左永安老師您好：
依據中華民國111年6月7日發訓字第1112502121號函公告「共通核心職能課程師資建置管理原則」辦理，本課程師資維持可授課職能類別之資格，每年度應擇一場次全程參加師資回流訓， 敬請預先保留日期參與回流訓
辦理場次/時間/地點：
區域 | 舉辦日期/時間/地點 | 主講人 |
台北 | 日期：115年5月29日（星期五） 時間：下午1點至5點（預計） 地點：國立政治大學公共行政及企業管理教育中心【台北市大安區金華街187號】 | 邀約中 |
台南 | 日期：115年6月28日（星期日） 時間：下午1點至5點（預計） 地點： 太子文旅【台南市東區大學路2號】 | 邀約中 |
每天走7000步就能降低死亡風險47%，減少失智症機率，改善心臟與認知健康。腎臟科醫師江守山指出，日走1萬步並不比7000步更有額外益處，速度也會影響健康。（示意圖／PIXABAY）
不少人為了健康，每天堅持走1萬步，不過腎臟科醫師江守山表示，研究顯示，與日走2000步的人相比，每天走7000步可降低死亡風險47%，還能減少罹患失智症的機率，甚至改善心臟健康與認知能力，然而，每天走1萬步並不能再進一步降低死亡率。
江守山在臉書粉專指出，澳洲雪梨大學研究團隊分析57項步行相關研究，特別關注跌倒、死於心血管疾病或癌症及罹患第2型糖尿病、失智症和憂鬱症等慢性疾病的風險，發現只要7000步就能減半早逝風險，並改善心臟健康及認知能力。
江守山表示，研究人員以千步作為單位，比較每天增加步數所帶來的健康益處。發現每天走2000到4000步的人，與每天走1000步或更少的人相比，也能獲得顯著健康益處。另外，相較於每天走2000步者，每天走7000步可降低47%死亡風險，然而，每天走10000步並不能進一步降低風險。
至於罹患失智症風險方面，每天走7000步可降低風險38%，而每天走10000步則僅使風險進一步降低7%。
研究人員表示，原本每天步數2000步增加到7000步的人，健康益處最明顯，若平時已有日走萬步的習慣，不妨堅持下去，不過對於體力不足者，日走7000步仍會帶來健康益處。
江守山提到，健康不僅取決於步數，步行速度也可能至關重要。芝加哥大學研究人員對體弱的老年人進行研究，發現每分鐘步行100 步是最佳走路速度，有助於改善整體健康狀況，增強體質、降低跌倒和骨折的風險。
記憶體產業仍是近期盤面最重要的多頭指標之一，在 DRAM、NOR Flash 與記憶體模組等產品價格走升帶動下，相關族群持續吸引市場資金關注。不過，市場觀察指出，隨著部分個股位階墊高，族群內部已開始出現分歧，高檔震盪與強弱分流現象逐漸浮現。
在上游原廠端，華邦電（2344）長期專注利基型 DRAM 與 NOR Flash 市場，產品應用分散，具備價格轉嫁與客戶黏著度優勢；南亞科（2408）則為台塑集團旗下 DRAM 主力廠，受惠產業供給結構調整，成為此波記憶體行情的重要風向球。
模組與控制晶片族群方面，品安（8088）、威剛（3260）、創見（2451）、十銓（4967）與 宇瞻（8271），皆為全球或台灣具代表性的記憶體模組廠，產品涵蓋消費型、工控與企業級應用，受惠於通路補庫與終端需求回溫。
在控制 IC 與整合元件領域，群聯（8299）為全球 USB 控制 IC 與 NAND 控制解決方案的重要供應商，具備技術門檻；旺宏（2337）則專注非揮發性記憶體整合元件，長期深耕特定應用市場；鈺創（5351）則以利基型記憶體 IC 設計為主，產品應用集中於特定市場。
此外，至上（8112）為重要 IC 通路商，主力代理品牌以三星相關產品為核心；華東（8110）則為華新集團旗下封測廠，受惠記憶體產業稼動率回升。產業展望總結：由「全面齊漲」轉向「選股為王」，聚焦價格續航力與庫存水位市場分析指出，整體而言，記憶體仍處於結構性回升階段，但族群內已從「全面齊漲」轉向「選股為王」。部分個股在短線累積漲幅後，震盪風險升高，資金開始轉向基本面與產業地位更具支撐的標的。後續觀察重點，將放在價格續航力、庫存水位變化，以及不同次產業間的強弱輪動。
經濟部 iPAS AI應用規劃師初級能力鑑定-考試樣題
科目一：人工智慧基礎概論
A 26.關於「負責任的AI」，下列敘述何者較為正確？
(A) AI系統的開發者對AI系統的行為負責
(B) AI系統的使用者對AI系統的結果負責
(C) AI系統本身對其行為負責
(D) 政府對AI系統的發展負責
A 27.關於生成式AI的基本原理，下列敘述何者較正確？
(A) 生成式AI通過分析大量數據來生成新數據，模擬數據分佈以創造 與訓練數據相似的結果
(B) 生成式AI主要通過預定義的規則來進行數據處理和分類
(C) 生成式AI專注於數據分類和迴歸預測，幫助識別已知數據中的模 式
(D) 生成式AI通過自動化的方式清洗數據，提升數據分析的準確性
A 28.關於下列模型在生成式人工智慧（Generative AI）中的角色，
何者並非 以「產生新資料」
為主要設計目的？
(A) 支援向量機（Support Vector Machine）
(B) 變分自編碼器（Variational Autoencoder）
(C) 自迴歸模型（Autoregressive Model）
(D) 擴散模型（Diffusion Model）
B. 29.某份資料中出現多個欄位（如score1、score2、score3）儲存相同的成 績資訊，
