參考資料與延伸閱讀

← 返回目錄

📚 資源分類

本文檔整理了學習 AI 歷史與生成式 AI 的精選資源，包含影片、書籍、線上課程、研究論文等，並提供學習路徑建議。

🎥 推薦影片（中文資源）

1. AI 歷史與發展概觀

【AI世代的教與學】part2 / 陳宜欣教授

內容摘要:
此影片為清華大學資工系陳宜欣教授的演講，探討 AI 對教育、工作和社會的深遠影響。

核心議題:
- 在 AI 時代，「定義問題」比「解決問題」更重要
- 數學與機率思維的核心角色
- 重新思考學生評量方式的必要性
- 如何培養學生的批判性思維與創造力
- AI 無法取代的人類能力是什麼？

為什麼值得看:
- 從教育視角切入，思考 AI 時代的人才培養
- 提供實際教學案例與建議
- 適合思考「學什麼」而非「怎麼教」

相關章節: 第 I 章（導論）、第 IX 章（總結與反思）

【生成式AI時代下的機器學習(2025)】第一講：一堂課搞懂生成式人工智慧

內容摘要:
李宏毅教授深入探討生成式 AI 的技術突破與未來發展趨勢。

涵蓋主題:
- 自迴歸生成 (Autoregressive Generation):
- 如何逐步生成文本、圖像
- GPT 系列的核心機制
- 通用模型 (General/Universal Models):
- 為何大模型能處理多種任務
- 規模化定律的解釋
- Transformer 架構深度解析:
- 注意力機制的數學原理
- 為何 Transformer 如此成功
- 預訓練-微調範式:
- 如何有效利用未標註數據
- 遷移學習的原理

為什麼值得看:
- 台灣最受歡迎的機器學習課程之一
- 講解深入淺出，配有大量圖解
- 提供課程簡報下載（見影片說明欄）
- 涵蓋最新的研究進展

相關章節: 第 VII 章（深度學習）、第 VIII 章（生成式 AI）

學習建議:
- 可以分段觀看，每次約 30-45 分鐘
- 建議先看第 I-III 章建立概念，再觀看此影片
- 配合簡報一起學習效果更佳

【人工智能】回顧人工智能十年發展歷程 (2013-2023)

內容摘要:
這部影片以時間軸方式回顧 2013 年至 2023 年間 AI 發展的關鍵里程碑。

重點事件時間軸:
- 2012: AlexNet — 深度學習時代的開端
- ImageNet 競賽奪冠
- 證明 CNN 的巨大潛力

為什麼值得看:
- 快速建立近十年 AI 發展的全局視野
- 視覺化呈現技術演進
- 適合作為第 II 章（關鍵字地圖）的補充

相關章節: 第 II 章（關鍵字地圖）、第 VII-VIII 章

2. 其他推薦影片（供參考）

以下影片連結可能無法播放，但列出供參考：

人文社會AI導論第一集：AI的發展歷史

AI 時代的教與學：進行式與提議

📖 推薦書籍

入門級

1. 《人工智慧：現代方法》(Artificial Intelligence: A Modern Approach)

推薦章節:
- 第 1-2 章：AI 的定義與歷史（對應本課程第 I 章）
- 第 18-21 章：機器學習基礎（對應第 VI-VII 章）
- 第 27-28 章：哲學與倫理（對應第 VIII 章倫理部分）

2. 《深度學習》(Deep Learning)

推薦章節:
- 第 1 章：簡介（歷史回顧）
- 第 6 章：深度前饋網路
- 第 9 章：CNN
- 第 10 章：RNN
- 第 20 章：生成模型（GAN, VAE）

相關章節: 第 VII-VIII 章

進階級

3. 《注意力機制就是你所需要的》(Attention Is All You Need) — 原始論文

閱讀建議:
- 先學習第 VII 章理解背景
- 配合李宏毅教授的講解影片
- 重點理解自注意力機制的概念

科普讀物

4. 《Life 3.0》

相關主題: 第 IX 章（總結與展望）

🎓 線上課程

1. Andrew Ng 的《機器學習》課程

課程特色:
- 全球最受歡迎的機器學習入門課程
- 涵蓋監督學習、非監督學習、神經網路基礎
- 理論與實踐並重
- 適合零基礎但有基本數學能力者

涵蓋內容:
- 線性回歸、邏輯回歸
- 神經網路基礎
- SVM
- 聚類演算法
- 降維
- 異常檢測
- 推薦系統

相關章節: 第 VI 章（機器學習）

2. 李宏毅《機器學習》課程

2024/2025 版本涵蓋:
- 深度學習基礎
- CNN, RNN, Transformer
- 生成式 AI (GAN, Diffusion, LLM)
- 強化學習
- 對抗攻擊

