古話新說:古典短篇小說選讀 (3版)
相關熱銷的書籍推薦給您
立即查看
原價:
1200
售價:
1080
現省:
120元
立即查看
ESP32 微處理機實習與物聯網應用含AMA Fundamentals Level 及Essentials Level先進微控制器應用認證 - 最新
類似書籍推薦給您
1. 全書共108個範例,清楚解說各種用法。
2. 單晶片實習之硬體、邏輯及演算法。
3. 利用聲、光、螢幕、動力輸出。
4. 應用各種感測器感知現實世界。
5. 涵蓋常見網路規格:藍牙、Wi-Fi、LoRa。
6. 適用Arduino IDE1.8 版及2.0 版。
目錄
Chapter 1 ESP32 介紹
1-1 ESP32 介紹
1-2 於Arduino IDE 開發ESP32 程式
1-3 序列通信
1-4 變數及資料型別
Chapter 2 輸出及輸入
2-1 數位輸入及輸出
2-2 類比輸入及輸出
2-3 碰觸輸入
2-4 擴展I/O 接腳
Chapter 3 ESP32 的網路功能
3-1 藍牙
3-2 藍牙低功耗
3-3 Wi-Fi
Chapter 4 聲光輸出篇
4-1 七段顯示器
4-2 OLED
4-3 蜂鳴器
4-4 WS2812B 全彩RGB LED
Chapter 5 動力輸出篇
5-1 直流馬達
5-2 伺服馬達
5-3 步進馬達
5-4 無刷馬達
5-5 智慧小車
Chapter 6 輸入及感測器篇
6-1 矩陣鍵盤
6-2 環境品質感測
6-3 土壤溼度感測器
6-4 物體感測
6-5 重量感測
Chapter 7 無線電傳輸及辨識篇
7-1 紅外線控制
7-2 RFID 及NFC
7-3 LoRa
7-4 ESP-NOW
Chapter 8 物聯網與應用篇
8-1 空氣品質感測及遠端儲存
8-2 MQTT
8-3 SD 卡
8-4 JSON
8-5 如何實現多工
8-6 中斷及轉速偵測
Appendix 附錄
附錄一 課後習題參考答案
附錄二 AMA Fundamentals Leval先進微控制器應用認證術科測試試題
附錄三 AMA Essentials Leval先進微控制器應用認證術科測試試題
立即查看
稅務法規概要與租稅申報實務學霸筆記書 (2版)
類似書籍推薦給您
【簡介】
搶救弱底大作戰
適用初學、複習者,本書重點完整,實務函令即時補充,跨章節的表格統整,猶如老師在側引導,穩紮穩打,打底書、題庫書二合一,一本就夠,強化硬實力!
稅額計算沒問題
清晰的標題與計算過程,詳盡說明適用法令及數字來源,邏輯分明地學習稅額計算。綜合所得稅計算大表及步驟大公開,用過都說讚!
租稅申報功力大升級
「成果檢驗」單元,蒐集多年度記帳士、會計師、檢事官、公職財稅、地政士等經典考古題,選擇題及申論題均附擬答,助你申論答題勇奪高分、金榜題名!
出題考點風向雞
考古題舊題新解,將經典題型混和跨章節新考點,重新呈現!本書立志當考場上的大預言家,超前部屬!
【目錄】
二版序
編者序
本書使用方法
第1章 稅捐稽徵法
第2章 納稅者權益保護法
第3章 加值型與非加值型營業稅
第4章 綜合所得稅
第5章 營利事業所得稅
第6章 所得稅稽徵
第7章 所得基本稅額條例
第8章 房地合一所得稅
第9章 遺產及贈與稅
立即查看
【簡介】
本書所展現的是親切的教本式描述(非一般講義式),絕妙的學習口訣,例題與習題皆詳解,目標:可靠自修而讀懂的微積分!市面上這麼多的微積分書籍中,專門為理工科學生(將來要唸工數)與商管醫科學生(將來要唸經濟學、統計學)下筆,強調學習觀念、重視解說內容,因為讀懂比多算更重要!本書特色如下:
.強調讀書方法,親切的文筆描述
雖名為“微積分”,卻找不到那種令人無法忍受之數學國語言!親切的說明彷彿親自聆聽作者授課一樣,配合生動有趣的“口訣”輕鬆地記住內容!
.考轉或考研、理工或商管,都標示清楚
以豐富教學與輔考經驗寫出微積分應有內容(由淺到深),考轉或考研、理工或商管等皆分別標示清楚,讀來有效率!
.數學名詞皆中英對照,一例一類易吸收
習題都是國立名校之研究所與轉學考題,配合詳細解答滿足考試、自修要求。懂內容那怕考題之變化!
.編排紮實(不浪費)、舒適,分量充實
內容皆作者親自打字,編排紮實、不浪費空間,讓您在舒適的視感下「悅讀」微積分。
.考國外入學考試也輕鬆
內容涵蓋大學層次該有之Calculus部分,是超越原文書的微積分中文書,出國留學更適合當參考書!
劉明昌老師全新雲端課程,好課強力推薦!
★微積分就該這樣學—大一微積分先修課(6個月)
【目錄】
第一章 極限
第二章 微分學
第三章 微分應用
第四章 不定積分之求法
第五章 定積分
第六章 積分之幾何應用
第七章 數列與級數
第八章 偏微分及其應用
第九章 二重積分與三重積分
第十章 向量積分
第十一章 微分方程之解法
附錄 擺線參數式之推導、隱函數的斜漸近線之推導
立即查看
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
立即查看