本文為 iPAS「AI應用規劃師（初級）」科目一「人工智慧基礎概論」CH3.1 人工智慧概念 的完整考試筆記整理，涵蓋 AI 定義與三大分類、五大應用領域、AI 技術架構三層、資料處理四階段、常見機器學習演算法、三大學習方式、深度學習三大經典模型（CNN／RNN／GAN），以及生成式 AI 訓練流程，並附上 10 題章節考古題與解析，適合準備 iPAS AI應用規劃師初級考試的考生複習使用。
本節架構總覽
人工智慧（AI）的定義與三分類（分析型／預測型／生成型）→ 五大應用領域 → AI 技術架構三層（技術底層／開發應用／實際運用）→ 資料處理四階段（蒐集→清洗→轉換→分析）→ 搜尋演算法與常見機器學習演算法 → 三大學習方式（監督式／非監督式／強化）→ 深度學習三大經典模型（CNN／RNN／GAN）→ 生成式 AI 訓練流程（訓練階段＋微調階段）。
1. AI 的定義與分類
人工智慧（Artificial Intelligence, AI）是一種旨在模擬人類智慧的技術，使機器能夠執行原本需要人類智慧才能完成的任務，如學習、推理、解決問題、感知環境等。近十年因軟硬體技術進步、計算能力提升、開放資料普及、數據多樣性與品質提升，加上演算法與機器學習的精進，AI 發展突飛猛進。
依功能不同，AI 可分為三類：
| 類型 | 定義 | 常見應用 |
|---|---|---|
| 分析型 AI | 洞悉數據模式，分析處理大量數據以提供見解 | 資料洞察 |
| 預測型 AI | 基於歷史資料預測未來趨勢與行為 | 市場預測、風險評估 |
| 生成型 AI | 根據使用者輸入的提示詞（prompt），生成文字、語音、圖像、影片等素材 | 內容生成 |
補充：企業導入 AI 通常聚焦於：提高效率、增強決策能力、提供個人化服務、促進創新。生成式 AI 自 2022 年快速發展，大幅改變許多行業的工作型態。
2. AI 應用領域
| 領域 | 具體應用 |
|---|---|
| 醫療保健 | 疾病診斷（醫學影像輔助判讀）、藥物研發（分子模擬）、個人化醫療 |
| 金融 | 風險評估、欺詐檢測、自動交易（高頻交易） |
| 製造業 | 自動化生產、品質控制（影像辨識檢測缺陷）、預測性維護 |
| 交通 | 自動駕駛、交通流量預測 |
| 娛樂 | 遊戲開發（自適應角色）、虛擬現實、內容推薦 |
3. AI 技術架構三層
AI 的實現依賴多層次架構：技術底層 → 開發應用 → 實際運用。
(1) 技術底層
技術底層提供計算能力、數據支撐與核心演算法，包含五大要素：
| 要素 | 內容 |
|---|---|
| A. 資料處理與分析 | 數據清理、整合、儲存、分析；關鍵技術如 ETL（Extract, Transform, Load）、資料庫管理、大數據平台（Hadoop、Spark） |
| B. 演算法 | AI 邏輯基石，如迴歸分析、分類演算法、決策樹、基因演算法 |
| C. 機器學習 | 透過資料訓練模型來預測或分類，含監督式、非監督式、強化學習 |
| D. 深度學習 | 構建於人工神經網路，處理非結構化數據（語音、影像、NLP），常見框架 TensorFlow、PyTorch |
| E. 專家系統 | 基於規則與知識庫模擬人類專家決策，應用於醫療診斷、財務分析 |
(2) 開發應用
將基礎技術轉化為實際功能與服務，涵蓋模型設計、訓練、測試、部署等環節。
(3) 實際運用
將 AI 技術落地為各行業創造價值：設計行業解決方案（智慧醫療、智慧物流、智慧製造）、打造產品與服務（語音助理、推薦演算法、智慧監控）、優化業務流程。
4. 資料（數據）處理與分析四階段
資料處理是 AI 項目的基礎階段，目標是將原始數據轉化為高品質、適合分析的格式：數據蒐集 → 數據清洗 → 數據轉換 → 數據分析。
(1) 數據蒐集（Data Collection）
A. 數據結構類型分類
| 類型 | 特性 | 範例 |
|---|---|---|
| 結構化數據（Structured Data） | 清晰固定結構，行列形式儲存，便於查詢分析 | 關聯式資料庫（MySQL、PostgreSQL）、規範化電子表格 |