造成資料結構重複與使用混淆，此種情形屬於下列哪一種資料 品質問題？
(A) 重複資料（Duplicate Data）
(B) 冗餘資料（Redundant Data）
(C) 格式錯誤資料（Malformed Data）
(D) 缺失資料（Missing Data）
B. 30.某電商平台希望預測商品的退貨機率，以協助降低營運風險。
若模型使 用的輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，
而模型的輸 出為是否退貨（是/否）。
請問在此模型中，「是否退貨」應歸類為下列哪 一類變數？
(A) 特徵（Feature）
(B) 標籤（Label / Target）
(C) 超參數（Hyperparameter）
(D) 正則化係數（Regularization Coefficient）
支援向量機(Support Vector Machine, SVM)
是一種監督式學習的方法，一般是應用於分類
(Classification/supervised learning)等相關議題上。
SVM 基本運作模式如下：
在給定一群訓練樣本之下，每個樣本會分別對應至
兩個不同的類別(Category)，
SVM 會嘗試從建構一個模型(Model)，
並利用此模型將每一個樣本分配到一個類別上。
Support Vector Machine(簡稱SVM)模型
中文全稱為支援向量機，
是一種基於統計原理的機器學習演算法，
應運用於資料分類(Classifier)以及迴歸(Regressor)
2017 Yeh James
支援向量機(Support Vector Machine)簡稱SVM這個名字光看字面三個字的意思都懂，但合起來就完全看不懂了。不過SVM概念很簡單，先聽我說個故事
有一天上帝給了你一個考驗，要你用一個棍子將這兩顆不同顏色的球分開
於是你使用方法
順利找個一個放棍子的方法將這兩種不同顏色的球分開，
於是上帝又創造一些球出來，你發現原先棍子擺放位子很容易造成未來產生的球的分類錯誤
因此你發現應該要將棍子調整成這樣才能夠在更準確分類在未來產生的球（這就是SVM最主要的核心概念）
上帝發現你已經成長了不少了，簡單的問題難不了你，因此又出一道考題給你，要如何正確分類以下的球
觀察一下後你發現紅球、藍球的質量不太一樣，這時你靈機一動，深呼吸一口氣，將你的查克拉聚集在手上，大力一拍桌子，讓這些球飛到空中，你再拿一張白紙將將些球分開
從正上方的視角來看這藍球跟紅球就像是被一條虛擬的線分開了
常見的自編碼器種類：
變分自編碼器（Variational Autoencoder，VAE）
是一種生成模型，結合了自編碼器和機率建模的概念，用於學習數據的低維度表示並生成新的樣本。以下是有關變分自編碼器的簡要介紹：
總之，變分自編碼器（VAE）是一種結合自編碼器和機率建模的生成模型，透過引入潛在變數和隨機性，能夠生成多樣性的樣本。VAE在生成和潛在變數建模方面的特點，使其成為生成模型領域的重要成員。
2023 Nick
變分自編碼器與自編碼器的差別，參考下圖。
自回歸（autoregressive）模型
是一種在機器學習和統計學中常用的方法，主要用來處理序列數據的預測。 它的基本概念是：序列中的當前值是過去值的函數，藉由利用序列中先前的數據點來預測下一個數據點。
具體來說，自回歸模型會根據時間序列中前面一段時間（稱為滯後期數）的觀測值，透過線性組合與隨機誤差來估計當前的數值。
擴散模型（Diffusion Model）
是一種基於機率的生成式AI技術，主要用於圖像生成、修復及語音合成。
其核心原理是 模擬非平衡態熱力學，透過「前向過程」
逐步對數據添加高斯雜訊直到變成純雜訊，再透過
神經網路學習「逆向過程」去噪，從而從隨機噪聲中生成逼真數據。
相比GANs，它訓練更穩定，是Stable Diffusion和DALL-E 2的核心技術。
關鍵概念與運作流程
前向過程 (Forward Process/Diffusion):
將真實數據（如圖像）逐步加入隨機高斯雜訊，
直到最終成為完全無序的雜訊。
逆向過程 (Reverse Process/Denoising):
這是模型的訓練目標。
神經網路被訓練來「反轉」前向過程，將一張純雜訊圖像逐步去噪，
還原成高質量的真實圖像。
生成機制:
訓練完成後，模型可以從一個完全隨機的噪聲分佈開始，
逐步生成新的、獨特的數據。
技術優勢與應用
訓練穩定性: 不像GAN（生成對抗網路）需要同時訓練產生器與判別器，
擴散模型訓練更加穩定，
不容易出現模式崩潰（Mode Collapse）。
高品質生成: 能生成多樣化、高解析度的圖像。
廣泛應用: 應用於
1.圖像修復（Inpainting）、
2.超解析度成像（Super-resolution）、
3.文生圖（Text-to-Image）、
4.影像生成影片等。
退休金變薄! 月花7.2萬暴增47% 8成人這筆「通膨帳」全算錯
「L11101 AI 定義與分類」
為經濟部 iPAS 人工智慧應用規劃師（初級） 鑑定考試中「人工智慧基礎概論」
的第一個核心主題。
.jpg)
以下根據 2026 年最新鑑定規範整理之重點：
一、 人工智慧（AI）的定義
發表文章
所有留言
