人工智慧基礎概論：L11 學習指引
iPAS AI 應用規劃師 初級科目一完整學習路線。包含 115年新考點（EU AI Act、Flash Attention、RLHF）、常見陷阱、官方勘誤修正、7/14/30天備考計畫。
- 題數
- 50 題單選題
- 考試時間
- 75 分鐘
- 及格
- 70 分
- 報名費
- NT$400／科
同時考兩科時，兩科平均 70 分以上、每科不低於 60 分就通過，報名費是 115 至 116 年的優惠價，原價 NT$1,200／科。
115 年新考點
115 年考題大幅轉向情境應用題，以下主題為新增或加重考點：
- Flash Attention（解決 Transformer 記憶體 I/O 瓶頸）
- RLHF（人類回饋強化學習，GPT 對齊技術）
- Constitutional AI（Anthropic 提出的 AI 對齊方法）
- EU AI Act 第三類高風險系統分類
- 金管會生成式 AI 使用指引
- Regulatory Sandbox（監理沙盒）概念
情境應用題佔比大增，純定義背誦題減少；已出現 Transformer 推理瓶頸、RLHF 等偏中級概念
官方勘誤
學習指引原版有這些錯誤，照原版讀會答錯。
| 主題 | 原版 | 更正 | 影響 |
|---|---|---|---|
| K-means 收斂答案（第3題） | B（群內距離最大化） | A（群內距離最小化，群間距離最大化） | 考題直接考此答案，選 B 會答錯 |
| Type I / Type II Error 對照表 | 拒絕 H₀ 那格標為 Type II 錯誤（α） | 拒絕 H₀ 且 H₀ 為真 → Type I 錯誤（α）；接受 H₀ 且 H₀ 為假 → Type II 錯誤（β） | 假設檢定題常考，表格欄位標錯會導致整題判斷方向錯誤 |
| 平均差（Mean Deviation）定義 | 每一個觀察值與平均數之間的差距，其數值越大表示分散程度越高 | 是所有觀察值與平均數之間絕對差值的平均，其數值越大，表示資料的分散程度越高 | 強調「絕對差值的平均」，非單純差距，定義題直接影響判斷 |
| 抽樣變異（Sampling Variation）定義 | 樣本統計量與母體參數之間存在差異，這種差異稱為抽樣變異 | 從母體抽取樣本所計算出的統計量，因樣本的隨機性而與對應母體參數有所差異，這種統計量變動現象稱為抽樣變異（Sampling Variation） | 關鍵字「統計量變動現象」，非單純「差異」 |
| 統計推論定義（假說檢定名詞表） | 導致接受或拒絕之統計假設的步驟，就是統計推論之主要工作 | 根據樣本資料，判斷是否接受或拒絕統計假設的過程 | 措辭不精確，定義題可能直接考這段文字 |
| p 值假設檢定第 7 題（選項 B 措辭） | 「我們有 95% 的信心拒絕虛無假設」 | 「我們在 95% 的信心水準下拒絕虛無假設」；p=0.03 表示在 α=0.05 下可拒絕 H₀，但不等於犯型一錯誤的機率是 5% | 選項 B 措辭改寫，直接影響選題判斷 |
知識點地圖
依評鑑範圍整理，每個主題都可以直接讀補強單元或練題目。
L11101 AI 的定義與分類
- 弱 AI / 強 AI / 超 AI 的定義
- AI 三波發展史（符號推理 → 機器學習 → 深度學習）
- AI 在各產業的應用分類
L11102 AI 治理概念（115 年重點）
- EU AI Act：禁止 / 高風險 / 低風險三層
- 禁止類型：情緒辨識職場 + 即時生物辨識
- 高風險類型：醫療、教育、就業篩選、信用評分
- 台灣金管會生成式 AI 使用指引
- Regulatory Sandbox（監理沙盒）
L11201 資料基本概念
- 大數據 5V：Volume / Velocity / Variety / Veracity / Value
- 結構化 vs 半結構化 vs 非結構化資料
L11202 資料整理與特徵工程
- Normalization（歸一化 0–1）vs Standardization（標準化 z-score）
- 特徵選擇 vs 特徵萃取的差異
- 資料清理：缺失值、離群值處理
六種學習類型（高頻考點）
- 監督式：有標籤資料 → 分類/迴歸
- 非監督式：無標籤 → 分群（K-means）、降維
- 半監督式：少量標籤 + 大量無標籤
- 自監督式：BERT/GPT 預訓練（不是無監督）
- 強化式：獎懲機制 → 下棋、自駕、機器手臂
- 遷移學習：預訓練模型 → Fine-tune 到新任務
常見算法分類
- 決策樹 / 隨機森林（Bagging）
- XGBoost / AdaBoost（Boosting）
- SVM：最大間隔分類器
- KNN：K 個最近鄰投票
- K-means：群內距離最小（注意勘誤）
生成模型架構
- VAE：連續 latent space，可控生成
- GAN：生成器 vs 鑑別器對抗訓練
- Diffusion：雜訊還原過程（Stable Diffusion）
- Transformer：Self-Attention 機制
115 年新增（Flash Attention / RLHF）
- Flash Attention：解決 GPU 記憶體 I/O 瓶頸
- RLHF：人類回饋強化學習，GPT 對齊技術
- Constitutional AI：自我修正的 AI 對齊方法
常見陷阱
從歷年考題整理。
Type I vs Type II Error 方向混淆：Type I = 拒絕真實 H₀（= α = 顯著水準）；Type II = 接受假 H₀（= β）
K-means 收斂條件：每個資料點屬於距離最近的中心，答案是 A（群內距離最小），不是 B（官方勘誤）
監督 vs 自監督學習：BERT/GPT 預訓練是自監督，不是無監督
EU AI Act 禁止類型：情緒辨識於職場/學校 + 即時遠端生物辨識（非高風險，是禁止）
備考計畫
7 天速成
- Day 1–2：L111 AI 定義 + EU AI Act + 台灣法規
- Day 3：L112 資料處理 + 特徵工程
- Day 4–5：L113 六種學習類型 + 常見算法
- Day 6：L114 生成模型架構對比
- Day 7：做完 100 題（114+115 年），針對錯題複習
14 天穩扎
- Week 1：每天讀一個主題，L111→L112→L113→L114
- Day 8–10：每天做 25 題，即時看錯題解析
- Day 11–12：弱點主題二刷
- Day 13–14：全部 100 題模擬，計時作答
30 天完整
- Week 1：看術語頁，建立概念地圖
- Week 2：逐主題練習，搭配解析
- Week 3：混合練習，找弱項
- Week 4：模擬考 × 2 + 錯題衝刺
建議：優先讀 EU AI Act 三層分類 + 台灣金管會 AI 指引；Transformer 至少要懂 Self-Attention 解決了什麼問題；Flash Attention 關鍵詞：記憶體 I/O 瓶頸