踏上生成式AI自學之路: 從底層技術、程式實作到企業應用 (1版)

類似書籍推薦給您

【簡介】 　　「人工智慧 (Artificial Intelligence, AI) 」 一詞，最早可追溯至20世紀中英國數學家艾倫．圖靈發表的論文Computing Machinery and Intelligence。隨著時間推移，硬體與軟體技術的迅速進步讓電腦運算速度大幅提升、成本顯著下降，並且配合演算法領域的卓越研究成果，人工智慧領域不再是遙不可及的夢想。21世紀初，AlphaGo達到可以對決頂尖圍棋高手的程度，到了2022年，OpenAI正式推出ChatGPT，更讓人工智慧真正普及到大眾生活。   　　生成式AI在各行各業專業領域中帶來重大變革，本書能幫助您突破生成式AI的工具性操作，深入了解其背後的技術、應用與影響力。全書共有七個章節，內容涵蓋生成式AI的底層邏輯、實務操作、企業管理策略等三個面向。   　　第一到三章聚焦於生成式AI的底層邏輯，會依序介紹AI先備知識、經典模型以及生成式AI 核心架構：Transformer，即便您沒有資訊背景也能夠讀懂。第四到六章聚焦於生成式AI的實務操作，介紹提示工程(Prompt Engineering)，教您如何讓生成式AI產出高品質的回應，並手把手地帶您使用ChatGPT API 實作兩個小專案：檢索增強生成(RAG)以及網站智能客服。第七章聚焦於生成式AI的企業管理策略，針對企業最迫切關注的議題：如何導入生成式AI，提出淺見與看法。 【目錄】 序言 1從AI 到生成式AI 1-1 生成式AI 的演進 1-2 生成式AI 的應用 1-3 生成式AI 的挑戰 2生成式AI 先備知識 2-1 機器學習 2-2 深度學習 2-3 自然語言處理與理解 2-4 文字轉向量 2-5 大型語言模型 2-6 RNN 遞迴神經網路 2-7 LSTM 長短期記憶模型 2-8 GAN 生成對抗網路 3 Transformer 深入淺出 3-1 Transformer 簡介 3-2 Transformer 輸入 3-3 Transformer 編碼器 3-4 Transformer 解碼器 3-5 Transformer 輸出 3-6 Google Titans 模型 3-7 DeepSeek R1 模型 4提示工程 4-1 提示工程簡介 4-2 指令微調(Prompt-Tuning) 4-3 上下文學習(In-Context Learning) 4-4 大模型微調(Fine-Tuning) 4-5 思維鏈(Chain of Thought) 4-6 客製化指令 5實作檢索增強生成 5-1 前置作業 5-2 準備目標檔案 5-3 切割目標檔案 5-4 建立向量資料庫 5-5 檢索合適的回答 5-6 問答 5-7 聊天 6實作網站智能客服 6-1 工具準備 6-2 建立主機空間 6-3 建立網站 6-4 編輯網頁 6-5 網站上網 6-6 建立系統後端 6-7 建立系統前端 7企業導入生成式AI 7-1 人工智慧原則 7-2 企業面臨的挑戰 7-3 生成式AI 的導入流程 7-4 未來趨勢—AI 代理 結語 看更多

新一代 技術高中商管群會計學 III 學習講義含解析本 - 最新版(第二版) - 附贈MOSME行動學習一點通：評量．詳解 (2版)

類似書籍推薦給您

【簡介】 　　直觀易懂：資料視覺化，運用圖表讓學習效果立竿見影 　　實例豐富：理論與現實緊密結合，豐富的案例有助於理解與應用 　　重點詳實：清晰明瞭的章節結構，讓學習更有條理   　　評量：可在線上反覆練習書內各種題目；亦可連結至「歷屆試題」、「名師分享」（試題與影音）練習其他試題。 　　詳解：在線上即時取得各單元的試題解析，方便快速核對答案，並可隨時查閱詳細解析。 【目錄】 第一章 現金及內部控制 1-1 現金的意義及內部控制 1-2 零用金 1-3 銀行存款調節表 第二章 應收款項 2-1 應收帳款 2-2 應收帳款減損 2-3 應收票據 2-4 應收票據貼現 第三章 存貨 3-1 存貨之意義及內容 3-2 存貨錯誤的影響及更正 3-3 存貨數量的衡量 3-4 存貨成本之衡量 3-5 存貨之續後衡量 第四章 證券投資 4-1 證券投資標的 4-2 透過損益按公允價值衡量之金融資產（FV-PL）之會計處理 第五章 長期營業用資產(一) 5-1 長期營業用資產之意義及分類 5-2 不動產、廠房及設備之原始認列 5-3 不動產、廠房及設備認列後衡量─折舊 5-4 不動產、廠房及設備之會計估計變動及錯誤更正 5-5 不動產、廠房及設備之處分

