01. 量子計算基礎
目標受眾：高中生、大學生、量子運算初學者
持續時間：1週（5天，每天3-4小時）
形式：講座、實作模擬、討論與小型項目
先修條件：代數和機率的基礎知識；無需先前的量子經驗
第一天：量子計算簡介
• 什麼是量子計算？概述和歷史背景
• 經典計算與量子計算：主要區別
• 核心概念：疊加、糾纏與量子平行
• 量子位元簡介：布洛赫球面表示
• 實作活動：
• 使用 IBM Quantum Experience 或基於 Python 的量子模擬器 (Qiskit) 建立和視覺化量子位元
第二天：量子閘和電路
• 量子閘與經典閘
• 基本量子閘：Pauli-X、Y、Z；阿達瑪（H）；相位（S，T）；中央諾特
• 建構簡單的量子電路
• 量子測量：量子態如何坍縮
• 實作活動：
• 使用 Qiskit 實現基本量子電路
• 使用量子電路圖視覺化電路操作
第三天：量子演算法與計算
• 量子加速與複雜性：量子電腦為何如此強大
• 關鍵量子演算法：
• Deutsch-Jozsa演算法（量子優勢介紹）
• Grover 搜尋演算法（更快的搜尋）
• 實作活動：
• 在 Qiskit 中模擬 Grover 演算法
• 探索真實量子處理器（IBM Quantum）上的電路執行
第四天：量子密碼學及其應用
• 量子密碼學基礎：
• BB84 協定：安全量子金鑰分發
• Shor 演算法：破解 RSA 加密
• 量子應用：
• 最佳化（例如，金融中的投資組合最佳化）
• 機器學習（量子增強人工智慧）
• 藥物研發與材料科學
• 實作活動：
• 使用 Qiskit 模擬 BB84 加密協議
第五天：量子運算的未來與迷你項目
• 量子硬體的現況：IBM、Google、Rigetti 等
• 量子糾錯與雜訊：建構可擴充量子電腦的挑戰
• 未來展望：量子人工智慧、量子互聯網
• 迷你專案：
• 學生選擇一項：
• 創造解決簡單問題的量子電路
• 模擬量子隱形傳態協議
• 實作基本的量子演算法（例如，Grover 搜尋）
• 最終示範：展示專案成果並討論關鍵學習內容
課程成果：
課程結束時，學生將：
了解量子運算基礎與關鍵原理
獲得 Qiskit 和量子電路模擬的實務經驗
了解量子演算法和實際應用
完成一個小型量子計算項目
02.人工智慧（AI）基礎知識
目標對象：高中生、大學生、人工智慧初學者
持續時間：1週（5天，每天3-4小時）
形式：講座、動手編碼、小組討論和專案工作
先修條件：基本程式設計知識（推薦 Python）
第一天：人工智慧與機器學習簡介
• 什麼是人工智慧？歷史、範圍和應用
• 人工智慧的類型：狹義人工智慧與廣義人工智慧
• 機器學習 (ML) 簡介：監督式學習、無監督學習和強化學習
• 人工智慧倫理與偏見：理解人工智慧模式中的公平性
• 實作活動：
• 在 Google Colab 中執行一個簡單的 AI 模型（例如，使用 TensorFlow/Keras 訓練一個小型影像分類器）
第二天：數據與人工智慧——基礎
• 資料在人工智慧中的重要性：資料收集、清理和預處理
• 資料型態：結構化資料與非結構化資料
• 特徵工程與選擇
• 實作活動：
• 使用 Python（Pandas、NumPy）處理和清理資料集
• 使用 Matplotlib/Seaborn 探索資料集以進行視覺化
第三天：監督學習－訓練人工智慧模型
• 監督學習基礎：迴歸與分類
• 常見演算法：
• 線性迴歸
• 決策樹
• 神經網路（深度學習簡介）
• 實作活動：
• 使用 Scikit-Learn 訓練一個簡單的分類器（例如，使用 MNIST 資料集識別手寫數字）
第四天：神經網路與深度學習
• 什麼是神經網路？感知器和多層網路的基礎知識
• 深度學習簡介：卷積神經網路 (CNN)、循環神經網路 (RNN)
• 實作活動：
• 使用 TensorFlow/Keras 訓練 CNN 對影像進行分類
• 使用 Google Teachable Machine 等互動式 AI 工具
第五天：人工智慧應用與小型項目
• 現實世界應用中的人工智慧：醫療保健、金融、機器人、創意人工智慧
• 人工智慧的未來：生成式人工智慧、量子人工智慧
• 迷你專案：
• 學生選擇以下之一：
• 建立一個基本的 AI 聊天機器人
• 在文字資料上訓練情緒分析模型
• 開發影像分類器
• 最終示範：展示專案成果與關鍵學習內容
課程成果：
課程結束時，學生將：
了解核心 AI 和 ML 概念
獲得 Python、Scikit-Learn 和 TensorFlow 的實務經驗
學習預處理資料並建立簡單的人工智慧模型
完成一個小型AI項目