相關章節: 第 VII-VIII 章

3. Fast.ai 《程式設計師的深度學習》

課程理念:

傳統教學：理論 → 數學 → 實作
Fast.ai：實作 → 直覺 → 理論 → 數學

4. DeepLearning.AI 專項課程

特點:
- Andrew Ng 主講
- 循序漸進，體系完整
- 可取得證書（付費）

📄 重要研究論文

奠基性論文

1. "Computing Machinery and Intelligence" (1950)

2. "A Logical Calculus of Ideas Immanent in Nervous Activity" (1943)

深度學習時代

3. "ImageNet Classification with Deep Convolutional Neural Networks" (2012)

4. "Deep Residual Learning for Image Recognition" (2015)

5. "Attention Is All You Need" (2017)

生成式 AI 時代

6. "Generative Adversarial Networks" (2014)

7. "Language Models are Few-Shot Learners" (2020)

8. "Denoising Diffusion Probabilistic Models" (2020)

🗺️ 學習路徑建議

路徑 A：完全新手（無技術背景）

第一階段：建立概念（1-2 週）
1. 閱讀本課程第 I-III 章
2. 觀看陳宜欣教授的演講
3. 閱讀科普書籍《Life 3.0》

第二階段：了解歷史（2-3 週）
1. 觀看「AI 十年發展歷程」影片
2. 閱讀本課程第 IV-VI 章
3. 了解 AI 寒冬與復甦的故事

第三階段：理解當代 AI（2-4 週）
1. 閱讀本課程第 VII-VIII 章
2. 觀看李宏毅教授的生成式 AI 課程（選看）
3. 嘗試使用 ChatGPT, DALL-E 等工具

路徑 B：有程式基礎，想學 AI（2-3 個月）

第一階段：理論基礎（2 週）
1. 快速閱讀本課程全部章節
2. 同步學習 Andrew Ng 的機器學習課程

第二階段：深度學習實踐（4-6 週）
1. Fast.ai 課程（實作導向）
2. 或李宏毅課程（理論導向）
3. 完成課程專案

第三階段：生成式 AI（4-6 週）
1. 深入學習 Transformer 架構
2. 了解 LLM 的工作原理
3. 學習提示工程
4. 實作小型專案（如聊天機器人）

路徑 C：AI 研究者/進階學習（持續）

核心論文閱讀:
1. 按時間順序閱讀奠基性論文
2. 追蹤最新頂會論文（NeurIPS, ICML, ICLR）
3. 複現重要算法

深入理論:
1. 閱讀《深度學習》教科書
2. 學習數學基礎（線性代數、機率論、優化）
3. 研究前沿方向（多模態、強化學習、AI 安全）

🔗 實用資源網站

論文資源

模型與工具

新聞與動態

📊 本文檔使用建議

根據目標選擇資源

您的目標 推薦資源
快速了解 AI 是什麼 陳宜欣演講 + 本課程第 I-III 章
理解 AI 歷史發展 本課程全部 + AI 十年發展影片
學習 AI 技術 Andrew Ng 課程 + Fast.ai
深入生成式 AI 李宏毅課程 + GPT-3 論文
思考 AI 倫理 Life 3.0 + 第 VIII 章倫理部分
成為 AI 研究者 深度學習教科書 + 頂會論文

✨ 持續更新

本參考資料會隨著 AI 領域的快速發展持續更新。建議：
- 定期回訪，查看新增資源
- 關注推薦的 YouTube 頻道與部落格
- 加入 AI 社群，保持學習動力

🤝 貢獻資源

如果您有優質的 AI 學習資源推薦，歡迎提供回饋，幫助完善本文檔。

← 返回目錄