人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

AI開發的機器學習系統設計模式 (1版)

類似書籍推薦給您

內容簡介 　　幫助您更了解如何實務開發中應用機器學習技術 　　本書是機器學習系統設計模式的集合，範例使用的平台是Docker和Kubernetes，以確保程式碼的可重複執行。本書描述機器學習從訓練、評估和QA，到發布和運行推理器的順序，以及架構和代碼。藉由本書的指引，能夠幫助您更有效地使用機器學習的技術，將其應用在實際的系統開發中。 　　本書可以幫助您： 　　．了解如何MLOps這種機器學習付諸實用的開發維護方法 　　．了解建置機器學習系統的方法，包括專為機器學習設計的系統（機器學習管線或實驗管理）與專為使用機器學習設計的系統（發佈或推論器），以實現MLOps 　　．了解改善機器學習系統品質的方法，以及如何透過後續的維護改善模型 來自讀者的讚譽 　　＂蘊含了MLOps的精華＂ 　　＂詳細介紹了如何開發在商業環境中應用機器學習的系統＂ 　　＂資訊豐富，是開發大型系統極佳的參考資料＂ 目錄 Part I｜機器學習與MLOps CHAPTER 1 何謂機器學習系統？ 1.1 機器學習、MLOps、系統 1.2 目標是打造方便使用者的機器學習 1.3 機器學習系統所需的東西 1.4 讓機器學習系統模式化 1.5 本書的編排方式 Part II｜建立機器學習系統 CHAPTER 2 建置模型 2.1 建置模型 2.2 反面模式｜Only me 模式 2.3 專案、模型與版本管理 2.4 管線學習模式 2.5 批次學習模式 2.6 反面模式｜複雜管線模式 CHAPTER 3 發佈模型 3.1 學習環境與推論環境 3.2 反面模式｜版本不一致模式 3.3 模型的發行與推論器的運作 3.4.1 用例 3.5 Model loader 模式 3.6 模型的發行與水平擴充 CHAPTER 4 建立推論系統 4.1 為什麼要建立系統 4.2 Web Single 模式 4.3 同步推論模式 4.4 非同步推論模式 4.5 批次推論模式 4.6 前置處理推論模式 4.7 微服務串聯模式 4.8 微服務並聯模式 4.9 時間差推論模式 4.10 推論快取模式 4.11 資料快取模式 4.12 推論器範本模式 4.13 Edge AI模式 4.14 反面模式｜Online Big Size 模式 4.15 反面模式｜All in One 模式 Part III｜品質、維護、管理 CHAPTER 5 維護機器學習系統 5.1 機器學習的應用 5.2 推論日誌模式 5.3 推論監控模式 5.4 反面模式｜無日誌資料模式 5.5 反面模式｜孤兒模式 CHAPTER 6 維持機器學習系統的品質 6.1 機器學習系統的品質與維護 6.2 機器學習系統的正常性評估指標 6.3 負載測試模式 6.4 推論斷路器模式 6.5 Shadow A／B測試模式 6.6 線上A／B測試模式 6.7 參數基礎推論模式 6.8 條件分歧推論模式 6.9 反面模式｜純離線模式 CHAPTER 7 End-to-End 的 MLOps 系統設計 7.1 課題與手法 7.2 需求預測系統的範例 7.3 內容上傳服務的範例 7.4 總結

