人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

COMPUTER ALGORITHMS (2版)

相關熱銷的書籍推薦給您

<姆斯>COMPUTER ALGORITHMS 2/E 2008 <SP> 978-0-929306-41-4 2/E HOROWITZ 9780929306414

iPAS - AI應用規劃師中級應鑑指南(人工智慧技術應用與規劃、機器學習技術與應用)含AIE國際認證：MLAE機器學習應用工程師(Expert Level) (1版)

類似書籍推薦給您

【簡介】 1.完整知識架構：涵蓋AI基礎概念、機器學習、深度學習、生成式AI、多模態AI與大數據應用。 2.理論與實務並重：結合理論講解、實務案例與操作流程，培養實際應用能力。 3.掌握AI模型的架構和推理行為：建立優秀的模型建構、訓練與調校的能力。 4.導入規劃導向：包含AI專案評估、POC驗證、模型選擇、資料準備與部署流程；並重視AI治理、風險管理與國際治理規範。 5.大量範例與圖解：透過圖表與情境說明，降低學習門檻、提升理解效率。 6.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：MLAE機器學習應用工程師的核心知識架構。 【目錄】 第1 篇 人工智慧技術應用與規劃（ iPAS 中級科目1 ） 主題1 AI 相關技術應用 第1 章 自然語言處理（NLP）技術與應用 1-1 認識自然語言（NLP） 1-2 GenAI、LLM 和NLP 三重奏 1-3 GenAI、LLM 和NLP 三合一的魅力 1-4 展現更多商業價值 1-5 RAG 的角色與使用要點 1-6 實務應用 模擬試題   第2 章 電腦視覺技術與應用 2-1 介紹電腦視覺（Computer Vision） 2-2 電腦視覺的發展歷史 2-3 正在崛起的視覺GenAI 2-4 電腦視覺的應用 2-5 電腦視覺技術的未來發展 2-6 實務應用 模擬試題   第3 章 生成式AI 技術與應用 3-1 生成式AI 的內涵 3-2 大型語言模型（LLM） 3-3 LLM 的幻覺問題 3-4 LLM 搭配RAG：降低幻覺 3-5 RAG、微調與提示工程 3-6 GenAI 的常見應用 3-7 GenAI 的未來發展 3-8 實務應用 模擬試題   第4 章 多模態人工智慧應用 4-1 簡介多模態AI 4-2 流行的多模態AI 模型 4-3 多模態AI 應用情境 4-4 多模態AI 提升人機介面（HCI） 4-5 多模態AI 提升人的決策力 4-6 多模態AI 的未來發展 4-7 實務應用 模擬試題   主題2 AI 導入評估規劃 第5 章 AI 導入評估 5-1 什麼是「AI 導入評估」 5-2 AI 導入評估的主要內容 5-3 概念驗證（Proof of Concept, POC）方法 5-4 快速原型（Rapid Prototyping）驗證方法 5-5 實務應用 模擬試題   第6 章 AI 導入規劃 6-1 AI 專案規劃包含哪些內容 6-2 了解問題，訂定專案目標（Goal） 6-3 挑選優先用例（Use Case），進行用例評估 6-4 模型（Model）選擇 6-5 收集高品質的資料（Data） 6-6 組成多元團隊，並制定風險管理計劃 6-7 模型訓練& 部署（Train & Deploy） 6-8 實務應用 模擬試題   第7 章 AI 風險管理 7-1 為什麼AI 導入需要風險管理 7-2 AI 專案風險管理的範圍 