商品描述
本書特色
1.完整對應 iPAS 評鑑範圍
依官方能力鑑定架構設計內容，涵蓋 AI 基礎概念、資料處理、機器學習、生成式 AI 應用與導入規劃等重點，學習方向明確。
2.理論 × 應用 × 應試並重，三位一體的學習設計
不僅說明 AI 核心原理，也結合實際應用情境與工具操作，協助讀者同時掌握考試重點與實際運用能力。
3.結構清晰，適合教學與自學
內容編排循序漸進，搭配圖表與案例說明，兼顧課堂教學使用與自學需求，提升學習效率。
4.章末重點整理＋評量設計，強化應試實力
每章皆提供表格化重點整理提升關鍵認知，並搭配各章教學評量與仿真題型模擬測驗，強化複習效果與考試實戰力。
內容簡介
本書依據 iPAS「AI 應用規劃師（初級）」能力鑑定之學習範圍規劃，系統性涵蓋「人工智慧基礎概論」與「生成式 AI 應用」兩大核心領域，協助學生在建立理論基礎的同時，培養應檢所需之關鍵能力。內容包含 AI 定義與分類、資料處理與分析、機器學習模型、鑑別式與生成式 AI 原理，以及生成式 AI 工具應用、導入評估與風險管理等主題，完整對應官方評鑑內容架構。
本書採取由淺入深的教學設計，強調概念理解與應用連結，並於各章結尾整理重點知識，搭配教學評量題目與應試模擬試卷，協助讀者進行學習檢核與考試準備。適合作為大專院校課程教材，亦可作為報考 iPAS 證照之自學參考書。
目錄大綱
Part 1 人工智慧基礎概論
第1章 AI的定義與分類
1-1 人工智慧的發展
1-2 人工智慧的技術演進
1-3 生成式人工智慧
1-4 人工智慧的定義
第2章 AI 治理概念
2-1 AI 治理的必要性
2-2 AI 偏誤與公平性
2-3 可信任 AI
2-4 可解釋 AI
2-5 AI 治理框架與政策
第3章 資料基本概念與來源
3-1 人工智慧與資料的關係
3-2 資料型態
3-3 結構化與非結構化資料
3-4 資料來源
3-5 機器學習中的資料概念
3-6 大數據的特性與意涵
第4章 資料整理與分析流程
4-1 資料處理與分析流程
4-2 常見資料品質問題
4-3 ETL資料處理流程
4-4 資料分析方法與視覺化
4-5 資料分析結果的應用與決策
第5章 資料隱私與安全
5-1 資料隱私與個人資料概念
5-2 資料隱私的主要風險
5-3 資料保護的基本原則與方法
5-4 AI 時代的隱私挑戰與偏誤問題
5-5 隱私保護技術與實務應用
第6章 機器學習基本原理
6-1 機器學習的概念
6-2 機器學習的基本流程
6-3 訓練資料、特徵與標籤
6-4 模型評估與模型表現
第7章 常見的機器學習模型
7-1 監督式學習
7-2 非監督式學習
7-3 半監督式學習
7-4 強化式學習
7-5 多模態學習
第8章 鑑別式 AI 與生成式 AI 的基本原理
8-1 鑑別式 AI 與生成式 AI 概念
8-2 鑑別式 AI 的原理與應用
8-3 生成式 AI 的原理與應用
8-4 鑑別式 AI 與生成式 AI 的差異
第9章 鑑別式 AI 與生成式 AI 的整合應用
9-1 感知與創造的協作架構
9-2 跨領域的技術融合
9-3 實務應用場域與情境分析
9-4 整合應用的關鍵分析
Part 2 生成式 AI 應用與規劃
第10章 No Code / Low Code 的基本概念
10-1 軟體開發自主權的釋放
10-2 No Code / Low Code
10-3 LCNC 平台的潛在風險與治理架構
10-4 LCNC 與 AI 的整合應用
第11章 No Code / Low Code 的優勢與限制
11-1 LCNC 平台的核心優勢
11-2 導入 LCNC 的限制與挑戰
11-3 生成式 AI 與 LCNC 的整合
11-4 生成式 AI × LCNC 的應用案例
第12章 生成式 AI 應用領域與常見工具
12-1 文本生成
12-2 圖像生成
12-3 語音與音樂生成
12-4 影片生成
12-5 多模態生成
第13章 如何善用生成式 AI 工具
13-1 Prompt 的基本概念與原則
13-2 提示工程
13-3 RAG
第14章 生成式 AI 導入評估
14-1 效能評估
14-2 適用解決方案選擇
14-3 成本效益分析
14-4 生成式 AI 導入前評估
第15章 生成式 AI導入規劃
15-1 AI 導入六步驟
15-2 需求分析
15-3 資料盤點與治理
15-4 技術選型
15-5 PoC 驗證
15-6 規模化導入與持續改善
第16章 生成式 AI 風險管理
16-1 生成式 AI 的風險
16-2 模型與資料風險
16-3 技術防護機制
16-4 風險治理與管理機制
【學後評量】
各章習題
iPAS 模擬試題
