⛄️ 今天是立冬(從帳篷中探頭)(吶喊)知識進補雙 11,先領週末 $777 🎁
全站 85 折|熱銷買 1 送 1 ⚡️
登入/註冊
0 seconds of 0 secondsVolume 0%
Press shift question mark to access a list of keyboard shortcuts
鍵盤快捷鍵
播放/暫停空白鍵
音量增加↑
音量減少↓
快進 5 秒→
倒退 5 秒←
開啟/關閉字幕c
全螢幕/離開全螢幕f
靜音/取消靜音m
Decrease Caption Size-
Increase Caption Size+ or =
跳轉至%0-9
00:00
00:00
00:00
 
影片檔案無法播放(錯誤碼: 224003)
AI . FREE Team

全方位 LLM 實戰攻略:Code 出你的 AI 智能助理

生成式AI成為業界關注的核心技術,相關應用如智能客服助理、知識庫管理的開發需求快速增長,本課程將為您帶來最具系統與實務考量的內容。
Hahow AI 學習升級
866 人已購買
4.9
(25)

關於課程

課程包含

包含 11 章 117 單元、6 項作業

課程時長

25 時 12 分鐘

課程總人數

866 位同學

觀看限制

不限觀看次數,還會附贈完課證書

學習升級

Hahow AI 學習助教
無需額外付費
即時問答、重點整理、測驗理解,讓知識派上用場

最新消息

課程內容

【常見問題整理 Q&A 】

Q:買課前,我可以先了解老師的授課風格嗎?

歡迎到 章節單元列表,免費試看單元 3-9、單元 4-1。

Q:這堂課預計何時完整開課呢?

這堂課程已經完整開課囉!總時長 25 hr 扎實豐富的精彩內容(含解鎖單元)~

Q:這堂課會需要額外付到課程以外的費用嗎?

基本上不需要額外費用。只有在部分單元會使用 OpenAI API,而這需要最低充值 5 美元(約台幣150元) 的額度。這筆額度足以完成課程中所有需要 API 的練習,不會有隱藏收費,除非學員在課後想自行做更多延伸測試,才可能需要額外加值。換句話說,只要這 5 美元,就能完整體驗課程內容。

b1

生成式 AI 技術日新月異,你/妳跟上了嗎?

Nvidia 的創辦人黃仁勳(Jensen Huang)曾說:「AI 是這個時代最重要的發展,本質如同電力一般,是第四次工業革命最為核心的存在」。經估算,大型語言模型(LLM)等 AI 系統帶來的價值到了 2030 年將達到 2360 億美元,並為全球帶來近 6900 萬個新的職缺機會,同時催化全球近 8 成的軟體工程師在技術、工具開發進行轉型。

在轉型的浪潮上,我們將與你一同走過,課程不再只是介紹 AI 的基礎概念,更專注於解決學員的「瓶頸點」,最佳化學習曲線,使你真正能夠運用技術解決問題,展開生成式 AI 的新舞台!

生成式 AI 學習常見的三個困擾:LLM 技術門檻高,不知從何入手;網路上的資源分散,無法系統性學習;理論知識豐富,卻缺乏實作經驗。若你也有這些困擾,這門課程正是為你量身打造!隨著 AI 的蓬勃發展,相關技術不斷推陳出新,生成式 AI 的應用更是日新月異,但你是否在學習的過程覺得:

  • 學習門檻 - 過高
  • 因此本課程的教學設計由淺入深,每一個學習點都會基於持續累積的知識向上堆疊。
  • 網路資源 - 分散
  • 因此本課程的章節規劃架構明確,幫助你在學習旅途中能夠踏實地掌握 AI 的知識。
  • 實務經驗 - 不足
  • 因此講解過程中將結合實務情境,搭配超過 50% 的實作內容,確保知識能夠落地。

課程核心特色涵蓋最新技術、由淺入深、實務導向與核心專題:講師與業界資深顧問整理產官學界 LLM 最新發展趨勢,從基礎 NLP 到進階 LLM 技術,超過 50% 課程為實作演練,並打造個人 AI 助理 JARVIS。

我們的課程為什麼與眾不同?

  1. 最新技術

    講師團隊透過與業界資深顧問諮詢,深入探究產官學在生成式 AI 與 LLM 的最新發展,並將重點技術彙整濃縮至教材當中。


  2. 由淺入深

    本課程的設計參考傳統自然語言處理(NLP)基礎實戰,並結合最新 LLM 相關技術,進一步規劃從基礎 NLP 到進階 LLM,幫助你在學習過程建構完整的知識體系。


  3. 實務導向

    講師團隊過往有諸多專案承接的經驗,因此在課程中介紹每一個知識點時,將融合實務應用場景,並透過專案開發進行實戰演練,整體課程更包含超過 50% 的實作內容。


  4. 核心專題

    本課程有別於市面常見的 AI 課程,不僅深入講解 AI 與 LLM 的理論知識,更將手把手引導學員一同打造個人 AI 智能助理 - JARVIS。

LLM 課程十大章節

在業界開發 AI 與 LLM 的實務上,常見的需求如下

  • 建立專業領域的 AI 助理

    建置一個懂專業知識(Domain-Specific)的 AI 助理,推薦在蒐集資料集後,嘗試微調(Finetune)與檢索增強生成(RAG)的方法。


  • 建立語意判別的 NLP 模型

    進行以文字輸入的基礎判別任務時,經訓練得到的傳統 NLP 模型,成效將比 LLM 更加顯著。


  • 建立能夠避開敏感言論的 AI 機器人

    在開發對話機器人時,企業希望 AI 產出高品質的回覆,也預期它能避開敏感話題,而此時 Nvidia NeMo Guardrails 將成為最合適的選擇。

上述情境都是講師團隊在開發 LLM 系統時與客戶的實際場景,透過濃縮萃煉,我們彙整出以下 5 個面向:

  1. 場景應用:自然語言處理(NLP)vs. 大型語言模型(LLM)

  2. 專業領域:LLM 微調(Finetune)方式與各層面優化技巧

  3. 參考知識:完整的檢索增強生成(RAG)技術和應用框架

  4. 技術整合:能聽、能說,更能看的多模態(Multi-Modal)互動系統

  5. 資訊安全:確保 LLM 系統輸入與輸出符合預期、安全且不存在偏見

將上述面向加入課程的目的是幫助你在未來進行 LLM 系統專案開發時,能夠更快且更有系統的分析現況並展開行動!

LLM 課階梯圖

踩穩、再走!

