精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎 (1版)

類似書籍推薦給您

【簡介】 ▍專業推薦 (依姓名筆劃排列) 王道維｜國立清華大學物理系教授 / 人文社會 AI 應用與發展研究中心副主任 林筱玫｜台灣人工智慧協會執行長 劉育維｜人工智慧解決方案專家暨網路作家 ▍獨角獸新創公司 Preferred Networks 創辦人 ▍2022 年日本「現代の名工」獲獎者 ▍閱讀千篇論文的深厚學識精華 ✧✦AI 神人親自講解深度學習的技術奧秘！✦✧ 千變萬化的 AI 應用，核心都是「深度學習」。 掌握深度學習，才能迎接 AI 世代的新挑戰！ 【基礎概念：深度學習的特色、與機器學習的不同】 認識機器學習的不同類型，詳細瞭解神經網路、特徵學習、反向傳播，如何使深度學習脫穎而出。 【發展進化：正規化層、跳躍連接、注意力單元】 深入解說這三項核心技術的數學原理，認識深度學習克服各種困難、大幅進化的歷程。 【實際應用：影像辨識、語音辨識、自然語言處理】 綜合以上基礎，說明深度學習從輸入到輸出完整執行實際任務的過程，以及各種基礎技術在不同應用領域所擔任的重要角色。 【技術回顧：AI 發展的坎坷與突破】 早在 1956 年提出的 AI，為何數十年間乏人問津？深度學習又是如何重燃 AI 的火種？回顧 AI 發展，更能洞察未來方向。 ★特別收錄：精選基礎數學★ 把學校的數學課忘光了也不用怕！附錄彙整深度學習的必要數學知識，有疑問隨時翻閱，回頭立刻跟上大師講解。 本書不含： ✗走馬看花的簡略介紹 ✗只用大量文字描述數學概念 ✗只挑知名的技術做單元介紹 本書注重： ✓各技術運作方式的詳盡解說與參考文獻 ✓大量圖片表達技術要旨、實際數學式演示過程 ✓各技術發展背景與傳承脈絡，描繪深度學習的改革史 ✧✦探索 AI 奧祕絕不該錯過的精采好書！✦✧ 本書特色: ◆難度由淺入深，從基礎數學開始紮穩根基 書中數學式從符號開始一一解說，各種計算及推導都仔細說明，書末更附上基礎數學補充，數學課忘光也不怕 ◆核心關鍵技術一網打盡，完整掌握深度學習 學習模型 / 損失函數 / 梯度下降法 / 反向傳播 / 卷積層 / 循環層 / 閘控機制 / 激活函數 / 正規化 / 跳躍連接 / 注意力單元……核心技術全面涵蓋 ◆插圖、文字、數學式，三管齊下詳盡講解 - 以圖示勾勒整體概念 - 以文字解構問題並說明思路 - 以數學式演示技術流程 3 方向完整拆解、充分理解，讀懂原理不必再囫圇吞棗 ◆從背景到傳承，清楚描繪技術發展脈絡 偉大的技術，即是解決過去的問題，並提出未來的問題；本書清楚描繪核心技術環環相扣的進化史，更能展望 AI 未來的新發展 【目錄】 第 1 章 深度學習與人工智慧 為何深度學習能夠成功 1.1 何謂深度學習？什麼是人工「智慧」？ 1.2 深度學習迅速發展的背景 1.3 深度學習的計算資源 1.4 人工智慧的歷史 1.5 未來將如何應用深度學習？ 1.6 本章小結 第 2 章 機器學習入門 何謂電腦的「學習」？ 2.1 機器學習的背景知識 2.2 模型、參數與資料 2.3 普適能力 — 能否處理未知資料？ 2.4 學習的方法 — 監督式學習、非監督式學習與強化式學習 2.5 問題設定的分類學 2.6 機器學習的基本 — 了解機器學習的各種概念 2.7 以機率模型理解機器學習 2.8 本章小結 第 3 章 深度學習的技術基礎 組合資料轉換的「層」實現特徵學習的效果 3.1 特徵學習 — 「標示特徵」的重要性及挑戰 3.2 深度學習的基礎知識 3.3 神經網路是什麼樣的模型？ 3.4 神經網路的學習 3.5 反向傳播 — 有效率地計算梯度 3.6 神經網路的主要組成元素 3.7 本章小結 第 4 章 深度學習的發展 改善學習與預測的正規化層╱跳躍連接╱注意力單元 4.1 將「學習」由理論化為現實的基礎技術 — 類似ReLU的激活函數 4.2 正規化層 4.3 跳躍連接 4.4 注意力單元 — 根據輸入，動態改變資料傳遞方式 4.5 本章小結 第 5 章 深度學習的應用技術 大幅進化的影像辨識、語音辨識、自然語言處理 5.1 影像辨識 5.2 語音辨識 5.3 自然語言處理 5.4 本章小結 附錄 精選基礎 深度學習所需的數學概念 A.1 線性代數 A.2 微分 A.3 機率

