iPAS AI應用規劃師考試重點整理 - L11301 機器學習基本原理

#1

★★★★★

機器學習 (ML, Machine Learning) 定義

核心概念

理解機器學習是AI的一個分支，其核心思想是讓電腦系統能夠從資料中自動學習規律或模式，而無需明確的程式指令，並利用學習到的模式來做出預測或決策。 (對應能力 K05)

#2

★★★★★

核心元件：特徵 (Features) 與標籤 (Labels)

核心概念

特徵：指用來進行預測或分類的輸入變數或屬性。例如，預測房價時的房屋大小、房間數量。
標籤：在監督式學習中，指我們希望預測的目標變數或正確答案。例如，房價預測中的實際房價，或郵件分類中的「垃圾郵件」/「非垃圾郵件」。

(對應能力 K05, K11)

#3

★★★★

核心元件：模型 (Model)

核心概念

指機器學習演算法從訓練資料中學習到的表示或函數。它捕捉了特徵與標籤（或資料結構）之間的關係，可以用來對新的、未見過的資料進行預測或分析。 (對應能力 K05)

#4

★★★★★

監督式學習 (Supervised Learning)

核心概念

使用帶有標籤的資料進行訓練，模型學習從輸入特徵映射到已知輸出標籤的關係。目標是預測新輸入資料的標籤。 (對應能力 K05, L11302)

#5

★★★★

監督式學習的任務：分類 (Classification)

核心概念

目標是將輸入資料分配到預定義的類別中。標籤是離散的類別值。例如：判斷郵件是否為垃圾郵件、識別圖片中的動物種類。 (對應能力 K05)

#6

★★★★

監督式學習的任務：迴歸 (Regression)

核心概念

目標是預測一個連續的數值。標籤是連續的數值。例如：預測房價、預測股票價格、預測溫度。(樣題 #8) (對應能力 K05)

#7

★★★★★

非監督式學習 (Unsupervised Learning)

核心概念

使用沒有標籤的資料進行訓練，模型需要自行探索資料中的結構、模式或關係。 (對應能力 K05, L11302)

#8

★★★★

非監督式學習的任務：分群/聚類 (Clustering)

核心概念

目標是將資料自動分組成具有相似特徵的群體。例如：客戶分群、新聞主題分類。 (對應能力 K05)

"

#9

★★★

非監督式學習的任務：降維 (Dimensionality Reduction)

核心概念

在保留重要資訊的前提下，減少資料的特徵數量。有助於資料視覺化、去除雜訊、降低計算複雜度。 (對應能力 K05, K11)

#10

★★

半監督式學習 (Semi-supervised Learning) 概念

核心概念

介於監督式和非監督式之間，訓練資料同時包含少量標籤資料和大量未標籤資料。 (對應能力 K05, L11302)

#11

★★

強化學習 (Reinforcement Learning) 概念

核心概念

模型（Agent）透過與環境互動，學習採取一系列行動以最大化累積獎勵 (Reward)。常用於遊戲、機器人控制等領域。(樣題 #2) (對應能力 K05, L11302)

#12

★★★★★

資料劃分：訓練集、驗證集、測試集

核心概念

理解將資料劃分為不同集合的目的：

訓練集 (Training Set)：用於訓練模型，讓模型學習模式。
驗證集 (Validation Set)：用於在訓練過程中調整模型的超參數（如學習率）和選擇最佳模型。
測試集 (Test Set)：用於在模型訓練完成後，評估模型在從未見過的數據上的最終性能（泛化能力）。

(對應能力 K05, K11)

#13

★★★★★

過度擬合 (Overfitting)

核心概念

指模型過度學習了訓練資料的細節和噪聲，導致在訓練集上表現很好，但在新的、未見過的數據（驗證集或測試集）上表現很差。模型泛化能力 (Generalization) 低。(樣題 #13) (對應能力 K05, K12)

#14

★★★★

不足擬合 (Underfitting)

核心概念

指模型過於簡單，未能捕捉到資料中潛在的模式，導致在訓練集和測試集上表現都不好。(樣題 #13) (對應能力 K05, K12)

#15

★★★★

模型評估指標 (基礎)

核心概念

了解用於評估模型性能的基本指標：

準確率 (Accuracy)：預測正確的樣本比例（常用於分類，但在類別不平衡時可能具誤導性）。
（了解概念即可）精確率 (Precision), 召回率 (Recall), F1 分數 (F1 Score) - 用於更細緻評估分類模型。
（了解概念即可）均方誤差 (MSE, Mean Squared Error), 平均絕對誤差 (MAE, Mean Absolute Error) - 用於評估迴歸模型。

(樣題 #14) (對應能力 K05, K11, S03)

#16

★★★

交叉驗證 (Cross-Validation) 的基本概念

核心概念

認識到交叉驗證是一種更穩健的模型評估方法，透過多次劃分資料集進行訓練和驗證，得到更可靠的性能估計，有助於減少過度擬合的風險。(樣題 #9) (對應能力 K05, S03, S11)

#17

★★★

機器學習在影像辨識中的應用概念

核心概念

了解機器學習（特別是深度學習中的卷積神經網路 CNN）可用於圖像分類、物體偵測等任務。 (對應能力 K02, K05)

#18

★★★

機器學習在自然語言處理 (NLP) 中的應用概念

核心概念

了解機器學習可用於處理和理解人類語言，執行文本分類、情感分析、機器翻譯、問答系統等任務。(樣題 #7) (對應能力 K02, K05)

#19

★★

機器學習在推薦系統 (Recommender Systems) 中的應用概念

核心概念

了解機器學習可用於分析使用者歷史行為和偏好，向其推薦可能感興趣的商品、電影、音樂等。 (對應能力 K02, K05)

#20

★★

機器學習在異常偵測 (Anomaly Detection) 中的應用概念

核心概念

了解機器學習可用於識別偏離正常模式的數據點，應用於金融詐欺偵測、設備故障預警、網路入侵檢測等。 (對應能力 K02, K05)

iPAS AI應用規劃師 考試重點

iPAS AI應用規劃師考試重點