左永安顧問卓越經營管理專案管理PMP TTQS ICAP 職能基準職能分析精準訓練 POWERSKILL : AI

顯示具有 AI 標籤的文章。顯示所有文章

2025年11月15日星期六

2025 11 15 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長經濟部 iPAS AI應用規劃師初級能力鑑定科目一:人工智慧基礎概論 1. XAI (可解釋 AI) / 黑箱 (Black Box) 2. LIME (局部可解釋模型) 3. Q-learning / Deep Q-learning4.貝氏分類器 (Naive Bayes Classifier)5.L1 / L2 正則化 (Regularization)

經濟部 iPAS AI應用規劃師初級能力鑑定

科目一:人工智慧基礎概論

1. XAI (可解釋 AI) / 黑箱 (Black Box) 解釋：

讓 AI 的決策過程透明化、可被人類理解。

XAI 的目標是打開 AI 的「黑箱」，

這在醫療、金融等高風險領域至關重要。 2. LIME (局部可解釋模型) 解釋：

一種 XAI 技術。它不解釋整個複雜模型，而是針對

「某一個」預測結果

（例如 AI 為什麼判斷「這張」X 光片有問題），

給出一個局部的、簡化的解釋。 3. Q-learning / Deep Q-learning 解釋：兩者都屬於「強化學習」。

Q-learning

是傳統方式

Deep Q-learning

則是結合了深度學習（神經網路），

使其能處理更複雜的（如影像）高維度資料。 4.貝氏分類器 (Naive Bayes Classifier) 解釋：

一種基於「貝氏定理」的簡單分類演算法，

它「天真地 (Naive)」假設所有特徵彼此獨立。 5.L1 / L2 正則化 (Regularization) 解釋：

這是「模型訓練」時用來「防止過度擬合 (Overfitting)」

的技術。

L1 (Lasso) 傾向讓不重要的特徵權重變為 0 (可用於特徵篩選)；L2 (Ridge) 則使權重變小。

2025年11月7日星期五

2025 11 07 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長台北市政府產業發展局知識學苑 AI驅動永續創新中華民國資訊軟體協會「114年度臺北市中小企業知識學苑系列課程」成果發表會就在11/7(五)13:30-15:00辦理！

2025 11 07 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長台北市政府產業發展局知識學苑 AI驅動永續創新「114年度臺北市中小企業知識學苑系列課程」成果發表會就在11/7(五)13:30-15:00辦理！

Dear 與會貴賓，左永安顧問您好：

期待已久的「114年度臺北市中小企業知識學苑系列課程」

成果發表會就在11/7(五)13:30-15:00辦理！

提醒您，當日完成報到者即可兌換咖啡券1張；

全程參與活動者提供精美餐盒1份。

活動日期：114年11月7日(五)

報到時間：13:30-14:00 (準時報到兌換咖啡券)

活動時間：14:00-15:00

活動地點：t.Hub-內科創新育成基地 102~103會議室

2025年10月26日星期日

2025 10 26 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長經濟部 iPAS AI應用規劃師初級能力鑑定人工智慧基礎概論 (L11) 機器學習（Machine Learning）是一種透過數據訓練模型，使機器具備預測與分類能力的技術，常應用於文字辨識、語音辨識、圖像辨識等領域。機器學習的步驟包含：（1）準備訓練資料：（2）訓練模型：（3）測試及評估模型：

