# LLM大型語言模型師資共學班
[共學班連結](https://hackmd.io/@Jj51EQCDSsS0C4aNUQtCtQ/HJPMwoYaR)
------------------113/10/3 討論
##

# 主權式AI落地專班

# nvidia 教材
# 講師或培訓機構
# 產
# 講師權益
公告網站，主動行銷講師，上課機會多少？ 什麼單位
# 任務
肯定其付出 暫時無法確認上課機會
透過協會派工 受邀講師 donate 或其他方式

# 課程開發及講師培養
# 課程行銷，和專業機構合作，如商週，digitimes,天下，1111, cobrand ,工協會，分潤

# 產品研發費用

# 整套課程
單一演講

3600 30%
費用的使用
行銷費用
課程設計：痛點及應用場景搜集
買工具，試工具及分享，請講師分享使用經驗
教學技巧課程

# 發展的roll model如IEEE,學習對象 AIA
# 標準化教材 如國高中生或中小企業提供稿費
## ------------------------------

招講師
付費3600

行銷講師協會放網站，發公文
發證明
共學會講師免費，非講師要參加共學會收錢，限會員
開收費課程
講師評鑑委員會考核

主辦單位：台灣人工智慧協會進修交流委員會
時間多久：
每個時間不要太倉促：每個主題一個月，小組長分配主題，小組討論後，組內試教，檢討成為組內共識
重點是參加者的想法，
1.collect 講師
2.設計課程
3.請開課單位招生，我們提供講師，優先
自行招生

1.講師參與者為什麼要參加
客人，技術高手學教學，經理人學技術
2.介紹課程即可，不必
3.共學會孵育講師

1.有機會成為推薦講師
2.project review
智財權：由製作
進行方式

初階合格講師 3600
30%

參加資格：
合格講師及有意成為AI講師者
預計六週
10月17日到11月21日
進行方式
由各科目小組決定討論時間
1.選定己列課程或自訂課程，可個人或多人一個科目，但講師必須能負責完整課程為原則
2.各自編教材
3.期中討論 10/31
4.前末討論 11/21
5.成果發表 11/28
線上提供協會員

## 課程大綱

1. AI科普與趨勢探討（給非技術人員）shawn
教學對象：使用過chatgpt對提示工程有經驗
面向非技術背景的成員，介紹AI的基本概念、核心技術和未來發展方向，幫助各行業成員理解AI的潛力。

2. 生成式AI工具使用與應用 （給非技術人員） shawn
介紹生成式AI工具，並實際操作應用於文案生成、影像合成和其他創意領域。
[簡光正學長Canva 投影片](
https://www.canva.com/design/DAGQW_VFnnE/C1T7w30WVuvnSItzPLtUbg/view?utm_content=DAGQW_VFnnE&utm_campaign=designshare&utm_medium=link&utm_source=editor&fbclid=IwY2xjawFNMR1leHRuA2FlbQIxMAABHX-3FnxiTdceSE0pE52iArO7QhGdmT4QPOC7u1kwhPmBFSzaNkbUXCFB6w_aem_ggHByfZgyNkqgTSZb5IncQ#120
輔助教材
https://kcchien.craft.me/2024-ai4work-guide)

3. AI產業應用案例與實踐 （給非技術人員）振成，KP
探討AI在各產業的具體應用，如醫療、金融、製造和零售，深入分享成功實踐和技術挑戰。

4. 深度學習與神經網絡 （給技術人員）new technology royce
探討目前深度學習模型的架構設計與原理（如Transformer、GAN、Diffusion等），以及如何應用這些技術解決實際問題。

5. 大型語言模型（LLM）的原理與應用 （給AI技術人員）鄭
介紹大型語言模型的基本原理、訓練方法和典型應用，如文本生成、對話系統和自動摘要等，例如RAG，AI agent 等

6. 資料探勘與大數據技術在AI中的應用（給data技術人員）鄭
探討資料工程（如數據清理、資料標註）和大數據技術(統計)在AI中的應用，著重於如何準備資料集以支持AI模型訓練。

