清華大學 x 理律學堂《AI FOR LAWYERS程式實作課程》

課程日期

·

  • 2020-07-27
  • ～ 2020-07-31

課程進程

已開課

講座地點

國立清華大學旺宏館245教室

課程地址

新竹市光復路二段101號

單位

  • ．主辦單位：國立清華大學科技法律研究所
  • 、 財團法人理律文教基金會

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。

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。

課程詳情

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。
  • 《法律與社會跨領域寒假營隊》將於2021/1/25-29連續五日在國立中正大學共同教室大樓 TEAL教室上課。
  • 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。

單位

財團法人理律文教基金會-circle
財團法人理律文教基金會
國立清華大學-Logo
國立清華大學

講者

蘇豐文-square
蘇豐文
教授

相關講座

程式實作1：Python簡介、Anaconda開發環境介紹及設置 蘇豐文教授
程式實作1：Python簡介、Anaconda開發環境介紹及設置
程式實作2：程式語言簡介、變數與資料型態
程式實作2：程式語言簡介、變數與資料型態
程式實作3：Python語法入門（邏輯運算與條件式語法、陣列宣告與操作、流程控制）
程式實作3：Python語法入門（邏輯運算與條件式語法、陣列宣告與操作、流程控制）
程式實作4：NumPy 介紹與 Matplotlib 資料視覺化
程式實作4：NumPy 介紹與 Matplotlib 資料視覺化
程式實作5：Pandas 資料分析
程式實作5：Pandas 資料分析
機器學習1：機器學習技術、機器學習技術分類、沒有免費的午餐定理、偏見與奧卡姆剃刀定理 蘇豐文教授
機器學習1：機器學習技術、機器學習技術分類、沒有免費的午餐定理（No Free Lunch Theorems）、偏見（bias）與奧卡姆剃刀定理（Occam's Razor）
顯示更多影片
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
瀏覽活動照片

Tel: +886- 2-2760-6111 / Fax: +886-2-2756-5111
E-mail: [email protected]