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

全球生成式AI著作權訴訟攻防戰 (2版)

類似書籍推薦給您

【簡介】 【專業推薦】 陳碧莉／台積電副法務長暨首席智權律師 黃欽勇／《大椽-DIGITIMES》暨IC之音董事長 ．新版重點：新增兩則生成式AI合理使用的實體即席判決 ．本書係國內第一本針對迄今全球侵害案例，綜合技術和法律二個角度進行整理分析 　　ChatGPT問世以來，生成式AI熱浪席捲全球，帶來破壞式創新的科技突破，但同時也引發前所未有的著作權爭議。截至目前全球已出現近50起的AI侵權訴訟，涵蓋小說書籍／新聞報導、繪畫／攝影、音樂詞曲、視聽影片乃至開源碼等多元領域，被告多為美國AI大咖如OpenAI、Microsoft、Meta、Google、Nvidia、Midjourney與Anthropic、Perplexity AI等！ 　　訴訟戰火最先集中美國，隨即延燒至英、德、法、加拿大、中國、印度與韓國，而既有著作權法難於規範AI核心爭議，例如：生成式AI產生的內容是衍生著作？AI訓練過程大量爬取資料與向量嵌入轉化是否非法複製？生成式AI前階段資料探勘之複製是否合法？使用RAG會構成侵害？生成式AI的使用者是直接侵權人？生成式AI工具提供者，除直接侵害也構成代理侵害或輔助侵害？刪除CMI違反DMCA法？生成式AI吐出實質相似的內容（AI反芻）是否構成侵害？AI訓練資料是否構成轉化性合理使用？再加上DeepSeek爭餾技術、GPT4o吉卜力（擴散+自迴歸演算）等爭議，反映生成式AI對智財權體制帶來之挑戰！ 　　為呼應最新趨勢，本次改版新增兩則美國加州生成式AI合理使用、一則最新的英國高院與德國慕尼黑地院之實體判決，及一則美國RAG相關之程序判決，期能提供更具價值之參考。 【目錄】 推薦序／陳碧莉 推薦序／黃欽勇 再版序／陳家駿 ◆總論 生成式AI著作權最新爭議 ．從ChatGPT到Grok 3之AI模型爭議談OpenAI指控Deepseek侵權─剽竊 v. 創新？／3 ．GPT-4o吉卜力風格引爆著作之侵權爭議／27 ◆各論 全球生成式AI著作權訴訟案 【美國篇】 『開源碼』 ．全球首宗生成式AI開源碼爭訟 　─OpenAI、微軟與GitHub著作侵權案之程序裁決出爐 　─Doe 1~5 v. OpenAI , Github & Microsoft／53 『卡通畫家和插畫家』 ．插畫家控告Stability生成式AI工具著作侵權案 　─首波程序判決出爐原告鎩羽而歸 　─Andersen et al v. Stability AI, Midjourney & DeviantArt／77 ．插畫家控訴DeviantArt生成式AI著作侵權 　─首輪程序判決被告占上風／90 ．插畫家告Midjourney生成式AI工具著作侵權案 　─原告首戰程序判決吞敗／102 『小說作家』 ．作家控告Meta生成式AI LLaMA著作侵權案首波程序判決兼談Google生成式AI Gemini著作侵權案 　─Kadrey, Silverman & Golden v. Meta Platforms, Inc.／115 　─Leovy v. Google & Zhang v. Google／126 ．