01
課程目的
用 PyTorch 訓練 CNN,讓 AI 學會辨認圖片;再打造 Agent,讓 AI 使用工具、查文件、分析資料,並自己安排實驗。
- 週 1–5|教 AI 辨認圖片用 PyTorch 這套訓練工具,建立擅長辨認圖片的 CNN 模型,檢查它認得準不準。
- 週 6–11|打造 AgentAgent 是能依目標選擇工具、執行任務的 AI 助理;練習讓它查文件、分析資料與處理錯誤。
- 週 12–16|讓 AI 自己做實驗結合 YOLO 圖片偵測工具與 Autoresearch(自動實驗),讓 Agent 根據結果決定下一步。
你最懂的工作,值得有一套自己的 AI 工具。
企業已開始用 Agent 打造內部工具,把 AI 接進日常工作。熟悉現場需求的你,也能把那些反覆查資料、整理表格、測試設定的工作,做成自己的解法。這門課從 PyTorch、CNN 到 Agent,帶你理解模型、串接工具,親手做出一套能執行任務、能檢查成果的 AI 系統。
02
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從基本操作教起,逐步理解 AI 如何學習,不需要先修過 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。
- 已訂閱 ChatGPT Plus,可使用 Codex參加者須已訂閱 OpenAI 的 ChatGPT Plus,並確認可登入與使用 Codex。請於第一堂課前完成準備。
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。
03
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。

讓 AI 查文件、分析資料、使用工具,重要決定由人確認。
01
和 AI 一起寫程式
週 1 起用 Codex 協助寫程式,也學會檢查、測試與修改它的產出。
02
PyTorch 與 CNN
週 2–5PyTorch 用來建立與訓練模型;CNN 從圖片學習特徵,辨認圖片屬於哪一類。
03
Agent:讓 AI 使用工具
週 6–7親手寫出 Agent 的工作迴圈:選工具、執行、檢查結果,再決定下一步。
04
用在實際工作
週 8–10練習查閱多份文件、分析表格,並安排哪些步驟需要人確認。
05
Autoresearch:自動做實驗
週 11–13讓 Agent 使用 YOLO 偵測圖片中的物件,反覆測試不同設定,檢查是否省時有效。
04
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)
從第一週就把 Codex 納入日常:寫提示、審程式碼、管理迭代,建立與 AI 共同開發的工作紀律。這條協作主線會一直延伸到期末專題。
Tensor 運算、自動微分與模型積木,親手寫出第一個神經網路。你會從零寫起,理解每一行程式在做什麼。
損失函數、梯度下降與反向傳播——看懂模型「學起來」的每一步。你會親眼盯著損失曲線,理解每一次更新的意義。
完整訓練一個影像分類器:資料準備、訓練迴圈與推論。這是你第一個從零到能用的深度學習系統。
驗證集、指標與錯誤分析,用實驗而不是感覺來改善模型。這一週建立的方法,會在期末專題直接派上用場。
PHASE B|LLM 與 Agent 開發(週 6–11)
呼叫 LLM API、串接提示與流程,把語言模型變成可用的系統。重點在結構:提示、解析、錯誤處理與回傳。
不依賴框架,逐行實作工具呼叫與迭代迴圈,理解 Agent 的本質。手刻過一次,之後用任何框架都看得懂內部在做什麼。
打造能讀文件、找答案的研究 Agent,處理真實業界資料。你會體會到:難的不是模型,是定義清楚什麼叫「找到正確答案」。
讓 Agent 讀資料、做分析、下結論,並知道何時該交回給人。分析類任務的邊界,在這一週變得具體。
設計人機分工:哪些交給 Agent,哪些必須留在人手裡。邊界畫錯的地方,就是系統出事的地方。
為 Agent 建立評估方法,處理不穩定輸出與失敗模式。沒有評估的 Agent 只是示範,有評估才叫系統。
PHASE C|自動實驗與期末專題(週 12–16)
把 YOLO 當現成工具直接使用(不深入其架構),設計並執行你的實驗。重點是實驗設計,不是模型本身。
組合前期能力,打造依驗證結果提出下一個實驗的研究迴圈。這是期末專題的主體,從這一週開始長出形狀。
交叉測試研究 Agent,檢查與固定搜尋的公平比較、實驗證據與重現性,並完成期末展示預演。
分組展示 AI 自動實驗助理,說明 Agent 決策、實驗證據與基線比較,使用教師保留的最終測試集驗收。
接續分組展示與驗收,回答實驗設計與重現性問題,整理結果與限制。結果不論好壞,證據齊全就是完成。
05
期末專題
Agent 自動實驗助理
做出一個 Agent,讓它使用 YOLO 找出圖片中的物件,自行調整設定、執行實驗,再依結果決定下一步。比較由 Agent 安排實驗,是否比照固定清單逐項嘗試更有效。

想好怎麼試 → 執行實驗 → 檢查結果 → 決定下一步。
專題重點
- 教師提供工具與資料使用老師準備好的 YOLO 工具與圖片資料,不必從零打造整套系統。
- 你負責設計 Agent 的做事方式讓它讀懂結果、決定下次怎麼試,並在出錯或超過時間上限時停止。
- 展示做法與結果在相同次數與時間限制下比較,交出可重新執行的程式與紀錄;不要求成績一定變好。
06
常見問題
116 學年度上學期;每週上課日與時段待公告。
老師為陳勇志,聯絡信箱:chenmagi@cc.ncue.edu.tw。
不需要。課程從 PyTorch 基本操作教起,你只需要有基本程式概念,與願意每週動手的時間。
Codex 是 AI 協作開發工具,課程會從第一週帶你建立使用它的方法,不需要事先熟悉。參加者須已訂閱 OpenAI 的 ChatGPT Plus,並確認可登入與使用 Codex。查看官方方案說明。
不會。YOLO 作為現成工具直接使用,課程重點是你設計的自動實驗迴圈——工具會用就好,理解要花在你的系統上。
是。YOLO 工具與實驗資料由教師提供並固定,比較基準與預算條件也一致,確保結果可以公平檢驗。
不要求。專題重視證據與重現——誠實的負面結果同樣是合格的成果;要避免的是沒有證據的結論。
請自備可執行課堂實作的筆電,並已訂閱 OpenAI 的 ChatGPT Plus。請於第一堂課前確認可登入並使用 Codex;其餘環境設定於課堂引導。
這門課不停在聽懂:16 週裡你會親手訓練模型、手刻 Agent、跑自動實驗,每一步都有可驗證的產出;期末專題更以教師保留的測試集與固定預算做公平驗收。
PyTorch、LLM API、Codex,以及期末專題使用的 YOLO 工具。工具環境與版本等細節待公告。
能讀懂變數、函式與迴圈,就能跟上課程節奏;其餘的 AI 相關知識都在課堂上建立。
07
開課資訊
- 課程名稱
- 人工智慧在工程的應用
- 課程版本
- 2027
- 課程長度
- 16 週 × 3 小時
- 適合對象
- 有基本程式概念的在職人士
- 期末專題
- AI 自動實驗助理
- 老師
- 陳勇志
- 上課時間
- 116 學年度上學期
- 參加條件
- 已訂閱 OpenAI 的 ChatGPT Plus,且可登入使用 Codex。
每週上課日與時段待公告;請於第一堂課前確認 ChatGPT Plus 訂閱有效,並完成 Codex 登入與使用測試。
