踏上生成式AI自學之路: 從底層技術、程式實作到企業應用 (1版)

類似書籍推薦給您

【簡介】 　　「人工智慧 (Artificial Intelligence, AI) 」 一詞，最早可追溯至20世紀中英國數學家艾倫．圖靈發表的論文Computing Machinery and Intelligence。隨著時間推移，硬體與軟體技術的迅速進步讓電腦運算速度大幅提升、成本顯著下降，並且配合演算法領域的卓越研究成果，人工智慧領域不再是遙不可及的夢想。21世紀初，AlphaGo達到可以對決頂尖圍棋高手的程度，到了2022年，OpenAI正式推出ChatGPT，更讓人工智慧真正普及到大眾生活。   　　生成式AI在各行各業專業領域中帶來重大變革，本書能幫助您突破生成式AI的工具性操作，深入了解其背後的技術、應用與影響力。全書共有七個章節，內容涵蓋生成式AI的底層邏輯、實務操作、企業管理策略等三個面向。   　　第一到三章聚焦於生成式AI的底層邏輯，會依序介紹AI先備知識、經典模型以及生成式AI 核心架構：Transformer，即便您沒有資訊背景也能夠讀懂。第四到六章聚焦於生成式AI的實務操作，介紹提示工程(Prompt Engineering)，教您如何讓生成式AI產出高品質的回應，並手把手地帶您使用ChatGPT API 實作兩個小專案：檢索增強生成(RAG)以及網站智能客服。第七章聚焦於生成式AI的企業管理策略，針對企業最迫切關注的議題：如何導入生成式AI，提出淺見與看法。 【目錄】 序言 1從AI 到生成式AI 1-1 生成式AI 的演進 1-2 生成式AI 的應用 1-3 生成式AI 的挑戰 2生成式AI 先備知識 2-1 機器學習 2-2 深度學習 2-3 自然語言處理與理解 2-4 文字轉向量 2-5 大型語言模型 2-6 RNN 遞迴神經網路 2-7 LSTM 長短期記憶模型 2-8 GAN 生成對抗網路 3 Transformer 深入淺出 3-1 Transformer 簡介 3-2 Transformer 輸入 3-3 Transformer 編碼器 3-4 Transformer 解碼器 3-5 Transformer 輸出 3-6 Google Titans 模型 3-7 DeepSeek R1 模型 4提示工程 4-1 提示工程簡介 4-2 指令微調(Prompt-Tuning) 4-3 上下文學習(In-Context Learning) 4-4 大模型微調(Fine-Tuning) 4-5 思維鏈(Chain of Thought) 4-6 客製化指令 5實作檢索增強生成 5-1 前置作業 5-2 準備目標檔案 5-3 切割目標檔案 5-4 建立向量資料庫 5-5 檢索合適的回答 5-6 問答 5-7 聊天 6實作網站智能客服 6-1 工具準備 6-2 建立主機空間 6-3 建立網站 6-4 編輯網頁 6-5 網站上網 6-6 建立系統後端 6-7 建立系統前端 7企業導入生成式AI 7-1 人工智慧原則 7-2 企業面臨的挑戰 7-3 生成式AI 的導入流程 7-4 未來趨勢—AI 代理 結語 看更多

機器學習─Python程式實作 (1版)

類似書籍推薦給您

【簡介】 內容涵蓋機器學習三大主題：監督式學習、無監督式學習與強化式學習。 採用生動活潑的範例，以深入淺出、圖文並茂的方式，建立良好的理論基礎。 搭配 Python 程式實作，實現「做中學」的學習理念。 提供豐富的學習資源，包含：數學背景、練習題等，厚植機器學習技術研發能力。 【目錄】 Chapter 1 介　紹 Chapter 2 端到端機器學習 Chapter 3 迴　歸 Chapter 4 貝氏分類器 Chapter 5 k-最近鄰 Chapter 6 支援向量機 Chapter 7 決策樹 Chapter 8 隨機森林 Chapter 9 提升方法 Chapter 10 類神經網路 Chapter 11 k-Means分群 Chapter 12 DBSCAN Chapter 13 高斯混合模型 Chapter 14 主成分分析 Chapter 15 t-SNE Chapter 16 強化式學習 附錄 數學背景 習題參考解答 參考文獻

