LLM應用開發 - 業界最實用30個應用現場直擊 (1版)

類似書籍推薦給您

【簡介】 　　本書共分30章，涵蓋30個實用的大語言模型應用專案。 　　第一章介紹美食推薦系統，實作隨機推薦功能；第二章為語言學習平台，結合大模型進行語言對話；第三章為戲文生成工具，自動產出劇情內容；第四章為智慧電影推薦，整合演算法與GUI介面；第五章為影像處理應用，包含影像增強與生成；第六章設計職業匹配系統，分析履歷並提供建議；第七章實作簡歷生成工具，自動填寫履歷內容；第八章為產品推薦系統，根據輸入條件推薦商品；第九章開發文字互動小說專案；第十章為小說創作平台，自動續寫故事內容；第十一章為情緒分析工具，可解析用戶情緒傾向；第十二章實作文字轉影像工具；第十三章提供足球賽事資訊；第十四章為圖書館檢索系統；第十五章為音色轉換工具；第十六章實作智慧換臉應用；第十七章協助撰寫留學文書；第十八章開發寵物照護小幫手；第十九章分析使用者評價內容；第二十章為旅遊地點圖鑑查詢；第二十一章為文案生成助手；第二十二章為菜譜推薦平台；第二十三章為文字校正工具；第二十四章提供網球運動員資訊；第二十五章設計職業推薦系統；第二十六章建構職場知識問答平台；第二十七章為手繪圖像辨識；第二十八章為文獻閱讀助手；第二十九章開發法律諮詢小程式；第三十章實作文風模擬應用。 本書特色 　　★美食推薦與商品推薦系統整合 　　★多輪語言學習與語音互動應用 　　★戲文生成與小說創作自動化 　　★智慧電影推薦與職業媒合系統 　　★履歷生成與留學文書產出流程 　　★職涯推薦與工作技能對應模型 　　★圖片處理、影像生成與換臉技術 　　★情緒分析與使用者評價介面建構 　　★文字轉影像與手繪圖辨識系統 　　★足球與網球運動員資訊查詢模組 　　★菜譜推薦與旅遊圖鑑呈現介面 　　★文案生成與文字校正整合應用 　　★法律諮詢與知識問答服務實作 　　★文風模擬與語體轉換工具開發 　　★前端介面設計與Node.js整合流程 　　★大模型API串接與多語系應用部署  【目錄】 ▌第1 章 美食推薦 1.1 整體設計 1.1.1 整體框架 1.1.2 系統流程 1.2 開發環境 1.2.1 安裝PyCharm 1.2.2 環境配置 1.2.3 建立專案 1.2.4 大模型API 申請 1.3 系統實現 1.3.1 頭部 1.3.2 背景樣式 1.3.3 主體 1.3.4 App.py 指令稿 1.3.5 random_food.py 指令稿 1.4 功能測試 1.4.1 執行專案 1.4.2 發送問題及回應 1.4.3 美食軟體網頁版跳躍 ▌第2 章 語言學習 2.1 整體設計 2.1.1 整體框架 2.1.2 系統流程 2.2 開發環境 2.2.1 安裝VS Code 2.2.2 安裝Node.js 2.2.3 安裝pnpm 2.2.4 環境配置 2.2.5 建立專案 2.2.6 大模型API 申請 2.3 系統實現 2.3.1 頭部 2.3.2 樣式 2.3.3 主體 2.3.4 main.js 指令稿 2.4 功能測試 2.4.1 執行專案 2.4.2 發送問題及回應 ▌第3 章 生成戲文 3.1 整體設計 3.1.1 整體框架 3.1.2 系統流程 3.2 開發環境 3.2.1 安裝VS Code 3.2.2 安裝Node.js 3.2.3 環境配置 3.2.4 大模型API 申請 3.3 系統實現 3.3.1 頭部 3.3.2 樣式 3.3.3 主體 3.3.4 主體 指令稿 3.3.5 其他介面設計 3.4 功能測試 3.4.1 執行專案 3.4.2 發送問題及回應 ▌第4 章 智慧電影 4.1 整體設計 4.1.1 整體框架 4.1.2 系統流程 4.2 開發環境 4.2.1 安裝PyCharm 4.2.2 安裝Python 4.2.3 軟體套件 4.2.4 建立專案 4.2.5 大模型API 申請 4.3 系統實現 4.3.1 主函式Main 4.3.2 推薦演算法 4.3.3 呼叫大模型 4.3.4 主體及GUI 介面 4.4 功能測試 4.4.1 執行專案 4.4.2 發送問題及回應 ▌第5 章 影像處理 5.1 整體設計 5.1.1 整體框架 5.1.2 系統流程 5.2 開發環境 5.2.1 安裝PyQt5 5.2.2 環境配置 5.2.3 大模型API 申請 5.3 系統實現 5.3.1 PyQt5 組件初始化與綁定機制 5.3.2 PyQt5 槽函式的定義 5.3.3 主函式 5.4 功能測試 5.4.1 影像處理功能測試 5.4.2 影像生成功能測試 ▌第6 章 職業匹配 6.1 整體設計 6.1.1 整體框架 6.1.2 系統流程 6.2 開發環境 6.2.1 安裝Anaconda 6.2.2 建立Git 6.2.3 安裝Streamlit 6.2.4 LangChain 