選課日期：114/8/19 截止
課程名稱
深度學習基礎理論與法學應用 Foundations of Deep Learning and Legal Applications
（對應總課程名稱：人工智慧應用與實作 Artificial Intelligence Applications and Implementations）
授課教師
資訊工程學系 謝秉均 副教授
資科工所 洪鈺恆博士生、科技法律研究所 張雅菲博士生
課程概述與目標
本課程旨在提供深度學習領域之實作導向與循序漸進的入門訓練。學生將自建立一個基礎的手寫數字分類器開始，逐步拓展至訓練更為複雜之模型，應用範疇涵蓋美國手語識別、動物影像分類，自然語言處理任務（例如新聞標題生成）等。法理學導向之法律分析，即策略性蒐集並分析大量法律資料，以辨識趨勢、提煉見解，以支持科學理性判決。
本課程聚焦法理學之應用層面，強調運用深度學習技術分析歐洲人權法院的實際判決，並透過計算法理學之視角銜接理論與實務。課程之最終階段，學生將運用遞迴神經網絡與長短期記憶網絡對法律文本進行語意分析，並評估其在該應用場景中之相對效能。課程重點強調實務導向之建模流程，包括新興模型架構與技術於效能優化之應用、預訓練模型之導入，以及遷移學習策略之實作。藉由操作多元資料集與模型架構，學生將建立發展與部署深度學習專案所需之核心能力。
課程日期
8/25, 8/26, 8/27, 8/28
10:10-12:00, 13:20-15:10
課程總時數
16小時
上課地點
綜合一館 301(暫定)
修課人數上限
16人
先修科目或先備能力
無
學生自備物品
筆記型電腦
作業、考試、評量
出席率30%、平時作業30%、期末成果40%。
課程大綱
| 單元主題 | 內容綱要 | 講授 | 示範 | 習作 | 其他 | |
| 從計算法理視角出發探討法律資料分析與深度學習基礎 | 本課程自深度學習之基礎出發，涵蓋其發展歷程、核心概念，以及以手寫數字等實際資料訓練簡單神經網路。學習者將逐步應用這些技術於法學領域，作為判決分析與法律推理之基礎，並為法律資料分析中批判性理解計算法理學奠定技術根基。 | 2hr | 2hr | – | – | |
| CNNs 和模型部署於歐洲人權法院實務判決分析 | 進階學習卷積神經網路（CNN）構建、資料增強技術應用與模型部署，重點在優化模型效能與提升在複雜法律資料集，特別是歐洲人權法院實務判決分析之穩健性。學習者將培養由理論概念轉化成法律資料分析領域之可延伸擴充解決方案之技巧。 | 2hr | 2hr | – | – | |
| 探索預訓模型與進階架構於法律資料分析 | 了解如何運用預訓練模型進行遷移學習，並探討自然語言處理、循環神經網路及生成對抗網路等進階主題。此過程不僅使學習者掌握前沿技術，亦深化其對這些方法在複雜法律文本中的應用與限制之理解。透過法學資料分析之實作，學習者將得以銜接計算方法與法理學應用。 | 2hr | 2hr | – | – | |
| 期末成果展示與反饋 | 期末成果展示與反饋 | – | – | 4hr | – |
課程進度表
| 日期 | 課程進度、內容、主題 | |
| 8/25 單元A. Part 1 | 深度學習導論 ● 理解深度學習與傳統程式設計範式的根本差異 ● 探討深度學習於視覺、語言與機器人等領域的實際應用 ● 學習資料與運算力的進展如何推動深度學習發展 ● 深度學習開發流程之概觀 法律資料分析導論 ● 法律資料分析的基礎技術與理論演進 ● 過去三十年人工智慧與法學研究之文獻回顧（一） | |
| 8/25 單元A. Part 2 | 神經網路訓練實作 實作 A：MNIST 手寫數字分類 ● 介紹 MNIST 資料集及其結構 ● 使用 Keras API 載入並預處理資料 ● 設計並訓練基礎神經網路模型 ● 觀察訓練結果並辨識效能趨勢 ● 反思深度學習如何解決傳統規則式程式設計無法處理的問題 實作 B：美國手語（ASL）影像分類 ● 準備與預處理手語影像資料集 ● 建構簡單的影像分類模型 ● 以 ASL 字母影像進行模型訓練與評估 深度學習於法學領域之應用 ● 計算法理學之基礎技術與理論發展 ● 過去三十年人工智慧與法學研究之文獻回顧（二） | |
