Embedded Files
1. Allama
➤學習目標：學習以自動化 AI 模型分析金融新聞情緒，並建構自動評分與報告整合呈現市場當日趨勢，解決投資人無法快速分析大量資料的痛點。
➤學習方法：使用n8n 自動化平台撰寫腳本串接 ChatGPT API，自動化新聞情緒評分，並以 Python 繪製儀表板呈現整體市場情緒變化。
➤學習成果：成功完成工作流的設計，可整合並分析超過 90 筆新聞情緒分數，量化市場情緒並並呈現當日情緒趨勢。
2. NoFreeLunch
➤學習目標：克服專業知識，展現與大型語言模型互動所帶來的學習效益。反思LLM的功能與局限，總結出經由這種學習模式所培養的跨領域探究能力。
➤學習方法：借助大型語言模型的力量，循序漸進地演示從探索性資料分析到特徵工程、資料切割與建模的完整流程，並提供程式碼範例及重點說明
➤學習成果：透過與 AI 協助克服知識和技能的限制，學習資料處理、模型建構與評估，反思AI 輔助學習的優勢與侷限，培養出自學新領域的能力。
3. 經濟導航員
➤學習目標：運用AI生成腳本與製作動畫，並分析川普政策對台灣經濟的深遠影響，強化時事與產業理解能力。
➤學習方法：利用ChatGPT撰寫具新聞風格與經濟分析力的腳本，並以Kling與Sora AI平台進行視覺轉換與動畫生成，融合資料、畫面與敘事技巧。
➤學習成果：全使用AI製作一部5分鐘AI動畫影片，完整呈現川普關稅政策如何影響台灣經濟、企業應對策略及未來轉型方向。
4. TracingAir
➤學習目標：空氣品質對我們的健康影響甚劇，工業區附近社區更需時時瞭解附近空品情形。於是我們著手改良前輩的移動觀測儀器－特務AP。
➤學習方法：使用3D列印配件並改良儀器佈局；以Aerobox連接感測器，利用MQTT傳輸資料，再以Javascript編寫網頁及整理數據。
➤學習成果：特務AP架設於汽車上，網站顯示即時觀測資料。社區即時得到空品資訊之虞，我們也能分析其數據，深入研究工業區的空氣品質變化。
5. C.U.B.E. (Campus Utility Box for Exchange)
➤學習目標：針對校內二手交易不便問題，運用IoT與程式設計，整合軟硬體資源，自主學習並重視專案管理，完成智慧化解決方案。
➤學習方法：使用 Flutter 作為前端框架、FastAPI 作為後端服務、Firebase 進行資料儲存，並透過 MQTT 控制交易箱開鎖。
➤學習成果：透過 Google 帳號登入網站預約交易箱，並於時限內放入商品，買家能查看物品資訊並於指定時間取貨。
6. C.A.R.E. (Campus AI Response Experts)
➤學習目標：周末待在學校卻不知道能做什麼嗎?為了幫助師生們更加善用校園資源，我們著手製作了符合校園需求的AI助理，整合最新活動資訊給師生。
➤學習方法：Flask串接Line API作為前端處理文字與圖片，並以LLM搭配MySQL存儲訊息作為核心回復邏輯，輔以向量檢索提升語意問答精準度。
➤學習成果：智慧海報辨識：上傳活動圖片 5 秒內完成欄位擷取，資料自動入庫。
個人化互動：機器人能記住常問問題與使用者習慣，內容更精準、讀者滿意度提升。
7. AI 飛行-愛飛行
➤學習目標：透過vibe coding 設計一款3D 互動式的飛行遊戲，建立就算不是資訊本科系也可以嘗試用AI 作出個人作品的自信。
➤學習方法：透過 vibe coding 嘗試風格化開發，持續測試、重構與調整邏輯，打造流暢互動體驗。
➤學習成果：成功打造具節奏感的障礙飛行遊戲，整合敵機攻擊、計分系統與鏡頭視角，玩家互動流暢、有挑戰性。
Page updated
Report abuse