14 天，從零到
考過 iPAS AI 應用規劃師

• 畫出 AI ⊃ ML ⊃ DL 三層包含關係，分清誰是子集
• 區分強 AI（AGI，尚未實現）與弱 AI（ChatGPT、AlphaGo、人臉辨識）
• 掌握三大流派核心思想與關鍵里程碑年份

深度學習是機器學習的子集，機器學習是 AI 的子集——是包含關係，不是等號。強 AI＝通用智慧目前尚未實現；ChatGPT、AlphaGo 都屬弱 AI。三大流派＝符號主義（邏輯推理＋專家系統）、連接主義（神經網路）、行為主義（感知-行動）。里程碑：1956 達特茅斯（AI 誕生）→ 1997 深藍 → 2012 AlexNet（深度學習崛起）→ 2022 ChatGPT。

把 AI＝ML＝DL 看成等號，實際是 AI ⊃ ML ⊃ DL。把 ChatGPT／AlphaGo 當成強 AI，其實它們是專精單一任務的弱 AI。里程碑年份張冠李戴：2012 AlexNet 才是深度學習崛起的標誌，不是 1956。

能畫出三層包含圖並各舉一例；能說出三大流派核心思想；能依序排出 1956→1997→2012→2022 四個里程碑。

• 區分監督／非監督／強化學習，以及 115 新版新增的半監督、多模態、深度學習
• 掌握混淆矩陣四元素（TP / TN / FP / FN）
• 熟練計算 Precision、Recall、F1，並理解過擬合與解法

監督（有標籤：分類／迴歸）、非監督（無標籤：聚類／降維）、強化（獎勵：AlphaGo、自駕）。115.02 版 ML 涵蓋六種類型：監督、非監督、強化、半監督、多模態、深度學習。混淆矩陣：FP＝型 I 誤報、FN＝型 II 漏報；Accuracy、Precision＝TP/(TP+FP)、Recall＝TP/(TP+FN)、F1＝2PR/(P+R)。過擬合四解法：L1/L2 正則化、Dropout、Early Stopping、K-Fold 交叉驗證。

把「增加隱藏層」當成防過擬合手段，反而更容易過擬合。不平衡資料用 Accuracy 判斷，正確要用 F1-Score。混淆 Precision 與 Recall 的分母（FP 誤報 vs FN 漏報）。

給一個場景能立刻判斷屬監督／非監督／強化；能手算一組數字的 Precision／Recall／F1；能背出四種防過擬合方法。

• 神經網路三層結構與激活函數選用（ReLU／Sigmoid／Softmax）
• 區分 CNN／RNN／Transformer／GAN 各自擅長什麼
• 認識反向傳播與常考模型名稱（ResNet、BERT、GPT）

結構：輸入層→隱藏層→輸出層，神經元＝加權和＋激活函數。激活函數：ReLU（隱藏層）、Sigmoid（二元分類）、Softmax（多類別輸出）。CNN 三件套＝卷積提取特徵／池化降維／全連接分類；RNN 有梯度消失，LSTM 用三閘解決。Transformer（2017, Google）核心＝Self-Attention；BERT Encoder-only、GPT Decoder-only。GAN＝生成器＋判別器對抗訓練；ResNet 關鍵創新＝殘差連接（Skip Connection）。

Softmax 與 Sigmoid 用途顛倒：多類別用 Softmax、二元才用 Sigmoid。誤認 BERT 是生成模型——BERT 是 Encoder-only 做理解，GPT 才是 Decoder-only 生成。以為 ResNet 靠「更深網路」取勝，關鍵是殘差連接。避開：把 GAN 當單一網路，它是兩個網路對抗。

能說出 CNN／RNN／Transformer／GAN 各自拿手的任務（圖像／序列／全文／生成）；能講出 ResNet 的關鍵創新與 Transformer 的核心機制。

• 分辨生成式 vs 判別式，理解 LLM 與擴散模型
• 掌握 LLM 訓練三階段（預訓練 → SFT → RLHF）
• 熟悉 Prompt 四要素、RAG 架構與 AI Agent

生成式（創造新內容）vs 判別式（分類／預測）；擴散模型（Stable Diffusion、DALL·E）從雜訊還原圖像。LLM 三階段：預訓練（自監督，預測下一個 Token）→ 微調 SFT → RLHF（對齊人類偏好）。Prompt 四要素＝角色 Role／任務 Task／格式 Format／限制 Constraint；技巧有 Zero/Few-shot、CoT。RAG 三元件＝Embedding 模型＋向量資料庫＋LLM，解決知識截止、降低幻覺。Agent＝LLM＋記憶＋工具＋規劃。

誤以為 Temperature 控制「溫度」——它控制輸出隨機性。Prompt 四要素硬加「模型選擇」，它不屬於四要素。把 RAG 當成改模型權重的微調——RAG 靠外部檢索、不重訓模型。記熟 RAG 解的是「幻覺與知識截止」，不是訓練太慢或成本太高。