7-3 常見AI 風險類型 7-4 風險評估流程 7-5 對應的控管策略 7-6 實務應用 模擬試題   主題3 AI 技術應用與系統部署 第8 章 數據準備與模型選擇――以生成式AI 為例 8-1 數據準備（Data Preparation）的涵意 8-2 數據準備的六項關鍵任務 8-3 數據準備實施中的注意事項 8-4 模型選擇（Model Selection） 8-5 開發原型，快速驗證 8-6 實務應用 模擬試題   第9 章 AI 技術系統集成與部署—以生成式AI 為例 9-1 AI 系統整合（集成）架構 9-2 AI 部署與挑戰 9-3 AI 部署的流程：以GenAI 為例 9-4 實務應用 模擬試題   第2 篇 機器學習技術與應用（ iPAS 中級科目3 ） 主題1 機器學習基礎數學 第1 章 機率/ 統計之機器學習基礎應用 1-1 統計學是現代AI 的起點 1-2 使用sigmoid 函數讓迴歸線輸出機率 1-3 簡單的線性迴歸分析 1-4 從線性迴歸到多類分類 1-5 範例說明 模擬試題   第2 章 線性代數之機器學習基礎應用 2-1 迴歸線的本質就是線性代數 2-2 空間映射：資料穿越空間，成為智慧 2-3 機器學習（ML）的邏輯步驟 2-4 範例說明 模擬試題   第3 章 數值優化技術與方法 3-1 模型優化的重要概念 3-2 優化器的種類 3-3 反向傳播（BP）與優化器的完美協作 3-4 ML 的數值優化流程 3-5 範例說明 模擬試題   主題2 機器學習與深度學習 第4 章 機器學習原理與技術 4-1 機器學習（Machine Learning）的原理 4-2 從資料樣本提取特徵（Feature） 4-3 AI 從特徵中學習其規律 4-4 範例說明 模擬試題   第5 章 常見機器學習演算法 5-1 鑑別式AI 演算法 5-2 生成式AI 演算法 5-3 介紹邏輯迴歸模型 5-4 介紹神經網路模型 5-5 介紹卷積神經網路（CNN）模型 5-6 範例說明 模擬試題   第6 章 深度學習原理與框架 6-1 介紹深度學習 6-2 深度學習框架 6-3 使用PyTorch 框架：分辨「水果」圖片 6-4 範例說明 模擬試題   主題3 機器學習建模與參數調校 第7 章 數據準備與特徵工程 7-1 數據準備與特徵工程之關係 7-2 數據準備與資料預處理 7-3 特徵工程 7-4 認識分類型特徵 7-5 展開特徵工程，並訓練模型 7-6 範例說明 模擬試題   第8 章 模型選擇與架構設計 8-1 模型選擇 8-2 ML 架構設計 8-3 模型選擇與架構設計之迭代過程 8-4 遷移學習：復用ResNet50 模型 8-5 範例說明 模擬試題   第9 章 模型訓練、評估與驗證 9-1 模型訓練與評估 9-2 四項基本評估指標 9-3 模型驗證與測試 9-4 範例說明 模擬試題   第10 章 模型調整與優化 10-1 模型調整的涵義 10-2 模型調整方法 10-3 模型優化技術 10-4 模型微調（Fine-tuning）：以LoRA 為例 10-5 範例說明 模擬試題   主題4 機器學習治理 第11 章 數據隱私、安全與合規 11-1 資料隱私與資料安全之關係 11-2 資料隱私 11-3 數據安全 11-4 數據合規與AI 治理 11-5 範例說明 模擬試題   第12 章 演算法偏見與公平性 12-1 ML 偏見導致不公平性 12-2 ML 演算法的偏見 12-3 ML 演算法的公平性 12-4 細說可解釋性 12-5 範例說明 模擬試題

