銜接108課綱，自主學習課程
循序漸進學AI | 結訓完成專題成果
企業培訓向下紮根，艾鍗學院是青少年的最佳選擇，帶領高中新生一起建立學習歷程
課程介紹
升學 × 歷程 × 自主學習 三效合一
在高中階段，學生正面臨升學準備的關鍵時刻。除了課堂成績與考試表現，更被重視的，是能展現 自我探索與自主學習 的歷程。
本課程以 人工智慧 (AI) 為核心主題，設計為 兩學期、三階段：
第一學期（第1–9週） → 解讀數據的魔法：程式設計與模型思維
從 Python 程式設計與資料處理出發，循序漸進進入 監督式學習（KNN、決策樹、最短距離分類器、迴歸），讓學生具備 AI 入門的必備工具。
第二學期前半（第10–15週） → 賦予 AI 感知：視覺與語言模型實戰
學習 非監督式學習（K-means、階層分群）、深度學習（神經網路、CNN、RNN） 及 自然語言處理 (NLP)，體驗 AI 在影像、文字與數據分析的多元應用。
第二學期後半（第16–18週） → 專題挑戰
學生分組完成一個 可展示的 AI 專題（如垃圾分類、圖像辨識、情感分析、推薦系統、聊天機器人等），並於成果發表會公開展示，專題過程與結果可直接收錄於 學習歷程檔案。
課程價值
對升學而言：專題作品、學習紀錄與反思，轉化為具說服力的 學習歷程檔案。
對自主學習而言：透過實作任務與專題挑戰，學生養成主動學習與解決問題的能力。
對未來而言：不僅學會程式與AI技術，更培養跨域思維與獨立探究能力，這是大學與未來職場最重視的特質。
為什麼要學AI?
WEF世界經濟論壇執行委員會成員 札希迪（Saadia Zahidi）
「人類如果不想被機器人搶走飯碗，只剩3年到5年可以準備。」
Google執行長皮蔡
（Sundar Pichai）
「AI將比火和電更為重要」
創新工場董事長兼
首席執行官李開復
「從機器的弱點找未來機會，讓 AI 人工智慧當你的工具箱」
美英中三大國全力推動AI教育
美國以學術補助支持、或擴大在職學徒制度等等，幫助AI教育的進行、並將AI人才留在校園或與校園有所接觸，以留住師資，使AI不會完全僅在業界活動；而在基礎教育上，則與英國不約而同的，持續STEM教育，使學童具有科技能力的素養。
資料來源:財團法人資訊工業策進會 數位服務創新研究所
<培育AI人才！臺灣與世界各國怎麼做？>
英國資助8,000電腦科學教師提升技能、發展產學合作AI碩士培育方案、並在各頂尖大學增設200名AI博士學位等等，要在高等教育以及教師素質上著手進行培育、並在基礎教育上加強原先STEM教育，培育科技人才。
資料來源:財團法人資訊工業策進會 數位服務創新研究所
<培育AI人才！臺灣與世界各國怎麼做？>
中國在教育方面，從2018年5月，就有天津、南開、南京、吉林等大學開設人工智慧學院；此外，還增加AI相關學科研究生名額、並在中小學設置相關課程、推廣程式設計教育、甚至出版了AI的教科書《人工智能基礎(高中版)》。
資料來源:財團法人資訊工業策進會 數位服務創新研究所
<培育AI人才！臺灣與世界各國怎麼做？>
台灣AI教育，全面啟動！
美國以學術補助支持、或擴大在職學徒制度等等，幫助AI教育的進行、並將AI人才留在校園或與校園有所接觸，以留住師資，使AI不會完全僅在業界活動；而在基礎教育上，則與英國不約而同的，持續STEM教育，使學童具有科技能力的素養。
資料來源:今日新聞
<培育人工智慧人才 2020年起AI課程納入基礎教育>、聯合新聞網<搭配新課綱 全台第一份人工智慧AI教材今年上路>
本課程特點
特色1
循序漸進設計
因從 Python 程式基礎 → 機器學習 → 深度學習 → 專題實作
特色2
實作導向
每週「牛刀小試」小任務，確保學以致用
特色3
專題成果
完成能展示的 AI 專案，例如垃圾分類、文字情感分析、PM2.5 數據預測或聊天機器人。
特色4
歷程亮點
結訓專題成果可直接放入 學習歷程檔案
適合對象
對AI人工智慧有興趣
對於數據資料分析有興趣
高中AI課程大綱（2學期，共18 節）
第一學期（第1–9節）：AI初探與機器學習基礎
目標：宏觀認識AI，掌握 Python 與監督/非監督式學習核心演算法
第1週：認識AI
- 理論：AI 定義、發展歷史、圖靈測試、強弱 AI
- 實作：環境設定（Google Colab）、Python 起手式
- 練習：計算學期總成績與平均
第2週：程式的邏輯
- 理論：AI、機器學習、深度學習的關係
- 實作：Python的流程控制、迴圈、函數
- 練習：升級版 BMI 計算器（含體位判斷）
第3週：資料容器與檔案處理
- 理論：資料來源（開放資料、API、爬蟲）
- 實作：Python的 List、Dict、檔案讀寫
- 練習：讀取名條並計算男女比例
第4週：資料前處理
- 理論：資料清理（缺漏值、異常值）、特徵選擇概念
