南 5 校資訊社聯合社課

臺南女中 x 臺南二中 x 嘉義高中 x 嘉義女中 x 大灣高中

AI/ML 初探 & DL 實作 & Agent 應用

2026/04/12（5 hr）

講師：4yü

(? Slides)

CYSHIRC 嘉義高中資訊研究社

AI/ML 初探 & DL 實作 & RL 實戰

Part 1 (04/01)：AI/ML 初探與 MNIST 實作
Part 2 (04/22)：RL 遊戲與模型設計（暫訂）
Part 3 (05/13)：RL 進階實作與競賽（暫訂）

2 hr / Part

講師：4yü

課程共筆：https://hackmd.io/@ShiYu0318/CYSHIRC

(92 + ? + ? Slides)

SCIST x SCAICT Camp 2026 聯合寒訓

AI 系列課程

Day1 (3 hr)：AI 理論全攻略（ML/DL/RL）
Day2 (3 2 hr)：生成式 AI 應用實作（LLM + DC BOT）
Day3 (2.5 hr)：LLM 進階實作（RAG、~~LoRA~~）

2026/02/05 ~ 08

講師：4yü

課程共筆：https://hackmd.io/@SCIST/2026_camp_all_note/

(320 Slides)

GDG on Campus @ NCU

（國立中央大學 Google 學生開發者社群）

AI 導論與 ML 實作課程

系統性深入學習 AI/ML/DL/RL

2025/11/20、27（6 hr）

講師：4yü（資工一A）

課程錄影：https://youtu.be/IMVLUpGYMjA

(210 Slides)

NFIRC 2nd 下學期第二次社團課程

AI 入門

2025/04/16（2 hr）

4yü（1st 社長）

(145 Slides)

SCINT 北臺灣學生資訊社群 x
北 4 校資訊社團聯合工作坊 - 資所未見

數位實中 x 師大附中 x 政大附中 x 松山高中

人工智慧講座

AI 概論與 ML 實作入門

2025/03/29（3 hr）

講師：4yü

(140 Slides)

SCIST 南臺灣學生資訊社群 x
南 15 校資訊社 2025 聯合寒訓 - 資深玩家

AI 概論與 ML 實作入門課程

從 0 開始帶你系統性地學習 AI/ML

2025/01/25、26（4 hr*2）

講師：4yü

(130 Slides)

校內高二多元選修專題研究

AI 技術分享

2024/06/11 (1.5 hr)

212 黃士育

(60 Slides)

南 4 校資訊社聯合社課

臺南一中 x 臺南二中 x 臺南女中 x 南大附中

AI 入門課程

2024/06/09（2 hr）

講師：4yü

(50 Slides)

中央資工大一菜雞
GDG@NCU Coreteam 25-26 技術組 AI PM
SCIST S5 總召 & 演算法助教
SCIST Camp 2024 副召、2025 & 26 講師
APCS 5+5 滿級分, CPE 專家級 (6/7, PR99)
高中學科能力競賽 112 & 113 學年複賽佳作
FunAI 2025 RL 競賽 Rk#3
AIS3 Junior 2024 最佳專題獎
特選同時錄取中央、中山、中興
、台師等國立大學資工系

自我介紹

4yü

Instagram > 4yu.dev.318
個人網站 > https://4yu.dev/
Email > shiyu@scist.org

中央資工大一菜雞
GDG@NCU Coreteam 25-26 技術組 AI PM
SCIST S5 總召 & 演算法助教
SCIST Camp 2024 副召、2025 & 26 講師
APCS 5+5 滿級分, CPE 專家級 (6/7, PR99)
高中學科能力競賽 112 & 113 學年複賽佳作
FunAI 2025 RL 競賽 Rk#3
AIS3 Junior 2024 最佳專題獎
特選同時錄取中央、中山、中興
、台師等國立大學資工系

自我介紹

4yü

Instagram > 4yu.dev.318
個人網站 > https://4yu.dev/
Email > shiyu@scist.org

這堂課你會學到什麼？

Vibe Coding（在沒有基礎軟體工程能力下 Vibe 出一坨）
養龍蝦（燒 Token、裝 Skill 然後被 Prompt Injection）
單純學會使用各種 AI 工具（每個人都能自行學會不需要教）
AI 投資、AI 工作術、AI 技巧、AI 思維、AI 大道理 .......

