人工智慧 +1 自學
21免費公開
人工智慧 +1 學習旅程
▷ RNN、LSTM 與 Transformer：突破框架的思考方式
在 AI 領域中，隨著自然語言處理的需求加劇，以及在硬體算力提升與大數據時代的到來，處理「序列」關係的神經網路模型也隨之逐步演進。
▷ RNN、LSTM 與 Transformer：突破框架的思考方式
在 AI 領域中，隨著自然語言處理的需求加劇，以及在硬體算力提升與大數據時代的到來，處理「序列」關係的神經網路模型也隨之逐步演進。
▷ Transformer 的概念
1.誕生
Transformer 就是為了解決 RNN、LSTM 傳統處理序列關係的模型所遭遇的問題而發明的。**
▷ Transformer 的概念
1.誕生
Transformer 就是為了解決 RNN、LSTM 傳統處理序列關係的模型所遭遇的問題而發明的。**
二、長短期記憶 (Long Short-Term Memory/ LSTM)
▷ LSTM 的概念
1. LSTM 是為了解決 RNN 的「梯度消失」問題而誕生的。
▪︎ RNN的問題：隱藏狀態的更新是透過多層非線性函數，梯度的函數會隨著反覆地權重計算而趨近0，導致梯度消失。
▪︎ 在當時(19
二、長短期記憶 (Long Short-Term Memory/ LSTM)
▷ LSTM 的概念
1. LSTM 是為了解決 RNN 的「梯度消失」問題而誕生的。
▪︎ RNN的問題：隱藏狀態的更新是透過多層非線性函數，梯度的函數會隨著反覆地權重計算而趨近0，導致梯度消失。
▪︎ 在當時(19
前言：
神經網路模型，有處理圖片這類以「空間關係」數據為主的卷積神經網路 (CNN)，也有處理以「時間或順序關係 (i.e. 序列數據/Sequential Data)」數據為主的「循環神經網路(Recurrent Neural Network/ RNN。
這次要一口氣介紹三個都是處理「序列」和
前言：
神經網路模型，有處理圖片這類以「空間關係」數據為主的卷積神經網路 (CNN)，也有處理以「時間或順序關係 (i.e. 序列數據/Sequential Data)」數據為主的「循環神經網路(Recurrent Neural Network/ RNN。
這次要一口氣介紹三個都是處理「序列」和
「人工智慧 +1」自學 Day8：「生成式對抗網路GANs」（Generative Adversarial Networks）
(**非常有趣的概念！)
▷概念：什麼是 GANs？
▪︎ 定義
GANs 本質上就是一個由兩個神經網路模型「生成器(Generator)」與「判別器(Discrimi
「人工智慧 +1」自學 Day8：「生成式對抗網路GANs」（Generative Adversarial Networks）
(**非常有趣的概念！)
▷概念：什麼是 GANs？
▪︎ 定義
GANs 本質上就是一個由兩個神經網路模型「生成器(Generator)」與「判別器(Discrimi
「人工智慧 +1」自學 Day7：AI 的倫理議題＆AI 的獨特性
(透過這篇，我想要來探討我對於 AI 學習＆應用最為關注的主題：AI 的倫理議題。)
－
前言：
為何有需要探討 AI 的倫理議題？這主要是因為涉及了 AI 這項技術的獨特性。AI 作為一項人類社會前所未見的創新發明，再一次
「人工智慧 +1」自學 Day7：AI 的倫理議題＆AI 的獨特性
(透過這篇，我想要來探討我對於 AI 學習＆應用最為關注的主題：AI 的倫理議題。)
－
前言：
為何有需要探討 AI 的倫理議題？這主要是因為涉及了 AI 這項技術的獨特性。AI 作為一項人類社會前所未見的創新發明，再一次
「人工智慧 +1」自學 Day6：知識圖譜 (Knowledge Graphs)**
(**我喜歡知識圖譜...)
－
▹「知識圖譜」的概念→「資料庫模型」
A.「以圖形結構儲存數據的資料庫模型」
「知識圖譜」使用了「圖形(Graph)」的方式進行資料儲存。因此是一種特殊的數據資料庫，目的
「人工智慧 +1」自學 Day6：知識圖譜 (Knowledge Graphs)**
(**我喜歡知識圖譜...)
