今天，我們將學習如何將 AI 模型部署到實際應用中。模型部署是 AI 開發流程中至關重要的一環，能夠讓開發的模型被應用於實際產品或服務中，例如網頁應用、行動應用或後端 API。 課程目標 瞭解模型部署的基本流程與挑戰。 學習如何使用常見工具將模型部署到伺服器。 透過 Flask 架設一個簡單的模型 API。 課程內容 1. 模型部署流程 1.1 模型部署的基本...

強化學習（Reinforcement Learning, RL）是機器學習中一個重要分支，透過試錯的方式，讓代理人（Agent）學習如何在環境中採取最佳行動以最大化回報（Reward）。今天，我們將介紹強化學習的核心概念，並透過實作簡單的 Q-Learning 算法，初步理解強化學習的應用。 課程目標 理解強化學習的基本框架與核心概念。 學習 Q-Learning 算法的原理...

生成對抗網路（Generative Adversarial Networks, GANs）是深度學習中一個令人興奮的領域。它由兩個神經網路——生成器（Generator）和判別器（Discriminator）——互相競爭並共同訓練，最終實現生成高品質的數據（如圖像或文本）。今天，我們將探討 GANs 的核心概念，並實作一個基礎的手寫數字生成模型。 課程目標 理解生成對抗網路的工作...

情感分析是一個經典的自然語言處理（NLP）應用，主要目的是判斷文本內容的情緒傾向（例如：正面、負面或中立）。今天，我們將利用深度學習技術和 LSTM，實作一個簡單的情感分析模型，並使用 IMDb 電影評論數據集作為訓練資料。 課程目標 瞭解情感分析模型的構建流程。 學習如何處理文本數據並將其轉換為可用於模型訓練的數字格式。 使用 TensorFlow/Keras 搭建基於...

遞歸神經網路（Recurrent Neural Network, RNN）與長短期記憶網路（Long Short-Term Memory, LSTM）是處理序列數據的重要工具，廣泛應用於自然語言處理、時間序列分析、語音識別等領域。今天，我們將學習 RNN 和 LSTM 的核心概念，並實作簡單的 LSTM 模型。 課程目標 理解 RNN 與 LSTM 的結構與工作原理。 瞭解它...

自然語言處理（NLP）是人工智慧中的重要領域，主要研究如何讓機器理解、解釋和生成人類語言。今天，我們將學習 NLP 的基本概念與應用，並實作簡單的文字處理範例。 課程目標 瞭解 NLP 的核心概念與應用場景。 學習文字前處理技術（如分詞、去除停用詞、詞幹化）。 使用 Python 實作基本 NLP 操作。 課程內容 1. NLP 的核心概念 1.1 NLP 是...

今天的課程將帶你進一步學習如何構建影像分類模型。我們將使用 Keras 和 TensorFlow 架構一個簡單的卷積神經網路（CNN），並使用經典的 CIFAR-10 資料集來進行圖像分類任務。 課程目標 理解影像分類任務的流程與挑戰。 學習卷積神經網路（CNN）的核心概念與運作原理。 使用 TensorFlow 與 Keras 構建一個簡單的影像分類模型。 課程...

今天將學習 Keras 與 TensorFlow 這兩個深度學習框架，瞭解其功能與特性，並建立你的第一個簡單神經網路。Keras 是一個高層介面，讓 TensorFlow 的使用變得更直觀、友好，適合初學者快速上手。 課程目標 瞭解 Keras 與 TensorFlow 的定位與特性。 使用 Keras 實作簡單的神經網路模型。 瞭解 TensorFlow 的基本運作方式...

今天的課程將帶你深入了解神經網路的基本結構與工作原理，為後續學習更複雜的深度學習模型打下堅實的基礎。神經網路模仿了生物神經系統的工作方式，通過層與節點構建一個可訓練的模型。 課程目標 掌握神經網路的基本結構與組成要素。 理解神經網路的運算流程，包括前向傳播與反向傳播。 能夠使用 Python 建立簡單的全連接神經網路。 課程內容 1. 神經網路的組成部分 1....

今天的課程將帶領大家進入深度學習的世界，了解深度學習的核心概念與基礎原理。深度學習是人工智慧與機器學習中的重要分支，透過多層神經網路模擬人類大腦的學習方式。 課程目標 了解深度學習的基本概念與運作原理。 掌握神經網路的核心組成部分與工作流程。 初步認識反向傳播與梯度下降演算法。 課程內容 1. 深度學習的概念 1.1 深度學習是什麼？ 深度學習是一種基於人工神...