內行人才知道的機器學習系統設計面試指南

類似書籍推薦給您

【簡介】 這本最新的面試指南提供了大量具有高度相關性的深入洞見，為讀者解鎖ML系統設計面試的整個程序。科技業長期以來一直缺乏這樣的資源，而作者則是用本書給出了解方。 — Eddie Santos，Block機器學習工程師 本書是ML專業人士的重要資源，針對各領域的ML系統設計，提供了極為精彩的實用資訊。對於任何有興趣學習系統設計應用知識的人來說，本書可說是非常完美，也是準備面試時非常理想的參考資源！ — Aishwarya Srinivasan，Google資料科學家 在ML相關的各種面試中，ML系統設計可說是最具有挑戰性的主題之一，這類的職位有可能包括資料工程師、資料科學家、 ML工程師等等。 如果你正打算準備參加ML面試，無論初學者還是經驗豐富的工程師，本書就是為你而寫的。 想像一下，在一場競爭激烈的ML面試中，面試官要求你設計一套端到端的ML系統，可能是視覺搜尋、偵測違反社群守則的字詞，或廣告點擊預測。 你知道，這些題目沒有標準答案，真正的挑戰在於你如何思考，如何深入理解各種ML主題，最後設計出一個既複雜又實用的系統。 面試官會仔細評估你的設計過程、在多種設計選項中你如何做出權衡取捨。最重要的是，你是否有能力成功設計出一個有效的ML系統。 該如何在這樣的面試中脫穎而出，順利成為一名成功的ML工程師呢？ 本書以7步驟框架、10個真實案例及211個圖表，提供機器學習系統設計面試的強化策略。 ML系統設計的面試考題，主要是想評估應試者能否設計出一些端對端的ML系統（例如視覺搜尋、影片推薦、廣告點擊的預測……等等）。這些考題通常都缺乏清晰的結構，涵蓋的主題範圍也比較廣泛，往往相當具有挑戰性；而且通常不會有很明確的答案，所以很可能有多種不同的解釋方式與解法。 總體來說，面試的目標就是要評估應試者能不能應用ML的理論知識，設計並實作出真正有效的系統。 本書有哪些內容？ 關於面試官真正想找的人以及背後的緣由，提供內行人真正的看法。 7步驟框架 可用來解決任何ML系統設計面試問題。 10個ML系統設計面試實戰題 以及詳細的解決方案。 211張圖表 更直觀解釋了各種系統的原理。 【目錄】 Chapter 1 簡介與概述 Chapter 2 視覺搜尋系統 Chapter 3 Google 街景模糊化系統 Chapter 4 YouTube 影片搜尋 Chapter 5 有害內容偵測 Chapter 6 影片推薦系統 Chapter 7 活動推薦系統 Chapter 8 社群平台的廣告點擊預測 Chapter 9 短期租屋平台的類似選項 Chapter 10 個人動態訊息 Chapter 11 你或許認識的朋友

AI與機器學習賦能的晶片設計與製程協同優化 (1版)

