2025 Fall 人工智慧技術與商業應用（臨時網頁）

課程大綱及投影片

• Syllabus （授課大綱）（9/1 第一次上課時會發放）

• Lecture 1 AI 是什麼？從定義到類神經網路初體驗 （9/1 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（9/8 上課時使用）

• Lecture 3 卷積神經網路與遷移學習（9/15 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（9/22 上課時使用）

• Lecture 5 從 Transformer 到 LLM：應用、倫理挑戰與 RAG 導入 (9/29 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 (10/20 上課時使用）

工作坊相關資料

• Google Colab 環境設定操作手冊

• 透過瞭解神經網路 Notebook 的典型區塊結構減少學習困擾（9/8 上課時發放）

• Workshop 2A 補充說明

• Workshop 2A Notebook（GitHub 連結）

• Workshop 2B 補充說明

• Workshop 2B Notebook（GitHub 連結）

• Homework #1 

• Workshop 3A 補充說明

• Workshop 3A Notebook（GitHub 連結）

• Workshop 3B 補充說明

• Workshop 3B Notebook（GitHub 連結）

• Workshop 4 體驗詞向量（詞嵌入）

煒翔 TA 提供的優化版本（有興趣更深入探索的學長姐可以自行嘗試）

• (2024/09/15) 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 端可以正確擷取到我們手寫數字的特徵。

在二維（降維後）的空間體驗詞嵌入（詞向量）

• Word2viz 網頁（2025/09/22 上課時大家可以體驗看看）

• Webvectors 網頁（可體驗詞向量的運算）

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） AlphaGo 與李世乭的第二棋局 Move 37 及其後三的一部分發展

• （Youtube 影片）強化學習木棒平衡滑車範例的影片

同學提出問題的補充說明

• learning rate 的設定（2025/09/22 上傳）

上課錄影

• （Youtube 影音連結）第二次上課（9/08）的課堂錄影 -- Part I

• （Youtube 影音連結）第二次上課（9/08）的課堂錄影 -- Part II

• （Youtube 影音連結）第三次上課（9/15）的課堂錄影 -- Part I

• （Youtube 影音連結）第三次上課（9/15）的課堂錄影 -- Part II

• （Youtube 影音連結）第四次上課（9/22）的課堂錄影 -- Part I

• （Youtube 影音連結）第四次上課（9/22）的課堂錄影 -- Part II

• （Youtube 影音連結）第五次上課（9/29）的課堂錄影 -- Part I（抱歉！本日只錄到前半堂課，下半節的課程 -- LLM 的隱私風險及 RAG 部分 -- 沒有錄到）

• （Youtube 影音連結）第六次上課（10/13）的課堂錄影 -- Part I

• （Youtube 影音連結）第六次上課（10/13）的課堂錄影 -- Part II

• （Youtube 影音連結）第七次上課（10/20）的課堂錄影 -- Part I

• （Youtube 影音連結）第七次上課（10/20）的課堂錄影 -- Part II

AI 應用構想書撰寫說明（期中作業 -- 繳交日期 11/03）

本作業的目的是讓大家在完成前半學期的課程後，能夠結合課堂中學到的 AI 技術概念，構思一項與自身產業或工作相關的人工智慧應用構想。請以書面報告方式撰寫（約 3 至 5 頁，約 2000 至 3000字），不需口頭簡報。內容重點不在技術細節，而在於能清楚說明應用的邏輯、價值與可行性。

課程前半學期涵蓋了 Dense Neural Network、Convolutional Neural Network (CNN)、Recurrent Neural Network (RNN)、自然語言處理（NLP，包括 Large Language Model, LLM 及 RAG）、生成式模型（GAN、Diffusion Model）與強化學習（Reinforcement Learning, RL）等主題。請同學思考其中一項或數項技術，如何能與自己的產業經驗或工作流程結合，解決具體問題或創造新的商業價值。

構想書可包含以下主要內容（不必拘泥於標題，可依需求自行調整）：

1. 問題背景與需求說明：簡要描述您所在產業、組織、部門的運作情境，指出目前存在的挑戰或可改善之處。

2. AI 應用構想：說明您打算運用的 AI 技術類型及其原理概要（例如影像辨識、語言理解、生成式內容或策略優化），並闡述該技術如何回應上述問題。

3. 應用流程與資料需求：概述 AI 系統在實際場域中可能的使用方式，包含輸入資料的來源與性質、輸出形式，以及與現有系統或流程的整合想法。

4. 價值與可行性評估：從商業、技術與組織三個層面評估此構想的潛在效益與可行性，例如可提升效率、降低成本、改善顧客體驗或創造新商機。若能提出初步的效益估算或比較案例當然也很好。

5. 風險與倫理考量：簡述導入 AI 可能面臨的挑戰或風險，包括資料隱私、偏誤、組織文化或信任等議題，並提出應對思考。

6. 個人洞見與未來展望：反思這項構想在未來的擴展潛力，或說明您對 AI 在產業轉型中的角色與限制的看法。

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。建議以具體且條理清晰的方式撰寫，不需使用數學推導或程式，鼓勵但不限於運用課程中介紹的技術概念。