| 半結構化數據（Semi-structured Data） | 有結構標籤但格式靈活，無需嚴格固定架構 | XML、JSON、CSV |
| 非結構化數據（Unstructured Data） | 無固定結構，須經處理解析才能分析 | 圖片、影像、音訊、文字（電子郵件、文章） |
B. 常見數據蒐集方法：問卷與調查、自有產品數據（App、智慧手錶等）、外部公開數據蒐集（API、網路爬蟲 Web Scraping）、外部付費數據購買。
(2) 數據清洗（Data Cleaning）
目的是解決遺缺值、重複值、錯誤值與不一致性問題，確保數據完整性與可靠性。
| 問題類型 | 說明 | 處理方式 |
|---|---|---|
| 遺缺值（Missing Value） | 欄位缺少有效數據 | 填補（平均值/中位數/眾數、插補法、預測模型）或刪除記錄（需評估對樣本代表性的影響） |
| 重複值（Duplicate Value） | 相同內容的記錄重複出現 | 識別後保留一份、刪除其他重複項 |
| 錯誤值（Error/Invalid Value） | 不符合合理範圍或明顯錯誤（如年齡為負數、拼字錯誤） | 檢測並修正 |
| 離群值（Outlier Value） | 遠離大多數其他數據點的異常值 | 可能是有意義的數據而非錯誤值，須依業務需求與分析目標判斷處理策略 |
⚠️ 易錯點：「離群值」不等於「錯誤值」——離群值可能反映真實的異常情況，也可能是雜訊或錯誤，不能一律刪除，須依業務需求判斷。
(3) 數據轉換（Data Transformation）
| 類型 | 說明 |
|---|---|
| 數據格式轉換 | 一種格式轉為另一種格式（如 CSV → JSON） |
| 數據類型轉換 | 一種數據類型轉為另一種（如字串轉數值） |
| 數據正規化／標準化 | 將數值縮放到特定範圍（如 [0,1] 或 -1 至 1），消除單位影響，使數據具可比性 |
| 數據離散化 | 連續型數據轉為離散區間或類別（如年齡分「青年」「中年」「老年」） |
| 數據縮減 | 透過特徵選擇、特徵提取、降維技術（如 PCA）減少維度或體積，提高分析效率並節省儲存空間 |
(4) 數據分析（Data Analysis）
依分析目的分為四種主要方法：
| 分析類型 | 核心問題 | 常見方法/指標 |
|---|---|---|
| 敘述性分析（Descriptive） | 描述數據的基本特徵與分佈 | 平均值、中位數、標準差、百分位數、直方圖、散佈圖、折線圖 |
| 探索性分析（Exploratory） | 無預設假設，多角度探索模式、關聯、異常 | 散佈圖矩陣、熱圖、平行坐標圖、箱型圖、相關性分析、聚類分析、PCA、異常檢測 |
| 診斷性分析（Diagnostic） | 探究現象或結果的根本原因 | 鑽取/向下分析、關聯分析（Apriori）、因果分析（因果圖、A/B 測試） |
| 預測性分析（Predictive） | 用歷史數據預測未來事件或趨勢 | 迴歸模型、分類模型、時間序列模型（ARIMA、LSTM）、集成學習（隨機森林、GBM、XGBoost） |
敘述性統計指標比較
| 指標 | 定義 | 優點 | 缺點 |
|---|---|---|---|
| 平均值（Mean） | 所有值相加除以個數 | 計算簡單、易理解 | 易受極端值（離群值）影響 |
| 中位數（Median） | 排序後位於中間位置的值 | 不受極端值影響，能反映中心趨勢 | 對數據分布的變動性不敏感 |
| 標準差（Standard Deviation） | 衡量數據的分散程度 | 能量化分散程度，便於組間比較 | 計算較複雜，受極端值影響 |
| 百分位數（Percentile） | 排序後分為 100 份，第 p 百分位表示 p% 數據小於等於此值 | 詳細描述分佈，不受極端值影響 | 計算較複雜，對大數據集計算量大 |
⚠️ 易錯點：雷達圖（Radar Chart）不適合用來估計資料分布——它主要用於比較不同個體在多個維度上的表現，而非呈現數據在單一維度上的集中/分散程度。要看分布應選直方圖、散佈圖或百分位數（四分位數）。
5. 搜尋與排序演算法
| 演算法 | 原理 |
|---|---|
