中華品牌網紅協會

2025年9月3日星期三

2025 09 03 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源下列哪一項技術屬於非監督式學習？ (A) 決策樹（Decision Tree） (B) 類神經網路（Neural Network） (C) 集群分析（Clustering Analysis） (D) 支援向量機（Support Vector Machine）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

80. 下列敘述 何者正確？

(A) 樣本變異數的值一般介於1與-1之間

(B) 母體變異數計算公式與樣本變異數相同

(C) 變異係數(Coefficient of Variance)=(標準差/平均數)*100%

(D) 相關係數介於0與1之間

81. 關於 K平均法（K-means），下列敘述何者 不正確？

(A) 希望找出k個互不交集的群集

(B) 不同的起始群集中心，可能會造成不同的分群結果

(D) 可以處理類別型資料

82. 探索式資料分析的主要目的為何？

(A) 熟悉資料

(B) 視覺化資料

(D) 資料分群

83. 下列哪一項技術屬於 非監督式學習？

(A) 決策樹（Decision Tree）

(B) 類神經網路（Neural Network）

(C) 集群分析（Clustering Analysis）

(D) 支援向量機（Support Vector Machine）

84. 關於 探索式資料繪圖，下列敘述何者 不正確？

(A) 直方圖之X軸資料是間斷不連續的

(B) 長條圖適合用於類別型資料分析

(D) ROC 曲線（Receiver Operating Characteristic Curve）

用於分類模型評估

85. 關於集群分析（Clustering Analysis），下列敘述何者 不正確？

(A) 依照相似度將資料分群

(B) 同一群內的相似度大

(D) K-means 每次分群結果一定會相同

86. 關於階層式集群分析（Hierarchical Clustering），下列敘述何者不正確？

(A) 一般採用樹狀圖（Dendrogram）表示

(B) 樹狀圖根節點（Root）為單一群集

(C) 聚合法（Agglomerative）是由上方根節點往下進行計算

(D) 分裂法（Divisive）是一開始將所有資料視為一個大群集

87. 關於階層式集群分析（Hierarchical Clustering）的方法，

下列敘述何者不正確？

(A) 單一連結法（Single Linkage Method）採用兩群間最小距離

(B) 完全連結法（Complete Linkage Method）採用兩群間最大距離

(C) 平均連結法（Average Linkage Method）採用兩群間中心點距離

(D) 華德法（Ward's Method）是計算組內變異作為評估群集相似性

88. 推薦系統（Recommender System）通常採用下列哪一個方法作為核心技術，

來分析 產品與使用者 間的關係？

(A) 支援向量機（Support Vector Machine）

(B) 矩陣分解（Matrix Factorization）

(D) 詞性標記（Part-of-Speech（POS）Tagging）

89. 下列何種 統計學習 的 演算法 是用來 進行資料的分群（Clustering），

但不能用 來進行 資料分類（Classification）？

(A) 基於密度的集群分析算法

（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）

(B) 貝氏網路（Bayisian Network）

(D) 支援向量機（Support Vector Machine）

2025年9月2日星期二

2025 09 02 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師初級: L11 人工智慧基礎概論 L11201 資料基本概念與來源. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，一般可利用哪種統計工具來描述資料分佈？ (A) Zipf（齊夫分佈） (B) Gaussian（高斯分佈） (C) Dirichlet（狄利克雷分佈） (D) Uniform（均勻分佈）