類似書籍推薦給您

【簡介】 GenAI 重塑半導體的未來 面對摩爾定律（Moore's Law）趨緩的巨大挑戰，半導體產業迫切需要新的突破點。這本書正是為了解決這個每年耗費產業數百億美元的「效率黑洞」而生。 《AI與機器學習賦能的晶片設計與製程協同優化》旨在為讀者提供一套可實踐的DTCO.ML框架，展示如何運用 Machin Learning（ML）與 Generative AI（GenAI）技術，為晶片製程注入新的加速力。掌握製程變異性並優化晶片能效，徹底擺脫耗時、昂貴的實體試產（Tape-out）試錯循環。 您將學會：透過數據驅動，將良率（Yield）提升從依賴漫長試錯轉變為可預測、可控制的快速回報（Accelerated ROI）；在每一次產品迭代中，實現顯著的能效（Energy Efficiency）飛躍；以及如何為您的團隊贏得數個月的產品上市時間（TTM）競爭優勢。 無論您是渴望提升效率的晶片設計工程師、製程研發專家，或是尋求產業「再加速」策略的管理者，本書都將為您提供經過驗證的AI 賦能策略與執行藍圖。掌握DTCO 的未來，從這裡開始。 【目錄】 推薦序 AI 驅動的半導體晶片設計能效與生產力革命 第一部分： 設計與製程協同優化（Design Technology Co-Optimization, DTCO） 第1 章 DTCO 概述與發展 1.1 為生產力而設計（Design for Productivity）的核心理念 1.2 極致能效設計方法論（Design for Ultimate Efficiency） 1.3 DTCO 的未來發展方向 第2 章 推動DTCO 的關鍵挑戰與策略 2.1 DTCO 實施面臨的主要挑戰 2.2 設計方法創新需求 2.3 生產力優化平台建置 第3 章 晶片能效與生產力優化實踐 3.1 項目啟動前的準備工作 3.2 客製化元件與時序策略（Timing Signoff Strategy） 3.3 製程優化分析技術 3.4 補償機制的設計與實施 3.5 近臨界電壓技術的需求與挑戰 第二部分：DTCO.ML ™：機器學習驅動的半導體流程優化 第4 章 機器學習與DTCO 的融合（DTCO.ML ™） 4.1 虛擬晶圓數據建模（Virtual Silicon） 4.2 迴歸模型的構建與推論 4.3 數據追蹤與產能優化的應用 第5 章 元件庫特徵萃取與分析系統（Library Metric Extraction, libMetric ™） 5.1 元件時序與功耗建模 5.2 標準元件特徵萃取（Cell Feature Extraction） 5.3 RO Simulation 5.4 標準元件庫批量PPA 基準評估 第6 章 晶片內感測器設計與整合（GRO Compiler） 6.1 目標導向的RO 設計 6.2 SPICE-Silicon 相關性分析 6.3 製程追蹤與調整 6.4 晶片內局域電壓分析 6.4.1 晶片內局域電壓分布監測 6.4.2 補償策略制定 6.4.3 動態時序餘量警示與布局 6.5 GRO 自動化工具與驗證流程 第7 章 數據分析與機器學習平台（Copernic ™） 7.1 數據標準化與可視化實踐 7.2 多維資料的跨域映射 7.3 設計流程整合策略 7.3.1 WAT-aware Timing Re-K 7.3.2 WAT-CP 映射與相關性分析 7.3.3 OCV Analysis 7.4 晶片內變異性（OCV）分析與設計餘量優化 7.5 後矽製程分析與優化（Post-Silicon Analysis and Optimization） 第8 章 晶片性能評等策略與優化（Binning-PG ™） 8.1 晶片評等與分箱策略對生產力的影響 8.2 晶片體質的分析與挑戰 8.3 分箱策略生成（Binning Policy Generation, Binning-PG ™） 8.4 策略生成自動化與優化 8.5 晶片內自分級應用（On-chip Self-binning） 第三部分：DTCO.GenAI ™：生成式AI 驅動的晶片設計創新 第9 章 生成式AI 與DTCO 融合（DTCO.GenAI ™） 9.1 傳統建模方法的局限性分析 9.2 按圖索驥：Multivariate Normal Distribution 9.3 虛擬晶片數據在DTCO 中的實際應用（DTCO.VS） 第10 章 DTCO.VS 虛擬晶圓數據生成技術（Virtual Silicon） 10.1 資料集準備 10.2 基於生成對抗網路的虛擬晶片數據（GAN-based Virtual Silicon, GAN-VS） 10.2.1 GAN 模型 10.2.2 GAN 模型性能評估 10.3 基於擴散模型的虛擬晶片數據（Diffusion Model-based Virtual Silicon, DM-VS） 10.3.1 去噪擴散概率模型（Denoising Diffusion Probabilitic Model） 10.3.2 Diffusion 模型性能評估 第11 章 Generative AI 驅動的晶片能效優化與建模 11.1 WAT 超分辨率（WAT Super Resolution, WATSR） 11.2 高效矽製程偏移建模（High-Efficiency SPICESilicon Bias Modeling, He-SSBM） 11.2.1 One-shot SPICE-Silicon N/P Correlation的設計原理 11.2.2 設計與防守策略優化 11.3 高效蒙地卡羅仿真近似（High-Fidelity Generative Monte Approximation, HΣ-GMA） 11.3.1 傳統Monte Carlo 方法的限制 11.3.2 生成式神經網路的創新應用 第12 章 結論與展望 12.1 機器學習與AI 賦能DTCO：革新晶片設計與製程優化（DTCO.ML ™） 12.2 生成式AI 驅動優化的未來趨勢（DTCO. GenAI ™） 12.3 創新EDA 開發與未來展望 附　錄 開源資源表列 參考文獻表列 專業術語表 

