Python AI應用與部署課程｜RAG,LangChain與Docker實戰

課程時數

54hrs

先備能力

Python商業分析決策

適學對象

想成為AI應用工程師者
對大型語言模型及與地端環境整合技術開發有需求者
想將AI生成技術落地應用者

學習目標

課程內容從基礎資料探索與預處理開始，進階至傳統機器學習之迴歸與分類模型
深入 NLP 自然語言處理、時間序列與 RNN/LSTM 深度學習架構
透過課程學習最終希望能精通 LangChain、RAG 向量資料庫（FAISS/Chroma）、Agent 自動化及 MCP 跨服務 Docker 容器化部署

課程內容

使用 Ollama 與 VSCode 建置環境
進行資料集載入與探索性分析
用 Pipeline 處理特徵並防止洩漏
使用隨機森林與梯度提升做迴歸
繪製決策樹並評估特徵重要性
運用 jieba 與 spaCy 分詞處理
計算 TF-IDF 與相似度分類分群
構建 RNN 與 LSTM 預測時間序列
導入詞嵌入層與 Attention 機制
精通 LangChain 結構化提示工程
設計同步非同步與自動化回呼系統
使用 FAISS 向量資料庫實作 RAG
用 Chroma 管理多格式文件與元數據
整合對話記憶並設計 Agent 決策
透過 Docker 與 MCP 部署 AI 服務
期末專題發表

習得技能

掌握 Python 資料分析基礎，熟練操作資料集載入、探索，並能使用 Ollama 與 VSCode 建置 AI 開發環境。
進行資料預處理與特徵提取，包含處理遺失值、編碼轉換、PCA 降維，並建立 Pipeline 避免資料洩漏。
建立迴歸與分類模型，掌握隨機森林與梯度提升演算法，並評估模型效能，評估特徵重要性與繪製決策樹。
應用 jieba 與 spaCy 進行文字分詞、計算 N-grams 及 TF-IDF，並透過文字雲視覺化與進行文本分類分群。
理解 RNN、LSTM 與 Seq2Seq 架構，處理時間序列預測，解決梯度消失問題並結合 Attention 機制改善效能。
精通 LangChain 框架與提示詞工程，設計結構化提示、同步非同步處理，以及運用回呼機制實作自動化應用。
建置 FAISS 與 Chroma 向量資料庫，實作多格式文件增量更新與檢索，打造高準確度的 RAG 架構以克服 AI 幻覺。
整合對話記憶與 Agent 工具，並透過 MCP 協定搭配 Docker 容器化技術，將 AI 服務部署至雲端與本地端。

實作專案

綜合專題與模型部署

課程時數	54hrs
先備能力	Python商業分析決策
適學對象	想成為AI應用工程師者對大型語言模型及與地端環境整合技術開發有需求者想將AI生成技術落地應用者
學習目標	課程內容從基礎資料探索與預處理開始，進階至傳統機器學習之迴歸與分類模型深入 NLP 自然語言處理、時間序列與 RNN/LSTM 深度學習架構透過課程學習最終希望能精通 LangChain、RAG 向量資料庫（FAISS/Chroma）、Agent 自動化及 MCP 跨服務 Docker 容器化部署
課程內容	使用 Ollama 與 VSCode 建置環境進行資料集載入與探索性分析用 Pipeline 處理特徵並防止洩漏使用隨機森林與梯度提升做迴歸繪製決策樹並評估特徵重要性運用 jieba 與 spaCy 分詞處理計算 TF-IDF 與相似度分類分群構建 RNN 與 LSTM 預測時間序列導入詞嵌入層與 Attention 機制精通 LangChain 結構化提示工程設計同步非同步與自動化回呼系統使用 FAISS 向量資料庫實作 RAG 用 Chroma 管理多格式文件與元數據整合對話記憶並設計 Agent 決策透過 Docker 與 MCP 部署 AI 服務期末專題發表
習得技能	掌握 Python 資料分析基礎，熟練操作資料集載入、探索，並能使用 Ollama 與 VSCode 建置 AI 開發環境。進行資料預處理與特徵提取，包含處理遺失值、編碼轉換、PCA 降維，並建立 Pipeline 避免資料洩漏。建立迴歸與分類模型，掌握隨機森林與梯度提升演算法，並評估模型效能，評估特徵重要性與繪製決策樹。應用 jieba 與 spaCy 進行文字分詞、計算 N-grams 及 TF-IDF，並透過文字雲視覺化與進行文本分類分群。理解 RNN、LSTM 與 Seq2Seq 架構，處理時間序列預測，解決梯度消失問題並結合 Attention 機制改善效能。精通 LangChain 框架與提示詞工程，設計結構化提示、同步非同步處理，以及運用回呼機制實作自動化應用。建置 FAISS 與 Chroma 向量資料庫，實作多格式文件增量更新與檢索，打造高準確度的 RAG 架構以克服 AI 幻覺。整合對話記憶與 Agent 工具，並透過 MCP 協定搭配 Docker 容器化技術，將 AI 服務部署至雲端與本地端。
實作專案	綜合專題與模型部署