我們希望透過由淺入深的課程設計,幫助你穩扎穩打地掌握 LLM 的開發技能與知識,雖然 AI 領域發展迅速且競爭激烈,但我們堅信,透過紮實的學習,一定能在這個領域奠定良好的基礎。

藍色點狀背景的段落標題「課程規劃」,搭配白色幾何裝飾、左上角彩色圖示與右上角圓點裝飾。

章節一:Gen AI & Python - 生成式 AI 工具與 Python 基礎

踏入 AI 世界的第一步,首先會從整合開發環境(IDE)開始,認識 Google Colab、Visual Studio Code 等實用工具,以及如何利用 ChatGPT、Github Copilot 等生成式 AI 工具提高 Coding 的效率。

章節二:NLP Basics - 自然語言處理入門

本章說明 NLP 背後神經網路架構的演進歷程。作為 LLM 的基礎,我們將實踐數個相關任務,例如:用 BERT(知名的 AI 模型)進行情感分析、使用 GPT-2(ChatGPT 的前身)生成文本、建立語音識別(ASR)和語音合成(TTS)的系統。

除了技術面的實踐外,在這章節大家也會熟悉至 HuggingFace 找到相應程式碼與 AI 模型的操作流程,加速你的開發效率。

💡HuggingFace 是 AI 資料科學家常使用的開源網站,能夠獲取開源 AI 模型與開源程式碼。

章節三:LLM Basics - LLM 基礎概念

LLM 的表現超乎我們人類對於軟體系統的想像,實際數據顯示 ChatGPT 在 2022 問世後,在短短兩個月內就達到越活躍用戶 1 億人的創舉,成為有史以來成長最快的應用服務,爆紅的原因非常單純,因為「太實用了」。

GPT 能夠在多數情況理解人類說的話/寫的字,GPT 不僅正在重塑 AI 資料科學的領域,也讓企業們看見數位系統將變成更加智能化的未來。

因此在本章節,我們除了會深入了解 LLM 的概念、架構和工作原理,也會實際透過程式碼與利用知名開源工具 Ollama 呼叫 OpenAI、Anthropic 與 Google 發布的大型語言模型(分別為 GPT、Claude、Gemini),並且使用開源的 Llama、Phi、Mixtral 等模型,讓大家實際感受 LLM 的無窮潛力。

怎麼讓 LLM 適應特定領域?

想要讓大型語言模型(LLM)具備特定領域的知識嗎?

在第四章節與第五章節,我們將會一起深入探討業界最主流的兩種做法,Finetune 與 RAG,這兩種解決方案在訓練時都能夠以較低的成本獲得顯著的成效,所以已經存在相當多元的討論與演算法,從基礎到最新的實用策略都會在接續的兩章節中出現。

章節四:LLM Finetuning - LLM 訓練優化

本章探討不同微調 LLM 的方式及其使用時機,包含監督式微調(SFT)與基於人類回饋的強化學習(RLHF),而根據自身顯卡(GPU)規格的不同,在實務上也會利用量化(Quantization)與 LoRA 的方式,降低模型微調過程中造成的硬體負擔。

💡LoRA 是 LLM 微調過程中,可採用的模型訓練方法。

本章節不僅會認識演算法本身,還會利用 HuggingFace 的開源套件:Transformers、TRL(Transformer Reinforcement Learning)、PEFT(Parameter-Efficient Fine-Tuning)與Datasets 進行實踐。

LLM Finetuning - LLM 訓練優化※ 上圖展示在 Google Colab 透過 PEFT 與 TRL 套件實作 QLora 與 SFT 訓練的程式碼片段。

章節五:LLM RAG - LLM 結合檢索增強生成

RAG 是建置特定領域知識 QA 問答系統最為常見的做法,不僅能有效提升 LLM 對於領域知識的回覆能力,還能夠提供參考資訊的來源處,方便使用者進一步做查找資訊。

本章節會剖析它的原理與實踐方法,並針對三個面向:向量資料庫(Vector Database)、檢索策略(Step Back、Sub Query)、透過重新排序(Re-Ranking)、資訊壓縮(Compress)、內容摘要(Summary) 機制優化上下文品質(Context Quality),進而優化問答系統的表現,擴展其應用範圍與能力。

LLM RAG - LLM 結合檢索增強生成

※ 上圖展示 RAG 在前期準備與正式使用時的流程圖。

章節六:LLM Development - LLM 應用開發

LangChain 被比喻為大型語言模型(LLM)領域中的 Tensorflow 與 PyTorch,是實用的開源套件;實作項目涵蓋提示工程、記憶方法、模組串接、評估方式與智能助理。

LangChain 是在開發 LLM 系統時最常使用到的開源套件,在這章節將會提到許多實用的技巧,包含:提示工程(Prompts)、記憶管理(Memory)、模組串接(Chains)、評估表現(Evaluation)、智能助理(Agents)等等,都會透過 LangChain 進行實踐。

在這個章節,不僅會認識 LangChain 這個提升開發效率的好工具,還會從概念到實踐,掌握整個 LLM 系統的開發流程。

章節七:LLM Evaluation - LLM 成效評估

在這個章節,將會獲得以下兩個問題的解答:

  1. 對於大型語言模型(LLM)而言,怎麼樣算是表現好呢?

  2. 對於有用 RAG 的 LLM 而言,又該如何評估表現呢?

評估 LLM 表現有許多方法,例如:利用 Benchmark 資料集(如:MMLU 等)來瞭解 LLM 的知識水平;對於導入 RAG 的 LLM 回答系統,也能透過 RAGAS 框架針對文本生成的品質、問答準確性、任務完成度等多個維度來進行評估。

除上述方法外,事實上也能請 LLM 角色扮演,利用適當的關鍵字撰寫技巧,請 LLM 扮演一位評審,協助判斷回覆的優劣,而這也是當今 LLM 開發商主流的評估方法之一。

💡MMLU 的全名是 Measuring Massive Multitask Language Understanding,是評估語言模型能力的 Benchmark(基準)資料集,由約 16,000 個選擇題組成,包含數學、哲學、法律和醫學等 57 個學科,是衡量 LLM 知識水平最常用的基準之一。

章節八:Multi-Modal LLM - LLM 多模態應用

未來的 LLM 應用不僅需要讀懂文字,還要能理解圖像、聲音等多種形式的訊息,這樣的系統被稱為「多模態(Multi-Modal)」系統。本章節將一起利用 OpenAI API 為 LLM 系統加入語音互動與視覺辨識的技術,使其具備「聽懂指令」、「說出聲音」與「看見世界」的能力。

掌握這些技術將能使既有服務更加人性化與智能化,進而提升用戶體驗。

章節九:LLM Security - LLM 安全須知

隨著 LLM 應用的普及,身為系統開發者總是會擔心「 LLM 亂說話」,或是在對答過程中「意外洩漏機密資訊」,正因如此,本章節將帶學員了解 LLM 的應用中有哪些潛在的風險以及應對策略。

從敏感議題、幻覺行為(Hallucination)與關鍵字攻擊行為(Prompt Injection)等安全問題,到如何使用防禦咒語和 Nvidia NeMo Guardrails 來建構更安全的 LLM 系統,都將會是本章節的範疇,這些知識對於開發可靠、值得信賴的應用至關重要,也是我們身為負責任的開發者必須掌握的技能。

資訊安全示意圖呈現提示注入攻擊:助理先拒絕透露秘密,攻擊者改寫指令後成功誘導模型洩漏機密「AI. FREE Team is the best.」,並標示「告知機密訊息」、「嘗試獲取機密」與「洩漏機密訊息」。

※ 上圖展示 LLM 是如何透過 Prompt Injection 取得機密資訊:AI . FREE Team is the best.

