# AI 出題精修班
[toc]
## 始業式
### 課程說明
### 專題說明
### 學員交流（組隊）
## 第三波人工智慧浪潮
目標：科普介紹人工智慧是什麼，瞭解以數據思考的文化與現在AI對世界的影響
大綱：
### 人工智慧歷史沿革
以歷史方式帶同學瞭解1950、1980和2010這三個時間點的變化，從規則為主轉為以數據為主，並帶出專家系統、機器學習、深度學習這幾個名詞，以及如何訓練深度學習。

### 從DeepMind感受AI威力
介紹DeepMind旗下Alpha家族，以AlphaGo和AlphaStar為主，從領域知識者角度看它們演進，透過在圍棋界和遊戲界引起的衝擊，實際感受AI的火力展示。

### AIGC浪潮
介紹時下最熱門的AIGC浪潮，看對話機器人ChatGPT和文生圖Stable Diffusion的表現，並探討它們所帶來正面與負面的影響。

### 未來展望
討論AI未來的影響，以及如何面向接下來的數位世代。

## 機器學習與深度學習介紹
目標：帶同學認識機器學習和深度學習的技術。(僅為觀念介紹，不會有程式，儘可能不含數學)
大綱：
### 機器學習介紹
(a) 機器學習訓練流程
(b) 介紹邏輯式迴歸、支援向量機、決策樹與隨機森林和整體學習

---

### 深度學習介紹
(a) 神經網路介紹 (會以ImageNet作開場)
(b) 卷積神經網路 (以影像方式呈現CNN的概念)
(c) 一些名詞介紹 (像是遷移學習、生成對抗網路、強化學習等)

## 人工智慧專案導入實務
目標：讓初學者可以了解如何找到一個合適專案，在企業中如何導入AI專案並透過案例了解如何導入AI專案
### 設計思考
### 企業中如何導入AI專案
#### 企業AI成熟度
#### OKR簡介
#### AI專案發想程序(含)
#### 如何選擇AI專案
#### 企業導入AI應注意事項
### 推薦系統
#### 推薦系統簡介
#### 推薦系統案例
#### 常用的推薦方法
#### 參考資料
[2022成熟度報告](https://www.perform-global.com/ai-to-success-3-foundation/)
[2021AI成熟度調查](https://medium.com/ai-academy-taiwan/key-success-factors-for-enterprise-ai-from-zero-to-one-9c6cca9e7939)
[2020大中華AI成熟度調查](https://assets.ey.com/content/dam/ey-sites/ey-com/zh_tw/news/2020/9/ey-ms-ai-report-2020.pdf)

## 自然語言處理
目標：讓無技術基礎的學員，了解什麼是自然語言及相關應用，電腦如何表示自然語言，chatGPT的原理及應用

### 自然語言基礎
1. 自然語言任務
2. 自然語言的發展
2.1. 語言模型 （Language Model)
2.2. 深度學習模型：RNN
2.3. 深度學習模型：Transformer
3. 深度學習模型的特色
### 自然語言的應用介紹
4. 自然語言的應用介紹
4.1. 基本應用：分類、指代、翻譯
4.2. 語音合成與語音識別
4.3. 客服聊天機器人
a. NLU：intent detection and slot filling
b. NLG
### ChatGPT應用介紹
5. ChatGPT應用介紹
## 如何開啟一個人工智慧專題
目標：讓學員可以實際參與AI專案，包括介紹AIGO,kaggle及黑客松
### AIGO產業實戰應用人才淬煉計畫
#### 參與aigo解題經驗分享
### kaggle
### 黑客松
案例
[pytorch 精神科助理](https://devpost.com/software/psychopathology-assistant)
[【Lesson 1 (上)】是設計？還是思考？這就是設計思考！｜敏學坊 ](https://www.youtube.com/watch?v=fHUuIk3wvvY&t=1135s)
[如何找到創業點子How to Get and Evaluate Startup Ideas](https://www.youtube.com/watch?v=Th8JoIan4dg&t=1106s)
[aicoach](https://aicoach.cc)
## 以醫療影像分類案例為例看AI專案
目標：以一個實際X光醫療影像分類案例(約50分鐘)帶同學思考AI專案需要注意什麼，並對所有面向作一個Overview。
大綱：
一、領域知識者、數據、AI工程師、運算平台四者之間的關係
二、從領域知識者角度來看X光醫療影像分類，我們忽略了什麼？
三、要解決的問題是什麼？數位數據在哪裡？數據如何整理與清洗？
四、AI工程師用什麼技術解決問題。
五、接下來的挑戰？倫理、法規、資訊安全、如何推廣、人機協作文化等議題。
## 成果發表
### 專題報告
### 評分及頒獎