課程目的
這門課的假設很簡單:AI 工程能力不是聽懂的,是做出來的。前五週,你用 PyTorch 親手訓練影像分類模型——從 tensor 操作到梯度與學習原理,建立不被行話嚇到的底層理解。接著進入 LLM 與 Agent:從 API 呼叫到工作流,再逐行手刻自己的 Agent loop,弄懂工具呼叫、迭代與邊界。最後把所有能力組成一個自動實驗系統,讓 Agent 依驗證結果提出下一個實驗、處理失敗、控管預算。我們不把 AI 當魔術:每個環節都拆開、做出來、驗證過,你才知道它能信到什麼程度。
另一條貫穿 16 週的主線是 Codex:從第一週起,你就與 AI 協作開發——寫提示、審程式、跑實驗。結業時,這套工作流會和你做出來的系統一樣重要。你會學著把 Codex 當成需要審查的同事,而不是自動輸出答案的機器——提示怎麼寫、產出怎麼驗、什麼時候該重來。
整堂課分三個階段推進:先打底,把模型訓練的每個環節親手做過一遍;再上層,把語言模型變成能呼叫工具、執行流程的系統;最後整合,讓這些零件在一個真實研究任務裡運轉。
- 階段一(週 1–5)模型基礎:PyTorch、梯度、CNN、評估與改善實驗。
- 階段二(週 6–11)Agent 開發:LLM API、工作流、手刻 loop、業界場景、評估與可靠性。
- 階段三(週 12–16)自動實驗:YOLO 工具實驗、Autoresearch Agent、基線比較、專題驗收。
貫穿三個階段的還有一件事:每一週都有可以跑的程式與可以驗證的結果。你交的不只是作業,而是能被重現的證據。
適合對象
本課為有基本程式概念的在職人士設計——不需要機器學習背景,但需要動手的意願。
- 有基本程式概念任何語言皆可,重點是願意讀與寫程式——Python 或工作裡常用的語言都行。
- 不需要機器學習背景課程從 PyTorch 基本操作教起,梯度與學習原理會在課堂上建立,不需要先修過任何 AI 課。
- 想把 AI 用進實際工作練的是把需求拆成可執行的工作流——離開教室時帶走的是工程能力,不是名詞。
- 每週能投入實作3 小時課程之外,實驗與專題需要你自己的時間——這是這門課最誠實的成本。
不適合只想聽概念、不打算動手的人——這門課的每一週都要跑程式。
五大能力
五大能力對應 16 週的課程結構,每一項都以可以動手做出來的方式建立。
AI 協作開發
週 1 起以 Codex 為日常開發夥伴,建立提示、審查與迭代的紀律——把「AI 幫我寫程式」變成可管理的開發流程。
深度學習實作
週 2–5PyTorch、梯度與學習原理、CNN 影像分類、評估與改善實驗——建立不被行話嚇到的底層理解。
LLM 應用與 Agent
週 6–7從 API 到工作流,不依賴框架手刻 Agent loop——搞懂工具呼叫與迭代,而不是背一套名詞。
業界場景落地
週 8–10文件研究、資料分析、工作流程與 Agent 邊界設計——把能力對準真實業界任務。
自動實驗與評估
週 11–14Agent 評估與可靠性、YOLO 自動實驗、預算控制與基線比較——讓自動化可以被檢驗。
16 週課表
點開每一週,看到當週要做的事。
PHASE A|基礎與模型訓練(週 1–5)
PHASE B|LLM 與 Agent 開發(週 6–11)
PHASE C|自動實驗與期末專題(週 12–16)
期末專題
YOLO 自動實驗研究助理
16 週的終點,是一個能自己跑實驗的系統。你設計 Agent 迴圈,在固定預算內自動推進影像偵測實驗——並與最基本的策略正面比較。
這個專題沒有標準答案。教師提供 YOLO 工具與固定資料,剩下的設計空間全是你的:Agent 怎麼決定下一個實驗、失敗之後怎麼走、預算怎麼花在刀口上。你會練到研究工作的核心習慣——先問「這個結論的證據是什麼」,再問「換一個人重跑,會不會得到一樣的結果」。
專題規則
- 工具與資料由教師提供 ——YOLO 以現成工具使用,課程不教其內部架構;實驗使用固定資料。
- 你設計 Agent 迴圈 ——依驗證結果提出下一個實驗、處理失敗、控制預算。
- 與固定搜尋比較 ——相同預算下對照固定搜尋策略,檢驗決策品質。
- 最終測試集由教師保留 ——避免對測試集最佳化,驗收以保留資料為準。
- 重視證據與重現 ——每個結論都必須能被重跑驗證。
- 不要求一定改善 ——誠實呈現結果,比數字變好看更重要。
- Codex 全程參與 ——專題延續你從第一週建立的 AI 協作開發流程。