Python量化研究實作：Deepnote雲端平台應用 (1版)

類似書籍推薦給您

【簡介】 ⊙理論與實作兼具，從基礎概念→分析步驟→報表解讀與製作，主題式手把手教學與說明。 ⊙應用雲端平台即時分析、評論與協作完成分析專案。 ⊙分析歷程透明化且支持重現分析與線上展示成果。 ⊙可整合大數據分析與次級資料應用。 ⊙內容包含效度與信度分析、描述統計、平均數差異與變異數分析、相關與迴歸、中介與調節效應、結構方程模式等，為研究者提供有力支持。 ⊙本書附範例資料檔，至五南官網https://www.wunan.com.tw/，搜尋書號1H3S即可找到下載處。 本書旨在引導讀者從概念到實作，整合常用統計方法，分為「基礎概念、分析步驟、報表解讀與製作」三大部分說明，並附有練習題加強實務能力。書中範例也提供數據與程式碼下載，幫助讀者快速上手，提升學習效率。 內容適用範圍廣泛，無論是學位論文、期刊論文，還是專題報告與數據分析，都能為研究者提供有力支持。對於初學者，書中簡要解釋專有名詞與統計分析策略，能幫助快速入門；對於進階使用者，Python的多元擴展性與視覺化圖示則為更深入的分析需求提供強大助力。 ※本書另有線上課程，可透過系統化地引導閱聽者從概念到實作，容易聚焦與跟著實作學習。（課程相關資訊，可至五南線上學院官網https://www.wunan.com.tw/tch_home查詢） 【目錄】 Chapter01　Python整合開發環境：Deepnote雲端平台介紹 一、前言 二、Deepnote分析平台介紹 三、Deepnote基本操作 四、探索性數據分析與數據清理簡介 Chapter02　量化研究的概念 一、量化研究流程 二、量化研究架構 三、變數測量的類型 四、統計分析方式基本概念 五、數據來源 Chapter03　量化研究問卷設計 一、量化研究問卷設計要考量什麼 二、數據編碼簿與編碼 三、研究問卷、編碼簿與編碼作業 Chapter04　問卷量表的效度與信度分析 一、概念 二、範例說明 三、探索性因素分析 四、驗證性因素分析 Chapter05　描述統計 一、概念 二、範例說明 三、變數描述統計的次數與百分比 四、變數描述統計的平均數、標準差、最小值、中位數與最大值 五、數學運算 六、數值轉換與重新編碼 Chapter06　平均數差異與變異數分析 一、概念 二、單一樣本t檢定 三、獨立樣本t檢定 四、相依樣本t檢定 五、單因子變異數分析 六、單因子重複量數變異數分析 七、二因子變異數分析：交互作用不顯著 八、二因子變異數分析：交互作用顯著 九、二因子變異數混合設計分析 Chapter07　相關與迴歸 一、概念 二、範例說明 三、Pearson 積差相關 四、多元迴歸分析 五、階層迴歸分析 Chapter08　中介與調節效應 一、概念 二、範例說明 三、簡單中介效應分析 四、簡單調節效應分析 五、PROCESS Macro中介效應分析 六、PROCESS macro中介調節效應分析 Chapter09　結構方程模式 一、概念 二、範例說明 三、結構方程模式 參考文獻

開源閉源LLM應用：從微調到RAG、Agent完整開發實作 (1版)

