內容介紹：

      本課程結合人工智慧特徵工程與資安實務，帶領學員系統化學習資料清理、特徵構建、選擇、降維與自動化等核心方法，同時深入探討 AI 系統在面對對抗樣本、資料漂移與資安威脅時的脆弱性。透過實作案例，學員將能掌握對抗樣本生成與防禦技術，並建立兼顧效能與安全性的 AI 系統設計視角，培養跨域的實務應用與研究能力。

1. 特徵工程：提升模型效能與可解釋性

      本課程將引導學員從基礎到進階，全面理解特徵工程在人工智慧與機器學習流程中的關鍵角色。內容涵蓋資料清理、特徵構建、特徵選擇與降維等核心方法，並介紹自動化特徵工程（AutoFE）的應用。透過系統化學習，學員能在實務專案中靈活運用這些技術，建立更高效能且具可解釋性的模型。課程將結合理論與實作，使學員掌握如何針對不同資料型態（數值、類別、文本與時間序列）設計適合的特徵處理流程，並進行效能評估與優化，奠定扎實的 AI 開發基礎。

2. AI 資訊安全：辨識風險與強化防禦

      除了特徵工程，本課程亦聚焦於 AI 系統在安全面向的挑戰。學員將認識資料完整性、特徵污染、模型竊取與資料外洩等威脅，並理解 AI 模型在面對惡意攻擊與對抗樣本時的潛在風險。課程將涵蓋主流對抗樣本生成方法（如 FGSM、PGD），並透過實作示範 AI 模型的脆弱性。課程最後將引導學員整合特徵工程與資安視角，建立從資料處理到模型監控的全方位觀點，培養設計兼顧效能與安全性的 AI 系統能力。

課程時段規劃表：