AI 人工智能：深度學習（Deep Learning）從原理到實作

你是否曾經好奇：ChatGPT 是如何理解與產生文字的？影像與影片生成 AI 是如何「創造」內容的？為什麼近年人工智慧能力會突然大幅躍升？答案都指向同一項核心技術：深度學習（Deep Learning）。這堂「AI 人工智能：深度學習（Deep Learning）從原理到實作」課程，將帶你從零開始，一步步建立深度學習的完整知識體系，涵蓋理論基礎、數學公式、神經網路架構，以及實際開發能力。不同於只教你使用現成函式庫的課程，此課程更重視「理解背後原理」，讓你不只知道怎麼做，也能真正明白為什麼這樣做，進而掌握現代 AI 的核心運作方式。這堂課程中你將會學到：深度學習基礎與數學核心深度學習的發展歷史與應用全景單層感知器（SLP）、多層感知器（MLP）、神經網路基本原理Universal Approximation Theorem 的直覺理解梯度下降（Gradient Descent）與反向傳播（Backpropagation）完整推導與手算常見損失函數（Loss Functions）與數學意義Sigmoid / ReLU / Softmax / GELU 等激活函數比較Momentum、RMSProp、Adam 等優化器原理與差異權重初始化（He Initialization）與訓練穩定性實作與工程能力使用 Google Colab + GPU 訓練深度學習模型TensorFlow 模型建構（Sequential / Functional / Subclassing）TensorBoard 進行訓練監控與分析Transfer Learning 快速建立高效模型電腦視覺（Computer Vision）CNN 原理：卷積核 Kernel、特徵圖 Feature Map、特徵提取經典模型：AlexNet、VGG、ResNet、U-NetYOLO 物件偵測原理Grad-CAM 模型可視化實作：車牌辨識、醫療影像腫瘤分割實作：Neural Style Transfer 風格轉換Diffusion Model 圖像生成Diffusion Transformer（DiT）與影片生成架構自然語言處理（NLP）Word2Vec / GloVe 詞向量技術RNN / LSTM / GRU 序列模型Transformer 與 Attention 機制BERT vs GPT大型語言模型（LLM）核心原理CLIP 與多模態 Contrastive Learning生成式 AI（Generative AI）GAN（Generative Adversarial Networks）對抗生成網路的原理與實作VAE（Variational Autoencoder）機率模型的原理與實作CycleGAN / StyleGAN / Pix2Pix / SRGAN現代生成模型設計思想與演進強化學習（Reinforcement Learning）