Embedded Files
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）
Page updated
Google Sites
Report abuse