美國首宗小說家控告OpenAI生成式AI著作侵權案程序判決出爐─Tremblay v. OpenAI／132 『新聞媒體』 ．美國新聞媒體巨擘控告ChatGPT著作侵權案 　─New York Times v. Microsoft & OpenAI／155 ．紐約時報告微軟／OpenAI訴訟案（一）─原告指控生成式AI逐字抄襲構成侵權／187 ．紐約時報告微軟／OpenAI訴訟案（二）─生成式AI之合理使用抗辯／198 ．新聞媒體控告生成式AI侵害著作權管理資訊案判決─Raw Story v. OpenAI／217 『音樂歌詞』 ．全球首宗音樂出版商控告生成式AI Claude歌詞著作侵權案─Concord Music Group. v. Anthropic／236 『唱片錄音』 ．全球首宗生成式AI錄音著作侵權案 　─美國唱片業巨頭控告SUNO／258 　─UMG, et al, v. Suno & John Does 1-10 　兼談：配音演員聲音著作侵權案Lehrman, Sage v. SLovo／283 『法律資料庫』 ．美國知名法律資料庫控告AI新創著作侵權之即席判決出爐─Thomson Reuters v. Ross／286 『影片與作家』 ．GPU巨擘Nvidia在美國被控侵害YouTube著作權訴訟案 　─Millette（YouTube影片）v. Nvidia 　─Nazemian v. Nvidia; Dubus v. Nvidia／315 【加拿大篇】 ．從加拿大三件著作侵權案 　─談生成式AI訴訟之核心爭辯：向量嵌入 v. 複製&公平使用 　法律資料庫─CanLII v. Caseway AI 　媒體與廣播─Canadian News Media (CBC, The Globe　& Mail et al) v. OpenAI 　新聞廣播媒體─Advance Local Media v. Cohere／334 【歐洲篇】 『圖形影像』 ．英國首宗生成式AI圖形影像智財侵權案─Getty Images v. Stability AI／368 『音樂』 ．歐洲首宗生成式AI著作侵權官司 　─德國音樂仲團GEMA起訴OpenAI和Suno 　─GEMA v OpenAI & Gema v Suno／398 『作家』 ．法國首宗生成式AI之Meta被告著作侵權訴訟案─SNE, SGDL and SNAC v Meta 　兼談歐盟人工智慧法／424 『資料探勘』 ．從生成式AI談德國漢堡法院判決LAION資料探勘構成著作侵權豁免─Kneschke v. LAION e.V.／436 　兼談荷蘭阿姆斯特丹法院案─DPG et al v. HowardsHome／465 【亞洲篇】 ．中國大陸生成式AI首宗著作侵權案 　─北京與廣州法院判決與美國案例比較／470 　兼談江蘇與武漢生成式AI著作侵權案／506 ．印度與韓國之生成式AI著作侵權案─ANI Media v. Open AI; KBA, MBC & SBS v. Naver／510 【我國修法展望】 ．因應生成式AI我國應修改著作權法嗎？─以美國、日本與歐盟模式為例／527 【合理使用最新判決】 ．美國生成式AI侵權訴訟案／543

生成式AI應用開發：基於OpenAI API實現 (1版)