| 8/26 單元B. Part 1 | 卷積神經網路（CNN） ● 理解卷積濾波器與特徵圖的直觀概念 ● 掌握池化（Pooling）、隨機失活（Dropout）等模型層級設計 ● 設計並訓練 CNN 處理影像資料 ● 分析 CNN 在圖像任務中的優勢 實作： ● 結構化輸入資料以適用於卷積模型 ● 開發並訓練多層卷積神經網路 ● 評估模型之準確性與泛化能力 歐洲人權法院實際判決之法律資料分析 ● 法學背景：歐洲人權法院之歷史沿革、基本原則與影響力 ● 歐洲人權法院法律資料分析之現有文獻與實務應用回顧（一） | |
| 8/26 單元B. Part 2 | 資料增強與模型部署 ● 探討資料增強技術（如翻轉、旋轉、亮度調整等） ● 應用資料增強以提升模型的穩健性與泛化能力 ● 學習模型儲存與重複使用的基本方法 實作： ● 對 ASL 資料集進行資料增強處理 ● 使用擴增後的資料重新訓練模型 ● 儲存訓練完成之模型以供後續部署應用 歐洲人權法院實際判決之法律資料分析 ● 法律資料分析：聚焦於 ECHR 資料集 ● 歐洲人權法院法律資料分析之現有文獻與實務應用回顧（二） | |
| 8/27 單元C. Part 1 | 預訓模型與遷移學習 ● 理解遷移學習的概念與實務優勢 ● 探索模型資源庫（如 TensorFlow Hub、PyTorch Hub） ● 調整預訓模型以應用於特定任務 實作： ● 載入並評估預練模型效能 ● 重新格式化與預處理外部資料集以確保相容性 ● 使用預訓模型對全新資料進行推論 橋接人工智慧之計算方法與法理學理論於法律資料分析 ● 將計算法理學理論融入法律資料分析 ● 法學領域之適應：遷移學習與自然語言處理技術之應用 | |
| 8/27 單元C. Part 2 | 進階模型架構：RNN 與 LSTM ● 序列資料建模導論 ● 比較 RNN 與 LSTM 在處理長期依賴關係中的表現差異 ● 將此類模型應用於自然語言處理任務 實作： ● 使用 RNN 生成自然語言標題 ● 比較 RNN 與 LSTM 在法律文件分類或預測任務中的效能表現 橋接人工智慧之計算方法與法理學理論於法律資料分析 ● 評估 RNN 與 LSTM 模型於法律文件分類任務中的表現 ● 探索以新穎方法剖析實際司法判決資料 | |
| 8/28 | 期末成果展示與反饋 |
課程教材
課程參考書：
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep Learning. Cambridge, Massachusetts: the MIT Press, 2016.
Grimmer, Justin, Margaret E. Roberts, and Brandon M. Stewart. Text As Data: A New Framework for Machine Learning and the Social Sciences. Princeton, NJ: Princeton University Press, 2022.
參考資料之期刊論文：
Guido Governatori et al., Thirty Years of Artificial Intelligence and Law: the First Decade, in Artificial intelligence and law, 2022-12, Vol.30 (4), p.481-519.
Giovanni Sartor et al., Thirty Years of Artificial Intelligence and Law: the Second Decade, Artificial intelligence and law, 2022-12, Vol.30 (4), p.521-557.
