課程介紹
人工智慧改變了世界，每個人都應了解那些工作能增加自己在職場的競爭力。 本課程將強化人機溝通，用適切的語言表逹，讓機器能夠為人類所用，引導學生使用人工智慧，創造與改善現有環境的不足，了解人工智慧如何與社會互動，並認識人工智慧的有效性及侷限性。 本課程的具體目標為了解人工智慧歷史及演進、應用人工智於生活、創開發人工智慧新應用以及團隊互動。
評量方式
|
比率 |
完成內容 |
|
20% |
填寫前、後測問卷 |
|
30% |
觀看教學影片 |
|
50% |
個人作業與小組作業 |
教科書:
自編教材
重要參考書：
學校業務：羅雅麗，0912-563-723
教學進度:
|
課程核心單元 |
週次 |
教學內容 |
|
人工智慧發展的啟示 |
第 1 週 |
人工智慧發展的啟示 |
|
生成式AI |
第 2 週 |
ChatGPT 介紹 |
|
第 3 週 |
ChatGPT 應用 |
|
|
AI繪圖 |
第 4 週 |
AI 繪圖介紹 |
|
第 5 週 |
Stable Diffusion 教學 |
|
|
第 6 週 |
Leonardo.ai 教學 |
|
|
AI 簡報 |
第 7 週 |
AI 簡報介紹 |
|
第 8 週 |
Magic Slides 教學 |
|
|
成效評量 |
第9週 |
學習成效評量 |
|
Zoom Meeting |
第 10 週 |
Zoom Meeting 教學 |
|
Colaboratory |
第 11 週 |
Colab 建立 |
|
第 12 週 |
Colab 應用 |
|
|
語音轉文字 |
第 13 週 |
OpenAI Whisper 介紹 |
|
第 14 週 |
OpenAI Whisper 使用 |
|
|
機器學習 |
第 15 週 |
Pytorch 簡介 |
|
機器學習： 線性迴歸 |
第 16週 |
純 Python 語法 |
|
第 17週 |
以 torch 簡化機器學習程式設計 |
|
|
成效評量 |
第 18週 |
學習成效評量 |
課程活動
-
1.人工智慧發展史 - Part 1
學習重點- 圖靈測試：了解計算機是否可以說服人類相信它是人類。
- 1997/5： IBM 深藍擊敗俄羅斯國際象棋世界冠軍卡斯帕洛夫。
- 2011/2：美國益智節目中 IBM 超級電腦 Watson 擊敗人類。
- 2016/3：Google DeepMind 開發的 AlphaGo 擊敗韓國職業九段棋士李世乭。
- 里程碑事件：1. 人工智慧誕生、2. LISP 與專家系統的興起、3. 深度學習的崛起
-
閱讀 > 9 分鐘 1.1 Chap01_01-AI 重要的發展歷程 - 簡介
09:10
-
閱讀 > 16 分鐘 1.2 Chap01_02-AI 重要的發展歷程 - 演進16:33
-
2.人工智慧發展史 - Part 2
學習重點技術啟示：大數據與 AI、自監督學習、強化學習的突破。挑戰和機會：- 挑戰：失業和職業轉變、倫理和隱私問題、安全威脅
- 機會：醫療診斷和治療、科學研究和探索、自動駕駛技術、自然語言處理和翻譯
- 倫理問題：1. 人工智慧與就業、2. 偏見與公平性、3. 智能監控與隱私
- 未來趨勢：1. AI 與人的協作、2. AI 的環境應用
-
閱讀 > 4 分鐘 2.4 Chap01_05-AI 重要的發展歷程-挑戰和機會04:33
-
閱讀 > 9 分鐘 2.5 Chap01_06-AI 重要的發展歷程-倫理問題17:14
-
閱讀 > 2 分鐘 2.6 Chap01_07-AI 重要的發展歷程-未來趨勢06:28
-
3.ChatGPT 的應用與領域探索
學習重點- ChatGPT 開發者 - OpenAI，成立於 2015 年。
- ChatGPT 系列的不斷演進，將其應用於自然語言生成、對話應答、文本摘要、代碼生成等。