7. Python程式設計與機器學習（給想學技術人員）周老師 royce
探討Python在機器學習中的應用，覆蓋基本語法、數據處理庫（如Pandas、NumPy）、機器學習框架（如Scikit-learn、PyTorch），並通過實作案例加深對機器學習模型的理解。

8 ## LLM 地端模型應用 seiching
教學對象：使用過chatgpt對提示工程有經驗，對安裝程式有經驗及興趣

課程說明
本課程將深入探討如何在地端環境中運行和應用大型語言模型（LLM）。我們將學習如何利用各種工具和平台，如Ollama、OPEN WEB UI和Anything LLM，來建立和管理本地LLM環境。課程還會介紹主要的開源模型，包括TAIDE、LLAMA和Gemini，並比較它們的特點、性能和應用場景。學員將學會如何在本地部署這些模型、如何評估和優化其性能，以及如何將其應用於實際問題中。

作業

請選擇適當工具（如Ollama、OPEN WEB UI或Anything LLM），在本地機器上部署一個LLM，並記錄部署過程中的步驟、遇到的問題及其解決方案。接著，選擇兩個開源模型（如Mistrial、TAIDE或Gemini），進行比較，分析其架構、性能指標、適用場景、優缺點及其在不同應用中的效果。在此基礎上，設計一個實際應用場景，利用本地LLM來解決特定問題，例如自動化客服系統或內容生成工具，並描述如何選擇和應用開源模型來實現該應用。最後，對部署的本地LLM進行性能測試，測試內容包括模型的響應時間、生成質量、資源消耗等。根據測試結果提出優化建議，並進行相關的調整。請撰寫一份綜合報告，內容應包括部署過程、模型比較分析、應用設計及性能測試和優化的詳細描述，並附上相關數據和圖表。

[OLLAMA教學](https://youtu.be/JpQC0W91E6k?si=-L1BZTuhm58CcTip)
9. ## LLM 應用系統開發 seiching
教學對象：使用過chatgpt對提示工程有經驗，對安裝程式有經驗及興趣，懂一些pytho更好，可以只執行專案即可，不必改程式
課程說明：探索大型語言模型（LLM）在實際應用中的使用。課程內容包括用如何利用Gemini或ChatGPT API 進行LLM進行開發，並實作如Line Bot和CRM（Customer Relationship Management）系統。

作業：基於實作一個Line Bot並將其集成到CRM系統中。製作一份簡報，描述系統架構、實施步驟及功能測試結果。

10 知識的問答系統與個人化推薦系統 poem
- 課程內容：介紹基於知識圖譜的問答系統架構。探討個人化推薦系統的
- 實作模型：使用Hugging Face的模型構建簡單的問答系統。使用知識圖譜技術（如Neo4j）實作推薦系統，並結合用戶行為數據進行個性化推薦。
- 適合程度：適合進階學生，理解如何將知識圖譜應用於問答系統和推薦系統。

11 多模態數據關聯分析與決策輔助系統 poem
- 課程內容：多模態數據：如何結合文本、圖像、語音等數據進行綜合分析。基於知識圖譜的決策輔助系統：如何將多模態數據應用於智慧輔助決策。
- 實作模型：作一個多模態數據處理系統，結合文本和圖像數據進行分析（如VQA(視覺問答系統)）。使用知識圖譜進行決策輔助，應用於具體業務場景。
- 適合程度：適合進階學生，重點在於綜合應用多模態數據與知識圖譜，並實作決策輔助系統。

12. https://www.deeplearning.ai/ seiching
這個課程主要以 deep learning ai 的課程為基礎由講師選其中的課程

-----------------------------------------

提出者：胡博
以下是針對生成式AI的八堂課程設計，涵蓋報告生成、QA客服、輔助推薦系統、Agent自動化管理、法規審閱，並針對金融、醫療、工廠、農業、法律等領域的應用實例：