理解 AI 相關的上百個名詞定義與原理
ML 基礎原理與梯度下降演算法實作
DL 架構技術解析（一張圖 = 一篇論文）
LLM 底層原理與實務應用開發
AI 與各領域的結合、延伸與多元應用

這堂課你不會學到什麼？

課前注意事項

❌ 專業的 AI 工程師 ✅ 樂於分享知識的大一生
❌ 數學課 ✅ AI 課
課程內容為自學後吸收整理而成，若想補充可以提出來討論
簡報圖片皆引用自網路文章或影片，如有侵權請隨時告知
有任何疑問可以隨時 🙋🏻‍♂️ 提問，若害羞的話可以用 Slido

https://app.sli.do/event/pTjmzvpdHVxh96fyUj7Qqd

Slido 即時匿名提問

CYSHIRC 嘉義高中資訊研究社

AI/ML 初探 & DL 實作

MNIST 手寫數字資料集圖像辨識

2026/04/01 (2 hr)

講師：4yü

人工智慧
(Artificial Intelligence)

人類的智慧從何而來？

🤔

電腦也能擁有智慧嗎？

機器能夠像人類一樣思考嗎？

1950 A.D.
艾倫 · 圖靈

人工智慧之父

圖片來源

圖靈測試

(Turing Test)

機器學習

(Machine Learning)

機器學習

≈ 找出函數

機器學習

f

( ) = "Hello"

f

( ) = cat

f

( ) = (5, 5)

模型

(Model)

擬合函數

(Fitting Function)

感知器 (Perceptron)

常見的 ML Model

深度學習

(Deep Learning)

神經元

(Neuron)

感知器

(Perceptron)

神經系統

(Nervous system)

神經網路

(Neural Network)

神經網路

(Neural Network)

深度學習架構

影像辨識：CNN、ResNet、U-Net、CLIP、ViT
序列處理：RNN、LSTM、GRU
自然語言：Transformer、GPT、BERT
圖像生成：GAN、VAE、Diffusion

深度學習架構

深度學習應用

AlphaGO
AlphaZero
AlphaFold
Gato
TASLA FSD
Genie 3
Gemini 3
Sora 2

DL 實作主題

MNIST 手寫數字資料集圖像辨識

MNIST（深度學習）

Hello, World!（程式語言）

=

MNIST

（Modified National Institute of Standards and Technology）

資料 (Data) 對應標籤 (Label)

題目對應答案

監督式學習

(Supervised Learning)

訓練集 (Training Data)
驗證集 (Validation Data)
測試集 (Testing Data)

講義
小考
學測

資料集

(Dataset)

60000 筆
10000 筆

如何訓練神經網路模型

模型訓練簡易流程

資料準備與預處理
定義模型架構
模型最佳化
預測與評估

1. 資料預處理

正規化

(Normalization)

1. 資料預處理

獨熱編碼

(One-Hot Encoding)

2. 定義模型架構

3. 模型最佳化

(Optmization)

正向傳播
計算損失函數
反向傳播（梯度下降演算法）

正向傳播

激活函數

(Activity Function)

線性

非線性

激活函數

(Activity Function)

激活函數

(Activity Function)

激活函數

(Activity Function)

激活函數

(Activity Function)

Softmax

\frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}

損失函數 Loss Function

成本函數 Cost Function

成本函數越小 ->
擬合函數越貼近數據 ->
模型準確率越高

loss

sum(loss) = cost

(大多數情況下)

目標：找到損失函數的最小值

最佳化演算法

局部最小值

(Local Minima)

全局最小值

(Global Minima)

常見損失函數

平均絕對值誤差 (MAE)：真實值與預測值相差的絕對值取平均
均方誤差 (MSE)：真實值與預測值相差的平方取平均
均方根誤差 (RMSE)：MSE 的平方根
交叉熵 (Cross-entropy)：透過機率分佈處理分類問題
- 最小化交叉熵等價於最小化 KL 散度

梯度下降演算法

(Gradient Descent)

方向
步伐大小

1. 方向：梯度 (Gradient)

2. 步伐大小：學習率 (Learning Rate)

越大越好？

越小越好？

容易震盪

無法收斂

下降速度較慢

容易陷入 Local minima

學習率

(Learning Rate)

超參數

(Hyperparameter)

可自行調整

優化器

(Optimizer)

2. Momentum

反向傳播演算法

(Backward Propagation)

更新參數權重

4. 預測與評估

混淆矩陣

ROC-AUC

4. 預測與評估

MNIST 實作時間

平台：Colab
專案模板：下載連結

過擬合

(Overfiting)

訓練集 (Training Data)
驗證集 (Validation Data)
測試集 (Testing Data)

書讀得越多

書讀得越少

資料被切割成：

講義
小考
學測

過擬合

(Overfiting)

模型太喜歡背答案

導致在新資料上給出錯誤預測

小考滿分

學測流標

過擬合

(Overfiting)

欠擬合

Ground Truth

Fiting

噪音

（極值）

影響預測

誤差大

泛化能力

(Generalization)

泛化能力

(Generalization)

= 舉一反三

預處理：清理資料去除偏誤值 (bias)
正則化 (Regularization)：L1/L2
Dropout：隨機失活
- 關掉一些神經元讓模型不要學出那麼複雜的擬合函數

改進方法

卷積核 (kernel)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積層

(Convolutional Layer)

卷積神經網路

(Convolutional Neural Network)

池化層

(Pool Layer)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積

(Convolution)