類似書籍推薦給您

【簡介】 　　本書共分九章。 　　第一章介紹GPT模型歷程、原理與API介面。第二章說明OpenAI文字與語音轉換功能、API端點設計與請求庫封裝。第三章展示ChatGPT應用構建，包括互動區域、聊天快取與角色設定。第四章實作飛書機器人與OpenAI結合，開發多種回應與通知功能。第五章說明VSCode外掛程式開發流程與Webview通訊技術。第六章實作AI程式輔助模組，包含語言轉換、程式診斷與自動修復。第七章說明如何部署ChatGLM等開源模型與進行P-Tuning微調。第八章介紹RAG技術，實作文字向量化與Chroma向量資料庫整合，建構查詢式知識庫。第九章為提示詞工程與LLM社群工具介紹，說明提示詞模式、模型回應最佳化與Coze平台應用。 本書特色 　　☆GPT模型歷史、架構與API功能解析 　　☆OpenAI文字轉語音與語音轉文字實作 　　☆Chat系列API端點與流式回應設計 　　☆ChatGPT應用介面建構與訊息狀態處理 　　☆System Prompt建構與角色扮演範例 　　☆ChatGPT跨平台部署與Vercel整合 　　☆飛書機器人API連接與事件回應開發 　　☆VSCode外掛模組開發流程與通訊機制 　　☆AI程式輔助：自動生成、語言轉換、程式診斷 　　☆Hugging Face模型私有部署與P-Tuning微調 　　☆文本向量化技術與嵌入式匹配範例 　　☆向量資料庫Chroma操作與距離計算方式 　　☆ChatGPT外掛知識庫系統建構與查詢設計 　　☆提示詞工程模組化設計與Coze平台整合  【目錄】 ▌第1 章 緒論 1.1 AGI 的新時代已經到來 1.2 ChatGPT 全景介紹：歷史、原理與API 1.2.1 GPT 模型的基本概念和發展歷程 1.2.2 GPT 為什麼能做到跨領域與人互動 1.2.3 OpenAI API 簡介 1.3 生成式AI 應用的市場前景 1.4 本書的內容安排 ▌第2 章 OpenAI API 請求函式庫 2.1 OpenAI API 2.1.1 OpenAI API 提供的模型類別 2.1.2 在瀏覽器端實現文字轉音訊 2.1.3 在Node.js 執行時期實現文字轉音訊 2.1.4 音訊轉文字的實現 2.2 Chat 系列OpenAI API 端點 2.2.1 Chat 系列API 端點參數及使用 2.2.2 Chat API 的串流回應 2.3 API 請求函式庫 2.3.1 使用OpenAI 請求函式庫 2.3.2 實戰：封裝並發佈一個大語言模型API 的請求函式庫 2.3.3 ChatGPT 可用免費API 轉發開放原始碼倉庫：GPT-API-free 2.4 本章小結 ▌第3 章 基礎應用：ChatGPT 的實現 3.1 專案初始化和產品功能拆解 3.1.1 專案初始化 3.1.2 產品功能拆解 3.2 ChatGPT 靜態互動的實現 3.2.1 右側ChatGPT 對話區域 3.2.2 左側邊欄區域（Chat 資訊和API_KEY 填寫） 3.3 ChatGPT 可互動功能的補充 3.3.1 使用llm-request 連線OpenAI API 3.3.2 New Chat 事件的綁定 3.3.3 聊天記錄的快取 3.3.4 回應內容的豐富文字處理（換行、程式突顯、程式複製） 3.3.5 思考題：如何避免在請求中暴露API_KEY 3.4 建立不同角色類別的聊天 3.4.1 什麼是System Prompt 3.4.2 為ChatGPT 專案放開System Prompt 的填寫 3.4.3 範例：建立布布熊的虛擬女友一二熊 3.5 社區功能：跨平臺ChatGPT 應用—ChatGPT Next Web 3.5.1 初識ChatGPT Next Web 3.5.2 使用Vercel 把ChatGPT Next Web 部署到公網 3.6 本章小結 ▌第4 章 互動應用：整合AI 模型功能到飛書機器人 4.1 建立飛書機器人 4.1.1 飛書開放平臺 4.1.2 建立一個飛書機器人一二熊 4.2 飛書機器人的API 服務 4.2.1 飛書機器人API 服務的事件訂閱 4.2.2 開發階段：使用反向代理工具Ngrok 對本機服務進行內網穿透 4.2.3 訂閱message 接收事件並回應 4.2.4 部署上線：使用Vercel Serverless Functions 輕服務部署 4.3 支援一二熊的訊息回覆 4.3.1 支援一二熊的單聊回覆訊息 4.3.2 支援一二熊在群聊中回覆訊息 4.3.3 使用自訂訊息卡片配置說明文件 4.4 結合AI 實現一二熊的辦公協助工具 4.4.1 支援對飛書文件內容進行總結 4.4.2 支援向指定人員發送訊息通知 4.4.3 支援向指定群發送訊息通知 4.4.4 