機器學習（Machine Learning）

是一種透過數據訓練模型，使機器具備 預測與分類 能力的技術，

常應用於 文字辨識、語音辨識、圖像辨識 等領域。

一般而言，資料量愈大 且經過 完整的資料處理，

模型的效果通常會更好。

簡述機器學習的步驟包含：

（1）準備訓練資料：

包含資料的蒐集、過濾雜訊及前處理；

（2）訓練模型：

將前項 準備好的訓練資料輸入 演算法中，並 適度調整 參數，

使模型儘量符合資料之模式或分佈；

（3）測試及評估模型：

測試並評估該模型的效能，並反覆訓練之；經多次調校仍不佳時，

或許選用其他模型再重覆前述流程。

依訓練方式，有以下幾種學習方法：

（1）監督式學習（Supervised learning）

監督式學習主要應用於 分類（Classification）與迴歸（Regression）

任務，透過 帶有標記（Labeled Data）的訓練數據來訓練模型，

使其學習 輸入特徵與對應標記 之間的關聯性。

在訓練過程中，模型不斷調整內部參數，以提高對未知數據的預測準確度，

從而實現 對未見數據的 有效分類或數值預測。

分類模型目標為「如何將輸入數據 分配至 不同類別」，

例如垃圾郵件過濾（辨別郵件是否為垃圾郵件）、

影像識別（辨識圖片中的物件類別）。

迴歸模型目標為「學習 輸入變數與連續數值 之間的映射關係」，

例如房價預測（根據房屋特徵預測價格）、

銷售額預測（根據市場數據預測未來銷售）。

（2）非監督式學習（Unsupervised Learning）

不同於監督式學習，無需使用事先標記好的訓練數據。

演算法會自動從 未標記的數據中發掘潛在的模式、結構或

分群（Clustering），進而揭示數據內部的關聯性和特徵。

非監督式學習常用於

資料探索、特徵提取和數據降維 等任務，

廣泛應用於

市場區隔分析、異常偵測、推薦系統和影像壓縮 等領域。

（3）強化學習（Reinforcement Learning, RL）

強化學習不同於監督式學習和非監督式學習，

是一種基於「回饋（反饋）機制」的學習方法，

透過 評分機制與獎勵措施 的制定，讓人工智慧進行自我評估

並朝 獲取最大獎勵的方向進行學習。

強化學習的核心在於 讓代理（Agent）透過與環境 的互動，

學習如何選擇 最佳行動策略，以獲得最大的累積回報。

強化學習特別適合用於

需要「試錯學習（Trial-and-Error）」和「長期規劃」

的任務，

例如 遊戲 AI、機器人控制和自動駕駛等領域。

2025年10月23日星期四

2025 10 23 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長人工智慧基礎概論 (L11) 資料（數據）處理與分析是人工智慧項目中的基礎階段，旨在將原始數據轉化為高品質且適合分析的格式，進一步從中提取有價值的資訊。此階段包括數據蒐集、清洗、轉換與分析，目標是確保數據的品質、一致性與可用性。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌國立臺灣大學臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理專案管理品牌管理策略管理關鍵就業力共通核心職能師資左記歐洲商行安永經營管理顧問

