AI 基礎概念
了解人工智慧的本質、發展脈絡與核心架構
什麼是人工智慧？
AI 的定義、弱 AI vs 強 AI vs 超級 AI 的差異，以及 AI、機器學習、深度學習三者的包含關係。
AI 發展史與重要里程碑
從 1956 年達特茅斯會議到 ChatGPT，梳理 AI 三次浪潮與關鍵技術突破。
資料的重要性
AI 模型的訓練依賴大量高品質資料，了解資料集的組成、標注與偏差問題。
評估指標：Accuracy、Precision、Recall、F1
模型好不好，不只看準確率。混淆矩陣與各項指標的計算方式與使用時機。
過擬合 vs 欠擬合
理解模型訓練最常見的兩大問題：Overfitting 與 Underfitting 的成因與解法。
AI 倫理與風險
AI 技術帶來的社會責任：隱私、偏見、可解釋性與 AI 安全性。
機器學習
監督式、非監督式、強化學習的核心演算法與實作邏輯
線性迴歸 Linear Regression
最基礎的監督式學習演算法，用於預測連續數值，理解損失函數與梯度下降。
邏輯迴歸 Logistic Regression
雖然名稱有「迴歸」，卻是分類演算法。Sigmoid 函數將輸出壓縮到 0-1 之間。
決策樹 & 隨機森林
透過特徵劃分建立樹狀決策結構，隨機森林用集成學習解決單棵樹的過擬合問題。
支援向量機 SVM
尋找最大化間隔超平面的分類演算法，核函數讓 SVM 解決非線性問題。
K-Means 分群
非監督式學習的代表演算法，透過反覆迭代找出資料的自然分群。
強化學習基礎
智能代理透過與環境互動、獲得獎勵來學習最佳策略，AlphaGo 的核心技術。
深度學習
神經網路架構原理、訓練技巧與主流模型解析
神經網路基礎
模仿人腦神經元的數學模型，多層感知器 (MLP) 是所有深度學習的基石。
卷積神經網路 CNN
影像辨識的核心架構，透過卷積層提取局部特徵，再透過池化層降低維度。
循環神經網路 RNN & LSTM
處理序列資料的神經網路，LSTM 解決了 RNN 的梯度消失問題。
批次正規化 & Dropout
加速訓練、防止過擬合的兩大正則化技巧，現代深度學習模型的標配。
遷移學習 Transfer Learning
利用大型預訓練模型的知識，微調到特定任務，大幅降低資料與計算需求。
生成式 AI
GPT、Diffusion Model、Transformer 架構與提示工程技巧
Transformer 架構詳解
2017 年「Attention is All You Need」提出的架構，徹底改變了 NLP 與影像領域。
大型語言模型 LLM
GPT 系列、Claude、Gemini 等大型語言模型的原理、能力邊界與使用限制。
提示工程 Prompt Engineering
如何設計有效的提示詞，讓 AI 產生更精準、更符合需求的輸出。
擴散模型 Diffusion Model
Stable Diffusion、DALL-E、Midjourney 背後的核心技術原理。
RAG 檢索增強生成
解決 LLM 知識截止問題，透過向量資料庫檢索相關知識再生成答案。
AI Agent 自主代理
讓 LLM 自主規劃、使用工具、多步驟完成複雜任務的新型 AI 應用範式。
自然語言處理 NLP
文字資料的處理、理解與生成技術
文字前處理
NLP 的第一步：將原始文字轉換為模型可以處理的格式。
BERT 與雙向編碼器
Google 2018 年發布的 BERT，透過遮蔽語言模型預訓練，革命性提升了 NLP 任務表現。
情感分析 Sentiment Analysis
判斷文字的情緒傾向（正/負/中性），商業應用最廣泛的 NLP 任務之一。
實戰工具
Python 生態系、雲端平台與常用 AI 開發框架
Python AI 必備套件
NumPy、Pandas、Scikit-learn、PyTorch / TensorFlow 的核心功能與使用場景。
雲端 AI 平台比較
AWS SageMaker、Google Vertex AI、Azure ML 的功能比較與適用場景。
LangChain 框架實戰
串接 LLM、記憶體、工具與向量資料庫，快速建構 AI 應用的開發框架。