### 1. **生成式AI在報告生成中的應用**
- **課程內容**：介紹生成式AI如何自動生成各類型的報告，包括金融分析報告、醫療診斷報告、工廠生產報告、農業產量預測報告等，並探討如何優化報告內容及確保其準確性和合規性。
- **實作練習**：使用現有的生成模型，如GPT，來生成一份針對特定領域的報告，並進行內容校正。

### 2. **生成式AI在QA客服中的應用**
- **課程內容**：深入介紹生成式AI如何在客服系統中實現自動問答服務，提升客服效率，尤其在金融、醫療和法律領域的應用，包括處理常見問題及複雜諮詢。
- **實作練習**：建立一個簡單的QA系統，模擬真實客戶的問題，並測試生成的回答準確性。

### 3. **生成式AI輔助推薦系統的應用**
- **課程內容**：探討生成式AI如何通過分析用戶行為數據，提供精準的推薦服務，應用於金融產品推薦、醫療治療方案建議、工廠設備維護方案、農業種植建議等。
- **實作練習**：開發一個簡單的推薦系統，基於生成式模型提供個性化推薦。

### 4. **Agent自動化管理系統**
- **課程內容**：介紹生成式AI如何通過Agent技術實現自動化管理，應用於工廠生產流程、金融風險控制、醫療資料管理等，提升工作效率及準確性。
- **實作練習**：設計一個簡單的自動化管理系統，實現日常流程的自動化處理。

### 5. **生成式AI在法規審閱中的應用**
- **課程內容**：介紹生成式AI如何協助進行法律文本和行業法規的審閱與解讀，尤其在金融、醫療等嚴格管制的行業，實現法規的快速匹配和更新。
- **實作練習**：利用生成式AI模型對法律文件進行審閱，提出優化建議並校對錯誤。

### 6. **金融業生成式AI應用實例**
- **課程內容**：專注於生成式AI在金融行業的應用，包括自動化風險評估、金融報告生成、合約審查、自動化投資建議等。
- **實作練習**：模擬一個金融分析情境，使用生成式AI進行風險預測和投資建議。

### 7. **醫療領域的生成式AI應用**
- **課程內容**：分析生成式AI在醫療中的應用，包括診斷報告自動生成、醫療諮詢系統、病人資料管理等，並探討其法規合規性與數據安全性。
- **實作練習**：設計一個醫療報告生成系統，模擬生成病人診斷報告和治療建議。

### 8. **生成式AI在工廠和農業中的應用實例**
- **課程內容**：討論生成式AI在工廠和農業領域的應用，包括自動化生產流程、維修管理、農作物生產報告和市場預測等。
- **實作練習**：模擬工廠生產情境或農業生產場景，設計一個基於生成式AI的優化方案。

這些課程將結合實作與理論，讓學員能夠掌握生成式AI技術在不同領域的應用，並針對實際場景進行應用落地。

----------------------------------------

提出者：Royce

1. AI科普與趨勢探討（給非技術人員）
面向非技術背景的成員，介紹AI的基本概念、核心技術和未來發展方向，幫助各行業成員理解AI的潛力。

2. 生成式AI工具使用與應用 （給非技術人員）
介紹生成式AI工具，並實際操作應用於文案生成、影像合成和其他創意領域。

3. AI產業應用案例與實踐 （給非技術人員）
探討AI在各產業的具體應用，如醫療、金融、製造和零售，深入分享成功實踐和技術挑戰。

4. 深度學習與神經網絡 （給技術人員）new technology
探討目前深度學習模型的架構設計與原理（如Transformer、GAN、Diffusion等），以及如何應用這些技術解決實際問題。

5. 大型語言模型（LLM）的原理與應用 （給AI技術人員）
介紹大型語言模型的基本原理、訓練方法和典型應用，如文本生成、對話系統和自動摘要等，例如RAG，AI agent 等

6. 資料探勘與大數據技術在AI中的應用（給data技術人員）
探討資料工程（如數據清理、資料標註）和大數據技術(統計)在AI中的應用，著重於如何準備資料集以支持AI模型訓練。

