1.將 AI 與生活議題緊密結合：
• 學生將透過實作案例，學會如何從日常生活中的具體問題出發，進行問題分析、設計解決
方案，並用程式實際實現這些方案。 •課程不僅僅停留在概念學習上，學生將親身動手運用
所學的AI技術，解決如個人理財、健康管理、社交媒體分析等真實生活中的挑戰，確保所學內
容具有實際應用價值。
2.掌握 Python 基礎：
• 學習並熟練掌握 Python 程式設計的基本語法和概念，包括數據結 構、條件語句、迴圈
等。
• 能夠撰寫簡單的 Python 程式來解決生活中的小問題。
3.理解並應用 AI 基礎概念：
• 理解 AI的基本概念和歷史發展，認識 AI在不同領域的應用場景。
• 能夠將 AI應用於實際生活議題，並瞭解 AI模型的基本工作原理。
4.開發和實作簡單的 AI 模型：
• 學會構建、訓練和評估簡單的AI模型，如線性迴歸、圖像識別和文字分類模型。
• 能夠將AI模型應用於解決生活中的實際問題，如房價預測、垃圾分類和情感分析等。
5.提升數據處理與分析技能：
• 學會如何處理和分析不同格式的數據，包括 CSV、JSON 等，並能將數據轉換為適合模型訓
練的格式。
• 掌握資料視覺化的基本技能，能夠將複雜數據透過圖表清晰呈現。幫助學生從基礎開始，
逐步掌握 AI和 Python 的核心技能，並能夠將其應用於生活中的實際問題，為未來的進階學
習和職業發展奠定堅實基礎。
一 課程介紹
課程介紹：說明課程目標、課程實作環境操作、評量評分標準。
二 AI 基礎概念與生活應用
◼ 主題：什麼是 AI？它如何改變我們的生活？
◼ 生活議題：介紹智慧助手（如 Siri 或 Google Assistant）如何幫助我們日常生活中的任務。
◼ 內容綱要：
1. AI 的基本定義與概念。
2. AI 在現代生活中的應用示例，如智慧助手、推薦系統。
3. 探討未來 AI 的發展趨勢及其可能的影響。
◼ 預計使用的資料集：無
◼ 影片時長估計：15 分鐘
三 Python 程式設計入門(上) ◼ 主題：Python 的基本語法與應用
◼ 生活議題：撰寫一個簡單的聊天機器人來回答常見問題。
◼ 內容綱要：
1. Python 軟體介紹
2. Python 基本數據類型、變數與運算。
3. 控制流程：條件語句與迴圈。
◼ 預計使用的資料集：無（學生撰寫 Python程式）
◼ 影片時長估計：20 分鐘
四 Python 程式設計入門(下)
◼ 主題：Python 的基本語法與應用
◼ 生活議題：撰寫一個簡單的聊天機器人來回答常見問題。
◼ 內容綱要：撰寫一個簡單的聊天機器人作為實作範例。
◼ 預計使用的資料集：無（學生撰寫 Python程式）
五 資料結構與資料型態應用
◼ 主題：使用資料結構解決個人理財問題
◼ 生活議題：管理個人消費數據，分析消費習慣。
◼ 內容綱要：
1. 介紹 DataFrame 的基本操作。
2. 探討如何總結當月與上月的消費品項，並使用視覺化方式呈現這些數據。
◼ 預計使用的資料集：
1. Personal Expense Data
2. E-commerce Sales Data
3. 13 Best Free Retail Datasets for Machine Learning
◼ 影片時長估計：20 分鐘
六 檔案格式與數據處理
◼ 主題：處理不同檔案格式的旅遊數據
◼ 生活議題：計劃一場旅行，設計最佳路線安排。
◼ 內容綱要：
1. 讀取 CSV 檔案並存入 DataFrame，讀取 JSON 檔案並存入字典。
2. 分析不同檔案格式的旅遊數據並進行視覺化。
◼ 預計使用的資料集：臺灣旅遊景點資料集
◼ 影片時長估計：20 分鐘
七 資料視覺化(上)
◼ 主題：健康飲食數據的視覺化分析
◼ 生活議題：跟蹤和分析自己的飲食習慣，尋找健康飲食的模式。
◼ 內容綱要：使用 Plotly 繪製圖表。
◼ 預計使用的資料集：開放的健康飲食數據集，或學生自行記錄一週的飲食數據。
◼ 影片時長估計：20 分鐘
八 資料視覺化(下)
◼ 主題：健康飲食數據的視覺化分析
