通過者具備「知AI」的能力，可知道生成式AI的基礎知識、具備「用AI」的基本概念與邏輯，並具有基本體驗生成式AI實做的經驗，認證內容涵蓋生成式AI 的基礎知識、能力強化、應用技能、倫理法律等四大面向。本認證旨在檢驗考生在生成式AI領域的知識基礎，以協助考生評估自我能力，進而瞭解專業能力提升方向，以期開創更廣闊的職業發展前景。 1. DNN(DeepNeuralNetwork)：深層神經網路，是一種機器學習技術，它允許計算機通過訓練它來完成使用傳統程式設計技術很難完成的任務 2. 為什麼 Model 參數這麼多，卻不會Overfitting：過度擬合是一種不理想的機器學習行為，當機器學習模型可為訓練資料提供準確的預測，而不是針對新資料提供準確的預測時，就會發生此行為。 3. GNN：圖像神經網路(graphneuralnetwork，GNN)。深度學習裡，無論是CV 或是NLP，處理的都是具有相當結構的資料：例如影像，其架構規則在於畫素 (pixel)，在圖片中，其位置和順序是有規律的。如果是影片，其架構規則變成影像，每一幀影像的順序是固定的。而在文字裡，字母之間和文字之間的順序也是固定的。這樣固定的結構，讓我們可以設計出比較平整的輸入端(input)，配合規律的計算方式(如卷積網路CNN)，訓練我們想要的模型。 4. RNN：遞迴式神經網路 (RNN) 是一種深度學習模型，此模型被訓練來處理並將循序資料輸入轉換為特定的循序資料輸出。循序資料是指其序列組成部分根據複雜的語義和語法規則相互關聯的一種資料，例如單字、文句或時間序列資料。RNN 是一種軟體系統，由許多互連元件組成，模仿人類執行循序資料轉換的方式，例如將文本從一種語言翻譯為另一種語言。由於以轉換器為基礎的人工智慧 (AI) 和大型語言模型 (LLM) 處理循序資料的效率高上許多，因此在很大程度上取代了 RNN。 5. CNN：卷積神經網路（ConvolutionalNeuralNetworks，CNN）：它是目前深度神經網路（deepneuralnetwork）領域的發展主力，在圖片辨別上甚至可以做到比人類還精準的程度。如果要說有任何方法能不負大家對深度學習的期望，CNN 絕對是首選。 6. 決策樹（Decisiontree）：由一個決策圖和可能的結果（包括資源成本和風險）組成，用來創建到達目標的規劃。決策樹建立並用來輔助決策，是一種特殊的樹結構。決策樹是一個利用像樹一樣的圖形或決策模型的決策支援工具，包括隨機事件結果，資源代價和實用性。它是一個演算法顯示的方法。決策樹經常在運籌學中使用，特別是在決策分析中，它幫助確定一個能最可能達到目標的策略。如果在實際中，決策不得不在沒有完備知識的情況下被在線採用，一個決策樹應該平行概率模型作為最佳的選擇模型或在線選擇模型演算法。決策樹的另一個使用是作為計算條件概率的描述性手段。 7. 歐盟AI法規：七大條例概述 1. AI 不應侵犯人類自主性與自由。 2. AI 應具資訊安全性與正確性。 3. AI 搜集的數據得受到安全且隱密的管理 4. 建構 AI 的系統與演算法得公開且得以追溯到開發者 5. AI 需具備多元性與公平性，不行以年齡、性別、種族作為分類標準 6. AI 需促進社會正面改變，且具備永續性（例如，AI 應保持環保的概念） 7. AI 需建立咎責機制。 8. leonardo ai：圖片生成 9. DeepL ：先進的語言AI，可讓您隨時隨地將文字、照片、檔甚至語音翻譯成30 多種語言。它還提供英語、法語、德語和西班牙語的智慧寫作建議 10. Zapier 是協力廠商整合服務合作夥伴，可將客戶關係管理系統 (CRM)、客戶資料平臺 (CDP) 或該公司網站上超過 4,000 個應用程式與 GoogleAds 整合，方便您使用相關功能，例如離線轉換匯入、建立目標顧客比對名單和匯出待開發顧客。題目：它不能作什麼以下的功能 11. AI 監督管理：不含政府單位或需經主管同意 12. AI 影片生成，最適合的產業：遊戲、動畫 13. 若 AI 生圖不佳時，如何處理：將資料庫中的低解析度、不清楚的圖片移除 14. AI 文字生成時，若形成"脫序"情形時，表示生成規則出狀況 15. 將圖片塗去作修改時，是使用什麼技術：圖像生成與修復（ImageInpainting）技術。這項技術依賴深度學習模型來填補被塗去的部分，使其與周圍的內容自然融合。 1. 生成對抗網絡（GANs） GANs 是一種強大的生成模型，包含兩個網絡：生成器（Generator）和判別器（Discriminator）。在圖像修復中：生成器根據圖像的未被遮擋部分，生成被塗去區域的內容。判別器則評估生成結果是否與原圖像一致，並提供反饋以改進生成器的能力。代表性方法： DeepFillv1/v2：這些模型是基於GAN的圖像修復技術，能處理複雜的修復情境，如大範圍遮擋或細緻紋理生成。 2. 自回歸模型（AutoregressiveModels）這類模型通過逐圖元或逐塊填充的方式，根據上下文預測被塗去區域的內容。常見技術： PixelCNN：逐圖元生成圖片，依賴鄰近圖元的資訊。 ImageGPT：採用類似文本GPT的架構來生成圖像，透過大量數據訓練以學習圖像結構。 16. Iii 資策會縮寫的原文 17. 台灣第一位AI歌手：陳珊妮 18. Perceptual loss：感知損失（Perceptual Loss）是一種基於深度學習的圖像風格遷移方法中常用的損失函數。與傳統的均方誤差損失函數（MeanSquare Error，MSE）相比，感知損失更注重圖像的感知品質，更符合人眼對圖像品質的感受。感知損失是通過預訓練的神經網路來計算兩張圖片之間的差異。 19. 隨機森林(RandomForest)：結合多顆CART樹（CART樹為使用GINI演算法的決策樹），並加入隨機分配的訓練資料，以大幅增進最終的運算結果。顧名思義就是由許多不同的決策樹所組成的一個學習器，其想法就是結合多個「弱學習器」來建構一個更強的模型：「強學習器」。這種方法又稱為Ensemble Method，也就是「三個臭皮匠勝過一個諸葛亮」的概念。 20. 梯度下降演算法：是一種優化演算法，通常用於訓練機器學習模型和神經網路。梯度下降演算法可最大限度縮小預測結果與實際結果之間的誤差，以便訓練機器學習模型。訓練資料説明這些模型隨著時間的推移進行學習，梯度下降中的成本函數專門作為一個尺規，在每次參數更新反覆運算時衡量其準確性。在該函數接近或等於零之前，模型繼續調整其參數以產生盡可能小的誤差。在優化機器學習模型以提高準確性後，它們就可以作為人工智慧 (AI) 和電腦科學應用場景中的強大工具。 21. 用 AI 作簡報：可以節省排版、設計時間，提高報告內容的精準度