7. Python程式設計與機器學習（給想學技術人員）周老師
探討Python在機器學習中的應用，覆蓋基本語法、數據處理庫（如Pandas、NumPy）、機器學習框架（如Scikit-learn、PyTorch），並通過實作案例加深對機器學習模型的理解。

8. AI創新與未來技術探索承（不限人員，非只有技術）
探討AI前沿技術和創新應用，例如強化學習、AI Agent工作流等，分享最新領域的學術論文或趨勢。

提出者：shawn

8週AI課程總覽
人工智能概論與倫理

內容概要: 介紹AI的基本概念及其應用，探討AI技術的倫理挑戰，幫助無理工背景的員工了解AI的基礎。

機器學習基礎與Python實踐

內容概要: 探討機器學習的基本原理，介紹常用演算法，並通過Python進行實際操作，提升對機器學習的理解與應用。
神經網路與深度學習基礎

內容概要: 介紹神經網路和深度學習技術，講解其在圖像、語音和文本處理中的應用，並進行簡單的模型構建與實驗。

生成式AI技術與應用

內容概要: 解釋生成式AI技術的原理，如GPT和GAN模型，展示其在文案生成、圖像創建中的應用，並探討其商業價值。

AI專案管理與開發流程

內容概要: 詳細介紹AI專案的開發流程，包括需求分析、數據準備、模型訓練和驗證。講解如何建立高效的AI團隊，介紹常用的開發和協作工具，如JIRA、GitHub、Docker等，以及如何有效地管理AI專案的進度和質量。

行業AI應用實例探討

內容概要: 研究具體行業（如製造、金融、醫療）的AI應用實例，探討成功的關鍵因素，並討論行業中的挑戰與應對策略。

AI技術實戰操作

內容概要: 針對技術人員進行實戰操作，使用一至兩個實際案例進行問題解決與模型應用，例如：如何優化深度學習模型、數據預處理的實際挑戰，並指導學員使用工具和方法來解決實際問題。

AI對企業策略的影響與決策指導（適合高階領導層）

內容概要: 分析AI如何影響企業策略，探討AI技術融入企業戰略規劃的途徑，提升領導層在AI時代的決策力，並探討導入過程中的風險管理和挑戰應對。

百工百業案例
失敗案例
成功案例

提出者：李詩欽
## 生成式AI概論
教學對象：無基礎可，但建議上課前完成註冊chatgpt及使用chatgpt
課程說明：本課程介紹生成式AI的基本概念及其工作原理，包括如何通過大量數據訓練AI模型以生成新內容。學習如何訓練生成式AI模型，探討主要技術如GPT（Generative Pre-trained Transformer）的工作方式及其在不同領域的應用。

如何設計有效的提示（prompts）來改善生成式AI模型的輸出質量。涵蓋提示設計的基本原則和技巧，並教導如何撰寫計劃書、推薦信等實用文檔。

作業：撰寫一篇關於生成式AI的簡報，內容應包括生成式AI的工作原理、訓練過程、及其主要應用範疇。並與ChatGPT等工具協作，製作一份『生成式AI概論』教學計劃。

## 生成式AI商用SAAS研討
教學對象：使用過chatgpt對提示工程有經驗
課程說明：探索生成式AI在商業應用中的潛力，涵蓋主要的商用SAAS（Software as a Service）平台如ChatGPT、Midjourney、Gamma和Coze，並研究它們在實際商業場景中的應用及案例。

作業：選擇一個商用生成式AI平台，撰寫及製作一份簡報，探討其在特定業務領域中的應用，包括其功能、優勢、挑戰和未來發展趨勢。

## RAG原理與應用
教學對象：使用過chatgpt對提示工程有經驗，不必會寫程式
課程說明：介紹RAG（Retrieval-Augmented Generation）模型的原理及其應用。RAG模型結合了檢索技術和生成技術，用於提升生成結果的準確性和相關性。學習如何在實際案例中應用這些技術，使用工具如NotebookLM和Chatbase。
作業：利用RAG模型解決一個實際問題，撰寫一份報告，描述如何利用NotebookLM或Chatbase實施RAG，並評估其效果。報告中需包括案例分析、技術實施步驟及結果評估。

