最常見，HTTP 協定，適合非即時推論
- gRPC：低延遲、高吞吐，適合微服務架構
- Message Queue（Kafka、RabbitMQ）：非同步串流推論

常錯陷阱

⚠️ Edge AI（邊緣部署）的優勢是低延遲，不是高運算能力（邊緣設備算力通常有限，需模型壓縮）。
⚠️ 模型壓縮技術（量化 Quantization、剪枝 Pruning）是部署邊緣設備前的必要步驟。

三、科目二學習筆記

📗 第三章：機率統計基礎

3.1 敘述性統計與資料摘要技術（L22101）🟡 Medium

核心觀念

敘述統計（Descriptive Statistics）用於概括並整理資料特徵，不涉及推論或決策。

集中趨勢三指標

離散程度三指標

常錯陷阱

⚠️ 偏態分佈用中位數，不用平均數！（平均數受極端值影響）
⚠️ 「資料平均偏離中心的程度」= 標準差（考題固定用語）
⚠️ 敘述統計 ≠ 推論統計：敘述統計描述現有資料，推論統計推估母體

3.2 機率分佈與資料分佈模型（L22102）🟡 Medium

核心觀念

必考四大分佈

中央極限定理（CLT）—— 高頻考點

不論母體原始分佈為何，當樣本數 n 足夠大時，樣本平均數的分佈趨近常態分佈。

⚠️ 常見錯誤選項：「原始資料本身也會趨近常態」—— 錯誤！CLT 只針對樣本平均數的分佈，不是原始資料。

必背重點
- 二項分佈 = 多次伯努利試驗（只有成功/失敗）
- 偏態分佈（Skewed Distribution）中：右偏（正偏）時均值 > 中位數 > 眾數

3.3 假設檢定與統計推論（L22103）🔴 High

核心觀念

假設檢定用科學方法驗證資料是否支持某個論述。

假設檢定流程（必背）

1. 設立 H₀（虛無假設）和 H₁（對立假設）
2. 選擇顯著水準 α（通常 0.05）
3. 計算檢定統計量（t / z / F / χ²）
4. 計算 p 值
5. 決策：p < α → 拒絕 H₀；p ≥ α → 無法拒絕 H₀

p 值（必考核心）

p 值 = 在 H₀ 成立的情況下，觀察到「至少這麼極端」的樣本結果之機率
p < 0.05 → 統計顯著 → 拒絕虛無假設

常用檢定類型

型一/型二錯誤（必考）

常錯陷阱

⚠️ p 值不是「H₀ 為真的機率」，是「在 H₀ 為真的條件下觀察到此極端結果的機率」。
⚠️ α = 0.05 是顯著水準，不是 p 值本身。
⚠️ 型一錯誤（α）= 拒絕本來為真的 H₀；型二錯誤（β）= 未拒絕本來為假的 H₀。
⚠️ p < α 才拒絕 H₀，方向別搞反（p 值越小越顯著）。

情境題

研究員想檢驗新藥是否與標準藥物效果相同，設 H₀：兩組效果無差異，計算得 p = 0.03，α = 0.05，結論為何？
答：p = 0.03 < 0.05 = α，拒絕 H₀，有統計顯著差異，兩組效果不同

📗 第四章：大數據處理技術

4.1 數據收集與清理（L22201）🔴 High

核心觀念

資料來源分類：

資料清理五大任務

1. 缺失值（Missing Values）：均值/中位數填補、插值法、模型預測填補
2. 重複值（Duplicates）：主鍵去重（pandas .drop_duplicates()）
3. 異常值（Outliers）：Z-score、IQR、Isolation Forest、LOF
4. 格式標準化：日期格式統一、單位換算、編碼一致（UTF-8）
5. 一致性檢查：跨欄位邏輯驗證（出生日期 < 今日）

必背重點
- 感測器資料 = 高頻率、串流型（High Frequency, Streaming）
- Imputation（遺漏值補全） = 缺失值處理的主要方法
- 資料品質指標：完整性、一致性、準確性、即時性、唯一性

常錯陷阱

⚠️ Imputation 是處理缺失值的方法，不是異常值處理（異常值用 Z-score/IQR）。
⚠️ Web Scraping 需注意網站使用條款與個資合規，不能隨意使用。