手把手帶你實作完整機器學習專案 (1版)

類似書籍推薦給您

【簡介】 　　用一本書走完AI專案的最後一哩路，打造專屬於你的機器學習服務 　　告別只能離線展示的模型，成為業界渴求的全方位AI人才！ 　　★ 別讓模型只活在筆電裡！這本書教你打造成真正的產品！ 　　★ 一本書搞定！從開發、部署到維運的完整實戰指南。 　　★ 全端AI應用，一次學會Docker、MLflow、Streamlit、FastAPI、BentoML。 　　★ 親手打造音樂推薦系統，讓你從做中學、馬上看見成果。 　　★ 不只給程式碼，更教你背後觀念，讓你不再盲目照抄。 　　【打好地基】搞懂MLOps核心觀念，不再紙上談兵 　　●完整生命週期：從商業需求到監控迭代，一次搞懂 AI 產品的五大核心階段。 　　●關鍵維運挑戰：深入了解資料漂移、模型老化，剖析模型上線後為何會「變笨」。 　　●版本控制核心：不只管程式碼，更要學會管理資料與模型，確保專案的可追溯性。 　　●迭代優化思維：掌握模型與資料導向策略，聰明提升模型表現，告別盲目調參。 　　【動手實戰】跟著做，親手打造全端AI應用 　　●音樂推薦系統：以真實資料為例，整合所有主流工具，讓你從做中學。 　　●高效實驗追蹤：導入DVC和MLflow管理資料、模型與參數，告別混亂的開發過程。 　　●現代化模型部署：採用BentoML將模型打包成產品，實現真正的線上服務。 　　●打造互動式前端：使用Streamlit開發視覺化介面，讓你的AI服務更好用。 　　【整合應用】將模型變為產品，創造真實價值 　　●建構完整架構：整合Docker、資料庫與FastAPI，打造穩定可靠的後端服務。 　　●API整合串接：將你的模型封裝成API，與其他應用程式順暢溝通。 　　●職涯技能升級：填補從「模型開發者」到「AI系統架構師」的關鍵知識缺口。 　　【本書適合】 　　●資料科學家：模型準確率很高，卻不知道如何部署上線，讓它真正發揮價值？ 　　●軟體工程師：想踏入最熱門的AI領域，卻不知從何開始建構機器學習系統？ 　　●機器學習工程師：厭倦了零散的知識，想尋求一套完整的MLOps實戰方法？ 　　●技術主管與PM：需要規劃與評估AI專案，想精準掌握從開發到上線的每個環節？ 　　●所有想踏入這個領域的人： 只要你想搞懂AI如何從無到有變成產品，這本書就是你的最佳起點！ 　　 　　想了解AI如何從無到有變成產品？別懷疑，這本書就是為你而寫！ 【目錄】 Chapter 1 機器學習專案的生命週期介紹 1.1 定義商業目標 1.2 蒐集和準備資料 1.2.1 數據版本控制（Data Versioning） 1.2.2 資料標記的一致性 1.2.3 不同資料類型的挑戰 1.2.4 資料管線（Data Pipeline） 1.2.5 數據測試（Data Testing） 1.2.6 資料漂移和概念漂移 1.3 模型開發與版本管理 1.3.1 建立模型的迭代過程 1.3.2 模型開發中的挑戰 1.4 模型部署與應用整合 1.4.1 軟體問題與部署考量 1.5 監控與持續改進 1.5.1 監控與維護系統 1.5.2 模型老化和重新訓練 1.6 模型導向迭代vs. 資料導向迭代 1.6.1 模型導向迭代 1.6.2 資料導向 1.6.3 如何選擇適合的策略呢？ 1.7 實作專案：音樂搜尋和推薦系統 Chapter 2 本地開發環境建立 2.1 開始專案前的必要工具準備 2.1.1 安裝Python 2.1.2 安裝Git 和註冊GitHub 帳號 2.1.3 Docker 2.2 使用uv 來管理Python 環境與套件 2.2.1 uv：更快、更強大的Python 套件與環境管理工具 Chapter 3 在本地建立資料庫 3.1 專案環境建立 3.2 建立PostgreSQL 資料庫 3.2.1 docker-compose.yml 的介紹 3.2.2 用DBeaver 查看資料 3.3 SQLModel：Python 的資料庫操作 3.4 向量資料庫和Qdrant 的介紹 3.4.1 什麼是向量資料庫（Vector Database）？ 