- ChatGPT 可能會生成不準確或不合理的答案，以及對於特定背景知識的依賴。
- ChatGPT 的應用領域：在客戶服務中應用、教育領域的應用、醫療保健中的應用...。
- ChatGPT 的挑戰：依賴上下文的限制、缺乏專業領域的準確的信息。
-
閱讀 > 11 分鐘 3.1 Chap 02_01 - ChatGPT 簡介11:05
-
閱讀 > 14 分鐘 3.2 Chap 02_02 - ChatGPT 應用領域14:40
-
閱讀 > 8 分鐘 3.3 Chap 02_03 - ChatGPT 挑戰與解決方案08:43
-
閱讀 > 6 分鐘 3.4 Chap 02_03 - ChatGPT 使用範例06:32
-
閱讀 > 8 分鐘 3.5 Chap 02_04 - ChatGPT 未來展望08:19
-
閱讀 > 10 分鐘 3.6 Chap 02_05 - ChatGPT 應用範例-110:13
-
閱讀 > 14 分鐘 3.7 Chap 02_05 - ChatGPT 應用範例-214:23
-
閱讀 > 4 分鐘 3.8 Chap 02_06 - ChatGPT 第一次04:23
-
閱讀 > 9 分鐘 3.9 Chap 02_07 - ChatGPT 寫履歷09:23
-
4.ChatGPT - 小組習作Word檔、簡報、或者PDF檔格式都可以，內容主要是過程中每一次提示詞和其結果的對應，美工也會影響分數。
-
閱讀 > 2 分鐘 4.1 ChatGPT 操作習作02:24
-
閱讀 > 1 分鐘 4.2 ChatGPT 習作要求
-
需繳交, 同儕互評, 03-23 21:30 4.3 小組作業 - 初階
-
需繳交, 同儕互評, 03-22 21:30 4.4 小組作業 - 進階
-
-
5.AI 繪圖請進入SIP填寫問卷喔！
學習重點- AI 繪畫生成器是透過模型自主學習生成圖像，與手動電腦繪圖相比或許缺乏細節與創意。
- 若生成怪異圖，可透過參照範例或修改提示詞提升品質。
- 使用者無需花費大量時間手繪或使用複雜繪圖軟體，不需要經歷長時間的訓練。
- 為了達成「創新」，使用 Diffusion model 擴散模型 (創新的演算法) 的新概念。
- AI 繪圖的影響：大量取代中階以下的商用和插畫家的需求、作品存在侵權的嫌疑。
-
閱讀 > 21 分鐘 5.1 Chap 03_01 - AI 繪圖簡介 - Part 121:50
-
閱讀 > 11 分鐘 5.2 Chap 03_02_1 - DALL E_211:04
-
閱讀 > 10 分鐘 5.3 Chap 03_02_2 - ChatGPT + DALL-E310:07
-
閱讀 > 11 分鐘 5.8 Chap 03_04_1 - Leonardo ai 簡介11:56
-
閱讀 > 16 分鐘 5.9 Chap 03_04_2 - Leonardo ai 教學完整指南16:41
-
6.AI 繪圖 - 小組習作作業要有四個主題(自選)，每一個主題一張圖。作業繳交截止日期：4/5，21:30小組評分期間：4/5，21:30~4/12，21:30
-
閱讀 > 1 分鐘 6.1 AI 繪圖 習作要求
-
需繳交, 同儕互評, 04-05 21:30 6.2 AI 繪圖 小組作業
-
-
7.AI 簡報
學習重點- AI PowerPoint 生成器，利用人工智慧演算法，無需設計知識，生成專業外觀的投影片。
- AI PowerPoint 生成器能，分析輸入提示，可包含使用者自己定義選項。
- 這些工具具有先進功能，如從文本生成圖像、製作測驗，將文件轉換為簡報文稿。
- AI PowerPoint 生成器好處：團隊編輯和反饋的協作功能、預製範本提供創意建議和設計靈感。
-
閱讀 > 8 分鐘 7.1 Chap 04_01 - AI PowerPoint 簡介08:02
-
閱讀 > 20 分鐘 7.2 Chap 04_02 - Tome AI20:13
