人工智慧概論－iPAS AI應用規劃師(初級)能力養成 (1版)

本書特色 1.完整對應 iPAS 評鑑範圍 依官方能力鑑定架構設計內容，涵蓋 AI 基礎概念、資料處理、機器學習、生成式 AI 應用與導入規劃等重點，學習方向明確。 2.理論 × 應用 × 應試並重，三位一體的學習設計 不僅說明 AI 核心原理，也結合實際應用情境與工具操作，協助讀者同時掌握考試重點與實際運用能力。 3.結構清晰，適合教學與自學 內容編排循序漸進，搭配圖表與案例說明，兼顧課堂教學使用與自學需求，提升學習效率。 4.章末重點整理＋評量設計，強化應試實力 每章皆提供表格化重點整理提升關鍵認知，並搭配各章教學評量與仿真題型模擬測驗，強化複習效果與考試實戰力。 內容簡介 本書依據 iPAS「AI 應用規劃師（初級）」能力鑑定之學習範圍規劃，系統性涵蓋「人工智慧基礎概論」與「生成式 AI 應用」兩大核心領域，協助學生在建立理論基礎的同時，培養應檢所需之關鍵能力。內容包含 AI 定義與分類、資料處理與分析、機器學習模型、鑑別式與生成式 AI 原理，以及生成式 AI 工具應用、導入評估與風險管理等主題，完整對應官方評鑑內容架構。 本書採取由淺入深的教學設計，強調概念理解與應用連結，並於各章結尾整理重點知識，搭配教學評量題目與應試模擬試卷，協助讀者進行學習檢核與考試準備。適合作為大專院校課程教材，亦可作為報考 iPAS 證照之自學參考書。

Part 1　人工智慧基礎概論 第1章 AI的定義與分類 1-1 人工智慧的發展 1-2 人工智慧的技術演進 1-3 生成式人工智慧 1-4 人工智慧的定義 第2章 AI 治理概念 2-1 AI 治理的必要性 2-2 AI 偏誤與公平性 2-3 可信任 AI 2-4 可解釋 AI 2-5 AI 治理框架與政策 第3章 資料基本概念與來源 3-1 人工智慧與資料的關係 3-2 資料型態 3-3 結構化與非結構化資料 3-4 資料來源 3-5 機器學習中的資料概念 3-6 大數據的特性與意涵 第4章 資料整理與分析流程 4-1 資料處理與分析流程 4-2 常見資料品質問題 4-3 ETL資料處理流程 4-4 資料分析方法與視覺化 4-5 資料分析結果的應用與決策 第5章 資料隱私與安全 5-1 資料隱私與個人資料概念 5-2 資料隱私的主要風險 5-3 資料保護的基本原則與方法 5-4 AI 時代的隱私挑戰與偏誤問題 5-5 隱私保護技術與實務應用 第6章 機器學習基本原理 6-1 機器學習的概念 6-2 機器學習的基本流程 6-3 訓練資料、特徵與標籤 6-4 模型評估與模型表現 第7章 常見的機器學習模型 7-1 監督式學習 7-2 非監督式學習 7-3 半監督式學習 7-4 強化式學習 7-5 多模態學習 第8章 鑑別式 AI 與生成式 AI 的基本原理 8-1 鑑別式 AI 與生成式 AI 概念 8-2 鑑別式 AI 的原理與應用 8-3 生成式 AI 的原理與應用 8-4 鑑別式 AI 與生成式 AI 的差異 第9章 鑑別式 AI 與生成式 AI 的整合應用 9-1 感知與創造的協作架構 9-2 跨領域的技術融合 9-3 實務應用場域與情境分析 9-4 整合應用的關鍵分析 Part 2　生成式 AI 應用與規劃 第10章 No Code / Low Code 的基本概念 10-1 軟體開發自主權的釋放 10-2 No Code / Low Code 10-3 LCNC 平台的潛在風險與治理架構 10-4 LCNC 與 AI 的整合應用 第11章 No Code / Low Code 的優勢與限制 11-1 LCNC 平台的核心優勢 11-2 導入 LCNC 的限制與挑戰 11-3 生成式 AI 與 LCNC 的整合 11-4 生成式 AI × LCNC 的應用案例 第12章 生成式 AI 應用領域與常見工具 12-1 文本生成 12-2 圖像生成 12-3 語音與音樂生成 12-4 影片生成 12-5 多模態生成 第13章 如何善用生成式 AI 工具 13-1 Prompt 的基本概念與原則 13-2 提示工程 13-3 RAG 第14章 生成式 AI 導入評估 14-1 效能評估 14-2 適用解決方案選擇 14-3 成本效益分析 14-4 生成式 AI 導入前評估 第15章 生成式 AI導入規劃 15-1 AI 導入六步驟 15-2 需求分析 15-3 資料盤點與治理 15-4 技術選型 15-5 PoC 驗證 15-6 規模化導入與持續改善 第16章 生成式 AI 風險管理 16-1 生成式 AI 的風險 16-2 模型與資料風險 16-3 技術防護機制 16-4 風險治理與管理機制 【學後評量】 各章習題 iPAS 模擬試題