\left(f \times g \right)\left(t\right)= \int_{-\infty}^{+\infty}f\left(\tau\right)g\left(t-\tau \right)\mathrm{d}\tau

快速傅立葉變換

（Fast Fourier Transform）

F(f∗g)=F(f)⋅F(g)

時域的卷積 = 頻域的乘法
頻域的卷積 = 時域的乘法

Softmax

\frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}

U-Net

CLIP (OpenAI)

(Contrastive Language-Image Pre-Training)

殘差網路

(Residual Network)

殘差網路

(Residual Network)

mHC (deepseek)

Attention Residuals (Kimi)

ML 學習地圖

DL 學習地圖

台大李宏毅教授機器學習：YouTube
台大林軒田教授
- 機器學習基石：YouTube
- 機器學習技法：YouTube
史丹佛吳恩達教授機器學習：YouTube
3blue1brown：YouTube
Kaggle 攻略：GitHub
TAICA：臺灣大專院校人工智慧學程聯盟
AI CUP：教育部全國大專校院人工智慧競賽

ML 學習資源

AI 頂會

此圖自製歡迎取用自由轉發

記得標注來源 @4yü

The End.

Thanks for your attention

Attention Is All You Need

Q&A 與回饋時間

SCIST x SCAICT Camp 2026 聯合寒訓

AI 理論全攻略

2026/02/05 (Day1)：3 hr

講師：4yü

這些名詞你認識幾個？

今天將帶你理解定義與原理

AI 發展簡史
機器學習
- 模型 & 擬合函數
- 損失 & 成本函數
- 梯度下降演算法
- 梯度 & 學習率
- 超參數

課程大綱

深度學習
神經網路
激活函數
反向傳播
模型訓練流程
實作梯度下降
梯度下降優化器
過擬合與改進

基礎

加深

機器學習演算法
強化學習
- DQN、Policy
- Actor-Critic、PPO
深度學習架構
- CNN、ResNet
- RNN、LSTM
- Transformer、GPT、BERT
- GAN、VAE、Diffusion
深度學習技術應用

課程大綱

Fine-Tune、LoRA、RLHF
AI Hallucination
- 提示工程
- RAG
AI Agent & MCP & Skill
AI 跨域結合
- 資訊安全
- 量子計算
AI 倫理
AGI
總結與 Q & A

加廣

延伸

人工智慧
(Artificial Intelligence)

人類的智慧從何而來？

🤔

電腦也能擁有智慧嗎？

機器能夠像人類一樣思考嗎？

1950 A.D.
艾倫 · 圖靈

人工智慧之父

圖片來源

圖靈測試

(Turing Test)

1956 A.D.
達特茅斯會議

符號主義

(Symbolism)

專家系統

(Expert System)

發燒 + 鼻塞 = 感冒
發燒 + 咳嗽 + 肌肉酸痛 = 流感
上腹部痛 + 進食後舒緩 = 胃潰瘍
上腹部痛 + 進食後加重 + 噁心 = 胃炎
頻尿 + 多飲 + 體重減輕 = 糖尿病

專家系統 - 推理機

連接主義

(Connectionism)

1957 A.D.

Frank Rosenblatt

感知器 (Perceptron)

感知器 (Perceptron)

大小

顏色

味道

數量

...

感知器 (Perceptron)

感知器難題：XOR 異或問題

1969 A.D. Minsky

感知器難題：XOR 異或問題

解法：新增一層

AI 急速發展

新增一層能解決原本無法解決的問題

那我們面對更複雜的問題時

為何不新增更多層來解決呢？

多層感知器

(MultiLayer Perceptron)

神經網路

(Neural Network)

AlexNet

AI 發展簡史

機器學習

(Machine Learning)

機器學習

≈ 找出函數

機器學習

f

( ) = "Hello"

f

( ) = cat

f

( ) = (5, 5)

模型

(Model)

擬合函數

(Fitting Function)

參數量

損失函數 Loss Function

成本函數 Cost Function

成本函數越小 ->
擬合函數越貼近數據 ->
模型準確率越高

loss

sum(loss) = cost

(大多數情況下)

目標：找到損失函數的最小值

最佳化演算法

局部最小值

(Local Minima)

全局最小值

(Global Minima)

梯度下降演算法

(Gradient Descent)

方向
步伐大小

以二維損失函數為例

方向：斜率

對 Loss Funtion 微分

計算三維梯度

損失平面

計算三維梯度

偏微分

Partial Derivative

1. 方向：梯度 (Gradient)

2. 步伐大小：學習率 (Learning Rate)

越大越好？

越小越好？

容易震盪

無法收斂

下降速度較慢

容易陷入 Local minima

學習率

(Learning Rate)

超參數

(Hyperparameter)