AI應用規劃師初級: L11 人工智慧基礎概論

L11201 資料基本概念與來源

50. 當使用 線性模型 時，哪種方法 對於 學習預測線性 不可分的資料集

也許有幫助？

(A) 交叉驗證（Cross validation）

(B) 核方法（Kernel method）

(D) 降採樣（Down sampling）

51. 將網頁資料擷取下來之後，應先進行下列何步驟？

(A) 資料清理（Cleaning）

(B) 資料建模（Modeling）

(D) 趨勢預測（Prediction）

52. 假設Facebook公司給您1000位用戶的基本資料及文章資料，

如：姓名、性別、年齡以及最近十篇發文的時間、點讚數、回應數與

分享該文章所有人的基本資料，最適合 R語言中 的何種資料結構？

(A) 資料框架（Data frame）

(B) 串列（List）

(D) 矩陣（Matrix）

53. 若資料表中 只出現了一個 遺缺值（NA）值，下列何項處理方式最不適當？

(A) 刪除整欄（變數）

(B) 刪除整列（觀測值）

(D) 往回追溯資料源頭，尋找NA的來源

54. 下列何者 不是資料倉儲 的資料類型？

(A) 運算資料

(B) 預先加總資料

(D) 即時更新資料

55. 一般來說，下列何者不是 資料清理的目的？

(A) 將資料轉為可以分析的格式

(B) 發現資料之間的相關性

(D) 讓計算及分析上，更為方便及降低偏誤

56. 在一次考試中，由於班上同學考試成績最高分僅有70 分，為了能夠

讓學期成績比較好看，老師決定幫每個人的考試成績都加10分，

請問這個數值樣本中的 哪個統計量不會因為調分 而有差別？

(A) 平均值

(B) 標準差

(D) 第一四分位數

57. 在統計學中，下列哪一個選項的 分佈類型 與其他不相同？

(A) 二項分佈（Binomial Distribution）

(B) 指數分佈（Exponential Distribution）

(D) 常態分佈（Normal Distribution）

58. 關於資料探索，下列敘述何者不正確？

(A) 透過工具函數（例如：R 語言當中的 summary 函數）可了解關於

資料集內容的整體結構、變數情況、分佈指標、遺缺值

(B) 視覺化工具可幫忙了解變數間的關係，以利後續資料探勘作業

(C) 定性變數可計算出最小值、分位數、中位數、平均值與最大值進行

觀察

(D) 透過平均值和中位數的差異程度來判斷資料的偏倚程度，可用來

判斷資料之左偏或右偏情況

59. 巨量資料中，以資料類別出現頻率排列下出現的長尾現象，

一般可 利用哪種 統計工具來描述資料分佈？

(A) Zipf（齊夫分佈）

(B) Gaussian（高斯分佈）

(D) Uniform（均勻分佈）

2025年8月26日星期二

2025 08 26 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 TTQS 三類專業人員您好：感謝您參加 114年TTQS三類專業人員課程名稱：個案研討日期：114年08月29日（星期五）時間：09:30～16:30

TTQS 三類專業人員您好：

感謝您參加 114年TTQS三類專業人員回流訓練課程。

課程資訊

課程名稱：個案研討
講師：*****
日期：114年08月29日（星期五）
時間：09:30～16:30（報到時間：09:20～09:30）
地點：台北市大安區*******

2025年8月22日星期五

2025 08 22 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長恭喜左永安顧問通過 ICAP 職能導向課程課程名稱：生成式AI行銷素材實務班 30小時認證 T1.1 選擇AI工具 T2.1 遵守AI使用規範 T3.1 應用AI創造行銷素材

恭喜! 左永安顧問

通過 ICAP 職能導向課程

課程名稱：生成式AI行銷素材實務班

30小時認證

訓練期間：民國114年05月05日起至114年05月16日

T1.1 選擇AI工具

T2.1 遵守AI使用規範

T3.1 應用AI創造行銷素材

2025年8月9日星期六

2025 08 09 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 應用規劃師鑑別式AI(Discriminative Al) 與生成式AI(Generative Al) 製造業AI/GAI應用發展重點製造業實務面臨的問題種類多元,包含 1.分類(瑕疵檢測、垃圾郵件過濾) 2.分群(市場區隔、客戶群體細分) 3.序列預測 (市場需求預測、物料庫存管理、設備預測性維護),以及 4.生成 (數據生成、產品設計)等

2025 08 09 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 應用規劃師鑑別式AI(Discriminative Al) 與生成式AI(Generative Al) 製造業AI/GAI應用發展重點製造業實務面臨的問題種類多元,包含 1.分類(瑕疵檢測、垃圾郵件過濾) 2.分群(市場區隔、客戶群體細分) 3.序列預測 (市場需求預測、物料庫存管理、設備預測性維護),以及 4.生成 (數據生成、產品設計)等,