的安裝與使用 6.2.5 環境配置 6.2.6 建立專案 6.2.7 大模型API 申請 6.3 系統實現 6.3.1 PDF 讀取剩餘區塊 6.3.2 樣式 6.3.3 模型互動 6.3.4 主程式邏輯 6.4 功能測試 6.4.1 執行專案 6.4.2 發送問題及回應 ▌第7 章 生成履歷 7.1 整體設計 7.1.1 整體框架 7.1.2 系統流程 7.2 開發環境 7.2.1 安裝Node.js 7.2.2 安裝pnpm 7.2.3 環境配置 7.2.4 建立專案 7.2.5 大模型API 申請 7.3 系統實現 7.3.1 頭部 7.3.2 樣式 7.3.3 主體 7.3.4 main.js 指令稿 7.4 功能測試 7.4.1 執行專案 7.4.2 發送問題及回應 ▌第8 章 產品推薦 8.1 整體設計 8.1.1 整體框架 8.1.2 系統流程 8.2 開發環境 8.2.1 安裝PyCharm 8.2.2 環境配置 8.2.3 大模型API 申請 8.3 系統實現 8.3.1 頭部 8.3.2 樣式 8.3.3 主體 8.3.4 App.py 8.4 功能測試 8.4.1 執行專案 8.4.2 發送問題及回應 ▌第9 章 重生之水滸穿越 9.1 整體設計 9.1.1 整體框架 9.1.2 系統流程 9.2 開發環境 9.2.1 安裝Python 9.2.2 安裝Anaconda 9.2.3 環境配置 9.2.4 大模型API 申請 9.3 系統實現 9.3.1 main.py 9.3.2 utils.py 9.4 功能測試 9.4.1 執行專案 9.4.2 發送問題及回應 ▌第10 章 小說創作 10.1 整體設計 10.1.1 整體框架 10.1.2 系統流程 10.2 開發環境 10.2.1 安裝Python 10.2.2 安裝PyCharm 10.2.3 環境配置 10.2.4 建立專案 10.2.5 大模型API 申請 10.3 系統實現 10.3.1 頭部引入 10.3.2 關鍵函式 10.3.3 視窗實現 10.3.4 Spark API 10.4 功能測試 10.4.1 執行專案 10.4.2 發送問題及回應 ▌第11 章 情緒分析 11.1 整體設計 11.1.1 整體框架 11.1.2 系統流程 11.2 開發環境 11.2.1 安裝Anaconda 11.2.2 安裝Tkinter 和OpenAI 函式庫 11.2.3 編輯器環境配置 11.2.4 大模型API 申請 11.3 系統實現 11.3.1 guitest.ipynb 11.3.2 omgtest.ipynb 11.3.3 omgloop.ipynb 11.3.4 main.py 11.4 功能測試 11.4.1 執行專案 11.4.2 發送問題及回應 ▌第12 章 文字轉影像 12.1 整體設計 12.1.1 整體框架 12.1.2 系統流程 12.2 開發環境 12.2.1 安裝Python 12.2.2 安裝PyCharm 12.2.3 安裝PyWebIO 函式庫 12.2.4 大模型API 申請 12.3 系統實現 12.3.1 獲得驗證參數 12.3.2 主程式 12.4 功能測試 12.4.1 執行專案 12.4.2 發送問題及回應 ▌第13 章 足球資訊 13.1 整體設計 13.1.1 整體框架 13.1.2 系統流程 13.2 開發環境 13.2.1 安裝Python 函式庫 13.2.2 大模型API 申請 13.3 系統實現 13.3.1 soccerhelper.py 13.3.2 mainWindow.py 13.3.3 SparkAPI.py 13.4 功能測試 13.4.1 執行專案 13.4.2 發送問題及回應 ▌第14 章 圖書館檢索 14.1 整體設計 14.1.1 整體框架 14.1.2 系統流程 14.2 開發環境 14.2.1 安裝PyCharm 14.2.2 建立Python 虛擬環境 14.2.3 安裝資料庫 14.2.4 建立專案 14.2.5 大模型API 申請 14.3 系統實現 14.3.1 前端HTML 檔案 14.3.2 視圖檔案views.py 14.4 功能測試 14.4.1 成果展示 14.4.2 後端日誌監控 14.4.3 大模型API 呼叫情況 ▌第15 章 音色轉換 15.1 整體設計 15.1.1 整體框架 15.1.2 系統流程 15.2 開發環境 15.2.1 配置PyCharm 解譯器 15.2.2 安裝Python 套件 15.2.3 環境配置 15.2.4 大模型API 申請 15.3 系統實現 15.3.1 視窗設計 15.3.2 呼叫音色轉換 15.3.3 檔案格式轉換 15.3.4 視窗前端和後端業務邏輯連接 15.4 功能測試 