設計機器學習系統: 迭代開發生產環境就緒的ML程式 (1版)

類似書籍推薦給您

特色 「簡而言之，這是關於如何在公司構建、部署和擴展機器學習模型以獲得最大影響的最佳書籍。 」 —Josh Wills WeaveGrid軟體工程師和前任Slack資料工程總監 「在蓬勃發展但混亂的生態系統中，提供了ML從端到端的原則性視角，既是地圖又是指南針；大型科技公司內外的從業者必讀。」 —Jacopo Tagliabue Coveo人工智慧總監 機器學習系統既複雜又獨特，複雜之處在於系統組件繁多，並涉及許多不同的持份者。獨特之處在於系統依賴資料，且資料在不同使用案例中大有不同。在本書，您將學習一種整體方法來設計可靠、可擴展、可維護，並能適應不斷變化環境和業務需求的機器學習系統。 Claypot AI的聯合創始人、作者Chip Huyen考慮了每項設計決策—如何處理和創建訓練資料、使用哪些功能、重新訓練模型的頻率以及監控範圍，讓系統全面達標。本書提出的迭代框架結合實際案例研究，案例背後具大量參考文獻支持。 本書將幫助您應對以下場景： ‧規劃資料並選擇正確的指標來解決業務問題 ‧自動化流程以持續開發、評估、部署和更新模型 ‧開發監控系統，以快速檢測和解決模型在生產環境可能遇到的問題 ‧構建跨用例服務的ML平台 ‧開發負責任的機器學習系統 作者 Chip Huyen 是實時機器學習平台Claypot AI的聯合創辦人。她曾於NVIDIA，Netflix，及Snorkel AI工作，從中幫助了全球最大型的機構開發和部署ML系統。Chip以自己在斯坦福大學任教的課程「CS 329s：機器學習系統設計」作為本書藍本。 目錄 前言 第1章 機器學習系統概覽 第2章 機器學習系統設計簡介 第3章 資料工程基礎 第4章 訓練資料 第5章 特徵工程 第6章 模型開發和離線評估 第7章 模型部署和預測服務 第8章 資料分布轉移和監控 第9章 在生產中持續學習和測試 第10章 MLOps 的基礎設施和工具 第11章 涉及人類的機器學習 結語 索引

大數據分析與應用實戰：統計機器學習之資料導向程式設計 (1版)

