iPAS AI應用規劃師 考試重點

L11401 鑑別式AI與生成式AI的基本原理
主題分類
1
基本定義與目標
2
核心原理與機制
3
主要差異比較
4
輸入與輸出特性
5
常見模型類型(概觀)
6
典型應用場景
#1
★★★★★
鑑別式AI (Discriminative AI) 的基本定義與目標
核心概念
鑑別式AI 主要學習數據之間的決策邊界或條件機率 P(Y|X)。其目標是根據輸入特徵 (X) 來預測或分類輸出標籤 (Y)。簡單來說，它專注於「區分」不同類別或「預測」某個數值。(課程規劃書 L114)
#2
★★★★★
生成式AI (Generative AI) 的基本定義與目標
核心概念
生成式AI 主要學習數據的潛在分佈或聯合機率 P(X,Y)。其目標是理解數據是如何生成的，並能夠創造出新的、與原始數據相似但又不同的數據。它專注於「生成」新的內容。(公部門手冊 P6; 課程規劃書 L114)
#3
★★★★
鑑別式AI 的核心原理：學習決策邊界
核心概念
鑑別式模型直接學習如何區分不同類別的數據。它們在特徵空間中尋找一個「邊界」，能最好地將不同類別的樣本分開。例如，支持向量機 (SVM) 就是尋找最大邊界超平面。它不關心數據本身的生成過程，只關心如何劃分。(課程規劃書 L114)
#4
★★★★
生成式AI 的核心原理：學習數據分佈
核心概念
生成式模型試圖理解訓練數據的內在結構和機率分佈。透過學習這個分佈，模型能夠生成新的樣本，這些樣本看起來像是從原始數據分佈中抽取出來的。例如，生成對抗網路 (GAN) 就包含一個生成器來學習數據分佈並生成新樣本。(課程規劃書 L114)
#5
★★★★★
主要差異：目標任務不同
核心概念
最根本的差異在於它們解決的問題類型：
  • 鑑別式AI：回答「這是什麼？」的問題（分類、預測）。
  • 生成式AI：回答「創造一個像這樣的東西」的問題（生成新內容）。
(製造業指引 P10-11; 課程規劃書 L114)
#6
★★★★
主要差異：學習的機率模型不同
核心概念
  • 鑑別式AI：學習條件機率 P(Y|X)，即給定輸入X，輸出Y的機率。
  • 生成式AI：學習聯合機率 P(X,Y) 或邊緣機率 P(X)，即數據X和標籤Y共同出現的機率，或數據X本身出現的機率。
這個差異決定了它們的能力和應用方向。
#7
★★★★
鑑別式AI 的輸入與輸出
核心概念
鑑別式AI 的輸入通常是需要被分類或預測的數據（如圖像、文本、結構化數據特徵），輸出則是該數據對應的類別標籤（如「貓」、「狗」、「垃圾郵件」）或一個連續的數值（如房價、溫度）。輸出空間通常是有限的或預先定義的。(製造業指引 P10-11)
#8
★★★★
生成式AI 的輸入與輸出
核心概念
生成式AI 的輸入通常是提示 (Prompt) 或條件（例如文本描述、隨機種子、風格指令），輸出則是全新的、生成的內容（如文章、圖像、音樂、程式碼）。輸出空間非常廣闊且多樣化。(公部門手冊 P6; 製造業指引 P10-11)
#9
★★★
常見的鑑別式模型類型 (概觀)
核心概念
一些基礎且常見的鑑別式模型包括：
  • 邏輯迴歸 (Logistic Regression)
  • 支持向量機 (SVM - Support Vector Machine)
  • 決策樹 (Decision Tree)
  • 隨機森林 (Random Forest)
  • 傳統的神經網路用於分類任務
(初級僅需了解其屬於鑑別式)
#10
★★★
常見的生成式模型類型 (概觀)
核心概念
一些驅動現代GenAI的關鍵模型類型包括：
  • 生成對抗網路 (GAN - Generative Adversarial Network)
  • 變分自動編碼器 (VAE - Variational Autoencoder)
  • 轉換器模型 (Transformer)，尤其是大型語言模型 (LLM) 的基礎
  • 擴散模型 (Diffusion Model)，常用於圖像生成
(初級僅需了解其屬於生成式) (課程規劃書 L114)
#11
★★★★
鑑別式AI 的典型應用
核心概念
鑑別式AI廣泛應用於：
  • 垃圾郵件偵測
  • 圖像分類（判斷圖像是貓還是狗）
  • 情感分析（判斷文本是正面還是負面情緒）
  • 信用風險評估（預測客戶是否會違約）
  • 醫療診斷輔助（根據症狀或影像判斷疾病）
(製造業指引 P10)
#12
★★★★
生成式AI 的典型應用
核心概念
生成式AI的應用場景包括：
  • 內容創作（文本、圖像、音樂、程式碼）
  • 對話式AI（聊天機器人、虛擬助理）
  • 資料增強（生成合成數據）
  • 藥物發現（生成新的分子結構）
  • 藝術與設計
(公部門手冊 P8; 製造業指引 P10; 課程規劃書 L122)
#13
★★★
關係：生成式模型是否能用於鑑別任務？
核心概念
理論上，學習了聯合機率 P(X,Y) 的生成式模型可以透過貝氏定理推導出條件機率 P(Y|X)，從而執行分類等鑑別任務。然而，實務上，直接學習 P(Y|X) 的鑑別式模型在鑑別任務上通常表現更好、更有效率。
#14
★★★
關係：鑑別式模型是否能用於生成任務？
核心概念
一般來說，鑑別式模型無法直接用於生成新的數據。因為它們學習的是類別間的邊界，而沒有學習數據本身的潛在分佈，所以不知道如何從無到有地創造出新的、符合該分佈的數據樣本。
沒有找到符合條件的重點。
↑