課程特色
- 課程設計注重互動和參與：通過研討和小專案研究，讓學生積極參與，增加學習樂趣和效果。
- 課程內容有趣易懂：適合國高中生的接受程度，教學方式親切有趣，使學生在輕鬆的氛圍中學習。
- 課程強調實踐導向：讓學生不僅認識理論知識，還能親自動手設計程式，實際體驗機器學習的應用和樂趣。
- 課程以解決問題為核心：通過引導學生提出問題、尋找解決方案，培養他們的問題解決能力和創造力。
- 課程涵蓋多個方面的人工智慧的學習應用，讓學生全面了解AI學習的廣泛應用領域。
課程大綱
1. 預備知識---python程式(2小時)
(1) python程式基本語法和結構的講解及練習
(2) Numpy和Pandas模組安裝和說明
2. 人工智慧與哲學和物理之關係(1小時)
(1) 哲學家大衛.休謨(David Hume):我們應該怎樣才能合理的從自己已經親眼看到的事物，歸納到我們還沒有看過的呢？
(2) 從物理發展的歷史可以看到人工智慧演進的軌跡。給機器學習各種物理實驗的結果，它能從中發現物理定律。
3. 感知器的模型認識(1小時)
(1) 感知器是一種非常單純的模型，除了機器學習外它可說是神經網路及深度學習的源頭模型。
4. 機器學習方法介紹---迴歸和分類(6小時)
(1) 種類和方法:迴歸有線性迴歸和非線性迴歸及隨機梯度下降方法介紹;分類有感知器和邏輯迴歸等。
(2) 程式設計和說明:有鳶尾花種類的分類､美國加州房價預測､鐵達尼號乘客之存活分析等。
(3) 模型評估和驗證:用混淆矩陣(Confusion Matrix)､準確度(Accuracy)､精密度(Precsion)等方法。
(4) 類題練習
5. 延伸思考(1小時)
(1) 如何用機器學習去製作學習歷程檔案---結合學校課程和機器學習方法，思考如何去解決問題，完成一份類似小論文的報告。
(2) 可根據上課所學的方法，找尋有興趣的題目，做出一份自主學習報告。
6. 其他演算法介紹(1小時)
(1) 監督式學習（Supervised Learning）：支持向量機（SVM，Support Vector Machine）､決策樹（Decision Tree）､隨機森林（Random Forest）
(2) 非監督式學習（Unsupervised Learning）：K均值聚類（K-means Clustering）､主成分分析（PCA,Principal Component Analysis）