章節十:LLM Project - 打造個人 Jarvis

你知道漫威電影 - 鋼鐵人當中的 JARVIS 嗎?

這位智能助理的全名是 "Just A Rather Very Intelligent System",確實非常符合它在電影中知曉一切的形象,而這似乎也是我們對於 AI 的想像。

在本章節,將運用前九個章節所學的知識,Step by step 構建專屬自己的 JARVIS,會從串接網頁前端 Bootstrap 與後端 Django 開始,逐步加入 LLM 的功能,從基礎的問答功能到進階的多模態互動,再到最後的優化表現,一共規劃 19 個單元。

募資期間達標即刻解鎖內容,突破150人抽3名學員獲得一對一技術諮詢與交流;250%、750%、1000%、1500%及2000%依序解鎖業界 AI 專家訪談、LLM 串接 ComfyUI 專題、金融領域客服專題、串接 Zapier 平臺、部署 JARVIS 至 GCP。

※ 上圖解鎖進度將依照募資時期狀態更新,期待這些實用的內容都能與你相見。

藍色像素點背景的段落標題「教學方式說明」,搭配四格進度指示燈與介面風格的裝飾圖示。

大量實作機會 + 生成式 AI 工具輔助

本課程的主軸是「大型語言模型(LLM)開發實務」,因此有超過 50% 的課程內容在撰寫程式碼,並於部份章節準備相應的作業,幫助學員複習重要的知識點。

課程中,我們將嘗試與 AI 協作,在適當時機使用 ChatGPT 或 Github Copilot 等文字生成式 AI 工具一起撰寫程式碼,和學員們一起利用生成式 AI 工具開發 LLM 系統。

課程學習流程依序由「學習」進入「知識」,再透過「實作」與「討論」深化理解,最後完成「歸納」整理。

本課程主要以「螢幕錄影的方式進行教學」,每個章節的首尾分別會從 "Why we need it?" 的觀點出發,以及 "What we've learned so far?" 的討論做結;而中間的每個單元都會有【知識】或是【實作】標籤幫助學員判斷單元的性質,協助學員在學習過程提前準備好心態。

課程當中使用到的程式碼都會提供給學員們,若在學習的過程中有任何的想法、疑問、回饋都歡迎與講師們交流,邀請學員加入專為本課程建立的 Facebook 學習社團,針對好的討論,也會利用臉書的「參考指引」功能歸納討論,累績學習社群的知識資產。

💡FB 學習社團僅限購課學員加入,課程網址將於開課後於公布欄公告。

藍色點狀橫幅以像素風加號與進度圓點作為裝飾,中央標示「回覆與作業設計」。

回覆學員提問

誠摯地歡迎學員在討論區或課程臉書社團中提出討論,會盡快在一週內回覆您的疑問,幫助您在學習路上快速排除障礙。此外,也會將適當的討論歸納於臉書社團的「參考指引」中,方便學員們快速找到實用的討論串。

每週作業批改

至少每週會批改一次學員們繳交的作業,確保學員掌握每個章節的重要知識點。

「團隊講師介紹」段落標題置於藍色點狀橫幅中央,搭配白色像素風裝飾;左側有兩個綠色方塊與藍色斜線圖示,右上角有四個圓點指示圖示。鄭中嘉

※ Eric 想說:「自從在 2017 踏入 AI 的領域後,實際看見且認真著墨的主題有:資料科學、機器學習、深度學習、生成對抗網路、電腦視覺、自然語言處理、可解釋性 AI。相信關注 AI 領域的你也覺得這個領域的演進既迅速又有趣,而現在來到生成式 AI 大爆發的紀元,有好多可能性正在發生,我們有些不錯的想法和方法論,希望有機會能在課程中一起討論囉!」

講師李浩維(Hank ++)是 LLM 技術經理,參與開源生成式 AI 產業應用教案與 Generative AI Industrial Case Study,擔任讀書會負責人,具 Deep Learning Specialization,並撰寫「#知己知彼 AI 系列」及從事生成式 AI 系統部署與網站開發。

※ Hank 表示:「課程中的實作內容大都是我在進行 LLM 系統開發所使用的方法,對於哪些方法有哪些坑,我們都已經實際踩過 N 次,期待能夠在課堂當中把這些經驗分享給你,讓你在 LLM 系統的開發路途上暢通無阻!」

關於 AI . FREE Team

AI . FREE Team 秉持「整合各方學習資源、跨專業領域知識共享」的核心理念,以人工智慧為技術服務,提供客戶技術諮詢、專案委外開發、教育訓練、專案開發,與技術顧問服務,同時也透過每周的讀書會持續精進技術實力以及對於大環境趨勢的敏感度,成立至今已累計 200 場次的線上技術討論會,更多資訊請見 AI . FREE Team 官方網站。

課程補充教材

團隊具備完整多元的 AI 教材,下方內容將會在開課後公告,提供學員購課後自主學習:

  • Python 程式設計(Python Basics)> 共 15 單元

  • 機器學習基礎(Machine Learning Basics)> 共 22 單元

  • 人工智慧基礎(AI Introduction)> 共 9 單元

  • 語音合成 TTS 開源專案 > 附上 YouTube 影片講解

  • 生成式 AI 於產業應用教案實作練習模組 > 共 6 章節

  • 零基礎成為 AI 解夢大師秘笈 > 共 30 單元

相關 AI 人才培訓實績

  • (2024)漢翔航空企業内訓 - 善用生成式 AI 工具提升職場能力

  • (2024)對外發展貿易協會 - AI繪圖用於業務情境

  • (2024)碩遠科技企業內訓 - 生成式 AI 實務應用

  • (2024)商檢中心企業內訓 - 生成式 AI 實務應用

  • (2024)AI4Kids 線上工作坊 - AI 繪圖與生成式 AI 工作坊

  • (2024)太格地材企業內訓 - 生成式 AI 實務應用

  • (2024)華興文教 - AI 繪圖實務應用與藝術設計

  • (2024)AIGO 培訓課程 - 智能辦公:生成式 AI 實務應用與案例分析

  • (2023)嘉友電子企業內訓 - AI 繪圖實務應用

  • (2023)赫彩設計學院 - 開創設計未來,生成式 AI 課程

  • (2023)AIGO 培訓課程 - 智慧製造 / 智慧商務 / AI 繪圖實務課程

  • (2023)Hahow 好學校 - AI 繪圖溝通術:搭上 AI 藝術的魔法列車(滿星評價)

