TELEARN PROGRAMS · 常態班

L7運算研究所

理解方法的原理與限制,用資料和實驗比較不同方案。

依方向研究演算法與最佳化,或完成資料整理、模型訓練、評估與部署的 AI 專題。

運算研究所學習方向概念插畫
把想法看清楚,再動手試一試。課程概念插畫

兩個方向,各自深入

平行選擇,不必依序修完。

演算法方向著重問題建模與效率;AI 方向著重資料、模型與評估。兩者並列,依先備能力銜接。

AI 與思考能力同步成長

AI × 運算思維:這一階段怎麼學

01

問題建模與資料

把真實問題轉成目標、限制與可用資料,檢查資料品質及方法的前提。

02

建立方法並比較

演算法方向實作最佳化與機器學習核心;AI 方向進行特徵處理、模型訓練及效能評估。

03

驗證與部署

用一致條件比較結果,分析錯誤與限制;AI 方向進一步保存模型並提供可呼叫服務。

規劃中的學習延伸
老師以質數程式範例引導學生理解解題步驟

平行選擇 · 依先備能力確認

運算研究所 演算法

把解題方法用在可以描述、測量與比較的問題。學生學習將路徑、排程與資源限制轉成模型,選擇適合的演算法,再以測試與效能實驗檢查。後段選一種簡單機器學習演算法拆解實作,理解方法成立的假設和限制。

適合誰

課程對象與先備能力

國中至高中,通常銜接 L6 檢定班,或具同等資料結構、遞迴、圖搜尋與 C++/Python 能力者。參考內容分為四學期各 20 堂,共約 80 堂。依演算法方向的先備能力安排,不以年級作為唯一分班依據。

學什麼

學習重點

  • 問題建模明確寫出輸入、目標、限制與可接受的解。
  • 資料結構與圖演算法理解表示法、前置條件及效能差異。
  • 正確性與實驗建立測試、小規模對照及可重複的測量方法。
  • 最佳化思維區分最佳解、近似解與啟發式結果,交代取捨。
  • 演算法說明用程式、圖、測試與書面解釋支持結論。
CURRICULUM

