初級科目一二＋中級科目一二三，全 41 章重點整理，表格化比較、記憶技巧與章節考題自測一次到位。
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（CN…
閱讀筆記 →統計學是駕馭資料、獲得洞見的指南針：先用中央趨勢與分散度兩類統計測量數描述資料 → 再用機率模型量化抽樣變異、進行假設檢定等統計推論 → 最後依分析目的區分探索性資料分析（EDA）與驗證性資料分析（CDA）。
閱讀筆記 →機器學習（Machine Learning）是 AI 的核心支柱：透過數據驅動、無需人為明確編寫規則，讓系統從經驗中學習規律。核心邏輯為「三大學習類型（監督式／非監督式／強化學習）→ 機器學習流程（數據處理 → 模型訓練 → 模型評估與優化）」。
閱讀筆記 →鑑別式AI學條件機率 P(y|x) 做分類決策，生成式AI學聯合／邊際分佈 P(x,y) 或 P(x) 來創造新樣本——判斷 vs 創造是貫穿本節的核心邏輯，最後談兩者如何整合互補。
閱讀筆記 →No Code／Low Code 平台透過「降低程式撰寫門檻」推動 AI民主化，兩者差異在於是否需要撰寫少量程式碼；生成式 AI 的加入則讓這些平台從「輔助開發」進化為「自動化、智慧化開發」，同時也帶來準確性、隱私與倫理等新挑戰。
閱讀筆記 →生成式AI對就業市場影響是雙面性的：一方面部分重複性、低技能工作可能被取代（工作取代）；另一方面也催生新興職務，如 AI訓練師、提示工程師（Prompt Engineer）（見 提示工程）。
閱讀筆記 →企業導入生成式 AI 的完整生命週期：導入評估標準（需求／資源／分階段／人才／風險五大面向）→ 導入規劃四階段（準備→設計→驗證 POC→實施營運）→ 風險管理（常見風險、防範措施、倫理偏見、法規、風險種類與六大應對策略）。核心邏輯是「先評估現狀與痛點 → 訂目標與規劃路徑 →…
閱讀筆記 →NLP 定義（NLU 理解＋NLG 生成）→ 技術演進四階段（規則式→統計式→深度學習→預訓練語言模型）→ 前處理（分詞、詞性標注、詞形還原/詞幹提取、停用詞移除）→ 詞彙向量化技術光譜（離散表示 One-hot/BoW → 統計表示 TF-IDF/N-gram → 靜態詞嵌入…
閱讀筆記 →CV 定義與五大任務（分類／偵測／語意分割／實例分割／生成合成）→ 技術演進三階段（特徵工程→CNN 革命→多模態與生成式 AI 融合）→ 影像標註與前處理 → 三大核心任務深探（影像分類 CNN 架構與知名模型、物件偵測 YOLO/Faster R-CNN/SSD、影像分割語意…
閱讀筆記 →AI 演進四階段（感知AI→生成式AI→代理式AI→物理AI）→ 生成式 AI vs 鑑別式AI 定義比較 → 技術演進五階段（VAE/RNN→GAN→Transformer→擴散模型與多模態→巨型模型與 Agent 化）→ 三大應用領域（文本生成、圖像生成、語音合成）＋各自評估…
閱讀筆記 →多模態AI 定義（同時處理文字/影像/語音/感測器等異質模態）→ 跨模態表示學習（CLIP 對比學習）→ 技術演進三階段（特徵拼接→模態專屬網路+融合層→Transformer 統一架構）→ 三大整合面向（CLIP 圖文對齊、語音模態 ASR+NLU+TTS、感測融合 Early…
閱讀筆記 →AI 導入評估三面向（業務需求痛點分析→技術可行性→成本效益評估［ROI／NPV／IRR／回收期］）→ 組織就緒度盤點（數位成熟度／資料治理、團隊協作、資源預算）→ 初期風險辨識（法規隱私、技術穩定性［黑箱／可解釋性AI］、組織文化阻力）→ 風險矩陣初步排序與緩解策略 → POC…
閱讀筆記 →導入規劃三原則（情境目的導向／資源盤點／彈性調整）→ 資源盤點三面向（人力角色／硬體資源／開發工具）→ 任務分解與時程設計（甘特圖／WBS／Scrum 短衝迭代／跨部門協作／任務追蹤工具）→ 三種導入模式比較（商業服務／內部開發／委外開發）→ POC 驗證流程（小範圍快速迭代）→…
閱讀筆記 →三層風險類型（技術層［資料品質／模型穩定性／概念漂移］→組織人力層［溝通／技能／變革抵制］→法規層［隱私／產業監管／侵權]）→ 法規與合規性評估（GDPR 八大權利、PDPA、CDPA、產業專用規範 HIPAA/PCI-DSS）→ 模型偏見與倫理（偏見四來源、倫理四原則、國際框架…
