自行創建及訓練AI工具 教學課程

課程名稱：AI 模型煉金術：自行創建與訓練 AI 工具實戰

 

課程簡介：

本課程旨在幫助學員從零開始，掌握自行創建與訓練 AI 工具的技能。課程將深入探討機器學習、深度學習等 AI 模型的基本原理，並結合實際案例，教導學員如何利用開源工具 (如 TensorFlow、PyTorch、scikit-learn) 及雲端平台 (如 Google Colab、Azure Machine Learning) 進行 AI 模型的開發、訓練與部署。課程內容涵蓋資料準備、模型選擇、模型訓練、模型評估、模型優化等多個面向，並強調實作導向，讓學員在實際操作中掌握 AI 模型開發的關鍵技術，並將其應用於客製化 AI 工具的建立。

 

課程目標：

• 了解機器學習、深度學習等 AI 模型的基本原理。
• 掌握 TensorFlow、PyTorch、scikit-learn 等開源 AI 工具的使用方法。
• 學習如何利用 Google Colab、Azure Machine Learning 等雲端平台進行 AI 模型開發。
• 學習如何進行資料準備、模型選擇、模型訓練、模型評估、模型優化。
• 了解不同 AI 模型的應用場景與優缺點。
• 培養自行創建與訓練 AI 工具的能力。
• 了解 AI 模型開發的倫理議題與安全風險。

 

課程對象：

• 對 AI 模型開發感興趣，並希望深入了解其原理的開發者、資料科學家。
• 希望自行創建與訓練 AI 工具，解決實際問題的專業人士。
• 希望學習新技術並保持競爭力的學生或研究人員。
• 對 AI 應用開發、機器學習研究等領域感興趣的人。
• 具備基本的程式設計 (Python) 與數學知識者。

 

課程大綱：

第一單元：AI 模型基礎 (約 4 小時)

• 1.1 什麼是機器學習？
  • 介紹機器學習的基本概念、定義、類型 (監督式學習、非監督式學習、增強式學習)。
  • 探討機器學習的應用場景與價值。
  • 了解機器學習與傳統程式設計的區別。
• 1.2 什麼是深度學習？
  • 介紹深度學習的基本概念、定義、核心技術 (人工神經網路)。
  • 探討深度學習的應用場景與價值。
  • 了解深度學習與機器學習的關係。
• 1.3 常見的機器學習模型
  • 介紹常見的機器學習模型：線性迴歸、邏輯迴歸、決策樹、支持向量機 (SVM)、K-近鄰 (KNN)。
  • 了解不同機器學習模型的原理、優缺點與適用場景。
• 1.4 常見的深度學習模型
  • 介紹常見的深度學習模型：多層感知器 (MLP)、卷積神經網路 (CNN)、循環神經網路 (RNN)。
  • 了解不同深度學習模型的原理、優缺點與適用場景。
• 1.5 實作練習：
  • 使用 scikit-learn 建立簡單的機器學習模型 (如線性迴歸或決策樹)。
  • 分析不同機器學習模型的訓練結果，並比較其效能。
  • 分享對機器學習與深度學習的看法與感受。

 

第二單元：AI 模型開發工具與平台 (約 6 小時)

• 2.1 TensorFlow 簡介
  • 介紹 TensorFlow 的基本概念、核心功能與應用場景。
  • 了解 TensorFlow 的張量 (Tensor)、圖 (Graph)、會話 (Session) 等概念。
  • 學習如何安裝與設定 TensorFlow 開發環境。
• 2.2 PyTorch 簡介
  • 介紹 PyTorch 的基本概念、核心功能與應用場景。
  • 了解 PyTorch 的張量 (Tensor)、動態計算圖 (Dynamic Computation Graph) 等概念。
  • 學習如何安裝與設定 PyTorch 開發環境。
• 2.3 scikit-learn 簡介
  • 介紹 scikit-learn 的基本概念、核心功能與應用場景。
  • 了解 scikit-learn 的資料集、模型、評估指標等概念。
  • 學習如何使用 scikit-learn 進行機器學習模型開發。
• 2.4 Google Colab 簡介
  • 介紹 Google Colab 的基本概念、核心功能與應用場景。
  • 了解 Google Colab 的免費 GPU 資源與協作功能。
  • 學習如何使用 Google Colab 進行 AI 模型開發。
• 2.5 實作練習：
  • 使用 TensorFlow 或 PyTorch 建立簡單的神經網路模型。
  • 使用 scikit-learn 建立機器學習模型。
  • 使用 Google Colab 執行 AI 模型訓練。
  • 分享對不同 AI 模型開發工具與平台的看法與感受。

