我 Year 1 修的 COMP1004，現在課號改成 DSAI1202，課名沒變：Introduction to Artificial Intelligence and Data Analytics。如果你是搜課號找進來的，這兩個代號指的是同一科。

期末的 Final Quiz 以選擇題為主，可以帶 cheat sheet 進場。我照 lecture slides 壓了一張兩頁的紙進去，這科最後拿 A-。

直接下載：Final Quiz CheatSheet.pdf（兩頁，181 KB，點了就開）。原始檔也放在 GitHub：COMP1004-FinalCheatSheet。

下面列出這張紙的骨架，讓你不用先下載也知道裡面有沒有你要的東西。

先說清楚：這是 2024 年的版本

我修這科是 2024 年，這張紙完全照當年的 lecture slides 整理。

課號從 COMP1004 換成 DSAI1202，通常也代表課程大綱動過。加上 AI 這個題目本身更新得特別快——紙上那條 AI Milestones 就停在 2023 年的 ChatGPT-4，之後兩年發生的事一件都沒有。

所以請把它當參考，不是當答案。拿去跟你自己那年的 slides 對一遍，多出來的補上，不教了的劃掉。

兩頁的骨架

紙分成兩大部分，順序跟當年的課程走：

flowchart LR
  P1["第 1 頁"] --> A["Part 1 // Artificial Intelligence"]
  A --> A1["AI / ML / DL 定義與關係"]
  A --> A2["AI 應用"]
  A --> A3["AI 的子領域"]
  A --> A4["Big Data 與 Data Analytics"]
  A --> A5["Machine Learning"]
  A --> A6["Deep Learning"]
  P2["第 2 頁"] --> B["Part 2 // AI Robotics"]
  B --> B1["機器人定義與分類"]
  B --> B2["工業應用與四次工業革命"]
  B --> B3["AI Ethics"]
  B --> B4["各國 AI 策略"]
  B --> B5["搜尋技術與專家系統"]
  B --> B6["Big Data、雲端、AIoT"]

Part 2 其實從第一頁的末尾就開始了（機器人定義和 AI Milestones 卡在第一頁最後），版面是排滿為止，不是一頁一個 Part。

第一頁：AI 與資料分析

AI / ML / DL 三者的定義各配一個例子（Siri、Netflix 推薦、ChatGPT），後面接三層的包含關係：AI 包住 ML，ML 包住 DL。

AI 應用

• 疾病偵測與癌症診斷
• AlphaFold 與蛋白質結構
• 香港的智慧醫院：中大醫療中心、天水圍醫院（2017）
• 自駕車 L0–L5 六個等級，每級一句話（例子是百度 Apollo Go，2022，L4）

AI 的子領域

• Computer Vision：image segmentation、Meta 的 SAM2
• NLP：speech recognition（Whisper）、speech synthesis（ElevenLabs）
• Face Detection / Face Analysis / Face Recognition 三個詞的分工
• 職場技能那一小段：T 型與 M 型人才

Big Data 與 Data Analytics

• Big Data 的 4V
• 結構化 / 半結構化 / 非結構化三種資料型態，各配例子
• 四種 data analytics：Descriptive、Diagnostic、Predictive、Prescriptive

Machine Learning

• 早期 AI：Eliza（規則式）、專家系統
• 監督式學習：classification 的三個典型應用（垃圾郵件、情感分析、影像辨識）
• 二元 vs 多元分類（表格）
• Underfitting 與 Overfitting，各配一個考試比喻
• AI 寫作偵測器的 false positive 問題
• Confusion matrix
• Regression：預測數值
• 非監督式學習、強化學習（AlphaGo、機器人停車）

Deep Learning

• 傳統 ML vs DL 的四維度對照（表格）
• 「deep」指的是層數多
• MNIST、全連接前饋網路、CNN（影像）、Transformer（NLP，生成式 AI 的基礎）
• Keypoint detection、pose estimation、義肢

Part 2 的開頭（卡在第一頁末）

• 機器人的定義（robota，僕役）與四個關鍵特徵：感知、移動、能源、智慧
• AI Milestones 2014–2023：GANs、Sophia、WaveNet、AlphaGo、Deepfakes、Transformer、GPT-1、AlphaFold、生成式 AI 普及、ChatGPT-4

第二頁：機器人、倫理與政策

機器人分類

• JIRA（日本產業機器人協會）六分類
• RIA（美國機器人協會）Type A 到 Type D

應用與優劣

• 五類應用：人形、工業、醫療、服務、國防
• 優點與限制各三到四條
• Elon Musk 談 Optimus 的四個重點

工業製造

• 四次工業革命：1784 蒸汽、1913 量產、1969 PLC、2014 智慧製造
• 智慧製造循環：Data → Analytics → Action → Control → Product
• 業界典型機器人應用清單（弧焊、堆疊、壓鑄、沖壓、打磨拋光、噴塗、包裝……）

AI Ethics

• AI 成功的三個要素：演算法與架構、算力、大數據
• 電腦擅長什麼 vs 人類擅長什麼
• Normal Accidents 與 AI 安全
• AI 的好處與風險對照
• 德國自駕倫理委員會找了哪五種人
• 倫理理論分布：效益主義 30%、權利 12%、康德義務論 10%
• 十二條 AI 倫理原則（Accountability 到 Sustainability）
• ISO/IEC 4200 與 AIMS，以及它的八項好處

各國 AI 策略

• 美國、日本（Society 5.0）、歐盟、中國各自的重心
• 中國 AI 發展計畫的 2020 / 2025 / 2030 三個階段

搜尋與知識表示

• Knowledge Graph
• 盲目搜尋（DFS、BFS）、啟發式搜尋（A*）、局部搜尋（Hill-Climbing）、對抗搜尋（Alpha-Beta 剪枝、蒙地卡羅樹搜尋）
• 專家系統（Edward Feigenbaum，1982）
• Generative AI = 創造、NLP = 理解、LLM = 進階 NLP

Big Data、雲端與 AIoT

• Data / Dataset / Big Data 三個詞的分別
• 雲端運算的五大特性
• AIoT 的組成要素

紙上做成表格的部分

這幾組是成對或成組出現的概念，我在紙上排成了表格：

• Binary vs Multiclass classification
• Underfitting vs Overfitting
• 傳統 ML vs Deep Learning（特徵萃取、訓練資料量、算力、可解釋性四個維度）
• 電腦擅長什麼 vs 人類擅長什麼
• AI 的好處 vs AI 的風險

紙上的固定清單

有編號、有年份、有固定條數的東西佔了不少版面，整理成一張表方便你對照自己的 slides：

幾個提醒

找資料時兩個課號都要搜。 COMP1004 和 DSAI1202 是同一科，只搜新代號會漏掉大部分舊資料。

內容是 2024 年的。 上面已經說過一次，但值得再講：拿去對照你自己那年的 slides，不要直接當答案卷。

能不能帶進場，以你當年的公告為準。 我那年是可以的，但這種規定會改，開考前自己確認一次。

祝考試順利。