高級救護技術員教科書(二版)(精裝) (2版)

類似書籍推薦給您

【簡介】 　　高級救護技術員訓練課程教材

TQC 生成式AI應用與技術實力養成暨評量 (1版)

類似書籍推薦給您

【簡介】 　　1.題庫設計均以實務應用為導向，品質及認證公信力最具權威！ 　　2.本書提供人工智慧應用與技術認證測驗，由淺入深的編排方式，分為「AI發展歷程與生態系、AI應用領域與產業發展、生成式AI、AI演算法及專家系統、AI機器學習原理、AI統計與資料分析原理、AI系統開發資源」等7大類。 　　3.精選學科題庫7大類共331題，採電腦線上作答，可透過題庫練習系統依類別選題進行練習，學習效果立即呈現。 　　4.透過認證測驗系統與模擬試題，進行模擬測驗，電腦自動評分，可立即評核學習效果。 　　5.配合電腦技能基金會(www.csf.org.tw)測驗流程，一舉取得專業證照，讓您求學、求職更具競爭力。 　　※本書範例題目內容為認證題型與命題方向之示範，正式測驗試題不以範例題目為限。※   【目錄】 如何使用本書 軟硬體需求 商標及智慧財產權聲明 系統使用說明 序 第一章 TQC證照說明 1-1 TQC證照介紹 1-2 取得TQC認證的優勢 1-3 企業採用TQC證照的三大利益 1-4 如何取得TQC證照 實力養成篇 第二章 題庫練習系統－操作指南 2-1 題庫練習系統安裝流程 2-2 學科練習程序 2-3 TQC題庫練習系統 單機版說明 第三章 技能測驗－學科題庫 3-1 學科題庫分類及涵蓋技能內容 3-2 第一類：AI發展歷程與生態系 3-3 第二類：AI應用領域與產業發展 3-4 第三類：生成式AI 3-5 第四類：AI演算法及專家系統 3-6 第五類：AI機器學習原理 3-7 第六類：AI統計與資料分析原理 3-8 第七類：AI系統開發資源 實力評量篇 第四章 模擬測驗－操作指南 4-1 CSF測驗系統-Client端程式安裝流程 4-2 程式權限及使用者帳戶設定 4-3 實地測驗操作程序範例 第五章 實力評量－模擬試卷 試卷編號：AI1-0001 試卷編號：AI1-0002 試卷編號：AI1-0003 模擬試卷標準答案 附錄 TQC技能認證報名簡章 問題反應表

LLM核心攻略制霸生成式AI：ChatGPT、嵌入技術、微調與多模態AI最佳實踐 (1版)

