PolyU | 人工智慧概念
本課程全面介紹人工智慧，以嚴謹但易於理解的方式，專為研究生及專業人士設計。課程從歷史基礎過渡到前沿創新，內容涵蓋符號式人工智能與搜尋演算法，進而深入現代深度學習與生成式人工智能。學生將探討知識表示、機率推理以及傳統機器學習等重要主題，並進一步研究神經網絡、Transformer 架構與大型語言模型（LLM）。課程強調理論與實務結合，使用 Python 及業界標準框架如 PyTorch 實現演算法，對接現代 API，並探討人工智慧倫理與安全等關鍵議題。
課程總覽
📚 內容摘要
本課程提供一門嚴謹且易於理解的人工智慧（AI）入門課程，專為研究所學生與專業人士設計。課程跨越歷史基礎與尖端創新之間的鴻溝，從符號式人工智慧與搜尋演算法，逐步推進至現代深度學習與生成式人工智慧。學生將探討知識表示、機率推理以及傳統機器學習等關鍵主題，並深入研究神經網絡、變換器（Transformers）與大型語言模型（LLMs）。課程強調理論與實務並重，使用 Python 及業界標準框架如 PyTorch 來實現演算法、與現代 API 互動，並處理人工智慧倫理與安全等重要議題。
連結古典符號式人工智慧與現代生成式人工智慧之間的差距，本課程賦予學生必要的理論深度與實用的 Python 技能，以架構、實作並道德地評估智能系統。
🎯 學習目標
- 掌握人工智慧基礎：分析並實作基本問題解決範式，包括啟發式搜尋、基於邏輯的推理與機率建模。
- 實作深度學習架構：利用 PyTorch 設計並訓練先進的神經網絡，涵蓋多層感知機至卷積神經網絡與變換器。
- 部署生成式人工智慧解決方案：設計應用程式，運用大型語言模型（LLMs），採用微調、提示工程與檢索增強生成（RAG）等技術。
- 確保人工智慧的倫理發展：批判性評估人工智慧系統中的偏見、安全性與對齊性，並在真實情境中應用可解釋性與穩健性策略。
課程
概述：探索人工智慧的起源，涵蓋圖靈測試、達特茅斯會議，以及被稱為「人工智慧寒冬」的週期性發展現象。
學習成果：
- 追溯人工智慧自 1956 年至今的歷史演進。
- 比較與對照符號式人工智慧（GOFAI）與連接主義范式的異同。
- 討論深度學習革命與近期生成式突破的影響。
概述：介紹使用搜尋演算法的基本問題解決代理，區分盲目搜尋與啟發式方法。
學習成果：
- 實作無資訊搜尋方法，包括廣度優先搜尋（BFS）、深度優先搜尋（DFS）與均勻成本搜尋。
- 應用啟發式搜尋技術，如 A* 演算法與貪婪最佳優先搜尋。
- 分析不同搜尋策略的複雜度與最優性。
概述：深入探討競爭環境（遊戲）中的決策制定，以及由約束定義的問題求解。
學習成果：
- 熟練掌握用於遊戲的極小化極大演算法（Minimax）與剪枝法（Alpha-Beta Pruning）。
- 理解蒙特卡洛樹搜尋（MCTS）在如 AlphaGo 等先進系統中的應用。
- 使用回溯法與局部搜尋解決約束滿足問題（CSP）。
概述：研究人工智慧系統如何以邏輯方式表示資訊以進行推論，從古典邏輯過渡至現代知識結構。
學習成果：
- 利用命題邏輯與一階邏輯進行表示與推論。
- 比較傳統專家系統與現代知識圖譜與本體論的差異。
- 探索神經符號人工智慧作為邏輯與神經網絡之間的橋樑。
概述：超越傳統機率計算，理解不確定性如何驅動現代人工智慧。本課探討為何大型語言模型會「幻覺」（而這其實是功能而非缺陷），如何讓擴散模型從純噪音中創造藝術，以及自主代理如何在不可預測的開放世界中做決策。
學習成果：
- 從貝葉斯到「直覺」：建立對信心與校準的直觀理解，學習為什麼「99% 的機率」仍可能出錯，而不必陷入複雜數學。
- 創造力的引擎：分析機率取樣機制（溫度、Top-P）如何促成生成式人工智慧的創造力，並導致幻覺。
- 代理決策制定：理解在不確定性下的決策策略，聚焦於強化學習與多代理系統中的「探索與利用」困境。
概述：以 Python 實務導入資料驅動的監督式與非監督式學習演算法。
學習成果：
- 實作監督式學習模型，包括決策樹與支援向量機（SVM）。
- 應用非監督技術，如 K-means 聚類與主成分分析（PCA）。
- 使用 Scikit-learn 解決基本的資料分析問題。
概述：轉向生物啟發的計算，探討人工神經網絡的架構與訓練機制。
學習成果：
- 解釋人工神經元與多層感知機（MLP）的結構。
- 熟練掌握反向傳播演算法與各種激活函數（ReLU、GELU）。
- 使用 PyTorch 建立基本神經網絡。
概述：專注於透過專門的深度學習架構處理視覺資料。
學習成果：
- 理解卷積神經網絡（CNN）的運作機制。
- 分析如 ResNet 與視覺變換器（ViT）等進階架構。
- 實作一個基本的影像分類模型。
概述：從循環神經網絡到革命性的注意力機制，序列處理的演進。
學習成果：
- 区分 RNN、LSTM 與變換器架構的差異。
- 解釋「注意力機制就是一切」（Attention Is All You Need）論文與自我注意機制。
- 理解編碼器與解碼器在 BERT 與 GPT 等模型中的角色。
概述：深入研究前沿的生成式人工智慧，專注於文字生成與模型適應。
學習成果：
- 描述大型語言模型的預訓練與微調生命周期。
- 探索人類反饋強化學習（RLHF）。
- 練習提示工程與參數高效微調方法（PEFT/LoRA）。
概述：超越文字，拓展至檢索系統與生成式媒體，使用現代 API。
學習成果：
- 實作檢索增強生成（RAG）以減少幻覺。
- 理解擴散模型（如 Stable Diffusion）與變分自動編碼器（VAE）的數學原理。
- 與現代人工智慧 API 互動，建立生成式應用程式。
概述：批判性分析人工智慧對社會的影響，聚焦責任與安全協議。
學習成果：
- 識別偏見來源，確保人工智慧模型的公平性。
- 討論人工智慧安全、穩健性與對齊問題。
- 評估可解釋性（XAI）與大型語言模型幻覺的緩解策略。