3.4.2 Qdrant 的概念介紹 3.4.3 用Docker compose 建立Qdrant 3.5 用Python 連線至Qdrant 3.6 把PostgreSQL 和Qdrant 合併成一個Docker Compose Chapter 4 資料搜集、處理和管理 4.1 專案環境建立 4.2 下載跟處理Million Song Dataset 4.2.1 前處理資料集 4.2.2 建立資料庫 4.3 下載跟處理The Echo Nest Taste Profile Subset 4.3.1 下載資料 4.3.2 寫入PostgreSQL Database 中 4.3.3 建立user-song matrix 4.3.4 存入Qdrant 向量資料庫中 4.4 Spotify 音樂資料表 4.4.1 讀取資料 4.4.2 資料前處理 4.5 DVC 的介紹 4.5.1 什麼是DVC？ 4.5.2 DVC 的使用教學 Chapter 5 音樂搜尋和推薦演算法的介紹和實作 5.1 FastAPI 的基本用法介紹 5.1.1 FastAPI 的基本介紹 5.1.2 對資料進行CRUD 操作 5.1.3 專案架構 5.1.4 建立API 5.2 FastAPI 後端專案建立——音樂搜尋系統 5.2.1 專案環境建立 5.2.2 建立歌曲搜尋Mock API 5.2.3 用FastAPI 連接到PostgreSQL 資料庫 5.2.4 用FastAPI 連接到Qdrant 向量資料庫 5.2.5 小結 Chapter 6 搜尋畫面的UI 建立 6.1 Streamlit 的安裝方法 6.2 Streamlit 核心概念 6.2.1 基本介面 6.2.2 互動元件 6.2.3 版面佈局 6.3 範例實作：音樂推薦系統搜尋網頁 6.3.1 與後端FastAPI 溝通 6.3.2 設定頁面 Chapter 7 雲端環境建立 7.1 Render 的PostgreSQL 資料庫部署 7.1.1 Render 基礎設定 7.1.2 在Render 上建立PostgreSQL 資料庫 7.1.3 將本地資料搬遷到Render PostgreSQL 7.1.4 使用DBeaver 連線並驗證資料 7.2 部署FastAPI 服務到Render 7.3 設定雲端的Qdrant 向量資料庫 7.3.1 設定Qdrant Cloud 7.3.2 上傳資料到Qdrant Cloud 7.4 Streamlit Community Cloud Chapter 8 音樂分類模型的介紹和實作 8.1 MLflow 的介紹 8.1.1 MLflow 的核心元件 8.2 實驗追蹤（MLflow Tracking） 8.2.1 MLflow Tracking 的概念 8.2.2 MLflow Tracking 的範例 8.2.3 啟動MLflow UI 8.3 MLflow Signature 與Input Example 的介紹 8.3.1 概念介紹 8.3.2 如何建立Model Signature 跟Input Example 8.4 使用Docker 部署MLflow Tracking Server、PostgreSQL 與MinIO 8.4.1 使用Docker 啟動MLflow Tracking 伺服器與UI 8.4.2 使用PostgreSQL 作為MLflow 後端儲存 8.4.3 使用MinIO 作為Artifact 儲存位置 8.5 模型封裝與版本管理（MLflow Models + MLflow Registry） 8.5.1 如何將模型註冊到Registry？ 8.5.2 設定標籤（Tags）與別名（Aliases） Chapter 9 模型部署 9.1 將模型部署到BentoML 9.1.1 從MLFlow 下載模型檔案 9.1.2 將模型部署到BentoML 9.1.3 建立BentoML FastAPI 服務 Chapter 10 其他應用案例與延伸專案 10.1 電商商品推薦系統 10.2 影視影片搜尋與推薦 10.3 健康與運動建議系統 10.4 金融交易風險偵測 10.5 客服問答系統 10.6 小結