  • (2022)Hahow 好學校 - 學習 AI 一把抓:點亮人工智慧技能樹(滿星評價)

歷來績優事項

  • (2023)AI . FREE Team 榮獲「AIGO 卓越人才培訓機構」

  • (2023)AI 應用鬥智賽「影像辨識輔助治療師判讀閱讀障礙」- 優勝

  • (2023)AI 應用鬥智賽「中文語音風格轉換」- 佳作

  • (2022)AIGO 競賽「利用情感語意分析建構商家網路評價機制」- 佳作

  • (2021)AIGO 競賽「原住民族語言斷層,輔以 AI 傳承」- 特優

  • (2018)Github 開源之繁體中文手寫資料集 - 獲 167 個 Star

專案合作項目

  • (2024)台灣知名科技廠:虛偽辨識生成式 AI 系統開發

  • (2024)台中社福組織:生成式 AI 網頁服務開發

  • (2023)南部知名廠商:訂單數位化系統與演算法開發

  • (2023)大學相關科系:影像辨識輔助治療師判讀閱讀障礙

  • (2023)AI 研發公司:中文語音風格轉換

  • (2022)資訊工業策進會:文字轉語音(TTS)開源專案

  • (2022)成大數據所 Lab:超音波影像舌緣辨識

若針對課程有任何疑問或想法,歡迎透過下方聯絡資訊與我們聯繫:

學員評價《AI 繪圖溝通術,生成式 AI Stable Diffusion 帶你施展魔法》:課程深入淺出、邏輯清晰,從 Python 語法到機器學習與 AI 實作,教學完整且適合初學者,學員也肯定其高 CP 值。