課程大綱

每學期 20 堂,以下列出各堂次區段的學習內容。

課程內容將隨 AI 與科技發展,以及班級學習程度適時調整。本課綱僅供參考,教師將依實際教學情況酌情運用與調整。

第一學期 演算法工程基礎20 堂
  1. 參考堂次 01–04

    能力盤點與資料實驗

    以小型問題觀察程式與數學先備,補足 Python 資料整理、圖表和測量紀錄。

  2. 參考堂次 05–08

    結構表示與測試

    比較圖的鄰接表/矩陣、堆積及優先佇列;寫出操作測試,分析空間與時間成本。

  3. 參考堂次 09–12

    最短路徑與條件

    實作或深入追蹤適合的路徑方法,處理不可達;明示邊權條件,避免用錯演算法。

  4. 參考堂次 13–16

    樹與依賴關係

    以最小生成樹、拓撲排序等代表問題學習圖結構;依程度擇定核心題,先理解再擴展。

  5. 參考堂次 17–20

    個人演算法工具集

    整理少量經測試的可重用實作,附前置條件、複雜度與反例,不只是收集程式模板。

第二學期 字串與效能比較20 堂
  1. 參考堂次 21–24

    字串查找與索引

    從基礎比對出發,依題目學習 Trie 或 KMP;用重複字串與不同長度測試。

  2. 參考堂次 25–28

    分治與動態規劃深化

    比較狀態定義及重複子問題,分析記憶體需求;對小案例做暴力對照。

  3. 參考堂次 29–32

    效能量測

    固定資料、環境與重複次數,記錄執行時間及輸入規模;區分偶然快與可重複改善。

  4. 參考堂次 33–36

    程式結構與最佳化

    根據量測找瓶頸,調整容器、配置或計算順序;不以難懂技巧換取未測量的提升。

  5. 參考堂次 37–40

    效能比較報告

    對同一功能比較兩種方案,提供正確性測試、圖表、環境與適用範圍。

第三學期 排程與路徑最佳化20 堂
  1. 參考堂次 41–44

    建立問題模型

    使用虛構任務或地圖,定義成本、限制及目標;辨認模型省略了哪些真實因素。

  2. 參考堂次 45–48

    最佳解與近似做法

    從小規模枚舉建立對照,再以貪心或局部搜尋處理較大問題;不把啟發式結果稱為保證最佳。

  3. 參考堂次 49–52

    背包排程或網路流

    按題目及先備選一項深入,理解狀態/容量/約束;不要求一次精通所有類型。

  4. 參考堂次 53–56

    模擬與比較

    改變任務數、限制或初始條件,觀察成本和運行時間;說明方法何時不適合。

  5. 參考堂次 57–60

    最佳化模擬器

    完成小型路徑或排程工具,交代輸入、策略、測試、結果與限制。

第四學期 演算法研究小專題20 堂
  1. 參考堂次 61–64

    拆解一種學習方法

    選 K-Means、簡單決策樹或線性模型其中一種;補足距離、平均或誤差所需的數學。

  2. 參考堂次 65–68

    實作核心步驟

    用小資料手算與程式對照,寫出停止條件與錯誤處理;允許數值工具,不直接呼叫完整同款演算法。

  3. 參考堂次 69–72

    公平的基準比較

    與函式庫結果比較時對齊資料、設定和評估方法,記錄隨機性與版本;解釋差異。

  4. 參考堂次 73–76

    一項有範圍的改進

    改一個設定、資料條件或實作方式,提出假設,保留基準與完整結果。

  5. 參考堂次 77–80

    重現與研究發表

    他人依說明重跑,展示結果及失敗案例;完成短報告與個人程式講解。

AI 應用與成果

AI 可協助找反例、理解文件和形成實驗想法,但程式正確性、證明與效能結論必須有可查證依據。成果為經測試的演算法工具集、最佳化模擬與一項研究小專題;可以沿同一題目累積。不宣稱修完即具有碩士或專業工程師能力。

把基礎練穩,再走下一步

學習觀察與銜接

能將問題建模,提出可驗證的解法,比較成本與限制,並讓他人重跑至少一個實驗。可依題目進 L8,或繼續深化特定演算法/競賽方向。若轉向 AI 系統,另補資料切分、模型評估與安全的服務整合。

平行選擇 · 依先備能力確認

運算研究所 AI

從提出可回答的資料問題開始,經過整理、建立基準、訓練與測試,完成一個能說明限制的 AI 小系統。學生同時認識傳統機器學習與生成式 AI 的不同用途。每個題目都要回答:需要哪些資料、如何確認沒有偷看答案、結果是否比簡單方法更好,以及什麼情況應停止或交人確認。

適合誰

課程對象與先備能力

國中至高中,完成 L6 任一路線或具同等 Python、資料處理與專題能力者。入班前觀察函式、資料表、圖表、比例與平均等先備能力,依需要安排橋接。參考內容分為四學期各 20 堂,共約 80 堂。主要使用 Python、Pandas、視覺化工具與 scikit-learn;深度學習框架只選一種入門,不要求同時學 PyTorch 和 TensorFlow。

學什麼

學習重點

  • 資料理解來源、欄位、缺漏、標籤與資料品質。
  • 建立與評估模型基準線、訓練/驗證/測試、分類與迴歸、錯誤分析。
  • 實驗方法固定比較條件,記錄版本、設定、隨機性與限制。
  • AI 系統整合模型或檢索服務的輸入、輸出、測試與失敗處理。
  • 負責任使用資料授權、隱私、偏差、生成內容查證與人工確認。
CURRICULUM

