卷一：AI 基礎 (AI Essentials)

本試卷由 ExtranAI 全球 AI 學院（Global AI Academy）設計，旨在評估考生對人工智能核心概念、機器學習算法及深度學習架構的理解與應用能力。內容涵蓋從基礎定義到先進的 Transformer 模型，確保考生具備在現實世界中構建與溝通 AI 解決方案的知識。

 

主要考核內容

1. 機器學習導論 (Introduction to Machine Learning)

   • 定義機器學習，區分監督式學習與非監督式學習。
   • 探討機器學習問題的類型及其在現實世界中的應用。
2. 監督式學習 (Supervised Learning)
   • 核心概念：標記數據 (Labeled Data)、訓練集與測試集的劃分。
   • 回歸分析：線性回歸 (Linear Regression)。
   • 分類算法：邏輯回歸 (Logistic Regression)、決策樹 (Decision Trees)、支持向量機 (SVM)。
   • 模型評估：混淆矩陣 (Confusion Matrix)、準確率 (Accuracy)。
3. 非監督式學習 (Unsupervised Learning)
   • 核心概念：未標記數據、模式發現。
   • 聚類分析：K-means、層次聚類 (Hierarchical Clustering)。
   • 降維技術：主成分分析 (PCA)。
   • 關聯規則：Apriori 算法基礎。
4. 深度學習基礎 (Deep Learning Foundations)
   • 神經網絡結構：感知器 (Perceptron)、多層感知器 (MLP)。
   • 關鍵術語：激活函數 (Activation Function)、前向傳播與反向傳播 (Forwarding/Backpropagation)。
5. 常見神經網絡架構 (Common Neural Network Architectures)
   • 卷積神經網絡 (CNN)： 基本架構及其在圖像處理中的應用。
   • 循環神經網絡 (RNN)： 序列學習、LSTM/GRU 概覽及其在文本與時間序列中的應用。
6. 深度學習中的 Transformer (Transformers in Deep Learning)
   • 自注意力機制 (Self-attention) 與序列建模的基本概念。
   • 應用實例：
     • BERT： 文本分類、問答系統。
     • GPT： 語言生成、聊天機器人。
7. 模型選擇與評估 (Model Selection and Evaluation)
   • 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、維護與監控 (Model Deployment, Maintenance & Monitoring)
   • 從模型開發到生產環境的流程，包括部署與系統集成。

 

預期學習成果

通過本卷考試的考生應能夠：

• 理解核心機器學習概念並應用關鍵算法。
• 構建並使用深度學習模型。
• 理解並討論 Transformer 架構。
• 評估模型性能並識別解決現實問題的適當技術。
• 展示實踐技能並有效溝通機器學習解決方案。

 

---

關於 ExtranAI
ExtranAI 是一家總部位於新加坡的領先人工智能集團，也是 ACE 標準考試與環球 AI 學院（Global AI Academy）的創始力量。集團擁有數千個已部署於各行各業的 AI 應用程式，致力於推動 AI 時代的非凡轉型。

更多詳情請瀏覽：

「環球AI能力評測基準考試」（AI Capability Evaluation Standard，簡稱 ACE）: https://extranai.com/ace/standard.php

ExTran AI Global Academy（環球 AI 學院）:  https://extranai.com/ai_academy/standard.php