4.2 數據儲存與管理（L22202）🟡 Medium

核心觀念

關聯式 vs NoSQL 資料庫

資料湖 vs 資料倉儲

必背重點
- 感測器/IoT 資料適合文件型 NoSQL 資料庫
- 資料湖適合存放原始未處理資料，Schema-on-Read
- ACID 屬性（Atomicity、Consistency、Isolation、Durability）是關聯式資料庫的核心保證

常錯陷阱

⚠️ NoSQL ≠ 「不用 SQL」，部分 NoSQL 支援 SQL-like 查詢語法。
⚠️ 資料湖不等於「更好的資料倉儲」，兩者用途不同，現代架構常用「湖倉一體（Lakehouse）」結合兩者優點。

4.3 數據處理技術與工具（L22203）🔴 High

核心觀念

批次 vs 串流處理

MapReduce 原理（必考）

Map 階段：將輸入資料分割為 Key-Value 對並平行處理
→ Shuffle 階段：相同 Key 的資料聚合
→ Reduce 階段：對每個 Key 的 Value 集合進行匯總計算

例：詞頻統計 → Map 輸出 (word, 1) → Reduce 輸出 (word, count)

Apache Spark 關鍵特性
- 記憶體內運算（In-memory Computing），比 Hadoop MapReduce 快 10-100 倍
- RDD（彈性分散式資料集）：不可變的分散式資料集，支援容錯
- DataFrame/Dataset：高階抽象，支援 SQL 查詢
- 支援批次 + 串流（Spark Streaming）+ 機器學習（MLlib）

Apache Kafka 關鍵特性
- 分散式訊息佇列，高吞吐量事件串流平台
- Topic/Partition/Consumer Group 三層架構
- 生產者（Producer）→ Topic → 消費者（Consumer）

ETL vs ELT

常錯陷阱

⚠️ Spark 不完全取代 Hadoop，Spark 通常運行於 HDFS 之上，是計算框架，Hadoop 提供分散式儲存（HDFS）。
⚠️ Kafka 是訊息佇列/串流平台，不是資料庫，資料持久化有時間限制（Retention Policy）。
⚠️ MapReduce 是計算模型，不只是 Hadoop 的功能，理解 Map→Shuffle→Reduce 的三步驟流程。

情境題

工廠即時監控系統每秒接收 10,000 筆感測器資料，需在 100ms 內觸發異常警報，應選用何種處理技術？
答：串流處理（Stream Processing），如 Apache Flink 或 Spark Streaming，搭配 Kafka 訊息佇列

📗 第五章：大數據分析方法與工具

5.1 統計學在大數據中的應用（L22301）🟡 Medium

核心觀念

大數據環境下傳統統計的挑戰與因應策略：

效果量（Effect Size）
- 補充 p 值的不足，衡量差異的「實際大小」
- Cohen's d（均值差異）、r（相關係數）
- 大樣本下 p < 0.05 不代表差異有「實務意義」

5.2 常見的大數據分析方法（L22302）🔴 High

核心觀念

分析方法分類

時序分析（Time Series）

• 趨勢（Trend）：長期上升/下降方向
• 季節性（Seasonality）：固定週期波動（如每週/每年）
• 殘差（Residual）：去除趨勢和季節性後的隨機波動
• ARIMA 模型：整合差分的自迴歸移動平均模型，適合平穩時序預測

分群分析（Clustering）

關聯規則（Association Rules）

Apriori 演算法：挖掘頻繁項目集（如購物籃分析）
指標：Support（支持度）、Confidence（信心度）、Lift（提升度）

網路分析（Network Analysis）
- 節點（Node）= 實體，邊（Edge）= 關係
- 中心性（Centrality）：PageRank、Betweenness Centrality
- 應用：社群偵測、影響力傳播分析

常錯陷阱

⚠️ K-Means 對離群值敏感，離群值會扭曲群心；DBSCAN 對離群值更穩健。
⚠️ Apriori 演算法的 Lift > 1 表示規則有正向關聯，Lift = 1 表示獨立，Lift < 1 表示負關聯。
⚠️ ARIMA 適用於平穩時序（Stationary），非平穩序列需先差分（Differencing）。

情境題

超市分析購物資料，發現買尿布的顧客同時買啤酒的機率很高，這屬於哪種分析方法？
答：關聯規則分析（Association Rule Mining），Apriori 演算法，購物籃分析（Market Basket Analysis）