| 線性搜尋（Linear/Sequential Search） | 從第一個元素開始逐個比較 |
| 二分搜尋（Binary Search） | 與中間元素比較，依大小決定往左或右半部繼續搜尋（需已排序） |
| 深度優先搜尋（DFS, Depth-First Search） | 沿一條路徑盡可能深入，直到葉節點或已訪問節點才回溯 |
| 廣度優先搜尋（BFS, Breadth-First Search） | 先訪問所有相鄰節點，再逐層向外擴散 |
6. 常見機器學習演算法
| 演算法 | 任務類型 | 優點 | 缺點 |
|---|---|---|---|
| 線性迴歸（Linear Regression） | 預測連續數值（房價、銷售額） | 簡單易懂、計算效率高 | 只能捕捉線性關係 |
| 邏輯迴歸（Logistic Regression） | 名稱含「迴歸」但實際是分類演算法 | 簡單、輸出具機率意義 | 只能解決二元分類，多類別需擴展 |
| K-最近鄰（KNN, K-Nearest Neighbors） | 分類/迴歸（基於實例學習） | 找出最近的 K 個樣本，分類取多數決、迴歸取平均值/中位數 | — |
✅ 核心觀念：邏輯迴歸使用 Sigmoid 函數將線性輸出轉換為 0～1 之間的機率值，再以閾值（如 0.5）轉為類別，屬於分類演算法而非迴歸演算法——這是常見考點。
Sigmoid(z) = 1 / (1 + e-z)
7. 機器學習（Machine Learning）
機器學習是透過數據訓練模型，使機器具備預測與分類能力的技術。步驟：（1）準備訓練資料（蒐集、過濾雜訊、前處理）→（2）訓練模型（輸入演算法並調整參數）→（3）測試及評估模型（反覆訓練、必要時換模型重來）。資料量愈大且經完整處理，模型效果通常愈好。
依訓練方式分三種學習方法：
| 學習方式 | 定義 | 應用 |
|---|---|---|
| 監督式學習（Supervised Learning） | 使用帶標記（Labeled Data）的訓練數據，學習輸入特徵與標記的關聯性 | 分類（垃圾郵件過濾、影像識別）、迴歸（房價/銷售額預測） |
| 非監督式學習（Unsupervised Learning） | 無需標記數據，自動發掘潛在模式、結構或分群（Clustering） | 市場區隔分析、異常偵測、推薦系統、影像壓縮 |
| 強化學習（Reinforcement Learning, RL） | 基於「回饋機制」，讓代理（Agent）與環境互動，朝獲取最大獎勵方向學習 | 遊戲 AI、機器人控制、自動駕駛 |
✅ 核心觀念：強化學習特別適合「試錯學習（Trial-and-Error）」與「長期規劃」的動態、重複互動任務（如下圍棋、自動駕駛），這是與監督式/非監督式學習最大的區別。
8. 深度學習三大經典模型
深度學習（Deep Learning, DL）是機器學習的子領域，透過多層次人工神經網路自動學習特徵，不需人類專家手動設計特徵。應用於 NLP、電腦視覺、語音辨識、生成式模型等。
(1) 卷積神經網路（CNN, Convolutional Neural Networks）
擅長處理圖像數據，設計靈感來自生物視覺皮層。
| 結構 | 功能 |
|---|---|
| 卷積層（Convolutional Layer） | 透過卷積運算提取局部特徵（邊緣、紋理） |
| 池化層（Pooling Layer） | 降維操作（最大池化、平均池化），減少數據維度、防止過擬合 |
| 全連接層（Fully Connected Layer） | 將特徵映射到輸出空間，進行分類或迴歸 |
優點：適合高維數據，參數量比全連接網路少；能提取層次化特徵（低層邊緣→高層語義）。應用：影像辨識（人臉辨識、MNIST 手寫數字分類）、物件偵測（自動駕駛障礙物檢測）、圖像分割（醫學影像病變檢測）。
(2) 循環神經網路（RNN, Recurrent Neural Networks）
專為序列數據設計，網路存在循環連接，可記憶序列中先前的資訊。
| 改進版本 | 說明 |
|---|---|
| LSTM（Long Short-Term Memory） | 引入遺忘門、輸入門、輸出門，有效解決梯度消失問題 |
