2025 TAICA-人工智慧導論-成功大學朱威達老師

  • 0.0
  • 10 學生
  • 報名時間 : 2025/09/01 - 2025/12/31
  • 開課時間 : 2025/09/08 - 2025/12/31
  • 課程費用 : 免費

報名課程

介紹

《人工智慧導論》

 

🧠 把 AI 想得太難?我們用最簡單的方法帶你一起看懂它的大腦!

這門課是設計給沒有背景、但對 AI 有點好奇的你。

我們會用日常生活的例子、好消化的節奏,帶你一步一步弄懂:AI 是怎麼「自己變聰明」的!

不用會程式、不用背數學,只要你有點好奇,就能跟我們一起打開這個世界🔥✨

 

🥷🏻 AI冒險之旅:

📍 看懂 AI 怎麼「學習」

電腦是怎麼從資料中找出規律?什麼是監督式學習?你會學會讓電腦「自己找答案」。

📍 認識 AI 常用的經典模型

像決策樹、SVM、kNN、線性回歸、隨機森林…這些你會不再只是聽過,而是真的理解它們怎麼思考。

📍 了解深度學習的大腦構造

CNN、神經網路這些名詞不再陌生,你會看得懂它們的運作邏輯,也知道哪些應用和它有關。

📍  明白 AI 怎麼 trial & error 學會做決定

從被扣分到得高分,強化學習就像電腦自己練習、調整,你會看到它怎麼成長、怎麼選擇。

📍  建立 AI 的基本思考方式

未來無論你接觸到什麼 AI 工具、應用、新聞,都能有一個清晰的邏輯框架去理解。

 

🥷🏻 這堂課適合誰?

▪️ 想學 AI,但又怕一開始就被難倒的人

▪️ 常聽人提起 AI,卻總覺得自己搞不太懂

▪️ 對科技感興趣,想培養一點「會懂AI」的底氣

這門課會幫你,從「聽說過AI」變成「我真的知道它是什麼」

 

人工智慧導論》一起上課吧!

章節

* 以下章節為預覽,請點報名後點選開始上課,進入課程
  • 第一週:監督式學習與機器學習
    • ● 1-1. Supervised learning
    • ● 1-2. Decision trees - example
    • ● 1-3. Decision trees - how to choose attribute
    • ● 1-4. Decision trees- overfitting / ending
    • ● 1-5. Evaluating and Choosing the best hypothesis - intro / k-fold
    • ● 第一週練習題
  • 第二週:參數模型
    • ● 2-1. Evaluating and Choosing the best hypothesis-peeking - error rate / regularization
    • ● 2-2. Regression and classification with linear models - Univariate linear regression part1
    • ● 2-3. Regression and classification with linear models - Univariate linear regression part2
    • ● 2-4. Decision trees - overfitting / ending
    • ● 2-5. Regression and classification with linear models - multivariate linear regression
    • ● 第二週練習題
  • 第三週:非參數模型
    • ● 3-1. Regression and classification with linear models - Linear classifiers with a hard threshold
    • ● 3-2. Regression and classification with linear models - Linear classification with logistic regression
    • ● 3-3. Nonparametric models - nearest neighbor models part1
    • ● 3-4. Nonparametric models - nearest neighbor models part2
    • ● 3-5. Nonparametric models-nearest neighbors/locality sensitive hashing
    • ● 第三週練習題
  • 第四週:SVM 與集成學習
    • ● 4-1. Nonparametric models - regression
    • ● 4-2. SVM - part1 intro
    • ● 4-3. SVM - part2 how to find margin
    • ● 4-4. SVM - part3 nonlinear space
    • ● 4-5. Ensemble - bagging
    • ● 第四週練習題
  • 第五週:集成學習的種類
    • ● 5-1. Ensemble - random Forest / stacking
    • ● 5-2. Ensemble - boosting
    • ● 5-3. Ensemble - online learning
    • ● 5-4. Developing machine learning systems
    • ● 第五週練習題
  • 第六週:深度學習與CNN
    • ● 6-1. Deep learning intro
    • ● 6-2. Gradient and learning
    • ● 6-3. Computing graph / hidden layers
    • ● 6-4. CNN part 1
    • ● 6-5. CNN part 2
    • ● 第六週練習題
  • 第七週:梯度計算
    • ● 7-1. Pooling / CNN tensor
    • ● 7-2. Residual network / Learning algorithm
    • ● 7-3. Compute grad in computing graph / Batch normalization
    • ● 7-4. Generalization - choose a net structure / architecture search
    • ● 7-5. Generalization - weight decay / drop out
    • ● 第七週練習題
  • 第八週:RNN和非監督式學習
    • ● 8-1. RNN
    • ● 8-2. Unsupervised learning intro / PCA
    • ● 8-3. Unsupervised learning - auto encoder
    • ● 8-4. Unsupervised learning - auto regressive / GAN / translation
    • ● 8-5. Transfer learning and multitask learning / application
    • ● 第八週練習題
  • 第九週:強化式學習
    • ● 9-1. Reinforcement learning intro
    • ● 9-2. Passive reinforcement learning part 1
    • ● 9-3. Passive reinforcement learning part 2
    • ● 9-4. Direct utility estimation
    • ● 第九週練習題
  • 第十週:主動式強化學習
    • ● 10-1. Adaptive dynamic programming / Temporal-difference learning part 1
    • ● 10-2. Temporal-difference learning part 2
    • ● 10-3. Active reinforcement learning part 1
    • ● 10-4. Active reinforcement learning part 2
    • ● 第十週練習題
  • 第十一週:深度學習中的強化式學習
    • ● 11-1. Temporal-difference Q-learning
    • ● 11-2. Generalization in reinforcement learning
    • ● 11-3. Deep reinforcement learning
    • ● 第十一週練習題

常見問題

線上成績單 :
此課程不提供線上成績單,僅供成績顯示

學習履歷 :
此課程不提供學習履歷


此課程沒有設定常見問題

講師

teacher Picture

朱威達

多媒體系統、機器學習、電腦視覺 | 查看講師

評價

0.0

平均評價

本課程尚未有人來評價

預覽影片 & 簡介

2025 TAICA-人工智慧導論-成功大學朱威達老師

📢 人工智慧導論 &mdash; 帶你輕鬆打開 AI 的大門!<br />人工智慧聽起來很遙遠嗎?其實,它並不是科幻電影裡才有的黑科技,而是越來越多真實生活的一部分。<br /><br />這門課,會用簡單、有趣的方式,帶你一起探索人工智慧的世界。從機器學習開始,了解電腦怎麼透過資料一點一滴變聰明;接著走進深度學習的領域,看看類似人腦的神經網路是怎麼運作的;最後,認識強化學習,體會電腦如何像人一樣,透過「嘗試錯誤」慢慢學會做決定。<br /><br />不需要複雜背景,也不用害怕數學,這門課最重要的是幫助你用輕鬆的方式,建立清楚的人工智慧基礎,為未來深入探索打下好底子。