模組

課程名稱

課程內容

時數

深度學習模組

深度學習

從基礎到進階

1.簡要說明神經元、神經網路、損失函數、梯度下降概念

2.CNN 網路重要元件: 卷積、池化、Softmax、參數量計算

3.進階案例練習

6

產業級

深度學習網路

1.深入卷積神經網路

2.CNN 變形網路通用技巧

3.訓練模型框架：AlexNet、ResNet、VGG、DenseNet、InceptionNet (GoogleNet)

4.套用現存模型進行遷移學習實務案例－以癌症預測為例

9

自編碼網路

與瑕疵檢測

1.AutoEncoder 基礎架構：重要性、如何生成

2.AutoEncoder 演算法的延伸~U-Net

3.瑕疵檢測實際案例-以PCB電路板瑕疵為例

3

1.軟體與設備環境安裝說明

2.深度學習模組作業說明與討論

※實際時數以講解時間為準，可能少於或高於表定時數

3

自然語言模組

自然語言處理

(NLP)基礎

1.NLP 的表示法

2.NLP 的工具~CKIP 與 Jieba

3.NLP 的前處理(Preprocessing)：爬蟲(crawling)及斷詞(tokenization)

4.案例-以文章關鍵字提取為例

＞斷詞斷句

＞TFIDF

6

1.NLP 的向量表示法

2.n-Gram 與 C-BOW

3.word2vec模型

4.相似度：計算、找出同義詞

5.案例研討與實作：各種詞的向量與相似詞向量實作

3

RNN 及LSTM

記憶神經網路

1.LSTM的特色

2.輸入閘、輸出閘、遺忘閘

3.神經元的運作

4.案例研討與實作

3

Seq2Seq

神經網路

1.Seq2Seq(序列到序列)的網路架構

2.Seq2Seq(Sequence 2 Sequence)的運作

3.機器翻譯模型案例實作與說明：以英文翻譯成德文為例

3

BERT 與

自注意力機制

1.BERT 特色與結構

理論：
Transformer基礎架構、BERT基礎架構、BERT Tokenize、Multi-Head Self-Attetion、Skip Connection、Layer Normalization、Feed Forward Network、四種下游任務

2.BERT 的任務、輸入與輸出

3.自注意力與詞向量的訓練

4.下游任務的訓練

5.案例研討與實作

6

RAG與

chatGPT實作

檢索增強 (Retrieval Augmented Generation, RAG) 介紹與實作

9

自然語言模組作業說明與討論

※實際時數以講解時間為準，可能少於或高於表定時數

2

影像處理應用模組

1.物件偵測與YOLO基本概念

2.使用YOLO預訓練模型

3.標記資料練習

4.自行訓練YOLO模型與使用

5.口罩配戴辨識實際案例

－ 學習重點/目標：學習如何利用神經網路判斷是否正確配戴口罩

－運用模型/原理：Yolo

－學習成果：利用Yolo自行客製化訓練模型

6

1.關節點偵測與MediaPipe基本概念

2.使用預訓練模型辨識身體姿勢

3.姿勢判斷實際案例-以居家照護跌倒判斷為例

6

影像處理應用模組作業說明與討論

※實際時數以講解時間為準，可能少於或高於表定時數

2

專案研討與專題

專題進行方式

1.第一堂專題－講師課程引導：講師會說明專題的主題、進行方式、尋找資料來源、案例說明及繳交文件說明等

2.課後進行專題準備

3.助教於課後隨時掌握問題協助除錯

4.第二堂專題－第一次報告、技術討論與回饋修正建議

5.第三堂專題：

－專題效能說明與分析

－專題實作說明

－專題成果展現

6.作業繳交：於專題結束後，依指定時間內完成作業繳交（上傳學習平台）

9

2.專題分組與進行方式說明

2.專題討論交流：依各組所選主題進行討論，了解問題與提供建議

※實際時數以講解時間為準，可能少於或高於表定時數

3

正課時數

72

助教時數

10

總  計

82