iPAS - AI應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含AIE國際認證：MLAE機器學習應用工程師(Expert Level) (1版)

1.完整知識架構：涵蓋AI基礎概念、機器學習、深度學習、生成式AI、多模態AI與大數據應用。 2.理論與實務並重：結合理論講解、實務案例與操作流程，培養實際應用能力。 3.掌握AI模型的架構和推理行為：建立優秀的模型建構、訓練與調校的能力。 4.導入規劃導向：包含AI專案評估、POC驗證、模型選擇、資料準備與部署流程；並重視AI治理、風險管理與國際治理規範。 5.大量範例與圖解：透過圖表與情境說明，降低學習門檻、提升理解效率。 6.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：MLAE機器學習應用工程師的核心知識架構。

第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ） 主題1 AI 相關技術應用 第1 章 自然語言處理（NLP）技術與應用 1-1 認識自然語言（NLP） 1-2 GenAI、LLM 和NLP 三重奏 1-3 GenAI、LLM 和NLP 三合一的魅力 1-4 展現更多商業價值 1-5 RAG 的角色與使用要點 1-6 實務應用 模擬試題   第2 章 電腦視覺技術與應用 2-1 介紹電腦視覺（Computer Vision） 2-2 電腦視覺的發展歷史 2-3 正在崛起的視覺GenAI 2-4 電腦視覺的應用 2-5 電腦視覺技術的未來發展 2-6 實務應用 模擬試題   第3 章 生成式AI 技術與應用 3-1 生成式AI 的內涵 3-2 大型語言模型（LLM） 3-3 LLM 的幻覺問題 3-4 LLM 搭配RAG：降低幻覺 3-5 RAG、微調與提示工程 3-6 GenAI 的常見應用 3-7 GenAI 的未來發展 3-8 實務應用 模擬試題   第4 章 多模態人工智慧應用 4-1 簡介多模態AI 4-2 流行的多模態AI 模型 4-3 多模態AI 應用情境 4-4 多模態AI 提升人機介面（HCI） 4-5 多模態AI 提升人的決策力 4-6 多模態AI 的未來發展 4-7 實務應用 模擬試題   主題2 AI 導入評估規劃 第5 章 AI 導入評估 5-1 什麼是「AI 導入評估」 5-2 AI 導入評估的主要內容 5-3 概念驗證（Proof of Concept, POC）方法 5-4 快速原型（Rapid Prototyping）驗證方法 5-5 實務應用 模擬試題   第6 章 AI 導入規劃 6-1 AI 專案規劃包含哪些內容 6-2 了解問題，訂定專案目標（Goal） 6-3 挑選優先用例（Use Case），進行用例評估 6-4 模型（Model）選擇 6-5 收集高品質的資料（Data） 6-6 組成多元團隊，並制定風險管理計劃 6-7 模型訓練& 部署（Train & Deploy） 6-8 實務應用 模擬試題   第7 章 AI 風險管理 7-1 為什麼AI 導入需要風險管理 7-2 AI 專案風險管理的範圍 7-3 常見AI 風險類型 7-4 風險評估流程 7-5 對應的控管策略 7-6 實務應用 模擬試題   主題3 AI 技術應用與系統部署 第8 章 數據準備與模型選擇――以生成式AI 為例 8-1 數據準備（Data Preparation）的涵意 8-2 數據準備的六項關鍵任務 8-3 數據準備實施中的注意事項 8-4 模型選擇（Model Selection） 8-5 開發原型，快速驗證 8-6 實務應用 模擬試題   第9 章 AI 技術系統集成與部署—以生成式AI 為例 9-1 AI 系統整合（集成）架構 9-2 AI 部署與挑戰 9-3 AI 部署的流程：以GenAI 為例 9-4 實務應用 模擬試題   第2 篇 機器學習技術與應用（ iPAS 中級科目3 ） 主題1 機器學習基礎數學 第1 章 機率/ 統計之機器學習基礎應用 1-1 統計學是現代AI 的起點 1-2 使用sigmoid 函數讓迴歸線輸出機率 1-3 簡單的線性迴歸分析 1-4 從線性迴歸到多類分類 1-5 範例說明 模擬試題   第2 章 線性代數之機器學習基礎應用 2-1 迴歸線的本質就是線性代數 2-2 空間映射：資料穿越空間，成為智慧 2-3 機器學習（ML）的邏輯步驟 2-4 範例說明 模擬試題   第3 章 數值優化技術與方法 3-1 模型優化的重要概念 3-2 優化器的種類 3-3 反向傳播（BP）與優化器的完美協作 3-4 ML 的數值優化流程 3-5 範例說明 模擬試題   主題2 機器學習與深度學習 第4 章 機器學習原理與技術 4-1 機器學習（Machine Learning）的原理 4-2 從資料樣本提取特徵（Feature） 4-3 AI 從特徵中學習其規律 4-4 範例說明 模擬試題   第5 章 常見機器學習演算法 5-1 鑑別式AI 演算法 5-2 生成式AI 演算法 5-3 介紹邏輯迴歸模型 5-4 介紹神經網路模型 5-5 介紹卷積神經網路（CNN）模型 5-6 範例說明 模擬試題   第6 章 深度學習原理與框架 6-1 介紹深度學習 6-2 深度學習框架 6-3 使用PyTorch 框架：分辨「水果」圖片 6-4 範例說明 模擬試題   主題3 機器學習建模與參數調校 第7 章 數據準備與特徵工程 7-1 數據準備與特徵工程之關係 7-2 數據準備與資料預處理 7-3 特徵工程 7-4 認識分類型特徵 7-5 展開特徵工程，並訓練模型 7-6 範例說明 模擬試題   第8 章 模型選擇與架構設計 8-1 模型選擇 8-2 ML 架構設計 8-3 模型選擇與架構設計之迭代過程 8-4 遷移學習：復用ResNet50 模型 8-5 範例說明 模擬試題   第9 章 模型訓練、評估與驗證 9-1 模型訓練與評估 9-2 四項基本評估指標 9-3 模型驗證與測試 9-4 範例說明 模擬試題   第10 章 模型調整與優化 10-1 模型調整的涵義 10-2 模型調整方法 10-3 模型優化技術 10-4 模型微調（Fine-tuning）：以LoRA 為例 10-5 範例說明 模擬試題   主題4 機器學習治理 第11 章 數據隱私、安全與合規 11-1 資料隱私與資料安全之關係 11-2 資料隱私 11-3 數據安全 11-4 數據合規與AI 治理 11-5 範例說明 模擬試題   第12 章 演算法偏見與公平性 12-1 ML 偏見導致不公平性 12-2 ML 演算法的偏見 12-3 ML 演算法的公平性 12-4 細說可解釋性 12-5 範例說明 模擬試題