清華大學 x 理律學堂《AI FOR LAWYERS程式實作課程》
單位與講者
- ．主辦單位：財團法人理律文教基金會、國立清華大學
- ．講者：蘇豐文 教授
課程說明
理律文教基金會與國立清華大學科技法律研究所將於7月27日（一）至7月31日（五）舉辦【理律x清華AI FOR LAWYERS程式實作課程】，邀請清華大學資訊工程學系蘇豐文教授擔任授課講師，教授人工智慧在法律應用之技術知識與實作技巧，為使學員確實掌握人工智慧的實作技術，課程將由一位課程助教搭配五位學員的模式進行。學員除學習基礎資料科學軟體的運用技術與知識外，也有機會將該等技術運用到實際司法訴訟類型與議題中。
清華大學x理律學堂《AI FOR LAWYERS程式實作課程》課程大綱
「理律 x 清華 AI for Lawyers 程式實作課程」主要將分為兩大組群（cluster）。第一個組群是「人工智慧基礎課程」，以及第二個組群是「進階課程與實作演練」。
第一組群「人工智慧基礎課程」的課程目的是教授學員基礎人工智慧的軟體程式與相關操作方式。過程中，學員將學習到自然語言處理（NLP）、貝氏定理與文字分類、機器學習理論、以及決策樹分類器學習演算法等基礎的人工智慧觀念與技術。此外，也將搭配若干實作題目，確保學員能應用其所習得的知識。同時，也將教授學員使用matplotlib 等工具，學習統計圖表的使用方式。
第二組群「進階課程與演練」則將以深入淺出之方式，帶領學員研習類神經網路與深度學習，並將先前所學習到的技術運用到實際法律議題中。例如，學員可將相關技術運用到「土地徵收訴訟」或「大法官解釋」的相關判決文書中，進行案件分類搜尋、分析裁判理由中的法律要件，進而預測判決結果。
本課程時間為7月27日至7月31日，每天早上10點至下午5點（為期5天，每日上課6小時，中午休息一小時）。
上課地點為國立清華大學旺宏館245教室。
學員需自備筆電。
考量實作指導可行性，擬錄取學員人數共約 40 名。
除實作演練無法錄影外講座課程可委請理律學堂進行錄影，成為學堂線上課程的一部分，供公眾遠距學習。
清華大學x理律學堂《AI FOR LAWYERS程式實作課程》課程大綱
「理律 x 清華 AI for Lawyers 程式實作課程」主要將分為兩大組群（cluster）。第一個組群是「人工智慧基礎課程」，以及第二個組群是「進階課程與實作演練」。
第一組群「人工智慧基礎課程」的課程目的是教授學員基礎人工智慧的軟體程式與相關操作方式。過程中，學員將學習到自然語言處理（NLP）、貝氏定理與文字分類、機器學習理論、以及決策樹分類器學習演算法等基礎的人工智慧觀念與技術。此外，也將搭配若干實作題目，確保學員能應用其所習得的知識。同時，也將教授學員使用matplotlib 等工具，學習統計圖表的使用方式。
第二組群「進階課程與演練」則將以深入淺出之方式，帶領學員研習類神經網路與深度學習，並將先前所學習到的技術運用到實際法律議題中。例如，學員可將相關技術運用到「土地徵收訴訟」或「大法官解釋」的相關判決文書中，進行案件分類搜尋、分析裁判理由中的法律要件，進而預測判決結果。
本課程時間為7月27日至7月31日，每天早上10點至下午5點（為期5天，每日上課6小時，中午休息一小時）。
上課地點為國立清華大學旺宏館245教室。
學員需自備筆電。
考量實作指導可行性，擬錄取學員人數共約 40 名。
除實作演練無法錄影外講座課程可委請理律學堂進行錄影，成為學堂線上課程的一部分，供公眾遠距學習。
報名辦法
申請者請於5月31日前填妥線上報名表：https://forms.gle/WssXqiKqtLjSFgPG6（注意：報名表為甄選之依據，請詳實填寫）。
甄選條件
本次課程以40名學員為限，報名資格為法律相關系所（包括雙主修、輔系、學分學程、跨域學程或專長）大一（含）以上或畢業兩年內者，在學者優先。
課程時程表
| 日期 | 時段 | 學程內容 |
|---|---|---|
| 2020/7/27(一) | 10:00-13:50 | 基礎課程： 軟體環境設置 程式平台安裝設定、程式語法與功能、示範與操作 簡介下列軟體之應用，如：Python（程式語言）、TensorFlow（深度學習）、Anaconda（Python套件包）、Keras（神經網路）、Numpy（矩陣、維度運算）、Pandas（數據分析套件）等，並協助學員進行軟體安裝與設置。 |
| 14:00-17:00 | 基礎課程： 自然語言處理(NLP) 觀念、理論與方法 1.為何NLP困難 ? 2.NLP中的難題：句法（syntactic）、語義（semantic）與語用歧義（pragmatic ambiguities）。 | |
