資訊課程

Python AI應用與部署

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	本課程從文本與大型語言模型基礎出發，帶你實作 RAG、AI Agent 與 MCP 系統，並學會資料與模型版本管理、CI/CD、自動化部署與效能監控。課程強調動手實作與真實專案流程，協助學員具備生成式 AI 與 MLOps 的實戰能力，銜接企業實務與就業需求。
課程內容	機器學習前的資料處理迴歸分類模型與混淆矩陣分析不同資料分布分類與分群中文分詞與後續處理文本向量化：TF-IDF Word2Vec 與 Doc2Vec 時間序列建模與 RNN 基礎 LSTM / GRU 與文本序列任務 Transformer 架構與實驗追蹤 LLM 推論流程與地端實作(Ollama / LLM Studio) Prompt Engineering 與版本控管 Embedding 與向量資料管線 RAG 系統設計與自動化流程 LangChain：流程模組化 LangGraph與Agent MCP與系統標準化 LLM 系統交付：CI/CD 與自動化部署(GitHub / GitLab Pipeline) 部署、維運與監控：LLM 系統上線後的生命週期管理(Docker & K8s) 模型部署
習得技能	理解並應用 Transformer 與大型語言模型（LLM），掌握模型推論特性與限制，並能於地端環境進行模型部署與測試。培養結構化 Prompt Engineering 能力，學會設計、測試與版本控管 Prompt，提升生成式 AI 回應品質與穩定度。具備向量搜尋與 RAG 系統設計能力，能整合檢索與生成流程，建構可因應資料更新與漂移的知識型應用。理解並實作 AI Agent 與 MCP 架構，能設計多步驟、多工具協作的生成式 AI 系統，提升系統彈性與可擴充性。建立生成式 AI 的自動化 Pipeline 與 CI/CD 概念，能整合 GitHub Actions 或 GitLab CI，實現模型與應用的持續交付與部署；並使用 Docker、Kubernetes 及監控工具追蹤模型效能與系統狀態。
實作專案	資料處理、分類與預測模型版本管理	NLP(自然語言處理)實作

課程體驗諮詢

我已詳細閱讀並接受個資保護聲明