－
▹「知識圖譜」的概念→「資料庫模型」
A.「以圖形結構儲存數據的資料庫模型」
「知識圖譜」使用了「圖形(Graph)」的方式進行資料儲存。因此是一種特殊的數據資料庫，目的
「人工智慧 +1」自學 Day5：演算法的發展歷程
－
❖第一階段：顯式演算法的時代 (1950s - 1980s)**
(**註：亦可稱「規則式／Rule-based」演算法時代)
這個時代的演算法典範是「人告訴電腦如何做」。
▹核心思維
演算法就是一套由程式設計師明確定義、一步步執
「人工智慧 +1」自學 Day5：演算法的發展歷程
－
❖第一階段：顯式演算法的時代 (1950s - 1980s)**
(**註：亦可稱「規則式／Rule-based」演算法時代)
這個時代的演算法典範是「人告訴電腦如何做」。
▹核心思維
演算法就是一套由程式設計師明確定義、一步步執
「人工智慧 +1」自學 Day4：
類神經網路(Artificial Neural Networks, ANN)與深度學習(Deep Learning, DL)
▹類神經網路(Artificial Neural Networks, ANN)
1.發展
▪︎ 概念：模仿生物神經元，對人類大腦
「人工智慧 +1」自學 Day4：
類神經網路(Artificial Neural Networks, ANN)與深度學習(Deep Learning, DL)
▹類神經網路(Artificial Neural Networks, ANN)
1.發展
▪︎ 概念：模仿生物神經元，對人類大腦
「人工智慧 +1」自學 Day3：強化學習 (Reinforcement Learning)
1. 強化學習的核心概念：訓練
「強化學習」是機器學習中的第三種。前兩者是監督式學習、非監督式學習。強化學習與這兩者都不同，與其說是學習，更合適的概念是「訓練」：訓練模型建立特定的決策及採取行動模式。
「人工智慧 +1」自學 Day3：強化學習 (Reinforcement Learning)
1. 強化學習的核心概念：訓練
「強化學習」是機器學習中的第三種。前兩者是監督式學習、非監督式學習。強化學習與這兩者都不同，與其說是學習，更合適的概念是「訓練」：訓練模型建立特定的決策及採取行動模式。
今天的「人工智慧 +1」自學要學的是「不是監督式教學」：非監督式學習 (Unsupervised Learning)
1. 「非監督式學習 (Unsupervised Learning)」
▹核心概念：
▪︎ 提供大量未標記的數據讓模型透過數學演算法，發現隱藏的結構、模式和關係，自行找出數據中的
今天的「人工智慧 +1」自學要學的是「不是監督式教學」：非監督式學習 (Unsupervised Learning)
1. 「非監督式學習 (Unsupervised Learning)」
▹核心概念：
▪︎ 提供大量未標記的數據讓模型透過數學演算法，發現隱藏的結構、模式和關係，自行找出數據中的
今天的人工智慧 1+1 自學：監督式學習 (Supervised Learning) 與文本分類 (Text Classification)
「1」 - 技術核心層：
機器學習/ML (Machine Learning) 3類型之一(監督式學習/非監督式學習/強化學習)——「監督式學習 (Supe
今天的人工智慧 1+1 自學：監督式學習 (Supervised Learning) 與文本分類 (Text Classification)
「1」 - 技術核心層：
機器學習/ML (Machine Learning) 3類型之一(監督式學習/非監督式學習/強化學習)——「監督式學習 (Supe
今天與Gemini review 我在 Prompt Engineering 的學習，我其實感覺可以嘗試更全面的返回人工智慧領域學習，站在已有的 Prompting 學習基礎上。於是有了今天 Day 0 的從頭學習。
加油！我可以的：）
－
「人工智慧 1+1」學習旅程 Day 0
人工
今天與Gemini review 我在 Prompt Engineering 的學習，我其實感覺可以嘗試更全面的返回人工智慧領域學習，站在已有的 Prompting 學習基礎上。於是有了今天 Day 0 的從頭學習。
加油！我可以的：）
－
「人工智慧 1+1」學習旅程 Day 0
人工