| 2020/7/28(二) | 10:00-13:50 | 基礎課程： 機器學習理論 決策樹分類器學習演算法 分類問題與決策樹學習相關練習 1.介紹機器學習態樣。 2.介紹K-近鄰（k-nearest neighbor）分類器。 3.介紹決策樹、回歸樹以及相關學習演算法以及其應用。 4.介紹整體學習（Ensemble learning）。 |
| 14:00-15:30 | 進階課程： 類神經網路與深度學習 觀念、理論與方法 1.介紹深度學習（Deep Learning）之方法，包含何謂神經網路、深度學習之應用與設置深度學習所需之軟體及環境（如TensorFlow、Keras等）。 2.介紹小批次下降（Mini-batch）與隨機梯度下降法（Stochastic gradients）。 3.介紹適應性學習率（Adaptive learning rate）與動量 （momentum）。 4.介紹激勵函數（activation function）與 損失（loss function）。 | |
| 16:00-17:00 | 進階課程： 深度學習 觀念、理論與方法 介紹深度學習（Deep Learning）之方法，包含 :遞迴式神經網路（Recurrent neural network）、反向傳播法（back propagation thru time）、長短期記憶（Long short term memory）、Genetic regulatory networks（簡稱GRN）、遞迴式神經網路（Recurrent Neural Network，簡稱RNN ）用於語句處理與比較NLP parser之使用。 | |
| 2020/7/29(三) | 10:00-13:50 | 基礎課程： 貝氏定理與文字分類 觀念、理論與方法 1.介紹自然語言處理，其相關之技術。 2.介紹條件機率、貝氏定理以及文字分類，並且學習使用貝氏定理進行文字分類。 3.語義（semantic）嵌入與 word2vec套件演練。 |
| 14:00-15:30 | 基礎課程： 機器學習理論 觀念、理論與方法 1.介紹基本機器學習概念與實驗條件。 2.介紹神經網路（Neural Networks）。 3.介紹錯誤反向傳播（Error backpropagation） 與 機器學習。 4.介紹學習率（learning rate）與動量 （momentum term）。 | |
| 16:00-17:00 | 進階課程： 類神經網路與深度學習網路 待定相關之演練 1.介紹深度學習（Deep Learning）之方法，包含何謂神經網路、深度學習之應用與設置深度學習所需之軟體及環境（如TensorFlow、Keras等）。 2.介紹卷積神經網路（Convolutional Neural Network，簡稱 CNN）。 3.Bert分類器訓練原理與模型。 | |
| 2020/7/30(四) | 10:00-13:50 | 進階課程： 深度學習 觀念、理論與方法 1.語義（semantic）嵌入: 詞向量（word-vector encoding）。 2.介紹案例式學習（case-based learning ）。 介紹區域性敏感雜湊技術（sensitivity hashing techniques）。 3.介紹隨機投影（random projection）。 |
| 14:00-15:30 | 基礎課程： 基本語法與所需工具訓練 程式工具操作演練題與實作練習 1.使用軟體所需之工具（如Pandas及Matplotlib）介紹及練習及矩陣介紹，以及選用語言之基本語法與應用。 2.Python的實作練習： Loop & if-else、尋找關鍵字、刪除特定字、列表與字串操作（list & string manipulations）、向量與矩陣運算與數據視覺化（data visualization）。 | |
| 16:00-17:00 | 基礎課程： 實作Exercise 1： 中文文字分類實作練習 1.介紹如何擷取資料庫資料，並且使用相關之數據及資料實證。 2.使用單純貝式分類器（naïve Bayes）進行情緒分析（sentimental analysis）。 | |
| 2020/7/31(五) | 10:00-13:50 | 基礎課程： 實作 Exercise 2： 實作練習 使用隨機森林（random forest）方法進行文本（text）分類。 |
| 14:00-15:30 | 進階課程： 實作Exercise 3： 實作練習 使用相似度比對方法分析土地徵收判決。 | |
| 16:00-17:00 | 進階課程： 實作Exercise 4： 實作練習 使用Bert分類器去偵測語句關係，以環境影響評估判決書為例。 | |
| 17:00-17:30 | 結業式 |
