D1321189 盧炫瑋

第一部分：課程學習心得

本學期的計算機概論課程，彷彿為我推開了一扇探索科技世界的大門。從最初對程式語言的陌生，到漸漸熟悉條件判斷、迴圈結構的精妙，再到運用資料結構解決實際問題，整個學習過程既充滿挑戰，也充滿驚喜。

印象最深的一次課堂，是老師以一個「迷宮問題」講解演算法設計的奧妙。那堂課上，我初次接觸了「深度優先搜索」（DFS）和「廣度優先搜索」（BFS），從最初不知所措到寫出程式模擬迷宮尋路，過程充滿了嘗試與錯誤的迴圈，但完成時的滿足感是難以言喻的。此外，透過實作專案，我也逐漸理解了程式設計並非僅僅關於寫碼，而是訓練一種精準、條理分明的解題思維。

然而，學習並非一帆風順。最初接觸遞迴時，我曾困惑於函式自我呼叫的邏輯，反覆研究範例也找不到突破點。最終，透過畫圖分析運行流程，終於掌握了其中精髓。這次經歷不僅教會了我如何克服困難，更讓我明白，程式設計是一門需要耐心和不斷實驗的藝術。

回顧整個學期，我不僅收穫了程式語言的基礎知識，更培養了邏輯分析能力和解決問題的勇氣。這門課程帶來的不僅是技能的提升，更是對科技未來的無限嚮往。

第二部分：未來學習規劃

未來，我希望專研人工智慧領域，特別是機器學習與深度學習方向。人工智慧已成為驅動科技創新的核心力量，無論是醫療、教育，還是金融、交通，AI的應用潛力都令人振奮。以下是我的學習規劃：

1. 修課與學術學習

• 課程選擇：未來希望修讀《機器學習導論》、《深度學習基礎》等專業課程，打下理論基礎。同時參加與數據分析相關的實驗室專案，累積實作經驗。
• 參與專題研究：嘗試與教授合作，探索 AI 在自然語言處理（NLP）或醫療影像分析領域的應用。

2. 網路學習資源

• 線上課程：
  • Coursera 的《Machine Learning》課程（主講：Andrew Ng），學習核心演算法理論與應用。
  • Kaggle 社群競賽，透過實際數據挑戰，提升模型構建與調參能力。
• 技術論壇與社群：訂閱 Medium 的 AI 技術專欄，隨時了解行業動態。

3. 書籍與參考資料

• 《深度學習》（Deep Learning）──Ian Goodfellow
• 《Python 資料科學手冊》（Python Data Science Handbook）──Jake VanderPlas
• 《機器學習實戰》（Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow）──Aurélien Géron

4. 實作與應用