Embedding Gemma 2: On-Device Multimodal RAG Made Easy
介紹 Google DeepMind 推出的 EmbeddingGemma 2 多模態嵌入模型，說明其將文字、影像、聲音整合至單一向量空間的技術原理與應用。觀眾可學習如何利用免費 Colab 環境進行多模態搜尋與 RAG 實作。
1.8 萬次觀看
※ 摘要僅根據標題與說明
最新
依發布時間
Gemini 3.8 Flash TTS with Voice Cloning
介紹 Google Gemini 3.8 Flash TTS 的功能，包含語音設計、克隆與多語者對話。觀眾可學習如何操作工具並了解相關定價與限制。
※ 摘要僅根據標題與說明
【TAICA_生成式AI：文字與圖像生成的原理與實務】3. AI為什麼每次都不一樣
深入解析生成式 AI 的運作原理，涵蓋從 GAN 到 StyleGAN 的技術細節與隨機性機制。觀眾能理解模型訓練的數學基礎與實際應用，並透過本週作業掌握用 AI Canvas 設計問題與執行程式的實務技能。
※ 摘要僅根據標題與說明
Needle 3: You Don't Need an LLM for Function Calling
介紹 Needle 3 這款僅 35MB 的輕量模型，展示如何在無 GPU 環境下僅用 CPU 在 66 毫秒內完成函式呼叫。影片包含實作家庭自動化示範、架構解析與可執行的 Colab 筆記本連結，並分享測試時遇到的四個常見陷阱。
10.6 萬次觀看※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
【生活中的未來語言 數學、Python、AI】14. CNN圖形辨識和遷移式學習
深入解析 CNN 圖形辨識的核心原理，包括卷積與池化層，並示範如何運用 ResNet50V2 進行遷移式學習。觀眾將學習建立自己的圖片分類模型，並使用 Gradio 部署互動介面。
397次觀看※ 摘要僅根據標題與說明
【生活中的未來語言 數學、Python、AI】13. 用全連結神經網路打造手寫辨識AI
複習神經網路核心觀念，並使用 TensorFlow 與 Keras 實作 MNIST 手寫數字辨識模型。學員將建立全連結神經網路，並透過 Gradio 製作可互動的網頁應用程式。
447次觀看※ 摘要僅根據標題與說明
【生活中的未來語言 數學、Python、AI】11. 線性迴歸(重新上傳)
透過模擬資料與加州房價預測，實作線性迴歸模型並介紹 MSE、RMSE、R² 等評估指標。觀眾能掌握建立、訓練、預測的三步驟，並學習處理非線性資料與資料清洗技巧。
305次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 9 講：影像和聲音上的生成策略 — Diffusion/Flow-matching 系列和接龍 (Autoregressive) 這兩條世界線的交會
深入解析影像與聲音生成的兩種主要策略：Diffusion/Flow-matching 系列與接龍 (Autoregressive) 模型。透過實際範例與理論說明，幫助學習者理解這兩種技術如何結合並應用於生成式 AI。
3.1 萬次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 6 講：一堂課搞懂訓練類神經網路的各種訣竅
李宏毅教授詳細介紹訓練類神經網路的各種技巧，涵蓋最佳化方法（如 AdamW）與架構設計（如預訓練）。課程教導如何區分最佳化與泛化問題，並提供具體的技術選擇策略。
4.3 萬次觀看- 12.4 萬次觀看
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術
介紹上下文工程（Context Engineering）的概念，說明其與提示工程（Prompt Engineering）的異同，並探討如何透過最佳化輸入讓語言模型獲得預期輸出。
17.7 萬次觀看The Dark Matter of AI [Mechanistic Interpretability]
探討機器學習模型中難以解釋的「暗物質」現象，介紹機械可解釋性領域的基礎概念與最新研究。觀眾能了解如何分析大型語言模型內部運作，並掌握相關工具進行實驗。
30.5 萬次觀看※ 摘要僅根據標題與說明
【生成式AI導論 2024】第7講：大型語言模型修練史 — 第二階段: 名師指點，發揮潛力 (兼談對 ChatGPT 做逆向工程與 LLaMA 時代的開始)
介紹大型語言模型第二階段的訓練方法，即利用人類標註的指令資料進行微調（Instruction Fine-tuning）。講者解釋了為何僅靠網路爬蟲資料無法讓模型具備常識，並說明如何透過逆向工程 ChatGPT 對話來獲取訓練資料。
10.4 萬次觀看Getting Started With CUDA for Python Programmers
Jeremy Howard 教導 Python 開發者如何透過 PyTorch 輕鬆編寫 CUDA 程式，將 RGB 轉灰階的演算法從純 Python 轉換為 GPU 加速版本。
8.3 萬次觀看Coding a Transformer from scratch on PyTorch, with full explanation, training and inference.