15.4.1 執行專案 15.4.2 專案輸出 ▌第16 章 智慧換臉 16.1 整體設計 16.1.1 整體框架 16.1.2 系統流程 16.2 開發環境 16.2.1 安裝Python 函式庫 16.2.2 建立專案 16.2.3 大模型API 申請 16.3 系統實現 16.3.1 主介面類別DisplayWindow 16.3.2 子介面SecondWindow 16.3.3 子介面ThirdWindow 16.3.4 子介面ForthWindow 類別 16.3.5 執行緒類別VideoThread 16.3.6 執行緒類別APICaller 16.3.7 執行緒類別MonitorThread 16.3.8 其他類別FolderHandler 16.3.9 requests.py 檔案 16.4 功能測試 16.4.1 執行專案 16.4.2 拍照 16.4.3 選擇本地影像 16.4.4 搜尋目標人臉 16.4.5 換臉 ▌第17 章 留學文書 17.1 整體設計 17.1.1 整體框架 17.1.2 系統流程 17.2 開發環境 17.2.1 安裝Node.js 17.2.2 安裝Vue.js 17.2.3 大模型API 申請 17.3 系統實現 17.3.1 API.js 17.3.2 headBar.vue 17.3.3 index.vue 17.3.4 App.vue 17.4 功能測試 17.4.1 執行專案 17.4.2 發送問題及回應 ▌第18 章 寵物幫手 18.1 整體設計 18.1.1 整體框架 18.1.2 系統流程 18.2 開發環境 18.2.1 安裝Node.js 18.2.2 安裝pnpm 18.2.3 環境配置 18.2.4 建立專案 18.2.5 大模型API 申請 18.3 系統實現 18.3.1 頭部 18.3.2 樣式style.css 18.3.3 樣式one.css 18.3.4 主體 18.3.5 其餘檔案的主體 18.3.6 main.js 指令稿 18.4 功能測試 18.4.1 執行專案 18.4.2 發送問題及回應 ▌第19 章 使用者評價 19.1 整體設計 19.1.1 整體框架 19.1.2 系統流程 19.2 開發環境 19.2.1 安裝PyCharm 19.2.2 安裝urllib 19.2.3 環境配置 19.2.4 建立專案 19.3 系統實現 19.3.1 匯入執行函式庫 19.3.2 獲得Stoken 19.3.3 獲得回答 19.3.4 主函式 19.4 功能測試 19.4.1 執行專案 19.4.2 發送問題及回應 ▌第20 章 旅遊圖鑑 20.1 整體設計 20.1.1 整體框架 20.1.2 系統流程 20.2 開發環境 20.2.1 安裝Node.js 20.2.2 安裝pnpm 20.2.3 環境配置 20.2.4 建立專案 20.2.5 大模型API 申請 20.3 系統實現 20.3.1 頭部 20.3.2 樣式 20.3.3 主體 20.3.4 main.js 指令稿 20.4 功能測試 20.4.1 執行專案 20.4.2 發送問題及回應 ▌第21 章 文案助手 21.1 整體設計 21.1.1 整體框架 21.1.2 系統流程 21.2 開發環境 21.2.1 安裝Python 21.2.2 安裝PyCharm 21.2.3 安裝PyWebIO 函式庫 21.2.4 大模型API 申請 21.3 系統實現 21.3.1 主程式 21.3.2 API 通訊 21.4 功能測試 21.4.1 執行專案 21.4.2 發送問題及回應 ▌第22 章 食譜推薦 22.1 整體設計 22.1.1 整體框架 22.1.2 系統流程 22.2 開發環境 22.2.1 安裝Node.js 22.2.2 安裝pnpm 22.2.3 環境配置 22.2.4 建立專案 22.2.5 大模型API 申請 22.3 系統實現 22.3.1 頭部 22.3.2 樣式 22.3.3 主體 22.3.4 main.js 指令稿 22.4 功能測試 22.4.1 執行專案 22.4.2 發送問題及回應 ▌第23 章 文字糾錯 23.1 整體設計 23.1.1 整體框架 23.1.2 系統流程 23.2 開發環境 23.2.1 安裝Node.js 23.2.2 安裝pnpm 23.2.3 環境配置 23.2.4 建立專案 23.2.5 大模型API 申請 23.3 系統實現 23.3.1 頭部 23.3.2 樣式 23.3.3 主體 23.3.4 main.js 指令稿 23.4 功能測試 23.4.1 執行專案 23.4.2 發送問題及回應 ▌第24 章 網球運動員 24.1 整體設計 24.1.1 整體框架 24.1.2 系統流程 