「AI 應用規劃師（機器學習）」是 iPAS AI 應用規劃師中級，通過 L21（必考）與 L23（機器學習技術與應用）後取得的專業認證。本頁完整說明 L23 考試範圍、與 L22 的差異，以及 Python 程式題的備考策略。
iPAS AI 應用規劃師（機器學習）考試攻略
如何取得「AI 應用規劃師（機器學習）」
L21 必考
AI 技術應用與規劃
達 70 分以上
L23 選考
機器學習技術與應用
達 70 分以上
取得證書
AI 應用規劃師
（機器學習）
中級一年僅 2 次考試（5/23、11/14），報名時一次選好 L21 + L23，兩科均需達 70 分才可取得證書。詳見中級考試完整攻略。
L23 考試範圍：機器學習技術與應用
類神經網路（Neural Networks）
- 前饋神經網路（Feedforward NN）結構：輸入層、隱藏層、輸出層
- 激活函數：ReLU、Sigmoid、Softmax 的特性與適用情境
- 反向傳播（Backpropagation）原理
- 批次正規化（Batch Normalization）與 Dropout 防過擬合
- CNN 卷積層、池化層的功能；RNN / LSTM 序列建模
超參數調整（Hyperparameter Tuning）
- 學習率（Learning Rate）：過大/過小的影響
- 批次大小（Batch Size）與訓練穩定性的關係
- 網路深度與寬度的選擇原則
- 調參方法：Grid Search、Random Search、貝葉斯優化
- Early Stopping 與學習率排程（Learning Rate Scheduler）
梯度下降（Gradient Descent）與優化器
- 批次梯度下降（Batch GD）、隨機梯度下降（SGD）、Mini-batch GD 差異
- 動量法（Momentum）、RMSProp、Adam 優化器原理比較
- 梯度消失（Vanishing Gradient）與梯度爆炸問題及解法
- 損失函數（Loss Function）選擇：MSE、Cross Entropy、Hinge Loss
演算法偏見（Algorithmic Bias）與 AI 倫理
- 偏見來源：訓練資料偏差、標註偏差、歷史偏見
- 公平性指標：人口統計均等（Demographic Parity）、均等機會（Equalized Odds）
- AI 可解釋性（XAI）：LIME、SHAP 基本概念
- 模型稽核（Model Auditing）流程
Python 程式題（佔 25%）
- NumPy 矩陣運算：dot product、transpose、reshape
- Scikit-learn 模型訓練流程：fit、predict、score
- train_test_split、cross_val_score 的用法判讀
- 模型評估：confusion_matrix、classification_report 輸出解讀
L23 高頻術語
以下術語在 L23 出現頻率高，建議深入理解定義與應用情境。
機器學習
Machine Learning
類神經網路
Neural Network
微調
Fine-tuning
梯度下降
Gradient Descent
過擬合
Overfitting
Transformer
注意力架構
查看完整術語詞典（477 個術語）
與 L22（數據分析）的差異比較
| 比較項目 | L22：大數據處理分析 | L23：機器學習技術 |
|---|---|---|
| 取得證書 | AI 應用規劃師（數據分析） | AI 應用規劃師（機器學習） |
| 核心重點 | 大數據平台、統計分析、資料視覺化 | 深度學習、神經網路、優化演算法 |
| 數學底子 | 統計學為主 | 線性代數 + 微積分 + 統計 |
| Python 函式庫 | Pandas、Matplotlib | NumPy、Scikit-learn |
| 職涯方向 | 資料分析師、BI 工程師 | ML 工程師、AI 研究員 |
| 適合背景 | 商管、資管、統計 | 資工、電機、數學 |
詳細選科建議請參閱中級考試完整攻略。
推薦學習資源
常見問題
「AI 應用規劃師（機器學習）」和「AI 應用規劃師（數據分析）」哪個比較難？
兩者難度相當，但側重不同。機器學習方向（L23）需要更強的線性代數與微積分基礎；數據分析方向（L22）則偏重統計學與資料處理。Python 程式題難度兩者相似，各佔 25%。
L23 的 Python 程式題需要自己寫程式嗎？
不需要。Python 程式題考察程式碼閱讀理解能力，例如看懂一段 Scikit-learn 程式碼後回答輸出是什麼、哪個參數調整了什麼。不需要從零寫出程式。
取得「AI 應用規劃師（機器學習）」後可以再考「數據分析」嗎？
可以。兩種專業方向互不排斥，都需要 L21 和對應選考科目達 70 分以上。若已取得機器學習證書，需重新報考 L21 + L22 才能取得數據分析證書。
梯度下降（Gradient Descent）在 L23 考試中佔比重嗎？
是的，梯度下降是 L23 的高頻考點，包括 SGD、Mini-batch GD、Adam 等優化器的比較與適用情境，建議重點準備。
超參數調整（Hyperparameter Tuning）考哪些內容？
L23 考察學習率（Learning Rate）、批次大小（Batch Size）、層數與神經元數的影響，以及 Grid Search、Random Search、貝葉斯優化的概念。