閱讀筆記 →GIGO（垃圾進垃圾出）為全節核心前提 → 步驟一：資料收集與清理（內部/外部來源 → 缺失值/重複值/異常值處理 → 資料品質指標五面向）→ 步驟二：特徵工程（數值轉換／類別編碼／時間與文字擴增 → 特徵選擇與降維 → AutoML 自動特徵工程）→ 步驟三：模型選擇（迴歸／分…
閱讀筆記 →AI 部署的特殊性（動態性＋資料敏感性）→ 系統集成五面向（資料管線／企業內部系統／API 與平台／安全權限／跨雲異質）→ 架構設計（微服務架構／Docker＋Kubernetes 容器化／模型服務化／高可用設計）→ 四種部署類型（公有雲／私有雲／邊緣運算／混合部署）→ MLOp…
閱讀筆記 →敘述性統計（Descriptive Statistics）三大面向：集中趨勢（平均數／眾數／中位數）→ 離散量度（變異數／標準差／全距／四分位距／箱形圖）→ 分佈形狀（偏度／峰度）。目的不在母體推論，而是快速彙整、呈現資料的核心特徵，為後續機率分佈與假設檢定奠定基礎。
閱讀筆記 →機率分佈的兩個關鍵數值（期望值、變異數）→ 兩大類型（離散型 PMF／連續型 PDF）→ 常見離散分佈（伯努利→二項→泊松）→ 常見連續分佈（常態→指數→卡方）→ 分佈擬合與資料建模，選出最貼合資料的理論分佈以支援後續推論。
閱讀筆記 →統計推論二大分支：參數估計（點估計／區間估計）與假設檢定（設 H0/H1 → 選檢定方法 → 定顯著水準 α → 算檢定統計量與 p 值 → 依 p 值與 α 比較作結論）→ 型一／型二錯誤的取捨 → 依資料型態與研究設計挑選對應檢定方法（t 檢定／ANOVA／比例檢定／卡方檢定…
閱讀筆記 →大數據五類資料來源與蒐集方式（感測器/IoT、系統日誌、API、爬蟲、企業內部系統）→ 常見資料品質問題五型（缺失值、異常值、重複值、一致性錯誤、邏輯錯誤）→ 資料品質量化指標（缺失率、唯一值比率、一致性比率、異常值比率、完整性比率），作為資料清理與治理的基礎。
閱讀筆記 →三種資料型態對應儲存方式 → 分散式儲存架構與資料湖/資料倉儲（Data Lakehouse 融合趨勢）→ 儲存效能優化（分區、壓縮、分層、欄位裁剪）與查詢加速 → 資料一致性（ACID／強一致性／最終一致性）與版本控制 → 資料治理與存取控制模型（RBAC/ABAC/PBAC/…
閱讀筆記 →資料準備與轉換（型別轉換 → 分箱與分類重組 → 類別變數編碼 → 標準化/正規化）→ 特徵工程三領域（特徵選擇 Filter/Wrapper/Embedded、特徵衍生與聚合、資料增強）→ 分散式運算框架（Hadoop/Spark/Flink/Beam）→ 資料處理管線工具（A…
閱讀筆記 →傳統統計假設（隨機抽樣、獨立觀測、固定母體）在大數據環境中常被打破 → 敘述統計五大挑戰（運算資源、長尾偏態、多型態資料、離群值掩蓋、動態變化）→ 統計推論六大限制（樣本非隨機、p值膨脹、多重檢定偽陽性、樣本非獨立、母體定義不清、系統資源限制）→ 七大實務應用領域，說明統計學如何…
閱讀筆記 →大數據分析六大方法群：近似描述性統計（t-digest等近似演算法）→ 時序分析（平滑法→統計建模 ARIMA→深度學習 LSTM）→ 網路分析（中心性、社群偵測）→ 文字分析（預處理→TF-IDF/詞嵌入→任務導向）→ 地理空間分析（熱點、群聚、GWR）→ 異常偵測（統計法、密…
閱讀筆記 →四類視覺化方法（數值型分佈、關聯性、類別型、時間序列）對應圖表選型 → 平台工具依部署模式（內建報表／自建程式碼／半商業化 BI／商業化平台）與呈現方式（靜態／動態／互動式）分類 → 五大實務應用案例 → 五項視覺化設計原則，確保資料在大數據規模下仍能被快速、正確理解。
閱讀筆記 →大數據 5V 特性（Volume/Variety/Veracity品質偏態/Velocity/Value）對機器學習流程的挑戰與對策 → 分散式模型訓練三模式（資料並行／模型並行／混合式）與訓練效能優化（硬體加速、混合精度、梯度累積壓縮、Early Stopping）→ 端對端機…
閱讀筆記 →鑑別式 AI（分類／預測）五大應用領域（金融風控、零售電商、客服文本、醫療健康、資安異常）→ 四種輸入資料型態與特性（結構化／半結構化／非結構化／多模態）→ 四種資料標註策略（人工／弱監督／群眾外包／主動學習）→ 跨來源資料整合四大挑戰 → 資料品質問題與統計檢定結果的直接關聯。
閱讀筆記 →生成式 AI 對資料的需求特性（開放性／語意驅動，與鑑別式 AI 對照）→ 資料選擇影響生成品質的四大面向（多樣性／資料代表性與偏誤風險／品質與正確性／時效性）→ 四類典型應用情境（語言生成／圖像生成／多模態生成／合成資料資料增強）。