24.2 開發環境 24.2.1 安裝Python 24.2.2 安裝PyCharm 24.2.3 環境配置 24.2.4 大模型API 申請 24.3 系統實現 24.3.1 頭部 24.3.2 樣式 24.3.3 主體 24.3.4 main.py 指令稿 24.4 功能測試 24.4.1 執行專案 24.4.2 發送問題及回應 ▌第25 章 職業推薦 25.1 整體設計 25.1.1 整體框架 25.1.2 系統流程 25.2 開發環境 25.2.1 安裝PyCharm 25.2.2 大模型API 申請 25.3 系統實現 25.3.1 頭部 25.3.2 樣式 25.3.3 主體 25.3.4 App.py 25.4 功能測試 25.4.1 執行專案 25.4.2 發送問題及回應 ▌第26 章 職場助手 26.1 整體設計 26.1.1 整體框架 26.1.2 系統流程 26.2 開發環境 26.2.1 安裝微信開發者工具 26.2.2 安裝MySQL 26.2.3 安裝Navicat 26.2.4 環境配置 26.2.5 專案啟動 26.2.6 大模型API 申請 26.3 系統實現 26.3.1 小程式全域配置 26.3.2 spark 26.3.3 user 26.3.4 後端伺服器 26.4 功能測試 26.4.1 發送問題及回應 26.4.2 查詢歷史記錄 ▌第27 章 手繪圖像辨識 27.1 整體設計 27.1.1 整體框架 27.1.2 系統流程 27.2 開發環境 27.2.1 安裝微信開發者工具 27.2.2 安裝偵錯基礎函式庫 27.2.3 大模型API 申請 27.3 系統實現 27.3.1 畫板組件 27.3.2 主介面的.js 檔案 27.3.3 .wxml 檔案和.wxss 檔案 27.4 功能測試 27.4.1 執行專案 27.4.2 繪製影像獲得回答 ▌第28 章 文獻閱讀 28.1 整體設計 28.1.1 整體框架 28.1.2 系統流程 28.2 開發環境 28.2.1 配置伺服器端 28.2.2 環境配置 28.2.3 大模型API 申請 28.3 系統實現 28.3.1 前端程式 28.3.2 後端程式 28.4 功能測試 ▌第29 章 法律諮詢 29.1 整體設計 29.1.1 整體框架 29.1.2 系統流程 29.2 開發環境 29.2.1 安裝微信開發者工具 29.2.2 大模型API 申請 29.3 系統實現 29.3.1 index.js 29.3.2 index.wxml 29.3.3 index.wxss 29.3.4 hotline.wxml 29.3.5 hotline.wxss 29.3.6 consult.js 29.3.7 consult.wxml 29.3.8 consult.wxss 29.3.9 lawfirm.js 29.3.10 lawfirm.wxml 29.3.11 lawfirm.wxss 29.3.12 App.js 29.3.13 App.json 29.3.14 App.wxss 29.3.15 Project.config.json 29.4 功能測試 29.4.1 執行專案 29.4.2 發送問題及回應 ▌第30 章 文風模擬 30.1 整體設計 30.1.1 整體框架 30.1.2 系統流程 30.2 開發環境 30.2.1 安裝Python 30.2.2 安裝函式庫和模組 30.2.3 建立專案 30.2.4 大模型API 申請 30.3 系統實現 30.3.1 匯入模組和初始化 30.3.2 建立文字標籤及文風選擇 30.3.3 設置按鈕樣式及模型版本 30.3.4 執行Tkinter 主迴圈 30.4 功能測試 30.4.1 執行專案 30.4.2 發送問題及回應

Vibe Coding CLI 頂級開發：Claude Code 前瞻菁英育成手冊 (1版)

類似書籍推薦給您

【簡介】 　　►►►重量級Claude Code手冊◄◄◄ 　　►►►涵蓋最新更新Agent Skills內容◄◄◄ 　　►►►從新手晉升為高手◄◄◄ 　　★內容介紹 　　☆Vibe Coding 時代第一名的 AI 開發助手 Claude Code☆ 　　☆專案從零到好，Spec Driven Development 的完美實踐☆ 　　沒有疑義，真正的開發「功夫皇帝」- Claude Code，自推出之後儼然成為 CLI 領域最強大的存在。Claude Code 的母公司 Anthropic，正是全球頂尖模型 Claude Sonnet 的研發者，自己的產品搭配最棒的模型，再加上 Cursor 或 VS Code 這類 IDE 的加持，成為你專案的主控中樞。 　　