本站同時對照台灣 iPAS AI 應用規劃師證照考試與美國勞工部 DOL AI 素養框架，幫助你一次掌握國際 AI 素養標準與國內證照考試重點。
🇹🇼 iPAS AI 應用規劃師 — 10 大模組
經濟部產業人才能力鑑定（iPAS）AI 應用規劃師，分為初級與中級。本站 100 講依考試大綱分為 10 大模組，涵蓋演算法理論、生成式 AI 架構、企業導入場景與法規倫理。2026 考試簡章 →
M01 AI 思維與治理
從 AI 的定義出發，建立治理觀念、人機協作框架與專案評估能力
12 講
M02 資料素養與資料流程
理解資料的型態、品質、清理流程，以及隱私與安全的基本功
10 講
M03 機器學習入門
監督式 vs 非監督式、常見模型、評估指標與交叉驗證
10 講
M04 深度學習與代表架構
神經網路、CNN、RNN、Transformer 到預訓練微調的直覺理解
10 講
M05 生成式 AI 基礎
LLM、Prompt Engineering、RAG、工具呼叫與安全對齊
14 講
M06 No/Low Code 與應用規劃
企業導入 AI 的實務：自動化工作流、導入評估與規格撰寫
11 講
M07 NLP / CV / 多模態應用
自然語言、電腦視覺、多模態的任務地圖與應用場景
10 講
M08 大數據處理分析與應用
統計基礎、數據工程、資料視覺化到大數據 × AI 整合
10 講
M09 MLOps 與系統部署整合
從 Notebook 到產品：版本管理、部署、監控與成本控制
10 講
M10 iPAS 題型策略與實戰
考試技巧、題型分析、模擬練習與考前衝刺計畫
10 講所有講座
什麼是 AI：定義、能力邊界與常見誤解
AI 就是「會從資料裡猜規則的程式」— 它不是魔法，也不是萬能
AI 的分類：規則式、機器學習、深度學習、生成式 AI
從「人寫規則」到「機器自己學規則」再到「機器自己創造內容」
AI 治理是什麼：為什麼不是只有法務要懂
AI 治理就像食品安全標準 — 不是廚師不用管，而是每個環節都要管
人機協作三種監督：Human-in/on/over-the-loop
不是「AI 取代人」或「人管 AI」，而是找到對的合作模式
AI 專案成功三要素：資料、模型、流程
沒有好資料，再厲害的模型也只是「垃圾進、垃圾出」
AI 風險地圖：準確性、偏誤、資安、隱私、合規
AI 出錯不可怕，可怕的是你不知道它會在哪裡出錯
用例選擇：哪些問題適合用 AI，哪些不適合
不是所有釘子都需要 AI 這把錘子
AI 導入商業評估：ROI、TCO、風險成本
老闆問的不是『AI 多酷』，而是『花多少錢、省多少錢、風險多大』
AI 專案角色：產品、資料、工程、法務、資安
AI 專案不是工程師的事 — 它需要一整個跨部門的團隊
iPAS 應試地圖：考科與評鑑主題總覽
知道考什麼、怎麼考，才能用最少時間拿到最多分
資料的本質：什麼是資料，為什麼 AI 離不開它
沒有資料的 AI 就像沒有食材的廚師 — 再厲害也煮不出菜
資料類型全覽：結構化、半結構化、非結構化
Excel 表格、JSON 檔案、一張照片 — AI 看待它們的方式完全不同
資料品質：垃圾進垃圾出的真相
AI 模型只能跟資料一樣好 — 餵垃圾進去，吐垃圾出來
資料蒐集：從哪裡來、怎麼取得、合法嗎
資料不是天上掉下來的 — 每一筆都有成本、來源和法律邊界
資料清理與前處理：AI 專案最花時間的步驟
資料科學家 80% 的時間不是在建模型，而是在洗資料
特徵工程：把原始資料變成模型看得懂的語言
原始資料是生肉，特徵工程是料理 — 同樣的食材，手藝不同差很多
資料標註：教 AI 什麼是對、什麼是錯
AI 不是自學成才 — 每一個正確答案的背後，都有人類老師在標記