# random，隨機。先學四種款基本方法。
# (1)取隨機的整數 .randint()
import random # 先設置導入random模組
print(random.randint(1, 10)) # 使用.randint(1, 10)，隨機印出1-10之間的整數
#
# random，隨機。先學四種款基本方法。
# (1)取隨機的整數 .randint()
import random # 先設置導入random模組
print(random.randint(1, 10)) # 使用.randint(1, 10)，隨機印出1-10之間的整數
#
Dictionary，字典，由key value組成，鍵值對
# 符號使用大括號 {}
# 每個項目都是一個「鍵值對 (Key-Value Pair)」，是字典最基本的單位
# 用冒號「:」連接鍵和值，不同的鍵值對之間用逗號「,」分隔
# 特性1：鍵唯一(Unique Keys)，鍵必須是獨一個，不
Dictionary，字典，由key value組成，鍵值對
# 符號使用大括號 {}
# 每個項目都是一個「鍵值對 (Key-Value Pair)」，是字典最基本的單位
# 用冒號「:」連接鍵和值，不同的鍵值對之間用逗號「,」分隔
# 特性1：鍵唯一(Unique Keys)，鍵必須是獨一個，不
for 迴圈練習題
# 依序印出使用者輸入的一段文字：每個字元一行
# 略過空格，不顯示空格字元 (continue)
# 如果遇到「句點 .」，就停止印出 (break)
# 最後顯示「共處理了 N 個字元」，不包含被跳過或中斷後的
sentence = input('請用英文輸入「我是Lute。
for 迴圈練習題
# 依序印出使用者輸入的一段文字：每個字元一行
# 略過空格，不顯示空格字元 (continue)
# 如果遇到「句點 .」，就停止印出 (break)
# 最後顯示「共處理了 N 個字元」，不包含被跳過或中斷後的
sentence = input('請用英文輸入「我是Lute。
今天練習if/ else條件句，加一些之前學的基本，混合題兩題。
〈題一〉餐點折扣計算
# 問：主餐價格、會員與否
# 如果主餐價格大於 500 元，並且是會員，給予 8 折優惠。
# 如果主餐價格大於 500 元，但不是會員，給予 9 折優惠。
# 如果主餐價格小於或等於 500 元，無論是否會
今天練習if/ else條件句，加一些之前學的基本，混合題兩題。
〈題一〉餐點折扣計算
# 問：主餐價格、會員與否
# 如果主餐價格大於 500 元，並且是會員，給予 8 折優惠。
# 如果主餐價格大於 500 元，但不是會員，給予 9 折優惠。
# 如果主餐價格小於或等於 500 元，無論是否會
2025.07.01 Python學習進度
＊今天的重點是Python中的數學基本計算
# 加減乘除
# Mod 模數(Modulus 取餘數, %)
# 四捨五入round、無條件進位 math.ceil、無條件捨去 math.floor
＊參考影片：https://youtu.be/89jN
2025.07.01 Python學習進度
＊今天的重點是Python中的數學基本計算
# 加減乘除
# Mod 模數(Modulus 取餘數, %)
# 四捨五入round、無條件進位 math.ceil、無條件捨去 math.floor
＊參考影片：https://youtu.be/89jN
2025.06.30 Python學習進度
＊今天的重點是「input」
＊接下來的規劃是將這系列的影片看到第45支，影片網址：
https://www.youtube.com/playlist?list=PLpZ8gOBZmTy5QMSpXdhipOrccWSQd3WxI
＊預計學習目標：學
2025.06.30 Python學習進度
＊今天的重點是「input」
＊接下來的規劃是將這系列的影片看到第45支，影片網址：
https://www.youtube.com/playlist?list=PLpZ8gOBZmTy5QMSpXdhipOrccWSQd3WxI
＊預計學習目標：學
2025.06.29 Python學習進度
今天學習了型別轉換Type casting：顯式轉換(Explicit)＆隱式轉換(Implicit)
# int()：轉整數
# float()：轉浮點數
# str()：轉字串
# bool()：轉布林值
# 顯式轉換(Explicit)
演
