AI 應用規劃師初級課程（iPAS）

精準對焦官方考綱！系統化拆解 AI 理論與規劃流程，高效備考

本課程專為「經濟部 iPAS AI 應用規劃師（初級）能力鑑定」設計。專注於「考試簡章」所規範的知識節。透過系統化的理論梳理與試題解析，協助學員在短時間內掌握 AI 基礎架構、資料處理邏輯與導入規劃要領。

🎯 課程目標

理論建構： 釐清機器學習、深度學習、生成式 AI 的定義邊界，避免觀念混淆。

考點全覆蓋： 針對簡章公告之「人工智慧基礎概論」與「生成式 AI 應用與規劃」兩大考科進行地毯式教學。

邏輯強化： 強化對數據處理流程、AI 倫理法規及評估指標的記憶與理解，提升答題準確率。

📚 課程大綱：兩大考科重點拆解

本課程依據 iPAS 官方公告之能力指標，將繁雜的 AI 知識收斂為考試重點：

【科目一：人工智慧基礎概論 (AI Fundamentals)】

本考科測驗學員對於 AI 發展、原理、倫理及數據處理的認知正確性。

AI 發展與定義

• 人工智慧 (AI) vs. 機器學習 (ML) vs. 深度學習 (DL) 之層級關係與定義。
• 強人工智慧、弱人工智慧的區別。
• AI 發展史與核心目標。

機器學習原理

• 三大類別辨析：監督式學習、非監督式學習、強化學習的定義、差異與適用場景。
• 常見演算法概念（如：迴歸、分類、分群）及其運作邏輯。

資料處理知識

• 資料處理流程 (Data Pipeline)：資料收集 → 清洗 (Cleaning) → 標註 (Labeling) → 分析 → 視覺化。
• 資料品質對模型訓練的影響（Garbage In, Garbage Out）。

AI 倫理與法規

• 隱私權保護、演算法偏見 (Bias)、安全性挑戰。
• 國內外 AI 相關法規與倫理準則。

【科目二：生成式 AI 應用與規劃 (GenAI Planning)】

本考科測驗學員對於生成式 AI 的原理理解、工具特性及導入規劃流程。

生成式 vs. 鑑別式

• 原理比較：鑑別式 AI (Discriminative) 與生成式 AI (Generative) 的運作機制差異。
• 生成式 AI 的核心概念（如：機率分布、Transformer 架構概念）。

No Code / Low Code 工具概念

• No Code/Low Code 的定義、優勢與在 AI 專案中的角色。
• 如何運用工具進行 AI 解決方案的設計與原型測試 (Prototype)。

AI 導入規劃流程

• 需求確認：如何定義問題、設定專案目標。
• 資源分配：算力、數據、人力資源的評估標準。
• 測試與驗證：PoC (概念驗證) 流程、試用測試步驟。

👥 建議報考對象

準備參加 iPAS AI 應用規劃師（初級）考試者。

大專院校學生： 欲取得官方證照以證明 AI 基礎知識者。

非技術背景人員： 需釐清 AI 專有名詞與架構，以利通過筆試檢定者。