iPAS - AI 應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含 AIE 國際認證：MLAE 機器學習應用工程師 (Expert Level) - 最新版- 附贈 MOSME

高煥堂

iPAS - AI 應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含 AIE 國際認證：MLAE 機器學習應用工程師 (Expert Level) - 最新版- 附贈 MOSME
  • 出版商: 台科大圖書出版社
  • 出版日期: 2026-02-26
  • 定價: $780
  • 售價: 9.0 折 $702
  • 語言: 繁體中文
  • 頁數: 520
  • ISBN: 6267848205
  • ISBN-13: 9786267848203
  • 相關分類: Machine Learning

    • 立即出貨 (庫存 < 10)

買這商品的人也買了...

相關主題

商品描述

1.完整知識架構：涵蓋AI基礎概念、機器學習、深度學習、生成式AI、多模態AI與大數據應用。
2.理論與實務並重：結合理論講解、實務案例與操作流程，培養實際應用能力。
3.掌握AI模型的架構和推理行為：建立優秀的模型建構、訓練與調校的能力。
4.導入規劃導向：包含AI專案評估、POC驗證、模型選擇、資料準備與部署流程；並重視AI治理、風險管理與國際治理規範。
5.大量範例與圖解：透過圖表與情境說明，降低學習門檻、提升理解效率。
6.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：MLAE機器學習應用工程師的核心知識架構。

目錄大綱

第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ）
主題1 AI 相關技術應用
第1 章 自然語言處理（NLP）技術與應用
1-1 認識自然語言（NLP）
1-2 GenAI、LLM 和NLP 三重奏
1-3 GenAI、LLM 和NLP 三合一的魅力
1-4 展現更多商業價值
1-5 RAG 的角色與使用要點
1-6 實務應用
模擬試題

第2 章 電腦視覺技術與應用
2-1 介紹電腦視覺（Computer Vision）
2-2 電腦視覺的發展歷史
2-3 正在崛起的視覺GenAI
2-4 電腦視覺的應用
2-5 電腦視覺技術的未來發展
2-6 實務應用
模擬試題

第3 章 生成式AI 技術與應用
3-1 生成式AI 的內涵
3-2 大型語言模型（LLM）
3-3 LLM 的幻覺問題
3-4 LLM 搭配RAG：降低幻覺
3-5 RAG、微調與提示工程
3-6 GenAI 的常見應用
3-7 GenAI 的未來發展
3-8 實務應用
模擬試題

第4 章 多模態人工智慧應用
4-1 簡介多模態AI
4-2 流行的多模態AI 模型
4-3 多模態AI 應用情境
4-4 多模態AI 提升人機介面（HCI）
4-5 多模態AI 提升人的決策力
4-6 多模態AI 的未來發展
4-7 實務應用
模擬試題

主題2 AI 導入評估規劃
第5 章 AI 導入評估
5-1 什麼是「AI 導入評估」
5-2 AI 導入評估的主要內容
5-3 概念驗證（Proof of Concept, POC）方法
5-4 快速原型（Rapid Prototyping）驗證方法
5-5 實務應用
模擬試題

第6 章 AI 導入規劃
6-1 AI 專案規劃包含哪些內容
6-2 了解問題，訂定專案目標（Goal）
6-3 挑選優先用例（Use Case），進行用例評估
6-4 模型（Model）選擇
6-5 收集高品質的資料（Data）
6-6 組成多元團隊，並制定風險管理計劃
6-7 模型訓練& 部署（Train & Deploy）
6-8 實務應用
模擬試題

第7 章 AI 風險管理
7-1 為什麼AI 導入需要風險管理
7-2 AI 專案風險管理的範圍
7-3 常見AI 風險類型
7-4 風險評估流程
7-5 對應的控管策略
7-6 實務應用
模擬試題

主題3 AI 技術應用與系統部署
第8 章 數據準備與模型選擇――以生成式AI 為例
8-1 數據準備（Data Preparation）的涵意
8-2 數據準備的六項關鍵任務
8-3 數據準備實施中的注意事項
8-4 模型選擇（Model Selection）
8-5 開發原型，快速驗證
8-6 實務應用
模擬試題

第9 章 AI 技術系統集成與部署—以生成式AI 為例
9-1 AI 系統整合（集成）架構
9-2 AI 部署與挑戰
9-3 AI 部署的流程：以GenAI 為例
9-4 實務應用
模擬試題

第2 篇 機器學習技術與應用（ iPAS 中級科目3 ）
主題1 機器學習基礎數學
第1 章 機率/ 統計之機器學習基礎應用
1-1 統計學是現代AI 的起點
1-2 使用sigmoid 函數讓迴歸線輸出機率
1-3 簡單的線性迴歸分析
1-4 從線性迴歸到多類分類
1-5 範例說明
模擬試題

第2 章 線性代數之機器學習基礎應用
2-1 迴歸線的本質就是線性代數
2-2 空間映射：資料穿越空間，成為智慧
2-3 機器學習（ML）的邏輯步驟
2-4 範例說明
模擬試題

第3 章 數值優化技術與方法
3-1 模型優化的重要概念
3-2 優化器的種類
3-3 反向傳播（BP）與優化器的完美協作
3-4 ML 的數值優化流程
3-5 範例說明
模擬試題

主題2 機器學習與深度學習
第4 章 機器學習原理與技術
4-1 機器學習（Machine Learning）的原理
4-2 從資料樣本提取特徵（Feature）
4-3 AI 從特徵中學習其規律
4-4 範例說明
模擬試題

第5 章 常見機器學習演算法
5-1 鑑別式AI 演算法
5-2 生成式AI 演算法
5-3 介紹邏輯迴歸模型
5-4 介紹神經網路模型
5-5 介紹卷積神經網路（CNN）模型
5-6 範例說明
模擬試題

第6 章 深度學習原理與框架
6-1 介紹深度學習
6-2 深度學習框架
6-3 使用PyTorch 框架：分辨「水果」圖片
6-4 範例說明
模擬試題

主題3 機器學習建模與參數調校
第7 章 數據準備與特徵工程
7-1 數據準備與特徵工程之關係
7-2 數據準備與資料預處理
7-3 特徵工程
7-4 認識分類型特徵
7-5 展開特徵工程，並訓練模型
7-6 範例說明
模擬試題

第8 章 模型選擇與架構設計
8-1 模型選擇
8-2 ML 架構設計
8-3 模型選擇與架構設計之迭代過程
8-4 遷移學習：復用ResNet50 模型
8-5 範例說明
模擬試題

第9 章 模型訓練、評估與驗證
9-1 模型訓練與評估
9-2 四項基本評估指標
9-3 模型驗證與測試
9-4 範例說明
模擬試題

第10 章 模型調整與優化
10-1 模型調整的涵義
10-2 模型調整方法
10-3 模型優化技術
10-4 模型微調（Fine-tuning）：以LoRA 為例
10-5 範例說明
模擬試題

主題4 機器學習治理
第11 章 數據隱私、安全與合規
11-1 資料隱私與資料安全之關係
11-2 資料隱私
11-3 數據安全
11-4 數據合規與AI 治理
11-5 範例說明
模擬試題

第12 章 演算法偏見與公平性
12-1 ML 偏見導致不公平性
12-2 ML 演算法的偏見
12-3 ML 演算法的公平性
12-4 細說可解釋性
12-5 範例說明
模擬試題

類似商品