AI與機器學習賦能的晶片設計與製程協同優化 (1版)

類似書籍推薦給您

【簡介】 GenAI 重塑半導體的未來 面對摩爾定律（Moore's Law）趨緩的巨大挑戰，半導體產業迫切需要新的突破點。這本書正是為了解決這個每年耗費產業數百億美元的「效率黑洞」而生。 《AI與機器學習賦能的晶片設計與製程協同優化》旨在為讀者提供一套可實踐的DTCO.ML框架，展示如何運用 Machin Learning（ML）與 Generative AI（GenAI）技術，為晶片製程注入新的加速力。掌握製程變異性並優化晶片能效，徹底擺脫耗時、昂貴的實體試產（Tape-out）試錯循環。 您將學會：透過數據驅動，將良率（Yield）提升從依賴漫長試錯轉變為可預測、可控制的快速回報（Accelerated ROI）；在每一次產品迭代中，實現顯著的能效（Energy Efficiency）飛躍；以及如何為您的團隊贏得數個月的產品上市時間（TTM）競爭優勢。 無論您是渴望提升效率的晶片設計工程師、製程研發專家，或是尋求產業「再加速」策略的管理者，本書都將為您提供經過驗證的AI 賦能策略與執行藍圖。掌握DTCO 的未來，從這裡開始。 【目錄】 推薦序 AI 驅動的半導體晶片設計能效與生產力革命 第一部分： 設計與製程協同優化（Design Technology Co-Optimization, DTCO） 第1 章 DTCO 概述與發展 1.1 為生產力而設計（Design for Productivity）的核心理念 1.2 極致能效設計方法論（Design for Ultimate Efficiency） 1.3 DTCO 的未來發展方向 第2 章 推動DTCO 的關鍵挑戰與策略 2.1 DTCO 實施面臨的主要挑戰 2.2 設計方法創新需求 2.3 生產力優化平台建置 第3 章 晶片能效與生產力優化實踐 3.1 項目啟動前的準備工作 3.2 客製化元件與時序策略（Timing Signoff Strategy） 3.3 製程優化分析技術 3.4 補償機制的設計與實施 3.5 近臨界電壓技術的需求與挑戰 第二部分：DTCO.ML ™：機器學習驅動的半導體流程優化 第4 章 機器學習與DTCO 的融合（DTCO.ML ™） 4.1 虛擬晶圓數據建模（Virtual Silicon） 4.2 迴歸模型的構建與推論 4.3 數據追蹤與產能優化的應用 第5 章 元件庫特徵萃取與分析系統（Library Metric Extraction, libMetric ™） 5.1 元件時序與功耗建模 5.2 標準元件特徵萃取（Cell Feature Extraction） 5.3 RO Simulation 5.4 標準元件庫批量PPA 基準評估 第6 章 晶片內感測器設計與整合（GRO Compiler） 6.1 目標導向的RO 設計 6.2 SPICE-Silicon 相關性分析 6.3 製程追蹤與調整 6.4 晶片內局域電壓分析 6.4.1 晶片內局域電壓分布監測 6.4.2 補償策略制定 6.4.3 動態時序餘量警示與布局 6.5 GRO 自動化工具與驗證流程 第7 章 數據分析與機器學習平台（Copernic ™） 7.1 數據標準化與可視化實踐 7.2 多維資料的跨域映射 7.3 設計流程整合策略 7.3.1 WAT-aware Timing Re-K 7.3.2 WAT-CP 映射與相關性分析 7.3.3 OCV Analysis 7.4 晶片內變異性（OCV）分析與設計餘量優化 7.5 後矽製程分析與優化（Post-Silicon Analysis and Optimization） 第8 章 晶片性能評等策略與優化（Binning-PG ™） 8.1 晶片評等與分箱策略對生產力的影響 8.2 晶片體質的分析與挑戰 8.3 分箱策略生成（Binning Policy Generation, Binning-PG ™） 8.4 策略生成自動化與優化 8.5 晶片內自分級應用（On-chip Self-binning） 第三部分：DTCO.GenAI ™：生成式AI 驅動的晶片設計創新 第9 章 生成式AI 與DTCO 融合（DTCO.GenAI ™） 9.1 傳統建模方法的局限性分析 9.2 按圖索驥：Multivariate Normal Distribution 9.3 虛擬晶片數據在DTCO 中的實際應用（DTCO.VS） 第10 章 DTCO.VS 虛擬晶圓數據生成技術（Virtual Silicon） 10.1 資料集準備 10.2 基於生成對抗網路的虛擬晶片數據（GAN-based Virtual Silicon, GAN-VS） 10.2.1 GAN 模型 10.2.2 GAN 模型性能評估 10.3 基於擴散模型的虛擬晶片數據（Diffusion Model-based Virtual Silicon, DM-VS） 10.3.1 去噪擴散概率模型（Denoising Diffusion Probabilitic Model） 10.3.2 Diffusion 模型性能評估 第11 章 Generative AI 驅動的晶片能效優化與建模 11.1 WAT 超分辨率（WAT Super Resolution, WATSR） 11.2 高效矽製程偏移建模（High-Efficiency SPICESilicon Bias Modeling, He-SSBM） 11.2.1 One-shot SPICE-Silicon N/P Correlation的設計原理 11.2.2 設計與防守策略優化 11.3 高效蒙地卡羅仿真近似（High-Fidelity Generative Monte Approximation, HΣ-GMA） 11.3.1 傳統Monte Carlo 方法的限制 11.3.2 生成式神經網路的創新應用 第12 章 結論與展望 12.1 機器學習與AI 賦能DTCO：革新晶片設計與製程優化（DTCO.ML ™） 12.2 生成式AI 驅動優化的未來趨勢（DTCO. GenAI ™） 12.3 創新EDA 開發與未來展望 附　錄 開源資源表列 參考文獻表列 專業術語表 