5.3 數據可視化工具（L22303）🟢 Low

核心觀念

圖表類型選擇原則

常用工具：Tableau、Power BI、Python（Matplotlib、Seaborn、Plotly）、D3.js

📗 第六章：大數據在人工智慧之應用

6.1 大數據與機器學習（L22401）🔴 High

核心觀念

大數據對機器學習的三大影響：
1. 提升模型效能：更多資料 → 更少欠擬合（Underfitting）風險
2. 加速訓練：分散式訓練（如 Horovod、Parameter Server 架構）
3. 推動新架構：Transformer、大型語言模型依賴超大規模資料集

機器學習三大範式

分散式機器學習訓練
- 資料並行（Data Parallelism）：同一模型在不同資料子集上並行訓練，梯度聚合
- 模型並行（Model Parallelism）：超大模型切割至不同 GPU/節點

特徵商店（Feature Store）
- 集中管理、版本控制、復用特徵的平台
- 解決訓練/推論特徵不一致的問題（Training-Serving Skew）

必背重點
- 大量資料 → 複雜模型才能充分利用（規模定律 Scaling Law）
- 過擬合（Overfitting） vs 欠擬合（Underfitting）：前者訓練好測試差，後者兩者皆差

6.2 大數據在鑑別式 AI 中的應用（L22402）🔴 High

核心觀念

鑑別式 AI（Discriminative AI）= 學習輸入→輸出的映射，典型任務：分類、預測、異常偵測。

關鍵挑戰

模型評估指標（必背）

常錯陷阱

⚠️ 類別不平衡時 Accuracy 不是好指標，應使用 F1-Score 或 AUC-ROC。
⚠️ SMOTE（合成少數過採樣技術）生成的是合成資料點，不是複製既有資料。
⚠️ Concept Drift ≠ Data Quality 問題：Drift 指真實世界的規律改變，而非原始資料有錯誤。

情境題

信用卡詐欺偵測中，詐欺案例佔總交易的 0.1%，模型全部預測為「正常」也能達到 99.9% Accuracy，如何評估模型實際效果？
答：使用 Recall（召回率）和 F1-Score，因為漏判詐欺（False Negative）的代價遠高於誤判，不應以 Accuracy 為主要指標

6.3 大數據在生成式 AI 中的應用（L22403）🟡 Medium

核心觀念

大型語言模型（LLM）的資料需求：

資料品質對生成效果的影響
- 低品質資料 → 幻覺（Hallucination）頻率提升
- 偏頗資料 → 模型輸出帶有偏見
- 資料去重（Deduplication）是預訓練前的重要步驟

必背重點
- 生成式 AI 的「資料飛輪」：更多使用者 → 更多互動資料 → 更好的模型
- 資料合成（Synthetic Data）：用 AI 生成訓練資料，降低標注成本

6.4 大數據隱私保護、安全與合規（L22404）🟡 Medium

核心觀念

隱私保護技術

法規遵循

常錯陷阱

⚠️ 匿名化是不可逆的，假名化是可逆的，兩者保護強度不同（匿名化更強）。
⚠️ 聯邦學習（Federated Learning）不完全保護隱私，模型梯度仍可能洩露資料資訊（需結合差分隱私）。
⚠️ GDPR 的「被遺忘權（Right to be Forgotten）」是高頻考點，指個人可要求刪除其個人資料。

情境題

醫院要用多院區的病患資料聯合訓練 AI 模型，但各院區不能共享病患原始資料，應採用何種技術？
答：聯邦學習（Federated Learning），各院區本地訓練後只共享模型梯度

四、六週備考計畫

設計原則（by project-manager-senior）：前兩週打底基礎，第三至五週攻略高頻章節，第六週衝刺複習與模擬。

每週里程碑驗收標準

• 週一至週五：完成該週指定章節精讀 + 每日練習題
• 週六：本週錯題統一複習 + 填寫錯題記錄表
• 週日：自我測驗（模擬 20 題），目標正確率：第 1-2 週 ≥ 60%、第 3-4 週 ≥ 70%、第 5-6 週 ≥ 80%

五、錯題記錄與弱點補救模板

5.1 錯題記錄表（每日填寫）

錯誤原因分類碼

5.2 週末弱點分析模板（by product-feedback-synthesizer）

## 第___週 弱點分析報告

### 📊 本週答題統計
- 總題數：___題
- 正確：___題（正確率：___%）
- 目標正確率：___%

### 🔴 弱點章節排名（錯誤數 TOP 3）
1. [ L______ ] ___章節 — 錯誤 ___次，主因：___
2. [ L______ ] ___章節 — 錯誤 ___次，主因：___
3. [ L______ ] ___章節 — 錯誤 ___次，主因：___

