前言

歡迎來到這個為期30天的AI和機器學習課程。在這系列文章中，我們將從論文閱讀簡單入門，逐步深入了解 Deep Learning 還包含生成式T2I核心概念，所以不只會套用模型，你將學會如何閱讀和理解相關的研究論文，並通過實戰操作，熟悉主流的深度學習框架PyTorch。同時在Github開源碼缺失的情況下，教你如何去解決和補齊資料的問題。

這系列不僅僅是對理論的學習，更重要的是我們將著重於實踐。你將學會如何設置和管理開發環境，並且能夠使用創新思維，改寫和優化整個模型架構。這些在學校課堂上難以接觸到的實用知識，將使你在研究和開發方面如虎添翼。

簡單介紹 Machine Learning 的種類

1. Supervised: 使用有標籤的 Training Dataset 進行模型訓練
2. Unsupervised: 發現未標籤的資料進行模型訓練
3. Reinforcement learning: 學會根據反饋/獎勵採取行動

在開始閱讀此系列前，需要先閱讀 Deep learning 基礎課程: Basics of Neural Networks, Optimization
無論你是剛入門的新手，還是需要更深入了解和實踐的研究生，這個文章都將幫助你建立堅實的基礎，並提升你的實戰能力。準備好開始這段激動人心的學習旅程吧！
這系列只會使用到 Supervised 方法，軟體/環境管理使用 Colab、Conda、Pycharm(不一定)。

30天 AI 學習計畫

介紹

Day 0：序章和學習計畫

基礎學習

Day 1：環境搭建與 Colab 入門指南
Day 2：Pytorch訓練流程全解析
Day 3：資料集讀取技巧與最佳實踐
Day 4：資料預處理的關鍵步驟
Day 5：資料擴增技術深入探討
Day 6：如何選擇合適的模型
Day 7：分類模型的基本概念
Day 8：訓練你的第一個AI模型
Day 9：模型評估指標與應用
Day 10：使用Github高效管理專案

控制圖像生成技術

Day 11：生成圖像技術概覽
Day 12：Diffusion Model的基本介紹
Day 13：T2I Diffusion Model 論文閱讀
Day 14：ControlNet 論文閱讀
Day 15：T2I Adapter的工作原理
Day 16：如何重現開源AI模型訓練
Day 17：準備與整理Dataset
Day 18：模型訓練後的保存與載入技巧
Day 19：全面評估你的模型表現
Day 20：高效搜尋AI文獻的方法
Day 21：如何修改與優化模型

語言模型與API應用

Day 22：使用API進行數據獲取
Day 23：製作屬於自己的資料集
Day 24：利用生成式AI進行股市分析
Day 25：RAG技術的介紹
Day 26：使用Llama進行RAG建立
Day 27：GraphRAG 論文閱讀
Day 28：在Kaggle上參加競賽與學習
Day 29：學習總結與未來計畫展望

粗體難度為較高