人工智慧導論
Introduction to Artificial Intelligence
| 節 | 週二 |
|---|---|
3 10:10–11:00 | 人工智慧導論 A202（光復） 2 節連堂 |
4 11:10–12:00 |
* 根據陽明交大上課時間表所列
近年來人工智慧 (AI) 的快速發展，預期將從根本上改變人們工作、溝通與生活的方式。為使一般大眾能理解未來人工智慧的真實樣貌，本課程由人工智慧的歷史發展談起，以淺顯易懂的方式深入介紹當代 AI 技術的原理、概念與應用領域。透過直觀的說明與視覺化學習工具，學生將具體理解現代機器學習／深度學習技術的運作方式。 此外，在課程的最後階段，將引導學生運用最新的 Harness／Agentic Engineering 技術，借助 AI 工具將自己的構想實現為具體成品。透過這樣的實作過程，學生將對當代人工智慧的能力與限制建立全面而深入的理解。
學生需具備基本電腦操作能力，並鼓勵攜帶筆電、平板或其他可開啟網頁的設備來上課。本課程涉及微積分、線性代數、機率與統計等基礎概念，但毋須具備相關先修能力，課程中將會教授。
無備註
以淺顯易懂的方式說明各種 AI 技術，並搭配 Excel、視覺化及線上工具，協助學生體驗課堂所講述的各項原理。最後教授如何有效地與現今 AI 工具溝通以產出成品，並將溝通流程形塑為 skill，以利 Agent 執行。並以腦力激盪的方式引導學生思考生活中待解決之問題與可能的解決方法，最終以課程中所教授之方法將其實現。
隨堂測驗20% 每次上課結束時進行一次簡短的隨堂測驗，全學期共約 10–12 次。 作業20% 使用指定工具進行實作活動，探索機器學習、深度學習與強化學習的原理，全學期共約 3–4 次。 報告15% 以分組方式進行：學生嘗試誘發 LLM 產生幻覺，說明幻覺成因，並運用提示策略加以修正。各組須繳交記錄整個過程的報告。 期末考15% 涵蓋課程內容的紙筆測驗。 討論 5% 以分組方式進行：學生運用腦力激盪技巧討論期末專題的需求，並探索可能的數位解決方案。 展演25% 以分組方式進行：學生與 LLM 協作以實作期末專題之構想，呈現所運用的過程與方法，並展示其成果。
機器學習基礎
1. Kolb 經驗學習循環 2. 機器學習原理
- 講授：
- 2
經典機器學習方法
1. 決策樹 2. 支援向量機 3. 集成學習
- 講授：
- 2
- 示範：
- 0.5
- 實作：
- 0.5
深度學習原理
1. 表徵學習 2. 多層感知機 3. 梯度下降與反向傳播
- 講授：
- 2
- 示範：
- 0.5
- 實作：
- 0.5
深度學習的各種技術
1. 卷積神經網路與電腦視覺 2. 遞迴神經網路 3. 注意力機制 4. 自編碼器 5. Transformer 6. 生成對抗網路（GAN） 7. 擴散模型
- 講授：
- 6
- 示範：
- 2
- 實作：
- 2
大型語言模型與 Harness／Agentic Engineering
1. LLM 的原理 2. LLM 的能力與限制 3. 駕馭你的 LLM 4. 建構你自己的 Agent
- 講授：
- 2
- 示範：
- 1
- 實作：
- 3
人工智慧的歷史
1. 人工智慧的興起與衰落 2. BDI 代理人與本體論 3. 基因演算法 4. 專家系統
- 講授：
- 1
- 示範：
- 0.5
- 實作：
- 0.5
| 週次 | 主題 |
|---|---|
| 第 1 週 | 單元主題： 人工智慧的歷史 (1) 人工智慧的興起與衰落 (2) BDI 代理人與本體論、基因演算法及專家系統簡介 2026-09-08(二) |
| 第 2 週 | 單元主題：機器學習基礎 (1) Kolb 經驗學習圈 (2) 機器學習原理 (3) 分群方法（非監督式學習） 階層式分群之實作練習 2026-09-15(二) |
| 第 3 週 | 單元主題：經典機器學習方法 (1) 監督式學習簡介 (2) 決策樹 (3) 支援向量機 (4) 集成學習 決策樹之實作練習 2026-09-22(二) |
| 第 4 週 | 單元主題：深度學習原理 (1) 表示學習 (2) 多層感知機 2026-09-29(二) |
| 第 5 週 | 單元主題：梯度下降與反向傳播 梯度下降與反向傳播之實作練習 2026-10-06(二) |
| 第 6 週 | 單元主題: 卷積神經網路與電腦視覺 (1) 機器如何「看見」 (2) 什麼是卷積 (3) CNN 的運作原理 (4) CNN 的梯度下降與反向傳播 2026-10-13(二) |
| 第 7 週 | 單元主題：遞迴神經網路與注意力機制 (1) 為何多層感知機不適用於序列資料 (2) RNN 原理 (3) 什麼是注意力機制 注意力機制之實作練習 2026-10-20(二) |
| 第 8 週 | 單元主題：Attention is All You Need 注意力機制與 Transformer 2026-10-27(二) |
| 第 9 週 | 單元主題：自監督式學習 (1) 自編碼器 (2) 生成對抗網路（GAN） (3) 擴散模型 2026-11-03(二) |
| 第 10 週 | 單元主題：強化學習 (1) 馬可夫過程 (2) 價值函數 (3) Q-Learning 基於價值函數之強化學習實作練習 2026-11-10(二) |
| 第 11 週 | 單元主題：深度強化學習 (1) 深度 Q-Learning (2) 蒙地卡羅與時序差分法 (3) Actor-Critic 方法 (4) 策略梯度 獎勵塑造與模仿學習 2026-11-17(二) |
| 第 12 週 | 單元主題：大型語言模型 (1) 什麼是 LLM (2) 如何正確使用 LLM (3) 為何會出現幻覺現象 報告撰寫：誘發 LLM 幻覺及其解決方法。 2026-11-24(二) |
| 第 13 週 | 單元主題：與 LLM 協作 (1) 駕馭 LLM (2) 製作 Skills (3) Agent 所使用之 CLI 與 MCP 使用 LLM 製作網頁應用程式之示範 2026-12-01(二) |
| 第 14 週 | 單元主題：期末專題需求之腦力激盪 2026-12-08(二) |
| 第 15 週 | 單元主題：期末考試 2026-12-15(二) |
| 第 16 週 | 單元主題：期末專題成果展示 2026-12-22(二) |
教科書列表： 使用授課教師自行編製之教材。 自製講義或課本之參考書目： https://www.youtube.com/@HungyiLeeNTU 國立臺灣大學李宏毅教授線上影片課程，內容涵蓋人工智慧各項主題。 https://ml-visualized.com/index.html 機器學習／深度學習機制視覺化呈現
- 地點
- TBC
- 時間
- Tuesday 1pm - 3pm Wednesday 10am-12pm
- 聯絡方式
- TBC