資料（數據）處理與分析

是人工智慧項目中的 基礎階段，旨在 將原始數據

轉化為高品質且適合分析 的格式，進一步從中提取有價值的資訊。

此階段包括 數據蒐集、清洗、轉換與分析，

目標是確保數據的 品質、一致性與可用性。

（1）數據蒐集（Data Collection）：

A. 數據結構類型分類

數據蒐集的來源廣泛，根據數據類型與應用需求，可分為以下幾類：

結構化數據（Structured Data）：

具有清晰且固定結構的數據，

通常以行列形式儲存，

便於 直接進行 查詢與分析。

常見於關聯式資料庫（如MySQL、PostgreSQL）

和規範化的電子表格。

半結構化數據（Semi-structured Data）：

數據具有一定結構標籤，但格式靈活，無需嚴格遵循固定架構。

通常以文件形式儲存，適用於描述複雜的層次化數據，

如XML、JSON、CSV 等。

非結構化數據（Unstructured Data）：

無固定結構的數據，需經過處理和解析後才能進行分析。

通常以檔案形式儲存，適合多媒體或自由文本類型數據，

包括圖片、影像、音訊、文字內容，

如電子郵件、文章等。

B. 常見數據蒐集方法

問卷與調查：

透過 線上或線下 方式，直接從 目標受眾中蒐集第一手數據。

此方法常用於市場研究、用戶回饋（反饋）蒐集或行為洞察，

能夠精準捕捉目標群體的意見與需求。

自有產品數據：

來自企業所開發或運營的產品或設備數據，通常與用戶的互動

相關。

例如自有的網站、App 應用，或 實體裝置 如智慧手錶、汽車等。

外部公開數據蒐集：

透過API 調用方式獲取公開可訪問的數據資源（如政府資

料開放平臺API 等），或利用網路爬蟲（Web Scraping）

自動擷取網站公開數據（如新聞、價格資訊、商品評論等）。

外部付費數據購買：

與第三方數據提供商合作，購買專業數據集以補充內部數

據，例如市場調查數據或人口統計數據。

網路爬蟲（Web Scraping）：

抓取網站公開數據，例如商品價格、使用者評論或新聞文章等。

2025年10月20日星期一

2025 10 20 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長人工智慧基礎概論 (L11) Gemini ChatGPT perplexity Claude 大型多模態模型多模態模型(Large Multimodal Models)是指能同時處理多種資料類型的機器學習模型，包括文字、圖像、音訊和視訊等。此類模型相較於傳統專注於單一資料類型的 AI模型，更強調跨模態協同以提升任務準確度。 • 在過去一年內，OpenAI、Anthropic、Perplexity 與 Google 先後發布能同時理解與生成文字、影像、語音甚至程式碼的新模型；這些新模型都已從單純的文字生成工具躍升為可支援多場域應用的大型多模態模型。

大型多模態模型

多模態模型(Large Multimodal Models)

是指能同時處理 多種資料類型的 機器學習模型，

包括文字、圖像、音訊和視訊等。

此類模型相較於傳統 專注於單一資料類型的 AI模型，

更強調跨模態協同 以提升 任務準確度。

在過去一年內，OpenAI、Anthropic、Perplexity 與 Google

先後發布能同時 理解與生成

文字、影像、語音 甚至 程式碼 的新模型；

這些新模型都已 從單純的文字生成工具 躍升為

可支援 多場域應用 的大型多模態模型。

2025年9月26日星期五

2025 09 26 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題科目一：人工智慧基礎概論 (A) 支援向量機（Support Vector Machine） (B) 變分自編碼器（Variational Autoencoder） (C) 自迴歸模型（Autoregressive Model） (D) 擴散模型（Diffusion Model） (A) 特徵（Feature） (B) 標籤（Label / Target） (C) 超參數（Hyperparameter） (D) 正則化係數（Regularization Coefficient）

iPAS AI應用規劃師初級能力鑑定-考試樣題

科目一：人工智慧基礎概論

一家智慧工廠 使用機器學習分類模型 預測關鍵設備

是否會異常停機。

完成模型訓練後，團隊希望全面評估模型在不同面向

的表現。

請問下列哪項指標最適合用來衡量模型

在偵測異常停機時的「漏報率」

（即未能正確偵測出異常事件的比例）？

(A) 準確率（Accuracy），即模型整體預測正確的比例

(B) 召回率（Recall），即模型能正確找出異常停機的比例

(D) 假陽性率（False Positive Rate），即將正常事件誤判為異常的比例

神經網路 與 傳統機器學習模型 的主要區別是什麼？

(A) 神經網路無法處理非線性數據

(B) 神經網路透過多層結構學習複雜特徵

(D) 神經網路不需要大量數據支持

下列關於生成對抗網路（GAN）的描述正確的是哪一項？

(A) GAN由生成器和鑑別器組成

(B) GAN僅用於分類問題

(D) GAN不能生成高品質的數據

一位資料分析師希望 減少輸入特徵的維度，以提升模型運算效率，並觀察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數量，下列哪一項方法最適合？

