2025 10 13 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) L112資料處理與分析概念 分析類型： 1.監督學習：常見算法包括 1.3.1邏輯回歸(監督學習) 1.3.2支持向量機（SVM）監督學習 1.3.3神經網路(監督學習) 2.無監督學習： 2.1 k-means聚類（分組相似客戶）或 2.2 主成分分析（PCA，降維）。 3.深度學習：3.1圖像識別（卷積神經網路，CNN）或 3.2自然語言處理（循環神經網路，RNN）。

 

2025 10 13 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) L112資料處理與分析概念 分析類型： 1.監督學習：常見算法包括 1.3.1邏輯回歸(監督學習) 1.3.2支持向量機（SVM）監督學習 1.3.3神經網路(監督學習) 2.無監督學習： 2.1 k-means聚類（分組相似客戶）或 2.2 主成分分析（PCA，降維）。 3.深度學習：3.1圖像識別（卷積神經網路，CNN）或 3.2自然語言處理（循環神經網路，RNN）。

 

資料分析：

AI   的  智慧 核心   資料分析

是利用  機器學習  和 其他分析技術  從清理後的數據中  提取洞見  的過程。

在AI中，這通常  涉及訓練模型  以

進行 預測、分類或 發現 模式，根據問題類型  選擇  合適的算法。 

 

分析類型：

    1.監督學習：

        基於  標籤數據   訓練模型，

        例如

         1.1回歸（預測連續值，如房屋價格）或

        1.2分類（預測類別，如客戶是否流失）。

         1.3常見算法包括

              1.3.1邏輯回歸(監督學習)

           1.3.2支持向量機（SVM）監督學習

           1.3.3神經網路(監督學習)

    2.無監督學習： 

         在無標籤數據  上  發現模式，

         如 

         2.1  k-means聚類（分組相似客戶）或

         2.2 主成分分析（PCA，降維）。

      3.深度學習： 

         使用神經網路處理複雜任務，

          如

         3.1圖像識別（卷積神經網路，CNN）或

         3.2自然語言處理（循環神經網路，RNN）。

2025 10 13 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 左永安顧問 輔導金牌案例 鬚張股份有限公司 。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

 

2025 10 12 台海兩岸影視文創交流協會 2025 慶祝雙十・以歌會友 熱烈歡迎 洛杉磯華美表演藝術協會 LA Chinese American Performing Arts Association

 台海兩岸影視文創交流協會 

 時間:2025年10月12日(星期日) 

 16:30報到;17:00節目開始 

2025 10 10 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) L111 人工智慧概念 L11101 AI定義與分類 L11102 AI治理概念 L112資料處理與分析概念 L11201 資料基本概念與來源 L11202 資料整理與分析流程 L11203 資料隱私與安全 L113機器學習概念 L11301 機器學習基本原理 L11302 常見的機器學習模型L114鑑別式Al vs 生成式AI L11401 鑑別式 AI 與生成式 AI 的基本原理L11402 鑑別式 AI 與生成式 AI 的整合應用AI依應用目的不同 可分為鑑別式AI與生成式AI， 鑑別式AI 擅長 區別 不同數據類型； 生成式AI 基於 數據生成、文本分析的能力，發展 內容生成、翻譯、對話等應用。

 iPAS AI應用規劃師初級能力鑑定-考試樣題 

  科目一：人工智慧基礎概論

人工智慧基礎概論 (L11)