支援自動拉群並說明拉群用意 4.4.5 支援建立任務並自動生成任務摘要 4.5 本章小結 ▌第5 章 VSCode 自訂外掛程式 5.1 AI 在程式輔助領域的實施 5.1.1 ChatGPT 出色的程式協助工具 5.1.2 OpenAI API 與IDE 外掛程式的結合 5.2 初識VSCode 外掛程式開發 5.2.1 VSCode 外掛程式初始化 5.2.2 VSCode 外掛程式的目錄結構及檔案剖析 5.2.3 VSCode 外掛程式的啟動與本地偵錯 5.2.4 VSCode 外掛程式中單元測試的環境API mock 5.3 VSCode 外掛程式開發常用擴充功能 5.3.1 外掛程式命令 5.3.2 選單項 5.3.3 外掛程式配置項 5.3.4 按鍵綁定 5.3.5 訊息通知 5.3.6 收集使用者輸入 5.3.7 檔案選擇器 5.3.8 建立進度指示器 5.3.9 診斷和快速修復 5.4 特殊判斷值when 子句 5.4.1 when 子句運算子 5.4.2 when 子句內建環境變數 5.4.3 自訂when 子句環境變數 5.5 VSCode 外掛程式支援的工作環境空間 5.5.1 活動欄區域：視圖容器 5.5.2 側邊欄區域：樹狀檢視 5.5.3 狀態列區域：狀態列項目 5.5.4 編輯器組區域：網頁視圖 5.6 使用React 開發Webview 5.6.1 Webview 的React 開發配置 5.6.2 Webview 和Extension 的相互通訊 5.6.3 Webview 的開發者偵錯 5.7 VSCode 外掛程式的聯動與發佈 5.7.1 擴充相依外掛程式 5.7.2 VSCode 外掛程式的發佈 5.8 本章小結 ▌第6 章 程式設計應用：AI 程式開發輔助外掛程式 6.1 在VSCode 外掛程式中實現ChatGPT 6.1.1 專案初始化 6.1.2 外掛程式功能剖析 6.1.3 外掛程式功能配置項註冊 6.1.4 工作列註冊 6.1.5 快取首頁的實現 6.1.6 聊天頁面的實現 6.2 程式語言轉換工具 6.2.1 外掛程式功能剖析 6.2.2 外掛程式功能配置項註冊 6.2.3 支援全檔案語言轉換 6.2.4 支援對全檔案語言轉換結果的追問 6.2.5 支援局部程式語言轉換 6.3 程式審查工具 6.3.1 外掛程式功能剖析 6.3.2 外掛程式功能的配置項註冊 6.3.3 支援單檔案粒度程式AI 診斷 6.3.4 人工的診斷行列匹配 6.3.5 支援對問題程式的AI 快速修復 6.3.6 支援狀態列狀態顯示 6.4 本章小結 ▌第7 章 Hugging Face 開放原始碼模型的私有化部署和微調 7.1 模型私有化部署 7.1.1 什麼是模型私有化部署 7.1.2 使用Anaconda 管理Python 環境 7.1.3 私有化部署ChatGLM3-6B 模型 7.1.4 ChatGLM3-6B 模型的低成本部署 7.2 模型微調 7.2.1 什麼是模型微調 7.2.2 對ChatGLM3-6B 模型進行單機單卡P-Tuning 7.3 開放原始碼AI 社區Hugging Face 7.3.1 什麼是Hugging Face 7.3.2 機器學習函式庫Transformers 7.4 本章小結 ▌第8 章 檢索增強生成技術：向量化與大模型的結合 8.1 檢索增強生成技術介紹 8.1.1 訓練模型是一個高成本的過程 8.1.2 檢索增強生成技術：低成本資訊穿透的實現 8.2 文字向量化 8.2.1 什麼是文字向量化 8.2.2 OpenAI 提供的文字向量化功能 8.2.3 私有化部署Hugging Face 向量化模型 8.3 向量資料庫Chroma 8.3.1 什麼是向量資料庫Chroma 8.3.2 文字向量化及相似度匹配的範例 8.3.3 集合API 8.3.4 相似度距離計算方法 8.3.5 embeddings 向量化函式 8.4 實戰：為ChatGPT 提供知識庫功能 8.4.1 知識庫整體功能剖析 8.4.2 支援檔案上傳至知識庫 8.4.3 支援包含相似搜尋的詢問模式 8.5 本章小結 ▌第9 章 提示詞工程與LL 社區生態 9.1 提示詞工程 9.1.1 英文組織提示詞 9.1.2 明確輸入和輸出 9.1.3 輔助推理鍵 9.1.4 特殊或生僻場景提供範例 9.1.5 分治法：減小模型介入問題的粒度 9.1.6 結構化組織提示詞 9.2 Chat 大模型 9.2.1 文心一言 9.2.2 通義千問 9.2.3 豆包 9.2.4 元寶 9.2.5 Kimi 9.3 AI 應用架設平臺Coze 9.3.1 什麼是Coze 9.3.2 基礎使用 9.3.3 高階功能 9.3.4 Coze 應用的API 呼叫 9.4 本章小結  

