使用指南：課程內實驗室
什麼是課程內實驗室？
課程內實驗室是全新的課程項目，能讓學習者在稱為工作空間的真實環境中練習技術技能。這些實作經驗能讓學習者將課程概念直接應用在實際操作中，進而培養自信與職場即戰力。本指南將協助您為課程設計出引人入勝的實驗室。
為什麼要在課程中加入實驗室？
課程內實驗室能幫助學習者：
- 在不離開課程的情況下在真實工作空間中練習技能
- 提升職場即戰力，讓學習者能將所學技能應用於實際情境中
- 更積極投入內容，提升記憶與學習成效
課程內實驗室包含三大特色：
- 影片教學：延續廣受歡迎的影片講座形式，課程內實驗室以影片教學為核心。
- 實驗室任務：結構化的任務為學習者提供引導與資源，幫助他們逐步練習新技能。
- 技術工作空間： 預先建置的環境讓學習者可直接開始實作練習，無需額外設定。
打造優質的實驗室
決定要在課程中的哪個位置加入課程內實驗室。
找出課程中最適合透過課程內實驗室來練習重點技能、達成學習目標的要點章節。
✅ 最佳實務：
- 根據學習目標選擇合適的實驗室類型：
- 跟著做實驗室：以逐步指導的方式示範與講解流程，讓學習者能夠依樣操作
- 引導式挑戰實驗室： 提供較廣泛的任務與部分引導，鼓勵學習者在架構與資源的輔助下自主解決問題
- 確保每個課程內實驗室都能直接支援對應的講座中所教授的技能
- 明確地將課程內實驗室與既定的學習目標連結起來
- 設計課程內實驗室時，應確保跨裝置相容性，能在 PC 與 Mac 系統上同樣順暢運作
💡 範例：
Jupyter Notebook
- 在教授使用 matplotlib 進行資料視覺化的講座後，加入一個 Jupyter Notebook 跟著做實驗室，讓學生實際製作互動式圖表。
- 在教授 pandas 基礎操作後，安排一個引導式挑戰實驗室，讓學生能夠獨立清理並分析一份資料集。
生成式 AI
- 在教授提示工程的講座後，加入一個跟著做實驗室，讓學生能夠使用 GPT 模型撰寫並測試提示。
- 在微調教學模組後，安排一個引導式挑戰實驗室，讓學生建立自己專屬的 AI Assistant。
AWS
- 在雲端運算基礎的講座後，加入一個 AWS 跟著做實驗室，讓學生啟動並設定他們的第一個 EC2 執行個體。
- 在無伺服器運算的課程章節中，加入一個引導式挑戰實驗室，讓學生使用 AWS Lambda 和 API Gateway 建立一個完整的 API。
建立含有實驗室的講座
選擇「含有實驗室的講座」的課程項目以開始建立。撰寫清晰且具描述性的標題，能夠抓住實驗室的核心，並突顯學習者將要練習的技能。此標題將作為您課程內容中的課程項目出現。
✅ 最佳實務：
- 建立具體且明確符合學習目標的標題
- 聚焦於學習者主要練習的技能
- 讓標題具有吸引力，並與學習者的目標相關
💡 實驗室標題範例：
Jupyter Notebook
- 跟著做實驗室：「互動式資料視覺化：使用 Matplotlib 建立動態圖表」
- 引導式挑戰實驗室：「資料整理挑戰：使用 Pandas 清理並分析真實世界的資料集」
生成式 AI
- 跟著做實驗室：「精通提示工程：撰寫有效的 GPT 提示，獲得精準輸出」
- 引導式挑戰實驗室：「打造你的 AI Assistant：執行專門任務的微調模型」
AWS
- 跟著做實驗室：「啟動你的第一個雲端伺服器：動手做 EC2 執行個體設定」
- 引導式挑戰實驗室：「無伺服器 API 挑戰：使用 Lambda 與 API Gateway 建立端到端解決方案」
上傳您的實驗室影片
重要提醒：「實驗室」選項僅在您上傳講座影片後才會開啟。
上傳您的實驗室影片，並等待處理完成。接著點擊「+實驗室」按鈕，即可建立實驗室並進入實驗室編輯器。
在實驗室編輯器中編輯您的課程內實驗室
建立您的課程內實驗室須遵循以下三個步驟：
- 規劃您的課程內實驗室：選擇工作空間並上傳起始程式碼
- 建立任務：將實驗室拆分為各個任務單元
- 發佈課程內實驗室：補充相關說明並完成最終設定
規劃您的實驗室
選擇實驗室工作空間：
從可用的選項中選擇您的垂直領域課程內實驗室及工作空間類型。
工作空間類型：Udemy vs 個人環境
課程內實驗室為 Udemy Pro 的訂閱者提供 Udemy 工作空間。請注意，有部分學習者會使用自己的個人環境。
✅ 最佳實務：
- 設計課程內實驗室時，需考量不同學習者的可及性，並考慮到 Udemy 工作空間與個人環境之間的政策與限制差異。
- 檢視 Udemy 課程內實驗室工作空間的技術規格，以確保所有學習者都能獲得一致的學習體驗。
上傳起始程式碼：
提供將在 Udemy 工作空間預先載入的起始程式碼，供學習者使用。
✅ 最佳實務：
- 若為 Jupyter 實驗室，請附上包含所有必要 ipynb 檔案及資料檔 (例如 CSV) 的壓縮檔