### 🛠️ 下週補救策略
- [ ] 重讀___筆記「常錯陷阱」段落（預計___分鐘）
- [ ] 額外補做___題情境題
- [ ] 製作___個概念對比卡片（如 BERT vs GPT）

### 💡 本週新發現
（記錄本週學到的新連結或有趣發現）

5.3 概念對比速查卡（高頻混淆對）

六、最終備考狀態確認清單

來自 testing-reality-checker：以下每項必須達成才算「準備充分」

科目一 ✅ 確認清單

• [ ] L21101 NLP：能說明 NLU/NLG/NLP 三者關係；能分辨 BERT（雙向）vs GPT（單向）；知道 Word2Vec 和 TF-IDF 的差異
• [ ] L21102 電腦視覺：能區分影像分類/目標偵測/語義分割的輸出形式；知道 YOLO 是即時偵測；了解 U-Net 跳接連接的用途
• [ ] L21103 生成式 AI：能畫出 GAN 的兩組件架構；知道 RAG vs Fine-tuning 的差異；了解 Diffusion Model 與 GAN 的優缺點比較
• [ ] L21201 AI 導入評估：能說出 AI 導入第一步是「業務痛點辨識」；能計算 ROI；了解 POC 的目的
• [ ] L21202 AI 導入規劃：能說明跨部門協作機制的必要性；知道 Build/Buy/Integrate 三種路徑
• [ ] L21301 數據準備：能說出資料品質五指標；知道正規化 vs 標準化的差異；了解 PCA 是降維不是特徵選擇

科目二 ✅ 確認清單

• [ ] L22101 敘述統計：偏態分佈下用中位數（不用平均數）；標準差 = 平均偏離中心的程度
• [ ] L22102 機率分佈：能分辨二項/常態/泊松分佈的應用情境；中央極限定理只適用於樣本平均數分佈
• [ ] L22103 假設檢定：p < α → 拒絕 H₀；型一錯誤 = 誤判（α）；型二錯誤 = 漏判（β）
• [ ] L22201 數據清理：Imputation = 缺失值補全；感測器資料 = 串流型；知道 Z-score 和 IQR 的用途
• [ ] L22202 數據儲存：NoSQL 類型（文件/列式/鍵值/圖形）各自適用場景；資料湖 vs 資料倉儲差異
• [ ] L22203 數據處理：Spark vs MapReduce 速度差異；Kafka 是訊息佇列；批次 vs 串流處理差異
• [ ] L22302 分析方法：K-Means vs DBSCAN；Apriori Lift > 1 表示正關聯；ARIMA 需要平穩序列
• [ ] L22402 鑑別式 AI：類別不平衡用 F1/AUC；SMOTE 是合成資料；Precision/Recall 取捨說明
• [ ] L22404 隱私合規：匿名化不可逆/假名化可逆；聯邦學習原理；GDPR 被遺忘權

七、下一步執行指令

以下指令可直接複製貼入 GitHub Copilot Chat，繼續深化特定章節的學習：

# === 指令一：章節深化筆記 ===
請針對 IPAS 中級 AI 應用規劃師，為以下章節生成 20 道單選練習題（繁體中文），
每題附詳解。章節：[填入章節名稱，如「L22103 假設檢定與統計推論」]
難度分佈：基礎 30%、應用 50%、情境整合 20%。

# === 指令二：模擬考 ===
請出一份 IPAS 中級 AI 應用規劃師科目[一/二]模擬考，共 40 題單選，
涵蓋各評鑑主題，難度接近正式考試，附答案與解析，用繁體中文。

# === 指令三：弱點補強 ===
我在 IPAS 中級考試中對「[填入弱點概念，如 GAN vs Diffusion Model]」
容易混淆，請用繁體中文做一份「概念對比卡片」，包含：
定義、核心差異、記憶口訣、情境選擇題2道。

# === 指令四：情境題強化 ===
請根據 IPAS 中級 AI 應用規劃師的考試風格，生成10道企業情境應用題，
每題描述一個真實商業場景，考驗考生選擇適當AI技術/方法的能力，附詳解。
涵蓋：NLP應用、電腦視覺、AI導入評估、大數據處理、模型評估。