## 語音辨識應用
教學對象：使用過chatgpt對提示工程有經驗，對程式執行有概念，建議先研究一下colab

課程說明：本課程介紹語音辨識技術及其應用，包括使用Colab平台進行語音辨識實驗。學習如何使用Whisper和Gemini等工具進行語音到文本的轉換，以及會議摘要的生成。
作業：使用Colab進行一個語音辨識實驗及撰寫及製作一份簡報，利用Whisper進行語音到文本的轉換，並使用Gemni生成會議摘要。撰寫報告，包含實驗設置、結果分析及對比不同工具的優缺點。

## LLM 地端模型應用
教學對象：使用過chatgpt對提示工程有經驗，對安裝程式有經驗及興趣

課程說明
本課程將深入探討如何在地端環境中運行和應用大型語言模型（LLM）。我們將學習如何利用各種工具和平台，如Ollama、OPEN WEB UI和Anything LLM，來建立和管理本地LLM環境。課程還會介紹主要的開源模型，包括TAIDE、LLAMA和Gemini，並比較它們的特點、性能和應用場景。學員將學會如何在本地部署這些模型、如何評估和優化其性能，以及如何將其應用於實際問題中。

作業

請選擇適當工具（如Ollama、OPEN WEB UI或Anything LLM），在本地機器上部署一個LLM，並記錄部署過程中的步驟、遇到的問題及其解決方案。接著，選擇兩個開源模型（如Mistrial、TAIDE或Gemini），進行比較，分析其架構、性能指標、適用場景、優缺點及其在不同應用中的效果。在此基礎上，設計一個實際應用場景，利用本地LLM來解決特定問題，例如自動化客服系統或內容生成工具，並描述如何選擇和應用開源模型來實現該應用。最後，對部署的本地LLM進行性能測試，測試內容包括模型的響應時間、生成質量、資源消耗等。根據測試結果提出優化建議，並進行相關的調整。請撰寫一份綜合報告，內容應包括部署過程、模型比較分析、應用設計及性能測試和優化的詳細描述，並附上相關數據和圖表。

## LLM 應用系統開發
教學對象：使用過chatgpt對提示工程有經驗，對安裝程式有經驗及興趣，懂一些pytho更好，可以只執行專案即可，不必改程式
課程說明：探索大型語言模型（LLM）在實際應用中的使用。課程內容包括用如何利用Gemini或ChatGPT API 進行LLM進行開發，並實作如Line Bot和CRM（Customer Relationship Management）系統。

作業：基於實作一個Line Bot並將其集成到CRM系統中。製作一份簡報，描述系統架構、實施步驟及功能測試結果。

## LLM微調案例研討
教學對象：使用過chatgpt對提示工程有經驗，對安裝程式有經驗及興趣，懂一些python更好，可以只執行專案即可，不必改程式
課程說明：專注於如何微調大型語言模型以滿足特定應用需求。分析微調的技術細節、常見挑戰以及成功案例，並探討不同策略對模型性能的影響。
作業：選擇一個具體應用場景，對開源LLM進行微調。製作一份簡報，詳細描述微調過程、參數選擇、訓練結果及性能評估。

[零代码微调Llama3.1 8b大模型！中文文本分块+数据集制作！Axolotl+qLoRA十分钟光速微调打造法律大模型](https://youtu.be/UCmPrNFWClI?si=NcZlfHOltLTSLuAb)

## 教學技巧及其他議題
教學對象：有志成為講師者
課程說明：討論在教學中如何有效地傳達技術知識，包括教學技巧、課堂管理、以及如何處理學生的各種問題。還會涉及其他相關議題，如最新技術趨勢或倫理問題。
作業：設計一個針對台灣人工智慧協會會員的教學計劃，針對某一特定主題（例如生成式AI技術），包括課堂講義、練習題和評估標準。製作一份簡報，分析所設計課程的有效性和改進建議。

