人工智慧技術應用與規劃
• 自然語言處理技術與應用
• 電腦視覺技術與應用
• 生成式AI技術與應用
• 多模態人工智慧應用

AI導入評估規劃
• AI導入評估
• AI導入規劃
• AI風險管理

AI技術應用與系統部署
• 數據準備與模型選擇
• AI技術系統集成與部署

大數據處理分析與應用
機率統計基礎
• 敘述性統計與資料摘要技術
• 機率分佈與資料分佈模型
• 假設檢定與統計推論

大數據處理技術
• 數據收集與清理
• 數據儲存與管理
• 數據處理技術與工具

大數據分析方法與工具
• 統計學在大數據中的應用
• 常見的大數據分析方法
• 數據可視化工具

大數據在人工智慧之應用
• 大數據與機器學習
• 大數據在鑑別式AI中的應用
• 大數據在生成式AI中的應用
• 大數據隱私保護、安全與合規

機器學習技術與應用
機器學習基礎數學
• 機率/統計之機器學習基礎應用
• 線性代數之機器學習基礎應用
• 數值優化技術與方法

機器學習與深度學習
• 機器學習原理與技術
• 常見機器學習演算法
• 深度學習原理與框架

機器學習建模與參數調校
• 數據準備與特徵工程
• 模型選擇與架構設計
• 模型訓練、評估與驗證
• 模型調整與優化

機器學習治理
• 數據隱私、安全與合規
• 演算法偏見與公平性

考試重點複習&模擬測驗(含拆解考題、建立AI知識庫、AI運用)

一、人工智慧技術應用與規劃課程（L21）：

‧ 熟悉AI相關技術框架，具備根據需求選擇合適技術進行應用開發的能力

‧ 能夠根據業務需求分析適合的AI技術，進行技術可行性評估，設計符合需求的應用架構，並綜合考慮資源配置、技術適配性與實施可行性

‧ 熟悉AI模型的訓練流程，包括數據處理、模型調參與效果評估等，確保模型性能符合應用要求，並能夠針對實際情況進行必要的優化與改進

二、大數據處理分析與應用課程（L22）：

‧ 瞭解機率與統計的基礎知識，並能將其應用於數據分析過程，以確保數據處理與分析結果的準確性

‧ 具備使用大數據處理技術與分析方法的能力，熟悉如何使用工具進行數據視覺化，並能深入挖掘數據中的洞察

‧ 具備評估大數據在AI 應用中的效益的能力，能夠規劃如何利用大數據優化與增強 AI 模型的應用效果

三、機器學習技術與應用課程（L23）：

‧ 熟悉機器學習中所需的基本數學知識，包括線性代數、微積分、機率和統計等，能夠理解算法的運作原理並正確應用於模型開發

‧ 具備建構、訓練與調校模型的能力，能選擇合適的算法，進行特徵工程，並優化模型參數，以提升模型的精確度與效能

‧ 瞭解機器學習與深度學習的概念、方法和技術差異，能夠根據不同類型的AI解決方案選擇並應用最適合的技術