AI 與機器學習導論及資料視覺化
本章節為此系列課程的開篇，由台北醫學大學張詠淳教授講授機器學習的基礎架構與大環境趨勢。課程首先回顧人工智慧的發展核心，並強調在現今大型語言模型與 AI 代理（Agent）蓬勃發展的時代，回歸最基本概念的重要性。本段落特別引入跨領域學員也能輕鬆掌握的「Vibe Coding（用自然語言寫程式）」概念，並示範如何透過文字引導 AI 自動生成程式碼，進一步引導學員建立基礎的資料視覺化思維，以便在後續的實作中觀測並分析資料特性。
- 課程形式
- 線上
- 課程名稱
- NAPAI計畫-SIGAgent#3-機器學習初探：從基礎觀念到模型實作 (785)
- 課程編號
- 785
- 課程期間
- 2026-05-05 ~
- 老師
- 張詠淳 (教授 / 臺北醫學大學)
- 課程類別
- AI人工智慧
- 時數
- 3 (小時)
- 修課人數
- 0
- 標籤
- 張詠淳, 臺北醫學大學, 機器學習, 深度學習, 資料視覺化, 語言模型, 前饋神經網路, NLP, HuggingFace, AI Agent
- 簡介
機器學習初探：從基礎觀念到模型實作
人工智慧與大數據已成為當今科技發展的核心驅動力，而「機器學習」正是推動這股浪潮背後的關鍵技術。對於想要跨入此領域的學習者而言，如何從零開始建立正確的基礎觀念，並將理論轉化為實際可用的模型，是掌握這門技術的首要挑戰。透過紮實的理論基礎與實作演練，將能有效開啟運用數據解決真實世界問題的大門。
本講座由臺北醫學大學大數據科技及管理研究所張詠淳教授主講，將帶領大家進行一場深入淺出的「機器學習初探」。講座內容將從最核心的基礎觀念著手，循序漸進地引導參與者了解機器學習的運作邏輯，並進一步探討實際的模型實作過程。無論您是初學者或希望鞏固基礎的開發者，都能透過本次講座建立清晰的知識脈絡，為未來的 AI 應用與開發打下堅實的基礎。
更多資訊--
- 報名期間
- 開始: 2026-09-15
- 總人數限制
- 無限制
- 承辦人
- 林瑞雅 / 網路學習科技研究所碩士班葉家綸 / 土木工程學系張珀瑞 / 土木工程學系
- 開課單位
- 教學發展中心
- 課程 QR code
報名資訊
其他資訊
課程教材
- 1.
- 1.126:47NAPAI SIGAgent#3 part1 資料視覺化 (20260505)
- 2.機器學習基礎概念與模型評估本章節著重於傳統機器學習（Machine Learning）的核心理論，全篇以貼近日常生活的生動例子出發，完全不涉及複雜數學公式，特別適合跨領域學員理解。內容主要涵蓋四大架構：第一是資料的表示方法（Data Representation），解釋如何將影像、文字或波形等原始資料轉化為機器看得懂的數字與特徵；第二是介紹五種最常見的傳統機器學習方法；第三則說明在訓練模型時，如何將資料集切分為訓練集與測試集；最後探討如何正確評估模型的效能，為往後進階的深度學習打下穩固根基。
- 2.142:03NAPAI SIGAgent#3 part2 機器學習基礎 (20260505)
- 3.深度學習與神經網路基礎本章節帶領學員從傳統機器學習過渡到深度學習（Deep Learning）的世界。課程首先梳理神經網路的歷史脈絡，闡述這個早在 80、90 年代即用於影像與車牌辨識的技術，為何能在 2010 年代藉由硬體計算能力與大數據的爆發，蛻變為席捲全球的「深度學習」。內容深入淺出地解析類神經網路的運作機制，包含輸入層、隱藏層與輸出層的架構，並透過圖解說明前向傳播（Forward Propagation）、損失函數（Loss Function）計算誤差，以及如何利用優化器更新參數，建立預測能力的完整流程。
- 3.114:45NAPAI SIGAgent#3 part3 深度學習基礎 (20260505)
- 4.實作：應用前饋神經網路模型本章節進入手把手的實作教學，帶領學員操作雲端開發工具 Google Colab，並以經典的「鐵達尼號（Titanic）生存預測資料集」作為演練對象。實作流程完整拆解為四個主要部分：首先是載入資料，並教導如何將本機資料集上傳至 Google Drive 進行串接；接著進行資料前處理與視覺化觀測；第三步則是撰寫程式碼來建立前饋神經網路模型（Feedforward Neural Network）；最後進行模型效能評估與實際預測，讓不具資訊背景的跨領域學生也能親自體驗點對點（End-to-End）建構 AI 模型的完整生命週期。
- 4.143:23NAPAI SIGAgent#3 part4 應用前饋神經網路模型 (20260505)
- 5.實作：自然語言處理與語言模型作為本次課程的最後一塊拼圖，本章節旨在引導學員將神經網路技術銜接至自然語言處理（NLP）與現代語言模型應用。課程首先介紹 NLP 的整體架構，說明如何將長短不一的文本資料（如書籍、新聞或句子）轉換為機器可學習的張量（Tensor）。接著探討東亞語系（如中、日、韓文）因缺乏天然空格界線而在處理時面臨的「斷詞」挑戰。最後，課程向學員介紹當今極具代表性的開源 AI 社群平台 Hugging Face，展示如何利用短短幾行程式碼下載並佈署最新的預訓練模型，體驗在現代開源環境下開發自然語言應用的便利與強大。
- 5.117:57NAPAI SIGAgent#3 part5 語言模型 (20260505)