L11 深度拆解
L111 人工智慧概念（10–12 題）
L11101 AI 的定義與分類
AI 三個能力等級
| 等級 | 定義 | 例子 |
|---|---|---|
| 弱 AI | 特定任務 | ChatGPT、圍棋 |
| 強 AI | 人類水準的通用智慧 | 尚未實現 |
| 超 AI | 超越人類智慧 | 假設性 |
AI 三波發展史
- 符號推理時代：規則-based，專家系統
- 機器學習時代：從資料學習規則
- 深度學習時代：大量資料 + GPU + 神經網路
L11102 AI 治理概念 115 年超重點
EU AI Act 三層風險架構（最常考）
| 類型 | 定義 | 例子 |
|---|---|---|
| 禁止 | 不可接受的風險 | 職場 / 學校情緒辨識、社會評分、即時遠端生物辨識（警察除外） |
| 高風險 | 需嚴格監管 | 醫療診斷、教育評分、就業篩選、信用評分、司法判決輔助 |
| 低風險 | 透明性要求 | 聊天機器人（需說明是 AI）、DeepFake（需標示） |
陷阱：「禁止」≠「高風險」。情緒辨識在職場是「禁止」，不是「高風險」。
台灣法規（115 年新增）
- 金管會生成式 AI 使用指引：金融業導入 AI 的規範
- PDPA 個人資料保護法：資料蒐集、使用、處理的合規要求
- Regulatory Sandbox：測試新技術的法規豁免沙盒
- 數位發展部《AI 基本法》草案概念
AI 責任歸屬（情境題常考）
- AI 造成損害 → 開發者 / 部署者 / 使用者各有責任
- 高風險 AI → 需進行事前合規評估
- 可解釋性需求 → 高風險決策不能是黑箱
L112 資料處理與分析概念（8–10 題）
大數據 5V 與資料類型
5V 特性
- Volume（量）：資料量極大
- Velocity（速）：產生速度快
- Variety（多樣）：結構 / 半 / 非結構化
- Veracity（真實）：資料品質問題
- Value（價值）：從資料萃取洞察
資料結構分類
- 結構化：表格（SQL 資料庫）
- 半結構化：JSON、XML、CSV
- 非結構化：圖片、影片、文字
特徵工程（容易混淆）
Normalization vs Standardization
| 方法 | 結果 | 適用 |
|---|---|---|
| Normalization | [0, 1] | 有明確上下限時 |
| Standardization | 均值 0、標準差 1 | 常態分佈假設下 |
特徵選擇 vs 特徵萃取
- 選擇：從現有特徵中挑重要的（不改變特徵本身）
- 萃取：建立新的特徵（如 PCA 降維）
L113 機器學習概念（18–22 題，最多）
六種學習類型（必考）
| 類型 | 資料要求 | 典型算法 / 例子 | 考試關鍵詞 |
|---|---|---|---|
| 監督式 | 有標籤 | 線性迴歸、SVM、決策樹 | 分類、迴歸、預測 |
| 非監督式 | 無標籤 | K-means、PCA、DBSCAN | 分群、降維、異常偵測 |
| 半監督式 | 少量標籤 + 大量無標籤 | 自訓練（Self-training） | 標記成本高、資料稀缺 |
| 自監督式 | 無需人工標記 | BERT、GPT 預訓練 | ≠ 非監督式；預測遮蔽詞 / 下一句 |
| 強化式 | 環境獎懲 | Q-Learning、PPO | 下棋、自動駕駛、機器手臂 |
| 遷移學習 | 預訓練模型 | Fine-tuning、BERT 微調 | 少量資料解決新任務 |
官方勘誤 K-means 收斂條件
錯誤 B（群內距離最大化）
正確 A（群內距離最小化，群間距離最大化）
Bias-Variance Trade-off（模型評估核心）
過擬合（Overfitting）
- 訓練誤差低，測試誤差高
- High Variance，Low Bias
- 解決：正則化、Dropout、增加資料
欠擬合（Underfitting）
- 訓練和測試誤差都高
- High Bias，Low Variance
- 解決：增加模型複雜度、更多特徵
L114 鑑別式 AI 與生成式 AI（10–12 題）
生成模型架構比較（混考）
| 模型 | 核心機制 | 特性 | 代表應用 |
|---|---|---|---|
| VAE | 編碼到連續 latent space → 解碼 | 可控生成、latent space 插值 | 風格轉換、藥物設計 |
| GAN | 生成器 vs 鑑別器對抗訓練 | 高品質生成，訓練不穩定 | Deepfake、圖像生成 |
| Diffusion | 逐步加雜訊 → 逐步去雜訊 | 高品質、可控，推理慢 | Stable Diffusion、DALL-E |
| Transformer | Self-Attention，平行計算 | 長文脈依賴，需大量記憶體 | GPT-4、BERT、翻譯 |
115 年新考點 Flash Attention / RLHF
Flash Attention
- 問題：Transformer Self-Attention 的記憶體 I/O 瓶頸
- 解法：分塊計算，減少 HBM（高頻寬記憶體）讀寫次數
- 效果：速度更快，記憶體使用更少
- 考試關鍵詞：I/O 瓶頸、記憶體效率
RLHF（人類回饋強化學習）
- 目的：讓 LLM 的輸出符合人類價值觀
- 流程：SFT → Reward Model → PPO 強化學習
- 應用：ChatGPT、Claude 的對齊技術
- 考試關鍵詞：對齊、安全、人類偏好