製造業AI/GAI應用發展重點

製造業實務面臨的問題種類多元,包含

1.分類 (瑕疵檢測、垃圾郵件過濾)

2.分群 (市場區隔、客戶群體細分)

3.序列預測

(市場需求預測、物料庫存管理、設備預測性維護),以及

4.生成 (數據生成、產品設計)等,

這些問題適用的AI演算法

按主要功能與應用目的,

可以將其分為

鑑別式AI(Discriminative Al) 與生成式AI(Generative Al)

鑑別式AI(Discriminative Al)

擅長分類和歸納數據,根據數據特徴差異分析數據類別,

常用於語音辨識、圖片與影像辨識等應用;

生成式AI(Generative Al)

則擅長創造數據,能生成 類似訓練數據 的文字、圖片、影像、程式碼等。

由上述可知,鑑別式AI和生成式AI各有專長,並不互相替代,

而是根據不同應用場景,選用合適的Al技術滿足需求。

由於技術特性差異,兩類型AI用於製造業時方案開發的著重點也不同。

以下將透過建構AI方案流程,說明兩類AI技術

在 數據收集、模型選擇、模型訓練、模型部署 與優化作業流程中

的重點差異。

(1)數據收集方面,鑑別式AI 更重視數據品質,

依賴 數據標記 與高度準確性、一致性的數據 掌握數據特徴,

然而數據處理過程費時。

而生成式Al通常需要先進行 領域知識數據 的微調(Fine-tuning),

再向客戶收集內部數據

進行檢索增強生成(Retrieval-AugmentedGeneration,RAG),

以便生成更精確内容。

(2)模型選擇上,

鑑別式AI方案業者

可能採用 社群或研究機構 公開的 開源且高效 的模型,

或是自行開發模型。

且由於鑑別式AI 應用對應特定問題,因此業者傾向選用

結構較簡單且易於解釋的模型,如

1.決策樹、

2.支援向量機器(Support Vector Machine, SVM)和

3.類神經網絡、

4.群集分析(K-means Clustering)

等用於準確分類或預測的模型;

生成式AI方案商

則多是選擇現有的大型語言模型,如

GPT、Llama、BLOOM、Falcon、BERT等,

並在此基礎上進行應用開發。

2025年8月8日星期五

2025 08 08 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 應用規劃師開源地端模型與智慧製造開源地端模型透過在本地端部署具有 1.可自訂性 2.低延遲 3.高安全性的AI 演算法數位孿生技術與虛擬優化虛實融合模擬– 數位孿生是指在虛擬環境中建立 1.產品、 2.生產線或 3.整座工廠的精確數位模型