(A) 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數；

(B) 利用離散化方法將連續變數轉為分類型欄位；

(D) 以ETL技術移除空值欄位並改儲為JSON格式

關於目前 生成式AI的主要應用，不包括下列哪一項？

(A) 創建合成數據樣本

(B) 模擬數據分佈

(C) 分類醫學影像

(D) 生成文本

下列哪項是生成式AI支援鑑別式AI的典型案例？

(A) 模擬交通場景以訓練自動駕駛模型

(B) 使用CNN對腫瘤分類

(D) 創建更好的分類演算法

關於自然語言處理（NLP）核心技術，下列敘述何者不正確？

(A) 語音識別技術將語音轉換為文本，並用於語音助理和語音輸入

(B) 自然語言生成技術可以生成自然流暢的文本，用於聊天機器人和自動文案生成

(C) 語意分析技術理解文本的語意，並主要用於語音識別和機器翻譯

(D) 機器翻譯技術自動翻譯文本，促進多語言支援和全球溝通

關於「負責任的AI」，下列敘述何者較為正確？

(A) AI系統的開發者對AI系統的行為負責

(B) AI系統的使用者對AI系統的結果負責

(D) 政府對AI系統的發展負責

關於生成式AI的基本原理，下列敘述何者較正確？

(A) 生成式AI通過分析大量數據來生成新數據，模擬數據分佈以創造

與訓練數據相似的結果

(B) 生成式AI主要通過預定義的規則來進行數據處理和分類

(D) 生成式AI通過自動化的方式清洗數據，提升數據分析的準確性

關於下列模型在生成式人工智慧（Generative AI）中的角色，

何者並非以「產生新資料」為主要設計目的？

(A) 支援向量機（Support Vector Machine）

(B) 變分自編碼器（Variational Autoencoder）

(D) 擴散模型（Diffusion Model）

某份資料中出現多個欄位（如score1、score2、score3）

儲存相同的成績資訊，造成資料結構重複與使用混淆，

此種情形屬於下列 哪一種資料 品質問題？

(A) 重複資料（Duplicate Data）

(B) 冗餘資料（Redundant Data）

(D) 缺失資料（Missing Data）

某電商平台希望預測商品的 退貨機率，以協助降低營運風險。若模型使用的輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，而模型的輸出為 是否退貨（是/否）。請問在此模型中，「是否退貨」應歸類為下列哪一類變數？

(A) 特徵（Feature）

(B) 標籤（Label / Target）

(D) 正則化係數（Regularization Coefficient）

2025年9月8日星期一

2025 09 08左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長訓練機器學習時，會運用到許多不同的機器學習演算法大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier）常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE）常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier）常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