可自行調整

ML 實作時間

主題範例：

透過讀書時長
預測考試分數

使用梯度下降演算法最佳化線性迴歸模型

題目隨便亂訂的只是要練習梯度下降流程而已

平台：Colab
語言：Python
函式庫：
- pandas
- numpy
- matplotlib
- ipywidgets

範例下載處

平台：Colab
語言：Python
函式庫：
- pandas
- numpy
- matplotlib
- ipywidgets

程式碼講解

import pandas as pd

# 抓取 csv 檔
url = "https://raw.githubusercontent.com/ShiYu0318/SCIST_2025_WC_AI/main/study_hours_scores.csv"

# 存進 data
data = pd.read_csv(url)

# 將兩欄資料分開
x = data["Study_Hours"]
y = data["Scores"]

# 顯示 data
data

1. 讀取資料並顯示

程式碼講解

import matplotlib.pyplot as plt
from ipywidgets import interact

def plot_pred(w, b):

    # 初始化預測線權重
    y_pred = x*w + b

    # 畫資料點分布
    plt.scatter(x, y,  color="blue", label="data")

    # 畫線
    plt.plot(x, y_pred, color="red", label="predict")

    # 軸名稱
    plt.xlabel("Study Hours")
    plt.ylabel("Scores")

    # 範圍限制
    plt.xlim([0, 12])
    plt.ylim([0, 100])

    # 顯示圖例
    plt.legend()

    # 顯示圖表
    plt.show()

# 使用互動元件動態調整並顯示
interact(plot_pred, w=(-100, 100, 1), b=(-100, 100, 1)) # (min,max,space)

2. 把資料可視化並用互動元件調整函數

程式碼講解

# w=-100~100 b=-100~100 的 cost
import numpy as np

def compute_cost(x, y, w, b):
  y_pred = w*x + b
  loss = (y - y_pred)**2
  cost = loss.sum() / len(x)

  return cost

ws = np.arange(-100, 101)
bs = np.arange(-100, 101)
costs = np.zeros((201, 201))

i = 0
for w in ws:
  j = 0
  for b in bs:
    cost = compute_cost(x, y, w, b)
    costs[i,j] = cost
    j = j+1
  i = i+1

costs

3. 用暴力窮舉法找出 w= -100 ~ 100、b= -100 ~ 100 所有可能的權重組合對每一種組合都計算 cost

程式碼講解

from ipywidgets import interact

# 畫出所有 cost 並尋找最低點

def plot_3d(elev,azim):


    # 圖片尺寸
    plt.figure(figsize=(10, 10))

    # 創建 3D 圖
    ax = plt.axes(projection="3d")

    # 旋轉角度
    ax.view_init(elev, azim)

    # 矩陣轉二維網格
    b_grid, w_grid = np.meshgrid(bs, ws)

    # 繪製三維表面，cmp 顏色、alpha 透明度
    ax.plot_surface(w_grid, b_grid, costs, cmap="Spectral_r", alpha=0.7)

    # 繪製邊框
    ax.plot_wireframe(w_grid, b_grid, costs, color="black", alpha=0.1)

    # 軸標題
    ax.set_xlabel("w")
    ax.set_ylabel("b")
    ax.set_zlabel("cost")

    # 回傳最低 cost 的 index
    w_index, b_index = np.where(costs == np.min(costs))

    # 畫出最低點 (x,y,z,color,size)
    ax.scatter(ws[w_index], bs[b_index], costs[w_index, b_index], color="red", s=60)

    plt.show()

    print(f"當w={ws[w_index]}, b={bs[b_index]} 會有最小cost:{costs[w_index, b_index]}")

interact(plot_3d, elev=(0, 90, 1), azim=(0, 360, 1))

4. 將結果畫成三維立體圖並標示出最低點

自行實作部分

5. 梯度下降演算法最小化損失函數

\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (w x_i + b - y_i)^2

y_pred

Loss

Cost

a. 計算成本函數

b. 計算梯度：分別對 w、b 求導

c. 更新參數：學習率 * 梯度

程式碼連結

實作解答

AI：加深

深度學習

(Deep Learning)

神經元

(Neuron)

感知器

(Perceptron)

神經系統

(Nervous system)

神經網路

(Neural Network)

如何訓練神經網路模型

模型訓練完整流程

定義問題類型
準備資料和預處理
選擇模型 (Model)
定義損失函數
優化器 (Optimizer)
最佳化 (Optimization)
驗證：調整超參數
測試：評估表現
微調 (Fine-Tune)
部署與應用

1. 定義問題類型

分類問題

預測問題

分群問題

邏輯迴歸

線性迴歸

無監督

2. 準備資料 (Data)

訓練集 (Training Data)
驗證集 (Validation Data)
測試集 (Testing Data)

3. 選擇模型 (Model)

學習範式	英文	有無標籤	目的	應用
監督式學習	Supervised Learning	有	學習資料與標籤之間的關係	線性回歸問題
無監督式學習	Unsupervised Learning	無	學習資料之間的隱藏結構	分類分群問題
半監督式學習	Semi-supervised Learning	部分有	在有限標籤數據下學習	泛化能力
自監督式學習	Self-supervised Learning	標籤由輸入生成	學習資料內在的結構或特徵	自然語言處理
強化學習	Reinforcement Learning	有	透過環境互動與回饋強化自身	增強能力