2025.06.29 Python學習進度
今天學習了型別轉換Type casting：顯式轉換(Explicit)＆隱式轉換(Implicit)
# int()：轉整數
# float()：轉浮點數
# str()：轉字串
# bool()：轉布林值
# 顯式轉換(Explicit)
演
▷ RNN、LSTM 與 Transformer：突破框架的思考方式
在 AI 領域中，隨著自然語言處理的需求加劇，以及在硬體算力提升與大數據時代的到來，處理「序列」關係的神經網路模型也隨之逐步演進。
▷ RNN、LSTM 與 Transformer：突破框架的思考方式
在 AI 領域中，隨著自然語言處理的需求加劇，以及在硬體算力提升與大數據時代的到來，處理「序列」關係的神經網路模型也隨之逐步演進。
▷ Transformer 的概念
1.誕生
Transformer 就是為了解決 RNN、LSTM 傳統處理序列關係的模型所遭遇的問題而發明的。**
▷ Transformer 的概念
1.誕生
Transformer 就是為了解決 RNN、LSTM 傳統處理序列關係的模型所遭遇的問題而發明的。**
二、長短期記憶 (Long Short-Term Memory/ LSTM)
▷ LSTM 的概念
1. LSTM 是為了解決 RNN 的「梯度消失」問題而誕生的。
▪︎ RNN的問題：隱藏狀態的更新是透過多層非線性函數，梯度的函數會隨著反覆地權重計算而趨近0，導致梯度消失。
▪︎ 在當時(19
二、長短期記憶 (Long Short-Term Memory/ LSTM)
▷ LSTM 的概念
1. LSTM 是為了解決 RNN 的「梯度消失」問題而誕生的。
▪︎ RNN的問題：隱藏狀態的更新是透過多層非線性函數，梯度的函數會隨著反覆地權重計算而趨近0，導致梯度消失。
▪︎ 在當時(19
前言：
神經網路模型，有處理圖片這類以「空間關係」數據為主的卷積神經網路 (CNN)，也有處理以「時間或順序關係 (i.e. 序列數據/Sequential Data)」數據為主的「循環神經網路(Recurrent Neural Network/ RNN。
這次要一口氣介紹三個都是處理「序列」和
前言：
神經網路模型，有處理圖片這類以「空間關係」數據為主的卷積神經網路 (CNN)，也有處理以「時間或順序關係 (i.e. 序列數據/Sequential Data)」數據為主的「循環神經網路(Recurrent Neural Network/ RNN。
這次要一口氣介紹三個都是處理「序列」和
「人工智慧 +1」自學 Day8：「生成式對抗網路GANs」（Generative Adversarial Networks）
(**非常有趣的概念！)
▷概念：什麼是 GANs？
▪︎ 定義
GANs 本質上就是一個由兩個神經網路模型「生成器(Generator)」與「判別器(Discrimi
「人工智慧 +1」自學 Day8：「生成式對抗網路GANs」（Generative Adversarial Networks）
(**非常有趣的概念！)
▷概念：什麼是 GANs？
▪︎ 定義
GANs 本質上就是一個由兩個神經網路模型「生成器(Generator)」與「判別器(Discrimi
「人工智慧 +1」自學 Day7：AI 的倫理議題＆AI 的獨特性
(透過這篇，我想要來探討我對於 AI 學習＆應用最為關注的主題：AI 的倫理議題。)
－
前言：
為何有需要探討 AI 的倫理議題？這主要是因為涉及了 AI 這項技術的獨特性。AI 作為一項人類社會前所未見的創新發明，再一次
「人工智慧 +1」自學 Day7：AI 的倫理議題＆AI 的獨特性
(透過這篇，我想要來探討我對於 AI 學習＆應用最為關注的主題：AI 的倫理議題。)
－
前言：
為何有需要探討 AI 的倫理議題？這主要是因為涉及了 AI 這項技術的獨特性。AI 作為一項人類社會前所未見的創新發明，再一次
「人工智慧 +1」自學 Day6：知識圖譜 (Knowledge Graphs)**
(**我喜歡知識圖譜...)
－
▹「知識圖譜」的概念→「資料庫模型」
A.「以圖形結構儲存數據的資料庫模型」
「知識圖譜」使用了「圖形(Graph)」的方式進行資料儲存。因此是一種特殊的數據資料庫，目的
「人工智慧 +1」自學 Day6：知識圖譜 (Knowledge Graphs)**
(**我喜歡知識圖譜...)