哪些人適合這堂課?
▶︎ 想要自學走入 AI 領域的學員 生成式 AI 已然是 AI 領域的重中之重,也成為踏入這個領域的必經之路。完整掌握 LLM 的開發技術將使你在市場能見度大幅提升。 ▶︎ 欲提升 AI 實力的資料科學家 生成式 AI 與資料科學勢必走向整合,LLM 將為既有方法論帶來全新的轉變,掌握 LLM 將使你在資料分析的過程中具備更多手段。 ▶︎ 企業內部 LLM 技術團隊人員 LLM 部門成立目標是幫助企業達到數位轉型,掌握 LLM 技術將能夠加速企業内部「知識庫管理系統」與「智能客服系統」的開發。 ▶︎ 開發 AI 軟體系統自由接案者 作為「系統建置者」與「敏捷學習者」的最佳代名詞,掌握 LLM 技術與關鍵字撰寫技巧將能夠幫助你更具備接案的競爭力。 ▶︎ 打造軟體服務的新創團隊 作為正在打造軟體服務的新創團隊,隨著生成式 AI 的世代來臨,未來的服務一定離不開 LLM 的開發,在產品服務中整合 LLM 技術,必能提高其商業能見度。
你可以學到
▶︎ 掌握 AI 的核心概念:深度學習(DL)、自然語言處理(NLP)、大型語言模型(LLM) ▶︎ 學會如何與 AI 溝通:關鍵字撰寫技巧用於 Github Copilot 與 ChatGPT 等工具 ▶︎ 熟悉 LLM 開發框架:HuggingFace、LangChain、LlamaIndex 等知名工具 ▶︎ 實作 LLM 問答系統:檢索增強生成(RAG)、模型微調(Finetune) ▶︎ 確保 LLM 資訊安全:Nvidia NeMo Guardrails 開源套件 ▶︎ 打造 LLM 智能助理:知道如何從 0 到 1 打造個人專屬的 LLM 系統 - JARVIS
上課前的準備
需要準備的工具 / 軟體(若購買課程前不清楚版本是否支援,請先留言與老師確認。)
#必要工具/軟體 ▶︎ Google Colab:免費工具 ▶︎ Visual Studio Code:免費工具 ▶︎ Anaconda:免費工具 ▶︎ OpenAI API:需約台幣 150 元額度(5 美金) #非必要(Optional 工具/軟體) ▶︎ Github Copilot:針對學生有提供免費教育方案,而一般用戶則需每月 300 元額度(10 美金) 的訂閱費。 ▶︎ ChatGPT:免費使用。 ▶︎ Claude:免費使用。
需要具備的背景知識
本課程將鎖定想學習開發 LLM 的初學者,建議需要有程式基礎,即便沒有程式開發經驗,本課程仍有提供基礎程式入門教學資源,只要你想走入生成式 AI 的領域、有系統性的學習 LLM 開發,並且希望獲得實戰開發經驗,你絕對不能錯過這堂課! ▶︎ 對於 Python 有一定掌握程度:變數宣告、條件判斷、迴圈操作、套件使用。 ▶︎ 沒有撰寫 Python 經驗的學員:於購課後,提供 Python 基礎銜接課程,確保學員有足夠能力進行學習。 ▶︎ 需具備國中程度之英文能力 Python 的語法教學會使用到基礎的英文像是訓練 train、導入套件 import 等。 ▶︎ 需具備國中程度之數學能力 演算法的介紹會使用國中數學基礎知識,如平均數、標準差的概念。 本課程專為希望深入大語言模型(LLM)領域的學員設計,無論你是自學路上遭遇瓶頸、還是對 LLM 的技術感到陌生,或是程式開發的初學者,這堂課程將帶領你/妳系統化地掌握 LLM 核心技能,並以實戰經驗為導向,幫助你打通開發過程中的關鍵難點,邁向生成式 AI 技術應用的高峰! 課程適合對象: 具備 Python 基礎的學員:需了解變數宣告、條件判斷、迴圈操作與套件使用等基礎概念。 程式初學者:即使完全沒有撰寫 Python 經驗,也不用擔心!我們提供課前基礎 Python 銜接課程,幫助你奠定扎實的基礎,無縫銜接課程內容。 具備國中程度英文能力:課程中涉及的程式碼和語法將使用基本英文單字(如 train、import 等)。 具備國中程度數學能力:課程中的演算法介紹會使用基本數學概念,例如平均數與標準差。 課程特色: 解決自學者常見卡關,專注於實戰開發與落地應用。 由淺入深,從理論到實作,系統化掌握 LLM 開發全流程。 提供完善的學習資源與技術支持,助你突破學習障礙。 想要真正實現生成式 AI 開發能力,這堂課將是你踏上專業之路的最佳選擇!
單元一覽
11 章 117 單元|總時長 1,512 分鐘
全部展開
1
Gen AI & Python - 生成式 AI 工具與 Python 基礎
影片單元
單元 1 - 課程總覽與生成式 AI 工具介紹
13:59
影片單元
單元 2 - 【實作】整合開發環境(IDE):Google Colab
10:03
影片單元
單元 3 - 【實作】Python 先備知識 - Google Colab
22:24
影片單元
單元 4 - 【實作】整合開發環境(IDE)II:準備 Visual Studio Code 與 Github Copilot
09:28
影片單元
單元 5 - 【實作】整合開發環境(IDE)III:透過 Anaconda 建立虛擬環境
10:14
影片單元
單元 6 - 【實作】大數據 I:透過 Colab AI 撰寫爬蟲程式碼
05:57
影片單元
單元 7 - 【實作】大數據 II:透過 Cursor 撰寫爬蟲程式碼
08:35
影片單元
單元 8 - 【實作】大數據 III:透過 Github Copilot 撰寫爬蟲程式碼
06:06
影片單元
單元 9 - 第一章節內容總結
09:18
2
NLP Basics - 自然語言處理入門
影片單元
單元 1 - 第二章節學習目標
20:08
影片單元
單元 2 - 【知識】人工智慧(Artificial Intelligence)發展介紹
24:06
影片單元
單元 3 - 【知識】深度學習(Deep Learning)模型演變
16:28
影片單元
單元 4 - 【知識】自然語言處理(Natural Language Processing)主流任務
15:44
影片單元
單元 5 - 【知識】HuggingFace 網站:模型、資料集、API
11:26
影片單元
單元 6 - 【實作】讓 AI 具備「讀」的能力:電影評論分析
09:21
影片單元
單元 7 - 【實作】讓 AI 具備「寫」的能力:周易解夢
18:20
影片單元
單元 8 - 【知識】OpenAI 與 Nvidia 語音工具
10:47
影片單元
單元 9 - 【實作】讓 AI 具備「聽」的能力:語音識別
14:40
影片單元
單元 10 - 【實作】讓 AI 具備「說」的能力:文字轉語音
15:10
影片單元
單元 11 - 第二章節內容總結
05:52
3
LLM Basics - LLM 基礎概念
影片單元
單元 1 - 第三章節學習目標
06:19
影片單元
單元 2 - 【知識】管理 LLM 專案:LLMOps 大型語言模型開發維運框架
15:13
影片單元
