一、課程說明(Course Description)
本課程是門 AI 實作課程，旨在培養學生理解 AI 的原理、工具、技術與藝術創意的設計原理與操作，讓學生用動手做的方式配合眾多 AI 工具搭建起基本的互動控制能力。課程以「自己做一個小型 AI 模型，並放到手機與網頁上」為主軸：學生從收集資料開始，使用免程式與低程式工具訓練影像、手勢、聲音與感測器模型，再部署到網頁，以手機開啟展示。全程以瀏覽器與免費額度工具為主，不需購買硬體或 GPU，成本接近零。課程中將介紹各種互動創意設計作品，引導學生進行創意設計，更引領同學從互動設計中探索 AI 介面（AI Interactive Interface）與情境感知（Context Aware），進而探索 AI 與人、AI 與介面、AI 與環境的互動關係。
學習目標
- 理解機器學習的基本概念：資料、訓練、評測、部署
- 能自行收集、標註並整理小型資料集，並理解資料倫理與隱私
- 能訓練影像、手勢、聲音或感測器的小型模型，並分析其失敗原因
- 能將模型部署為網頁，並在手機上展示與測試
- 能設計「感知 → 模型 → 回應」的互動作品，並用 AI 工具進行創作共創
- 能撰寫模型說明文件（Model Card），並負責任地公開作品
Keywords : 互動, 感測, AI, 藝術, 互動設計, 創意, 人文, 資訊應用, 動手做, 環境感知
二、課程內容規畫(Course Planning)
本課程為16週，學習目的為提升學習自主性的高密度學習模式。內容由淺入深分為四個階段：
| 階段 | 週次 | 目標 |
|---|---|---|
| ① 認識與準備 | 1–3 | 建立 AI 共創工作流，理解資料是創作素材 |
| ② 動手做小模型 | 4–8 | 影像、手勢、聲音的模型訓練與評測，部署到網頁與手機 |
| ③ 進階與整合 | 9–13 | 遷移學習、模型公開、情境感知與互動介面設計 |
| ④ 專題與發表 | 14–16 | 期末專題開發、使用者測試與成果發表 |
使用工具（皆有免費使用額度，開課第一週會再確認現況）
- 訓練與實驗：Teachable Machine、MediaPipe、Google Colab
- 網頁與部署：ml5.js / TensorFlow.js、GitHub Pages、Hugging Face Spaces（Gradio）
- AI 共創：大型語言模型，例如Gemini、ChatGPT（協助發想、撰寫網頁程式碼、除錯）
- 學生需自備：筆電、智慧型手機
學生先備條件：無程式基礎也可修習；具備基本電腦操作與帳號申請能力即可。
三、參考用書(Text Books)
指定用書：無。講義與範例程式由授課教師自編，每週於清大課程平台提供 (eeclass)。
參考資源（線上文件）
- Teachable Machine 官方教學
- MediaPipe 官方文件
- ml5.js 官方文件與範例
- TensorFlow.js 官方文件
- Hugging Face 官方課程與 Spaces 文件
- Google Colab 入門筆記本
四、教學方式(Teaching Method)
| 教學方式 | 比例 | 堂數 | 對應週次 |
|---|---|---|---|
| 1. 理論講述與課堂實作 | 60% | 9 堂 | 第 1、3、4、5、6、10、11、12、13 週 |
| 2. 作品賞析 | 10% | 1 次報告 | 第 2 週（題目發布） |
| 3. 個人作業 | 30% | 3 堂 | 第 7、8、14 週 |
另有 3 週為成果週（期中發表、使用者測試、期末發表），不計入上述比例：第 9、15、16 週。
五、課程進度安排(Syllabus)
| 週 | 主題 | 課堂內容 | 作業與產出 |
|---|---|---|---|
| 1 | AI 與互動藝術總覽 | 課程介紹、互動 AI 作品賞析、帳號與環境建置（Google、GitHub、Hugging Face） | 完成所有帳號設定 |
| 2 | AI 共創工作流 | 以 LLM 作為創作夥伴、Teachable Machine 快速體驗、作品賞析方法 | 發布作品賞析報告題目 |
| 3 | 資料就是素材 | 用手機收集影像與聲音、標註、資料集設計；資料倫理、版權與隱私 | |
| 4 | 影像分類 | Teachable Machine 訓練並匯出模型 / 作品賞析上台報告 | 發布小作業一 |
| 5 | 身體與手勢 | 手勢與姿態辨識（MediaPipe）、手指數量辨識，用手勢控制畫面元素 | |
| 6 | 聲音與手機感測器 | 音訊分類、手機加速度等感測資料，動作或聲音觸發回應 | |
| 7 | 評測與失敗分析 | 混淆矩陣、資料偏誤、迭代改進 | |
| 8 | 部署 I：放上網頁（個人作業） | ml5.js / TensorFlow.js、GitHub Pages、以手機開啟 | 小作業一繳交 |
| 9 | 期中成果發表 | 每人展示網頁版小模型與互動作品 | 期中成果作品 |
| 10 | 進階：遷移學習與 Model Card | Colab 微調影像模型、撰寫 Model Card | 發布小作業二 |
| 11 | 部署 II：Hugging Face Spaces | Gradio 介面、分享連結、手機使用體驗 | |
| 12 | 情境感知 | 多輸入組合（時間、手機感測、影像）與環境回應設計，AI 與環境的互動草圖 | |
| 13 | AI 與人：介面與回饋 | 視覺、聲音、文字回饋設計；選修加入 LLM 對話；發布期末專題規格 | 小作業二繳交 |
| 14 | 期末專題開發 I | 需求釐清、資料集擴充、模型訓練，進度檢核 | |
| 15 | 期末專題開發 II： | 同學互相試用作品、記錄問題並修正，可邀請他系同學或助教旁聽試用 | 使用者測試紀錄與修正 |
| 16 | 期末成果發表 | 展示、互評、公開發佈 | 期末成果作品 |
作業說明
- 作品賞析報告（個人作業）：選一件 AI 互動作品，分析其感知方式、模型類型、回應設計與創意概念，並附 Survey。
- 小作業一：用 Teachable Machine 製作影像或手勢模型，放上網頁，手機可開啟。
- 小作業二：在 Colab 微調模型並發布到 Hugging Face，附 Model Card 與簡短 Demo。
- 期中成果作品：網頁版小模型與互動作品。
- 期末成果作品：自選情境（展演、教育、公共空間等），完成「感知 → 模型 → 回應」的網頁作品，並附資料集說明、失敗紀錄與 Model Card。
六、成績考核(Evaluation)
1、平時成績 15% (出席率，上課互動)
2、個人作業 10% (作品賞析報告與Survey)
3、指定小作業 15% (小作業一、小作業二)
4、期中成果作品 25%
5、期末成果作品 35%
評量重點
- 重視過程紀錄與自己的判斷：資料集來源與說明、失敗案例與改進、Model Card
- 創意概念、互動設計品質，與技術完成度並重
- 期末作品需能在手機上實際操作展示
八、AI 的使用規則
完全開放使用且無須註明，學生必需運用AI進行共創。