資料隱私與個資保護：GDPR、台灣個資法
蒐集資料很容易，搞砸隱私很簡單 — 罰款和商譽損失才是真正的代價
資料偏誤：你的資料決定了 AI 的偏見
AI 不會歧視，但它會忠實地學會資料裡的歧視
資料治理：建立企業的資料管理制度
資料是新石油？那你需要一套油田管理制度，不然只會漏油
機器學習是什麼：讓機器自己從資料中學規則
不用寫規則，讓資料說話 — 這就是機器學習的核心精神
監督式學習：有老師教的學習方式
給AI正確答案當範例，它就能學會舉一反三
非監督式學習：沒有老師，自己找規律
不告訴AI答案，讓它自己發現資料裡的隱藏結構
分類 vs 迴歸：預測類別還是預測數字
分類回答是非題，迴歸回答填空題 — 搞混了模型就白訓練了
常見演算法：決策樹、隨機森林、SVM、KNN
四大經典演算法各有絕招，選對武器才能打對仗
模型訓練流程：從資料切割到模型驗證
訓練集、驗證集、測試集 — 三刀切下去，模型才不會自欺欺人
過擬合與欠擬合：模型的兩大死因
背考古題的學生和完全沒讀書的學生 — 都考不好
模型評估指標：準確率、精確率、召回率、F1、AUC
準確率 99% 的模型可能是垃圾 — 如果 99% 的資料本來就是同一類
混淆矩陣：看透模型錯在哪裡
TP、FP、FN、TN — 四個格子告訴你模型的強項和弱點
模型選擇與調參：沒有最好的模型，只有最適合的
No Free Lunch — 沒有一個模型能贏所有比賽
神經網路基礎：從生物神經元到人工神經元
AI 的大腦不是真的腦 — 但運作邏輯有幾分相似
深度學習 vs 傳統機器學習：什麼時候該用深度學習
深度學習不是萬能鑰匙 — 資料少、要解釋的場景，傳統 ML 可能更好
CNN 卷積神經網路：讓 AI 學會看圖
CNN 不是一次看整張圖 — 它像用放大鏡一小塊一小塊地掃描
RNN 與序列模型：讓 AI 理解時間順序
RNN 有記憶 — 它知道前面發生了什麼，才能預測接下來會發生什麼
Transformer 架構：AI 革命的核心引擎
Attention Is All You Need — 一篇論文改變了整個 AI 產業
反向傳播與梯度下降：AI 怎麼從錯誤中學習
模型答錯了怎麼辦？算出錯多少、往對的方向調整 — 重複幾百萬次
遷移學習：站在巨人的肩膀上
不用從零開始 — 用別人訓練好的模型當基底，再微調成你的專家
GPU 與深度學習硬體：為什麼訓練 AI 需要顯示卡
CPU 是全才教授，GPU 是千人工廠 — 矩陣運算要的是人海戰術
深度學習框架：PyTorch vs TensorFlow
工具不重要？錯了 — 選錯框架可能讓你的專案多花三個月
深度學習的局限與未來：不是所有問題都需要深度學習
深度學習很強，但它不擅長小數據、要解釋、要推理的場景
生成式 AI 是什麼：從判別到生成的典範轉移
以前 AI 只會選答案，現在 AI 會自己寫答案了
大型語言模型 LLM：GPT、Claude、Gemini 的運作原理
LLM 的本質就是『超級厲害的文字接龍機器』
Prompt Engineering：跟 AI 說話的藝術
同一個模型，問法不同，答案天差地別
RAG 檢索增強生成：讓 AI 查資料再回答
開卷考試 vs 閉卷考試 — RAG 讓 AI 帶小抄上場
AI Agent 與工具使用：讓 AI 不只會說，還會做
從聊天機器人到自主代理人 — AI 開始學會使用工具了
圖像生成：Diffusion Model、DALL-E、Midjourney
從一堆雜訊中慢慢浮現一幅畫 — 這就是擴散模型的魔法
Fine-tuning 與 RLHF：讓通用模型變成你的專家
預訓練給了模型知識，Fine-tuning 教它怎麼聽話
AI 幻覺與事實查核：生成式 AI 的可靠性問題
AI 說得頭頭是道，但它可能在一本正經地胡說八道
