科目一：人工智慧技術應用與規劃iPAS AI應用規劃師（中級）白話學習指引
🔍 試看版

📖 這份指引怎麼用 （試看版：只開放「3.1 自然語言處理技術與應用」這一節）

這一頁是把官方 168 頁的《科目一：人工智慧技術應用與規劃》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3～5章），方便對照原文。

  • 🔑 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。
  • ✏️ 每章結尾有官方練習題：點選項立刻對答案、看白話解析。

🎯 科目一到底考什麼

官方把科目一切成三大主題，就是本頁的三章：

主題代號主題白話說明對應章節
L211AI 相關技術應用四大 AI 子領域各自是什麼、能做什麼：NLP、電腦視覺、生成式 AI、多模態 AI第3章
L212AI 導入評估規劃企業要不要導入 AI、怎麼評估、怎麼規劃、風險怎麼管第4章
L213AI 技術應用與系統部署資料怎麼準備、模型怎麼選、系統怎麼整合上線與維運第5章

※ 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。

第3章

AI 相關技術應用

導入 AI 之前，得先認識武器庫裡有什麼。這章帶你逛四大 AI 子領域：讓機器懂語言的 NLP（3.1）、讓機器看懂世界的電腦視覺（3.2）、讓機器創造內容的生成式 AI（3.3），以及把它們全部接在一起的多模態 AI（3.4）。

3.1 自然語言處理技術與應用讓機器聽懂人話

🔑 讀這節前，先搞懂這幾件事
  • NLP＝讓電腦「理解、處理、生成」人類語言的技術總稱。三個任務層次：理解（聽懂意圖情緒）→處理（轉成電腦能算的結構）→生成（產出自然語句）。
  • 兩個子領域考題最愛：NLU＝「理解」端（意圖辨識、NER、情感分析）；NLG＝「產出」端（摘要、回應生成）。客服機器人＝先 NLU 聽懂、再 NLG 回話。
  • 模型只認得數字——所以文字必須先變成向量，這個轉換的品質決定一切（本節重頭戲）。

1️⃣ 技術演進四階段（必背時間軸）

階段年代怎麼做代表罩門
規則式方法1980s–1990s語言學家手寫語法規則與辭典——高可解釋、特定領域穩定ELIZA（關鍵詞比對聊天）、專家系統全靠專家、擴展性差、規則維護成本高
統計語言模型1990s–2010大量語料訓練「機率」模型，自動學語言規律N-gram、HMM、CRF不懂深層語意、依賴大量標注、抓不到長距離依賴
深度學習2010–2018神經網路吃語言序列，自動抽特徵RNN、LSTM、GRU難平行運算、訓練久；RNN 有梯度消失
預訓練語言模型2018–至今自注意力＋大規模語料預訓練再微調Transformer、BERT、GPT、RoBERTa、T5算力需求極高、模型巨大
⭐ 考點速記

BERT＝雙向 Transformer Encoder＋遮蔽語言模型（MLM）→ 強在「理解」類任務（分類、問答、NER）；GPT＝單向 Transformer Decoder＋自迴歸生成 → 強在「生成」類任務。「雙向上下文理解」四個字出現，答案就是 BERT。

2️⃣ 前處理五件套：先把文字洗乾淨

技術做什麼白話例子
分詞句子拆成詞/子詞（BPE），語言處理的基本單位「我愛自然語言處理」→我/愛/自然語言處理。切錯刀（自然/語言/處理）後面全歪
詞性標注標記每個詞的語法角色（名詞/動詞/形容詞）「小明(名詞)昨天(副詞)去(動詞)北京(地名)」——NER 與關係抽取的地基
詞形還原還原成字典形，考慮詞性語義——準但慢running/ran/runs → run（查字典的文雅版）
詞幹提取粗暴砍字尾取詞幹，不管語義——快但糙happiness → happi（美工刀裁過頭也認了）
停用詞移除丟掉 is/the/的/是 這種高頻低資訊詞降維、凸顯關鍵詞；但對話生成要保留——拿掉「我」「在」句子就不自然（考點）