最新 Claude Code 的功能自然完全對齊其 CLI 的特性，有最適合 CLI 的斜線指令、自訂模式、Hooks 系統，settings.json 的深度客製作。而在 AI 的應用方面，更支援了平行處理的 SubAgent、計劃模式、MCP、號稱平替 MCP 的 Agent Skills。 　　在 Spec Driven Development 的完美實踐上，Claude Code 更支援了插入外掛、GitHub 自動回覆 Issues/PR 的 Action，支援主流的 Spec Kit、CCPM等規範，更可以和雲端的模型以及用 Ollama 串接的模型用 LiteLLM 整合。 　　再加上本書完整的實作專案，想成為 Vibe Coding 的頂尖菁英，一本書就讓你從見習生直接跳級成大魔王。 本書特色 　　☆Agent/SubAgent/多平行Agent/計劃模式/全自動模式/多輸出模式/ 　　☆最強 Sonnet 4.5 模型產生任何資料，程式碼、文件、規格、最新Agent Skills 　　☆最棒的上下文管理，自訂指令、Hooks，Plugins、全專案索引、斜線指令 　　☆無限制的工具使用，60 個最常用的 MCP Servers，比 Context7 還強的 Exa 　　☆Jupyter部署到Streamlit雲端平台、Huggingface串AI照片辦識卡路里 　　☆無伺服器 Vercel/Neon結合手機電商平台開發，Xcode 開發 iOS 天氣 App 　　☆LiteLLM/Vertex AI/Ollama 串接Gemini 2.5 Pro 最新及未來模型 　　☆幫你用 Unsloth 訓練推理模型/Gradio 架設，Tailwind 數位指紋網站 【目錄】 ▌第1 部分：基礎篇 第0 章 Claude Code 上手體驗 0.1 直接開始使用Claude Code 寫程式 0.2 Claude Code 開始和使用者互動 0.3 開始正式撰寫程式 0.4 在本機上執行成功 0.5 推送到Huggingface 上 0.6 本章小結 第1 章 Claude Code 必備的基礎知識 1.1 什麼是Vibe Coding 1.2 LLM 的基礎 1.3 Spec Driven Development 的興起 1.4 本章小結 第2 章 Claude Code 這麼強大的原因 2.1 古早時期ChatGPT 聊天程式碼生成 2.2 LLM 開始向外界求救使用工具 2.3 四方協作架構：使用者、Agent 與LLM 的分工 2.4 Agent 中的記憶體機制 2.5 終於可以完整說明Claude Code 的原理 2.6 本章小結 第3 章 安裝及基本使用 3.1 系統需求與準備工作 3.2 安裝Claude Code 3.3 第一次啟動Claude Code 3.4 基本使用方法 3.5 我要使用IDE 還是CLI ？ 3.6 將Claude Code 整合到IDE 3.7 本章小結 第4 章 從現有的專案開始玩起 4.1 從簡單的專案開始上手 4.2 先整合一些必要的工具 4.3 開始體驗Claude Code 4.4 初探記憶體管理 4.5 本章小結 ▌第2 部分：應用篇 第5 章 斜線指令系統 5.1 基礎指令入門 5.2 系統資訊與診斷 5.3 帳號與模型管理 5.4 程式碼審查與品質 5.5 專案管理工具 5.6 團隊協作整合 5.7 環境與介面設定 5.8 會話與上下文管理 5.9 自訂斜線指令 5.10 MCP 動態指令 5.11 檢查點系統 5.12 使用現成的斜線指令 5.13 本章小結 第6 章 CLI 深度應用與自動化 6.1 CLI 基礎操作 6.2 進階參數控制 6.3 權限控制 6.4 模型選擇與動態切換 6.5 非互動模式程式控制 6.6 會話管理與並行處理 6.7 指令總覽 6.8 本章小結 第7 章 CLAUDE.md 與記憶體管理 7.1 CLAUDE.md 記憶檔案系統核心 7.2 記憶檔案結構設計與管理 7.3 記憶系統實戰操作 7.4 專案認知與上下文管理 7.5 記憶系統進階技巧 7.6 本章小結 第8 章 可能取代 MCP 的 Agent Skills 8.1 什麼是Agent Skills ？ 8.2 Skill 的基本結構 8.3 PDF Skill 實例 8.4 Agent Skills 的使用範例 8.5 Claude 內建Agent Skills 介紹 8.6 開發自己的Agent Skill 8.7 本章小結 第9 章 深度客製化 Claude Code 設定檔 9.1 何不讓Claude Code 自己生一個settings.json ？ 