單元 3 - 【知識】LLM 演進歷程
15:55
影片單元
單元 4 - 【知識】閉源 LLM:ChatGPT, Claude, Gemini
15:46
影片單元
單元 5 - 【實作】關鍵字撰寫技巧(Prompt Engineering)I
13:28
影片單元
單元 6 - 【實作】轉錄稿摘要:使用閉源 LLM
10:31
影片單元
單元 7 - 【知識】開源 LLM:Llama, ChatGLM, TAIDE, Breeze
11:34
影片單元
單元 8 - 【實作】關鍵字撰寫技巧(Prompt Engineering)II
15:30
影片單元
單元 9 - 【實作】報價單生成:隱私資料透過本地端 LLM 生成
影片單元
單元 10 - 【實作】透過 Ollama 執行 LLM,並提供 API 呼叫
19:17
影片單元
單元 11 - 第三章節內容總結
06:09
作業單元
作業 1 - 【作業】選擇一個 LLM 回答 3 道題目
查看作業
4
LLM Finetuning - LLM 訓練優化
影片單元
單元 1 - 第四章節學習目標
影片單元
單元 2 - 【知識】微調 LLM 必備知識 I - SFT
27:40
影片單元
單元 3 - 【知識】微調 LLM 必備知識 II - Quantization
05:15
影片單元
單元 4 - 【知識】微調 LLM 必備知識 III - Full-Tuning vs. LoRA vs. QLoRA
23:09
影片單元
單元 5 - 【實作】LLM 的載入與量化
25:08
影片單元
單元 6 - 【實作】準備 SFT 所需之訓練資料集
15:22
影片單元
單元 7 - 【實作】基於 SFT 與 QLoRA 微調 LLM
27:41
影片單元
單元 8 - 【實作】安裝開源 LLM 訓練工具 - Llama Factory
08:49
影片單元
單元 9 - 【實作】透過 Llama Factory 完成 LLM 的微調
17:57
影片單元
單元 10 - 【知識】基於人類反饋的強化學習 - RLHF:PPO 與 DPO
38:03
影片單元
單元 11 - 【實作】準備 DPO 所需之訓練資料集
16:03
影片單元
單元 12 - 【實作】基於 DPO 與 LoRA 微調 LLM
15:03
影片單元
單元 13 - 【實作】利用 Llama Factory 與 DPO 微調 LLM
04:35
影片單元
單元 14 - 【實作】參與開源社群,將微調後的成果上傳至 HuggingFace
05:28
影片單元
單元 15 - 第四章節內容總結
04:03
作業單元
作業 1 - 【作業】微調 LLM,使其具備程式撰寫能力
查看作業
5
LLM RAG - LLM 結合檢索增強生成
影片單元
單元 1 - 第五章節學習目標
08:17
影片單元
單元 2 - 【知識】參考外部資訊:檢索增強生成(RAG)
13:24
影片單元
單元 3 - 【知識】向量資料庫(Vector DB)方案:Chroma, Pinecone, Faiss
06:20
影片單元
單元 4 - 【實作】客服常見問答:實踐基礎 RAG
20:14
影片單元
單元 5 - 【知識】進階 RAG 策略 I - 優化 User Prompt(Step Back, Sub Query)
06:06
影片單元
單元 6 - 【實作】實踐進階 RAG 策略 I - 優化 User Prompt
18:02
影片單元
單元 7 - 【知識】進階 RAG 策略 II - 優化 Retrieval Chunk(Expand)
03:25
影片單元
單元 8 - 【實作】實踐進階 RAG 策略 II - 優化 Retrieval Chunk
13:25
影片單元
單元 9 - 【知識】進階 RAG 策略 III - 優化 Context Quality(Compress, Summary)
06:22
影片單元
單元 10 - 【實作】實踐進階 RAG 策略 III - 優化 Context Quality
10:52
影片單元
單元 11 - 【知識】引入模組化 RAG - Modular RAG
12:25
影片單元
單元 12 - 【實作】進階 RAG 策略 IV - 加入 Memory 模組
11:38
影片單元
單元 13 - 【知識】知識圖譜(Knowledge Graph)
08:29
影片單元
單元 14 - 【知識】認識知識圖譜工具與指令:Neo4j 與 Microsoft GraphRAG
21:37
影片單元
單元 15 - 【實作】建置知識圖譜 I:結構化資料(如:Excel)
19:06
影片單元
單元 16 - 【實作】建置知識圖譜 II:非結構化資料(如:Txt)
21:53
影片單元
單元 17 - 第五章節內容總結
01:12
作業單元
作業 1 - 【作業】結合 Vector DB 與 Knowledge Graph
查看作業
6
LLM Development - LLM 應用開發
影片單元
單元 1 - 第六章節學習目標
03:23
影片單元
單元 2 - 【知識】開源套件:LangChain
08:44
影片單元
單元 3 - 【實作】LangChain 基礎 I
17:15
影片單元
單元 4 - 【實作】LangChain 基礎 II
17:40
影片單元
單元 5 - 【實作】重構客戶問答機器人專案程式碼 I
11:44
影片單元
單元 6 - 【知識】開源套件:LlamaIndex
05:06
影片單元
單元 7 - 【實作】LlamaIndex 基礎 I
08:25
影片單元
單元 8 - 【實作】LlamaIndex 基礎 II
12:52
影片單元
單元 9 - 【實作】重構客戶問答機器人專案程式碼 II
11:27
影片單元
單元 10 - 【知識】進階應用技巧:Function Calling
07:21
影片單元
單元 11 - 【實作】 Agent 實作案例 I
18:23
影片單元
單元 12 - 【實作】 Agent 實作案例 II
09:33
影片單元
單元 13 - 第六章節內容總結
02:16
作業單元
作業 1 - 【作業】以 LangChain 建置問答系統
查看作業
7
LLM Evaluation - LLM 成效評估
影片單元
單元 1 - 第七章節學習目標
04:58
影片單元
單元 2 - 【知識】LLM 文字表現評估指標 Benchmark
34:13
影片單元
單元 3 - 【實作】利用 Benchmark 評估 LLM 文字表現
16:06
影片單元
單元 4 - 【知識】LLM 服務衍生指標
09:48
影片單元
單元 5 - 【知識】RAG 表現評估框架:RAGAS
08:56
影片單元
單元 6 - 【實作】利用 RAGAS 比較不同 RAG 方法表現優劣
