定義研究問題
閱讀文獻、界定待驗證問題,選擇合適的演算法、模型或系統方案。

AI 與思考能力同步成長
閱讀文獻、界定待驗證問題,選擇合適的演算法、模型或系統方案。
保存資料、程式、設定與結果,以對照實驗檢查改進是否真的有效。
規劃中的學習延伸依題目完成部署或系統整合,在研究報告中交代貢獻、AI 協助、限制及後續改進。
規劃中的學習延伸
課程介紹
把一個好奇的問題整理成範圍明確、能測試也能重現的研究或工程專題。學生學習讀懂必要資料、建立基準、設計實驗、保存版本與說明限制。專題可由演算法、AI 或系統應用切入,重點是做出經得起提問與測試的成果。
以高中學生為主,完成 L7 某一專研路線,或具同等程式、實驗與專題能力者。入班前根據擬定題目確認先備能力,不能只因修過其中一門課就推定同時具備系統、深度學習與高階演算法基礎。參考內容分為四學期各 20 堂,共約 80 堂;第一學期建立共同研究與系統觀念,後續選一個主要方向深入。
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。
從已有作品找一個可測試問題,閱讀少量相關資料,列出已知、未知與所需先備。
觀察記憶體、檔案、程序與基本效能;依方向補 C/C++ 記憶體觀念或 Python 資源分析。
以受控環境理解請求、回應、API 與資料流;認識權限、失敗、延遲及重試,不使用真實敏感資料。
固定測試、環境與版本,建立基準與重跑說明;比較兩次結果,辨認變因。
交問題、相關工作、方法、設備與風險、成功條件及備案;確認後才擴大實作。
本學期不要求三條路線同時修完。每名學生或小組選一條主要路線,核心評量仍共用研究、測試與說明要求。
演算法線補數學與策略;AI 線補模型與評估;系統線補資料儲存與服務結構,明列所選內容。
重建或重現一個適當規模的方法,先用小資料驗證,標明引用與修改部分。
演算法線研究特定最佳化;AI 線選一類模型或檢索方法;系統線選並行、資料庫或服務效能之一。
比較正確性、品質、速度、資源或成本,依題目擇定指標;避免同時改太多變因。
展示可重跑的方法、基準與限制;根據證據縮小或調整後續專題。
定義模組、資料與介面,拆分工作及驗收條件;個人或小組安排依班型確認。
完成一條可執行的主要流程,建立自動化或可重複測試,保留基準版本。
用獨立資料或案例驗證,檢查資料洩漏、實驗設定和不成立假設;保留失敗結果。
處理異常、輸入、權限與資源限制,檢查模組整合;必要時以容器或明確環境描述固定條件。
由同伴依說明操作和提問,按證據修改範圍、設計與後續實驗。
針對研究問題固定測試與對照;如需比較模組作用,逐項替換而非只報最好成績。
他人依環境、資料與步驟重跑,記錄差異;檢查引用、授權與 AI 使用說明。
整理不能處理的情境、錯誤與風險,撰寫操作及維護說明;界定是否適合公開展示。
形成問題、背景、方法、結果、限制和後續工作;簡報與展示連回具體證據。
接受提問、現場閱讀或修改自己負責的程式;交付版本、文件及反思,討論後續學習方向。
以上為選題範例,不要求同時完成。醫療影像、金融決策或法律建議等高影響場景不作預設題目;即使使用公開資料,也不把教學模型當成專業服務或診斷。雲端部署、帳號、費用、資料與對外存取均先由校方確認。
可用 AI 輔助搜尋方向、文件理解與局部程式檢查,但來源、論述、測試和成果都需學生核實。引用、使用他人程式、預訓練模型與 AI 生成部分分開列明。AI 不替學生虛構實驗、數據或文獻,也不代答最終口頭檢核。
完成標準是能清楚說明問題、方法、證據與限制,提供可重現版本,並獨立解釋及修改本人負責的部分。研究報告可整理成學習成果,是否採用於升學依實際制度與個人情況決定;不承諾錄取、專業職能或研究資格。APCS 及高階競賽可另開目標式準備,不和本級所有專題綁成共同結果。
選課前,先聊清楚
完成 L7 某一專研方向或具同等能力,依專題逐項確認。 年段可以參考,實際起點請老師依已有能力和目標確認。
從研究問題與文獻出發,整合演算法、AI 或系統能力,完成可重現的深入專題。 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。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
帶著目前的程式經驗與想法,與老師討論學習方向。