工研院產業學習網

• AI 技術應用概觀：中級能力所需的技術理解層次與情境判斷。
• 語言理解與文字智慧分析技術：文字分類、情緒分析、資訊擷取、語意表示等概念。
• 電腦影像辨識與視覺資料解析：影像分類、物件偵測、影像分割、OCR 等常見任務。
• 生成式人工智慧技術與應用：大型語言模型、Transformer、提示工程、RAG、微調等核心概念。
• 多模態資料整合與智慧應用：文字、圖片、聲音、影片等多來源資料的整合應用。
• 考題演練：依企業情境判斷 NLP、CV、生成式 AI 或多模態 AI 的適用性。

• AI 導入可行性與應用評估：商業需求、資料條件、技術可行性、成本效益與 KPI。
• AI 導入流程：需求分析、資料盤點、模型選定、驗證、部署與持續監控。
• AI 導入部署設計與規劃：雲端、地端、邊緣運算、API、批次與即時處理等概念。
• 數據資料前置處理與模型適配選定：從資料型態與任務需求選擇合適模型。
• AI 技術架構整合與應用環境部署配置：系統整合、推論環境與維運基本觀念。
• AI 風險辨識與控管：隱私、安全、偏見、幻覺、可解釋性、Data Drift、Model Drift。
• 情境題：銀行、醫療、製造、零售等導入案例判斷。

• 敘述統計與資料摘要：平均數、中位數、眾數、變異數、標準差、四分位數與離群值。
• 機率與條件機率：建立資料推論與機器學習理解所需的基本觀念。
• 常見機率分布：常態分布、伯努利分布、二項分布等基本應用。
• 假設檢定與統計推論：虛無假設、對立假設、p-value、顯著水準、型一與型二錯誤。
• 數據收集流程與資料清理：缺失值、重複值、異常值、格式不一致等處理概念。
• 正規化與標準化：理解不同尺度處理方式及適用時機。
• 以簡易 Python / 資料表操作示例輔助理解，不以程式開發能力為主要評量目標。

• 大數據基本概念：5V 與大數據應用場景。
• 資料型態：結構化、半結構化與非結構化資料。
• 數據儲存架構與管理：Database、Data Warehouse、Data Lake 的差異。
• ETL 與 ELT：資料擷取、轉換、載入的處理流程。
• 大數據處理技術：Hadoop、HDFS、MapReduce、Spark  的基本角色與應用概念。
• 統計學與常用大數據分析方法。
• 數據資料可視化：長條圖、折線圖、散佈圖、直方圖、盒鬚圖等。
• 大數據與機器學習、鑑別式 AI、生成式 AI 的整合應用。
• 大數據隱私防護、安全與法規遵循。

• 機器學習核心原理：資料、特徵、模型、預測與訓練概念。
• 學習方式：監督式、非監督式、半監督式與強化學習。
• 分類與回歸：離散類別預測與連續數值預測之差異。
• 常見演算法：線性回歸、邏輯斯回歸、決策樹、隨機森林、KNN、SVM、K-means。
• 深度學習基本原理與神經網路概念。
• 常見深度學習架構：ANN、CNN、RNN、LSTM、Transformer。
• 機器學習基礎數學：機率統計、線性代數與數值最佳化，以理解模型運作為主。
• 情境式技術選型題演練。

• 數據準備流程與特徵工程：特徵選擇、特徵萃取、編碼與尺度調整。
• 模型選定策略與架構設計規劃。
• 資料切分：Training、Validation、Test Set 的角色。
• K-Fold Cross Validation 與模型驗證。
• Underfitting 與 Overfitting 的辨識及改善觀念。
• 分類模型評估：Confusion Matrix、Accuracy、Precision、Recall、F1-score。
• 回歸模型評估：MAE、MSE、RMSE、R²。
• 模型調整與效能優化：Learning Rate、Epoch、Batch Size、Grid Search、Random Search 等。
• 機器學習治理：數據隱私、安全、演算法偏見、公平性、透明性與可解釋性。

• 三大能力領域高頻考點統整。
• 重要名詞與易混淆概念比較。
• 技術選型、統計判讀、模型評估與 AI 治理情境題。
• 模擬試題演練：建議 40～50 題，涵蓋基礎題、中等題、情境題與易錯題。
• 錯題解析：從題幹找任務、辨識資料條件、掌握關鍵字、排除不適答案。
• 考前重點整理與作答策略。

• AI的趨勢、應用與安全
• 可信任AI全球趨勢與現況

工研院資通所

王邦傑組長