# === 指令五：全章節知識地圖 ===
請將以下筆記內容整理成 Mermaid mindmap 格式，顯示科目一與科目二的
完整章節結構與關鍵術語，方便建立整體知識架構。

本文件由 AgentsOrchestrator 協調生成，整合 project-manager-senior（計畫架構）、engineering-technical-writer（模板品質）、zk-steward（知識卡片連結）、product-feedback-synthesizer（弱點分析機制）、testing-reality-checker（備考確認清單）的專業視角。

最後更新：2026-04-22

八、官方文件總索引（DOCS 自動掃描）

• 檔案總數：25

九、官方規範重點摘錄

抵免辦法｜115年度AI應用規劃師能力鑑定(中級科目抵免辦法)_11501版_20260101234950.pdf

• 頁數：5
• 字數：2,927
• 摘要：115 年度 AI 應用規劃師 中級考試科目抵免說明 主辦單位： 執行單位： 115.01 版 能力鑑定網址：https://ipd.nat.gov.tw/ipas/AIAP/ 服務信箱：ipas@itri.org.tw 1 一、 能力鑑定整合說明 隨著人工智慧技術快速發展，AI 在各領域之應用日益廣泛，企業對於具備AI 技 術及應用相關職能人才的需求遽增。為響應產業需求，經濟部規劃「AI 應用規劃 師」能力鑑定，期能協助產業培育AI 專業人才。 因應產業所需AI 開發實務人才類型，規劃中級「AI 應用規劃師」能力鑑定，主 要綜合程式設計、資料處理與分析、機器學習、深度學習及基於數學統計基礎進 行演算法或模型設計等核心職能。為提升能力鑑定項目的全面性與產業適配性， 將原iPAS「巨量資料分析師」與「機器學習工程師」能力鑑定項目整合至中級「AI 應用規劃師」的評鑑科目中，以更加契合產業對相關...

簡章｜115年度AI應用規劃師能力鑑定簡章(初、中級)_0410_20260410115646.pdf

• 頁數：28
• 字數：19,804
• 摘要：115 年度 AI 應用規劃師 能力鑑定簡章(初級.中級) 主辦單位： 執行單位： 115.04 版 能力鑑定網址：https://ipd.nat.gov.tw/ipas/AIAP/ 電子郵件：ipas@itri.org.tw 電話：03-5912893；傳真：03-5820285 地址：310 新竹縣竹東鎮中興路四段195 號21 館101 室工研院產業學院能力鑑定小組 I 115 年初級考試重要日程表 級等 項目 初級 說明 第一次 第二次 第三次 第四次 考試簡章 114/12/24 AI 應用規劃師能力鑑定網 站： https://ipd.nat.gov.tw/ipas /AIAP/ 報名 期間 個人 報名 1/1~2/10 中午12 點 2/11~4/10 中午12 點 4/11~7/8 中午12 點 7/9~9/22 中午12 點 1. 個人報名：網路報名。 2. 團體報名：請...

簡章｜115年度AI應用規劃師能力鑑定簡章(初、中級)_0410_20260410144503.pdf

• 頁數：28
• 字數：19,796
• 摘要：115 年度 AI 應用規劃師 能力鑑定簡章(初級.中級) 主辦單位： 執行單位： 115.04 版 能力鑑定網址：https://ipd.nat.gov.tw/ipas/AIAP/ 電子郵件：ipas@itri.org.tw 電話：03-5912893；傳真：03-5820285 地址：310 新竹縣竹東鎮中興路四段195 號21 館101 室工研院產業學院能力鑑定小組 I 115 年初級考試重要日程表 級等 項目 初級 說明 第一次 第二次 第三次 第四次 考試簡章 114/12/24 AI 應用規劃師能力鑑定網 站： https://ipd.nat.gov.tw/ipas /AIAP/ 報名 期間 個人 報名 1/1~2/10 中午12 點 2/11~4/10 中午12 點 4/11~7/8 中午12 點 7/9~9/22 中午12 點 1. 個人報名：網路報名。 2. 團體報名：請...

