卷一：AI 基礎 - 環球AI考試認證 ACE

卷一：AI 基礎 - 環球AI考試認證 ACE

卷一：AI 基礎 (Paper 1: AI Essentials)

本單元是 ExtranAI 全球 AI 學院（Global AI Academy）認證體系中的入門基石，專為考核學員對人工智能核心技術的掌握程度而設。課程內容由淺入深，從機器學習的基本定義延伸至深度學習的前沿架構，旨在確保學員具備扎實的技術底蘊。

 

核心考核範疇

  1. 機器學習概論 (Introduction to Machine Learning)

    • 釐清機器學習的定義，區分監督式與非監督式學習。
    • 探討各類機器學習問題及其在現實世界中的應用場景。
  2. 監督式學習 (Supervised Learning)
    • 掌握標註數據（Labeled Data）及訓練/測試集劃分等關鍵概念。
    • 回歸分析：線性回歸。
    • 分類算法：邏輯回歸、決策樹、支持向量機（SVM）。
    • 模型評估：運用混淆矩陣與準確率指標進行效能分析。
  3. 非監督式學習 (Unsupervised Learning)
    • 理解未標註數據與模式發現（Pattern Discovery）的運作機制。
    • 聚類分析：K-means 算法、層次聚類。
    • 降維技術：主成分分析（PCA）。
    • 關聯規則：Apriori 算法基礎。
  4. 深度學習基石 (Deep Learning Foundations)
    • 剖析神經網絡結構（感知器、多層感知器）。
    • 解析激活函數（Activation Function）及前向/反向傳播（Forwarding/Backpropagation）等核心術語。
  5. 主流神經網絡架構 (Common Neural Network Architectures)
    • 卷積神經網絡 (CNN)：學習其用途與基礎架構，重點在於圖像處理的應用。
    • 循環神經網絡 (RNN)：涵蓋序列學習、LSTM/GRU 概覽，以及在文本與時間序列分析中的應用。
  6. 深度學習中的 Transformer (Transformers in Deep Learning)
    • 闡述自注意力機制（Self-attention）與序列建模的基本理念。
    • 應用實例：
      • BERT：用於文本分類與問答系統。
      • GPT：用於語言生成與聊天機器人。
  7. 模型選擇與優化 (Model Selection and Evaluation)
    • 探討過擬合（Overfitting）、欠擬合（Underfitting）及交叉驗證（Cross-validation）的基本原則。
  8. 模型部署與維護 (Model Deployment, Maintenance & Monitoring)
    • 涵蓋從開發到生產環境的全過程，解釋 ML/DL 模型如何部署並整合至現有系統中。

 

學員預期能力

完成本卷考試後，學員將能夠：

  • 透徹理解 機器學習的核心概念。
  • 熟練應用 關鍵算法解決問題。
  • 構建與操作 深度學習模型。
  • 掌握與討論 Transformer 架構及其應用。
  • 精準評估 模型效能表現。
  • 識別技術，針對現實難題選用合適的 AI 解決方案。
  • 展示實戰技能，並能清晰溝通機器學習解決方案。