iPAS AI 應用規劃師（中級）考綱教科書 v0.3 開源版 — 全套三冊完整教材 + 219 題原創情境模擬題 + 300 題官方試題解析索引 + 課本風 PDF 排版編譯工具鏈

本專案為經濟部產業人才能力鑑定 「iPAS 人工智慧應用規劃師（中級）」 完整開源備考教科書與題庫體系（對應考綱規範：經濟部 115.06 版）。全書約 80 萬字、34 個章節，涵蓋共通必考科及雙專業路線，並配備完整的自動化工程校驗管線與課本風 PDF 排版編譯系統。

讀者可前往 GitHub Releases 頁面 直接免費下載最新編譯之完整 A4 課本風 PDF：

教材章節內頁排版	題目卡片與答案防透設計	自動化 PDF 編譯管線
(課本風排版、考點卡、彩色呼告框)	(懸掛縮排題目卡、解析移至章末)	(實際 PDF 編譯日誌)

• 完整涵蓋中級考綱全範疇：全套三冊共 34 章、540 頁、約 80 萬字，嚴格對齊經濟部最新考綱標準規範。
• 三級題庫體系與詳解：
  • 219 題原創情境模擬題：四選項均附思路引導與深入逐項解析。
  • 300 題官方公告試題深度反查索引：雙向對應課文段落，快速查驗知識盲點。
  • 110 題學習指引練習題：章末嵌入官方指引範例題對位。
• 課本風高品質排版系統：
  • 自動修復斷句硬換行，呈現流暢段落。
  • 獨立淡色模擬題卡（sim-card）與答案防透設計。
  • 語意提示框系統（觀念、實務、陷阱、注意、速記）。
  • 動態欄寬自適應對比表格，支援跨頁排版。
• 自動化工程校驗管線：內建 Python 檢查器，包含官方考綱規格嚴格查核、程式碼語法檢測與字元多重集合多層防護。
• 純文字 Markdown 開源：全書原始碼開放，支援 Fork、自訂主題與本地二次編譯。

依循以下 5 個步驟，能最高效率掌握中級檢定全部考點：

1. 第一步：研讀考綱架構與各冊前頁地圖
   • 檢視共通必考科目總體定位：book/L21/v0.3/front/
   • 了解全書章節分層（核心必考、官方補充、產業延伸、版本敏感）。
2. 第二步：依報考路線循序精讀教材內容
   • 共通必考科目：研讀第 I 冊 book/L21/v0.3/（Ch 1 至 Ch 9）
   • 數據分析路線：研讀第 II 冊 book/L22/v0.3/（Ch 1 至 Ch 13）
   • 演算法研發路線：研讀第 III 冊 book/L23/v0.3/（Ch 1 至 Ch 12）
   • 考點補丁與共用模組：參閱 shared/book/modules/
3. 第三步：每章章末自我檢測模擬題
   • 演練題目卡片中的 4 選項模擬題（例如：book/L21/v0.3/ch01.md）。
   • 完成後翻至章末「模擬題解答與解析」核對詳解與考點邏輯。
4. 第四步：利用官方試題索引進行章節回測
   • 查閱歷屆公告試題雙向索引：shared/book/apxA.md
   • 依官方公告試題題號反查回教材對應節次，確認觀念理解完整性。
5. 第五步：使用編譯工具客製輸出專屬講義
   • 使用 tools/build_pdf.py 編譯單冊或全冊 A4 課本風 PDF。
   • 可依需求自訂 CSS 樣式與頁面比例。

• 定位：中級檢定所有考生必考之共通科目。
• 章節大綱：
  • Ch 1 自然語言處理技術與應用（TF-IDF、Word2Vec、Transformer、BERT、GPT、T5、NER、RAG）
  • Ch 2 電腦視覺技術與應用（CNN、ResNet、YOLO、目標偵測、語意分割、實例分割、可解釋性）
  • Ch 3 生成式 AI 與大型語言模型（VAE、GAN、擴散模型、RLHF、DPO、提示工程、AI Agent）
  • Ch 4 多模態技術與跨領域應用（CLIP、BLIP、語音辨識、圖文生成、跨模態對齊）
  • Ch 5 AI 導入評估與架構設計（價值矩陣、POC 評估、成本估算、技術選型、數位成熟度）
  • Ch 6 AI 專案管理與敏捷實務（CRISP-DM、敏捷開發、護欄指標、風險評估、團隊協同）
  • Ch 7 AI 風險管理、法規與倫理（數位發展部《人工智慧風險分類框架》、個資法、著作權、代理變數、公平性）
  • Ch 8 跨領域 AI 應用規劃綜合實務（醫療、製造、金融、零售等場景選型與指標架構）
  • Ch 9 MLOps 與系統維運監控（CI/CD、資料漂移、概念漂移、服務降級、SLA）

• 定位：數據分析師與巨量資料工程師專業路線。
• 章節大綱：
  • Ch 1 統計分析基礎與資料描述（機率分佈、敘述統計、假設檢定原理、常見偏誤）
  • Ch 2 機率分佈與推論統計（常見離散/連續分佈、中心極限定理、參數估計）
  • Ch 3 假設檢定實務與 A/B 測試（t 檢定、Z 檢定、卡方檢定、ANOVA、兩類錯誤、統計檢定力）
  • Ch 4 資料清理、轉換與前處理實務（缺失值處理、異常值過濾、編碼、正規化）
  • Ch 5 特徵工程與維度縮減（特徵選取、特徵提取、PCA、SVD、t-SNE）
  • Ch 6 分散式運算架構與巨量資料管線（Hadoop、Spark、PySpark 程式判讀、DAG、串流架構）
  • Ch 7 關聯分析與推薦系統基礎（Apriori、FP-Growth、協同過濾、冷啟動）
  • Ch 8 分群與非監督式學習（K-Means、DBSCAN、階層式分群、評估指標）
  • Ch 9 資料視覺化與商業洞察表達（視覺化圖表選型、Tufte 原則、儀表板規劃）
  • Ch 10 大數據儲存與資料庫選型（SQL vs. NoSQL、圖資料庫、資料湖、特徵商店）
  • Ch 11 資料品質與資料治理實務（資料品質六維度、資料血統、資料字典、存取控制）
  • Ch 12 商業指標體系建構（北極星指標、AARRR、指標拆解、歸因分析）
  • Ch 13 資料隱私、合規與安全（去識別化技術、差異隱私、零信任、GDPR/CCPA）