    L111 人工智慧概念         

         L11101 AI定義與分類

         L11102 AI治理概念

                如框架、歐盟等國內外相關 政策法規等

     L112資料處理與分析概念

         L11201 資料基本概念與來源

                大數據、資料型態與結構， 如:數值型資料、文字資料、 圖像資料等

         L11202 資料整理與分析流程

                如:資料收集、清理、分析和 呈現等

         L11203 資料隱私與安全

     L113機器學習概念

          L11301 機器學習基本原理

                 機器學習基本原理與目的

          L11302 常見的機器學習模型

                 機器學習模型與評估， 

                 如監督式學習、非監督式學習、半監督式學習、強化式學習

     L114鑑別式Al vs 生成式AI 

          L11401 鑑別式 AI 與生成式 AI 的基本原理

                 基本原理、運用技術、目的 與特性

          L11402 鑑別式 AI 與生成式 AI 的整合應用

                 應用場域與情境，如電腦視覺、語音辨識、生成技術等

AI依應用目的不同

可分為鑑別式AI與生成式AI，

鑑別式AI       擅長 區別  不同數據類型；

生成式AI       基於 數據生成、文本分析的能力，發展

                                  內容生成、翻譯、對話等應用。

鑑別式AI

針對 預定義的類別 進行 數據分析，適用於  分類、分群、回歸等任務，

目標 是找到最適函數，用以區別不同數據類型

生成式AI

利用 大規模資料  進行訓練，大幅提升自然語言處理能力，

生成式AI  可以 理解  數據特徵，再生成類似的新數據，

有利於智慧工廠的  人機互動應用。

鑑別式AI   可以透過      分類訓練   判斷出是否有瑕疵，

生成式AI   會以 圖片特徵 為基礎，加入更多 圖片特徵，生成瑕疵樣態

                           作為   訓練數據   來源。

鑑別式AI與生成式AI

對於智慧工廠的影響面向不同，

鑑別式A I  著重於處理特定任務，

                           例如瑕疵檢測、需求預估、庫存管理等；

生成式AI   利用  

大型語言模型（Large Language Model，LLM）

對於文本理解  的 優勢，讓使用者簡易了解  問題狀況 與 後續作法。

鑑別式AI與生成式AI各有應用範疇，彼此並非替代關係，

鑑別式AI  應用在  語音識別、圖片辨識、數量預測   等範疇，

生成式AI  應用在  圖像創造、音樂合成、程式編碼和文字生成。

因為製造業容易受到環境影響

生成式AI  能透過

擷取增強生成（Retrieval-Augmented Generation，RAG）

掌握   即時資料、分析     多種資料來源，同時採用

自然語言輸入  的人機互動方式，

降低人員系統操作時間，

填補  鑑別式AI應用  未被滿足的需求缺口。

2025 10 09 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 Vibe Coding 是一種由 AI 輔助的程式設計方式 知名 OpenAI共同創辦人、前特斯拉AI總監Andrej Karpathy提出 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

 Vibe Coding 是一種由 AI 輔助的程式設計方式

    「Vibe Coding」一詞由

OpenAI共同創辦人、前特斯拉AI總監Andrej Karpathy提出，

核心概念是讓開發者「完全沉浸在氛圍中，擁抱指數級的變化，

甚至忘記程式碼的存在」。 

簡單來說，就是借助日益強大的人工智慧（AI）工具，

透過自然語言描述需求、靠直覺引導，讓AI生成大部分甚至幾乎全部的程式碼。

開發者不再逐行精雕細琢，

而是更像一位指揮家，引導AI這支強大的樂團演奏出創新的樂章。

這代表著，過去被視為高技術門檻的軟體開發，

正在以前所未有的方式被「民主化」。

AI寫程式碼的工具

（如Cursor AI、Google的Firebase Studio、Amazon Q Developer等）

如雨後春筍般湧現，讓更多擁有絕佳商業洞察，但未必精通傳統程式設計的人，

也能將想法付諸實現。

由   知名 AI 專家 Andrej Karpathy 提出，

強調   使用者   透過  自然語言  描述需求，

讓  大型語言模型 (LLM) 自動生成  完整程式碼，

使用者 只需關注  創意 與 想法，而非程式語法細節。

這種方法  降低  了  技術門檻，加速了   原型開發，

但也伴隨著    品質、安全 和 可維護性  等風險，

需要  使用者  謹慎   評估  與  迭代。 

核心概念

• 自然語言驅動： 
• 開發者使用像  中文或英文  這樣的自然語言   告訴 AI 想要實現的功能，
• AI 再將這些需求 轉化 為  程式碼。
• 
  
• 專注於創意而非細節： 
• 使用者  能夠專注  於  產品的  創意 和 整體設計，
• 而  不用深入 研究程式碼  的   語法 和 複雜細節。
• 
  
• AI 作為協作者：
•  Vibe Coding  將 AI 定位為一個   聰明的程式設計夥伴，
• 使用者  負責 提出想法，AI 負責  實現。
• 
  

優點

• 降低技術門檻： 
• 讓非技術背景的人也能快速開發出產品原型。
• 加速開發速度：
•  顯著縮短開發時間，使原型開發和概念驗證更加快速。
• 促進創意實現： 
• 讓開發者更專注於產品的創新與使用者體驗。
• 優化資源： 
• 提高工作效率，加速學習迭代，降低開發成本。
• 
  

風險與挑戰

• 程式碼品質問題： 
• AI 生成的程式碼可能存在邏輯錯誤或不穩定性。
• 潛在的安全漏洞：
•  AI 生成的程式碼可能缺乏資安意識，產生安全風險。
• 可維護性不足： 
• 可能會導致技術快速堆積，影響長期維護。
• 過度依賴與風險： 
• 過於強調速成和忽略檢核步驟，可能導致開發失敗。
• 
  

如何進行 Vibe Coding

明確描述需求：

使用清晰的自然語言描述你想要的功能，並加入使用條件和限制。

與 AI 互動： 

透過對話方式，要求 AI 進行修改或重寫，例如「請幫我優化這段程式碼」。

迭代調整與測試： 

驗證 AI 生成的程式碼，並根據測試結果進行調整和改進。

熟悉工具與能力： 

了解所使用的 AI 工具的能力與限制，例如 LLM 模型如 Claude。