AI程式設計、深度學習與LLM入門到精通：PyTorch × GPT × Transformer × LLaMA實作指南（iThome鐵人賽系列書） (1版)

全面掌握AI技術，開創屬於自己的AI之路，晉升專業實戰AI工程師 AI模型優化與實戰入門，矩陣到大型語言模型的完整攻略 理論與實作並行，完整理解AI的邏輯與機制 　　♚AI知識剖析：完整理解數學、程式及實戰案例 　　♚實務能力提升：學會建構、優化並實際應用AI模型 　　♚實戰案例培訓：提供競賽經驗與案例，符合現場實務需求 　　♚前瞻技術學習：掌握從經典模型到Transformer架構 　　本書內容改編自第16屆iThome鐵人賽AI/ ML & Data組佳作系列文章《從零開始學AI：數學基礎與程式碼撰寫全攻略》。本書是專為AI初學者與工程師所寫的實戰指南，涵蓋從數學基礎、NumPy操作到PyTorch建模與經典深度學習架構，強調不只教「怎麼做」，更解析「為什麼這樣做」。 　　作者結合競賽與實務經驗，深入剖析流程邏輯與常見錯誤，帶你掌握資料前處理、特徵選取、模型訓練、效能評估與部署，並逐步理解從感知器到Transformer的核心概念，幫助你真正理解模型原理、具備獨立設計與優化AI模型的能力。 　　【目標讀者】 　　✪想要補足實作能力並加強理解、提升競賽與研究成果的學生與研究者。 　　✪想用多樣的方式理解複雜概念、對AI感興趣的非專業人士。 　　✪想要理解並導入AI技術、強化職場競爭力軟體的開發人員與工程師。 　　✪調整模型成為特定領域專家、使其協助日常生活的專業領域人士。 專業推薦 　　本書最討喜的地方在於理論與實作並重。更難得的是，書中穿插各式實務場景，點出真實專案裡那些惱人的小坑與解法，不只給漂亮結果，而是教你面對雜訊與限制。─ 許芫齊，2025 AI CUP春季賽亞軍 　　本書建立了一個完整的學習流程：大綱引導→動手實作→QA問答，既易於理解，又能引導實作。對初學者而言，它是最穩妥的起點；對已有基礎的讀者，則提供了深化理論、補強實務的完整路徑。─ 蘇連宏，2025 AI CUP春季賽殿軍 　　本書是一套實戰導向的可遷移知識體系，把數學直覺、程式實作、實驗設計與效能量測有機地扣在一起，既能支撐學術研究的嚴謹，也能對接產業場景的效率與可靠度。─ 吳宇祈，國立成功大學 電機工程系碩士 　　本書以六個階段鋪陳學習路徑，先用NumPy把數學與張量運算動手拆開，再平順橋接到PyTorch的現代訓練框架，最後銜接自建模型與經典架構的理解與應用，結構清楚、節點分明，不會迷失方向。─ 陳冠穎，國立成功大學 電機工程系碩士

|Chapter 01| 人工智慧入門與Python環境建置 1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在 1.2 拆解三大核心：人工智慧、機器學習與深度學習 1.3 機器學習的四種學習方式：監督、非監督、強化與遷移 1.4 Python與Jupyter Notebook實作的開發利器 1.5 常見問題與知識總整理 1.6 小結 |Chapter 02| 單層感知器的數學原理與實作入門 2.1 感知器簡介：人工智慧的起點 2.2 前向傳播：從輸入到預測的數學轉換 2.3 損失函數與反向傳播：學習的數學核心 2.4 梯度下降與參數更新：從錯誤中修正的機制 2.5 章節實作：從單層感知器建立到預測輸出 2.6 常見問題與知識總整理 2.7 小結 |Chapter 03| 多層感知器與優化策略實戰 3.1 多層感知器的誕生：破解單層感知器的限制 3.2 MLP結構與數學原理：從輸入到機率輸出 3.3 反向傳播機制：從損失回推模型調整方向 3.4 選擇適當優化器：GD與SGD差異比較 3.5 章節實作：MLP訓練與優化器效能分析 3.6 常見問題與知識總整理 3.7 小結 |Chapter 04| PyTorch環境搭建與深度神經網路實作 4.1 PyTorch安裝與環境驗證  4.2 資料處理與MLP模型訓練流程  4.3 章節實作：MLP在CIFAR-10上的應用  4.4 常見問題與知識總整理  4.5 小結 |Chapter 05| CNN原理與PyTorch實作 5.1 CNN基礎與卷積細節 5.2 章節實作：圖像前處理與可調式CNN模型設計 5.3 常見問題與知識總整理  5.4 小結 |Chapter 06| 文字處理、序列模型與情緒分析實戰 6.1 斷詞與子詞策略 6.2 向量化方法：獨熱編碼 vs 詞嵌入 6.3 循環神經網路（RNN） 6.4 長短期記憶（LSTM） 6.5 門控循環單元（GRU） 6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU） 6.7 常見問題與知識總整理 6.8 小結 |Chapter 07| Seq2Seq與Attention架構解析 7.1 Seq2Seq基礎：Encoder + Decoder 7.2 Attention強化：解決資訊壓縮瓶頸 7.3 章節實作：中英翻譯模型  7.4 常見問題與知識總整理  7.5 小結 |Chapter 08| 萬物皆可Transformer：Encoder與BERT系列 8.1 遷移學習與微調 8.2 Transformer Encoder  8.3 BERT：雙向編碼器預訓練模型  8.4 章節實作：假新聞辨識 with BERT  8.5 常見問題與知識總整理  8.6 小結 |Chapter 09| 萬物皆可Transformer：Decoder與GPT系列 9.1 Transformer Decoder  9.2 GPT-1  9.3 GPT-2：規模、Pre-LN與殘差縮放 9.4 GPT-3：少樣本 / 零樣本與提示學習 9.5 章節實作：微調GPT-2用於翻譯任務 9.6 常見問題與知識總整理 9.7 小結 |Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調 10.1 語音資料格式與特徵萃取  10.2 Whisper模型架構  10.3 QLoRA：高效微調大模型  10.4 章節實作：中文語音辨識微調實作流程  10.5 常見問題與知識總整理  10.6 小結 |Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習 11.1 從提示學習到指示學習 11.2 ChatGPT三階段訓練流程  11.3 LLM架構優化技術  11.4 章節實作：用LLaMA 3訓練繁中聊天機器人 11.5 常見問題與知識總整理  11.6 小結