教學大綱 Syllabus

上課週次

課程主題

課程內容綱要

學生學習

投入時間

第一週

人工智慧與深度學習的概念

 0 課程說明

 1-1 AI要做的事就是預測

 1-2 三種AI之古典AI

 1-3 三種AI之機器學習

 1-4 三種AI之深度學習

 1-5 AI實作就是打造函數學習機

 1-6 AI實作六部曲之問個好問題

 1-7【實作】Colab的基本操作

 1-8【實作】用Colab畫函數圖形

※作業一：程式作業—畫個函數圖形吧!

1.5小時

第一週

期初開課見面會

(直播)

課程線上互動見面會，課程說明及使用平台 Colab 的介紹，學習基本套件讀入方式及畫圖實作練習。

1-1百種AI應用

1-2 那些關於AI的錯誤想像

1-3 手把手操做colab平台

1-4 用colab畫圖

1-5 課程作業繳交方式

1-6 互評機制說明

1-7 QA解答

1.5小時

第二週

問個適合AI專案的好問題

 2-1 股價預測

 2-2 流感病毒篩檢

 2-3 全壘打預測

 2-4 對話機器人

 2-5 創作型機器人

 2-6 自學型神經網路

 2-7 養成問問題的習慣

※作業二：發想作業—「AI 人工智慧」可以做甚麼樣的運用？

1.5小時

第三週

全連結神經網路 DNN

 3-1 上個世紀就大紅的神經網路

 3-2 神經網路的寒冬

 3-3 DNN的基本架構

 3-4 神經元的運算方式

 3-5 練習：假裝自己是一個神經元

 3-6 損失函數是訓練神經網路的標準

 3-7 神經網路的學習方式

 3-8 實作手寫辨識

 3-9【實作】讀入MNIST訓練資料

 3-10【實作】用DNN做手寫辨識

※作業三：程式作業—全連結神經網路 DNN

2.5小時

第四週

期中考週

評量範圍包含1~3週課程教學內容，考試範圍：

1. 人工智慧與深度學習的概念
2. 問個適合AI專案的好問題
3. 全連結神經網路DNN

1小時

第五週

卷積神經網路 CNN

 4-1 圖形辨識的天王CNN

 4-2 CNN是救了神經網路的大功臣

 4-3 CNN的兩種隱藏層之卷積層

 4-4 為什麼卷積會抽取特徵？

 4-5 其實神經元的動作和以前一樣

 4-6 我們希望記分板和原圖一樣大

 4-7 CNN的兩種隱藏層之池化層

 4-8 常見的CNN設計架構

 4-9【實作】用CNN做手寫辨識

※作業四：程式作業—全連結神經網路 DNN

1.5小時

第六週

遞歸神經網路 RNN

 5-1 遞歸神經網路RNN

 5-2 遞歸層怎麼讓神經網路有記憶？

 5-3 RNN最重要的應用是對話機器人

 5-4 RNN有趣的應用

 5-5 RNN的訓練和罩門

 5-6 RNN兩大救星：LSTM、GRU

 5-7 全壘打預測的應用

 5-8【實作】讀入IMDB電影資料庫

 5-9【實作】用RNN做情意分析影音教材

※作業五：程式作業—用 RNN做情意分析

1.5小時

第七週

生成模式和生成對抗網路

 6-1 為什麼要討論生成模式呢？影音教材

 6-2 生成模式兩個基本作法影音教材

 6-3 AutoEncoder影音教材

 6-4 VAE讓我們特徵向量神奇符合常態分布影音教材

 6-5 很會創作的生成對抗網路GAN影音教材

 6-6 GAN有趣的應用影音教材

 6-7 CycleGAN令人驚呆的魔法影音教材

※作業六：發想作業—生成模式和生成對抗網路

1.5小時

第八週

強化學習和AI近期發展

 7-1 強化學習震撼世界影音教材

 7-2 兩個強化學習的方式影音教材

 7-3 Deep-Q Learning影音教材

 7-4 訓練資料是怎麼做出來的？影音教材

 7-5 應用範例-自動交易系統影音教材

 7-6-1 進擊的自然語言處理-1影音教材

 7-6-2 進擊的自然語言處理-2影音教材

 7-7 學習怎麼學習的meta learning影音教材

※作業七：發想作業—強化學習和AI近期發展

1.5小時

第九週

打通 AI 實作的各種難關 (線上講座)

 0 講者介紹

 1-1 對於不同類型AI的疑惑

 1-2 釐清AI的誤區

 1-3 學會AI到底可以做甚麼工作?

 1-4 五花八門的AI實務問題

 1-5 實務操作的手段

 1-6 如果AI繼續發展下去的未來想像

2小時

第十週

期末考週

評量範圍包含5~8週課程教學內容，考試範圍：

1. 卷積神經網路 CNN
2. 遞歸神經網路 RNN
3. 生成模式和生成對抗網路
4. 強化學習和AI近期發展

1小時