 

第三單元：AI 模型開發流程 (約 8 小時)

• 3.1 資料收集與準備
  • 學習如何收集 AI 模型所需的資料，例如網路爬蟲、API 數據、公開資料集。
  • 學習如何進行資料清洗、資料轉換、資料正規化。
  • 了解資料準備的重要性與方法。
• 3.2 模型選擇
  • 學習如何根據問題類型與資料特性，選擇合適的 AI 模型。
  • 了解不同 AI 模型的適用場景與優缺點。
  • 探討如何評估不同 AI 模型的效能。
• 3.3 模型訓練
  • 學習如何使用 TensorFlow、PyTorch 或 scikit-learn 訓練 AI 模型。
  • 了解模型訓練的過程與參數調整方法。
  • 學習如何使用 GPU 加速模型訓練。
• 3.4 模型評估
  • 學習如何使用評估指標 (如準確率、精確度、召回率、F1 分數) 評估 AI 模型效能。
  • 了解不同評估指標的意義與適用場景。
  • 探討如何選擇合適的評估指標。
• 3.5 實作練習：
  • 使用公開資料集，進行資料收集與準備。
  • 根據資料特性，選擇合適的 AI 模型。
  • 使用 TensorFlow、PyTorch 或 scikit-learn 訓練 AI 模型。
  • 使用評估指標，評估 AI 模型效能。

 

第四單元：AI 模型優化與部署 (約 6 小時)

• 4.1 模型優化
  • 學習如何使用超參數調整、正規化、Dropout 等方法，優化 AI 模型效能。
  • 了解模型優化的重要性與方法。
  • 探討如何避免模型過擬合。
• 4.2 模型部署
  • 學習如何將 AI 模型部署到雲端平台 (如 Google Cloud、Azure)。
  • 學習如何將 AI 模型部署到本地伺服器或嵌入式裝置。
  • 了解模型部署的過程與注意事項。
• 4.3 Azure Machine Learning 簡介
  • 介紹 Azure Machine Learning 的基本概念、核心功能與應用場景。
  • 了解 Azure Machine Learning 的工作區、實驗、模型與部署。
  • 學習如何使用 Azure Machine Learning 進行 AI 模型開發。
• 4.4 模型監控與維護
  • 學習如何監控 AI 模型的效能，並及時進行維護。
  • 了解模型監控與維護的重要性。
  • 探討如何處理模型退化問題。
• 4.5 實作練習：
  • 使用超參數調整等方法，優化 AI 模型效能。
  • 將 AI 模型部署到雲端平台或本地伺服器。
  • 使用 Azure Machine Learning 進行 AI 模型開發。
  • 分享模型優化與部署的使用技巧與心得。

 

第五單元：AI 模型倫理與未來 (約 4 小時)

• 5.1 AI 模型開發的倫理議題
  • 探討 AI 模型可能帶來的倫理問題：偏見、歧視、隱私、透明度。
  • 學習如何負責任地開發與部署 AI 模型。
  • 了解 AI 模型開發的倫理原則與最佳實踐。
• 5.2 AI 模型開發的安全風險
  • 探討 AI 模型可能帶來的安全風險：資料洩漏、模型攻擊、系統漏洞。
  • 學習如何保護 AI 模型與資料的安全。
  • 了解 AI 模型開發的安全更新與漏洞修復。
• 5.3 AI 模型開發的未來發展
  • 探討 AI 模型開發的未來發展趨勢：更強大的 AI 模型、更便捷的開發工具、更廣泛的應用場景。
  • 分享對 AI 模型未來發展的想像與看法。
  • 鼓勵學員持續學習與探索新的 AI 技術。
• 5.4 實作練習：
  • 分組討論 AI 模型開發的倫理議題。
  • 分享對 AI 模型未來發展的看法。
  • 分享學習心得與收穫。

 

課程總結：

• 複習課程重點與學習內容。
• 鼓勵學員持續探索 AI 模型開發的奧秘。
• 提供課程後續支援與資源。
• 分享學員實作成果與學習心得。

 

注意事項：

• 課程內容可根據學員的程度與需求進行調整。
• 課程中將穿插實作練習與案例分析，讓學員能將所學應用於實際。
• 鼓勵學員積極發問與分享經驗，共同學習成長。
• 課程時間可根據學員的學習狀況彈性調整。

*可選擇上門、到校、到企業等彈性小班AI教學模式

**以上AI課程由知名香港AI教學先行者 「香港AI學院」 提供課程內容及技術的支援，以確保 「AI課程」 高性價比的品質水平。