人工智慧與應用實務 ─ 從基礎理論到生成式 AI (1版)

類似書籍推薦給您

【簡介】 在 AI 迅猛演化的時代，本書提供一套兼顧理論深度與應用實作的完整教材。全書涵蓋四大部分，橫跨人工智慧的歷史發展、生成式 AI 的應用技巧、倫理與社會影響，以及資料探勘的實作導引。 由淺入深，涵蓋 AI 三大範式：分別講解知識驅動、模型驅動與資料驅動，建立全貌式理解。 生成式 AI 全攻略：詳解人臉辨識、文本生成、影音專案整合等應用，培養內容創作與技術實作能力。 社會責任與倫理反思：針對 AI 衝擊的法律、勞動、教育與永生議題，引導學生批判性思考。 免寫程式的實作入門：利用 Orange Data Mining 等工具設計直覺操作演練，降低入門門檻。 　　本書不僅適合資訊相關科系授課使用，亦為教師設計跨領域課程、以及自學者掌握 AI 應用的強力夥伴。從理論基礎到系統安裝，從社會洞察到內容生成，本書是通往 AI 實踐力與批判力的關鍵橋梁。 【目錄】 第一部分　導　論 1 人工智慧的演進與範疇 2 AI 的應用領域 3 知識驅動人工智慧 4 語意網路與本體論 第二部分　模型驅動的人工智慧 5 人臉辨識與生成應用 6 物件偵測與擴充應用 7 圖片生成與應用 8 文本生成與應用 9 生成式 AI 整合應用（I） 10 生成式 AI 整合應用（II） 第三部分　AI 的社會衝擊 11 全面融合到生活的 AI 浪潮 12 AI 的倫理法律爭議 13 邁向一個更美好的未來 14 虛擬替身與永生的實現 第四部分　資料驅動的資料探勘 15 啟發式與最佳化分類法 16 基於統計的分類方法 17 線性迴歸 18 集群 19 自然語言文本處理 20 物件分類 附錄 附錄A Colab 簡介 附錄B Protege 安裝 附錄C Stable Diffusion 安裝 附錄D Pinokio 安裝 附錄E FaceFusion 安裝 附錄F Orange Data Mining 安裝