9.2 設定檔案系統架構 9.3 基本設定檔結構 9.4 核心設定選項詳解 9.5 權限系統深度設定 9.6 環境變數設定 9.7 進階功能設定 9.8 實際應用範例 9.9 設定管理最佳實務 9.10 本章小結 第10 章 Hooks 自動化機制與進階應用 10.1 快速上手Hooks 10.2 步驟詳解：記錄Shell 指令Hook 10.3 Hook 事件與觸發時機 10.4 官方提供的Hooks 範例 10.5 Hooks 設定檔案完全掌握 10.6 MCP 工具與Hooks 整合 10.7 Hook 輸入輸出格式完整說明 10.8 常見問題與解決方案 10.9 本章小結：Hooks 自動化升級 第11 章 Plugins 外掛系統 11.1 外掛系統的核心優勢 11.2 快速開始：安裝官方外掛 11.3 建立第一個外掛 11.4 安裝和管理外掛 11.5 開發進階外掛 11.6 實戰：建立文件生成外掛 11.7 分享你的外掛 11.8 本章小結 ▌第3 部分：進階篇 第12 章 MCP Server 讓 Claude Code 成為變形金鋼 12.1 完整MCP Server 操作範例 12.2 為什麼需要MCP ？ 12.3 大概介紹一下MCP 的原理 12.4 在Claude Code 中安裝MCP Server 12.5 MCP Server 範圍管理策略 12.6 MCP Server 管理與維護 12.7 MCP 其它的相關功能 12.8 本章小結 第13 章 20+20+20 個最重要的MCP Server 大閱兵 13.1 開發協作工具 13.2 自動化測試與瀏覽器操作 13.3 知識與文件管理 13.4 通訊協作工具 13.5 雲端服務整合 13.6 系統與基礎設施 13.7 資料庫與API 13.8 檔案系統與網路工具 13.9 最受歡迎的20 個MCP 伺服器 13.10 Claude Code 官方推薦的MCP Server 13.11 MCP 集散地 13.12 本章小結 第14 章 Subagent 子代理協作系統 14.1 什麼是Subagent ？ 14.2 Subagent 的設定檔案 14.3 管理Subagent 14.4 有效使用Subagent 14.5 實用的Subagent 範例 14.6 使用Git Worktree 來平行開發 14.7 使用現成的SubAgent 14.8 本章小結 第15 章 輸出樣式（Output Style） 15.1 認識輸出樣式 15.2 切換輸出樣式 15.3 建立自訂輸出樣式 15.4 進階應用：與外部工具整合 15.5 輸出樣式與其他功能的差異 15.6 更多客製化應用 15.7 本章小結 ▌第4 部分：高手篇 第16 章 GitHub Actions 與 CI/CD 整合 16.1 Claude Code GitHub Actions 概述 16.2 快速設定 16.3 實際使用案例與最佳實務 16.4 進階設定與疑難排解 16.5 本章小結 第17 章 將Claude Code 接上自訂的模型 17.1 使用LiteLLM 整合自訂模型 17.2 在Google Vertex AI 上使用自訂模型 17.3 透過LiteLLM 統一Vertex AI 計費 17.4 本章小結 第18 章 Claude Code 網頁版 18.1 Claude Code 網頁版的原理 18.2 Claude Code 網頁版的虛擬環境 18.3 不同網路安全等級的設定 18.4 實例示範 18.5 本章小結 ▌第5 部分：規範驅動開發篇 第19 章 Spec Kit 規格驅動開發 19.1 什麼是規格驅動開發 19.2 安裝與初始化 19.3 指令參考 19.4 快速開始 19.5 實際開發一個應用 19.6 本章小結 第20 章 更了解你 Claude Code 20.1 計算用量的ccusage 指令 20.2 連上只有三分之一價位的GLM 4.6 模型 20.3 Ollama + LiteLLM 帶你玩開源模型 20.4 本章小結 第21 章 用工業化流程來開發 AI 專案 21.1 什麼是AGENTS.md 21.2 Claude Code Spec Workflow 開發 21.3 Claude Code PM 21.4 實戰演練：待辦事項管理應用 21.5 本章小結 ▌第6 部分：完整實例篇 第22 章 Jupyter Notebook 重構成 .py 再變成Streamlit 應用 22.1 Jupyter Notebook 方便驗證但不適合大型專案 22.2 使用Claude Code 重構Notebook 22.3 從Notebook 到Streamlit 儀表板 22.4 從混亂到專業的轉變 22.5 佈署到Streamlit 雲端平台 22.6 本章小結 第23 章 Claude 與 Xcode 的完美整合 23.1 Xcode 中啟用Claude 23.2 新增主題切換功能 23.3 擴充環境資訊顯示 23.4 新增小時級天氣預報 23.5 加入選擇城市功能 23.6 本章小結 第24 章 建立純雲端部署的手機產品電商網站 24.1 無伺服器架構 24.2 先建立一個模板 24.3 繼續增加功能 24.4 本章小結 第25 章 用 Claude Code + Unsloth 訓練具推理能力的大語言模型 25.1 推理模型是什麼？ 25.2 建立Spec kit 專案提示架構 25.3 開始建立專案 25.4 測試專案 25.5 本章小結 後記