生成式 AI 的倫理爭議：著作權、深偽、工作取代
AI 生成的文章算誰寫的？AI 換臉影片算不算犯罪？
企業導入生成式 AI：策略、風險與最佳實踐
不是買個 ChatGPT 帳號就叫數位轉型
Agentic AI 與 AI 代理系統：從工具到自主行動者
以前 AI 是你問它才答，現在 AI 會自己想、自己做、自己檢查
No-Code / Low-Code AI 是什麼：不寫程式也能用 AI
你不需要會寫 Python 才能用 AI — 拖拉點選就能建模型
MCP 與 A2A 協議：AI 代理如何與世界溝通
MCP 是 AI 的手，A2A 是 AI 的嘴——一個操作工具，一個跟其他 AI 說話
AutoML 平台：讓機器自己選演算法、調參數
以前需要資料科學家做三個月的事，AutoML 三小時搞定
Prompt Engineering 進階：CoT、ToT 與結構化提示設計
不是問 AI 更多話，而是教 AI 怎麼想
視覺化工作流程工具：用拖拉方式建 AI 管線
像畫流程圖一樣建 AI — 每個方塊就是一個處理步驟
RAG 進階：Chunking 優化、增量更新與混合搜尋
RAG 不是把文件丟進去就好——切得好不好、搜得準不準，決定 AI 答得對不對
聊天機器人建置：不寫程式也能做客服 AI
用對話流程設計工具，行銷人員也能做出智慧客服
RPA 流程自動化：讓機器人代替你做重複性工作
每天複製貼上三小時？RPA 機器人幫你做，不會累也不會錯
低程式碼數據分析：Excel 進化到 Power BI 與 Tableau
從 VLOOKUP 到 AI 洞察 — 分析工具的進化不需要寫程式
AI 導入評估框架：技術可行 ≠ 商業可行
不是所有能 AI 化的流程都值得 AI 化
整合與 API 串接：讓 AI 工具跟現有系統對話
AI 再強，不能跟 ERP 和 CRM 串接就是孤島
No-Code AI 的限制與天花板
拖拉點選能做到 80 分，剩下 20 分還是需要工程師
No-Code AI 實戰案例：中小企業的 AI 導入路徑
預算有限、工程師沒有 — 中小企業的 AI 生存指南
自然語言處理 NLP 概覽：讓 AI 讀懂人話
人類語言充滿了歧義、俚語和言外之意 — NLP 的挑戰就在這裡
文本分類與情緒分析：AI 讀懂客戶心聲
一萬則客戶留言，AI 三分鐘就能告訴你哪些在抱怨
電腦視覺 CV 概覽：讓 AI 學會看世界
對人類來說看一眼就懂的照片，AI 需要分析幾百萬個像素才能理解
物件偵測與影像辨識：從分類到定位
不只說『這張圖有貓』，還要畫出貓在哪裡
語音辨識與合成：AI 的耳朵和嘴巴
Siri 和 Alexa 背後的技術 — 把聲音變文字、把文字變聲音
多模態 AI：看圖說話、聽聲辨物的全能選手
真正的 AI 不只看文字 — 它要同時理解圖片、聲音和文字
OCR 與文件理解：讓 AI 讀懂紙本文件
發票、合約、手寫表單 — AI 把紙上的字變成可搜尋的資料
推薦系統：AI 怎麼知道你想看什麼
Netflix 的推薦比你自己選的還準 — 背後是協同過濾和深度學習
知識圖譜：讓 AI 理解事物之間的關係
Google 搜尋為什麼知道『蘋果公司的 CEO 是誰』？因為有知識圖譜
AI 應用技術選型指南：NLP、CV、多模態怎麼選
問題決定技術，不是技術決定問題
大數據的 5V：Volume、Velocity、Variety、Veracity、Value
資料大不等於大數據 — 要同時具備五個 V 才算數
描述性統計：用數字說故事的基本功
平均數會騙人、中位數更誠實 — 統計素養是資料分析的地基
相關性 vs 因果性：AI 最容易搞混的關係
冰淇淋銷量和溺水人數高度相關 — 但吃冰淇淋不會讓人溺水
資料視覺化：一張好圖勝過一千個數字