類似書籍推薦給您

【簡介】 ★人工智慧的起源與發展歷程 ☆機器學習的基本概念與分類方法 ★神經網路的基礎結構與演化歷程 ☆自然語言處理技術的發展與應用 ★大型語言模型的構建原理與應用範疇 ☆互動格式種類與ChatGPT介面詳解 ★提示工程的原理、組成與實用技巧 ☆工作記憶與長短期記憶的管理策略 ★外部工具的整合方法與應用實例 ☆ChatGPT擴充功能與Assistants API解析 ★自主Agent系統的架構設計與案例分析 ☆大型語言模型的安全技術與防護措施 【內容簡介】 本書涵蓋人工智慧的起源與發展，從達特茅斯會議探討機器思考，到現代大型語言模型的構建與應用，深入解析機器學習的概念、分類及運作，並介紹神經網路的結構與演變。自然語言處理技術部分展示NLP在科技中的應用，大型語言模型章節探討文字生成、自回歸模型與訓練過程，並指出其局限。入門部分介紹Completion、ChatML和Chat Completion等互動格式，詳解ChatGPT介面運作。提示工程章節涵蓋提示原理、組成與技巧，提升AI模型表現。工作記憶與長短期記憶管理探討減輕記憶負擔的方法及其對AI效率的影響。外部工具整合與應用實例展示如何增強AI功能，介紹基於提示和微調的工具如Self-ask、ReAct及Toolformer。ChatGPT擴充功能與Assistants API解析讓讀者了解如何定制和擴展AI應用，自主Agent系統章節通過案例展示其設計與應用潛力。進階部分探討無梯度最佳化、自主Agent系統及微調技術，提供深入研究與開發AI的知識。最後，大型語言模型的安全技術與防護措施闡述提示注入攻擊、防禦策略、越獄攻擊、資料投毒及模型浮水印方法，保障AI系統安全。 【目錄】 ▌第1 篇 基礎 第1 章 從人工智慧的起源到大型語言模型 1.1 人工智慧的起源 1.1.1 機器能思考嗎 1.1.2 達特茅斯會議 1.2 什麼是機器學習 1.2.1 演繹推理與歸納推理 1.2.2 人工程式設計與自動程式設計 1.2.3 機器學習的過程 1.2.4 機器學習的分類 1.3 什麼是神經網路 1.3.1 還原論與湧現性 1.3.2 神經網路的發展歷史 1.3.3 神經網路基礎 1.3.4 神經網路的三要素 1.4 自然語言處理的發展歷程 1.4.1 什麼是自然語言處理 1.4.2 文字的向量化 1.4.3 神經網路中的自監督學習 1.5 大型語言模型 1.5.1 什麼是大型語言模型 1.5.2 語言模型中的token 1.5.3 自回歸模型與文字生成 1.5.4 統一自然語言任務 1.5.5 大型語言模型的訓練過程 1.5.6 大型語言模型的局限性 ▌第2篇 入門 第2章 互動格式 2.1 Completion 互動格式 2.2 ChatML 互動格式 2.3 Chat Completion 互動格式 第3 章 提示工程 3.1 什麼是提示工程 3.2 提示的組成 3.3 提示的基礎技巧 3.3.1 在提示的末尾重複關鍵指令 3.3.2 使用更清晰的語法 3.3.3 儘量使用範例 3.3.4 明確要求大型語言模型回覆高品質的回應 3.4 Chat Completion 互動格式中的提示 3.5 提示範本與多輪對話 第4 章 工作記憶與長短期記憶 4.1 什麼是工作記憶 4.2 減輕工作記憶的負擔 4.2.1 Chain-of-Thought 4.2.2 Self-Consistency 4.2.3 Least-to-Most 4.2.4 Tree-of-Tought 和Graph-of-Tought 4.2.5 Algorithm-of-Tought 4.2.6 Chain-of-Density 4.3 關於大型語言模型的思考能力 4.4 