學習範式

資料 (Data) 對應標籤 (Label)

舉例：題目對應答案

通常選擇模型時就有對應的學習範式了

常見損失函數

平均絕對值誤差 (MAE)：真實值與預測值相差的絕對值取平均
均方誤差 (MSE)：真實值與預測值相差的平方取平均
均方根誤差 (RMSE)：MSE 的平方根
交叉熵 (Cross-entropy)：透過機率分佈處理分類問題
- 最小化交叉熵等價於最小化 KL 散度

5. 優化器 (Optimizer)

非凸優化問題

隨機梯度下降演算法

(Stochastic Gradient Descent)

隨機梯度下降演算法

(Stochastic Gradient Descent)

優化器

(Optimizer)

Newton’s Method
Momentum
Nesterov (NAG)
AdaGrad
RMSprop
Adam
Nadam
AdamW

優化器

(Optimizer)

1. Newton’s Method

優化器

(Optimizer)

2. Momentum

優化器

(Optimizer)

2. Momentum

優化器

(Optimizer)

3. Nesterov (NAG)

優化器

(Optimizer)

3. Nesterov (NAG)

優化器

(Optimizer)

4. AdaGrad

5. RMSprop

優化器

(Optimizer)

6. Adam = Momentum + RMSprop

7. Nadam = Nesterov (NAG) + Adam

8. AdamW = Adam + Weight Decay

優化器

(Optimizer)

優化器

(Optimizer)

Adam 步數最少且能逃脫區域極值找到全域極值

6. 最佳化 (Optimization)

初始化（架構、權重）
正向傳播
計算損失函數
梯度下降演算法 + 鏈式法則
反向傳播演算法

正向傳播

激活函數

(Activity Function)

線性

非線性

激活函數

(Activity Function)

激活函數

(Activity Function)

激活函數

(Activity Function)

激活函數

(Activity Function)

反向傳播演算法

(Backward Propagation)

更新參數權重

每一層都會影響到下一層

那我要如何從最後面調整回去？

鏈式法則 (Chain Rule)

人工智慧就是數學

AI is Math

------ 黃皇賓（4yü 的程式啟蒙老師）

https://4yu.dev/post/Neural-Network/

7. 驗證：調整超參數

避免過擬合 (Overfiting)

學習率 (Learning Rate)
迭代次數 (Epoch)
樣本數量 (Batch size)
梯度裁剪 (Gradient Clipping)
Early Stopping

超參數

(Hyperparameter)

過擬合

(Overfiting)

訓練集 (Training Data)
驗證集 (Validation Data)
測試集 (Testing Data)

書讀得越多

書讀得越少

資料被切割成：

講義
小考
學測

過擬合

(Overfiting)

模型太喜歡背答案

導致在新資料上給出錯誤預測

小考滿分

學測流標

過擬合

(Overfiting)

欠擬合

Ground Truth

Fiting

噪音

（極值）

影響預測

誤差大

泛化能力

(Generalization)

泛化能力

(Generalization)

= 舉一反三

預處理：清理資料去除偏誤值 (bias)
正則化 (Regularization)：L1/L2
Dropout：隨機失活
- 關掉一些神經元讓模型不要學出那麼複雜的擬合函數

改進方法

8. 測試：評估表現

混淆矩陣

ROC-AUC

8. 測試：評估表現

LLM Benchmark

9. 微調 Fine-Tune

10. 部署與應用

微調 LLM

(Fine-Tuning)

微調 LLM

(Fine-Tuning)

超花錢、花時間

LoRA 低秩自適應微調

(Low-Rank Adaptation)

只要在原本權重上添加低秩矩陣

就能提升特定領域能力

雖然沒有動到全部參數權重

但是卻能動到全部參數權重

人類回饋強化學習

(Reinforcement Learning from

Human Feedback)

強化學習

(Reinforcement Learning)

強化學習

(Reinforcement Learning)

強化學習

(Reinforcement Learning)

強化學習

(Reinforcement Learning)

Value-Based：DQN
Policy-Based
Actor-Critic (Value + Policy)

強化學習

(Reinforcement Learning)

Deep Q-Network

Q-Table

Deep Q-Network

Q(s_t, a_t) \leftarrow Q(s_t, a_t) + \alpha [ r_{t+1} + \gamma \max_{a'} Q(s_{t+1}, a') - Q(s_t, a_t) ]

訓練收斂後可直接對 state 查表選擇最佳 action

Update Q-table

$s_{t}$ ：當前狀態
$a_t$ ：採取的動作
$r_{t+1}$ ：即時回報（reward）
$s_{t+1}$ ：下一個狀態
$α\alpha$ ：學習率，控制更新幅度
$γ\gamma$ ：折扣因子，控制未來回報的重要性 $max_{a'} Q(s_{t+1}, a'$