長條圖、折線圖、散布圖 — 選錯圖表比沒有圖表更危險
A/B 測試：用實驗驗證 AI 的效果
不要相信直覺 — 讓數據告訴你哪個版本更好
機器學習管線中的資料處理
從原始資料到模型輸入 — 分散式框架讓大規模資料不再是瓶頸
時間序列分析與預測
讀懂時間的語言 — 從趨勢到季節性，讓資料預見未來
異常偵測
在正常中找出不正常 — 讓 AI 當你的智慧警報系統
資料倫理與隱私保護
數據的力量越大，責任越重 — 讓 AI 既聰明又合乎道德
資料分析專案管理
從問題到洞見的完整旅程 — CRISP-DM 讓每個分析都有始有終
MLOps 概覽：從實驗到產品的橋樑
訓練出一個好模型只是起點 — 讓它在真實世界穩定運作才是挑戰的開始
模型版本管理：讓實驗可重現、讓部署有憑有據
你還在用 model_v2_final_REALLY_FINAL.pkl 命名嗎？是時候認真對待模型版本管理了
CI/CD for ML：讓模型更新像軟體發布一樣可靠
自動化不只是懶人的工具 — 在 ML 系統中，它是確保品質和可重現性的唯一方式
模型服務化：讓 AI 模型變成可呼叫的服務
訓練好的模型如果沒辦法被其他系統使用，它就只是一個孤立的 .pkl 檔
容器化與雲端部署：讓模型在任何地方都能跑
『在我的電腦上可以跑』已經不夠了 — 容器化讓環境一致，雲端讓規模彈性
模型監控與觀測：讓 AI 系統持續健康運作
部署只是開始 — 真正的挑戰是確保模型在真實世界不悄悄變差
模型重訓練策略：讓 AI 系統跟上世界的腳步
不是訓練一次就永遠好用 — 聰明的重訓練策略才是長期競爭力
Edge AI 與端側部署：讓 AI 在裝置上跑起來
不是所有 AI 都需要雲端 — 在裝置端跑 AI 才是真正改變世界的方式
AI 系統的可靠性工程：讓 AI 服務穩如磐石
準確率 99% 但掛掉 10% 的時間 — 可靠性才是 AI 上線的真正門檻
MLOps 成熟度模型：從「跑得動」到「跑得好」的組織旅程
一個模型上線不難 — 難的是讓整個組織持續、可靠、有效率地做 AI
iPAS AI 應用規劃師考試全攻略
搞懂考試架構、題型與策略 — 讓備考時間減半、通過率倍增
AI 專案規劃方法論
從需求分析到 ROI 計算 — 讓 AI 提案說服老闆、通過審核
AI 倫理與法規
台灣 AI 基本法、歐盟 AI Act、負責任 AI — 合規不只是義務，更是競爭優勢
AI 風險管理
辨識、評估、緩解 AI 專案的潛在風險 — 讓 AI 安全落地，而非意外翻車
AI 導入組織變革
技術只是開始，真正的戰場在人心 — 變革管理、人才培育與文化轉型
AI 產品設計思維：使用者需求、MVP 與產品迭代
做 AI 產品不是比技術強弱，是比誰更了解使用者的真實痛點
AI 專案的成本效益分析：TCO、ROI 與隱性成本
AI 導入不是買一套軟體，是承擔一筆長期的系統性投資
跨部門協作與溝通：如何向非技術人員解釋 AI
最難的不是讓 AI 學懂人類的語言，而是讓技術人員學會說人話
AI 產業趨勢與未來：Agentic AI、多模態與 AI 民主化
AI 不再只是一個工具，它正在演化成一個能夠主動思考和行動的夥伴
總複習：AI 100 講知識地圖與 iPAS 考前衝刺
從第一講到第一百講——把 AI 的全貌裝進你的腦海，然後走進考場
台灣 AI 基本法：七大原則與企業必知的法規框架
台灣第一部 AI 專法 — 不只是法律人要懂，規劃師更要會用
AI 治理實務：金管會指引、公部門手冊與 AI 產品評測
法規是骨架，實務是肌肉 — 知道法律還不夠，要會落地
2026 AI 工具生態：Cursor、Copilot 與 Vibe Coding 時代
AI 不只幫你寫程式，它正在改變『什麼是程式設計』的定義