長短期記憶 4.4.1 什麼是記憶 4.4.2 短期記憶 4.4.3 長期記憶 第5 章 外部工具 5.1 為什麼需要外部工具 5.2 什麼是外部工具 5.3 使用外部工具的基本原理 5.4 基於提示的工具 5.4.1 Self-ask 框架 5.4.2 ReAct 框架 5.4.3 改進ReAct 框架 5.5 基於微調的工具 5.5.1 Toolformer 5.5.2 Gorilla 5.5.3 function calling 第6 章 ChatGPT 介面與擴充功能詳解 6.1 OpenAI 大型語言模型簡介 6.2 ChatGPT 擴充功能原理 6.2.1 網頁即時瀏覽 6.2.2 執行Python 程式 6.2.3 影像生成 6.2.4 本地檔案瀏覽 6.3 Chat Completion 介面參數詳解 6.3.1 模型回應傳回的參數 6.3.2 向模型發起請求的參數 6.4 Assistants API 6.4.1 工具 6.4.2 執行緒 6.4.3 執行 6.4.4 Assistants API 整體執行過程 6.5 GPTs 與GPT 商店 6.5.1 GPTs 功能詳解 6.5.2 GPT 商店介紹 6.5.3 案例：私人郵件幫手 ▌第3 篇 進階 第7 章 無梯度最佳化 7.1 單步最佳化 7.2 強化學習入門 7.3 多步最佳化中的預測 7.4 多步最佳化中的訓練 7.5 多步最佳化中的訓練和預測 第8 章 自主Agent 系統 8.1 自主Agent 系統簡介 8.2 自主Agent 系統的基本組成 8.3 自主Agent 系統案例分析（一） 8.3.1 BabyAGI 8.3.2 AutoGPT 8.3.3 BeeBot 8.3.4 Open Interpreter 8.3.5 MemGPT 8.4 自主Agent 系統案例分析（二） 8.4.1 CAMEL 8.4.2 ChatEval 8.4.3 Generative Agents 第9 章 微調 9.1 三類微調方法 9.2 Transformer 解碼器詳解 9.2.1 Transformer 的原始輸入 9.2.2 靜態編碼和位置編碼 9.2.3 Transformer 層 9.3 高效參數微調 9.3.1 Adapter 高效微調 9.3.2 Prompt 高效微調 9.3.3 LoRA 高效微調 9.3.4 高效微調總結 9.4 微調RAG 框架 9.4.1 RAG 框架微調概述 9.4.2 資料準備和參數微調 9.4.3 效果評估 第10 章 大型語言模型的安全技術 10.1 提示注入攻擊 10.1.1 攻擊策略 10.1.2 防禦策略 10.2 越獄攻擊與資料投毒 10.2.1 衝突的目標與不匹配的泛化 10.2.2 對抗樣本 10.2.3 資料投毒 10.3 幻覺和偏見問題 10.4 為大型語言模型增加浮水印 ▌第4 篇 展望 第11 章 大型語言模型的生態與未來 11.1 多模態大型語言模型 11.1.1 什麼是多模態 11.1.2 GPT-4V 簡介 11.1.3 Gemini 簡介 11.2 大型語言模型的生態系統 11.3 大型語言模型的第一性原理：Scaling Law 11.3.1 什麼是Scaling Law 11.3.2 Scaling Law 的性質 11.3.3 Scaling Law 的未來 11.4 通向通用人工智慧：壓縮即智慧 11.4.1 編碼與無失真壓縮 11.4.2 自回歸與無失真壓縮 11.4.3 無失真壓縮的極限 11.5 圖靈機與大型語言模型：可計算性與時間複雜度 11.5.1 圖靈機與神經網路 11.5.2 智慧的可計算性 11.5.3 邏輯推理的時間複雜度 參考文獻