教導如何從零開始使用 PyTorch 編寫 Transformer 模型，涵蓋從嵌入到訓練迴圈的完整實作。觀眾能學習到 Transformer 架構的具體實現細節與訓練方法。
40 萬次觀看※ 摘要僅根據標題與說明
最受歡迎
依人氣
Needle 3: You Don't Need an LLM for Function Calling
介紹 Needle 3 這款僅 35MB 的輕量模型，展示如何在無 GPU 環境下僅用 CPU 在 66 毫秒內完成函式呼叫。影片包含實作家庭自動化示範、架構解析與可執行的 Colab 筆記本連結，並分享測試時遇到的四個常見陷阱。
10.6 萬次觀看※ 摘要僅根據標題與說明
Gemini 3.8 Flash TTS with Voice Cloning
介紹 Google Gemini 3.8 Flash TTS 的功能，包含語音設計、克隆與多語者對話。觀眾可學習如何操作工具並了解相關定價與限制。
※ 摘要僅根據標題與說明
The Dark Matter of AI [Mechanistic Interpretability]
探討機器學習模型中難以解釋的「暗物質」現象，介紹機械可解釋性領域的基礎概念與最新研究。觀眾能了解如何分析大型語言模型內部運作，並掌握相關工具進行實驗。
30.5 萬次觀看※ 摘要僅根據標題與說明
Embedding Gemma 2: On-Device Multimodal RAG Made Easy
介紹 Google DeepMind 推出的 EmbeddingGemma 2 多模態嵌入模型，說明其將文字、影像、聲音整合至單一向量空間的技術原理與應用。觀眾可學習如何利用免費 Colab 環境進行多模態搜尋與 RAG 實作。
1.8 萬次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術
介紹上下文工程（Context Engineering）的概念，說明其與提示工程（Prompt Engineering）的異同，並探討如何透過最佳化輸入讓語言模型獲得預期輸出。
17.7 萬次觀看- 12.4 萬次觀看
【生成式人工智慧與機器學習導論2025】第 6 講：一堂課搞懂訓練類神經網路的各種訣竅
李宏毅教授詳細介紹訓練類神經網路的各種技巧，涵蓋最佳化方法（如 AdamW）與架構設計（如預訓練）。課程教導如何區分最佳化與泛化問題，並提供具體的技術選擇策略。
4.3 萬次觀看Coding a Transformer from scratch on PyTorch, with full explanation, training and inference.
教導如何從零開始使用 PyTorch 編寫 Transformer 模型，涵蓋從嵌入到訓練迴圈的完整實作。觀眾能學習到 Transformer 架構的具體實現細節與訓練方法。
40 萬次觀看※ 摘要僅根據標題與說明
【生成式AI導論 2024】第7講：大型語言模型修練史 — 第二階段: 名師指點，發揮潛力 (兼談對 ChatGPT 做逆向工程與 LLaMA 時代的開始)
介紹大型語言模型第二階段的訓練方法，即利用人類標註的指令資料進行微調（Instruction Fine-tuning）。講者解釋了為何僅靠網路爬蟲資料無法讓模型具備常識，並說明如何透過逆向工程 ChatGPT 對話來獲取訓練資料。
10.4 萬次觀看【生成式人工智慧與機器學習導論2025】第 9 講：影像和聲音上的生成策略 — Diffusion/Flow-matching 系列和接龍 (Autoregressive) 這兩條世界線的交會
深入解析影像與聲音生成的兩種主要策略：Diffusion/Flow-matching 系列與接龍 (Autoregressive) 模型。透過實際範例與理論說明，幫助學習者理解這兩種技術如何結合並應用於生成式 AI。
3.1 萬次觀看※ 摘要僅根據標題與說明