－
▹「知識圖譜」的概念→「資料庫模型」
A.「以圖形結構儲存數據的資料庫模型」
「知識圖譜」使用了「圖形(Graph)」的方式進行資料儲存。因此是一種特殊的數據資料庫，目的
「人工智慧 +1」自學 Day5：演算法的發展歷程
－
❖第一階段：顯式演算法的時代 (1950s - 1980s)**
(**註：亦可稱「規則式／Rule-based」演算法時代)
這個時代的演算法典範是「人告訴電腦如何做」。
▹核心思維
演算法就是一套由程式設計師明確定義、一步步執
「人工智慧 +1」自學 Day5：演算法的發展歷程
－
❖第一階段：顯式演算法的時代 (1950s - 1980s)**
(**註：亦可稱「規則式／Rule-based」演算法時代)
這個時代的演算法典範是「人告訴電腦如何做」。
▹核心思維
演算法就是一套由程式設計師明確定義、一步步執
「人工智慧 +1」自學 Day4：
類神經網路(Artificial Neural Networks, ANN)與深度學習(Deep Learning, DL)
▹類神經網路(Artificial Neural Networks, ANN)
1.發展
▪︎ 概念：模仿生物神經元，對人類大腦
「人工智慧 +1」自學 Day4：
類神經網路(Artificial Neural Networks, ANN)與深度學習(Deep Learning, DL)
▹類神經網路(Artificial Neural Networks, ANN)
1.發展
▪︎ 概念：模仿生物神經元，對人類大腦
「人工智慧 +1」自學 Day3：強化學習 (Reinforcement Learning)
1. 強化學習的核心概念：訓練
「強化學習」是機器學習中的第三種。前兩者是監督式學習、非監督式學習。強化學習與這兩者都不同，與其說是學習，更合適的概念是「訓練」：訓練模型建立特定的決策及採取行動模式。
「人工智慧 +1」自學 Day3：強化學習 (Reinforcement Learning)
1. 強化學習的核心概念：訓練
「強化學習」是機器學習中的第三種。前兩者是監督式學習、非監督式學習。強化學習與這兩者都不同，與其說是學習，更合適的概念是「訓練」：訓練模型建立特定的決策及採取行動模式。
今天的「人工智慧 +1」自學要學的是「不是監督式教學」：非監督式學習 (Unsupervised Learning)
1. 「非監督式學習 (Unsupervised Learning)」
▹核心概念：
▪︎ 提供大量未標記的數據讓模型透過數學演算法，發現隱藏的結構、模式和關係，自行找出數據中的
今天的「人工智慧 +1」自學要學的是「不是監督式教學」：非監督式學習 (Unsupervised Learning)
1. 「非監督式學習 (Unsupervised Learning)」
▹核心概念：
▪︎ 提供大量未標記的數據讓模型透過數學演算法，發現隱藏的結構、模式和關係，自行找出數據中的
今天的人工智慧 1+1 自學：監督式學習 (Supervised Learning) 與文本分類 (Text Classification)
「1」 - 技術核心層：
機器學習/ML (Machine Learning) 3類型之一(監督式學習/非監督式學習/強化學習)——「監督式學習 (Supe
今天的人工智慧 1+1 自學：監督式學習 (Supervised Learning) 與文本分類 (Text Classification)
「1」 - 技術核心層：
機器學習/ML (Machine Learning) 3類型之一(監督式學習/非監督式學習/強化學習)——「監督式學習 (Supe
今天與Gemini review 我在 Prompt Engineering 的學習，我其實感覺可以嘗試更全面的返回人工智慧領域學習，站在已有的 Prompting 學習基礎上。於是有了今天 Day 0 的從頭學習。
加油！我可以的：）
－
「人工智慧 1+1」學習旅程 Day 0
人工
今天與Gemini review 我在 Prompt Engineering 的學習，我其實感覺可以嘗試更全面的返回人工智慧領域學習，站在已有的 Prompting 學習基礎上。於是有了今天 Day 0 的從頭學習。
加油！我可以的：）
－
「人工智慧 1+1」學習旅程 Day 0
人工
# random，隨機。先學四種款基本方法。
# (1)取隨機的整數 .randint()
import random # 先設置導入random模組
print(random.randint(1, 10)) # 使用.randint(1, 10)，隨機印出1-10之間的整數
