(Ken Cen出品)Generative AI第29部 神經網絡2.0 - KAN vs 傳統MLP

課程將帶領學員從傳統神經網絡（MLP）的基礎出發，逐步深入理解 KAN（Kolmogorov–Arnold Network） 的結構、數學原理與實作方法。

課程內容：

什麼是 MLP 多層感知器 & 如何在 PyTorch 中實現 MLP？

MLP 是所有深度學習模型的基礎建築單元，你學會它，就能理解大多數 AI 模型的骨架

如何用 MLP 實現真實數據訓練和測試評估

這是實際部署 AI 模型的必備能力

什麼是 KAN 架構 & 貝茲曲線 & B-Spline & 基底函數 & 局部控制 & 網格擴展

KAN（Kernel-based Activation Networks）是對傳統 MLP 結構的一種突破，它用數學曲線（如 B-spline）來取代固定的 activation function

基底函數（basis function） ⇒ 這是類似於 Radial Basis Function (RBF)、Fourier series 等模型的核心思想

Bézier 曲線、B-Spline ⇒ 你可以使用數學工具更細膩地控制神經元行為

局部控制 / 局部學習 ⇒ 對應於神經元只對一小區域輸入敏感，這種性質非常適合高維/稀疏資料

網格擴展 ⇒ 可以學習如何讓模型具備更強的「解析能力」與「數值穩定性」