閱讀筆記 →個資識別風險（三類識別資訊／三種風險來源／四大產業實務案例）→ 資料匿名化技術（五種基礎技術 → 四種進階 PETs）→ 合規資料處理（五大基本原則 → 四種合法取得依據）→ 企業內部治理機制（政策／組織／生命週期流程／自動化工具／文化教育五面向）。
閱讀筆記 →機器學習的核心邏輯是學習「條件機率分佈 P(Y|X)」→ 用機率模型（離散型 PMF／連續型 PDF）描述資料不確定性 → 用條件機率與貝氏定理從已知條件更新對事件的信念 → 用統計推論（參數估計／假設檢定）驗證資料與模型的可靠性 → 用統計量（期望值、標準差、偏態、峰度）描述資…
閱讀筆記 →向量與矩陣是資料與模型參數的表示單位 → 線性變換對資料進行縮放/旋轉/投影，是特徵工程與降維的數學本質 → 矩陣分解（特徵值分解、SVD、NMF）將高維資料拆解為具代表性的子結構以達成降維 → 最小平方估計（OLS）以幾何投影觀點求解線性迴歸的最佳參數。
閱讀筆記 →模型訓練 = 數值優化問題（目標函數、決策變數、可行域、凸性/可導性）→ 損失函數設計決定學習方向與風險偏好 → 優化演算法（梯度下降及其變形：SGD、Momentum、Adagrad、RMSprop、Adam）依梯度資訊更新參數 → 收斂判準與穩定訓練策略（學習率調整、早停法、…
閱讀筆記 →機器學習系統架構 = 輸入資料與特徵空間 → 任務目標與標籤型態（分類/迴歸/聚類/降維/序列決策）→ 模型與假設空間 → 損失函數形式化學習目標 → 資料分割與評估準則 → 三大學習範式（監督式學習／非監督式學習／強化學習）各自的架構、任務類型、訓練流程與應用場景。
閱讀筆記 →迴歸演算法（線性迴歸 →Lasso/Ridge正則化迴歸 → SVR → 決策樹迴歸 → 集成迴歸：隨機森林/梯度提升/XGBoost/LightGBM）→ 分類演算法（邏輯迴歸 →SVM → 決策樹 → KNN → 樸素貝氏 → 集成分類）→ 非監督式演算法（分群：K-Mean…
閱讀筆記 →人工神經元／感知器 → 激活函數引入非線性 → 前向傳播（做預測）與反向傳播（調參數，靠鏈式法則計算梯度）→ 過擬合與正則化技術 → 深度模型架構家族：MLP → CNN（卷積/池化/全連接）→ RNN（LSTM/GRU）→ Transformer（注意力機制/自注意力/多頭注意…
閱讀筆記 →資料清理（缺失值/異常值/重複值/型別轉換）→ 特徵選擇（Filter/Wrapper/Embedded）與降維 → 特徵工程的尺度調整與分佈轉換（標準化/正規化）→ 類別資料編碼（One-hot Encoding/Label Encoding/Target Encoding）→…
閱讀筆記 →依任務類型（分類/迴歸/非監督/序列）配對合適模型 → 依資料規模（小/中/大型）調整模型複雜度 → 依模型解釋性需求（高解釋性 vs 低解釋性，搭配 SHAP/LIME）→ 依運算資源與部署限制（邊緣裝置 vs 雲端）→ 最終在偏差-變異權衡（Bias-Variance Tra…
閱讀筆記 →資料分割（訓練/驗證/測試集）與批次訓練策略 → 學習率調整與早停策略 → 訓練監控與紀錄 → 分類評估指標（混淆矩陣、Accuracy/Precision/Recall/F1/ROC-AUC）與迴歸評估指標（MSE/MAE/RMSE/決定係數）→ 模型比較與綜合評估策略 → 交…
閱讀筆記 →超參數調校（學習率、批次大小、網路深度寬度、激活函數、優化器、正則化係數）→ 正則化與模型穩定化技術（L1/L2/Elastic Net/Dropout/早停法）→ 資料增強與重取樣（過採樣/欠採樣/類別權重）→ 模型壓縮與加速（知識蒸餾/模型剪枝/量化/混合精度訓練），四大面向…
閱讀筆記 →數據隱私風險三分類（直接識別/間接識別/再識別）→ 風險評估流程（資料盤點分類 → 隱私影響評估 PIA → 風險矩陣與風險等級 → 再識別模擬與滲透測試）→ 隱私強化技術（基礎：遮蔽/雜湊/泛化/分桶/隨機擾動；進階：K-匿名/聯邦學習/同態加密）→ 企業合規實務建議（合法同意…
閱讀筆記 →演算法偏見來源分兩層：資料層面（來源偏誤/內容偏誤/製程偏誤）與模型層面（演算法偏見/目標函數偏誤/正規化偏誤）→ 公平性指標（Demographic Parity/Equal Opportunity/Equalized Odds/Disparate Impact）量化不公平程度…
閱讀筆記 →