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

最強 AI 投資分析：打造自己的股市顧問機器人，股票趨勢分析×年報解讀×選股推薦×風險管理 (1版)

類似書籍推薦給您

內容介紹 ▌第一本 AI 投資專書 ▌ ▌大型語言模型加持！▌ ▌建構自己的股票／年報分析機器人 ▌ ▌讓 AI 變成股市分析的神器 ▌ 在這數位資訊的創新時代, AI 與大型語言模型 LLM 已經徹底改變了投資業界的遊戲規則。過往需要仰賴投資團隊花費大量時間來解讀各種財務報表、進行分析的複雜工作, 現在只需要一個人、一台電腦就能完成。對於小散戶而言, AI 能幫助我們自動化分析, 挖掘出報表中隱藏的關鍵資訊, 成為對抗市場主力的重要武器！本書將帶您： ◆ 【建立正確的投資觀念】：還在聽股市名嘴胡扯瞎扯嗎？本書將從基礎的投資理論起手, 帶領讀者建立正確的投資觀念, 從基本面分析到技術面分析, 並進一步探討 AI 在股票投資中的定位, 助你洞悉多面向分析的重要性。 ◆ 【Python 雲端環境開發】：程式開發對你來說是場夢魘嗎？本書將所有程式部署在雲端環境中, 免除本地環境配置的複雜度, 一鍵就能輕鬆運行、進入 Python 股票分析的世界。 ◆ 【AI 股票趨勢分析】：在買賣股票的過程中, 一般人常常會被情緒左右投資決策, 但 AI 是沒有感情的機器。本書將詳解如何利用 AI 進行客觀的數據分析來作出更合理的投資決策, 解決人性所造成的影響。 ◆ 【AI 年報深度解讀】：公司年報蘊藏著重要的資訊, 但一份年報動輒 200~300 頁, 哪有那麼多時間去一一分析每間公司的年報資料？複雜的分析過程就交給 AI 來做吧！我們可以使用提問的方式來輕鬆了解年報內容, 或是讓模型統整、分析落落長的年報資訊。 ◆ 【AI 選股推薦】：股票那麼多怎麼選？要找到一檔高潛力的股票如同大海撈針！本書將介紹如何使用 AI 來進行選股推薦, 從大數據中篩選出值得關注的投資機會、提高選股效率。 本書特色 ★ 本書程式皆部署於雲端平台, 不會寫程式也能一鍵執行。 ☆ 投資理論來幫忙, 帶領讀者建構正確的投資觀念。 ★ 詳解如何串接 OpenAI API, 讓語言模型成為分析股市的利器。 ☆ 讓股票資料蒐集的過程自動化, 包含網路爬蟲、各種 Python 套件及搭建資料庫。 ★ 讓 AI 自動處理 Dataframe 表格、計算技術指標、產生回測策略。 ☆ 詳解 matplotlib、mplfinance、plotly、backtesting 各種視覺化套件, 新手也能畫出精緻的股價 K 線圖。 ★ 打造屬於自己的 LINE/Discord 機器人, 隨時隨地取得任何股票的 AI 分析報告。 ☆ 數百頁的年報沒有時間看？使用 LangChain 搭建向量資料庫, 建構年報問答/分析機器人。 ★ 股票那麼多怎麼選？讓 AI 來幫忙, 根據股價趨勢、新聞面、年報資訊, 挑選出最具潛力的投資標的。 書籍目錄 ▌第 1 章 投資一定要跟老師嗎？股票分析基礎 1-1 基本面分析 為什麼雞蛋不能放在同一個籃子裡？ 高報酬伴隨著高風險 百鳥在林, 不如一鳥在手：到手的現金才是硬道理 高登模型 (Gordon model) 1-2 技術面分析 效率市場假說 行為財務學 1-3 AI 在股票投資中的定位 ▌第 2 章 從零開始：用 OpenAI API 建構 自己的 AI 機器人 2-1 什麼是 GPT 模型？ GPT 模型原理 什麼是 OpenAI API？為什麼需要串接？ 2-2 註冊 OpenAI API 查看 API 用量 免費額度用完了怎麼辦？ 2-3 建構自己的 AI 機器人 使用 OpenAI API 官方套件 檢視傳回物件 設定 AI 角色 簡易的對談程式 記憶對話紀錄 加入搜尋功能 ▌第 3 章 股市資料蒐集、爬蟲與搭建資料庫 3-1 分析股票時常用的資料類型 時間序列資料 (time series data) 截斷面資料 (cross-sectional data) 3-2 網頁爬蟲 用 requests 取得證交所資料 用 BeautifulSoup 取得 Yahoo 股票資料 使用 selenium 做新聞爬蟲 3-3 用 Python 套件輕鬆取得股市資料 yfinance FinMind FinLab 3-4 搭建自己的 SQL 資料庫 資料庫設計 搭建 SQLite 資料庫 ▌第 4 章 讓 AI 計算技術指標及資料視覺化 4-1 技術指標公式太複雜？讓 AI 自動化計算 讓 AI 自動生成技術指標程式碼 資料處理自動化 4-2 資料視覺化 繪製股價圖：matplotlib 繪製 K 線圖：mplfinance 4-3 進階互動式圖表：plotly 互動式 K 線圖 4-4 建構 Dash 應用程式 運行 Dash 應用程式 程式碼詳解：Dash 應用程式 ▌第 5 章 AI 技術指標回測 5-1 什麼是股票回測？ 回測注意事項 5-2 強大的回測工具：backtesting.py 定義策略並產生回測結果 繪製回測圖表 加入停利、停損策略 5-3 讓 AI 產生回測策略 5-4 讓 AI 分析回測報告 單一策略分析 多個策略分析比較 ▌第 6 章 股票分析機器人：部署至 LINE 及 Discord 上 6-1 建構股票分析機器人 股票分析機器人 6-2 部署 LINE 機器人 開發原理 設定 Messaging API 取得密鑰、存取令牌並加入機器人 Replit 專案：LINE 股票分析機器人 測試 LINE 股票分析機器人 程式碼詳解：LINE 機器人 6-3 部署 Discord 機器人 開發原理 建立 Discord 開發者應用程式 取得 TOKEN (授權令牌) 將 Discord 機器人加入伺服器 複製 Replit 專案：Discord 股票分析機器人 程式碼詳解：Discord 股票分析機器人 ▌第 7 章 年報問答機器人 7-1 什麼是年報？ 7-2 如何取得年報？ 7-3 對年報作問答 7-4 年報總結與關鍵字分析 年報總結 關鍵字分析 ▌第 8 章 建構投資組合：讓 AI 輔助選股 8-1 建構投資組合 AI 自動化選股機器人 8-2 AI 趨勢報告推薦系統 8-3 AI 年報分析推薦系統 ▌第 9 章 資金管理與投資組合風險評估 9-1 資金管理 單次賭局 重複賭局 比例下注法 倍倍下注法有用嗎？ 凱利公式 (Kelly formula) 將凱利公式運用在股票回測中 9-2 投資組合資金分配與風險管理 將凱利公式運用到投資組合配置 投資組合風險指標 9-3 讓 AI 來給出投資組合建議 複製 Replit 專案：投組分析機器人 程式碼詳解：投組分析機器人