重點整理 + 資源下載，
考前一次打包

AI ≠ ML ≠ DL：深度學習 ⊂ 機器學習 ⊂ 人工智慧

• 強 AI（AGI）：具備通用智慧，目前尚未實現｜弱 AI：專精單一任務（ChatGPT、AlphaGo）
• 三大流派：符號主義（邏輯）、連接主義（神經網路）、行為主義（感知-行動）
• 里程碑：1956 達特茅斯 → 1997 深藍 → 2012 AlexNet → 2022 ChatGPT
• AI 治理（115 新考點）：人機協作模式、XAI 可解釋性、AI 基本法、風險評估框架
• 高頻考點：人機協作模式、XAI 概念（SHAP/LIME）

前處理｜異常值｜SMOTE｜特徵工程｜隱私

• 資料前處理：去重複、處理缺值、統一格式、標準化/歸一化
• 異常值處理：IQR（四分位距）、Z-Score、Isolation Forest
• 樣本失衡（必考）：SMOTE（合成少數類樣本）、加權損失、Undersampling
• 特徵工程：One-hot Encoding、標準化、特徵選擇（Filter/Wrapper/Embedded）
• 資料隱私：去識別化/匿名化、差分隱私、PDPA 告知義務

六類型｜監督/非監督/強化｜演算法

• 六類型（115.02 版）：監督式、非監督式、半監督式、強化式、多模態、深度學習
• 監督式：有標籤。分類（隨機森林、梯度提升樹）+ 迴歸（線性迴歸）
• 非監督式：無標籤。聚類（K-Means、DBSCAN）、降維（PCA、t-SNE）
• 半監督式：少量標籤+大量未標籤，偽標籤擴充｜強化式：Agent+獎勵（AlphaGo）
• 多模態：同時處理文字/圖像/音訊（GPT-4V）｜深度學習：多層神經網路
• 重要名詞：Softmax（多類別輸出）、損失函數（Cross-Entropy/MSE）

混淆矩陣｜Precision/Recall/F1｜AUC

混淆矩陣：TP（正確預測正）、TN（正確預測負）、FP（型I錯誤）、FN（型II錯誤）

• Accuracy = (TP+TN) / (TP+TN+FP+FN)
• Precision = TP / (TP+FP) — 預測為正中真正正確的
• Recall = TP / (TP+FN) — 真正的正中模型找出多少
• F1-Score = 2PR/(P+R) — 不平衡資料首選
• AUC — ROC 曲線下面積，越大越好

正則化、Dropout、EarlyStopping

• L1/L2 正則化：在損失函數加入權重懲罰項。L1 可做特徵選擇
• Dropout：訓練時隨機丟棄部分神經元，防止共適應
• Early Stopping：驗證誤差不再下降時停止訓練
• Cross-Validation：K-Fold CV 穩定評估模型
• 判讀：訓練好測試差=過擬合；訓練測試都差=欠擬合

CNN、RNN/LSTM、Transformer、GAN

• CNN：卷積+池化層，擅長圖像辨識。ResNet、YOLO
• RNN/LSTM：處理序列資料。LSTM 用遺忘閘解決梯度消失
• Transformer：Self-Attention 機制，NLP 主流。BERT（理解）、GPT（生成）
• GAN：生成器+判別器對抗訓練，用於圖像生成

差異｜應用場景｜整合應用

• 鑑別式（Discriminative）：學習決策邊界，分類/預測。垃圾郵件分類、圖像辨識
• 生成式（Generative）：學習資料分布，創造新內容。ChatGPT、Midjourney
• 整合應用：鑑別式做分類 + 生成式做內容，兩者協作（如客服：情感分類→生成回覆）
• 陷阱題：題數少但極易混淆，務必釐清邊界

概念｜優勢｜限制

• No Code：完全不用寫程式，拖曳介面建應用（Zapier、Bubble、Airtable）
• Low Code：少量程式碼快速開發（Microsoft Power Apps）
• 優勢：降低開發門檻、快速迭代、業務人員也能做
• 限制：複雜邏輯受限、客製化彈性低、供應商綁定、資安需評估
• 考點：情境判斷（不是背工具名），平台治理與資料品質驗證

Transformer｜RLHF｜主流工具

• Transformer：2017 Google 提出，完全基於 Self-Attention，拋棄 RNN
• Context Window：LLM 一次能處理的最大 Token 量（GPT-4: 128K、Claude: 200K）
• Temperature：控制隨機性。高→創意多樣，低→確定保守
• 訓練三階段：預訓練 → 微調（SFT）→ RLHF（人類回饋對齊）
• 微調進階：PEFT / LoRA（高效微調，只訓練少量參數）
• 主流工具：文字（GPT/Claude/Gemini）圖像（Midjourney/SD）程式（Copilot/Cursor）

四要素、Zero/Few-shot、CoT

• 四要素：角色（Role）、任務（Task）、格式（Format）、限制（Constraint）
• Zero-shot：不給範例直接提問｜Few-shot：給 2-3 範例引導
• Chain-of-Thought：引導「一步一步思考」，提升推理
• 負面提示：告訴模型不要做什麼
• 情境題：結構化提示 + few-shot 範例 + 明確限制條件

Embedding→VectorDB→LLM

• RAG = Retrieval-Augmented Generation：檢索增強生成
• 三元件：Embedding 模型 + 向量資料庫（Pinecone/Chroma）+ LLM
• 優勢：解決知識截止、降低幻覺（可引用來源）、接入企業內部知識庫
• Chunking：將文件切成適當段落，便於檢索
• 情境題：公司要 AI 讀內部知識庫 → RAG 是最佳解

感知+規劃+行動｜ReAct｜MCP

• AI Agent：自主感知環境、規劃行動、使用工具的 AI 系統
• 公式：Agent = LLM + 記憶 + 工具 + 規劃
• ReAct：Reasoning + Acting 交替，思考後行動
• Function Calling：LLM 呼叫外部 API
• MCP（115 新考點）：標準化 LLM 與外部工具連結的協議（「AI 世界的 USB-C」）
• 框架：LangGraph、AutoGen、CrewAI

導入流程｜公平性｜資料安全｜風險

• 導入評估：技術效能評估、成本效益分析、AI 代理適用性
• 導入規劃：目標設置、資源分配、導入策略、測試驗證
• 風險管理：幻覺（事實校驗）、偏見（審核機制）、資料安全與合規
• 公平性：避免歧視、確保模型決策可解釋
• 情境題：結合時事思考，實務應用判斷