2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 生成任務： 常用模型： 生成對抗網絡（GAN）、 變分自編碼器（VAE）、 擴散模型（Diffusion Model）圖像分類： 常用模型：卷積神經網絡（CNN）自然語言處理： 常用模型：RNN、LSTM、GRU、Transformer 資料類型： 結構化資料： 全連接神經網絡（DNN） 非結構化資料： 圖像（CNN）、 文本（RNN、Transformer）、 音頻（CNN、RNN）

 

2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 生成任務： 常用模型： 生成對抗網絡（GAN）、 變分自編碼器（VAE）、 擴散模型（Diffusion Model）圖像分類： 常用模型：卷積神經網絡（CNN）自然語言處理： 常用模型：RNN、LSTM、GRU、Transformer 資料類型： 結構化資料： 全連接神經網絡（DNN） 非結構化資料： 圖像（CNN）、 文本（RNN、Transformer）、 音頻（CNN、RNN）

 AI應用規劃師(初級) 

  人工智慧基礎概論 (L11)      

       L111 人工智慧概念             

     

問題類型

     1.圖像分類：

            常用模型：卷積神經網絡（CNN）

            推薦架構：

                ResNet、

                VGG、

                Inception、

                SqueezeNet、

                MobileNet、

                EfficientNet

      2.自然語言處理：

            常用模型：RNN、LSTM、GRU、Transformer

            推薦架構：

                BERT、

                GPT系列、

                T5

       3.   生成任務：

             常用模型：

                   生成對抗網絡（GAN）、

                   變分自編碼器（VAE）、

                   擴散模型（Diffusion Model）

              推薦架構：

                 Stable Diffusion、

                 CycleGAN、

                 StyleGAN

          4. 物體檢測：

                常用模型：

                    R-CNN、

                    YOLO、

                    SSD

                選擇輕量化模型：

                Yolov8n、

                MobileNet SSD、

               Tiny YOLO、

                EfficientDet

           5. 語音識別：

                 常用模型：

                 Transformer、

                 循環神經網絡（RNN）、

                 長短期記憶網絡（LSTM）

           6.時序預測：

               常用模型：

                  輕量化

                   RNN、

                  LSTM、

                  GRU、

                 Temporal Convolutional Network (TCN)

            7.輕量化微調技術：

               常用模型：

                 LoRa、

                 Adapter、

                 Parameter-Efficient Fine-Tuning (PEFT)、

                 HyperNetworks

   資料特徵

           資料集大小：

             大資料集：較深的網絡（如ResNet50或更深）

                              通常能夠   更好地    擬合  大資料集。

           小資料集：較淺的網絡 或 遷移學習技術（使用預訓練模型進行微調）

                            可以幫助避免過擬合。

         資料類型：

            結構化資料：

                              全連接神經網絡（DNN）

           非結構化資料：

                             圖像（CNN）、

                             文本（RNN、Transformer）、

                             音頻（CNN、RNN）