現代AI是這麼做出來的：從訓練、演算法到微調全實作 (1版)

類似書籍推薦給您

【簡介】 　　【書籍特點】 　　☆Transformer：自注意力、多頭注意力、位置編碼 　　☆GPT：文字生成、Greedy Search、Beam Search、困惑度評估 　　☆BERT：遮罩語言模型、預訓練、微調、分類任務 　　☆ViT：影像分塊、視覺嵌入、注意力量化 　　☆微調方法：Adapter Tuning、LoRA、P-Tuning 　　☆資料處理：文字清洗、分詞、嵌入向量、資料增強 　　☆混合精度與分散式訓練：Data Parallel、Model Parallel、梯度累積 　　☆對比學習與對抗訓練：SimCLR、GAN、自監督任務 　　☆最佳化器：AdamW、LAMB、動態學習率、Warmup、餘弦退火 　　☆模型壓縮：知識蒸餾、教師學生架構、權重剪枝 　　☆訓練流程：Tokenization、多GPU訓練、訓練中斷與恢復 　　☆微調實作：資料集切分、層級凍結、超參數調整、推理量化 　　【內容簡介】 　　本書共分為12章，涵蓋大模型的建構、訓練與微調流程。 　　第一章介紹Transformer的基本原理，包括自注意力、多頭注意力與位置編碼。第二章說明GPT模型的文字生成機制與實作方法，並比較Greedy與Beam Search等生成策略。第三章講解BERT模型的編碼結構與遮罩語言模型任務，並說明如何應用於分類任務。第四章介紹ViT模型在影像分塊、嵌入與注意力運算上的應用。第五章說明Adapter Tuning、LoRA、P-Tuning等常見微調方法。第六章說明資料清洗、資料增強與嵌入向量生成等處理技術。第七章解釋混合精度訓練、多GPU併行與梯度累積等效率優化技術。第八章涵蓋對比學習與對抗訓練，包括SimCLR與GAN的實作細節。第九章介紹AdamW與LAMB最佳化器，並比較各種動態學習率排程方式。第十章說明知識蒸餾與剪枝，包括教師學生架構與多頭注意力精簡方法。第十一章示範大模型訓練流程，從資料前處理到訓練中斷與恢復。第十二章介紹模型微調的實作，包括資料集切分、參數設定與推理效能調整。  【目錄】 ▌第0 章 引言 一、大模型技術的發展歷史 1. 基於規則和統計學習的早期階段 2. 神經網路與深度學習的崛起 3. Transformer 的誕生與自注意力機制的崛起 4. 預訓練模型的興起：BERT、GPT 和T5 5. 超大規模模型與多模態應用 二、開發環境配置基礎 1. 硬體規格要求 2. 軟體相依與環境架設 3. 常見問題與解決方案 ▌第1 章 Transformer 模型基礎 1.1 Seq2Seq 模型 1.1.1 編碼器－解碼器工作原理 1.1.2 Seq2Seq 結構實現 1.2 分詞與嵌入層 1.2.1 分詞器：將文字轉為嵌入向量 1.2.2 PyTorch 實現嵌入層（將分詞後的結果輸入模型） 1.3 自注意力與多頭注意力機制 1.3.1 自注意力機制計算過程（QKV 矩陣生成和點積運算） 1.3.2 多頭注意力機制與Transformer 1.4 殘差連接與層歸一化 1.4.1 殘差連接層的實現 1.4.2 層歸一化與訓練穩定性 1.5 位置編碼器 1.5.1 位置編碼的計算與實現 1.5.2 位置編碼在無序文本資料中的作用 1.6 本章小結 1.7 思考題 ▌第2 章 GPT 模型文字生成核心原理與實現 2.1 GPT-2 核心模組 2.1.1 層堆疊 2.1.2 GPT-2 中的注意力機制 2.2 GPT 模型的文字生成過程 2.2.1 詳解GPT-2 文字生成過程 2.2.2 Greedy Search 和Beam Search 演算法的實現與對比 2.3 模型效果評估與調優 2.3.1 模型常見評估方法 2.3.2 基於困惑度的評估過程 2.4 本章小結 2.5 思考題 ▌第3 章 BERT 模型核心實現與預訓練 3.1 BERT 模型的核心實現 3.1.1 編碼器堆疊 3.1.2 BERT 的自注意力機制與遮罩任務 3.2 預訓練任務：遮罩語言模型（MLM） 3.2.1 MLM 任務實現過程 3.2.2 如何對輸入資料進行隨機遮掩並預測 3.3 BERT 模型的微調與分類任務應用 3.4 本章小結 