• 定位：機器學習工程師與演算法研發專業路線。
• 章節大綱：
  • Ch 1 機器學習數學基礎（線性代數、微積分、機率與最佳化基礎）
  • Ch 2 經典機器學習演算法（線性迴歸、Logistic 迴歸、SVM、決策樹、隨機森林）
  • Ch 3 整合學習與 Boosting 架構（AdaBoost、GBDT、XGBoost、LightGBM、CatBoost）
  • Ch 4 類神經網路與深度學習核心原理（感知器、多層感知機、反向傳播、激活函數、正則化）
  • Ch 5 卷積神經網路實務（經典 CNN 架構、遷移學習、注意力機制在 CV 的應用）
  • Ch 6 序列模型與注意力架構（RNN、LSTM、GRU、Transformer、BERT vs. GPT）
  • Ch 7 模型訓練與最佳化技巧（最佳化器選型、學習率排程、批次正規化、梯度裁剪）
  • Ch 8 輕量化技術與模型壓縮（模型剪枝、知識蒸餾、權重晶化、LoRA/QLoRA）
  • Ch 9 模型驗證與評估指標體系（交叉驗證、混淆矩陣、ROC/AUC、PR-AUC、指標對位）
  • Ch 10 超參數調優與自動化機器學習（Grid Search、Random Search、Bayesian Optimization、AutoML）
  • Ch 11 隱私強化技術與聯邦學習（差分隱私、安全多方計算、同態加密、聯邦學習架構）
  • Ch 12 AI 偏誤診斷與可解釋性技術（SHAP、LIME、反事實解釋、偏誤緩解實務）

├── book/                  # 三冊教科書核心 Markdown 書稿
│   ├── L21/v0.3/          # 第 I 冊章節檔 (front, ch01–ch09, apxB)
│   ├── L22/v0.3/          # 第 II 冊章節檔 (front, ch01–ch13, apxB)
│   └── L23/v0.3/          # 第 III 冊章節檔 (front, ch01–ch12, apxB)
├── shared/                # 三冊共用文檔與模組
│   └── book/              # 跨冊共用前頁、共用章節模組與附錄 A（歷屆試題索引）
├── audit/                 # 歷次版本修正查核日誌與嚴格白名單 (C01–C57)
├── tools/                 # 自動化檢查器、統計同步與 PDF 編譯工具集
│   ├── build_pdf.py       # Markdown → 課本風 HTML → Chrome Headless PDF
│   ├── check_book.py      # 考綱規範、用語、分層與索引自動化檢查器
│   ├── check_render_integrity.py  # 渲染完整性與字元多重集合驗證工具
│   └── test_code_blocks.py        # Python 程式碼區塊語法檢測
├── prompts/               # 撰寫規格指引與排版修正計畫文檔
├── docs/                  # 專案文檔、策略書與截圖資產
├── LICENSE                # 雙重授權條款 (CC BY-NC-SA 4.0 + MIT)
└── README.md              # 專案主說明文件

• Python 3.10+
• Google Chrome 或 Microsoft Edge（用於 Headless PDF 輸出）
• poppler-utils（可選，提供 pdftotext 驗證功能）

# 1. 執行官方考綱嚴格語意與規格檢查（全冊 0 錯誤關卡）
python -B tools/check_book.py L21 --strict
python -B tools/check_book.py L22 --strict
python -B tools/check_book.py L23 --strict

# 2. 執行全書程式碼區塊語法檢查
python -B tools/test_code_blocks.py

# 3. 編譯產出單冊 A4 課本風 PDF（輸出至 build/<VOL>/）
python -B tools/build_pdf.py L21
python -B tools/build_pdf.py L22
python -B tools/build_pdf.py L23

# 4. 驗證渲染文字完整性與 PDF 識別碼
python -B tools/check_render_integrity.py

歡迎社群夥伴共同完善這套開放教材！您可以透過以下方式參與：

• 回報勘誤：若發現教材內容、程式碼、公式或試題解析有錯，歡迎提交 Issue。
• 提供改進建議：歡迎提交 Pull Request 協助修正文字、補強考點說明或優化編譯工具。
• 分享學習心得：歡迎在 GitHub Discussions 或社群分享備考筆記與學習心得。

以下是 GitHub 上其他與 iPAS AI 應用規劃師考試相關的開源專案，歡迎互相參考學習：

如果你也有 iPAS AI 相關的開源專案，歡迎開 issue 或 PR 加入此清單。

• 教科書內容與題庫：採用 創用 CC 姓名標示-非商業性-相同方式分享 4.0 國際 (CC BY-NC-SA 4.0) 授權。歡迎自由非商業轉載與分享，轉載時請註明出處並以相同方式分享。
• 編譯工具與程式碼：採用 MIT License 授權。
• 免責聲明：本教材為社群備考自學之開放教材，非經濟部 iPAS 官方發行品。試題對位與考綱索引僅為教學輔助，官方考題著作權歸經濟部產業發展署與主辦單位所有。