iPAS 中級考試範圍

依官方評鑑內容範圍參考(115.02 更新版)整理

iPAS AI 應用規劃師中級能力鑑定共 3 科,考試時需報考 2 科: L21「AI 技術應用與規劃」為必考, L22「大數據處理分析與應用」或 L23「機器學習技術與應用」擇一報考。 選 L22 通過取得「數據分析」方向證書,選 L23 通過取得「機器學習」方向證書。 自 114 年第二梯次起,L22 和 L23 新增 Python 程式題型,佔整體試題約 25%

考試科目
2 科
L21 + 擇一
評鑑主題數
11
評鑑內容項
29
程式題比重
25%
L22 / L23

中級考試結構

L21「AI 技術應用與規劃」為必考科目, L22「大數據處理分析與應用」或 L23「機器學習技術與應用」擇一報考。 各科 50 題、90 分鐘,均須達 70 分。

  • 選 L22 → 通過後取得「AI 應用規劃師(數據分析)」證書
  • 選 L23 → 通過後取得「AI 應用規劃師(機器學習)」證書
⚠️

程式題型重要公告(114 年第二梯次起適用)

中級 L22《大數據處理分析與應用》及 L23《機器學習技術與應用》已納入程式相關題型, 涵蓋 Python 基本語法、程式邏輯判斷及程式片段解析,佔整體試題約 25%, 題型包含單選題及題組題。

閱讀官方公告 →

L21|AI 技術應用與規劃 必考

L211|AI 相關技術應用

代號 評鑑內容 說明 術語連結
L21101 自然語言處理技術與應用 NLP、文本分類、情感分析、NER、機器翻譯 自然語言處理 →
L21102 電腦視覺技術與應用 圖像分類、物件偵測(YOLO)、語意分割 電腦視覺 →
L21103 生成式 AI 技術與應用 LLM、Diffusion Model、RLHF、生成架構比較 生成式 AI →
L21104 多模態人工智慧應用 文字、圖像、聲音等 多模態 AI →

L212|AI 導入評估規劃

代號 評鑑內容 說明 術語連結
L21201 AI 導入評估 技術或工具效能評估、適用解決方案選擇、成本效益分析 成本效益分析 →
L21202 AI 導入規劃 需求分析、技術應用方案設計、目標設置、資源分配 AI 系統架構 →
L21203 AI 風險管理 風險識別、安全與合規性、AI 倫理、負責任 AI 負責任AI →

L213|AI 技術應用與系統部署

代號 評鑑內容 說明 術語連結
L21301 數據準備與模型選擇 數據收集、數據清洗與預處理、特徵工程、不同模型的優缺點 特徵工程 →
L21302 AI 技術系統集成與部署 AI 系統架構設計、模型部署技術、效能監控和更新管理、雲端環境建置 AI 系統架構 →

L22|大數據處理分析與應用 擇一報考 含程式題 25%

L221|機率統計基礎

代號 評鑑內容 說明 術語連結
L22101 敘述性統計與資料摘要技術 數據的集中趨勢、離散程度與分佈型態、數據清理與剖析 描述性統計 →
L22102 機率分佈與資料分佈模型 機率理論模型與分佈特性 機率分佈 →
L22103 假設檢定與統計推論 p 值判斷、Type I/II Error、顯著水準 α、單尾與雙尾 假設檢定 →

L222|大數據處理技術

代號 評鑑內容 說明 術語連結
L22201 數據收集與清理 數據預處理、特徵提取 特徵擷取 →
L22202 數據儲存與管理 資料庫架構、儲存機制、模型訓練 資料倉儲 →
L22203 數據處理技術與工具 Apache Spark、Hadoop、Kafka、批次 vs 串流處理 大數據 →

L223|大數據分析方法與工具

代號 評鑑內容 說明 術語連結
L22301 統計學在大數據中的應用 數據轉換、縮放與分佈調整、特徵工程 描述性統計 →
L22302 常見的大數據分析方法 數據分析演算法、模式識別以及資料不平衡處理策略 資料不平衡 →
L22303 數據可視化工具 資訊呈現的原則、圖表類型的選擇以及視覺化效能 資料視覺化 →

L224|大數據在人工智慧之應用

代號 評鑑內容 說明 術語連結
L22401 大數據與機器學習 大數據特性對機器學習演算法產生的底層影響與挑戰 機器學習 →
L22402 大數據在鑑別式 AI 中的應用 大數據應用於預測、分類等鑑別式任務 判別式 AI →
L22403 大數據在生成式 AI 中的應用 生成式模型在處理大規模語料時的技術需求 生成式 AI →
L22404 大數據隱私保護、安全與合規 數據的安全性與法律合規技術 資料隱私 →

L23|機器學習技術與應用 擇一報考 含程式題 25%

L231|機器學習基礎數學

代號 評鑑內容 說明 術語連結
L23101 機率/統計之機器學習基礎應用 數據的數學分佈特性、變異解釋 機率分佈 →
L23102 線性代數之機器學習基礎應用 特徵提取、資料降維與壓縮 降維處理 →
L23103 數值優化技術與方法 演算法效率與可擴展性評估 梯度下降 →

L232|機器學習與深度學習

代號 評鑑內容 說明 術語連結
L23201 機器學習原理與技術 基礎理論、機率推論與模擬驗證技術 機器學習 →
L23202 常見機器學習演算法 演算法技術原理、應用與優化 監督式學習 →
L23203 深度學習原理與框架 類神經網路架構、層級運算機制與模型效能分析 神經網路 →

L233|機器學習建模與參數調校

代號 評鑑內容 說明 術語連結
L23301 數據準備與特徵工程 資料清洗、特徵縮放、類別編碼(One-Hot)、缺失值處理 特徵工程 →
L23302 模型選擇與架構設計 模型架構的定義、層級設定以及訓練前的核心配置 神經網路 →
L23303 模型訓練、評估與驗證 模型訓練、泛化能力與穩定性評估 交叉驗證 →
L23304 模型調整與優化 訓練過程參數調整策略、優化控制與效能提升策略 超參數調校 →

L234|機器學習治理

代號 評鑑內容 說明 術語連結
L23401 數據隱私、安全與合規 資料安全性、隱私保護以及符合法規要求 資料隱私 →
L23402 演算法偏見與公平性 識別資料或模型中潛在的偏誤來源與調整策略 演算法偏見 →

程式技能:Python 與資料科學基礎 L22 / L23 各佔 25%

以下術語對應 114 年第二梯次起新增的程式題型,建議優先掌握 Python 基本語法和資料科學函式庫。

資料來源與參考依據

本頁資料依官方文件整理,實際考試範圍及命題內容以 iPAS 官方公告為準。 如有更新,請至 iPAS 官方網站 確認最新版本。