2025年7月29日 星期二

2025 07 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題 關於AI,下列敘述何者正確? 下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題? 度學習模型中,下列哪一項通常用來降低 過擬合(Overfitting)問題? 若要設計一個能夠辨識並過濾垃圾郵件的系統,應該選擇下列哪一種 機 器學習演算法以實現最佳效果?

 iPAS AI應用規劃師初級能力鑑定-考試樣題

 (樣題範例非正式考題,僅供參考使用)


關於AI,下列敘述何者正確?

     (A) AI僅能處理結構化數據的分析 

     (B) AI涵蓋多種專業領域與技術

     (C) AI系統只能在學術研究中應用

     (D) AI無法應用於金融領域


下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題? 

       (A) 監督式學習(Supervised Learning)

       (B) 非監督式學習(Unsupervised Learning) 

       (C) 半監督式學習(Semi-supervised Learning) 

       (D) 強化學習(Reinforcement Learning) 


深度學習模型中,下列哪一項通常用來降低   過擬合(Overfitting)問題? 

     (A) 增加訓練數據量

     (B) 增加模型的複雜度 

     (C) 增加學習率 

      (D) 增加正則化項 


在AI治理中,下列何者是國際合作的重要性? 

     (A) 統一AI發展標準 

     (B) 避免AI技術的濫用 

     (C) 促進AI技術的轉移

      (D) 以上皆是


若要設計一個能夠辨識並過濾垃圾郵件的系統,應該選擇下列哪一種

機 器學習演算法以實現最佳效果? 

     (A) 監督式學習(Supervised Learning)

     (B) 非監督式學習(Unsupervised Learning)

     (C) 半監督式學習(Semi-supervised Learning)

     (D) 強化學習(Reinforcement Learning)  






2025年7月28日 星期一

2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 數位轉型階段 1.數位化 (Digitization) 2.數位優化 (Digital Optimization) 3.商模再造 (Business model reengineering)

 數位轉型階段 


1.數位化 (Digitization) 

將傳統的  實體資料  或  流程   轉換 為 數位形式, 

以便   更有效  地   儲存、處理  和  傳輸   資訊。 


2.數位優化 (Digital Optimization) 

透過   運用 數位   技術  和 工具提升現有    業務流程  和  系統   的   效率效果, 

從而   提高   生產力  和  競爭力。 


3.商模再造 (Business model reengineering) 

創新  和  重新設計   企業的  業務模式, 以  適應   市場變化  和   技術發展

 從而    創造  新的   價值  和 收入  來源

2025 07 28 左永安 顧問/講師/委員/ TTQS 人才發展品質管理系統 Talent Quality-management System 三類專業人員 左永安顧問/講師 您好:感謝您參加 114年TTQS三類專業人員回流訓練課程。 課程名稱:組織分析與發展 講師:**** 日期:114年07月29日(星期二) 時間:09:30~16:30(報到時間:09:20~09:30)TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 三類專業人員 左永安顧問/講師 您好:


感謝您參加 114年TTQS三類專業人員回流訓練課程。              

課程名稱:組織分析與發展

講師:****

日期:114年07月29日(星期二)

時間:09:30~16:30(報到時間:09:20~09:30)

2025年7月27日 星期日

2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安老師您好: 檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元證明 KC BC DC 聘任函 有關勞動部勞動力發展署委託辦理「114年度產業人才投資方案業務工作」共通核心職能課程師資回流暨研習會議 結果及授課單元證明乙案,詳如說明,請查照。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 親愛的 左永安老師您好:

 檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元聘任函證明







2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安 顧問,您好!非常感謝您對「114年度人才發展品質管理系統」的支持。單位名稱:社團法人***** 第二次輔導日期:2025/08/06TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安 顧問,您好!非常感謝您對「114年度人才發展品質管理系統」的支持。單位名稱:社團法人***** 第二次輔導日期:2025/08/06

親愛的 左永安 顧問,您好!