#教學

提出者: 鄭淳詩 POEM
1，2，3
## 第一週：語言模型與自然語言處理簡介
- 課程內容：NLP基本概念：分詞、詞性標注、語句結構。
語言模型簡介（n-gram模型、Transformer模型），了解自然語言的生成過程。介紹詞向量技術，如Word2Vec、GloVe、BERT等嵌入模型。
- 實作模型：使用Python的NLTK或Jieba庫進行簡單的分詞和詞性標註。實作Word2Vec模型，理解如何將詞轉換為數字表示。
- 適合程度：適合初學者，重點在於打好基礎，理解詞向量與語言模型的基本概念。

## 第二週：自然語言處理與機器學習模型實作
- 課程內容：機器學習模型在NLP中的應用（如分類、回歸）。介紹文本分類的常用算法（如SVM、隨機森林、朴素貝葉斯）。
- 實作模型：使用scikit-learn實作文本分類器（如情感分析）。將TF-IDF轉換應用於文本特徵提取，並進行分類。
- 適合程度：適合具有基本程式編輯經驗的學生，目標是學會使用機器學習算法處理文本。

## 第三週：自然語言處理與深度學習模型實作
- 課程內容：介紹深度學習模型在NLP中的應用，如RNN、LSTM、Transformer。探討如何使用深度學習處理語言生成和文本序列任務。
- 實作模型：使用Keras或PyTorch實作簡單的LSTM模型來進行文本生成。使用Hugging Face的Transformers庫實作BERT模型進行文本分類或序列標註。
- 適合程度：適合有深度學習基礎的學生，重點是理解如何應用深度學習於NLP。

4，5，6
## 第四週：實體關係建構理論與實作
- 課程內容：命名實體識別（NER）技術：自動識別文本中的人名、地名、時間等實體。關係抽取技術：自動從文本中提取實體間的關係
- 實作模型：使用Jieba或Hugging Face的NER模型進行命名實體識別。實作關係抽取模型，使用深度學習技術（如CNN或BERT）從文本中自動提取實體之間的關係。
- 適合程度：適合有一定深度學習經驗的學生，了解知識圖譜中實體關係的基本構建過程。

## 第五週：事件關係建構理論與實作
- 課程內容：事件抽取技術：從文本中提取事件及其參與者、時間、地點等要素。事件關係建構：如何識別事件間的因果、時間或邏輯關係。
- 實作模型：使用自然語言處理技術進行事件抽取，並構建事件關係圖。應用基於Transformer的模型（如BERT、GPT）進行事件及情境識別。
- 適合程度：適合具有深度學習和文本分析經驗的學生，學會從文本中挖掘事件與情境。

## 第六週：事件規則模式庫與檢索實作
- 課程內容：模式庫建構：如何使用事件規則建立事件模式庫。事件規則挖掘：如何從事件中挖掘潛在的規則，並應用於預測或決策支持。
- 實作模型：使用LSTM-CRF算法進行事件規則挖掘。基於事件模式的檢索系統，應用於決策輔助。
- 適合程度：適合中階學生，深入了解規則挖掘技術，並應用於事件檢索與分析。

7-8
## 第七週：知識的問答系統與個人化推薦系統
- 課程內容：介紹基於知識圖譜的問答系統架構。探討個人化推薦系統的
- 實作模型：使用Hugging Face的模型構建簡單的問答系統。使用知識圖譜技術（如Neo4j）實作推薦系統，並結合用戶行為數據進行個性化推薦。
- 適合程度：適合進階學生，理解如何將知識圖譜應用於問答系統和推薦系統。

## 第八週：多模態數據關聯分析與決策輔助系統
- 課程內容：多模態數據：如何結合文本、圖像、語音等數據進行綜合分析。基於知識圖譜的決策輔助系統：如何將多模態數據應用於智慧輔助決策。
- 實作模型：作一個多模態數據處理系統，結合文本和圖像數據進行分析（如VQA(視覺問答系統)）。使用知識圖譜進行決策輔助，應用於具體業務場景。
- 適合程度：適合進階學生，重點在於綜合應用多模態數據與知識圖譜，並實作決策輔助系統。

