[中文課程] AI 人工智能：深度學習（Deep Learning）從原理到實作

35小時完整課程，帶你系統性理解深度學習核心概念與實務應用，並深入掌握 CNN、ResNet、LSTM、Transformer、BERT、GPT、GAN、VAE 與 Diffusion 等主流模型架構與建模方法，結合理論與實作！

從這 35 小時的課程，你會學到

理解深度學習（Deep Learning）的發展歷史與實際應用場景
使用 Google Colab 與 GPU 環境建立並訓練深度學習模型
了解反向傳播（Back propagation）與梯度下降（Gradient Descent）的運作機制
了解現代生成式 AI、電腦視覺、自然語言處理等領域的重要發展方向
理解神經網路的基本原理，包括感知器（Perceptron）、單層感知器（SLP）、多層感知器（MLP）
掌握 Universal Approximation Theorem，理解神經網路為何具有強大的函數擬合能力
深入了解反向傳播演算法（Backpropagation）的公式證明與手動計算過程
了解梯度下降演算法（Gradient Descent）的原理、優缺點與優化方法
熟悉常見深度學習任務的損失函數（Loss Functions）
理解常見的非線性激活函數 Sigmoid、Softmax、ReLU、Leaky ReLU、SiLU 與 GELU
掌握 Momentum、RMSProp、Adam 等主流優化器的原理、公式與差異
理解權重初始化（Weight Initialization）的重要性，並學會 He Initialization 的應用
建立並訓練卷積神經網路（CNN），理解卷積核 Kernel、特徵圖 Feature Map 與特徵提取的概念
熟悉經典電腦視覺模型，包括 AlexNet、VGG、ResNet 與 U-Net 的設計理念
使用深度學習技術實作車牌辨識等真實世界電腦視覺專案
使用 Tensorflow 做微分計算，並且使用 subclassing、function api 與 sequential 語法建立模型
掌握 Transfer Learning 技術，快速建立高效能影像分類模型
理解 Neural Style Transfer 的原理與公式，並且實作影像風格轉換應用
理解物件偵測模型 YOLO 的原理
使用 U-Net 模型、訓練醫學腫瘤辨識模型
理解梯度破碎現象（Shattered Gradient Problem）與解決方法
理解 Grad Cam 算法，並且可視化深度學習模型的影像關注區域
理解 Word2Vec 與 GloVe 等詞向量技術的原理與應用。
掌握 RNN、LSTM 與 GRU 等序列模型的運作方式與適用場景。
深入理解 Transformer 架構以及 Attention 機制。
了解大型語言模型（LLM）的核心技術，包括 BERT 與 GPT 的架構差異與應用。
理解 CLIP 與 Contrastive Learning 的訓練方式，以及多模態 AI 的發展方向。
掌握生成式 AI 的核心技術，包括 GAN（Generative Adversarial Networks）與 VAE（Variational Autoencoders）。
理解 GAN 變體的運作原理，包含 CycleGAN, StyleGAN, Pix2Pix, SRGAN
了解 Diffusion Transformer（DiT）如何結合 Transformer 與 Diffusion Model，並理解現代影片生成模型的架構設計。
實作 Diffusion Model 生成圖片
掌握強化學習（Reinforcement Learning）的基本概念，包括 Agent、Environment、Reward 與 Policy。
理解 Q-Learning 的更新機制，並學會建立基礎的強化學習代理人。
理解 Monte Carlo Tree Search（MCTS）的搜尋策略，以及 AlphaGo 如何結合神經網路與樹搜尋擊敗職業棋手。
學習並且實作 FGSM（Fast Gradient Sign Method）攻擊方法，了解深度學習模型的安全性挑戰。
使用 TensorBoard 監控模型訓練過程，分析 Loss、Accuracy、權重分布與模型效能。
理解模型壓縮技術，包括 Pruning 與 Knowledge Distillation，並學習如何建立更輕量化的 AI 模型。
認識 AI Bias（人工智慧偏見）的成因、影響與常見緩解方法。
了解現代生成式 AI、電腦視覺、自然語言處理與強化學習領域的重要發展方向。

要求

對 Python 語法有基本的認識

課程說明

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-Net
YOLO 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）

Agent / Environment / Reward / Policy
Q-Learning 基本機制
Monte Carlo Tree Search（MCTS）
AlphaGo 與 AlphaZero 背後的核心思想

AI 安全與進階主題

FGSM 對抗攻擊與模型安全性
梯度消失 / 梯度爆炸 / 破碎梯度問題
Model Compression（剪枝法 / 知識蒸餾法）
AI Bias 與倫理問題

如果你正在尋找一門能夠系統化學習深度學習、理解現代 AI 技術演進脈絡，並具備動手實作與解決實際問題能力的課程，那麼這門課將會是你的最佳選擇！

目標受眾

對 Python 有基本認識，希望繼續學習其應用領域的人
對資料視覺化、資料處理、機器學習模型等主題有興趣的學習者
目前正在主修資訊工程、統計、數學、電機、商管等相關科系，想要學習機器學習理論與應用的人
曾學過機器學習、深度學習，但希望可以更鞏固知識或者更深入理解者
對「資料科學」、「資料探勘」、「大數據」有興趣者
對「人工智能」技術有興趣，希望可以開始學習者
對「機器學習」的基本原理與應用場景有基本認識，希望了解深度學習者

講師簡介

Wilson Ren Udemy 講師

我是來自台灣的 Wilson，擁有超過五年的程式教學經驗。曾就讀於美國楊百翰大學夏威夷分校，主修讀電腦科學，以及在楊百翰大學拿到電腦科學碩士學位。

我相信，透過清楚的講解與示範，任何人都可以學好編寫程式與電腦科學中的複雜概念。我透過錄製課程來實現我的理想。目前我有十一堂課程，分別為「AI 人工智能：深度學習從原理到實作」、「AI 人工智能：機器學習理論到應用」、「2026 Python全攻略」、「2026 網頁開發」、「2026 Java課程」、「Android開發全攻略」、「2022網頁全端攻略」、「離散數學」、「數論與密碼學」、「資料結構與演算法」，以及「線性代數」。

在到美國之前，完全沒有寫過程式的經驗。在眾多不同的主修當中，我選擇電腦科學(台灣的資訊工程系)來當作主修，因為我從小就對電腦有濃厚的興趣。在此之後，我在軟體工程師的路上越走越遠。目前主要的工作內容是大型系統的維護與開發，以及雲端運算服務的數據分析與處理。