探討AI與大數據應用所帶來的倫理、隱私及社會衝擊
● 1-1 倫理挑戰、公平性（Bias）與社會經濟影響。
● 1-2 數據隱私、透明度與可解釋性（XAI）。
● 1-3 大數據概念與應用趨勢。

下午:

單元2：Python 程式基石與邏輯

建立資料前處理概念，並認識機器學習模型分類
● 2-1 Google Colab 環境設定與初體驗。
● 2-2 變數型態、運算子與運算式。
● 2-3 條件判斷（if/else）與迴圈（for/while）。

上午:

單元3：數據科學與機器學習邏輯

建立資料前處理概念，並認識機器學習模型類別
● 3-1 核心統計量：平均數、中位數、眾數計算原理。
● 3-2 數據品質與前處理概念（遺失值、異常值）。
● 3-3 模型分類：監督/非監督/強化學習。
● 3-4 訓練、測試、驗證資料集切分概念。

下午:

單元4：生成式AI與Prompt工程

熟悉Python進階語法、資料讀取與視覺化圖表
● 4-1 List/Dict 概念操作與 Pandas 資料讀取。
● 4-2 函式（Function）的定義與使用入門。
● 4-3 深度學習簡介與神經網路結構。
● 4-4 Matplotlib 圖表判讀（折線圖、直方圖、散點圖）。

上午:

單元5：生成式AI與Prompt工程

掌握LLM語言模型原理、提示詞工程與多模態工具應用
● 5-1 大型語言模型（LLM）原理與應用。
● 5-2 Prompt Engineering 技巧（CoT/Few-shot）實作。
● 5-3 多模態工具體驗（Canva 圖像/Suno 音樂）。

下午:

單元6：Vibe Code 專案開發與部署

運用低程式碼工具開發AI應用，並開始收尾專案與提案準備
● 6-1 Vibe Code 介面導覽與低程式碼 AI 概念。
● 6-2 實戰開發：NLP 情感分析與 CV 圖像分類 App。
● 6-3 專案衝刺：開始進行單元 7 的專案收尾與提案準備

上午:

AI 產品提案大賽

統整專案資料並進行成果發表，講師回饋。
● 7-1 專案文件準備與視覺化輔助。
● 7-2 正式發表：學生進行專案演示與成果分享。
● 7-3 講師講評與回饋。

下午:

認證複習&正式考試

考前衝刺與認證總結
● 8-1 考題架構解析與重點整理。
● 8-2 易錯觀念澄清與應試技巧指導。
● 8-3 模擬認證練習（針對前三天重點內容）。
正式進行認證考試
● 「人工智慧工程素養能力認證」90分鐘