預計8週
共學會功能
1.累積教材 互相學習
2.試講 回饋
3.提供講師 成長機會

做法：
最多12個人，針對各主題每一組別或全部分享。
類似lab的meeting方式，每周各組可以針對各組討論過後的進度說明與報告
群內分享與回饋，調整為適合的產業課程
可以換組別

如何達到
1.做為認證講師評選資料
2.有高手吸引講師
3.頻率不能太高，每個人大約二個月報告一次
4.明確主題規劃

# 1.人工智慧簡介
code.org
https://www.youtube.com/playlist?list=PLzdnOPI1iJNeehd1RXhnVMBFi1WhWLx_Y
[李詩欽參考影片](https://www.youtube.com/watch?v=E947HJNPAMk)
[李詩欽參考講義]
(https://docs.google.com/presentation/d/178FFltyzmRGedrsvycHjQiyIw6lNnib_/edit?usp=sharing&ouid=114926404614841352894&rtpof=true&sd=true)
## 2.python及機器學習
[周君諦Chun-TiChou老師
python 資料分析參考教材](https://drive.google.com/drive/folders/1QgwFgiRNv6oU_n-0gQaR921ufNXOcB1-)

[蘇嘉冠老師人工智慧與工程應用](https://aintut.github.io/2022/)
[code.org How AI Works](https://www.youtube.com/playlist?list=PLzdnOPI1iJNeehd1RXhnVMBFi1WhWLx_Y)
## 3.LLM 簡介

[網紅介紹LLM](https://youtube.com/playlist?list=PL7O5Ubado0Q3297OGDkjALjNK3BHb3VxN&si=569VPkPgDj7IF3x1)

[李宏毅80分鐘快速了解大型語言模型](https://youtu.be/wG8-IUtqu-s?si=PE3Uhk96y6EOpgow)
[
Andrej Karpathy 前open ai工程師Intro to Large Language Models](https://www.youtube.com/watch?v=zjkBMFhNj_g)
[李宏毅老師【生成式AI導論 2024】](https://youtube.com/playlist?list=PLJV_el3uVTsPz6CTopeRp2L2t4aL_KgiI&si=_5P8I_aWTHtxyf_J)
[李詩欽如何用chatgpt寫暢銷書 ](https://docs.google.com/presentation/d/1PKazDg9Ae-pGN3QHe8NwsYtP_qHcXj7S/edit?usp=sharing&ouid=112780088374728819219&rtpof=true&sd=true)
[LLM大型語言模型實作讀書會](https://hackmd.io/@Jj51EQCDSsS0C4aNUQtCtQ/r1qNO8dST)
[Language Models are Few-Shot Learners 論文講解](https://www.youtube.com/watch?v=1XDxWcrnJDM)

[李沐的大語言模型簡介](https://www.youtube.com/watch?v=ziHUcDh0DwM)
## 4. huggingface 簡介

## 5. 課程設計
鄭老師協助
1. Language modeling
2. Natural Language Processing
3. Attention
4. Transformer
5. Tokenization
6.
[addie課程設計 ](https://flipedu.parenting.com.tw/article/001296)

## 6. 讀書會參考資料
[standford LLM demo day ](https://www.youtube.com/watch?v=qWLe6h_nIug)
[cs224n ](https://www.youtube.com/watch?v=JAB_plj2rbA&list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn)
[數位轉型netflix參考影片](https://youtu.be/mjlNa0BV-OM?si=M4H5B14zK6l4CokP)
##

## 開源專案
[開源RAG應用系統 ](https://www.quivr.com/)
1.講師認證
2.講師行銷
3.共編教材

預備：由我們安排講課機會，再正式對外

提案者: 胡翔崴

課程簡介 :
針對生成式AI的八堂課程設計，涵蓋報告生成、QA客服、輔助推薦系統、Agent自動化管理、法規審閱，並針對金融、醫療、工廠、農業、法律等領域的應用實例：