簡章｜115年度AI應用規劃師能力鑑定簡章(初、中級)_0410_20260410144547.pdf

• 頁數：28
• 字數：19,796
• 摘要：115 年度 AI 應用規劃師 能力鑑定簡章(初級.中級) 主辦單位： 執行單位： 115.04 版 能力鑑定網址：https://ipd.nat.gov.tw/ipas/AIAP/ 電子郵件：ipas@itri.org.tw 電話：03-5912893；傳真：03-5820285 地址：310 新竹縣竹東鎮中興路四段195 號21 館101 室工研院產業學院能力鑑定小組 I 115 年初級考試重要日程表 級等 項目 初級 說明 第一次 第二次 第三次 第四次 考試簡章 114/12/24 AI 應用規劃師能力鑑定網 站： https://ipd.nat.gov.tw/ipas /AIAP/ 報名 期間 個人 報名 1/1~2/10 中午12 點 2/11~4/10 中午12 點 4/11~7/8 中午12 點 7/9~9/22 中午12 點 1. 個人報名：網路報名。 2. 團體報名：請...

程式題型說明｜AI應用規劃師中級程式題型比重說明.txt

• 頁數：1
• 字數：223
• 摘要：為強化 AI 應用規劃師中級鑑定於技術開發、邏輯與應用能力之評估，自114年第二梯次中級考試起，科目二《大數據處理分析與應用》及科目三《機器學習技術與應用》試題已納入程式相關題型，涵蓋 Python 基本語法、程式邏輯判斷及程式片段解析等內容。 為使考生瞭解試題配置方向，並提升應試準備之明確性，特說明後續各梯次程式類型題目預計約占整體試題之25%，題型形式包含單選題及題組題。 建議考生可參考相關樣題或歷屆試題內容，提前熟悉題型方向與作答方式。

評鑑範圍｜AI應用規劃師能力鑑定_評鑑內容範圍參考_11502_20260226173740.pdf

• 頁數：4
• 字數：3,008
• 摘要：115.02 更新 AI 應用規劃師能力鑑定 評鑑內容範圍參考 *此評鑑內容範圍僅供參考，旨在協助考生聚焦重點準備，實際考題不僅限於所列舉之內容 一、 初級能力鑑定 科目名稱 評鑑主題 評鑑內容 備註 L11 人工智慧 基礎概論 L111 人工智慧概念 L11101 AI 的定義與分類 L11102 AI 治理概念 如框架、歐盟、數位發展部 《公部門人工智慧應用參考 手冊》、《AI 產品與系統評 測》、金融監督管理委員會 《金融業運用人工智慧 （AI）指引》等國內外相關 政策法規、AI 風險評估與監 管等 L112 資料處理與分 析概念 L11201 資料基本概念與來源 大數據、資料型態與結構， 如數值型資料、文字資料、 圖像資料等 L11202 資料整理與分析流程 如資料收集、清理、分析和 呈現、特徵工程、資料標準 化等 L11203 資料隱私與安全 L113 機器學習概念 L11301...

評鑑範圍｜AI應用規劃師能力鑑定_評鑑內容範圍參考_11502_20260226174411.pdf

• 頁數：4
• 字數：3,008
• 摘要：115.02 更新 AI 應用規劃師能力鑑定 評鑑內容範圍參考 *此評鑑內容範圍僅供參考，旨在協助考生聚焦重點準備，實際考題不僅限於所列舉之內容 一、 初級能力鑑定 科目名稱 評鑑主題 評鑑內容 備註 L11 人工智慧 基礎概論 L111 人工智慧概念 L11101 AI 的定義與分類 L11102 AI 治理概念 如框架、歐盟、數位發展部 《公部門人工智慧應用參考 手冊》、《AI 產品與系統評 測》、金融監督管理委員會 《金融業運用人工智慧 （AI）指引》等國內外相關 政策法規、AI 風險評估與監 管等 L112 資料處理與分 析概念 L11201 資料基本概念與來源 大數據、資料型態與結構， 如數值型資料、文字資料、 圖像資料等 L11202 資料整理與分析流程 如資料收集、清理、分析和 呈現、特徵工程、資料標準 化等 L11203 資料隱私與安全 L113 機器學習概念 L11301...

十、 中級新手強化導讀（由淺入深）

10.1 學習策略：先懂任務，再選模型

• 第 1 步：先判斷任務類型（分類 / 迴歸 / 生成）
• 第 2 步：確認資料條件（量、品質、更新頻率）
• 第 3 步：選評估指標（Accuracy/F1/AUC 或 RMSE/MAE）
• 第 4 步：最後才決定模型與部署架構

10.2 中級常見誤區（初學者版本）

10.3 章節對應速讀地圖

10.4 中級考場作答框架（四句模板）

1. 先定義問題與目標指標
2. 描述資料條件與限制
3. 給出模型/架構選擇與理由
4. 補上風險控管與監控策略