非常感謝您對「114年度人才發展品質管理系統」的支持。

以下是受輔單位之資訊:
-------------------------------------------------------------
單位名稱:社團法人*****
第二次輔導日期:2025/08/06
輔導時間:14:00
輔導地址:******
申請人:****
輔導版本:訓練機構版


2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 迴歸分析中,通常有兩種主要類型的變數:自變數(Independent Variables):因變數(Dependent Variable):

 迴歸分析中,通常有兩種主要類型的變數:


自變數(Independent Variables):

自變數  也叫   解釋變數  或  特徵,主要用來   預測    因變數

在迴歸分析中,我們會收集一些   自變數  的  數據

例如  房屋的大小、廣告的投放金額   等


因變數(Dependent Variable):
 

因變量  也較   響應    變量,是要  預測  或  解釋  的變量。

在迴歸分析中,建立一個模型,用  自變數的值   來預測   因變數的值

例如   房屋的售價、產品銷售

迴歸分析   的目標   是找到   自變數  和  因變數   之間的   關係

並建立一個    適當的   數學模型   來描述   這種   關係

最簡單的情況    是   一元線性迴歸

其中只有一個自變數和一個因變數之間的關係

可以用一條直線來表示,更進階的還有   多元線性迴歸  和  非線性迴歸


但我們要如何知道這條線是好是壞呢?

可以用   每個點  與  這條線  的  直線距離

來衡量   實際值  與  預測 值   的  誤差誤差越小模型越準確



2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI應用規劃師 初級 一、機器學習基礎 二、生成式AI基礎知識 三、生成式AI倫理規範 四、AI導入規劃 中級 Section A:監督式機器學習演算法Section B:非監督式機器學習演算法Section C:深度學習

AI應用規劃師


 初級

一、機器學習基礎
1. 人工智慧的技術浪潮
2. 機器學習原理
3. 資料與特徵
4. 資料預處理與視覺化
5. 探索式資料分析(EDA)Exploratory Data Analysis(EDA),探索式資料分析
    幫助我們事先了解資料的型態與分布,以利我們後續作分析與假設。   
6. 如何挑選好的特徵
7. Regularization
8. 評估迴歸模型的效能(MAPE, R2)
9. 評估分類模型的效能(PR, AUC)
 
二、生成式AI基礎知識
1. 生成式AI基本原理
2. 生成式模型架構簡介 (VAE、GAN、Diffusion Models)
3. LLM 與 Transformer 簡介
4. 生成式AI工具應用介紹
5. Prompt 工程與優化
 
三、生成式AI倫理規範
1. AI的倫理挑戰與風險
2. AI隱私保護
3. 生成式AI相關法律
4. AI風險管理與責任歸屬
5. AI在企業與社會中的負責任應用原則

四、AI導入規劃
1. AI佈署與導入
2. No Code / Low Code基本概念
3. AI民主化
 
中級 
Section A:監督式機器學習演算法
  •  
  • 1. 迴歸模型:
      • 線性迴歸
      • Ridge v.s. Lasso 線性迴歸
      • 評估迴歸模型的性能指標
  • 2. 分類模型:
      • Logistic Regression 演算法
      • KNN 演算法
      • 決策樹演算法
      • SVM 演算法與數學原理
      • 評估分類模型的性能指標
  • 3. Ensemble Method
      • Random Forest隨機森林
      • Adaboost
Section B:非監督式機器學習演算法
    1. PCA 演算法
  • 2. Clustering:
      • K-means 演算法
      • Hierarchical Method 演算法
  • 3. 強化學習
      • 強化學習的架構
      • Q-learning 演算法
Section C:深度學習
  • 1. 深度學習技術簡介
  • 2. 類神經網路運算模型原理
  • 3. 深度學習建立模型的流程
  • 4. 深度學習框架TensorFlow/Keras 程式架構說明
  • 5. 其他網路結構簡介:RNN/LSTM、CNN

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 ML 機器學習四大模型

 


2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 機器學習演算法大致上也可分為 4 種類別,分別是:監督式學習、非監督式學習、半監督式學習、強化式學習 TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 4 大機器學習模型