AI vs 機器學習 vs 深度學習

AI vs ML vs DL

人工智慧 目標是 讓機器具有人類的智慧

機器學習 從 大量資料 中找出規則，以 達到智慧化 的目標

深度學習 機器學習 的其中一種方法，模仿人類大腦 的類神經網路去分析數據資料

在訓練機器學習時，會運用到許多不同的機器學習演算法，

例如 線性回歸法、邏輯回歸法 等，

大致將各種演算法分為 4 種類型：

1.監督式學習

2.非監督式學習

3.半監督式學習

4.強化式學習

（一）監督式學習（Supervised Learning）

監督式學習定義

提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。

例如，我們給機器多組啤酒與葡萄酒的影像，並標記出哪些是啤酒，

哪些是葡萄酒。

機器會學習這些資料，並找出這些影像間的共同特徵，

以分辨啤酒與葡萄酒。

常見的監督式學習演算法有：

1.線性回歸法（Linear Regression）

2.隨機森林法（Random Forest）

3.單純貝氏分類器（Naive Bayes Classifier）

監督式學習例子

推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。

Netflix 的推薦系統會根據用戶過去的觀看紀錄與行為，

推薦用戶可能會喜歡的節目。

（二）非監督式學習（Unsupervised Learning）

非監督式學習定義

在非督導式學習模式中，輸入的資料多是沒有標準答案、未標記與非結構化

的資料。機器會使用 所有相關且可存取的資料 來識別資料間的關聯性，

並將資料分群。

常見的非監督式學習演算法有：

1. K-平均算法（K-Means Cluctering）

2. 主成分分析（PCA）

3. t-分布隨機鄰近嵌入（t-SNE）

非監督式學習例子

非監督式學習 可以解決各種商業問題，有助於企業快速探索大量資料，

例如銀行 用來監測交易 是否為 詐欺或機器人 活動等 異常行為。

（三）半監督式學習（Semi-supervised Learning）

半監督式學習定義

半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。

半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型

來標記 那些未標記的資料，直到所有資料都被標記完成。

常見的半監督式學習演算法有：

1.生成式對抗網路（Generative adversarial networks）

2.自學習貝氏分類器（Self-trained Naive Bayes classifier）

半監督式學習應用

半監督式學習經常應用在語音與語言分析，例如使用少量的語音數據

來訓練模型，並利用大量的未標記語音數據來進一步學習，

提高辨識的準確度。

（四）強化式學習（Reinforcement Learning）

強化式學習定義

強化式學習 也叫做增強式學習，指機器在處理資料時，

會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，

就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，

反之則是「懲罰」。

透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，

最終找到最有效的處理資料路徑，達到最終目標。

常見的增強式學習演算法有：

1.Q 學習（Q-Learning）

2.蒙特卡洛學習（Monte-Carlo Learning）

3.SARSA （State–Action–Reward–State–Action）

強化式學習應用

強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的

下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，

不過由於學習與進步的速度太慢了，

因此改使用強化式學習的方式提高棋力。

2025年9月4日星期四

2025 09 04 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長資料科學詳細步驟： 1. 定義問題與目標： 2. 收集資料(Data Acquisition)：3. 資料前處理(Data Preprocessing)： 4. 探索性資料分析(Exploratory Data Analysis - EDA)：5. 模型開發與驗證(Model Development & Validation)：6. 解釋與報告(Interpretation & Communication)：7. 部署與決策應用(Deployment & Decision Making)：TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌國立臺灣大學臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理專案管理品牌管理策略管理關鍵就業力共通核心職能師資左記歐洲商行安永經營管理顧問

資料科學的步驟大致可分為：

1.定義問題、

2.收集資料、

3.資料前處理（包含 清理和轉換）、

4.資料分析（包含 探索與探勘）、

5.建立與優化模型，最後是

6.解釋與部署結果，

7.將洞察 轉化為實際的 商業 決策與應用。

資料科學詳細步驟：

1. 定義問題與目標：

這是資料科學流程的第一步，需要與利害關係人溝通，

明確專案的商業問題、分析目標，以及預期的成果。

2. 收集資料(Data Acquisition)：

根據定義好的問題，識別並收集 相關的資料來源，

可能來自內部數據庫、公開數據集、網路爬蟲或第三方來源。

3. 資料前處理(Data Preprocessing)：

資料清理(Data Cleaning)：

處理資料中 的 雜訊、錯誤訊息、遺失值和重複記錄，確保資料品質。

資料轉換(Data Transformation)：

將資料 變更成適合 後續分析的格式，

例如進行 特徵工程、多個 資料集合併 等。

4. 探索性資料分析(Exploratory Data Analysis - EDA)：

透過 統計學方法 和 資料視覺化，初步了解資料的 特性、分布與模式，

找出可能的研究方向。

5. 模型開發與驗證(Model Development & Validation)：

模型選擇：

根據問題類型（如分類、回歸、預測）選擇合適的機器學習或統計模型。

模型訓練：

使用資料訓練模型，並透過測試集評估其性能與準確性。

模型優化：

針對訓練結果進行微調，持續改善模型的性能。

6. 解釋與報告(Interpretation & Communication)：

將分析和模型的結果，透過圖表、報告等視覺化的方式呈現，

並用商業語言解釋 洞察和預測。

7. 部署與決策應用(Deployment & Decision Making)：

將經過驗證的模型和分析結果 實際應用 到商業場景中，

協助企業 做出更明智的決策，解決實際問題。

這個過程往往需要 不斷迭代 和優化。

2025年9月3日星期三

2025 09 03 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列哪一項技術屬於非監督式學習？ (A) 決策樹（Decision Tree） (B) 類神經網路（Neural Network） (C) 集群分析（Clustering Analysis） (D) 支援向量機（Support Vector Machine）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