不靠框架硬功夫：Scikit-learn手刻機器學習每行程式碼(好評熱銷版) (2版)

類似書籍推薦給您

【簡介】 ☆好評熱銷再上市☆ ★ ML 最強套件 scikit-learn ✕ 經典演算法， 帶領你徹底攻略所有 ML 必備理論與實踐技能！ ★ 　　機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。其研究電腦模擬或實現人類的學習行為，獲取新的知識，重新組合現有知識結構並改善自身的效能。 　　本書針對機器學習領域描述了多個學習模型、策略、演算法、理論以及應用，以 Python 3 為基礎，使用 scikit-learn 解決實際問題。 　　全書完整介紹機器學習基本概念、演算法流程、模型建構、資料訓練、模型評估與最佳化、必備工具和實現方法，並佐以實際案例，以機器學習的經典演算法為軸線：演算法分析 ▶ 資料獲取 ▶ 模型建構 ▶ 推斷 ▶ 演算法評估，讓你理論與實踐技能一次學會，輕易上手。 本書特色 　　ML 的最佳參考書，scikit-learn 的最紮實實戰應用，亦為深入 AI 技術的優良基礎！ 　　● 機器學習概述 　　● 資料特徵提取 　　● scikit-learn 估計器分類 　　● 單純貝氏分類 　　● 簡單線性迴歸到多元線性迴歸 　　● k 近鄰演算法分類 　　● 線性迴歸到邏輯迴歸 　　● 非線性分類與決策樹迴歸 　　● 決策樹到隨機森林 　　● 感知機到支持向量機 　　● 從感知機到類神經網路 　　● 主成分分析降維  【目錄】 01 機器學習概述 1.1 什麼是機器學習 1.2 機器學習的作用領域 1.3 機器學習的分類 1.4 機器學習理論基礎 1.5 機器學習應用程式開發的典型步驟 1.6 本章小結 1.7 複習題 02 機器學習之資料特徵 2.1 資料的分佈特徵 2.2 資料的相關性 2.3 資料的聚類性 2.4 資料主成分分析 2.5 資料動態性及其分析模型 2.6 資料視覺化 2.7 本章小結 2.8 複習題 03 用scikit-learn 估計器分類 3.1 scikit-learn 基礎 3.2 scikit-learn 估計器 3.3 本章小結 3.4 複習題 04 單純貝氏分類 4.1 演算法原理 4.2 單純貝氏分類 4.3 單純貝氏分類實例 4.4 單純貝氏連續值的處理 4.5 本章小結 4.6 複習題 05 線性回歸 5.1 簡單線性回歸模型 5.2 分割資料集 5.3 用簡單線性回歸模型預測考試成績 5.4 本章小結 5.5 複習題 06 用 k 近鄰演算法分類和回歸 6.1  k 近鄰演算法模型 6.2 用 k 近鄰演算法處理分類問題 6.3 用 k 近鄰演算法對鳶尾花進行分類 6.4 用 k 近鄰演算法進行回歸擬合 6.5 本章小結 6.6 複習題 07 從簡單線性回歸到多元線性回歸 7.1 多變數的線性模型 7.2 模型的最佳化 7.3 用多元線性回歸模型預測波士頓房價 7.4 本章小結 7.5 複習題 08 從線性回歸到邏輯回歸 8.1 邏輯回歸模型 8.2 多元分類問題 8.3 正則化項 8.4 模型最佳化 8.5 用邏輯回歸演算法處理二分類問題 8.6 辨識手寫數字的多元分類問題 8.7 本章小結 8.8 複習題 09 非線性分類和決策樹回歸 9.1 決策樹的特點 9.2 決策樹分類 9.3 決策樹回歸 9.4 決策樹的複雜度及使用技巧 9.5 決策樹演算法：ID3、C4.5 和CART 9.6 本章小結 9.7 複習題 10 整合方法：從決策樹到隨機森林 10.1 Bagging 元估計器 10.2 由隨機樹組成的森林 10.3 AdaBoost 10.4 梯度提升回歸樹 10.5 本章小結 10.6 複習題 11 從感知機到支援向量機 11.1 線性支援向量機分類 11.2 非線性支援向量機分類 11.3 支援向量機回歸 11.4 本章小結 11.5 複習題 12 從感知機到類神經網路 12.1 從神經元到類神經元 12.2 感知機 12.3 多層感知機 12.4 本章小結 12.5 複習題 13 主成分分析降維 13.1 資料的向量表示及降維問題 13.2 向量的表示及基變換 13.3 協方差矩陣及最佳化目標 13.4 PCA 演算法流程 13.5 PCA 實例 13.6 scikit-learn PCA 降維實例 13.7 核心主成分分析KPCA 簡介 13.8 本章小結 13.9 複習題 A 參考文獻