11:35
影片單元
單元 7 - 【知識】LLM 角色扮演:透過 Prompt 指引 LLM
04:59
影片單元
單元 8 - 【實作】設計 Prompt 指引 GPT 進行評估
09:49
影片單元
單元 9 - 【知識】NLP 微調應用:設計輸出層並訓練
09:09
影片單元
單元 10 - 第七章節內容總結
02:14
作業單元
作業 1 - 【作業】利用 RAGAS 框架評估 RAG 回覆表現
查看作業
8
Multi-Modal LLM - LLM 多模態應用
影片單元
單元 1 - 第八章節學習目標
02:27
影片單元
單元 2 - 【知識】使 AI 具備語音對話的能力
04:57
影片單元
單元 3 - 【實作】AI 靈感助理:語音摘要本日工作事項
08:25
影片單元
單元 4 - 【知識】使 AI 具備視覺
05:01
影片單元
單元 5 - 【實作】AI 場景識別:VLLM 實務應用
09:18
影片單元
單元 6 - 【知識】使 AI 能夠參考影片資訊
02:30
影片單元
單元 7 - 【實作】AI 影片幫手:參考影片資訊進行回覆
21:45
影片單元
單元 8 - 第八章節內容總結
02:19
9
LLM Security - LLM 安全須知
影片單元
單元 1 - 第九章節學習目標
02:56
影片單元
單元 2 - 【知識】LLM 的幻覺行為(Hallucination)與解決方案
08:39
影片單元
單元 3 - 【知識】Prompt Injection 關鍵字攻擊
06:50
影片單元
單元 4 - 【實作】利用防護咒語保護 LLM
17:57
影片單元
單元 5 - 【實作】Nvidia NeMo Guardrails 過濾敏感言論
08:49
影片單元
單元 6 - 第九章節內容總結
01:22
作業單元
作業 1 - 【作業】透過 NeMo Guardrails 使 LLM 避開敏感話題
查看作業
10
LLM Project - 打造個人 JARVIS
影片單元
單元 1 - 最後一章節學習目標
03:49
影片單元
單元 2 - 【實作】JARVIS 前端網頁設置 - 版本 I:基礎對話 UI
11:34
影片單元
單元 3 - 【實作】Jarvis 後端開發 - Django (合併記憶功能)
19:40
影片單元
單元 4 - 【實作】加入 OpenAI API 確認具備問答能力
11:37
影片單元
單元 5 - 【實作】系統升級 1:專家知識庫新增 - 後端套用 RAG 機制
24:40
影片單元
單元 6 - 【實作】系統升級 2:加入網路知識搜索功能
14:23
影片單元
單元 7 - 【實作】系統升級 3:提升 Jarvis 回覆問題的效率
16:26
影片單元
單元 8 - 【實作】系統升級 4:避免輸出敏感言論
14:37
影片單元
單元 9 - 【實作】系統升級 5:加入語音服務
09:33
影片單元
單元 10 - 【實作】系統升級 6:加入視覺理解服務
11:32
影片單元
單元 11 - 【實作】系統升級 7:加入 Function Calling,以台股數據為例
15:30
影片單元
單元 12 - 【實作】將 JARVIS 服務提供給別人使用 - Ngrok
05:17
影片單元
單元 13 - 【實作】使用 Open Source LLM 作為回覆引擎
11:58
影片單元
單元 14 - 課程總結:恭喜你完成本課程!
04:26
11
解鎖課程
影片單元
單元 1 - 250% 業界 AI 專家訪談
01:12:58
影片單元
單元 2 - 750% LLM 串接 ComfyUI 專題
30:18
影片單元
單元 3 - 1000% 金融領域客服專題
31:47
試看單元
播放試看影片
章節 3 - LLM Basics - LLM 基礎概念
單元 9 - 【實作】報價單生成:隱私資料透過本地端 LLM 生成
試看影片
20:52
播放試看影片
章節 4 - LLM Finetuning - LLM 訓練優化
單元 1 - 第四章節學習目標
試看影片
07:26
課程評價
4.9
/ 5.0
25 則評價
HongChen Lee2025-08-28
很棒的課程
過去工作中有做過一些AI的應用,前陣子工作上也有做過一些像是會議記錄生成、RAG、SQL Agent等LLM的應用。 透過本堂課有學到不少或是說補足過去比較少接觸到的領域,像是微調與RLHF、防護咒語等,也都講得淺顯易懂,且加上實作,也讓我對這些不熟悉的領域熟悉不少。 因此非常推薦這堂課給不管是會不會AI的人,我想都會覺得收穫良多。整體而言,這堂線上課程真的是『關公都點頭,有料』,對我而言收穫良多!
AI . FREE Team
授課老師
2025-09-01
HongChen Lee 非常感謝您的正面 Feedback,我們也很高興您從這個課程當中有所獲得!
查看更多
4 人覺得有幫助
Jou-An Chen2025-11-01
很好的一門課,非常適合初學AI者!
本人背景:目前是耕耘在後端的工程師,對程式碼也不太陌生。 在這門課中,可以接觸到更多不同的Python程式碼樣貌,讓我感到非常新奇!尤其是這門課程的實作都會附上程式碼,這讓我覺得學習起來更容易一些。有程式碼與影片一同對照,真的是一門很好的課程,真心推薦大家來學。 在這門課中,對於LLM的相關知識與應用非常非常的豐富,學習這門課的初衷幾乎都有達成,讓我感到相當的意外,收穫滿滿!很謝謝講師努力的安排這門課程,包含的所有簡報、所有程式碼,都是簡潔而精準地傳達到每一個知識~ 也很謝謝當初衝動刷下信用卡的自己,幸好我有加入這門課,讓我首度揭露一點關於LLM的神秘面紗!
AI . FREE Team
授課老師
2025-12-01
謝謝您的回饋!很高興這堂課程對您有收穫!
查看更多
3 人覺得有幫助
林恆成2025-11-02
完整的上課內容
原本聽到LLM的時候,各種專有名詞總覺得用途好像相同內容又發散,但經過hahow團隊的整理後變得清晰很多。
AI . FREE Team
授課老師
2025-12-01
謝謝您的回饋!
查看更多
3 人覺得有幫助
swallow2026-05-04
表達淺顯易懂
課程順序編排、內容製作及解說整體感覺很不錯
(已編輯)
AI . FREE Team
授課老師
2025-05-22
非常感謝您的正面回應,很開心內容有幫助到您!
查看更多
3 人覺得有幫助
James Kai2025-12-03
推薦 全方位 LLM 實戰攻略 課程
非常喜歡這課程,老師講解條理清晰、化繁為簡, 先由理論到架構設計說明, 讓我理解 LLM 各模組發展的前因後果, 接著實作範例來驗證, 讓我這初學者對 LLM 整體架構有更深入的了解。
AI . FREE Team
授課老師
2026-02-07
謝謝 James ~ 很高興你喜歡這堂課程喔!
查看更多
2 人覺得有幫助