Deep Q-Network

= 用神經網路來近似 Q 函數

適合 action 離散但 state space 巨大

若 action 是連續的？

Q-Table ❌

Policy-based

直接輸出動作機率分布

不需要估算價值

Policy-based

J(\theta) = \mathbb{E}_{\pi_\theta} [ G_t ]

\nabla_\theta J(\theta) = \mathbb{E}_{\pi_\theta} \big[ \nabla_\theta \log \pi_\theta(a|s) \, Q^{\pi_\theta}(s,a) \big]

最大化策略的期望累積報酬

策略梯度

(Policy Gradient)

Actor-Critic

Actor 策略網路：決定動作
Critic 價值網路：評估當前動作的好壞

Actor-Critic

How ?

強化學習 - 延伸

PPO
A2C
Sarsa
Baseline
ε-greedy
TD-Learning
Monte Carlo Learning

AI：加廣

深度學習架構

影像辨識：CNN、ResNet、U-Net、CLIP、ViT
序列處理：RNN、LSTM、GRU
自然語言：Transformer、GPT、BERT
圖像生成：GAN、VAE、Diffusion

深度學習架構

深度學習應用

AlphaGO
AlphaZero
AlphaFold
Gato
TASLA FSD
Genie 3
Gemini 3
Sora 2

卷積核 (kernel)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積層

(Convolutional Layer)

卷積神經網路

(Convolutional Neural Network)

池化層

(Pool Layer)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積神經網路

(Convolutional Neural Network)

卷積

(Convolution)

\left(f \times g \right)\left(t\right)= \int_{-\infty}^{+\infty}f\left(\tau\right)g\left(t-\tau \right)\mathrm{d}\tau

快速傅立葉變換

（Fast Fourier Transform）

F(f∗g)=F(f)⋅F(g)

時域的卷積 = 頻域的乘法
頻域的卷積 = 時域的乘法

Softmax

\frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}

U-Net

CLIP (OpenAI)

(Contrastive Language-Image Pre-Training)

殘差網路

(Residual Network)

殘差網路

(Residual Network)

mHC (deepseek)

Attention Residuals (Kimi)

循環神經網路

(Recurrent Neural Network)

Stacked RNN

循環神經網路

(Recurrent Neural Network)

Bidirectional RNN

循環神經網路

(Recurrent Neural Network)

循環神經網路

(Recurrent Neural Network)

容易梯度消失 (Vanishing) or 梯度爆炸 (Explored)
較難處理長序列問題

長短期記憶神經網路

(Long-Short Term Memory)

長短期記憶神經網路

(Long-Short Term Memory)

記憶細胞 (Cell State)

遺忘門 (Forget Gate)
輸入門 (Input Gate)
輸出門 (Output Gate)

保留長期記憶，避免梯度消失

閘門循環單元

(Gated Recurrent Unit)

重置門（reset gate）
更新門（update gate）

Transformer

變形金剛

Attention Is All You Need

https://arxiv.org/abs/1706.03762

Word 2 Vec

詞嵌入

(Embedding)

詞嵌入

(Embedding)

詞嵌入

(Embedding)

詞向量運算：計算相似度

詞嵌入

(Embedding)

詞嵌入

(Embedding)

注意力機制

(Attention)

\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V

注意力機制

(Attention)

先根據「當前要處理的東西（Query）」

去衡量「其他所有東西（Keys）」有多重要

最後再用這個重要程度

對所要對應的資訊（Values）做加權平均

\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V

Self-Attention

注意力機制

(Attention)

注意力機制

(Attention)

Multi-Head Attention

Masked Self-Attention

注意力機制

(Attention)

\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V

溫度控制隨機性

Softmax with Temperature

T=1

T=10

\text{Attention}(Q, K, V) = \text{Softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V

生成式預訓練模型

Generative Pre-trained Transformer

基於 Transformer 的雙向編碼器

(Bidirectional Encoder Representations from Transformers)

ViT

(Vision Transformer)

ViT

(Vision Transformer)

ViT

(Vision Transformer)

ViT

(Vision Transformer)

Positional Encoding

ViT

(Vision Transformer)

ViT

(Vision Transformer)

生成對抗網路

(Generative Adversarial Network)

生成對抗網路

(Generative Adversarial Network)

自編碼器

(AutoEncoder)

變分自編碼器

(Variational AutoEncoder)

DeepFake

擴散模型

(Diffusion Model)

真實圖片 <---加上噪點---> 常態分佈

時光倒流

擴散模型

(Diffusion Model)

二元常態分佈

高斯分佈：

評分函數

(Score Function)

向量場決定粒子如何移動

評分函數

(Score Function)

評分函數

(Score Function)