能背出 Prompt 四要素與一個 RAG 解決的痛點；能說出 LLM 訓練三階段順序；能講出 Agent 的四個組成。

• 建立電腦視覺（CV）核心技術清單與代表模型
• 認識 NLP 主要任務與推薦系統原理（含冷啟動）
• 掌握 AI 倫理治理關鍵詞（偏見、幻覺、聯邦學習、GDPR、XAI）

CV：圖像分類、物體偵測（YOLO）、語意分割、人臉辨識、OCR；代表模型 ResNet、YOLO、ViT。NLP：文本分類、情感分析、NER、機器翻譯、摘要；詞嵌入 Word2Vec、BERT。推薦系統：協同過濾（User-based／Item-based）、矩陣分解 SVD、Wide & Deep；冷啟動＝新用戶／新項目無歷史資料。倫理：偏見（資料不平衡）、幻覺（RAG＋事實校驗）、差分隱私、聯邦學習（資料不動模型動）、GDPR、XAI（SHAP／LIME）。

把 OCR 歸到 NLP——OCR 屬電腦視覺。冷啟動不是「系統開機慢」，是新用戶／新項目無歷史資料。混淆聯邦學習（資料不動、模型動）與差分隱私（訓練加雜訊）。

能為醫療／金融／製造／交通各舉一個 AI 應用案例；能解釋推薦系統的冷啟動問題；能說出兩種 AI 倫理風險與對應解法。

• 分類認識主流生成式 AI 工具（文字／圖像／影音／音樂／語音）
• 掌握工具選型五項考量與開源模型優勢
• 理解 AI 專案風險管理

文字：ChatGPT／GPT-4o、Claude、Gemini；圖像：Midjourney、Stable Diffusion、DALL·E 3；影音：Sora／Runway；音樂 Suno；語音 ElevenLabs。工具選型：開源 vs Commercial API、雲端 vs 本地、模型大小 vs 推理速度、隱私合規、成本效益。開源最大優勢＝可本地部署、隱私控制；需毫秒級回應選輕量化模型。AI 專案特有風險：模型幻覺、偏見歧視、資安隱私、版權、過度依賴（保留人工審核）。

把 Midjourney 當文字生成工具——它是圖像生成。選開源模型誤答「成本一定更低」——真正優勢是隱私控制。要低延遲卻挑最大參數量的模型。把「經費不足、時程延誤」當 AI 專案特有風險——AI 專案特有的是模型幻覺。

看到一個任務能選對工具類別（文字／圖像／影音／音樂／語音）；能講出工具選型五項考量；能列出至少三種 AI 專案風險與對應解法。

• 用交錯練習把 Day1–6 六大主題串成知識網
• 回顧高頻必考點（混淆矩陣、過擬合、Self-Attention、RAG）
• 用錯題回顧與模擬測驗驗收成果

高頻必考：混淆矩陣四元素與 Precision／Recall／F1 公式。過擬合解法：L1/L2 正則化、Dropout、Early Stopping、K-Fold。Transformer 核心＝Self-Attention；RAG 三元件與兩大優勢；Temperature 控制隨機性。強化學習四要素（Agent／Environment／Action／Reward）。跨主題題型：BERT（Encoder-only）vs GPT（Decoder-only）、K-Means 的 K＝聚類中心數量。

只複習單一主題（Block Practice）→ 要用交錯練習建立區辨力。誤答「K-Means 的 K」是迭代次數——它是聚類中心數量。三大流派誤選「實證主義」——正確是符號／連接／行為。只想看新題、不回頭重做錯題。

不看筆記能列出 Day1–6 六大主題；能默寫 Precision／Recall／F1 公式；錯題全部清零再往前。

• 掌握 AI 治理概念與台灣官方框架（L11102）
• 分辨 No Code / Low Code（L121）與認識 MCP 新考點
• 強化鑑別式 vs 生成式（L114）判斷與 115 情境題

AI 治理（L11102）：歐盟 AI Act 分級管制、OECD 原則、數發部《AI 系統風險評估指引》、金管會 AI 指引；核心＝風險評估、透明度、問責制。No Code（拖曳介面、不需寫程式：Zapier、Bubble）vs Low Code（少量程式：Power Apps）。鑑別式（分類／預測，如垃圾郵件、圖像辨識）vs 生成式（創造新內容，如 ChatGPT、Midjourney）。MCP＝標準化 LLM 與外部工具／資料庫連結的開放協議，比喻「AI 世界的 USB-C」。RLHF＝對齊人類偏好；Flash Attention＝加速注意力計算。

No Code 與 Low Code 顛倒——No Code 完全不用寫程式。MCP 用途誤答「加速模型訓練」，正解是標準化工具連結。「讓回答更安全」該選 RLHF，不是 Flash Attention。把垃圾郵件分類當生成式——它是鑑別式。

能說出 AI 治理三大核心與一個台灣官方框架名稱；能用一句話講懂 MCP 的「USB-C」比喻；能立即判斷一個任務屬鑑別式還是生成式。