單元目標：

• 了解本系列課程的學習藍圖。 

單元目標：

• 回顧「Token」在語言模型中作為語義理解基本單位的概念。 

• 初步認識語言模型預測下一個詞的基本直覺與 N-gram 的核心精神。

單元目標：

• 理解 N-gram 模型如何透過模式與技巧預測句子中接下來的詞彙。 

• 學習 Unigram (1-gram) 的運作方式及其不考慮上下文的特性。 

• 掌握 Bigram (2-gram) 如何利用前一個詞來預測下一個詞，並提升語意清晰度。 

• 認識 Trigram (3-gram) 如何透過觀察前兩個詞來進行更精準的預測。 

• 理解 N-gram 模型中 N 值大小對預測結果的可能影響。 

單元目標：

• 學習如何統計語料庫中詞彙出現的頻率來計算 Unigram 的機率。 

• 掌握利用條件機率計算 Bigram 中下一個詞出現的機率。 

• 學會使用 Google Books Ngram Viewer 工具查詢與比較不同詞組的出現頻率。 

• 了解除了選擇最高機率詞彙外，如何透過隨機抽樣或調整溫度 (temperature)、Top-K值來增加生成文本的多樣性。

單元目標：

• 學習如何使用 Python 的 NLTK 套件進行 N-gram 模型的建立與分析。 

• 能夠運用 NLTK 計算 Unigram、Bigram、Trigram 的詞頻分佈。 

• 實作根據 Bigram 計算特定詞彙後出現不同詞彙的條件機率。 

• 實作利用 Bigram 模型進行文字接龍，生成連續文本序列。 

• 透過作業練習，嘗試分析不同文本並觀察調整 N 值對 N-gram 模型的影響。

單元目標：

• 了解 N-gram 模型在文字生成、文本分析、輸入法建議、搜尋引擎提示及拼字校正等方面的實際應用。 

• 認識 N-gram 模型面臨的零機率問題及解決思路。 

• 理解 N-gram 難以捕捉長距離依賴關係的缺點。 

• 理解 N-gram 缺乏對整體上下文理解能力的侷限性。 

• 初步認識為克服 N-gram 缺點而發展出的後續模型。