開源地端模型與智慧製造

開源地端模型透過在 本地端部署具有

1.可自訂性

2.低延遲

3.高安全性

的AI 演算法，

能夠實現智慧製造中的

1.即時品質監控

2.預測性維護

3.生產流程優化

開源地端模型指的是

那些公開

1.釋出其源代碼、

2.模型架構與

3.部分或全部權重，並且

4.能夠在本地硬體(例如個人電腦或內部伺服器)上

部署與運行的語言模型。

•此類模型允許使用者在無需依賴雲端服務的情況下，

自行管理 與 調整模型，從而更好地保護

資料隱私並滿足個別化需求。

主要特性與優勢–

靈活度高：使用者可按需求 查閱、修改與優化模型。

隱私保護：資料在本地運算，降低外洩風險。

即時響應：減少網路 傳輸延遲，提高系統 反應速度。

常見的開源地端模型–

GPT-2：

由 OpenAI發布，擁有多個不同參數規模的版本，

其中較小版本對硬體資源要求較低。

LLaMA：

Meta發布的系列模型，雖然使用上可能需遵循特定限制

( LLaMA 的 原始權重僅對符合條件的學術研究者及機構開放)，

但也被廣泛應用於本地化研究與實驗–

T5 系列：

由 Google 提出，該模型基於「文本轉文本」架構，可根據任務需求進行微調。

針對資源有限的情況，可選擇 T5-Small 或 T5-Base 版本。

數位孿生技術與虛擬優化

虛實融合模擬– 數位孿生

是指在 虛擬環境中建立

1.產品、

2.生產線或

3.整座工廠

的 精確數位模型，並以 實際資料 加以驅動。

未來更多製造商 將運用 數位孿生 來優化生產。

透過在虛擬工廠中模擬 各種生產參數變化，AI可以預測 不同設定對

產出、品質的影響，協助找出最佳方案。

產品研發與產線導入–數位孿生

除 優化現有流程，對 新產品導入 也 極為有利。

研發團隊 可先行建立 產品的數位孿生，

在虛擬環境中 模擬製造與組裝過程，預估良率和周期。

若結果不理想，可在虛擬模型中 反覆修改設計和製程，

直到達標再轉到 實體試產，大幅縮短 研發週期。

2025年8月4日星期一

2025 08 04 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 應用規劃師模型訓練是機器學習過程的核心階段，其目標是透過學習輸入特徵與輸出結果之間的映射關係，找出最優的模型參數。模型訓練通常涉及 1.損失函數的設置、 a. 均方誤差（Mean Squared Error, MSE）： b. 交叉熵損失（Cross-Entropy Loss）： 2.優化演算法的選擇以及 3.避免過擬合的策略。1. 損失函數2. 優化演算法 a. 批次梯度下降（Batch Gradient Descent, BGD）：b. 隨機梯度下降（Stochastic Gradient Descent, SGD）： c. Adam（Adaptive Moment Estimation）演算法：3.. 過擬合的防範  Regularization： Early Stopping： Data Augmentation：

模型訓練

模型訓練 是機器學習過程的核心階段，其目標是透過學習

輸入特徵與輸出結果之間的映射關係，找出最優的模型參數。

模型訓練 通常涉及

1.損失函數的設置、

2.優化演算法的選擇以及

3.避免過擬合的策略。

1.. 損失函數

損失函數（Loss Function）是一種用來衡量模型預測值與實際目標

之間差異的函數。

透過損失函數的計算，模型可以得知 自身的損失（Loss，代表不準確度），

損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。

因此，損失函數可以視為評估模型好壞的指標。

在模型訓練過程中，系統會不斷計算損失，並

透過 優化器（Optimizer）

a. 均方誤差（Mean Squared Error, MSE）：

用於迴歸任務，計算預測值與真實值之間平方誤差的平均值。

b. 交叉熵損失（Cross-Entropy Loss）：

用於分類任務，衡量預測概率分佈與真實分佈之間的差異。

2. 優化演算法

模型的訓練過程透過 優化演算法 調整參數，以最小化 損失函數的值。

最常見的優化演算法是梯度下降法及其變種：

使用 梯度下降（Gradient Descent）

等方法來最小化損失，藉此降低模型的誤差，以達到最佳化的目的。

常見的損失函數包括：

a. 批次梯度下降（Batch Gradient Descent, BGD）：

基於整個 數據集 計算損失函數的梯度並更新參數。

b. 隨機梯度下降（Stochastic Gradient Descent, SGD）：

每次迭代僅使用一個樣本來更新參數，速度較快但收斂不穩定。

c. Adam（Adaptive Moment Estimation）演算法：

結合了動量法和 RMSProp，能夠自適應學習率，是目前最廣泛使用的

優化方法之一。

3.. 過擬合的防範

過擬合是模型在訓練數據上表現優異，但在測試數據上表現不佳的現象。

為了避免過擬合，通常採用以下策略：

 Regularization：

在損失函數中添加懲罰項，如L1和 L2正則化。

 Early Stopping：

當模型在驗證集上的表現開始下降時，停止訓練。

 Data Augmentation：

透過隨機旋轉、翻轉等方式擴展訓練數據集，提升模型的泛化能力。

訂閱：文章 (Atom)

2025年9月3日 星期三

2025年9月2日 星期二

2025年8月26日 星期二

2025年8月22日 星期五

2025年8月9日 星期六

2025年8月8日 星期五

2025年8月4日 星期一