課程大綱及投影片
Syllabus (授課大綱)(9/8 第一次上課時發放)
Lecture 1 AI 是什麼?從定義到類神經網路初體驗 (9/8 第一次上課時使用)
Lecture 2 類神經網路與分類模型建模及體驗(9/15 上課時使用)
Lecture 3 卷積神經網路與遷移學習(9/22 上課時使用)
Lecture 4 RNN與詞向量:自然語言處理的核心方法與應用(9/29 上課時使用)
Lecture 5 從 Transformer 到 LLM:應用、倫理挑戰與 RAG 導入 (10/06 上課時使用)
Lecture 6 機器藝術與圖像生成 AI:GAN, VAE, 與 Diffusion (10/13 上課時使用)
Lecture 7 遊戲對局與強化學習:從演算法邏輯到智慧決策 (預計 10/20 上課時使用)
工作坊相關資料
透過瞭解神經網路 Notebook 的典型區塊結構減少學習困擾(預計 9/15 上課時發放)
優化版本(有興趣更深入探索的學長姐可以自行嘗試) 比較 DNN 與 CNN 在手寫辨視的表現(GitHub 連結) --- 這個版本主要針對 Web App 部分進行優化,讓 App 端可以更正確擷取到我們手寫數字的特徵。
OpenAI 的分詞器(Tokenizer)
OpenAI 的 Tokenizer 示範網頁(2026/09/29 上課時大家可以體驗看看)
在二維(降維後)的空間體驗詞嵌入(詞向量)
Word2viz 網頁(2026/09/29 上課時大家可以體驗看看)
Webvectors 網頁(可體驗詞向量的運算)
取樣策略的調校與展示
圖像生成技術的簡單體驗及展示
GAN Lab: GAN 如何透過競爭學習
VAE Latent Space Explorer: 理解 VAE 的潛在空間有什麼特別?
Diffusion Explainer: Diffusion 如何兼顧隨機性與控制
Krea Realtime Edit: 從隨機生成到即時可控的創作
GAN 生成對抗網路
生成影像與假臉辨識 — Which Face Is Real? --- 請你「判斷哪張是真臉」。這個網站是由 University of Washington 的 Jevin West 與 Carl Bergstrom 開發,其中的圖像有些是透過 StyleGAN 生成的假臉,另一些則是來自 FFHQ 資料集(Flickr Faces HQ)中開放授權的真實照片。
強化學習
強化學習入門案例:木棒平衡滑車(Cart-Pole)的 handout --- 在強化學習領域中,有一個有名的入門遊戲:木棒平衡滑車(Cart-Pole)。這個問題最早來自控制理論(control theory),但因為它簡單、具體、又能清楚展示學習控制的概念,因此成為教學中最常見的範例。本課程提供一個簡單的 handout 供大家參考。
與課程內容相關的網頁或影片連結
(Youtube 影片)Hubel & Wiesel 的視覺實驗
(第一次工作坊活動使用的網頁連結)Tensorflow Playground
(Youtube 影片)Groundhog Day (1993)預告片
(Youtube 影片)AlphaGo 的 Move 37 的現場解說
(Youtube 影片)強化學習木棒平衡滑車範例的影片
上課錄影(預計每週課程結束後上傳)
AI 技術與商業應用:期中作業說明(繳交日期:11/10,請直接交到 Moodle)
本次期中作業提供兩種選擇,請同學擇一完成:
Option A:AI 應用構想書
Option B:專題演講心得與應用反思
報告建議約 3 頁上下、1200–1800 字,不需口頭簡報。本作業希望大家結合前半學期所學的 AI 技術概念、專題演講內容,以及自身的產業或工作經驗,提出具體的應用構想或個人觀察與反思。重點在於理解、分析與判斷,而非報告篇幅或技術細節。
Option A:AI 應用構想書
請從自己的產業、工作或熟悉的領域中,找出一個值得改善的問題,思考如何運用 AI 技術解決問題或創造新的價值。課程前半學期涵蓋 Dense Neural Network、CNN、RNN、自然語言處理(NLP,包括 LLM 與 RAG)、生成式模型(GAN、Diffusion Model)及強化學習(RL)等主題。可以選擇其中一項或數項技術,不必刻意使用複雜的技術。
報告可考慮(但不限)包含以下內容:
問題背景與需求:描述實際產業或工作情境,以及希望改善的問題。
AI 應用構想:說明預計採用哪些 AI 技術,以及為什麼適合處理這個問題。
應用方式與資料需求:簡述可能的運作流程、所需資料及預期產出。
應用價值與可行性:分析可能帶來的效益,以及實際導入時的困難或限制。
個人判斷與展望:說明自己是否認為這項應用值得推動,以及理由。
不需要詳細介紹演算法或數學原理,重點在於具體說明 AI 如何解決問題,以及實際應用的價值與可行性。
Option B:專題演講心得與應用反思
本學期第八週邀請兩位講者,分享不同領域的 AI 技術應用與發展:
智慧羽球科技:從運動科技的實際案例,探討 AI、資料分析與智慧技術如何應用於運動訓練、表現分析或相關服務。
AI 決勝力:拉開企業的競爭差距:探討企業如何運用 AI 提升經營效能、創造商業價值,以及形成競爭優勢。
你可以選擇其中一場或結合兩場演講,挑選自己認為最有啟發或值得討論的觀點,撰寫心得與分析。
報告可包含(但不限)以下內容:
重要觀點與收穫:演講中哪些案例、觀點或做法讓你印象深刻?為什麼?
與課程內容的連結:這些案例或觀點與課堂介紹的 AI 技術或應用概念有什麼關係?
應用價值與限制:例如,智慧運動科技如何運用資料與 AI 創造價值?企業又該如何將 AI 技術轉化為實際競爭優勢?其中有哪些挑戰或限制?
個人經驗與反思:這些觀點是否適用於你自己的產業或工作?你是否認同講者的看法?演講是否帶給你不同的想法?
以上僅為建議方向,不需要逐項討論,也不必涵蓋所有內容。可以集中討論兩三個自己認為最重要的觀點。
本作業重點不是整理或摘要演講內容,而是希望大家結合課程知識、個人經驗及自己的判斷,提出有意義的分析與反思。
報告撰寫與 AI 使用
可以使用生成式 AI 工具協助整理思路、查詢資訊或潤飾文字,但報告請盡量以自己的理解、經驗與判斷為主。
報告的重點在於展大家對 AI 概念的理解、對產業脈絡的洞察,以及從管理與策略角度思考 AI 應用價值的能力。不用特別在篇幅長短或文字華麗程度上費心,建議可把重心放在內容的具體性、合理性,以及個人的分析與思考。