📖 這份指引怎麼用 （試看版：只開放「3.3 機器學習概念」這一節）
這一頁是把官方 71 頁的《初級科目一：人工智慧基礎概論》學習指引，整份重新用白話改寫的版本。章節編號與官方一致（第3章四節），方便對照原文。初級考科重觀念不重數學——本頁把每個觀念都講到「第一次接觸也能懂」。
- 🔑 每一節開頭都有「先搞懂這幾件事」：預備知識先花一分鐘看完，正文就不會卡住。
- 看到 這種小按鈕 都可以點：專有名詞都做成名詞小卡，每張卡用一個生活例子講給你懂。之後同一個名詞再出現時，會變成淡淡的虛線底線——一樣點得開。
- 🎮 每一節都有「玩玩看」小實驗：拉桿與按鈕把抽象概念玩成直覺，強烈建議動手玩過再往下讀。
- 📐 數學小教室、🧮 實際算一次：公式先用最基礎的方式帶一次、再用真實數字算給你看。
- ✏️ 每節結尾有官方練習題：點選項立刻對答案、看白話解析（初級每節各 10 題）。
🎯 初級科目一到底考什麼
官方把本科切成四大主題，就是本頁的四節：
| 主題 | 評鑑內容 | 對應節 |
|---|---|---|
| 人工智慧概念 | AI 的定義與分類、AI 治理概念 | 3.1 |
| 資料處理與分析概念 | 資料基本概念與來源、資料整理與分析流程、資料隱私與安全 | 3.2 |
| 機器學習概念 | 機器學習基本原理、常見的機器學習模型 | 3.3 |
| 鑑別式 AI 與生成式 AI 概念 | 兩大分支的原理、差異與整合應用 | 3.4 |
※ 本頁是學習輔助整理，實際評鑑範圍以 iPAS 官方簡章與學習指引為準。
人工智慧基礎概論
整科就一章、四節、四個關卡：先認識 AI 是什麼（3.1）、再學 AI 的糧食——資料（3.2）、然後看 AI 怎麼學習（3.3）、最後分清 AI 的兩大門派（3.4）。每節結尾直接打十題官方題驗收。
3.3 機器學習概念讓機器從資料裡自己學
- 機器學習＝不寫死規則，讓電腦從資料中自己找規律來預測與決策。三個核心要素：數據、模型、損失函數（考題第一題就考這個）。
- 比喻：教小孩認貓不是背「貓的定義」，是給他看一千張貓照片——資料是教材、模型是學生、損失函數是打分數的老師。
- 整個流程三大階段：數據處理 → 模型訓練 → 評估與優化——本節照這條線走。
1️⃣ 三大學習類型（深挖版）
| 類型 | 吃什麼 | 學什麼 | 代表模型與應用 |
|---|---|---|---|
| 監督式學習 | 有標記的資料（每筆都附答案） | 輸入與輸出的映射關係 | 線性迴歸（房價）、SVM（腫瘤良惡性、找最大間隔超平面）、神經網路（語音辨識） |
| 非監督式學習 | 無標記資料 | 資料內在結構：聚類與降維 | K-means（市場區隔、異常偵測）、PCA（圖像壓縮、基因分析） |
| 強化學習 | 與環境互動的回饋 | 最大化累積獎勵的行動策略 | Q-Learning、DQN（遊戲 AI、機器人、自駕路徑規劃） |
強化學習拆解（考點密集區）
三要素：代理 Agent（做決策的學習者）、環境 Environment（依行動給回饋的世界）、獎勵 Reward（行動好壞的分數）。流程四步：取得狀態 → 依策略選行動（探索 Exploration 或利用 Exploitation）→ 執行拿到新狀態與獎勵 → 更新策略。Q-Learning＝學每個「狀態×行動」的長期價值（Q 值）、挑 Q 值最大的行動；Deep Q-Learning（DQN）＝狀態太多 Q 表存不下，改用神經網路近似 Q 值，並靠經驗回放與目標網路穩定訓練——Atari 遊戲破人類紀錄的功臣。應用：AlphaGo 自我對弈、機械臂抓取、自駕路徑規劃。
2️⃣ 流程第一站：數據處理
清洗：遺缺值（均值/中位數/眾數填補、缺太多刪除）、異常值（四分位距法、標準差法檢測修剔）。標準化兩公式（📐 下面）。特徵選擇三路線：過濾法（相關係數快篩）、包裝法（用模型表現試組合，如 RFE）、嵌入法（LASSO 訓練中自動篩）。降維：PCA 抽主成分壓低維。
3️⃣ 流程第二站：模型訓練
(a) 損失函數：模型的成績單
量「預測值 vs 真實值」差距的函數——損失越高＝錯得越離譜。迴歸用 MSE 均方誤差（誤差平方的平均），分類用交叉熵損失（預測機率分佈與真實分佈的差異）。
(b) 優化演算法：下山找最低點
梯度下降＝沿著損失函數的坡度往下走、一步步逼近最低點。三個變種：BGD 批次（整個資料集算一次梯度——穩但慢）、SGD 隨機（一筆資料就更新——快但晃）、Adam（動量＋自適應學習率——目前最通用）。
(c) 防過擬合三招
過擬合＝訓練考滿分、上場就翻車（把雜訊背起來了）。三帖藥：正則化（損失函數加 L1/L2 懲罰項，逼模型別長太複雜）、Early Stopping（驗證集表現開始變差就喊停）、資料擴增（旋轉翻轉造新樣本、提升泛化）。
4️⃣ 流程第三站：評估與調參
評估指標：準確率（預測對的比例——適合類別平衡時）、F1 分數（精確率與召回率的綜合——資料不平衡時用它）、MSE（迴歸誤差）。K 折交叉驗證：資料切 K 份、輪流當測試集、其餘當訓練集、重複 K 次取平均——降過擬合風險、評估更可靠（考點 Q4）。調參三法：網格搜索（把參數組合逐一試完）、隨機搜索（隨機抽組合試，高維參數空間更划算）、貝葉斯優化（用歷史結果聰明地挑下一組）。
教材（數據）＋學生（模型）＋打分老師（損失函數）＝學習的鐵三角。其他選項都是流程中的「手段」，不是核心三要素。
監督式＝每筆資料都附「標準答案」（標記）。（B）是非監督式、（C）是強化學習——三兄弟的身分證各自分明。
過擬合＝連雜訊都背起來——訓練資料倒背如流、新資料一來就掛。複雜度「不足」是欠擬合（A 相反）；資料「多」反而防過擬合（B 相反）。
初級科目一 AI 基礎概論全貌試看版只開放「3.3 機器學習概念」；其餘購買後開放
第3章 人工智慧基礎概論
這只是初級科目一 AI 基礎概論白話指引 4 節中的 1 節
你剛看到的名詞小卡、玩玩看、官方練習題互動化，五科白話指引每一節都是這樣做的。完整版還有：
- 白話學習指引：初級 2 科＋中級 3 科，官方 600 多頁指引整份白話改寫，名詞小卡＋玩玩看＋官方練習題
- 考古題全卷與 4,000 題以上變化題：逐題詳解，錯的選項也說清楚為什麼錯
- 中級程式題：逐行解析 35 題＋程式題預測 20 頁完整練習（可在瀏覽器執行）
- 互動實驗室 55 座、複習筆記 2.0、官方推薦書重點整理、Python 學習中心、AI 面試官教學站
- 貓老師弱點分析：用你的錯題算出考前最該補的考點
- 考前預測與 6 份 PDF：每次考前更新；帳號永久使用、持續更新