| GRU（Gated Recurrent Unit） | 結構比 LSTM 更簡單，效果相近 |
優點：能捕捉長期依賴關係，支持變長序列。缺點：訓練易出現梯度消失/爆炸，長序列計算效率低。應用：機器翻譯、文本生成、語音轉文字、股票價格預測。
(3) 生成對抗網路（GAN, Generative Adversarial Networks）
由生成器（Generator）與判別器（Discriminator）組成，透過對抗學習共同進步。
- 生成器：接收隨機雜訊，生成模擬數據樣本，目標是「欺騙」判別器。
- 判別器：負責區分輸入數據是真實還是生成的，試圖最大化判斷準確性。
優點：能生成高品質數據樣本，適用於影像、文本、語音；在數據增強和模擬中應用潛力大。缺點：訓練過程不穩定，可能出現模式崩潰（Mode Collapse）；需要大量計算資源。應用：圖像生成（草圖轉寫實）、文本生成、語音合成。
✅ 核心觀念（CNN vs RNN vs GAN 一覽）：
| 模型 | 擅長資料類型 | 核心結構特色 |
|---|---|---|
| CNN | 圖像（空間特徵） | 卷積＋池化提取局部特徵 |
| RNN | 序列資料（時間特徵） | 循環連接、記憶前一時刻狀態 |
| GAN | 生成任意模態數據 | 生成器 vs 判別器對抗學習 |
9. 生成式人工智慧（Generative AI）訓練流程
生成式AI透過龐大參數量，根據提示詞在「文字機率分布」中尋找最可能接續的文字，逐字生成回應。參數越多，模型越能捕捉語言細微差異，生成更豐富多樣的回應。訓練過程分兩階段：
(1) 訓練階段
| 子步驟 | 內容 |
|---|---|
| A. 數據準備 | 數據蒐集（高品質素材）、數據清洗（去雜訊/異常值）、數據預處理（轉為模型可處理格式，如文本轉數字向量） |
| B. 模型選擇與搭建 | 選擇模型（GAN、VAE、Transformer 等），搭建輸入層/隱藏層/輸出層 |
| C. 模型訓練 | 損失函數（衡量生成數據與真實數據差異）、優化器（Adam、SGD 更新參數）、迭代訓練（直到收斂或達預定次數） |
(2) 微調階段
在預訓練模型基礎上，用特定領域或任務數據進一步訓練：
| 子步驟 | 內容 |
|---|---|
| A. 特定任務優化 | 調整超參數（學習率、批量大小）、添加特定層（如語言模型層） |
| B. 數據精調 | 使用特定數據集微調、數據增強（旋轉、翻轉等變換提高泛化能力） |
💡 記憶技巧：生成式 AI 效能四大關鍵：數據品質、模型結構、超參數設置、計算資源——可記成「料、型、參、算」。
📝 章節考題自測（先作答，再點開解答）
以下為 CH3.1 人工智慧概念章節的 10 題練習題，建議先自行作答，再點開查看解答與解析。
Q1. 下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題？
(A) 監督式學習（Supervised Learning） (B) 非監督式學習（Unsupervised Learning） (C) 半監督式學習（Semi-supervised Learning） (D) 強化學習（Reinforcement Learning）
點我看解答與解析
Ans: (D)
強化學習（Reinforcement Learning, RL）是一種機器學習方法，讓代理（Agent）透過與環境不斷互動，學習到一系列動作，以最大化累積獎勵。這種學習方式非常適合用於訓練電腦在動態、複雜的環境中做出決策，例如下圍棋、自動駕駛等。
Q2. 關於 AI 的定義，下列敘述何者較為正確？
(A) AI 僅限於深度學習技術 (B) AI 包括各種技術，例如機器學習、專家系統等 (C) AI 系統只能在學術研究中應用 (D) AI 無法應用於金融領域
點我看解答與解析
Ans: (B)
人工智慧（AI）就像是一個龐大的拼圖，由許多不同的技術碎片組成，這些技術各司其職，共同構成了我們所理解的人工智慧。(A) 不限於深度學習，還有機器學習、演算法等。(C)(D) 不只限制於特定的研究、金融領域，在各領域都有許多 AI 的應用，如醫學、交通等。
Q3. 為了提升 AI 系統的透明性，下列哪種措施是適當的？
