🧭 AI/ML 與系統架構文章導覽圖：從理論到實戰的內容地圖

📚 目錄¶

1. 導言：為什麼你需要這份地圖？
2. 第一站：基礎概念與核心問題 (The Fundamentals)
3. 第二站：模型深度探討與生成式 AI 實戰 (Deep Dives & GenAI)
4. 第三站：從實驗室到生產環境 (MLOps & System Architecture)
5. 第四站：趨勢、工具與實務案例 (Future, Tools & Cases)
6. 結語：如何利用這份地圖？

🌟 導言：為什麼你需要這份地圖？¶

主題的廣闊性 (Hook)：
AI、ML 與系統架構是當今科技界最熱門也最複雜的領域，知識點多且迭代速度快。

問題與解決方案：
知識分散在數十篇文章中，讀者難以循序漸進。這份指南就是您專屬的「內容地圖」，幫助您根據自己的程度和目標，找到最佳的閱讀起點和路徑。

文章適用對象 (Target Audience)：
- 🧩 初學者：想建立清晰的知識體系
- 🧠 中階開發者：想深入特定演算法或框架
- 🏗️ 資深架構師：想參考生產環境（Production）的部署經驗

🗺️ 第一站：基礎概念與核心問題 (The Fundamentals)¶

適用對象： 初學者、產品經理、非技術背景但想理解核心概念的人。
核心目標： 建立 AI、ML 與深度學習的層次感，掌握訓練過程的常見問題。

人工智慧與機器學習入門¶

1. 李宏毅 機器學習2021 : 機器學習基本概念
2. 監督式與非監督式學習指南 (TBD)
3. 李宏毅 機器學習2021 : 訓練技巧與正規化
4. 生成式人工智慧與機器學習導論2025 — 為什麼上下文工程（Context Engineering）是 AI Agent 時代的關鍵技術？
5. 生成式人工智慧與機器學習導論2025 — 深入解剖大語言模型的內部運作
6. 生成式人工智慧與機器學習導論2025 — 能力檢定中的技術、挑戰與陷阱
7. 生成式人工智慧與機器學習導論2025 — 搞懂機器學習與深度學習

模型評估與調校¶

1. 李宏毅 模型評估指標全解析 (TBD)
2. 李宏毅 II : 過擬合與欠擬合的解法(TBD)
3. 李宏毅 資料前處理與特徵工程實戰 (TBD)
4. 李宏毅 機器學習2021 : 深入黑箱：可解釋機器學習 (XAI) 技術概論

🛠️ 第二站：模型深度探討與生成式 AI 實戰 (Deep Dives & GenAI)¶

適用對象： 有基礎、想動手實作與理解原理的開發者。
核心目標： 深入主流模型架構與生成式 AI 技術應用。

主流深度學習與 LLM 架構¶

1. 李宏毅 機器學習2021 : 卷積神經網路CNN
2. 李宏毅 RNN 與 LSTM 在時序資料應用 (TBD)
3. 李宏毅 機器學習2021 : Transformer 與 LLM 核心架構
4. 為什麼 Transformer 需要位置編碼？

進階與特殊 ML 應用¶

1. 李宏毅 機器學習2021 : 自注意力機制 (Self-Attention) 原理
2. 李宏毅 機器學習2021 : GAN 生成對抗網路
3. 李宏毅 機器學習2021 : 自編碼器 (Autoencoder)
4. 李宏毅 機器學習2021 : 自督導式學習 (Self-supervised Learning) BERT
5. 李宏毅 機器學習2021 : 應對領域漂移：領域調適與泛化技術介紹
6. 李宏毅 機器學習2021 : 異常偵測
7. 李宏毅 機器學習2021 : 對抗式攻擊與防禦介紹 (Adversarial Attacks and Defense)
8. 李宏毅 機器學習2021 : 強化學習：核心概念與運作框架
9. 李宏毅 機器學習2021 : 神經網路壓縮 (Network Compression)
10. 李宏毅 機器學習2021 : 終身學習：機器如何實現活到老學到老
11. 李宏毅 機器學習2021 : 元學習 (Meta Learning)：學習如何學習
12. 李宏毅 機器學習2023 : Diffusion Model 介紹文章