◼ 生活議題：跟蹤和分析自己的飲食習慣，尋找健康飲食的模式。
◼ 內容綱要：
1. 對健康飲食數據提出三個問題並使用 Plotly繪製視覺化圖表回答問題。
2. 學生分享成果。
◼ 預計使用的資料集：開放的健康飲食數據集，或學生自行記錄一週的飲食數據。
九 簡單的線性迴歸模型 (上)
◼ 主題：預測房價的簡單線性迴歸模型
◼ 生活議題：分析不同因素對房價的影響，並預測未來的房價趨勢。
◼ 內容綱要：線性迴歸的基本概念和應用。
◼ 預計使用的資料集：
1. House Prices - Advanced Regression Tech
niques
2. House Price Prediction Code
3. 線性迴歸模型教學文章
◼ 影片時長估計：20 分鐘
十 簡單的線性迴歸模型 (下)
◼ 主題：預測房價的簡單線性迴歸模型
◼ 生活議題：分析不同因素對房價的影響，並預測未來的房價趨勢。
◼ 內容綱要：建立並訓練線性迴歸模型進行房價預測。
◼ 預計使用的資料集：
1. House Prices - Advanced Regression Techniques
2. House Price Prediction Code
3. 線性迴歸模型教學文章
十一 圖像識別入門(上)
◼ 主題：手寫數字識別的圖像識別模型
◼ 生活議題：建立一個圖像識別模型來識別手寫數字，用於自動化處理表單或考試卷。
◼ 內容綱要：
1. 卷積神經網絡（CNN）的基本概念。
2. 使用 CNN 模型進行手寫數字識別，講解如何處理和分析手寫圖像數據。
◼ 預計使用的資料集：MNIST 數據集。
◼ 影片時長估計：20 分鐘
十二 圖像識別入門(下)
◼ 主題：手寫數字識別的圖像識別模型
◼ 生活議題：建立一個圖像識別模型來識別手寫數字，用於自動化處理表單或考試卷。
◼ 內容綱要：模型的訓練和評估，以及如何將模型應用於實際問題中，如表單自動化處理。
◼ 預計使用的資料集：MNIST 數據集。
十三 文字分類(上)
◼ 主題：社交媒體情感分析的文字分類模型
◼ 生活議題：分析社交媒體上對特定事件的風向。
◼ 內容綱要：Logistic 迴歸的基本概念和應用。
◼ 預計使用的資料集：Twitter 或其他社交媒體的情感分析數據集（如 Kaggle 的情感分析數據）。
◼ 影片時長估計：20 分鐘
十四 文字分類(下)
◼ 主題：社交媒體情感分析的文字分類模型
◼ 生活議題：分析社交媒體上對特定事件的風向。
◼ 內容綱要：使用情感分析數據集進行情感分類。
◼ 預計使用的資料集：Twitter 或其他社交媒體的情感分析數據集（如 Kaggle 的情感分析數據）。
十五 網路資料自動爬取與分析
◼ 主題：新聞資料的網路爬取與分析
◼ 生活議題：從網路上自動收集和分析新聞數據。
◼ 內容綱要：
1. 使用 requests 和 BeautifulSoup 進行網路爬取和分析。
2. 從新聞網站爬取數據並進行整理分析，並輸出至 Google Sheet。
◼ 預計使用的資料集：即時爬取的新聞網站數據。
◼ 影片時長估計：20分鐘
十六 基礎自然語言處理（NLP）(上)
◼ 主題：影評分析的自然語言處理技術
◼ 生活議題：分析影評中的主要關鍵字，瞭解
影評者對電影的看法。
◼ 內容綱要：使用正規表達式進行資料清洗。
◼ 預計使用的資料集：從 IMDb 或其他影評網站爬取的影評數據。
◼ 影片時長估計：20分鐘
十七 基礎自然語言處理（NLP）(下)
◼ 主題：影評分析的自然語言處理技術
◼ 生活議題：分析影評中的主要關鍵字，瞭解影評者對電影的看法。
◼ 內容綱要：使用 Jieba 套件進行中文文本的斷詞，結合大語言模型 (LLM) 進行關鍵字提取與命名實體識別 (NER)。然後建立作者與提取出的關鍵字及實體之間的關聯，並使用 NetworkX繪製關聯圖表，以直觀展示文本中的重要資訊和
關係。
◼ 預計使用的資料集：從 IMDb 或其他影評網站爬取的影評數據。
十八 期末總結 課程總整回顧（含共通問題評析與回饋）。