iPAS AI 應用規劃師 中級（機器學習）考試攻略

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（約 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