80. 下列敘述 何者正確？

(A) 樣本變異數的值一般介於1與-1之間

(B) 母體變異數計算公式與樣本變異數相同

(C) 變異係數(Coefficient of Variance)=(標準差/平均數)*100%

(D) 相關係數介於0與1之間

81. 關於 K平均法（K-means），下列敘述何者 不正確？

(A) 希望找出k個互不交集的群集

(B) 不同的起始群集中心，可能會造成不同的分群結果

(D) 可以處理類別型資料

82. 探索式資料分析的主要目的為何？

(A) 熟悉資料

(B) 視覺化資料

(D) 資料分群

83. 下列哪一項技術屬於 非監督式學習？

(A) 決策樹（Decision Tree）

(B) 類神經網路（Neural Network）

(C) 集群分析（Clustering Analysis）

(D) 支援向量機（Support Vector Machine）

84. 關於 探索式資料繪圖，下列敘述何者 不正確？

(A) 直方圖之X軸資料是間斷不連續的

(B) 長條圖適合用於類別型資料分析

(D) ROC 曲線（Receiver Operating Characteristic Curve）

用於分類模型評估

85. 關於集群分析（Clustering Analysis），下列敘述何者 不正確？

(A) 依照相似度將資料分群

(B) 同一群內的相似度大

(D) K-means 每次分群結果一定會相同

86. 關於階層式集群分析（Hierarchical Clustering），下列敘述何者不正確？

(A) 一般採用樹狀圖（Dendrogram）表示

(B) 樹狀圖根節點（Root）為單一群集

(C) 聚合法（Agglomerative）是由上方根節點往下進行計算

(D) 分裂法（Divisive）是一開始將所有資料視為一個大群集

87. 關於階層式集群分析（Hierarchical Clustering）的方法，

下列敘述何者不正確？

(A) 單一連結法（Single Linkage Method）採用兩群間最小距離

(B) 完全連結法（Complete Linkage Method）採用兩群間最大距離

(C) 平均連結法（Average Linkage Method）採用兩群間中心點距離

(D) 華德法（Ward's Method）是計算組內變異作為評估群集相似性

88. 推薦系統（Recommender System）通常採用下列哪一個方法作為核心技術，

來分析 產品與使用者 間的關係？

(A) 支援向量機（Support Vector Machine）

(B) 矩陣分解（Matrix Factorization）

(D) 詞性標記（Part-of-Speech（POS）Tagging）

89. 下列何種 統計學習 的 演算法 是用來 進行資料的分群（Clustering），

但不能用 來進行 資料分類（Classification）？

(A) 基於密度的集群分析算法

（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）

(B) 貝氏網路（Bayisian Network）

(D) 支援向量機（Support Vector Machine）

2025年9月2日星期二

2025 09 02 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，一般可利用哪種統計工具來描述資料分佈？ (A) Zipf（齊夫分佈） (B) Gaussian（高斯分佈） (C) Dirichlet（狄利克雷分佈） (D) Uniform（均勻分佈）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

50. 當使用 線性模型 時，哪種方法 對於 學習預測線性 不可分的資料集

也許有幫助？

(A) 交叉驗證（Cross validation）

(B) 核方法（Kernel method）

(D) 降採樣（Down sampling）

51. 將網頁資料擷取下來之後，應先進行下列何步驟？

(A) 資料清理（Cleaning）

(B) 資料建模（Modeling）

(D) 趨勢預測（Prediction）

52. 假設Facebook公司給您1000位用戶的基本資料及文章資料，

如：姓名、性別、年齡以及最近十篇發文的時間、點讚數、回應數與

分享該文章所有人的基本資料，最適合 R語言中 的何種資料結構？

(A) 資料框架（Data frame）

(B) 串列（List）

(D) 矩陣（Matrix）

53. 若資料表中 只出現了一個 遺缺值（NA）值，下列何項處理方式最不適當？

(A) 刪除整欄（變數）

(B) 刪除整列（觀測值）

(D) 往回追溯資料源頭，尋找NA的來源

54. 下列何者 不是資料倉儲 的資料類型？

(A) 運算資料

(B) 預先加總資料

(D) 即時更新資料

55. 一般來說，下列何者不是 資料清理的目的？

(A) 將資料轉為可以分析的格式

(B) 發現資料之間的相關性

(D) 讓計算及分析上，更為方便及降低偏誤

56. 在一次考試中，由於班上同學考試成績最高分僅有70 分，為了能夠

讓學期成績比較好看，老師決定幫每個人的考試成績都加10分，

請問這個數值樣本中的 哪個統計量不會因為調分 而有差別？

(A) 平均值

(B) 標準差

(D) 第一四分位數

57. 在統計學中，下列哪一個選項的 分佈類型 與其他不相同？

(A) 二項分佈（Binomial Distribution）

(B) 指數分佈（Exponential Distribution）

(D) 常態分佈（Normal Distribution）

58. 關於資料探索，下列敘述何者不正確？

(A) 透過工具函數（例如：R 語言當中的 summary 函數）可了解關於

資料集內容的整體結構、變數情況、分佈指標、遺缺值

(B) 視覺化工具可幫忙了解變數間的關係，以利後續資料探勘作業

(C) 定性變數可計算出最小值、分位數、中位數、平均值與最大值進行

觀察

(D) 透過平均值和中位數的差異程度來判斷資料的偏倚程度，可用來

判斷資料之左偏或右偏情況

59. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，

一般可 利用哪種 統計工具來描述資料分佈？

(A) Zipf（齊夫分佈）

(B) Gaussian（高斯分佈）

(D) Uniform（均勻分佈）

2025年8月22日星期五

2025 08 22 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長恭喜左永安顧問通過 ICAP 職能導向課程課程名稱：生成式AI行銷素材實務班 30小時認證 T1.1 選擇AI工具 T2.1 遵守AI使用規範 T3.1 應用AI創造行銷素材