AI 最強調整術：使用最佳化演算法，打造頂級機器學習模型（iThome鐵人賽系列書） (1版)

類似書籍推薦給您

【簡介】 用數學與實作打通最佳化 從理論、工具到應用，學會打造更強的 AI 模型 　　本書內容改編自第 16 屆 iThome 鐵人賽 AI/ ML & Data 組冠軍系列文章《調整 AI 超參數好煩躁？來試試看最佳化演算法吧！》這是一本以「結合 AI 工具實作搭配少量理論」為核心的最佳化入門到進階指南。全書以直觀圖解與儘可能少的必要數學，帶你理解五花八門的演算法、目標函數與測試函數的本質，並以可直接執行的程式碼範例來串接起常見方法。例如，傳統啟發式演算法、粒子群算法（PSO），與比較近期的灰狼演算法（GWO），以及機器學習跟深度學習中的超參數最佳化（例如 TPE 等）。 　　書中不只介紹理論與實作，也新增「AI 協作」章節，示範如何下 Prompt，讓你與 AI 分工寫最佳化程式、請 AI 教學演算法與驗證結果。無論你來自影像處理、訊號處理、資料科學或工程領域甚至是學生，都能把最佳化真正用在工作、研究與學習裡。 　　本書可以學到哪些知識 　　本書規劃為五大篇、十個章節，以循序漸進的方式引導各位讀者深入最佳化的世界，並精選了一系列實際應用案例，讓各位不僅能理解理論，更能即學即用。 　　第一篇〈最佳化演算法的全貌〉：本篇會從最佳化技術的基礎概念開始，介紹什麼是最佳化演算法，接著會介紹目前的演算法種類大致分成哪幾種，這幾種演算法中目前比較主流跟比較多研究在使用的演算法有什麼。這些演算法雖然都是以數學來定義的，不過本書會根據這些公式的用途做一個簡單的總結，讓生活已經遠離數學的讀者也可以輕鬆上手。 　　第二篇〈最佳化演算法評估與測試函數〉：本篇將帶你掌握研究中廣泛使用的測試標準，讓你的最佳化演算法不再只是「感覺變好」，而是能以數據驗證、圖像呈現的方式準確比較表現。從經典測試函數到 Python 實作，幫助你建立完整的最佳化演算法評估公式。不論你是 AI 工程師、研究人員，還是想用最佳化技術提升產品效能的開發者，這章都能讓你學到「量化進步」，優化策略看得見！ 　　第三篇〈Python Optuna 模組介紹〉：進入實作關鍵！本篇將帶你認識 Optuna，一款靈活又高效的 Python 最佳化工具。無論你是要調校 AI 模型參數，還是優化自家產品或演算法效能，Optuna 都能幫你快速實驗、多次試錯、精準收斂。從基礎語法到深度學習案例，搭配 ChatGPT 提示技巧，讓你能在開發流程中聰明用好最佳化，把模型與應用推向新高度。 　　第四篇〈Python MealPy 模組介紹〉：想一次體驗上百種最佳化演算法？本篇帶你認識 MealPy，它是一個內建超過百種啟發式演算法的寶藏套件。從經典的螞蟻、粒子群，到新奇的蝴蝶、草履蟲，只要換個方法名就能快速測試、比較各家表現。不論你是做研究、參賽、建模，還是單純想擴充工具庫，MealPy 都能讓你輕鬆召喚演算法大軍，向各種疑難雜症的最佳化問題進攻！ 　　第五篇〈最佳化技術進階延伸〉：最佳化技術不只用在調整模型的超參數，更能落地於工業相關的參數模擬與生成式 AI 等多元場景。本章將介紹如何用最佳化解決工業製程參數最佳化、路徑規劃與 Diffusion 圖像生成控制等實務問題，並補充 RL 與 LLM 中策略與 Prompt 設計的最佳化理論，拓展你對前沿技術與應用實務的整體視野。 　　目標讀者 　　● 想把最佳化用在實務問題或應用的工程師 & 研究生。 　　● 期望讓模型表現「穩定拉高」的資料科學家與 ML 工程師。 　　