AI + ESP32-CAM + AWS：物聯網與雲端運算的專題實作應用 (1版)

類似書籍推薦給您

【簡介】 整合最熱門的 AI、物聯網與雲端運算 以 AWS 整合 ESP32-CAM 為例，進行車牌辨識實作！ 本書的內容主要結合了三大元素：人工智慧、物聯網設備與雲端運算。隨著人工智慧的爆發式成長，人工智慧的應用已經遍及影像、影片、聲音、對話、文章等領域，而公有雲已經將人工智慧的開發或是應用封裝成完善的服務，對於人工智慧的模型開發者或是應用開發者而言，只需要去熟悉、了解開發框架，就可以快速應用人工智慧的技術；不需要再花時間在購買GPU，安裝驅動、安裝開發框架等基礎環境搭建的無關事務上。 本書以 Python 為主要開發語言，ESP32-CAM 作為物聯網設備，接著介紹 AWS 雲端基礎建設與機器學習的相關服務，最後將 AWS 文字∕人臉辨識與 ESP32-CAM 進行整合，完成一個結合物聯網設備、雲端運算與人工智慧的應用系統。 本書可以學到哪些知識 。Python 基礎概念 。介紹單晶片 ESP32-CAM 。使用 MicroPython 開發 ESP32-CAM 。AWS 基礎設施服務 。Amazon API Gateway 。AWS Lambda 。Amazon DynamoDB 。Amazon S3 。Amazon Rekognition 。網際網路基礎 。HTTP Request/Response 本書適合的「讀者族群」 a.【自學者】適合用於自學 Python 程式語言。 b.【自學者】適合用於自學 AWS 雲端運算。 c.【自學者】適合用於自學 ESP32-CAM。 d.【自學者】適合用於在 AWS 雲端中探索職業生涯的人。 e.【自學者】適合用於在公司內部部署 IT 或雲端，但對 AWS 雲端不熟悉的人。 f.【自造者】適合想體驗自造精神或雲地與軟硬體結合。 g.【教育者】可以作為大專院校畢業專題的教學教材。 h.【教育者】可以作為大專院校雲端運算、物聯網與人工智慧實作的教學教材。 本書結合AI人工智慧、物聯網設備與雲端運算，以AWS整合ESP32-CAM為例，進行車牌辨識的應用實作。 【目錄】 CHAPTER 01　Python 基礎 1.1　Python 說明與開發環境 1.2　Python 基礎語法 1.3　Python 基本資料類型 CHAPTER 02　Python 流程控制 2.1　Python 分支控制 2.2　Python 函數與模組 CHAPTER 03　網路程式開發概念與實作 3.1　網際網路模型 3.2　HTTP 請求∕回應格式 3.3　HTTP 範例–使用 flask 與 telnet CHAPTER 04　ESP32-CAM 開發 4.1　ESP32-CAM 簡介 4.2　使用 MicroPython 開發 ESP32-CAM–使用圖形化工具 Thonny（Windows） CHAPTER 05　ESP32-CAM 基礎應用 5.1　使用 MicroPython 檔案存取–io 5.2　使用 MicroPython 控制燈號、撰寫 ISR–machine CHAPTER 06　ESP32-CAM 進階應用 6.1　使用 MicroPython 連接 Wi-Fi、同步 NTP 6.2　使用 MicroPython 安裝新模組與使用 6.3　使用 MicroPython 拍照 CHAPTER 07　AWS 基礎概念 7.1　AWS 雲端基礎 7.2　AWS 雲端安全 7.3　申請 AWS 帳戶 CHAPTER 08　雲端儲存–Amazon S3 8.1　Amazon S3 8.2　實驗：使用 Amazon S3 建立靜態網站 CHAPTER 09　雲端接口–Amazon API Gateway 9.1　Amazon API Gateway 9.2　實驗：建立 API Gateway–using mock CHAPTER 10　雲端運算–AWS Lambda 10.1　AWS Lambda 10.2　實驗：使用 GET 方法查詢資料–Lambda 10.3　實驗：使用 POST 方法上傳圖片–Lambda CHAPTER 11　雲端資料庫–Amazon DynamoDB 11.1　Amazon DynamoDB 11.2　實驗：讀取 EXCEL 檔並存入資料庫中 11.3　實驗：查詢資料庫中的資料 CHAPTER 12　雲端視覺辨識AI–Amazon Rekognition 12.1　Amazon Rekognition 12.2　人臉辨識從 Amazon S3 讀取 12.3　實驗：文字辨識從 Amazon S3 讀取 CHAPTER 13　整合實驗：車牌辨識從定義規格開始 13.1　整合實驗：車牌辨識–定義功能 13.2　實驗：後端–API Gateway 上傳圖片並使用 POSTMAN 檢驗結果 CHAPTER 14　後端實作–整合API + 資料庫 + AI 14.1　實驗：後端–API Gateway 設定車牌辨識選項 14.2　實驗：後端–觸動 S3 事件進行文字辨識 14.3　實驗：後端–API Gateway 查詢辨識記錄 CHAPTER 15　前端實作–ESP32-CAM + 網頁 15.1　實驗：前端–使用 ESP32-CAM 呼叫上傳圖片的 REST API 15.2　實驗：前端–使用 Web 用戶端 呼叫 REST API 附錄 A　參考資料