3️⃣ 詞彙向量化：文字 → 數字的演進史（本節最大考區）

🔑 讀這段前，先搞懂三組對比詞
  • 分布式 vs 非分布式：分布式＝詞的意思由「跟誰一起出現」決定，語意近的詞向量就近（dog 和 cat 常出現在同款句子→住隔壁）；非分布式＝每個詞一個孤立向量，彼此毫無關聯（One-hot）。
  • 語境型 vs 非語境型：語境型＝同一個詞在不同句子有不同向量（bank 在「存錢」句是銀行、在「河邊」句是河岸）；非語境型＝一個詞永遠同一條向量，多義詞治不了。
  • 詞嵌入＝把詞變成「帶語意的數字向量」的技術總稱。
世代代表分布式？語境型？優點罩門
純離散One-hot、Bag of Words✗✗簡單好實作向量稀疏、無語意、維度爆高
統計型TF-IDF✗✗反映詞的重要性、效果穩定忽略語序與上下文、治不了多義詞
統計共現N-grams有限短範圍保留語序與詞組N 一大特徵爆炸、稀疏嚴重、抓不到長距離
靜態詞嵌入Word2Vec、GloVe、FastText✓✗有語意結構、向量可運算、訓練成本低每詞只有一個向量——bank 永遠同一條，多義詞投降
語境型詞嵌入ELMo、BERT、GPT✓✓ 動態語意精準、同詞異義迎刃而解模型大、吃算力記憶體

(a) TF-IDF：這個詞對這篇文件多重要

tf-idf(t, d, D) ＝ TF(t, d) × IDF(t, D)　　其中 TF＝詞 t 在文件 d 的出現次數 ÷ 文件總詞數，IDF＝log( 文件總數 ÷ 含詞 t 的文件數 )
💬 白話翻譯：重要性＝「在這篇出現多頻繁」×「在全庫多稀有」。到處都有的詞（的、手機）被 IDF 打趴；只在這篇狂出現的詞（當機）就是關鍵詞。
🧮 實際算一次（官方例題）

語料庫 1,000 篇文件，「AI」只出現在 10 篇；某篇文件共 100 個詞、其中「AI」出現 3 次。
TF = 3 ÷ 100 = 0.03；IDF = log(1000 ÷ 10) = log(100) ≈ 2；tf-idf = 0.03 × 2 = 0.06。
拉拉看下面的互動：讓「AI」出現在越多文件，IDF 掉多快。

🎮 玩玩看：TF-IDF 計算機
固定「AI」在這篇出現 3 次/100 詞（TF=0.03）。拉動「AI 出現在幾篇文件」，看 IDF 與 tf-idf 怎麼一路崩——越常見的詞越沒鑑別力。

(b) Word2Vec：CBOW 與 Skip-gram

Google 2013 年提出，用神經網路把詞壓成語意向量。兩種訓練方式方向相反：CBOW＝拿上下文猜中心詞（The cat __ on the mat → 猜 sits），訓練快、適合小語料；Skip-gram＝拿中心詞猜上下文（sits → 猜 The/cat/on/the/mat），對低頻詞更有效、語意捕捉更好。經典彩蛋：king − man + woman ≈ queen——向量真的可以做語意算術。

GloVe（史丹佛 2014）不逐句學、改用整體共現矩陣做矩陣分解——king 和 queen 都常跟 throne/royal 同行，向量自然靠近。FastText（Meta 2016）把詞拆成子詞 n-gram（playing→pla/lay/ayi/…）：沒看過的新詞（nationalization）也能用 nation＋-al＋-ization 拼出向量，OOV 剋星。

🎮 玩玩看：靜態 vs 語境型——bank 的雙重人生
兩個句子都有 bank。切換模型：Word2Vec（靜態）給 bank 永遠同一個位置；BERT（語境型）讓它依句子分裂成兩個語意分身——這就是「動態詞向量」。

(c) N-grams：切出詞組保語序

🎮 玩玩看：N-gram 切分器
把「I love machine learning」切成 N-gram。拉大 N：詞組越長、語序保得越多——但看右邊曲線，詞彙表 V=10,000 時特徵空間 V^N 爆炸得有多快（對數尺度）。

4️⃣ Transformer：改變一切的架構

  • Self-Attention 自注意力：處理每個詞時同時看整句所有詞並加權——「The cat that was chased by the dog ran away」中，隔了一堆詞照樣抓到 cat↔ran 的長距離依賴。RNN 逐字讀就常忘。
  • Encoder-Decoder：Encoder 把輸入壓成語意向量、Decoder 逐步吐出目標文字——機器翻譯、摘要這種「一段進一段出」（Seq2Seq）任務的標準骨架。
  • 全平行架構：不像 RNN 要逐時間步排隊，Self-Attention 一次算完整句——訓練大提速、GPU/TPU 吃好吃滿，才養得出 GPT-3 等巨型模型。