## 1. *生成式AI在報告生成中的應用*
- **課程內容**：介紹生成式AI如何自動生成各類型的報告，包括金融分析報告、醫療診斷報告、工廠生產報告、農業產量預測報告等，並探討如何優化報告內容及確保其準確性和合規性。
- **實作練習**：使用現有的生成模型，如GPT，來生成一份針對特定領域的報告，並進行內容校正。

### 2. *生成式AI在QA客服中的應用*
- **課程內容**：深入介紹生成式AI如何在客服系統中實現自動問答服務，提升客服效率，尤其在金融、醫療和法律領域的應用，包括處理常見問題及複雜諮詢。
- **實作練習**：建立一個簡單的QA系統，模擬真實客戶的問題，並測試生成的回答準確性。

### 3. *生成式AI輔助推薦系統的應用*
- **課程內容**：探討生成式AI如何通過分析用戶行為數據，提供精準的推薦服務，應用於金融產品推薦、醫療治療方案建議、工廠設備維護方案、農業種植建議等。
- **實作練習**：開發一個簡單的推薦系統，基於生成式模型提供個性化推薦。

### 4. *Agent自動化管理系統*
- **課程內容**：介紹生成式AI如何通過Agent技術實現自動化管理，應用於工廠生產流程、金融風險控制、醫療資料管理等，提升工作效率及準確性。
- **實作練習**：設計一個簡單的自動化管理系統，實現日常流程的自動化處理。

### 5. *生成式AI在法規審閱中的應用*
- **課程內容**：介紹生成式AI如何協助進行法律文本和行業法規的審閱與解讀，尤其在金融、醫療等嚴格管制的行業，實現法規的快速匹配和更新。
- **實作練習**：利用生成式AI模型對法律文件進行審閱，提出優化建議並校對錯誤。

### 6. *金融業生成式AI應用實例*
- **課程內容**：專注於生成式AI在金融行業的應用，包括自動化風險評估、金融報告生成、合約審查、自動化投資建議等。
- **實作練習**：模擬一個金融分析情境，使用生成式AI進行風險預測和投資建議。

### 7. *醫療領域的生成式AI應用*
- **課程內容**：分析生成式AI在醫療中的應用，包括診斷報告自動生成、醫療諮詢系統、病人資料管理等，並探討其法規合規性與數據安全性。
- **實作練習**：設計一個醫療報告生成系統，模擬生成病人診斷報告和治療建議。

### 8. *生成式AI在工廠和農業中的應用實例*
- **課程內容**：討論生成式AI在工廠和農業領域的應用，包括自動化生產流程、維修管理、農作物生產報告和市場預測等。
- **實作練習**：模擬工廠生產情境或農業生產場景，設計一個基於生成式AI的優化方案。

這些課程將結合實作與理論，讓學員能夠掌握生成式AI技術在不同領域的應用，並針對實際場景進行應用落地。

您好！

感謝您申請參與我們的講師認證評審。經過初步評審，我們遺憾地通知您，目前的評估結果為備選講師。主要原因包括參與協會活動的頻次不足、推薦人數量不夠，以及在政府機關或教育機構的講課經驗尚顯不足。

儘管如此，我們充分認識到您在這一領域的潛力和才華。為了支持您的專業發展，我們將在未來組織相關的講師共學活動。我們誠摯地邀請您參加這些活動，這將是一個提高技能、擴展經驗並建立專業聯繫的良好機會。

再次感謝您對我們工作的支持與理解。如果您有任何問題或需要進一步的信息，請隨時與我們聯繫。

祝好！

共學會功能
1.試講 回饋
2.分享 新知
3. 產業案例，技術
4.分類 分組 小組討論

主題
請大家 週日晚間24:00丟一版

1.AI 專案管理
2.

期末開課
會內開課，
1.會員企業專班
2.協會公司

預設3個組別，一組3-4人。

最多12個人，針對各主題每一組別或全部分享。
類似lab的meeting方式，每周各組可以針對各組討論過後的進度說明與報告
群內分享與回饋，調整為適合的產業課程