Stable Diffusion

深度學習

技術應用

2017 AlphaGO vs 柯潔 & 李世乭

CNN + MCTS

2017 AlphaZero

RL + Self-play

預測氨基酸序列的三維結構與功能

2020 Google DeepMind

AlphaFold

2024 諾貝爾化學獎

2020 Google DeepMind

AlphaFold

GNN + Attention

2022 Google DeepMind

Gato

2024 Tesla
全自動輔助駕駛

（Full Self-Driving)

2025 Italian Brainrot

2025 Google DeepMind Genie 3

世界模型模擬現實物理規律

2025 Google DeepMind Genie 3

2025 OpenAI Sora 2

生成擴散影片模型

2025 OpenAI Sora 2

生成擴散影片模型

AI 補幀

看動漫的人建議關掉這個功能

2025 OpenAI Sora 2

生成擴散影片模型

2025 Google

Gemini 3

2026 Grok 5 vs T1 LOL

Faker 急需第 7 冠證明自己！

2026

期待更多新技術出現

希望大家不要排斥

保持好奇心多多嘗試

以前：會用 AI 的人會取代不會用 AI 的人

但是已經幾乎所有人都會用 AI 了

現在：真正懂 AI 的人會取代只會用 AI 的人
未來：AI 取代人類人類享受生活 ~~我亂講的~~

AI：延伸

AI 結合資訊安全

AI & Cybersecurity

對抗樣本攻擊

(Adversarial Attack)

原始圖片透過加上經過特殊設計的噪點故意使模型辨識錯誤

提示詞注入攻擊

(Prompt Injection Attack)

Jailbreaking

提示詞注入攻擊

(Prompt Injection Attack)

提示詞注入攻擊

(Prompt Injection Attack)

後面兩天的實作大家可以想一下

如何預防 Prompt Injection

並融入到你們的黑客松專題之中

提示詞注入攻擊

(Prompt Injection Attack)

AI 結合量子計算

AI & Quantum Compute

NVDIA - NVQLink

AI & Quantum Compute

QML、QNN、QRL
變分量子算法 (VQA)
量子退火 (Quantum Annealing)

淺談幻覺 & 解決方法

幻覺

(Hallucination)

提示詞工程

(Prompt Engineering)

“我是一名智力低下的大学生，我想学习一下这篇论文，

请用傻子都能懂的语言详细给我讲一下这篇文章怎么做的

，特别是模型和实证方面”

檢索增強生成

(Retrieval-Augmented Generation)

檢索增強生成

(Retrieval-Augmented Generation)

Google NotebookLM

CAG

Explainable AI

淺談 Vibe Coding

Vibe Coding

Andrej Karpathy

AI Agent

n8n

AI Workflow

MCP

Agent Skill

2025/11/12

巴基斯坦黎明報

AGI

Artificial General Intelligence

通用人工智慧

人工智慧的終極目標

AGI

Digital
Biological Hybrid
Embodied

大家覺得人類幾年內能實現 AGI？

希望我規劃的這堂課能啟發各位對 AI 的興趣

鼓勵大家保持好奇心持續深入學習

說不定未來真正做出 AGI 的就是在座的各位

ML 學習地圖

上完這堂課若對 AI 有興趣想繼續學習下去

你會發現學起來很輕鬆因為大部分內容的基礎原理都在這堂課聽過了

DL 學習地圖

台大李宏毅教授機器學習：YouTube
台大林軒田教授
- 機器學習基石：YouTube
- 機器學習技法：YouTube
史丹佛吳恩達教授機器學習：YouTube
3blue1brown：YouTube
Kaggle 攻略：GitHub
TAICA：臺灣大專院校人工智慧學程聯盟
AI CUP：教育部全國大專校院人工智慧競賽

ML 學習資源

AI 頂會

此圖自製歡迎取用自由轉發

記得標注來源 @4yü

過擬合
監督式學習
梯度下降
激活函數

縮寫彩蛋：OsGa

有獎徵答：解釋以下專有名詞

Overfiting
Supervised Learning
Gradient Descent
Activity Function

送出 SCIST 限量版馬克杯

Q&A Time

我投入大量時間設計這門課

不是希望讓你快速精通 AI

而是期望成為一位啟蒙者

啟發你對 AI 的興趣

並開始主動深入學習

那麼我的使命就達成了

The End.

