本書大綱：20個核心章節
本書分為四大模組，透過 20 個章節循序漸進構建學生的 AI 素養。

第一模組：AI 的本質與歷史座標 (基礎篇)
第 1 章：定義智慧：從圖靈測試到生成式 AI 的飛躍

探索 AI 的起源，理解「弱人工智慧」與「強人工智慧」的差異。

第 2 章：AI 發展史：從符號邏輯到聯結主義的寒冬與春天

梳理 AI 的三次浪潮，理解為什麼現在是 AI 爆發的時代。

第 3 章：計算思維：如何將現實問題轉化為電腦邏輯？

學習 AI 解決問題的核心步驟：抽象化、模式辨認與演算法設計。

第 4 章：數學基礎：AI 背後的骨架（機率、線性代數與統計）

用視覺化方式理解矩陣運算與機率分布如何支撐 AI 運作。

第 5 章：數據素養：為什麼說數據是 AI 時代的石油？

理解數據採集、清洗、標記對模型品質的決定性影響。

第二模組：演算邏輯：機器是如何「學習」的？ (進階篇)
第 6 章：機器學習概論：監督式、非監督式與強化學習

三種主要學習範式的邏輯對比與應用場景。

第 7 章：線性回歸與分類：從預測房價到判斷郵件垃圾

掌握最基礎的統計演算法，理解模型的預測原理。

第 8 章：決策樹與森林：模擬人類選擇的邏輯鏈條

如何透過簡單的邏輯判斷組成強大的集成學習模型。

第 9 章：損失函數與優化：AI 如何從錯誤中「自我修正」？ *

深入淺出解釋梯度下降法（Gradient Descent）的修正機制。

第 10 章：特徵工程：教電腦看見「重點」的藝術

如何從海量數據中提取出對預測最有價值的關鍵特徵。

第三模組：深度學習：模擬人類的大腦 (核心篇)
第 11 章：神經網路基礎：感知器與多層結構的誕生

理解人工神經元如何模擬生物神經元的訊號傳遞。

第 12 章：反向傳播演算法：深度學習的靈魂引擎

解密 AI 如何透過連鎖律將誤差傳回，實現參數自動更新。

第 13 章：卷積神經網路 (CNN)：讓電腦擁有一雙「眼睛」 *

分析影像識別背後的濾波器與特徵提取邏輯。

第 14 章：循環神經網路 (RNN) 與 LSTM：處理有「時間感」的數據

如何讓 AI 具備記憶力，處理語音與序列文字。

第 15 章：變形器模型 (Transformer)：改變世界的注意力機制

拆解「Attention is All You Need」，理解現代 AI 的核心架構。

第四模組：AI 前沿與社會素養 (應用與倫理篇)
第 16 章：大型語言模型 (LLM)：從 GPT-1 到 GPT-4 的進化

理解預訓練與微調（Fine-tuning）如何打造全能 AI。

第 17 章：生成式 AI 術：擴散模型與 GAN 的創意生產

分析 Midjourney 與 DALL-E 如何從雜訊中生成絕美影像。

第 18 章：算力與硬體：GPU、NPU 為什麼是 AI 的心臟？

理解計算資源如何影響 AI 的開發邊界。

第 19 章：AI 倫理與偏見：技術背後的公平性挑戰

探討演算法偏見、隱私保護與 Deepfake 的社會衝擊。

第 20 章：未來職涯：在 AGI 時代，我們該如何重新定義專業？

探討人機協作的新模式，培養不被 AI 取代的終身學習素養。