iPAS 必考術語
初級 19 個、中級 25 個必考術語,依科目分類整理,點一下看白話定義,需要時再看完整說明。
必考術語依級別與科目不同,初級與中級分開列,先看你要準備的那一級。
初級必考術語:19 個(L11、L12)
初級必考術語
只看初級(19 個)L11・科目一
人工智慧基礎概論
涵蓋 AI 定義與分類、治理概念、資料處理、機器學習原理、鑑別式與生成式 AI。這一科是所有 AI 知識的基礎,建議優先讀熟。
-
非監督式學習是機器學習方法,讓模型在沒有標籤的輸入資料中,自行探索隱藏的結構與模式
看完整說明:非監督式學習 -
監督式學習是一種 AI 方法,透過提供帶有正確標籤的輸入資料,訓練模型學習預測新資料的標籤
看完整說明:監督式學習 -
電腦視覺(Computer Vision)讓 AI 從圖像與影片中辨識物件、文字、人臉,廣泛用於自駕車、人臉辨識、醫療影像分析、工廠瑕疵檢測。
看完整說明:電腦視覺 -
模型部署是指將訓練完成的機器學習模型整合到實際應用環境中,使其能夠接收輸入數據並產生預測結果,為業務決策提供支援。
看完整說明:模型部署 -
人工智慧是模擬人類認知能力的電腦技術,透過機器學習與深度學習讓系統能自主學習與決策
看完整說明:人工智慧 -
強化學習是一種讓 AI 透過與環境互動,從獎勵和懲罰中學習,進而找到最佳行動策略的方法
看完整說明:強化學習 -
深度學習是一種機器學習方法,透過多層神經網路自動從原始資料中提取階層特徵,解決複雜問題。
看完整說明:深度學習 -
機器學習讓電腦透過分析大量資料自動找出規律,無需明確程式指令即可完成預測與分類任務
看完整說明:機器學習 -
生成式 AI 是能夠產生新內容(文字、圖像、音訊、程式碼等)的人工智慧系統,基於學習大量訓練資料的分佈特徵來生成符合語境的輸出
看完整說明:生成式 AI -
特徵工程透過創建、轉換與選擇原始資料的代表性特徵,顯著提升機器學習模型的預測效果
看完整說明:特徵工程 -
判別式 AI 學習輸入與輸出之間的條件機率 P(Y|X),直接預測分類或回歸結果,與生成式 AI 學習資料分佈 P(X) 相對
看完整說明:判別式 AI -
資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐,在 AI 系統中需遵循 PDPA 等法規要求
看完整說明:資料隱私 -
語音辨識是一種將人類語音轉換為機器可理解的文字或指令的技術,使電腦能夠聽懂並處理人類語言。
看完整說明:語音辨識 -
大數據指規模龐大、速度快速且多樣化的資料集合,傳統資料處理工具難以有效處理,需要專門的技術與架構來儲存、分析與應用
看完整說明:大數據
L12・科目二
生成式 AI 應用與規劃
涵蓋 No Code/Low Code、生成式 AI 工具、提示工程、RAG、AI 導入評估與風險管理。這一科偏應用與實務規劃,情境題比例較高。
-
低程式碼平台讓使用者透過視覺化拖拉介面快速開發應用,大幅降低軟體開發的技術門檻與時間成本
看完整說明:低程式碼 -
成本效益分析是評估 AI 專案投資回報的方法,計算直接節省成本加上間接效益後,扣除導入與維運成本,以判斷專案是否值得執行
看完整說明:成本效益分析 -
RAG(檢索增強生成)讓 AI 回答問題前先查詢外部知識庫,再結合查到的資料生成答案,大幅減少幻覺、提升回答準確性。
看完整說明:檢索增強生成 -
AI 代理是能自主規劃、執行任務並運用工具的 AI 系統,它不只回答問題,更能實際採取行動
看完整說明:AI 代理 -
提示工程是設計與優化輸入給 AI 模型的指令,以引導模型產生更準確、符合需求的回應
看完整說明:提示工程
中級必考術語:25 個(L21、L22、L23)
中級必考術語
只看中級(25 個)L21・科目一・必考
AI 技術應用與規劃
涵蓋 NLP、電腦視覺、多模態 AI、AI 導入評估規劃、系統部署。這一科是中級的核心必考科目,所有考生都必須通過。
-
自然語言處理使電腦能理解、分析和生成人類語言,是 AI 語音助理與翻譯等應用的核心技術
看完整說明:自然語言處理 -
電腦視覺(Computer Vision)讓 AI 從圖像與影片中辨識物件、文字、人臉,廣泛用於自駕車、人臉辨識、醫療影像分析、工廠瑕疵檢測。
看完整說明:電腦視覺 -
生成式 AI 是能夠產生新內容(文字、圖像、音訊、程式碼等)的人工智慧系統,基於學習大量訓練資料的分佈特徵來生成符合語境的輸出