機器學習演算法大致上也可分為 4 種類別,

分別是:

   1.監督式學習、

   2.非監督式學習、

   3.半監督式學習、

   4.強化式學習。


【監督式學習】

定義: 學習模型    使用  有標籤   的  訓練數據,其中每個輸入樣本

            都有    相應的   目標輸出

特色: 模型   根據已知  的  輸 入輸 出   示例進行訓練,

            以預測   未知數據  的   輸出

            監督式學習   適用於   分類回歸  等任務。

            監督式學習的優點是   學習效果   通常    比較好,因為

            模型有明確的目標值可以參考。

            但是,監督式學習  也需要大量的  標註資料,這可能會比較  耗 時昂貴


【非監督式學習】

定義: 學習模型  使用   無標籤的   訓練數據,沒有預先定義   的   目標輸出

特色: 模型探索數據的內在結構,通常用於集群分析、降維和異常檢測等任務。

            非監督式學習  不需要   預先標記  的  輸出

            非監督式學習  的優點  是不需要 標註資料,因此可以節省人力和時間。

            但是,非監督式學習的 學習效果 通常不如 監督式學習,因為模型沒有

            明確的目標值可以參考。


【半監督式學習】

定義: 結合  監督  和  非監督式   學習的元素,模型使用

            既有標籤  的數據   和   沒有標籤 的  數據  進行訓練。

特色:  這種方法  利用 未標記數據   來 增強 模型的性能,尤其在標記數據有限

             的情況下。半監督式學習 可以提高  模型的  泛化能力

              通常比   監督式學習  或  非監督式學習  的   學習效果更好


【強化式學習】

定義:  學習模型  透過  與環境的    交互學習,從而  最大化某種累積 的回報,

             是一種   基於  獎勵 和  懲罰    來學習的   機器學習方法。

             在強化式學習中,機器學習模型   透過不斷   嘗試 和探索

              來 找到   能夠   獲得最大獎勵   的  行為

特色: 模型透過   在環境中執行動作   來學習,並根據   反饋   調整其策略。

            強化式學習   常用於處理   需要做出    一系列決策  的  問題,

             如遊戲、機器人控制  等。

            但是,強化式學習的  學習過程  通常  比較緩慢

             需要  大量的 試驗 和 錯誤



2025年7月26日 星期六

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 支援向量機 SVM (Support Vector Machine) KNN (K-Nearest Neighbor) 決策樹 Decision Tree 隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法 「熵」(entropy,雜亂程度)資訊增益 (information gain) 過度擬合 (overfitting)

 

決策樹 Decision Tree

決策樹是樹狀演算法的代表,

其延伸還有隨機森林GBDT (Gradient Boosted Decision Tree) 演算法。


決策樹的核心概念就是在尋找「重要的屬性」

怎樣才算是重要的屬性   會   因用途  而   有所不同,

但「重要的屬性」基本上   降低  某件事情的不確定性 的 數量」;


在分類問題中,就是希望   分割出來  的   群組內

越純、均一、同質性   越高越好

而  組間的差異   要大


決策樹的流程,就是在降低不純度同時理解這批資料。

最常見的分割原則稱為資訊增益 (information gain)

它是一種以「熵」ㄕㄤ(entropy,雜亂程度)作為純度衡量基礎的方法。

當  某個屬性  對分類越有用,代表我們透過該屬性建立的區隔,

能大幅降低 entropy,使   資訊增益   大幅提升。


舉例來說,若要在一批貓與狗的資料中區分二者,

「毛色」可能無法帶來   最大的資訊增益,而「耳朵形狀」

可能就能大幅降低分類的雜亂程度,大幅提高資訊增益。

因此「耳朵形狀」會是區隔貓狗中很重要的屬性。


樹狀結構  由根部開始   由上而下由根節點開始、每個節點  都用一個屬性

作檢驗,以分支出   更多的  內部節點  與  終端節點(即葉節點,為預測結果

構成。


在上述的例子中,「耳朵形狀」作為重要的屬性,更可能被放在上方的節點


決策樹有幾個特點:

  • 人類容易解釋 if-then 的模型結果
  • 資料若有些許變化,結果就會產明顯變化,預測性能稍差
  • 只能批次學習
  • 可處理   非線性的資料,但 不擅長處理    線性的資料
  • 樹狀結構   複雜多層   的情形下容易產生  過度擬合 (overfitting) 的問題

支援向量機 SVM (Support Vector Machine)

SVM 的概念其實不像它的名字一樣難以理解;

SVM 的目標,是在畫出一條決策分界線 (decision boundary)

決策分界線兩側找與這個邊界最相近的資料點作為 support vector

希望最靠近邊界的這些 support vector 可以與這條現有最大的距離,

以便區分二類。


另外,SVM 演算法還會使用「核心」 (kernel) 的技巧

核心 (kernel) 的概念就是,「在較低維度時無法以線性分割的資料,

將他們   轉至更高維度,就是能夠線性分割的」;


想像手機遊戲《水果忍者》,如果那些水果全都放在桌上(二維),

你很難用一條直線將他們區隔開來,但當他們被拋到空中,

你就能在空中(三維)畫出一個切面來分隔這些水果,

而這個切面在三維空間裡屬於線性但投射回平面,就可能是條曲線。


常見的核心技巧如

線性核心 (linear kernel)、

多項式核心 (polynomial kernel)、

RBF 核心 (radial basis function)


SVM有以下幾個特點:

  • 邊界最大化後,可得到一個平滑的超平面
  • 可利用 kernel 技巧分離非線性的資料
  • 可在線學習或批次學習

KNN (K-Nearest Neighbor)

KNN 演算法就如字面上意思一樣直觀,它會在輸入一筆資料 i 時

根據與 i 最鄰近的 k 個已知資料類別,去決定該筆輸入資料的類別。


這種演算法除了做分類用途,也能用來做近似項目的搜尋。

須注意的是,如果當某個屬性值出現在絕大多數的資料中可能會影響結果。


例如 100 筆資料中有 90 筆具 A 屬性、10 筆具 B 屬性,則有可能

在測試資料的眾多特徵都偏向 B 時卻被分為 A 類,

因此資料須先經過正規化處理。


另外,k 的選擇也可能大幅影響決策分界線的結果,

原因是 k 具有類似「投票票數」的概念。


因此,當 k 為偶數而 k 個最近鄰居有多個類別「票數」一樣多時,

或當 k 為目標類別數的倍數時,都會有難以判定類別的問題。

另外,當 k 的數量過小或過大時,

也會產生 overfitting 或 underfitting 的問題。

選擇 k 值時,通常會將資料間的距離與散布方向作為驗證參考。


KNN 演算法幾個特點如下:

  • 因為需計算每一筆資料之間的距離,計算上較耗時
  • k 的數量大幅影響預測的結果與性能

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 迴歸的演算法 線性迴歸 Linear Regression、 多項式迴歸 Polynomial Regression 分類的演算法 邏輯迴歸 Logistic Regression趨型的迴歸樹(以決策樹為雛形)、 SVR(Support Vector Regression,以 SVM 為雛形)乙狀函數 (Sigmoid Function)

 

迴歸的演算法

線性迴歸 Linear Regression、

多項式迴歸 Polynomial Regression

迴歸在統計中相當常見。

迴歸的演算法,

即藉由尋找每個 x 的權重 w 與 b 去寫出預測的方程式。

以直線去趨近資料,則稱為線性迴歸 (Linear Regression);

若是以曲線趨近資料,則為多項式迴歸 (Polynomial Regression)

另外,也有以分類器為

趨型的迴歸樹(以決策樹為雛形)

SVR(Support Vector Regression,以 SVM 為雛形)