大型語言模型 (LLM) 核心機制與應用¶

1. 生成式AI時代下的機器學習 — 生成式 AI 時代下的大型語言模型訓練工具
2. 生成式AI時代下的機器學習 — 技術突破與未來發展
3. 生成式AI時代下的機器學習 — 語言模型內部運作機制剖析
4. 生成式AI時代下的機器學習 — Transformer 的競爭者們
5. 生成式AI時代下的機器學習 — 預訓練–對齊」（Pretrain-Alignment）的強大與極限
6. 生成式AI時代下的機器學習 — 後訓練、災難性遺忘與模型能力的保持
7. 生成式AI時代下的機器學習 — 大型語言模型推理能力
8. 生成式AI時代下的機器學習 — 大型語言模型評估的挑戰與高效推理
9. 生成式AI時代下的機器學習 — 模型合併與模型編輯
10. 生成式AI時代下的機器學習 — 超越文字的對話與生成
11. RAG Deep Dive : 從原理到架構實踐
12. RAG 與Fine-Tune比較
13. Fine-Tune 深度解析
14. LLaMA 3.2 實戰與 Prompt 測試
15. Gemini API 入門與應用
16. 2026 李弘毅課程 - 加快語言模型生成速度
17. 李弘毅課程2026 - 駕馭工程（Harness Engineering）

🏗️ 第三站：從實驗室到生產環境 (MLOps & System Architecture)¶

適用對象： 資深開發者與系統架構師。
核心目標： 從模型部署、監控到系統設計的全流程實踐。

MLOps 流程與 CI/CD¶

1. MLOps 入門與流程設計 (TBD)
2. 使用 Docker 與 K8s 部署模型 API (TBD)
3. GitHub Actions 自動化流程入門
4. 從命令行到雲端：使用 gcloud CLI 部署現代化 Python 服務
5. Line Bot 實戰：從 Webhook 到 Cloud Run
6. LINE Bot 定時推送與 Google Scheduler 整合實戰

雲原生與容器化架構¶

1. Kubernetes 系列 I：容器化基礎
2. Kubernetes 系列 II：K8s 基礎介紹
3. Kubernetes 系列 III：進階與部署策略
4. Kubernetes 系列 IV：企業級平台 Openshift
5. 微服務架構與 ML 系統整合 (TBD)
6. 資料管線設計：從 ETL 到 ELT (TBD)

🔭 第四站：趨勢、工具與實務案例 (Future, Tools & Cases)¶

適用對象： 想了解最新趨勢與應用實例的讀者。
核心目標： 結合產業實例與工具使用，激發靈感與應用思維。

趨勢、工具與實務案例¶

1. LINE Bot 防詐與 Google Cloud 應用實戰專題介紹
2. 智慧交通：用影像辨識打造違規監測系統
3. AI 工具：快速開發與產品迭代指南
4. 網站自動化：Hugo + GitHub Action 靜態網站實戰
5. Google AI Agent Development Kit (ADK) 密集課程介紹
6. Prompting： 解鎖你的 AI：模型上下文協定 (MCP) 入門介紹
7. Python 工具箱：python-pptx 自動化簡報生成
8. 從 Vibe Coding 到實踐：我如何利用 Google AI 系列工具重塑個人網站
9. Vibe Coding 檢討，從寫程式到導航程式
10. 快速上手硬體版 — 使用AI 與 ESP32
11. OpenClaw 小龍蝦介紹與定位
12. 打造 AI 協作未來：淺談 MCP、A2A 與 ACP 的角色與應用
13. 圖片生成 vs Stateful Tool Agent 差異比較
14. 官方與第三方的對決:Claude Code vs. Roo Code
15. 不甘心神作爛尾？探討 AI 成為「分鏡主編」，如何用技術重啟漫畫結局
16. 從 Prompt 到 Harness：當 AI 巨頭開始「收割」新創，工程師的護城河在哪裡？
17. 拒絕脫韁的野馬：寫給想用 AI 重啟漫畫結局的開發者，關於 Context Engineering 的實踐思維
18. 當寫程式變成「審代碼」：資深開發者的 AI 協作倖存指南

✅ 結語：如何利用這份地圖？¶

• 新手建議： 從「第一站：基礎概念」開始，建立堅實的基石。
• 架構師建議： 直接跳到「第三站：生產環境」，專注於 MLOps 和系統設計文章。