想知道人工智慧如何讓機器「讀懂」語言、預測生死、甚至協助醫生看病嗎？歡迎加入由張詠淳教授主講的《AI應用程式創作》課程！張教授是臺北醫學大學的專任教師，專精於文字探勘與自然語言處理，擅長將AI技術應用於智慧醫療、生物資訊與商業智慧等多元領域。
他曾獲中研院博士後傑出研究獎、多項國內外論文獎，以及2023未來科技獎等重要榮譽；更於2024年榮獲北醫最高教學榮譽「師鐸獎」，指導學生在國際AI與資料科學競賽屢獲佳績，包括NTCIR、BioCreative、Taiwan AI EXPO 等。
不只是理論專家，張教授更熱衷於以「任務導向、從做中學」的方式，帶領學生親手打造自己的AI應用程式。即使你沒有程式基礎，也能在他的帶領下從零開始，學會使用AI技術來解決真實問題！
現在就來探索他的AI世界吧 👉 http://nlp.tmu.edu.tw/
課程簡介
《AI應用程式創作》是一門結合理論與實作的人工智慧入門課程，旨在引導學生從零基礎理解神經網路的運作邏輯，並實際操作前饋神經網路模型（Feedforward Neural Network）來解決真實世界的問題。本課程以「鐵達尼號乘客存活預測」為實作範例，帶領學生掌握資料探索、資料前處理、模型建構與效能評估等機器學習的完整流程，進而提升AI思維與實作能力。
課程內容涵蓋神經網路的基本概念與數學推導，逐步講解感知器如何透過加權輸入、偏差項與啟動函數進行預測。學生將學習如何以Google Colab為平台，載入並分析真實資料集、處理缺漏值、進行類別資料的One-hot編碼與數值資料的正規化。課堂中也將引導學生使用Python與TensorFlow/Keras建立神經網路模型，包含多層隱藏層、Dropout避免過擬合、模型訓練與驗證等核心技術。
為了強化學習效果，本課程設計了一系列逐步引導式的提示（prompt），協助學生理解每個程式區塊的目的與背後邏輯，並能在訓練後進行模型評估，例如繪製混淆矩陣與產出分類報告。最終，學生將應用所學知識，預測特定人物（如Jack與Rose）在鐵達尼號上的存活機率，結合理論與趣味性，提升實務應用與學習動機。
本課程適合對人工智慧、機器學習有興趣的初學者，無需程式設計或AI背景。透過具體的任務導向學習設計，學生將能夠在短時間內建立起人工智慧模型設計的基本能力，為進階AI課程或相關領域研究打下良好基礎。
課程目標
本課程旨在培養學生具備基礎人工智慧應用程式開發的能力，從理解神經網路的原理出發，進而掌握資料處理、模型建構與效能評估等核心技術。課程設計強調理論與實作並重，透過實際案例操作，引導學生建立AI應用的整體觀念與問題解決能力。具體課程目標如下：
- 理解神經網路之基本理論與結構
學生將學習人工神經網路的基本組成，包括輸入層、隱藏層、輸出層的運作邏輯，理解感知器的計算公式、啟動函數的角色，以及前饋神經網路（Feedforward Neural Network）在分類任務中的應用方式。 - 具備AI模型實作與資料處理的實務能力
學生將透過Google Colab平台進行Python程式設計，熟悉AI程式開發環境。從資料集的載入與清洗、特徵工程（如欄位刪除、遺失值補齊、類別轉換、數值正規化）到訓練測試資料分割等，學生將實際操作機器學習中資料前處理的關鍵步驟。 - 建立並訓練前饋神經網路模型
學生將學會如何使用Keras等深度學習工具，建立具有多層隱藏層與Dropout設計的神經網路模型，並能調整超參數如epoch數、batch size與validation比例，學習如何觀察模型訓練歷程與過擬合現象。 - 具備模型評估與解讀結果的能力
學生將學習使用分類報告與混淆矩陣等指標來評估模型預測效果，並能結合實際情境（如鐵達尼號生還預測）解讀模型輸出的意涵，訓練以AI支援決策的初步能力。 - 激發跨領域整合與自主學習的動機
透過具體且生活化的案例情境，引導學生思考AI在醫療、交通、金融等領域的應用潛力，鼓勵學生未來能將AI技術與自身專業整合，持續探索AI發展趨勢與實務挑戰。
本課程適合作為AI教育的入門課程，為學生後續學習深度學習、資料科學與AI應用開發打下紮實基礎。
適用對象
對程式設計，軟體開發具興趣的同學（不分領域）。
課程特色
《AI應用程式創作》是一門兼具理論與實作的人工智慧入門課程，課程特色如下：
- 任務導向設計，理論結合理解
透過「鐵達尼號生還預測」這一真實且具故事性的案例，讓學生在實際建模任務中學習神經網路的運作原理與應用流程，提升學習動機與實務感。 - 模組化教學，降低進入門檻
全課程以模組方式引導，搭配提示式學習（Prompt-based Learning），不需具備程式設計背景也能循序漸進掌握資料處理與模型建構技巧。 - 工具即時應用，培養動手能力
使用Google Colab進行雲端實作，讓學生即時撰寫與執行AI程式碼，熟悉開發環境與基本程式調試流程。 - 強調資料素養與AI思維
從資料讀取、特徵工程到模型訓練與評估，強調資料科學流程與AI應用的整體思維，為未來跨域應用奠定基礎。 - 強化自主學習與延伸應用能力
結合趣味角色（Jack與Rose）進行模型推論與結果探討，培養學生批判性思考與模型解釋能力，同時激發學生進一步探索AI於醫療、金融、教育等領域的可能性。
課程進度
- 認識神經網路與前饋神經網路的基本原理與架構
- 熟悉Colab開發環境，載入並操作實際資料集
- 進行資料探索與前處理（缺失值處理、欄位清理、特徵編碼與正規化）
- 建立多層前饋神經網路模型並進行訓練與驗證
- 評估模型效能，產出分類報告與混淆矩陣
實作鐵達尼號生還預測任務，解讀預測結果並進行延伸應用討論
先備知識
對於程式邏輯概念有基礎的了解。