類似書籍推薦給您

書名：大數據分析與應用實戰：統計機器學習之資料導向程式設計 作者：鄒慶士 出版社：東華 出版日期：2019/04/01 ISBN：9789574363407 內容簡介 本書特色 　　•文字說明、程式碼與執行結果等交叉呈現，有助於閱讀理解。 　　•來自不同領域的資料處理與分析範例。 　　•同時掌握資料分析兩大主流工具 - R 與 Python。 　　•凸顯第四代與第三代程式語言不同之處。 　　•深入淺出地介紹統計機器學習理論與實務。 　　•符合 iPAS 經濟部產業人才能力鑑定巨量資料分析師各科評鑑主題。 目錄 第一章資料導向程式設計 1.1 套件管理 1.1.1 基本套件 1.1.2 建議套件 1.1.3 貢獻套件 1.2 環境與輔助說明 1.3 R 語言資料物件 1.3.1 向量 1.3.2 矩陣 1.3.3 陣列 1.3.4 串列 1.3.5 資料框 1.3.6 因子 1.3.7 R 語言原生資料物件取值 1.3.8 R 語言衍生資料物件 1.4 Python 語言資料物件 1.4.1 Python 語言原生資料物件操弄 1.4.2 Python 語言衍生資料物件取值 1.4.3 Python 語言類別變數綸碼 1.5 向量化與隱式迴圈 1.6 編程範式與物件導向概念 1.6.1 R 語言 S3 類別 1.6.2 Python 語言物件導向 1.7 控制敘述與自訂函數 1.7.1 控制敘述 1.7.2 自訂函數 1.8 資料匯入與匯出 1.8.1 R 語言資料匯入及匯出 1.8.2 Python 語言資料匯入及匯出 1.9 程式除錯與效率監測 第二章資料前處理 2.1 資料管理 2.1.1 R 語言資料組識與排序 2.1.2 Python 語言資料排序 2.1.3 R 語言資料變形 2.1.4 Python語言資料變形 2.1.5 R 語言資料清理 2.1.6 Python 語言資料清理 2.2 資料摘要與彙總 2.2.1 摘要統計量 2.2.2 R 語言群組與摘要 2.2.3 Python 語言群組與摘要 2.3 屬性工程 2.3.1 屬性轉換與移除 2.3.2 屬性萃取之主成份分析 2.3.2.1奇異值矩陣分解 2.3.3 屬性挑選 2.3.4 小結 2.4 巨量資料處理概念 2.4.1 文字資料處理 2.4.2 Hadoop 分散式檔案系統 2.4.3 Spark 叢集訓計算框架 第三章統計機器學習基礎 3.1 隨機誤差模型 3.1.1 統計機器學習類型 3.1.2 過度配適 3.2 模型績效評量 3.2.1 迴歸模型績效指標 3.2.2 分類模型績效指標 3.2.2.1 模型預測值 3.2.2.2 混淆矩陣 3•2.2.3 整體指標 3.2.2.4 類別相關指標 3.2.3 模型績效視覺化 3.3 模型選擇與評定 3.3.1 重抽樣與資料切分方法 3.3.2 單類模型參數調校 3.3.2.1 多個參數待調 3.3.2.2 客製化參數調校 3.3.3 比較不同類的模型 3.4 相似性與距離 3.5 相關與獨立 3.5.1 數值變數與順序尺度類別變數 3.5.2 名目尺度類別變數 3.5.3 類別變數視覺化關聯檢驗 第四章非監督式學習 4.1 資料視覺化 4.1.1 圖形文法繪圖 4.2 關聯型態探勘 4.2.1 關聯型態評估準則 4.2.2 線上音樂城關聯規則分析 4.2.3 結語 4.3 集群分析 4.3.1 k 平均數集群 4.3.1.1 青少年市場區隔案例 4.3.2 階層式集群 4.3.3 密度集群 4.3.3.1 密度集群案例 4.3.4 集群結果評估 4.3.5 結語 第五章監督式學習 5.1 線性迴歸與分類 5.1.1 多元線性迴歸 5.1.2 偏最小平方法迴歸 5.1.3 脊迴歸、LASSO 迴歸與彈性網罩懲罰模型 5.1.4 線性判別分析 5.1.4.1 貝氏法 5.1.4.2 費雪法 5.1.5 羅吉斯迴歸分類與廣義線性模型 5.2 非線性分類與迴歸 5.2.1 天真貝式分類 5.2.1.1手機簡訊過濾案例 5.2.2 k 近鄰法分類 5.2.2.1 電離層無線電訊號案例 5.2.3 支援向量機分類 5.2.3.1 光學手寫字元案例 5.2.4 分類與迴歸樹 5.2.4.1 銀行貸款風險管理案例 5.2.4.2 酒品評點迴歸樹預測 5.2.4.3 小結 第六章其它學習方式 6.1 薈萃式學習 6.1.1 拔靴集成法 6.1.2 多模激發法 6.1.2.1 房價中位數預測案例 6.1.3 隨機森林 6.1.4 小結 6.2 深度學習 6.2.1 類神經網路簡介 6.2.2 多層感知機 6.2.2.1 混凝土強度佔計案例 6.2.3 卷積神經網路 6.2.4 遞歸神經網路 6.2.5 自動編碼器 6.2.6 受限波茲曼機 6.2.7 深度信念網路 6.2.8 深度學習參數調校 6.3 強化式學習