● 願意照著程式一步步動手，但不想被數學嚇退的學習者。 　　● 對最佳化有興趣，想應用在各種領域或者單純學習的人們。 　　● 想用 Prompt 與 AI 協作，加速寫最佳化程式與需要 AI 教師的人。  【目錄】 PART 1 最佳化演算法的全貌 Chapter 01 最佳化技術導論與相關背景 1.1 最佳化究竟是什麼？ 1.2 最佳化演算法的 5W1H 1.3 最佳化的核心理念與方法類型 Chapter 02 啟發式演算法介紹與應用 2.1 啟發式演算法種類介紹 2.2 基於粒子（生物行為）的演算法原理介紹 2.3 基於粒子（生物學）的演算法原理介紹 2.4 基於進化的演算法原理介紹 2.5 基於人類行為的演算法原理介紹 2.6 基於機率模型的最佳化演算法介紹 2.7 小結 2.8 附錄：與 ChatGPT 協作 2.9 參考資料 PART 2 最佳化演算法評估與測試函數 Chapter 03 如何判斷演算法優劣？測試函數介紹 3.1 測試函數介紹 3.2 Sphere Function 介紹 3.3 Ackley Function 介紹 3.4 Levy Function 介紹 3.5 Cross-in-tray Function 介紹 3.6 Bukin Function 介紹 3.7 Rastrigin Function 介紹 3.8 Bohachevsky Function 介紹 3.9 Griewank Function 介紹 3.10 Schaffer Function N.2 介紹 3.11 小結 3.12 附錄：使用 ChatGPT 協助完成任務 PART 3 Python Optuna 模組介紹 Chapter 04 Optuna 模組基礎介紹 4.1 Optuna 介紹 4.2 第一個 Optuna 程式 4.3 Optuna 開發範例 4.4 Optuna 進階 API 功能介紹 Chapter 05 Auto ML Optuna 實作 5.1 最佳化機器學習模型 5.2 最佳化 MLP 5.3 最佳化 CNN 5.4 最佳化 GAN 5.5 與 ChatGPT 協作 5.6 小結 PART 4 Python MealPy 模組介紹 Chapter 06 MealPy 模組基礎介紹 6.1 MealPy 介紹 6.2 第一個 MealPy 程式 6.3 MealPy 開發範例 6.4 MealPy 進階 API 功能介紹 Chapter 07 MealPy 基礎實作 7.1 最佳化機器學習模型 7.2 最佳化 MLP 與 CNN 7.3 最佳化 GAN 7.4 與 ChatGPT 協作 PART 5 最佳化技術進階延伸 Chapter 08 最佳化在其他領域的實作 8.1 工業製程參數最佳化 8.2 車輛路線規劃最佳化 8.3 Diffusion 模型生成最佳化 Chapter 09 最佳化在其他領域的案例 9.1 強化學習中的策略最佳化 9.2 Diffusion 模型的最佳化應用 9.3 Prompt Optimization：讓 LLM 更懂你想要的 9.4 RAG 設計與資訊檢索策略優化 Chapter 10 其他可應用最佳化的工具模組 10.1 scikit-learn 10.2 Keras Tuner 10.3 MealPy Tuner 10.4 NiaPy 10.5 Nevergrad 10.6 BayesianOptimization 10.7 DEAP（Distributed Evolutionary Algorithms in Python）