資料科學與人工智慧課程簡介

本學期專題課重點

開場用2024年的輝達股價，震驚全場。不同於2016年談AI就是圍棋專長的AlphaGo，近年人工智慧更貼近所有人的日常。

隨著時間，會有更多的人問，「AI這麼會繪圖，是不是唸美術的要失業了」、「AI這麼會寫程式，是不是唸資訊的要失業了」。

我希望上完這堂專題，你可以明白什麼是「打不贏就加入」的硬道理。包括這個專題課程，也是藉由這波浪潮，加把勁把他趕出來的。

此課程會希望更希望在「實作」之前，以高中生能懂的數學，講解人工智慧的「理論」。知道人工智慧的模樣（理論），除了可以在實作時更知道自己在幹嘛以外，在未來更有機會可以深入探究，並且優化模型；而知道怎麼實作，才能將人工智慧的所學應用在自己感興趣的議題上，兩者是相輔相成的。

估計上下學期會各有14週，每週四堂課。上學期以案例方式學習，接近下學期以分組方式開始完成專案。

不介意使用ChatGPT來生成程式碼，但前面會手打程式碼並詳細介紹，讓各位更清楚生成的內容到底代表什麼。

第一週

• 人工智慧介紹-什麼是人工智慧、機器學習、深度學習和生成式學習，什麼是資料科學

• 開發環境介紹-Python 與 Colab

• Numpy使用-延續基礎程式設計串列List的內容，使用資料科學必學的Numpy套件

第二週

• Pandas使用-什麼是Dataframe、網路爬蟲取得資料

• 資料前處理-資料觀察與篩選、資料刪除與補缺失、資料轉換

• 探索性資料分析(Exploratory Data Analysis)-條件式選取、計算最大最小平均總和與標準差、新增與選取欄位

第三週

• Matplotlib與seaborn-將EDA進行繪圖分析(折線圖、長條圖、圓餅圖、直方圖、散布圖、熱力圖…)

• 經典範例實作-鐵達尼號生還預測分析、Iris花種分類分析

第四週

• 探索性資料分析日常範例實作-台灣房地產趨勢分析

• 探索性資料分析日常範例實作-台灣犯罪率分析

• 專題講解-第一個方向(分析資料)

第五週

• 機器學習介紹-什麼是監督式，什麼是非監督式學習

• 監督式學習理論介紹-線性迴歸、KNN(K Nearest Neighbor)、K-means

• 使用線性迴歸做第一個模型-以Iris為例

• 認識混淆矩陣與預測如何交叉驗證

使用Streamlit快速建立外連網站； 使用LineBot建立可用的Agent

第六週

• 以KNN實作模型

• 以K-means實作模型

第七週

• gymnasium套件

• 生活實例：捷運流量與客群分析

• 專題講解-第二個方向(資料預測)

第八週

• 深度學習介紹-全連接神經網路、卷積神經網路…

• 經典範例-手寫辨識實作

第九週

• 視覺化深度學習- Teachable Mechine應用

• 深度學習應用-OpenCV 偵測人臉與Emotion AI

第十週

• 深度學習應用-NLP進行分詞與商業分析

第十一週

• 強化學習-建立遊戲訓練模型，以貪食蛇為例

第十二週

• 生成式學習介紹-生成對抗網路的架構

• OpenAI API使用

第十三週、第十四週

• OpenAI模型微調介紹

• 期末報告彈性應用

之後會再補上課程連結，持續更新中