| 課程時數 |
66hrs
|
| 先備能力 |
|
| 適學對象 |
- 對人工智能有興趣的初學者
- 想學習深度學習、機器學習、自然語言處理等技術的人
|
| 學習目標 |
- 課程針對非結構化文件（如：圖片、文字、聲音）學習如何應用人工智慧領域。於影像文本、互動回饋、生成仿製等領域學習框架與套件
- 探索生成式AI技術原理，透過CNN產出模型進行圖像訓練與預測，NLP加RNN產生語言模型，搭配強化學習搭建出AIGC之落地應用
|
| 課程內容 |
- 梯度下降法原理解析及範例
- 「手寫阿拉伯數字辨識」完全解析：十大處理步驟 & 原理解說
- 模型佈署：網頁程式實作與雲端部署
- 卷積神經網路（CNN）：卷積效果、預訓練、轉移學習、風格轉換
- 物件偵測演算法：NMS、YOLO自訂資料集模型訓練與實作
- 自然語言處理（NLP）前置處理：語音與文字轉換、語文前置處理、分詞套件介紹
- 詞嵌入：詞向量原理、生成／比對、中文詞向量、模型訓練實作
- 自然語言處理模型與應用：循環神經網路（RNN）、長短期記憶網路（LSTM）、
- Transformer網路架構、情緒分析、時間序列預測
- Transformers套件介紹及範例：文本分類、問答、生成、中文模型
- 生成對抗網路（GAN）：DCGAN、CGAN、Text To Image
- 語音處理：訊號前置處理&實作、短指令辨識、自動語音識別
- 強化學習原理與演算法：Gym套件、動態規劃、蒙地卡羅、時序差分、
- Stable-Baselines3
|
| 習得技能 |
- 深度學習與強化學習的原理、規劃及應用實作
- 關鍵字分析
- 文本生成
- 圖像訓練與測試
- 圖像仿製
- 語音訊號處理
- 規律數值變化的預測
- 分析文字意涵的正負面向
- 生成對抗網路（GAN）以文生圖（Text To Image）實作
|
| 實作專案 |
影像辨識（手寫文字、辨認物件）、文本分析（自然語言的關鍵字分析）、語音分析（語音助理、曲風辨識） |