Serena Villata et al., Thirty Years of Artificial Intelligence and Law: the Third Decade, Artificial intelligence and law, 2022-12, Vol.30 (4), p.561-591.
Chalkidis, Ilias, Manos Fergadiotis, Prodromos Malakasiotis, Nikolaos Aletras, and Ion Androutsopoulos. “LEGAL-BERT: The Muppets Straight out of Law School.” Findings of the Association for Computational Linguistics: EMNLP, 2020.
Chalkidis, Ilias, Ion Androutsopoulos. “Neural Legal Judgment Prediction in English.” Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 2019.
微學分課程Q&A
📌 我想修微學分課程，該如何報名/進行選課？
每門課程將於開課前三週至前一週間開放選課，請同學於選課截止日前至ICT選課系統進行報名。
📌 若是學期課併開的微學分課程，我可以修學期課又修微學分嗎？
完全不可。學生不得同一學期選修學期課及其併開之微學分課程，僅能二擇一。微學分若成功認計僅可計於【自由選修學分】，而非【必修學分】。
補充說明：學期課是學校課務系統上選的3學分課程，微學分則是在ICT系統上報名的課程，兩者的永久課號不同。有的學期課微學分將會分成-1,-2,-3或A,B,C三階段來進行，每完成一階段，需再報名下一階段選課。若是課程內容設計具連貫性，則未修-1或A者，不得選修-2,-3或B,C課程。
📌 我是校外學生，請問可以選課嗎？
校外學生請點擊ICT選課系統頁面右上角【非本校學生申請賬號】，完成註冊後可以進入系統選課。若該課程不開放給校外學生選課，則無法進行報名。
📌 若已經畢業/在職中，可以選課嗎？
校內/校外的【非學生】身份者，請在選課前寄信詢問授課教師是否可以參與課程，獲教師同意後再進行選課報名，修課名額將以【校內在學學生】為優先。
📌 如何得知是否選上了該課程？
請於選課截止的隔日至選課系統查詢選課結果。
📌 我已經選了課程，該如何退選？
① 若選課報名未截止，可直接在ICT選課系統上點擊【取消報名】。
② 若報名已截止至開課日前，請寄信給助理corlyn@nycu.edu.tw 告知退選意願並說明原因。
③ 若開課當日/課程已進行中，請寫信給授課教師，經老師同意後，截圖/轉寄信件內容給助理。
📌 若沒有退選/無故缺席課程會如何？
未依規定辦理課程退選或無故未到課，將取消該同學兩月內之ICT選課權益，即2個月內無法報名選課系統上的任何課程。
📌 若無法出席課程，該如何請假呢？
若學生因故無法出席課程，請於上課前兩日寫信給授課教師說明請假原因(請附上姓名、學號及請假事由)。
📌 我是學士/碩士/博士生，可以報名選修微學分課程嗎？
可以。惟請留意該學分是否認計為畢業學分，將由您的系所決定。為避免學分爭議，請於抵免前詢問系所該門課的學分是否可以認計。研究生修習之微學分不得採計於畢業學分。
📌 修微學分課程需要繳學分費嗎？
無需。
📌 課程會有成績嗎？
微學分的修課方式比照一般課程，必須通過課堂之作業、測驗、討論、實驗或成果發表等教學活動規定，經授課教師認證，該修課結果通過或不通過。
📌 微學分完修證明該如何申請？
請至微學分課程頁面查詢完修證明申請表，並於結課日前提交申請，詳細規定請參閱表單內容。
📌 申請完修證明就表示匯出學分了嗎？
否，兩者是分開的，授課教師提供成績後，由創創工坊核檢學生修課結果，確認同學【通過】課程後，會在2-4週內以電子檔寄出。而學分登錄表，則需到選課系統下載。
📌 修課結果會直接出現在成績單上嗎？
否，請同學必須於畢業當學期統一提出抵免申請。請至ICT選課系統上【匯出學分登錄表】，經系所認計及各單位簽核完成後，該成績才會出現在成績單上。