#
# random，隨機。先學四種款基本方法。
# (1)取隨機的整數 .randint()
import random # 先設置導入random模組
print(random.randint(1, 10)) # 使用.randint(1, 10)，隨機印出1-10之間的整數
#
Dictionary，字典，由key value組成，鍵值對
# 符號使用大括號 {}
# 每個項目都是一個「鍵值對 (Key-Value Pair)」，是字典最基本的單位
# 用冒號「:」連接鍵和值，不同的鍵值對之間用逗號「,」分隔
# 特性1：鍵唯一(Unique Keys)，鍵必須是獨一個，不
Dictionary，字典，由key value組成，鍵值對
# 符號使用大括號 {}
# 每個項目都是一個「鍵值對 (Key-Value Pair)」，是字典最基本的單位
# 用冒號「:」連接鍵和值，不同的鍵值對之間用逗號「,」分隔
# 特性1：鍵唯一(Unique Keys)，鍵必須是獨一個，不
for 迴圈練習題
# 依序印出使用者輸入的一段文字：每個字元一行
# 略過空格，不顯示空格字元 (continue)
# 如果遇到「句點 .」，就停止印出 (break)
# 最後顯示「共處理了 N 個字元」，不包含被跳過或中斷後的
sentence = input('請用英文輸入「我是Lute。
for 迴圈練習題
# 依序印出使用者輸入的一段文字：每個字元一行
# 略過空格，不顯示空格字元 (continue)
# 如果遇到「句點 .」，就停止印出 (break)
# 最後顯示「共處理了 N 個字元」，不包含被跳過或中斷後的
sentence = input('請用英文輸入「我是Lute。
今天練習if/ else條件句，加一些之前學的基本，混合題兩題。
〈題一〉餐點折扣計算
# 問：主餐價格、會員與否
# 如果主餐價格大於 500 元，並且是會員，給予 8 折優惠。
# 如果主餐價格大於 500 元，但不是會員，給予 9 折優惠。
# 如果主餐價格小於或等於 500 元，無論是否會
今天練習if/ else條件句，加一些之前學的基本，混合題兩題。
〈題一〉餐點折扣計算
# 問：主餐價格、會員與否
# 如果主餐價格大於 500 元，並且是會員，給予 8 折優惠。
# 如果主餐價格大於 500 元，但不是會員，給予 9 折優惠。
# 如果主餐價格小於或等於 500 元，無論是否會
2025.07.01 Python學習進度
＊今天的重點是Python中的數學基本計算
# 加減乘除
# Mod 模數(Modulus 取餘數, %)
# 四捨五入round、無條件進位 math.ceil、無條件捨去 math.floor
＊參考影片：https://youtu.be/89jN
2025.07.01 Python學習進度
＊今天的重點是Python中的數學基本計算
# 加減乘除
# Mod 模數(Modulus 取餘數, %)
# 四捨五入round、無條件進位 math.ceil、無條件捨去 math.floor
＊參考影片：https://youtu.be/89jN
2025.06.30 Python學習進度
＊今天的重點是「input」
＊接下來的規劃是將這系列的影片看到第45支，影片網址：
https://www.youtube.com/playlist?list=PLpZ8gOBZmTy5QMSpXdhipOrccWSQd3WxI
＊預計學習目標：學
2025.06.30 Python學習進度
＊今天的重點是「input」
＊接下來的規劃是將這系列的影片看到第45支，影片網址：
https://www.youtube.com/playlist?list=PLpZ8gOBZmTy5QMSpXdhipOrccWSQd3WxI
＊預計學習目標：學
2025.06.29 Python學習進度
今天學習了型別轉換Type casting：顯式轉換(Explicit)＆隱式轉換(Implicit)
# int()：轉整數
# float()：轉浮點數
# str()：轉字串
# bool()：轉布林值
# 顯式轉換(Explicit)
演
2025.06.29 Python學習進度
今天學習了型別轉換Type casting：顯式轉換(Explicit)＆隱式轉換(Implicit)
# int()：轉整數
# float()：轉浮點數
# str()：轉字串
# bool()：轉布林值
# 顯式轉換(Explicit)
演