意猶未盡嗎?

關於講師

AI . FREE Team
3堂課程
2篇文章
2,125位學生
AI . FREE Team 成立於 2018 年,秉持著「整合各方學習資源、跨專業領域知識共享」的核心理念,以人工智慧為研究主題,旨在建立自由、自主的學習文化。
前往講師頁面
精選學生作業

購課前問答

日期最新
日期最新
日期最舊
愛心數
金龍
2026-09-09
在買課之前想知道幾件事情: 由於並非程設背景與相關科系畢業,若是將來想要轉行Prompt Engineer的話(gemini稱之為提示詞工程師),請問這堂課能給到我什麼未來就業上相關的幫助嗎? 以及倘若我要精進學習的內容,跟上現下大環境的話,是購入這堂課足矣?亦或是我需要與其他課程一起買嗎?
AI . FREE Team
授課老師
2026-10-05
金龍您好,謝謝你的提問。如果你的目標是未來轉往 AI/LLM 相關工作,我會給你以下建議: 現在如果只把職涯目標設定成「Prompt Engineer/提示詞工程師」,範圍可能會稍微窄了一些。 Prompt Engineering 當然還是很重要,例如如何設計 System Prompt、控制模型輸出格式、拆解任務、降低 hallucination 等,這些都是實際開發 LLM 應用時會使用的能力。 但現在企業在導入生成式 AI 時,通常不只需要「把 Prompt 寫好」,還會遇到更多問題,例如: - 公司自己的資料要怎麼讓 LLM 使用? - Embedding、Vector Database、Retrieval 分別在做什麼? - 如何讓 LLM 呼叫外部 API 或工具? - 如何建立 Agent? - 模型回答得好不好,要怎麼評估? - 最後又要如何把這些功能真正做成一個可以使用的系統? 因此這門課的定位,比較不是培養「只會 Prompt 的人」,而是希望讓你建立一套 LLM Application Development 的完整基礎能力。 即使你不是資訊或程式設計相關科系出身,也可以從課程前面的 Python 與開發環境開始學,再逐步進入 Prompt Engineering、開源/閉源 LLM、RAG、向量資料庫、Fine-tuning、LangChain、LlamaIndex、Agent、Function Calling、Evaluation、多模態等內容,最後也會實際整合成完整的 LLM 專案。 所以如果未來要轉職,我會比較建議你把目標放在: 「我能不能利用 LLM 解決一個實際問題?」 例如你能自己做出一套「公司文件問答系統」,並且可以說明: 文件如何切 Chunk → 如何 Embedding → 如何存入 Vector Database → 如何 Retrieval → 如何把 Context 提供給 LLM → 如何評估回答品質。 這種能力在履歷與面試時,通常也比單純寫「熟悉 Prompt Engineering」更容易具體呈現你的能力。 至於第二個問題:「買這堂課是否就足夠?」 我會建議不用一開始就買很多不同的課程。 如果你目前還沒有程式背景,可以先把這堂課當成建立 LLM 領域完整地圖與實作基礎的第一步。先理解 Python、LLM、RAG、Agent 等核心概念之間的關係,再從實作過程找到自己真正想深入的方向。 這樣會比一開始買很多課,但不知道各自為什麼要學,更有效率。 另外也想先說明,單靠任何一堂課都無法保證轉職成功。如果未來真的希望進入相關產業,除了課程之外,我會很推薦你至少完成 1~2 個可以展示的專案,並且能在面試時解釋「為什麼這樣設計、遇到什麼問題、如何改善」。 希望以上建議可以幫助到你~ Best Regards, Hank
回覆
我也想問
俞沛辰
2026-07-24
您好,想詢問使用MacBook pro m1pro 16/512 設備可以嗎? 另外想確認目前課程是否有更新最符合業界的學習內容呢
AI . FREE Team
授課老師
2026-07-28
沛辰您好,謝謝你的詢問。 1. MacBook Pro M1 Pro(16GB/512GB)是否可以使用? 可以,這個規格足以完成課程中大部分的學習與實作,例如 Python 開發、API 串接、Prompt Engineering、RAG、向量資料庫、LangChain、LlamaIndex,以及一般規模的本地端模型測試。 不過,若執行較大型的本地模型或進行 LLM 微調,16GB 記憶體仍會有模型大小與執行速度上的限制。這類需要較高運算資源的單元,可以改用 Google Colab 或其他雲端 GPU 環境完成。 另外,M1 Pro 屬於 Apple Silicon 架構,部分套件的安裝指令可能會和 Windows 或 NVIDIA 顯示卡環境略有差異。若遇到版本或相容性問題,也可以在課程討論區提出,我們會協助確認。 2. 課程內容是否符合目前業界的學習需求? AI 領域的模型、套件與 API 確實更新得很快,因此沒有任何一門課程可以保證所有工具畫面、版本與程式碼永遠不變。若課程中的工具因版本更新而出現操作差異,我們會盡快提供修正方式;若評估某個單元已有較大的變化,也會補充新的教材或教學影片。 但這門課程的核心並不是只教某一個模型版本,或只讓學員記住某套工具的固定寫法,而是希望建立一套即使工具改變,仍然可以持續使用的底層能力,例如: LLM 應用系統如何拆解與設計 Embedding、向量資料庫與檢索之間的關係 RAG 為什麼有效,以及如何改善檢索品質 Prompt、Function Calling、Agent 與 Memory 各自解決什麼問題 如何評估模型輸出,而不是只確認程式能否執行 如何將模型、資料與前後端服務整合成完整應用 業界使用的模型和框架會持續改變,但這些問題不會消失。只要理解底層邏輯,未來從 OpenAI 切換到其他模型,或從 LangChain、LlamaIndex 改用新的框架時,仍然知道每一個模組的用途,以及應該如何重新組合。 以上建議供您參考,希望有幫助到您! Best Regards, Hank
回覆
我也想問
雅涵杜
2025-12-21
老師好,想確認一下除了GPT的API以外,課程內還有哪些資料庫或是軟體需要訂閱或購買才能使用的嗎?
AI . FREE Team
授課老師
2025-12-23
雅涵您好 課程在實作上,唯一需要付費的項目是 GPT(OpenAI)API,這部分是依照你的實際呼叫量計費(用多少算多少),原則上照課程的進度進行,五美金是綽綽有餘的。 另外我也補充一下:課程的第一章節第四單元有提到 GitHub Copilot ,這是屬於「加速寫程式的工具分享」,不是課程必備;就算沒有 Copilot 也完全可以照課程完成。若你是學生身分,該單元也有介紹官方提供的免費試用/學生方案。 以上建議供您參考,希望有幫助到您! Best Regards, Hank
回覆
1 人想問
jerry80hk
2025-12-06
1. 對於現在2025.12來說,課程舊嗎?還用得著嗎?因為看你的課程應該是大概是2024年,現在的AI進步得很快,差不多每個月有重大更新。 2. 學完之後有冇證書之類,方便寫上CV,可以在求職時能証明自己有這方面的知識?
(已編輯)
AI . FREE Team
授課老師
2025-12-11
同學您好, 感謝你提出這兩個很關鍵的問題,我這邊做比較完整的回覆: 1️⃣ 課程在 2025 年還用得上嗎? 這個課程最初確實是在 2024 年底架構完成,但 AI 的領域更新很快,所以我們的作法是: ✔ 我們 持續觀察技術更新並補充內容 如果有學員反映某些單元因工具版本改動而操作不同,我們會: - 先提供更新後的示範或補充教學 - 若我們評估某個部分需要重新錄製,我們也會補上新的補充影片 我們的原則很簡單: - 確保你現在學到的內容在當下仍然是可用的、實作得出來的。 而且課程主要帶的是: - LLM 核心概念 - RAG 設計思維 - Prompt Engineering - 多模態、微調、代理等底層能力 - AI 系統的架構化思考 這些在 2024、2025、甚至未來幾年都仍然是企業需要的核心技能。 工具會變,但底層能力長期都適用。 2️⃣ 完課後是否有證書?可以放履歷嗎? 是的,Hahow 會提供 完課證明(Certificate of Completion),供您放在 CV 上 ~ Best Regards, Hank
回覆
我也想問
CC IgriegaAO
2025-11-07
第一次在hahow看到這個課程,剛好最近因為工作上面的需求,想要學習建立一個local端的AI機器人,來判讀公司內部的文件並從文件中擷取所需要的訊息。看了課程內容,感覺是符合學習需求。想請問老師,這個課程對於Python的要求到什麼程度呢?我以前沒有學過Python,也沒有其他程式語言經驗。
AI . FREE Team
授課老師
2025-11-11
CC IgriegaAO 您好, 這門課的核心目標是帶大家一步步實作出能在本地端運行的 AI 助理,因此課程中確實會接觸到一些 Python 程式操作。不過請不用擔心,就算您沒有程式背景也能跟上! 在課程的第一章〈Gen AI & Python〉中,我們特別安排了多個從零開始的 Python 與開發環境教學,內容包含: - 使用 Google Colab 撰寫 Python 程式(免安裝、直接上手) - Python 的基礎語法與實作練習 - VS Code、Anaconda、Github Copilot 等輔助工具教學 另外,購課後我們也會提供四部基礎 Python 教學影片,幫助沒有程式經驗的學員補足進度、建立信心。 整體來說,只要您願意一步步照著操作、邊學邊做,就能順利完成課程中的實作項目,從建立 RAG 系統到打造自己的 JARVIS 助理!🚀 如果在學習的過程中有遇到任何問題也可以隨時提出來討論! Best Regards, Hank
回覆
我也想問
購買單堂課

NT$4,500
有什麼優惠可以用?
小蛙幫你找最佳優惠
登入看看 有什麼優惠用
✴️ 雙 11 特選 1+1 ✴️ LLM 開發 × 外商心法
搶攻職場頂尖高薪
2堂課程
共 2 堂課程
組合優惠價
NT$9,200
NT$32,300
剩餘 10 份
倒數02天11時24分
✴️ 雙 11 特選 1+1 ✴️ LLM 開發 × AI 工作流
AI 職場戰力:工具選擇與開發實戰
2堂課程
共 2 堂課程
組合優惠價
NT$7,200
NT$16,300
限時優惠
倒數02天11時24分