課程大綱

每學期 20 堂,以下列出各堂次區段的學習內容。

課程內容將隨 AI 與科技發展,以及班級學習程度適時調整。本課綱僅供參考,教師將依實際教學情況酌情運用與調整。

第一學期 資料探索與可回答的問題20 堂
  1. 參考堂次 01–04

    問題資料與基準

    選非敏感公開資料,定義預測或分析問題;建立簡單規則或平均值基準,確認是否真的需要 AI。

  2. 參考堂次 05–08

    清理與轉換

    以 Pandas 整理型別、缺漏與重複,記錄每次處理理由;避免把看似異常但合理的資料隨意刪除。

  3. 參考堂次 09–12

    圖表與統計

    檢視分布、群組和關係,練習平均、比例及變異;不把相關當成因果。

  4. 參考堂次 13–16

    切分與資料洩漏

    區分訓練、驗證與最終測試;以容易看懂的案例發現答案混入特徵或重複樣本跨組。

  5. 參考堂次 17–20

    資料探索報告

    提交問題、來源、處理、圖表與基準;另一位同學依步驟重跑,指出尚不能回答的問題。

第二學期 分類迴歸與錯誤分析20 堂
  1. 參考堂次 21–24

    迴歸模型

    建立簡單數值預測,觀察誤差與基準差異;不要把訓練資料表現當泛化效果。

  2. 參考堂次 25–28

    分類模型

    使用決策樹等入門方法,理解特徵、標籤與預測;查看混淆矩陣,辨認不同錯誤的意義。

  3. 參考堂次 29–32

    過擬合與比較

    改變模型複雜度,對照訓練和驗證表現;依題目認識交叉驗證,不反覆查看最終測試來調整。

  4. 參考堂次 33–36

    資料不平衡與限制

    比較單一準確率和其他適合指標,檢查不同資料條件;描述資料偏差,避免無依據的公平宣稱。

  5. 參考堂次 37–40

    可解釋的預測專題

    對非敏感資料完成模型,與基準公平比較,展示錯誤案例與不適用範圍。

第三學期 分群與深度學習體驗20 堂
  1. 參考堂次 41–44

    分群與尺度

    以 K-Means 等方法觀察相似性;比較尺度與群數,理解分群不等於發現客觀的人群標籤。

  2. 參考堂次 45–48

    神經網路概念

    用小型範例理解參數、損失、更新與訓練;先觀察行為,再按程度補足必要數學。

  3. 參考堂次 49–52

    圖像分類實作

    用已授權、非人臉的圖像資料建立小模型或遷移學習;分清預訓練部分和學生自行完成的部分。

  4. 參考堂次 53–56

    穩定性與新情境

    改變背景、亮度或資料來源,觀察表現下降;討論應補資料、改方法或限制用途。

  5. 參考堂次 57–60

    模型比較作品

    完成小模型與簡單方法的比較,提交資料說明、測試、結果及可重現環境。

第四學期 生成式 AI 與系統評估20 堂
  1. 參考堂次 61–64

    任務與生成式 AI

    比較分類器與文字生成工具;定義有範圍的整理或問答需求,先建立人工可判讀的測試案例。

  2. 參考堂次 65–68

    資料檢索與來源

    使用教師整理且可用的知識資料,先做搜尋,再觀察引用資料輔助回答;區分找到來源與答案真的受支持。

  3. 參考堂次 69–72

    失敗與不可信內容

    測試找不到答案、來源矛盾與資料中的誤導指令;建立不確定就不作結論及人工確認機制。

  4. 參考堂次 73–76

    系統整合與評估

    模型預測服務或有來源的問答擇一,以校方管理的本地/受控環境整合;記錄品質、時間、成本與資料流向。

  5. 參考堂次 77–80

    AI 專題驗證發表

    用固定測試比較版本,展示成功和失敗案例、操作說明、模型/資料版本與使用限制。

AI 應用與成果

學生同時學習「用 AI 幫忙開發」與「評估自己製作的 AI 系統」,兩者分開記錄。API 服務、資料集及模型授權由校方先評估,必要時用離線或模擬方式替代。不能用真實同學資料做能力、健康或情緒分類,不將教學原型用於高影響決策。外部資料與網頁中的文字不應當成系統指令。

作品可包含資料探索、預測模型及系統整合,並以同一個主題逐步深化。一般性能指標只說明該次資料與測試條件,不推論能可靠處理所有真實場景。

把基礎練穩,再走下一步

學習觀察與銜接

能說明資料來源及切分理由,提出基準、避免明顯資料洩漏、比較模型、解釋錯誤與限制,並重跑實驗。可依題目進 L8 的 AI 應用或研究方向;若數學或軟體基礎不足,先補相應能力,不用工具操作熟練度代替研究準備度。

選課前,先聊清楚

這門課的常見問題

孩子適合從這門課開始嗎?

依演算法或 AI 方向確認程式、資料與專題先備能力。 年段可以參考,實際起點請老師依已有能力和目標確認。

會學到哪些工具與能力?

依方向研究演算法與最佳化,或完成資料整理、模型訓練、評估與部署的 AI 專題。 本頁列出主要方向與課程大綱,實際內容會依先備和班級安排調整。

常態班試聽免費嗎?如何了解時段與正式課程費用?

常態班試聽免費。想預約試聽,請透過 LINE 洽詢。先與老師討論目前經驗,再確認當期班級與正式課程費用。參考課綱的內容單元不直接等於當期售課堂數。

LINE 洽詢

NEXT STEP

一起找到適合的起點。

帶著目前的程式經驗與想法,與老師討論學習方向。

與老師聊聊
LINELINE 預約常態班免費試聽