5️⃣ 用預訓練模型的三種姿勢

  • Prompt-based 提示學習：把任務改寫成填空/問答讓模型直接作答——「這條評論是[情感]。」免再訓練。
  • Few-shot 少樣本：給 5 條標好的範例，模型現學現賣；Zero-shot 零樣本：一條範例都不給，直接下指令分類郵件（官方例：判斷客訴信屬於「技術支援請求」）。
  • RAG 檢索增強生成：先從外部知識庫檢索資料、再據以生成答案——治「一本正經胡說八道」的良方；LoRA 低秩自適應：只加訓一小撮低秩參數就能讓大模型適應新任務——邊緣設備部署 GPT 級模型的省錢術。

6️⃣ 應用全景與三層風險

應用六連發：文字分類（垃圾郵件、評論正負、客服工單分流）、情感分析（輿情監控、滿意度）、對話系統（任務導向訂票查天氣 vs 開放式 ChatGPT）、文字生成與摘要（新聞摘要、廣告標題、自動報表）、機器翻譯（商業文件、多語客服）、NER＋關係抽取（法律醫療文本結構化、知識圖譜）。

風險層重點處理
資料層隱私（對話紀錄含個資）；標註品質與資料偏見；授權版權（爬蟲沒授權、生成內容侵權）去識別化（代碼替換/抽象化/遮罩——仍可能回連個體）vs 匿名化（徹底刪除/隨機化/聚合——無法再連結，考點：兩者程度不同！）；來源合法授權＋生成內容版權檢查
模型層模型偏見（男主管＝果斷、女主管＝情緒化）；公平性評估缺位WEAT 檢測詞向量偏見；平衡訓練資料；納入公平性指標＋人工覆核
應用層語意理解限制（「這服務真的好讚^_^」的反諷、「很雷」的方言）；部署維運（效能下降、推論太慢）；模型幻覺（「法國首都在柏林」——語氣自然、內容全錯）語境型詞向量＋常識推理模組；回饋機制＋監控再訓練；事實查核＋高風險領域人工審核＋風險預告聲明
🔒 3.2 電腦視覺技術與應用名詞卡 33・玩玩看 2・完整版開放
🔒 3.3 生成式 AI 技術與應用名詞卡 20・玩玩看 2・完整版開放
🔒 3.4 多模態人工智慧應用名詞卡 17・玩玩看 1・完整版開放
✏️ 第3章 練習評量（官方 10 題）（試看 3 題）
點選你認為的答案，立刻對答案＋看白話解析。
1. 下列何者為自然語言處理（NLP）中的詞嵌入技術，能將文字轉換為向量以利機器學習處理？
答案（B）Word2Vec

「詞嵌入」＝把詞壓成帶語意的向量——Word2Vec 是招牌。TF-IDF 和 BoW 雖然也把文字變數字，但只是統計計數、沒有語意結構，不算詞嵌入；Stop Words 是要被移除的停用詞。

2. 在自然語言處理應用中，哪一項任務主要目的是從文字中識別出人名、地名、組織等資訊？
答案（C）命名實體識別

「人名、地名、組織」三個詞一出現＝NER 的招牌題。情感分析管正負情緒、主題建模挖主題、語音辨識管聲音轉文字。

3. 語言模型 BERT 的主要特性為何？
答案（D）

BERT 的 B＝Bidirectional（雙向）：同時看前文與後文理解每個詞。它基於 Transformer 不是 RNN（A 錯）；「單向」是 GPT 的特徵（C 錯）。

🔒 本組其餘 7 題與其他章節的練習題完整版開放

中級科目一 AI 技術應用規劃全貌試看版只開放「3.1 自然語言處理技術與應用」；其餘購買後開放

第3章 AI 相關技術應用

📖 3.1 自然語言處理技術與應用你正在看這一節
🔒 3.2 電腦視覺技術與應用名詞卡 33・玩玩看 2・完整版開放
🔒 3.3 生成式 AI 技術與應用名詞卡 20・玩玩看 2・完整版開放
🔒 3.4 多模態人工智慧應用名詞卡 17・玩玩看 1・完整版開放

第4章 AI 導入評估規劃

🔒 4.1 AI 導入評估名詞卡 11・玩玩看 2・完整版開放
🔒 4.2 AI 導入規劃名詞卡 7・玩玩看 2・完整版開放
🔒 4.3 AI 風險管理名詞卡 25・玩玩看 2・完整版開放

第5章 AI 技術應用與系統部署

🔒 5.1 數據準備與模型選擇名詞卡 46・玩玩看 2・完整版開放
🔒 5.2 AI 技術系統集成與部署名詞卡 30・玩玩看 2・完整版開放
🔒 ✏️ 官方練習題（3 組）點選即對答案＋白話解析

這只是中級科目一 AI 技術應用規劃白話指引 9 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：

💳 信用卡直接購買🛒 前往蝦皮賣場 📖 看完整介紹 🗺️ 回學習順序總覽
名詞小卡