首先，課程將建立基礎概念，區分生成模型與辨別模型，並探討生成模型為何需機率化，介紹 Latent Space 與 Autoencoder 的表示學習能力，奠定理解生成模型的理論基礎。

接著，將深入剖析生成模型家族，包括變分自動編碼器（VAE）、VQ-VAE、生成對抗網路（GAN）、擴散模型（Diffusion Models），以及條件式生成（Conditional VAE/GAN），並延伸至多模態模型 CLIP，讓學員理解如何跨越語言、圖像的界線。

在此基礎上，課程將帶領學員進入 Transformer 與大型語言模型 (LLM) 的核心架構，從 RNN/LSTM 到 Seq2Seq、Attention 機制，再到 BERT、GPT 與推理技術 (Chain-of-Thought, Self-Consistency)，全面掌握現代 LLM 的運作邏輯。

此外，本課程亦涵蓋 Agentic AI 與工具整合，學習如何透過 MCP (Model Context Protocol) 與多工具協作，建構具規劃與反思能力的 AI Agent。

最後，課程將導入可解釋 AI（XAI）與生成式 AI 的倫理與法律框架，透過 LIME、SHAP 等技術理解黑箱模型，並討論公平性、隱私、安全與法律規範，培養學員兼具技術力與責任感的 AI 專業素養。

本課程適合欲掌握生成式 AI 與 LLM 技術的學員，結合理論、實作與倫理，打造兼具深度與廣度的 AI 學習體驗。

1. 須具備基本Python程式設計能力者
2. 具備機器學習與深度學習基本知識
3. 想深入生成式AI模型、AI應用開發、資料科學等領域者

• 理解生成模型與辨別模型的差異，掌握機率化建模的核心目的。

• 熟悉 Autoencoder、VAE、VQ-VAE、GAN、Diffusion 等生成模型的運作機制與應用場景。

• 能實作並比較 VAE、GAN、Diffusion 模型於影像與文本生成任務。

• 掌握 Transformer 架構，理解 BERT 與 GPT 模型的核心設計與應用。

• 理解多模態模型（CLIP）的原理，能應用於跨模態任務（如圖文檢索）。

• 學會使用 LIME、SHAP 提供 AI 模型的可解釋性，提升透明度與可信度。

•  課程總時數：21小時
•  課程所附教材：
  • 完整範例程式碼
  • 線上助教系統