看完整說明:生成式 AI -
成本效益分析是評估 AI 專案投資回報的方法,計算直接節省成本加上間接效益後,扣除導入與維運成本,以判斷專案是否值得執行
看完整說明:成本效益分析 -
特徵工程透過創建、轉換與選擇原始資料的代表性特徵,顯著提升機器學習模型的預測效果
看完整說明:特徵工程 -
多模態 AI 能同時處理並整合多種類型的輸入資料(文字、圖像、聲音、影片等),產生跨模態的理解與輸出
看完整說明:多模態 AI -
AI 系統架構描述 AI 應用的整體技術結構,包含資料層、模型層、服務層的設計,以及雲端、邊緣、混合部署等基礎設施配置
看完整說明:AI 系統架構
L22・科目二・擇一
大數據處理分析與應用
通過取得「AI 應用規劃師(數據分析)」證書。涵蓋機率統計、大數據處理、資料分析、Python。適合商管、資管、BI 分析背景的考生。
-
資料倉儲是針對查詢與分析優化的結構化資料儲存系統,整合多來源資料以支援商業智慧決策
看完整說明:資料倉儲 -
Python 串列(List)是有序、可變的資料結構,用來儲存一系列元素,字典(Dictionary)則用鍵值對儲存資料,方便快速查找。
看完整說明:Python 串列與字典 -
假設檢定是一種統計方法,透過樣本數據評估關於母體的假設是否成立,藉由計算機率值判斷證據強度,進而做出決策。
看完整說明:假設檢定 -
Python 條件與迴圈是程式設計中控制程式流程的關鍵結構,透過條件判斷決定程式碼執行路徑,並利用迴圈重複執行特定程式碼區塊,實現複雜邏輯。
看完整說明:Python 條件與迴圈 -
機器學習讓電腦透過分析大量資料自動找出規律,無需明確程式指令即可完成預測與分類任務
看完整說明:機器學習 -
描述性統計使用數值摘要(平均數、中位數、標準差等)和圖表來描述資料集的集中趨勢、離散程度與分佈型態,是資料分析的第一步
看完整說明:描述性統計 -
資料視覺化是把資料轉成圖表等視覺形式的技術,幫助人直觀看出資料的模式、趨勢與異常,常用工具有 Matplotlib、Tableau。
看完整說明:資料視覺化 -
資料不平衡指訓練資料中各類別樣本數量差異懸殊,導致模型傾向預測多數類別,常用 SMOTE 過採樣或欠採樣等技術來處理
看完整說明:資料不平衡 -
特徵擷取是從原始資料中自動識別並提取有意義的特徵表示的過程,目的是降低資料維度同時保留關鍵資訊,提升模型學習效率
看完整說明:特徵擷取 -
資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐,在 AI 系統中需遵循 PDPA 等法規要求
看完整說明:資料隱私 -
大數據指規模龐大、速度快速且多樣化的資料集合,傳統資料處理工具難以有效處理,需要專門的技術與架構來儲存、分析與應用
看完整說明:大數據
L23・科目三・擇一
機器學習技術與應用
通過取得「AI 應用規劃師(機器學習)」證書。涵蓋數學基礎、ML/DL 原理、建模調校、治理。適合資工、電機、數學背景的考生。
-
梯度下降是一種透過反覆運算,沿損失函數的梯度方向,逐步逼近損失函數最小值的演算法
看完整說明:梯度下降 -
監督式學習是一種 AI 方法,透過提供帶有正確標籤的輸入資料,訓練模型學習預測新資料的標籤
看完整說明:監督式學習 -
神經網路是模仿人類大腦神經元結構的機器學習模型,由多層節點(神經元)組成,透過加權求和與激活函數學習複雜的非線性關係
看完整說明:神經網路 -
交叉驗證是一種將資料分成多份,輪流以不同子集作為驗證集,藉此評估模型泛化能力的技術
看完整說明:交叉驗證 -
資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐,在 AI 系統中需遵循 PDPA 等法規要求
看完整說明:資料隱私 -
過擬合指模型過度記憶訓練資料的細節與雜訊,導致在未見過的新資料上預測表現大幅下滑
看完整說明:過擬合 -
演算法偏見是指 AI 模型因訓練資料或設計缺陷而產生對特定族群不公平的預測結果,是 AI 治理與負責任 AI 的核心議題
看完整說明:演算法偏見 -
欠擬合指模型過於簡單,無法捕捉資料中的主要規律,訓練集與測試集的預測表現皆不理想
看完整說明:欠擬合
術語依據
依 經濟部 iPAS AI 應用規劃師評鑑內容範圍(115.02 版) 整理,考前請對照 官方勘誤表,學習指引裡有幾處官方已知錯誤。