Google AI 課程

第 1 課 • 核心人工智慧子領域概覽

將機器學習、自然語言處理、電腦視覺與機器人學定位為不同的學科。協助學員了解哪些 Google 工具屬於哪個子領域。

第 2 課 • 機器如何從資料中學習

說明監督式學習、非監督式學習與強化學習的範例。將學習類型與實際的 Google 人工智慧產品類別連結起來。

第 3 課 • 人工智慧是什麼與不是什麼

釐清常見的迷思，並建立人工智慧的準確定義。為後續所有技術內容設定概念基礎。

第 4 課 • 人工智慧的歷史與演進

追溯人工智慧從符號邏輯到現代深度學習的發展歷程。提供為何目前 Google 人工智慧工具如此設計的背景脈絡。

第 1 課 • Cloud AI 與機器學習平台

介紹 Vertex AI 作為統一的 ML 平台及其核心服務。將雲端基礎設施連結到實際的模型訓練與部署工作流程。

第 2 課 • 適用於開發人員的預建 AI API

涵蓋 Vision、Speech、Translation 與 Natural Language API 等立即可用的服務，說明其如何無需自訂訓練即能加速開發。

第 3 課 • Google Workspace 與消費性產品中的 AI

探索 Gemini 在 Docs、Sheets、Gmail 與 Search 中的整合。示範嵌入式 AI 如何為非技術使用者提升日常生產力。

第 4 課 • 生成式 AI 產品與 API

調查提供給開發人員的 Gemini 模型、Imagen 及相關生成式 API。將每個產品定位於更廣泛的 Google AI 生態系統中。

第 1 課 • 資料收集與擷取

涵蓋 API、網頁爬取、串流與批次擷取管線。將資料取得方法連結到 Google Cloud 儲存與 BigQuery。

第 2 課 • 資料集分割與版本管理

教導訓練、驗證、測試分割以及資料集版本控制實務。防止資料洩漏並確保可重現的實驗。

第 3 課 • 資料標記與註解

說明使用 Vertex AI Data Labeling 的手動、半自動與自動標記策略。高品質標籤是監督式學習效能的基礎。

第 4 課 • 資料類型與來源

區分結構化、非結構化與半結構化資料及其 AI 使用案例。建立資料素養作為所有模型化工作的先備條件。

第 1 課 • 模型評估與選擇

解讀 Vertex AI 產出的混淆矩陣、ROC 曲線與特徵重要性。引導是否部署、重新訓練或淘汰模型的決策。

第 2 課 • 適用於表格與影像資料的 AutoML

使用 AutoML 在表格、影像、文字與影片資料集上訓練無程式碼模型。示範非 ML 專家如何產出生產級品質的模型。

第 3 課 • 在 Vertex AI 上進行自訂模型訓練

使用 Vertex AI Training 執行自訂的 TensorFlow 與 PyTorch 訓練任務。涵蓋任務設定、硬體選擇與分散式訓練基礎。

第 4 課 • Vertex AI Workbench 與筆記本

設定受管筆記本以進行探索式資料分析與模型原型製作。提供所有訓練練習中使用的實作環境。

第 1 課 • 適用於 ML 流水線的 CI/CD

使用 Vertex AI Pipelines 與 Cloud Build 自動化模型重新訓練與重新部署。將軟體工程最佳實務應用於 ML 生命週期。

第 2 課 • 批次預測管線

使用 Vertex AI Batch Prediction 執行大規模離線推論任務。針對非延遲敏感的工作負載最佳化成本與處理量。

第 3 課 • 模型監控與漂移偵測

設定 Vertex AI Model Monitoring 以偵測特徵與預測漂移。確保部署的模型在真實世界資料分佈變動時仍能維持準確率。

第 4 課 • 線上預測端點

將模型部署至 Vertex AI 端點以進行低延遲即時推論。涵蓋流量分割、擴展策略與端點健康狀態檢查。

第 1 課 • 偏差減輕策略

實作前處理、處理中與後處理的去偏技術。在保留模型效用的同時減少歧視性結果。

第 2 課 • 可解釋性與透明度

使用 Vertex Explainable AI 與 SHAP 值來解譯模型決策。建立利害關係人信任並滿足透明度要求。

第 3 課 • AI Bias: Sources and Types

識別資料集與模型中的歷史、代表性、測量與聚合偏差。說明為何偏差偵測必須在任何部署決策之前進行。

第 4 課 • 公平性指標與評估

將人口統計平權、均等化機會與個體公平性指標應用於模型輸出。將公平性衡量與企業及法律責任連結起來。

第 1 課 • 檢索增強生成

使用向量搜尋與 RAG 流水線，將 LLM 回應扎根於外部知識庫。減少幻覺並保持答案的事實時效性。

第 2 課 • 大型語言模型如何運作

以概念層級說明 Transformer 架構、分詞化與下一個詞元預測。提供使用與除錯 LLM 行為所需的心智模型。

第 3 課 • 提示工程技術

教導零樣本、少樣本、思維鏈與角色提示策略。無需任何模型微調即可直接提升輸出品質。

第 4 課 • Gemini API 整合

透過 REST 與 SDK 呼叫搭配適當驗證，將應用程式連接至 Gemini 模型。涵蓋文字、影像與音訊等多模態輸入。

第 1 課 • 衡量 AI 商業影響

為 AI 驅動功能定義 KPI、ROI 框架與 A/B 測試協定。將模型效能與商業結果之間的循環閉合。

第 2 課 • 多模態與代理人 AI 系統

設計結合文字、影像、音訊與工具使用代理人的系統，以處理複雜任務。代表應用型 AI 產品開發的前沿。

第 3 課 • AI 工作負載的成本最佳化

應用競價執行個體、模型量化與快取來降低 AI 基礎設施支出。確保 AI 專案在企業規模下保持財務可行性。

第 4 課 • MLOps 成熟度與架構

評估組織的 MLOps 成熟度等級並設計目標狀態架構。縮小實驗模型與可靠生產系統之間的差距。