-
閱讀 > 7 分鐘 7.3 Chap 04_03 - ChatGPT+VBA 特點07:06
-
閱讀 > 13 分鐘 7.4 Chap 04_04 - SlidesAI13:42
-
閱讀 > 23 分鐘 7.5 Chap 04_05 - Magic Slides23:34
-
閱讀 > 11 分鐘 7.6 Chap 04_06 - 更多 AI PowerPoint11:20
-
8.AI 簡報 - 小組習作AI繪圖小組作業，小組長檢查是否完成！作業繳交截止日期：4/19，21:30小組評分期間：4/19，21:30~4/22，21:30
-
需繳交, 同儕互評, 04-19 21:30 8.2 AI 簡報 小組作業
-
9.完成對其他小組作業評分請各小組在 4/22 星期一 21:30 前完成對其他小組作業評分。
-
10.Zoom Meeting 使用教學
學習重點- 全球性的視訊會議和協作平台，於 2011 年創立，為全球最受歡迎的遠程會議工具之一。
- 支援多種平台，包括 Windows、Mac、Linux，提供 iOS 和 Android 的行動應用程式。
-
閱讀 > 3 分鐘 10.1 Chap 05_01 - Zoom 簡介03:52
-
閱讀 > 10 分鐘 10.2 Chap 05_02 - Zoom 安裝與操作10:29
-
閱讀 > 7 分鐘 10.3 Chap 05_03 - Zoom 操作實務07:20
-
閱讀 > 3 分鐘 10.4 Chap 05_04 - Movie Maker 操作實務03:38
-
11.Zoom 小組會議錄製與後製作業繳交截止日期：5/10，21:30小組評分期間：5/10，21:30~5/13，21:30如果是個人小組，可用投影片(自己準備)，自己報告錄影。
-
閱讀 > 1 分鐘 11.1 Zoom 小組習作
-
需繳交, 同儕互評, 05-10 21:30 11.2 小組影片後製上傳
-
-
12.Colab 建立與應用
學習重點- Colab 是一個在雲端運行的編輯執行環境，由 Google 提供虛擬機。
- 支援 Python 程式及機器學習 TensorFlow 或 Pytorch 演算法。
- Colab 不須下載與安裝就可直接應用 Python 資源庫。
- Colab 提供免費的 GPU 和 TPU 資源。
- 程式碼預設儲存在開發者的 Google Drive 中，執行時不會用到本機的資源。
- Colab 的介面和功能與 Jupyter 筆記本相似。
- Colab 主要用於 Python，它也支援其他程式語言，如 R 和 Scala。
-
閱讀 > 4 分鐘 12.1 Chap 06_01 - Colab 簡介04:51
-
需繳交, 05-19 20:30 12.5 個人習作
-
13.語音轉文字[影片後製]小組作業，有許多小組未繳交作業，本次小組作業必須要有音檔，你可以使用錄音的方式處理。繳交作業時，須將音檔與辨識結果(如果錯誤，需修改喔)同時上傳。
學習重點- Whisper 是一種自動語音辨識系統。
- 對口音、背景噪音和技術語言具有穩健性。
- 翻譯端支援非常多的語言 (目前 2024 年 98 種，單字錯誤率 < 50%)。
- Whisper 的開源版本和透過 API 提供的版本沒有區別。
- 支援以下輸入檔案類型：mp3、mp4、mpeg、mpga、m4a、wav 和 webm。
-
閱讀 > 13 分鐘 13.2 Chap 07_01 - Whisper 簡介 - Part 213:45
-
閱讀 > 5 分鐘 13.3 Chap 07_02 - Whisper 語音辨識流程介紹05:21
-
閱讀 > 12 分鐘 13.4 Chap 07_03 - Whisper 語音辨識操作演練12:35
-
閱讀 > 10 分鐘 13.5 Chap 07_04 - 字幕後製操作演練10:22
