本課程包含以下內容：
課程簡介
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。
課程要點
定義與分類： 釐清人工智慧 (AI)、機器學習 (ML)、深度學習 (DL) 的層級關係；區分強人工智慧與弱人工智慧。
治理概念： 探討 AI 倫理、可解釋性 (XAI) 以及相關治理規範。
資料旅程： 掌握資料來源收集、資料整理 (Cleaning/ETL) 到分析的完整流程。
隱私防護： 理解資料隱私保護技術（如去識別化）與資訊安全重要性。
運作原理： 理解機器學習的核心概念（監督式、非監督式、強化學習）。
常見模型： 認識常見演算法（如迴歸、分類、分群）及其應用場景。
原理比較： 深入解析 鑑別式 AI (Discriminative) 與 生成式 AI (Generative) 的運作邏輯差異。
整合應用： 探討如何結合兩者優勢解決複雜問題。
概念與優勢： 理解無程式碼/低程式碼平台如何降低 AI 開發門檻。
應用限制： 分析 No Code 工具的適用場景及其功能極限。
工具應用： 熟悉主流生成式 AI 工具（文本生成、圖像生成等）之操作。
善用策略： 掌握提示工程 (Prompt Engineering) 基礎，提升工具產出品質。
導入評估 (Assessment)： 學習如何評估企業是否適合導入生成式 AI（需求確認、效益分析）。
規劃流程 (Planning)： 制定導入計畫，包含資源盤點與時程規劃。
風險控管： 識別生成式 AI 的潛在風險（如幻覺 Hallucination、版權爭議、資安洩漏）並制定對策。
課程內容共 15 個單元•總時數約 9 小時
關於講師
常見問題