3.5 思考題 ▌第4 章 ViT 模型 4.1 影像分塊與嵌入 4.2 ViT 模型的核心架構實現 4.2.1 ViT 模型的基礎結構 4.2.2 自注意力和多頭注意力在影像處理中的應用 4.3 訓練與評估ViT 模型 4.4 ViT 模型與注意力嚴格量化分析 4.5 本章小結 4.6 思考題 ▌第5 章 高階微調策略：Adapter Tuning 與P-Tuning 5.1 Adapter Tuning 的實現 5.2 LoRA Tuning 實現 5.3 Prompt Tuning 與P-Tuning 的應用 5.3.1 Prompt Tuning 5.3.2 P-Tuning 5.3.3 Prompt Tuning 和P-Tuning 組合微調 5.3.4 長文字情感分類模型的微調與驗證 5.4 本章小結 5.5 思考題 ▌第6 章 資料處理與資料增強 6.1 資料前置處理與清洗 6.1.1 文字資料前置處理 6.1.2 文字資料清洗 6.2 文字資料增強 6.2.1 同義詞替換 6.2.2 隨機插入 6.2.3 其他類型的文字資料增強方法 6.3 分詞與嵌入層的應用 6.3.1 深度理解分詞技術 6.3.2 嵌入向量的生成與最佳化 6.3.3 文字前置處理與資料增強綜合案例 6.4 本章小結 6.5 思考題 ▌第7 章 模型性能最佳化：混合精度訓練與分散式訓練 7.1 混合精度訓練的實現 7.2 多GPU 並行與分散式訓練的實現 7.2.1 分散式訓練流程與常規配置方案 7.2.2 Data Parallel 方案 7.2.3 Model Parallel 方案 7.3 梯度累積的實現 7.3.1 梯度累積初步實現 7.3.2 小量訓練中的梯度累積 7.3.3 梯度累積處理文字分類任務 7.4 本章小結 7.5 思考題 ▌第8 章 對比學習與對抗訓練 8.1 對比學習 8.1.1 建構正負樣本對及損失函式 8.1.2 SimCLR 的實現與初步應用 8.2 基於對比學習的預訓練與微調 8.2.1 透過對比學習進行自監督預訓練 8.2.2 對比學習在分類、聚類等任務中的表現 8.3 生成式對抗網路的實現與最佳化 8.4 對抗訓練在大模型中的應用 8.5 本章小結 8.6 思考題 ▌第9 章 自我調整最佳化器與動態學習率排程 9.1 AdamW 最佳化器與LAMB 最佳化器的實現 9.1.1 AdamW 最佳化器 9.1.2 LAMB 最佳化器 9.2 基於梯度累積的最佳化技巧 9.2.1 大量記憶體受限環境 9.2.2 梯度累積的應用場景和參數調整對訓練效果的影響 9.3 動態學習率排程 9.3.1 線性衰減 9.3.2 餘弦退火 9.4 Warmup 與迴圈學習率排程 9.4.1 Warmup 策略實現 9.4.2 迴圈學習率排程 9.4.3 其他幾種常見的動態學習排程器 9.5 本章小結 9.6 思考題 ▌第10 章 模型蒸餾與剪枝 10.1 知識蒸餾：教師－學生模型 10.1.1 知識蒸餾核心過程 10.1.2 教師－學生模型 10.1.3 蒸餾損失 10.2 知識蒸餾在文字模型中的應用 10.2.1 知識蒸餾在文字分類模型中的應用 10.2.2 模型蒸餾效率分析 10.2.3 文字情感分析任務中的知識蒸餾效率對比 10.3 模型剪枝技術 10.3.1 權重剪枝 10.3.2 結構化剪枝 10.3.3 在嵌入式裝置上部署手寫數字辨識模型 10.3.4 BERT 模型的多頭注意力剪枝 10.4 本章小結 10.5 思考題 ▌第11 章 模型訓練實戰 11.1 資料前置處理與Tokenization 細節 11.1.1 大規模文字資料清洗 11.1.2 常用分詞器的使用 11.2 大規模預訓練模型的設置與啟動 11.3 預訓練過程中的監控與中間結果儲存 11.4 訓練中斷與恢復機制 11.5 綜合案例：IMDB 文字分類訓練全流程 11.5.1 資料前置處理與Tokenization 11.5.2 多GPU 與分散式訓練設置 11.5.3 訓練過程中的監控與中間結果儲存 11.5.4 訓練中斷與恢復 11.5.5 測試模型性能 11.6 本章小結 11.7 思考題 ▌第12 章 模型微調實戰 12.1 微調資料集的選擇與準備 12.1.1 資料集準備與清洗 12.1.2 資料集分割 12.1.3 資料增強 12.2 層級凍結與部分解凍策略 12.3 模型參數調整與最佳化技巧 12.4 微調後的模型評估與推理最佳化 12.5 綜合微調應用案例 12.6 本章小結 12.7 思考題

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  

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