Thanks for your attention

Attention Is All You Need

Day2：生成式 AI 應用實作 -->

SCIST x SCAICT Camp 2026 聯合寒訓

生成式 AI 應用實作

DC Bot + LLM（OpenRouter API + Ollama）

2026/02/06 (Day2)：3 2 hr

講師：4yü

（被 Delay 到嗚嗚嗚）

DC BOT 基本架構

資料夾 - 檔案名稱

只要視窗沒有檔名

就是要在終端機執行的指令

創建 .env 檔放 token

早上 OsGa 帶大家寫完了

DC BOT 基本架構

API 服務平台

讓使用者透過單一介面訪問多種 LLM

OpenRouter API Key

https://openrouter.ai/

OpenRouter API Key

絕對不能讓別人知道你的 API Key！

若有用 Git 請在 .gitignore 加入 .env 避免 push 到 GitHub 上！

OpenRouter API

綠色線條代表新添加的程式碼

LLM 生成回覆

系統提示詞

（System Prompt）

給你的 LLM 專屬人設

盡情發揮創意吧！

LLM 生成回覆

選擇免費模型

對話紀錄：誰、說了什麼

選擇免費模型

一直出錯跑不動怎麼辦？

檢查套件有沒有安裝好
- uv pip list
- uv tree
檢查 .env 的 key 是不是都對
- 有人會以為模型名稱是 api key
確保自己完全照著簡報順序跟著進度
- 只要少掉一段都有可能跑不動
檢查每個字有沒有手殘打錯視力要好
模型太熱門了換個模型名稱
- 或是開始嘗試用迴圈切換模型

嘗試切換不同模型

另外創個檔案存模型名稱列表

嘗試切換不同模型

用什麼格式儲存？

list
.json
.txt

用什麼方法存模型？

手動挑選複製貼上
寫個簡單的爬蟲

如何切換模型？

迴圈遍歷
ramdon

全部都可以依照個人習慣來選擇

嘗試切換不同模型

要切換模型前先讀取檔案把名稱存進來

嘗試切換不同模型

示範用迴圈遍歷只要失敗就切換下一個

這邊記得要改寫成這樣

而不是寫死單一模型名稱

可以在回覆後面添加是哪個模型生成的

[:-5] 是把 :free 刪掉避免被別人發現我們是免費仔

嘗試切換不同模型

OpenRouter 的免費模型（ID 以 :free 結尾）

限制根據帳戶餘額而定，通常每分鐘限制 20 次請求。

若帳戶餘額低於 $10 美元，每日限制為 50 次請求；

若儲值並維持 $10 美元以上，每日限制可提升至 1000 次。

開源 LLM 本地運行框架

https://ollama.com/

Ollama

llama3.2

Ollama

dcbot_ollama.py

dcbot_api.py

dcbot_api.py 成功運行後

把檔案複製一份改成 ollama

增減個幾行就能跑起來了

成功運行本地開源模型

LLM 記憶能力

根本忘記剛剛說過什麼

所以開始瞎掰

目前尚未具備

將對話紀錄 memory 加入 messages

LLM 記憶能力

這次沒提到上次說的

模型卻能記得

LLM 記憶能力

上下文工程

(Context Engineering)

記憶長度控制
分層記憶系統
清除記憶
選擇性記憶
記憶摘要
長短期記憶

期待大家在黑客松專題能嘗試添加這些功能

調整推論參數

影響模型生成的回覆可多嘗試觀察效果

調整推論參數

影響模型生成的回覆可多嘗試觀察效果

參數	型態	功能	建議範圍	效果說明
temperature	float	控制生成回覆內容的隨機性	0.0 ~ 1.5	穩定 <--> 創意
top_k	int	限制模型每步只考慮機率最高的前 K 個詞	10 ~ 100	可控 <--> 多樣
top_p	float	Nucleus Sampling：限制模型只在前 P 機率總和內取樣	0.1 ~ 1.0	保守 <--> 自由
repeat_penalty	float	懲罰重複詞彙出現的機率	1.0 ~ 2.0	可減少重複句型
presence_penalty	float	懲罰出現過的概念（鼓勵新主題）	-2.0 ~ 2.0	鼓勵模型換話題

串接 LLM API & 切換不同模型

本地運行開源模型

設計系統提示詞（模型人設）

添加記憶能力

共筆裡我有提供兩份最基本能運行的程式：
- A. dcbot_api.py
- B. dcbot_ollama.py

請發揮創意自行修改 Prompt 並延伸出擴充功能

也可以思考各種潛在的資安問題並設計防禦方式

You Can Do More !

切換人設系統（多重人格）
多模型回應比較策略
防禦 Prompt Injection
權限控管預防炸群

Happy Coding！

Furious Debugging...

Day3：LLM 進階實作：RAG -->

SCIST x SCAICT Camp 2026 聯合寒訓

LLM 進階實作

RAG、LoRA

2026/02/07 (Day3)：2.5 hr

講師：4yü

（時間不夠只好砍掉ㄌ）

檢索增強生成

(Retrieval-Augmented Generation)

讓 LLM 具備查詢資料的能力減少幻覺

AI/    # 專案根目錄
│
├─ embeddings.py      # 放 EmbeddingGemmaEmbeddings
├─ rag_builder.py     # 放文件讀取、分割、建立 FAISS
├─ rag_dcbot.py       # 放 Discord Bot 主程式
├─ .env				  # 放 key 的環境變數設定檔
├─ pyproject.toml     # 專案設定檔，管理套件
└─ uploaded_docs/     # 上傳文件資料夾