(A) 不需對外揭露任何有關 AI 系統的資訊 (B) 規劃透過發布報告、技術文件或網站揭露 AI 系統的相關資訊 (C) 僅對內部員工進行透明性說明 (D) 將所有 AI 系統資訊保密
點我看解答與解析
Ans: (B)
透過定期或不定期發佈 AI 系統於各決策環節的決策流程，有助於提昇 AI 系統的透明性。
Q4. 下列何者不適合做為資料分布估計？
(A) 直方圖（Histogram） (B) 散布圖（Scatter plot） (C) 雷達圖（Radar chart） (D) 四分位數（Quartile）
點我看解答與解析
Ans: (C)
雷達圖有幾個限制，無法直觀呈現機率密度：雷達圖主要用於比較不同個體在多個維度上的表現，而非呈現數據在每個維度上的分布情況。要了解數據在某個維度上的集中程度、分散程度等，需要更適合的圖形，如直方圖。
Q5. K-Means 聚類算法中，K 代表什麼？
(A) 數據集中特徵的數量 (B) 數據集中樣本的數量 (C) 所需劃分的群組數量 (D) 迭代次數
點我看解答與解析
Ans: (C)
K 在 K-Means 演算法中代表我們希望將數據分為幾個群組。K 值的選擇會直接影響最終的聚類結果，因此是一個非常重要的參數。
Q6. 深度學習模型中，下列哪一項通常用來降低過擬合問題？
(A) 增加訓練數據量 (B) 增加模型的複雜度 (C) 增加學習率 (D) 增加正則化項
點我看解答與解析
Ans: (D)
過擬合指的是模型過度學習訓練數據中的雜訊或特徵，導致在測試集上表現不佳。正則化是一種在模型中加入額外項來懲罰複雜模型的方法，常見的正則化項有 L1 正則化和 L2 正則化。增加正則化項可以使模型變得更簡單，降低過擬合的風險，提高模型的泛化能力。
補充：選項 (A) 增加訓練數據量雖然也有助於降低過擬合，但依官方解析，本題標準答案聚焦於「正則化項」這個模型內部機制。
Q7. 生成式人工智慧最核心的能力是什麼？
(A) 從大量數據中學習 (B) 執行複雜的數學計算 (C) 生成新的、原創的內容 (D) 控制機器人
點我看解答與解析
Ans: (C)
生成式 AI 的最大特徵就是能夠生成全新的文本、圖像、音樂等內容。這與傳統的 AI 主要用於分析或預測已有數據不同。生成式 AI 透過學習大量數據的模式，能產生出具有創造性的輸出。
Q8. 下列哪項技術是生成式 AI 發展的重要基礎？
(A) 決策樹 (B) 神經網路 (C) 線性迴歸 (D) 貝氏分類
點我看解答與解析
Ans: (B)
神經網路，尤其是深度學習模型，是生成式 AI 的基石。這些模型能夠學習數據中的複雜模式，並生成與訓練數據相似但又不完全相同的新的數據。其他選項如決策樹、線性迴歸和貝氏分類雖然也是機器學習的重要方法，但並不擅長生成新的內容。
Q9. 關於 AI，下列敘述何者較為正確？
(A) AI 僅限於深度學習技術 (B) AI 包括各種技術，例如機器學習、專家系統等 (C) AI 系統只能在學術研究中應用 (D) AI 無法應用於金融領域
點我看解答與解析
Ans: (B)
AI 是一個廣泛的領域，涵蓋了多種技術，包括但不限於機器學習、深度學習、專家系統、自然語言處理和計算機視覺等。它不僅限於深度學習，也不僅侷限於學術研究，且已成功應用於金融、醫療、製造等多個領域。
Q10. 在 AI 治理中，下列何者是國際合作的重要性？
(A) 統一 AI 發展標準 (B) 避免 AI 技術的濫用 (C) 促進 AI 技術的轉移 (D) 以上皆是
點我看解答與解析
Ans: (D)
在 AI 治理中，國際合作的重要性包含多個方面：統一 AI 發展標準，確保不同國家在技術應用上的一致性和互操作性；避免 AI 技術的濫用，透過跨國監管和政策協調減少倫理與安全風險；促進 AI 技術的轉移，幫助各國共享技術資源，縮小數位鴻溝。因此，以上選項都屬於國際合作的重要性。
結語
以上是 iPAS AI應用規劃師（初級）科目一 CH3.1 人工智慧概念 的重點整理，建議搭配後續 CH3.2 資料處理與分析概念、CH3.3 機器學習概念、CH3.4 鑑別式AI與生成式AI概念一起複習，掌握完整的人工智慧基礎概論知識體系，為 iPAS AI應用規劃師初級考試做好準備。