- 移除起始程式碼壓縮檔名稱中的空格
- 在預覽實驗室時進行測試，確保起始檔案能正常載入
- 切勿刪除壓縮檔中的 Makefile
- 切勿包含不必要的檔案，如 __MACOSX、.DS_Store、.git、.gitignore、*.pnp.cjs、pycache、node_modules 或 .yarn
創建任務並加入參考程式碼
新增實驗室任務
每個實驗室任務代表一個邏輯步驟的單元，有助於達成整個實驗室的目標。
輸入任務標題：
每個任務都需要清楚的標題，說明學習者在進入下一步之前應完成的內容。
✅最佳實務：
- 建立明確的任務標題，指出學習者應達成的具體成果
- 描述保持簡短 (10 個字以內)，同時清楚傳達任務的目的
- 提供足夠的背景資訊，讓學習者理解任務的目標
💡 任務標題範例：
Jupyter Notebook
跟著做實驗室：「互動式資料視覺化：使用 Matplotlib 建立動態圖表」
- 任務 1：「匯入並準備資料集以進行視覺化」
- 任務 2：「建立具有互動功能的響應式折線圖」
- 任務 3：「為圖表加入自訂註解與樣式」
引導式挑戰實驗室：「資料整理挑戰：使用 Pandas 清理並分析真實世界的資料集」
- 任務 1：「載入並檢查雜亂的資料集」
- 任務 2：「處理缺失值與異常值」
- 任務 3：「按類別建立彙總統計資料」
生成式 AI
跟著做實驗室：「精通提示工程：撰寫有效的 GPT 提示，獲得精準輸出」
- 任務 1：「建立文字生成的基礎提示」
- 任務 2：「運用限制技巧縮小回應範圍」
- 任務 3：「針對複雜的任務實行思路鏈提示」
引導式挑戰實驗室：「打造你的 AI Assistant：執行專門任務的微調模型」
- 任務 1：「準備你的訓練資料集」
- 任務 2：「設定並啟動微調流程」
- 任務 3：「測試並評估你的專用模型」
AWS
跟著做實驗室：「啟動你的第一個雲端伺服器：動手做 EC2 執行個體設定」
- 任務 1：「建立安全金鑰對以存取伺服器」
- 任務 2：「啟動並設定你的 EC2 執行個體」
- 任務 3：「透過 SSH 連接至你的執行個體」
引導式挑戰實驗室：「無伺服器 API 挑戰：使用 Lambda 與 API Gateway 建立端到端解決方案」
- 任務 1：「建立用於資料處理的 Lambda 函數」
- 任務 2：「設定 API Gateway 端點」
- 任務 3：「使用範例請求測試你的無伺服器 API」
輸入任務時間戳記：
指定每個任務在實驗室影片中開始的確切時間 (以秒為單位)；這些時間戳記將會在影片播放器上顯示為可點擊的標記，幫助學習者快速跳轉到相關任務。
提供解決方案：
在適用的情況下，為每個任務新增「參考程式碼」。參考程式碼提供程式碼截圖，讓學習者可以複製並貼到工作空間中使用。它們主要用於讓學習者檢查自己的作業是否正確。使用情境可能包括：
- 當學習者遇到困難時，用來查看解決方案
- 當學習者不確定方法是否正確時，用來驗證自己的做法
- 完成自己的解答後，用來比較不同的方法
✅最佳實務：
- 程式碼組織與文件
- 加入詳細註解，說明選擇做法的背後原因
- 新增 README 檔案，概述解決方案的方法
- 記錄所做的假設以及考慮過的替代方案
- 使用一致的命名規則與程式碼結構
- 結構良好的程式碼
- 將解答程式碼整理為邏輯清晰的區段或模組
- 遵循業界組織程式碼的最佳做法
- 包含適當的錯誤處理
- 展示乾淨且易於維護的程式設計
- 確保參考檔案不包含不必要的系統檔案 (例如：__MACOSX、.DS_Store)
- 將參考檔案放在最上層，避免不必要的資料夾巢狀結構
- 對於 Jupyter 實驗室請從記事本擷取並上傳 HTML 檔案作為參考程式碼
新增任務資源：
提供學習者在進行任務時需要使用或參考的素材。素材是學習者在進行任務時可能需要使用的資源。範例包括：
- 資料庫檔案
- 學習者設計的網頁上應使用的圖片
- 工作過程中可參考的模型或範本
- 學習者可能需要上傳的 JSON/YAML 檔案
發佈您的課程內實驗室
完成您的課程內實驗室，並為學習者提供相關背景資訊：
- 輸入實驗室的預估時長
- 標註相關主題標籤
- 點擊「發佈」以完成實驗室的設定
注意：您也需要發佈課程內實驗室講座，學習者才能存取此課程內實驗室。
開始打造具吸引力的課程內實驗室
課程內實驗室為學習者提供了在真實環境中練習技術技能的寶貴機會。依照本指南，您可以設計出有意義的實作體驗，幫助學習者建立自信、培養解決問題的能力，並提升職場就業準備度。
準備好開始了嗎？找出課程中可藉由課程內實驗室增加價值的關鍵講座，設計合適的活動，並為學習者設定明確的學習目標。經過周全的規劃，您的課程內實驗室將讓學習變得更具吸引力、互動性更高，並提升學習效果。