能夠處理非線性的資料。

一般在操作慣例上會移除掉相關度非常高的變數以及離群值,以提高精確度。

線性迴歸已經發展許多年,連現在的excel都內建將資料分布畫出趨勢線的功能

是一個易於上手、能快速導入的演算法。

分類的演算法

邏輯迴歸 Logistic Regression

初次聽到邏輯迴歸的人會以為他是處理迴歸問題、計算連續變量使用,

但其實這個演算法的輸出適用於二分類。

它是基於線性迴歸所做的二分類,再加上一個乙狀函數 (Sigmoid Function) 

讓輸出壓縮至 0 到 1 的範圍內,以便判斷二分類的機率;

當輸出結果為正,趨近於 1,輸出結果為負,趨近於 0。


邏輯迴歸有幾個特點:

1.可用於

   在線學習(Online Learning,逐步輸入資料再最佳化資料)

   批次學習(Batch Learning,先輸入所有資料再最佳化)

2.學習速度快,預測性能普通

3.可輸出  機率值,而  非輸出   特定結果



2025 07 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式AI 在遊戲設計中 應用廣泛,若要創造 可互動 的 虛擬角色 與 劇情, 其最可能應用下列哪兩種模型? (A) GAN + YOLO (B) 自回歸模型 + NLP (C) OCR + 視覺辨識 (D) 監督式學習 + 強化學習

 

  (11). 公司  為強化用戶體驗,設計能   推薦個人化   新聞文章 與 影片  的系統。

          這項推薦系統主要依賴哪種 AI 應用? 

       (A) 圖像增強 

       (B) 知識表達 

       (C) 協同過濾 + NLP

        (D) 協議交換


    (12). 以下何者  非   智慧文件處理(IDP)常見的應用功能? 

        (A) 自動合約審核  

        (B) 圖像強化 

        (C) 財報生成

         (D) 自動報告摘要


     (13). 某智慧製造工廠   導入  AI系統,能  即時偵測機台異常  並  發送閃燈警示

            這屬於哪類應用? 

           (A) 語音處理系統 

           (B) 即時異常監控與視覺分析  

           (C) NLP聊天機器人 

          (D) 數位貨幣挖礦


      (14). 某新聞媒體導入NLP技術建立事實查核平台,用來比對新聞內容與查核資料,

              此技術屬於下列哪一項? 

             (A) 自然語言生成(NLG)

              (B) 語音轉換

              (C) 語意比對與分類模型(如SBERT)

              (D) 計算機視覺


       (15). 為防止金融詐騙,銀行採用AI技術   即時分析   語音通話內容   並中斷可疑來電。

               這應用屬於下列何者? 

               (A) 圖像分類 

               (B) 強化學習 

               (C) 聲紋辨識 + 詐騙語意分析 

                (D) 機器翻譯


       (16). 生成式AI   在遊戲設計中   應用廣泛,若要創造   可互動  的 虛擬角色  與  劇情

               其最可能應用下列哪兩種模型? 

                (A) GAN + YOLO 

                (B) 自回歸模型 + NLP 

                (C) OCR + 視覺辨識 

                (D) 監督式學習 + 強化學習


           (17). 以下關於生成式 AI 描述何者正確? 

                (A) 只能處理結構化資料

                (B) 無法應用於音樂創作 

                (C) 可用於圖像、文字、語音等多媒體創作 

                (D) 僅能由 GAN 實作


          (18). AI 技術結合 NLP   可應用於  電子病歷分析,其主要效益為? 

               (A) 替換醫療器材

                (B) 減少藥品用量

                (C) 自動整理病歷內容,輔助醫生決策 

                (D) 替代手術醫生


         (19). 企業部署 AI   進行合規風險檢查  時,應優先考量   下列哪項議題? 

               (A) 內容創意 

               (B) 用戶情緒分析

               (C) 資料隱私與法規遵循

                (D) 生產排程


      (20). 針對 AI 演算法   偏見的風險,下列哪一項對應做法最合適? 

               (A) 使用 GAN 自動修正

               (B) 使用更多圖片數據訓練模型

               (C) 設計公平性驗證與多樣性資料集

                (D) 忽略偏差以提高效率