恭喜! 左永安顧問

通過 ICAP 職能導向課程

課程名稱：生成式AI行銷素材實務班

30小時認證

訓練期間：民國114年05月05日起至114年05月16日

T1.1 選擇AI工具

T2.1 遵守AI使用規範

T3.1 應用AI創造行銷素材

2025年8月9日星期六

2025 08 09 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師鑑別式AI(Discriminative Al) 與生成式AI(Generative Al) 製造業AI/GAI應用發展重點製造業實務面臨的問題種類多元,包含 1.分類(瑕疵檢測、垃圾郵件過濾) 2.分群(市場區隔、客戶群體細分) 3.序列預測 (市場需求預測、物料庫存管理、設備預測性維護),以及 4.生成 (數據生成、產品設計)等

2025 08 09 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師鑑別式AI(Discriminative Al) 與生成式AI(Generative Al) 製造業AI/GAI應用發展重點製造業實務面臨的問題種類多元,包含 1.分類(瑕疵檢測、垃圾郵件過濾) 2.分群(市場區隔、客戶群體細分) 3.序列預測 (市場需求預測、物料庫存管理、設備預測性維護),以及 4.生成 (數據生成、產品設計)等,

製造業AI/GAI應用發展重點

製造業實務面臨的問題種類多元,包含

1.分類 (瑕疵檢測、垃圾郵件過濾)

2.分群 (市場區隔、客戶群體細分)

3.序列預測

(市場需求預測、物料庫存管理、設備預測性維護),以及

4.生成 (數據生成、產品設計)等,

這些問題適用的AI演算法

按主要功能與應用目的,

可以將其分為

鑑別式AI(Discriminative Al) 與生成式AI(Generative Al)

鑑別式AI(Discriminative Al)

擅長分類和歸納數據,根據數據特徴差異分析數據類別,

常用於語音辨識、圖片與影像辨識等應用;

生成式AI(Generative Al)

則擅長創造數據,能生成 類似訓練數據 的文字、圖片、影像、程式碼等。

由上述可知,鑑別式AI和生成式AI各有專長,並不互相替代,

而是根據不同應用場景,選用合適的Al技術滿足需求。

由於技術特性差異,兩類型AI用於製造業時方案開發的著重點也不同。

以下將透過建構AI方案流程,說明兩類AI技術

在 數據收集、模型選擇、模型訓練、模型部署 與優化作業流程中

的重點差異。

(1)數據收集方面,鑑別式AI 更重視數據品質,

依賴 數據標記 與高度準確性、一致性的數據 掌握數據特徴,

然而數據處理過程費時。

而生成式Al通常需要先進行 領域知識數據 的微調(Fine-tuning),

再向客戶收集內部數據

進行檢索增強生成(Retrieval-AugmentedGeneration,RAG),

以便生成更精確内容。

(2)模型選擇上,

鑑別式AI方案業者

可能採用 社群或研究機構 公開的 開源且高效 的模型,

或是自行開發模型。

且由於鑑別式AI 應用對應特定問題,因此業者傾向選用

結構較簡單且易於解釋的模型,如

1.決策樹、

2.支援向量機器(Support Vector Machine, SVM)和

3.類神經網絡、

4.群集分析(K-means Clustering)

等用於準確分類或預測的模型;

生成式AI方案商

則多是選擇現有的大型語言模型,如

GPT、Llama、BLOOM、Falcon、BERT等,

並在此基礎上進行應用開發。

訂閱：文章 (Atom)

2025年11月15日 星期六

2025年11月7日 星期五

2025年10月26日 星期日

2025年10月23日 星期四

2025年10月20日 星期一

2025年9月26日 星期五

2025年9月8日 星期一

2025年9月4日 星期四

2025年9月3日 星期三

2025年9月2日 星期二

2025年8月22日 星期五

2025年8月9日 星期六