類似書籍推薦給您

【簡介】 🏆 Amazone 讀者5星好評 ⭐⭐⭐⭐⭐ 🏆 微軟前總經理Shelia Gulati、Hugging Face首席倫理長 Giada Pistilli等業界領袖一致推薦！ 「本書平衡了開源模型和閉源模型的潛力，鉅細靡遺地帶你瞭解和使用LLM，縮短理論概念和實際應用之間的距離。」—— Giada Pistilli ，Hugging Face 首席倫理長 「Ozdemir 的這本書為讀者破除重重迷霧，說明LLM 革命的起源，以及未來的發展方向。他將複雜主題拆解為實用的說明，和容易理解的範例程式。」 --Shelia Gulati, 微軟前總經理，Tola Capital現任常務董事 「本書是令人耳目一新並引發靈感的學習資源，充滿了實用的指導和清楚的講解，幫助你更瞭解這個奇妙的新領域。」 —PETE HUANG, author of The Neuron 🎯 想深入掌握LLM核心技術 🎯 想成為生成式AI應用的開發者 🎯 想在真實場景運用LLM解決問題 那你絕對不能錯過本書！ 大型語言模型正以驚人的速度改變我們的工作與生活。無論是開發者、企業領袖，還是對AI有興趣的學習者，本書將引領你踏入這個革命性的領域。 🚩 完整拆解LLM核心技術— 從預訓練到微調，帶你輕鬆掌握關鍵概念原理。 🚩 實例操作直擊應用— 透過真實案例場景，運用最新工具和技術，快速上手專案開發。 🚩 開源與商用模型全解析— 精選LLM工具與資源，選擇最適切的解決方案。 這本實用的指南將逐步指導你在專案和產品中大規模地使用LLM。 Llama 3、Claude 3與GPT等大型語言模型（LLM）已展示驚人的實力，但它們的規模和複雜度，卻讓很多從業者望而卻步。創新的資料科學家暨AI企業家Sinan Ozdemir在本書第二版為你排除這些障礙，教你如何使用、整合和部署LLM來解決實際的問題。 Ozdemir把入門所需的知識整合起來，即使是沒有直接用過LLM的讀者也能輕鬆上手，本書內容包括逐步引導、最佳做法、真實案例研究、動手練習…等。在過程中，他也會分享關於LLM內部動作的見解，以協助你優化模型的選擇、資料格式、提示工程、微調效能…等。本書的網站提供許多資源，包括範例資料集，以及使用各種開源和閉源LLM的最新程式碼，那些LLM來自OpenAI（GPT-4與GPT-3.5）、Google（BERT、T5與Gemini）、X（Grok）、Anthropic（Claude家族）、Cohere（Command 家族），以及Meta（BART與LLaMA家族）。 SINAN OZDEMIR目前是LoopGenius的創辦人與CTO，同時擔任幾家AI公司的顧問。他曾在約翰·霍普金斯大學教導資料科學，並寫了多本關於資料科學和機器學習的教科書。 此外，他也創辦了最近被收購的Kylie.ai，這是一個具備RPA能力的企業級對話AI平台。他擁有約翰·霍普金斯大學的純數學碩士學位，現居於加州舊金山。 •學習關鍵的概念：預先訓練、遷移學習、微調、注意力機制、embedding、詞元化…等等。 •使用API和Python來微調及打造LLM，以滿足需求。 •建構完整的神經/語義資訊檢索系統，並附加至對話型LLM，以進行檢索增強生成（retrieval-augmented generation，RAG）機器人及AI Agents。 •掌握進階的提示工程技術，例如輸出結構化、思維鏈提示，及少量語義範例提示。 •使用自訂的LLM embedding，從零開始建立完整的推薦引擎，並透過用戶資料來讓效能超越 OpenAI的現成embedding。 •使用開源的LLM和大型視覺資料集，從零開始建構並微調多模態Transformer架構。 •使用Reinforcement Learning from Human and AI Feedback（RLHF/RLAIF）來調校LLM，並基於Llama 3和FLAN-T5等開源模型來建立對話agent。 •將提示詞和微調過的自訂LLM部署至雲端，同時預先考慮擴展和演進流水線。 •透過量化、探測、效能評測與評估框架，來診斷與優化LLM的速度、記憶體用量及整體效能。 【目錄】 序 前言 致謝 關於作者 PART I 大型語言模型簡介 1 大型語言模型概述 大型語言模型是什麼？ 流行的現代LLM LLM的應用 結論 2 使用LLM來進行語意搜尋 前言 任務 解決方案概要 組件 整合一切 使用閉源組件的成本 結論 3 踏出提示工程的第一步 前言 提示工程 在不同模型之間使用提示 結論 4 AI生態系統：整合所有組件 前言 閉源AI的效能不斷變動 AI推理vs.思考 案例研究1：檢索增強生成 案例研究2：自動AIagent 結論 PART II 榨出LLM的所有潛力 5 使用自訂的微調來優化LLM 前言 遷移學習和微調：入門指南 OpenAI微調API概要 使用OpenAICLI來準備自訂範例 設定OpenAICLI 我們微調的第一個LLM 結論 6 進階提示工程 前言 提示注入攻擊 輸入/輸出驗證 批次提示 提示鏈 案例研究：AI的數學能力有多強？ 結論 7 自訂embedding與模型架構 前言 案例研究：建立推薦系統 結論 8 AI對齊：第一原則 前言 對齊的對象是誰？為了什麼目的？ 對齊可以降低偏見的嚴重性 對齊的支柱 憲法AI：邁向自我對齊的一步 結論 PART III LLM進階用法 9 超越基礎模型 前言 案例研究：視覺問答 案例研究：透過回饋來進行強化學習 結論 10 微調進階的開源LLM 前言 範例：使用BERT來做動畫類型多標籤分類 範例：使用GPT2來生成LaTeX Sinan’sAttemptatWiseYetEngagingResponses:SAWYER 結論 11 將LLM投入生產 前言 將閉源LLM部署至生產環境 將開源LLM部署至生產環境 結論 12 評估LLM 前言 評估生成任務 評估理解任務 結論 繼續前進！ PART IV 附錄 A LLM FAQ B LLM詞彙表 C LLM應用程式原型 索引