- 實作：NumPy陣列、Pandas資料清理
- 練習：清理成績單
第5週：資料視覺化
- 理論：視覺化的重要性
- 實作：Matplotlib（長條圖、散佈圖、折線圖）
- 練習：繪製各科成績分布圖
第6週：監督式學習I – 最短距離分類器
- 理論：最近中心點分類（Nearest Centroid Classifier）
- 實作：Scikit-learn NearestCentroid
- 練習：Iris鳶尾花分類→ KNN vs 最近中心分類比較
第7週：督式學習II – KNN分類器
- 理論：距離度量（歐幾里得 / 曼哈頓）
- 實作：Scikit-learn KNN
- 練習：Iris 鳶尾花分類
第8週：監督式學習III – 決策樹分類器
- 理論：熵、資訊增益、決策過程
- 實作：決策樹建模 + 視覺化
- 練習：鐵達尼號生存預測
第9週：監督式學習IV – 迴歸分析
- 理論：分類 vs 迴歸、模型評估（訓練/測試集）
- 實作：線性迴歸
- 練習：房屋坪數預測房價
第二學期（第10–15節）：從自動分群到深度學習
目標：體驗非監督式、深度學習與增強式學習，應用於影像與文字
第10週：非監督式學習I – K-means分群
- 理論：K-means 原理與步驟
- 實作：建立分群模型
- 練習：顧客分群（收入 vs 消費分數）
第11週：非監督式學習II – 階層式分群
- 理論：K-means 原理與步驟
- 實作：階層分群 + 樹狀圖
- 練習：學生成績 + 興趣分群
第12週：神經網路基礎
- 理論：生物神經元 → 人工神經網路、前向傳播、激活函數
- 實作：Keras MLP 模型
- 練習：MNIST 手寫數字辨識
第13週：卷積神經網路I (CNN 基礎)
- 理論：卷積、池化運算
- 實作：影像特徵提取
- 練習：小圖像分類實驗
第14週：卷積神經網路II (CNN 實作)
- 實作：建立 CNN 模型
- 練習：CIFAR-10 影像辨識（飛機、汽車、鳥…）
第15週：循環神經網路 (RNN) 與 NLP
- 理論：RNN 原理、詞袋模型、情感分析
- 實作：RNN 文字序列預測 + NLP 情感分類
- 練習：電影評論正/負向判斷
第二學期（第16–18節）：AI專題挑戰
目標：整合所學，完成一份可展示並能納入學習歷程的 AI 專題
第16-17週：專題製作
- 分組、腦力激盪、題目選定（垃圾分類、病徵辨識、聊天機器人…）
- 撰寫專題計畫書
- 資料收集、模型訓練、測試
- 製作簡報與 Demo
第18週：專題發表會
- 每組10分鐘簡報 + Demo
- 成果收錄學習歷程檔案
- 頒發結訓證書
➤ 完成課程將取得結訓證書作為學習歷程與能力證明。
為什麼要選擇艾鍗？
艾鍗學院設立於2010年，至今已培訓 + 業界專業工程師
輔導超過 位高中生，順利升學並獲得家長們一致好評！
前進校園進行講座，分享業界實用技能與知識。
強大的AI師資群
Joseph
學歷：
▶ 台灣大學電機工程系博士研究
擅長領域：
▶ 嵌入式Linux系統 / Linux系統程式 / 網路通訊協定 / 機器學習 / 深度學習
Shelly
學歷：
▶ 台北大學資訊工程研究所碩
擅長領域：
▶ 數據科學 / 資料探勘 / 數值最佳化 / 類神經網路 / 有限元素法
Jerry
學歷：
▶ 台灣大學土木工程研究所博士
擅長領域：
▶ 類神經網路 / 基因演算法 / 最佳化演算法 / 結構力學 / 有限元素法 / 生醫影像處理
Alex
學歷：
▶ 美國聖路易大學生物資訊博士
擅長領域：
▶ 自然語言處理 / 統計推論 / 科學計算 / 數據科學 / 資料探勘 / 數值最佳化 / 資料庫 巨量資料處理 / 機器學習 /深度學習
優惠方案
青少年AI人工智慧實作班 :
◆ 優惠1：限時優惠價 31,900元
(原價39,800元)
◆ 優惠2：好事成雙，兩人團報，每人再折1,000元
Q&A
1.108課綱中學習歷程檔案是什麼？
簡單來說，就是紀錄孩子在高中時期的學習表現。依據教育部的規劃，除了考試成果之外，透過學習歷程檔案，
能更真實呈現學生的學習軌跡、個人特質、能力發展等，補強考試之外無法呈現的學習成果。藉由定期且長時間的紀錄，
更能減輕孩子在高三時整理備審資料的負擔。
資料來源 : 108課綱資訊網
2.孩子沒接觸過程式，能學得會嗎?
程式是一種思考問題、解決問題的方法，能抓住程式邏輯精神，學習其他科目也會更有效率。 閱讀更多
4.若孩子結訓後的當年度獲得AI競賽的佳績，如何申請台灣程式協進會獎學金？
詳情請參照：<獎學金申請辦法>
5.自主學習是什麼呢？
「自主學習」是108課綱的重要內涵，高中課程每週多有規劃「彈性學習時間」，讓學生自訂主題學習。新課綱「自主學習」的精神是讓學生自己決定有興趣的領域或主題，規劃學習進度。閱讀更多
推薦課程