-
需繳交, 同儕互評, 05-24 21:30 13.6 影片後製-小組習作
-
閱讀 > 1 分鐘 13.7 Openai Whisper 程式
-
14.機器學習簡介 - 線性迴歸
學習重點類神經網路的訓練，有兩個步驟：- 第一個步驟是正向傳播（forward propagation）：就是將訓練資料餵送給類神經網路，隨著層層疊起的網路結構，最後到達輸出層的神經元，輸出預測結果並和真正的輸出，透過損失函示做比較，得到與期望相差的損失值。
- 第二個步驟則是反向傳播（back propagation）：目的在將正向傳播後計算出的誤差值，以反向回溯的方式，藉由梯度計算連鎖規則（chain rule）由輸出層開始反向更新每一層的參數值。而更新的方法則是計算該層參數對誤差的個別貢獻，若以數學式表現，則是對誤差取各層參數的微分。
-
閱讀 > 5 分鐘 14.1 Chap 08_01 - 正向、反向傳播05:42
-
閱讀 > 14 分鐘 14.2 Chap 08_02 - 影響學習的關鍵因素14:53
-
需繳交, 06-03 21:30 14.10 機器學習 - 線性迴歸 (個人作業)
-
需繳交, 同儕互評, 06-03 21:30 14.11 機器學習 - 線性迴歸 (小組作業)
-
15.Pytorch Tensors
學習重點PyTorch 是一個開源的機器學習框架，由 Facebook 的研究團隊開發。- 特點：動態計算圖、強大的自動微分功能、支持深度學習和強化學習。
PyTorch 由於其靈活性和控制性而經常受到研究人員的青睞。建立張量：torch.empty()、torch.zeros()、torch.ones()、torch.rand()張量形狀：torch.*_like() 方法產生相同維度的張量，使用 .shape 屬性，取得張量的維度。資料型別：可以透過 dtype 參數設定張量的資料型別，使用 .to() 是另一種改變資料型別的方法。PyTorch 張量運算：- torch.zeros(2, 2) + 1
- torch.ones(2, 2) * 2
- (torch.ones(2, 2) * 7 - 1) / 2
-
閱讀 > 10 分鐘 15.2 Chap 09_02 - PyTorch Tensors 張量運算10:41
-
閱讀 > 10 分鐘 15.3 Chap 09_03 - PyTorch Tensors 陣列運算10:06
-
16.卷積神經網絡
學習重點- CNN 卷積神經網絡，是深度學習中不可或缺的模型之一，被廣泛運用於影像識別領域。
- 掌握了 CNN 後，對於學習其他深度學習模型也會有所幫助。
- Convolution Layer 卷積層：提取影像特徵。
- Pooling Layer 池化層：具有很好的抗雜訊功能，也能降低計算量。
- Fully Connected Layer 全連接層：將之前的結果平坦化之後接到最基本的神經網絡。
-
閱讀 > 10 分鐘 16.1 Chap 10_01 - 影像下載與顯示10:48
-
閱讀 > 14 分鐘 16.2 Chap 10_02 - 卷積神經網路介紹14:33
-
閱讀 > 11 分鐘 16.4 Chap 10_04 - 卷積神經網路實作 - 訓練與測試模組設計11:47
-
閱讀 > 12 分鐘 16.5 Chap 10_05 - 卷積神經網路實作 - 辨識結果解說12:17
-
閱讀 > 1 分鐘 16.9 Python 程式範例
-
17.小組、個人作業補交區1. 若您已經全部完全上傳所有小組作業與個人作業，恭喜！您已完全本學期本課程的所有要求。2. 您可以嘗試看第 16 單元的教學影片 "卷積神經網路"
-
需繳交, 06-24 23:30 17.1 小組作業補交區
-
需繳交, 06-24 23:30 17.2 個人作業補交區
-
