機器學習與人工智慧深度問答集：從基礎到專業，提升 AI 知識力的 30道深度思考題 (Machine Learning Q and AI: 30 Essential Questions and Answers on Machine Learning and AI)
Sebastian Raschka 博碩AI編輯室 編譯、劉立民 審校
- 出版商: 博碩文化
- 出版日期: 2024-08-23
- 定價: $650
- 售價: 7.8 折 $507
- 語言: 繁體中文
- 頁數: 288
- ISBN: 6263339241
- ISBN-13: 9786263339248
-
相關分類:
人工智慧、Machine Learning
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
程式設計師的自我修養－連結、載入、程式庫$580$493 -
$336嵌入式 Linux 與物聯網軟件開發 : C語言內核深度解析 -
超圖解 ESP32 深度實作$880$695 -
Martin Fowler 的企業級軟體架構模式：軟體重構教父傳授 51個模式，活用設計思考與架構決策 (Patterns of Enterprise Application Architecture)$800$624 -
$403MATLAB 圖形學基礎 -
刷題實戰筆記：演算法工程師求職加分的祕笈 (暢銷回饋版)$720$475 -
精通機器學習｜使用 Scikit-Learn , Keras 與 TensorFlow, 3/e (Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3/e)$1,200$948 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
那些文件沒有告訴你的 AWS EKS：解析 Kubernetes 背後的奧秘（iThome鐵人賽系列書）【軟精裝】$680$448 -
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
微電子學題解 (下冊), 8/e (Sedra: Microelectronic Circuits, 8/e)$580$568 -
超圖解 ESP32 應用實作$820$648 -
資料科學：困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)$680$537 -
ChatGPT 4 Omni 萬用手冊 2024 夏季號：GPT-4o/GPT-4o mini、GPTs、DALL-E 3、Copilot、Gemini、Claude 3.5$680$537 -
LLM 大型語言模型的絕世祕笈：27路獨步劍法，帶你闖蕩生成式 AI 的五湖四海 （iThome鐵人賽系列書）$650$507 -
超有料！職場第一實用的 AI 工作術 - 用對工具讓生產力全面進化！$599$473 -
AI 時代的資料科學：小白到數據專家的全面指南$1,080$853 -
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$630$497 -
LLM 串接所有服務 - LangChain 原型到產品全面開發$680$537 -
資料庫內部原理｜深入了解分散式資料系統的運作方式$780$616 -
演算法導論, 4/e (Introduction to Algorithms, 4/e)$1,800$1,422 -
領域故事化：協作 ｘ 視覺化 ｘ Agile，輕鬆打造專業水準的 DDD 軟體 (Domain Storytelling: A Collaborative, Visual, and Agile Way to Build Domain-Driven Software)$650$507 -
機器學習的訓練資料 (Training Data for Machine Learning)$780$616 -
SRE 工作現場直擊!：維運起點 x 實戰經驗 x 職涯規劃面面觀（iThome鐵人賽系列書）$600$468 -
可觀測性入門指南：Logs、Metrics、Traces 三大實戰應用，用 24個 Lab 鞏固你的 SRE 技能樹 (iThome鐵人賽系列書)$680$530
商品描述
暢銷書《Python機器學習》作者Sebastian Raschka又一原創力作！
『在本書中，Sebastian帶領讀者深入了解他們在成為專家路上可能遇到的各種中階和高階應用機器學習主題。Sebastian無疑是這個領域最優秀的機器學習教育工作者之一。在每一頁中，Sebastian不僅分享他的豐富知識，也傳達象徵著真正專業的熱情與好奇心。……讓本書成為你晉級下一個階段的橋樑，協助你在機器學習中獲得更豐富的冒險和體驗。』
——Chris Albon，維基媒體基金會 機器學習總監 專文推薦
★本書特色★
市面上大多數的機器學習、深度學習與AI書籍，都位於兩個極端：不是介紹基礎知識的入門指南，就是艱澀難懂的論文大全。在學習完基礎知識、閱讀完初階書籍之後，還想了解更多新觀念和進階技術嗎？作者說明並討論了這些領域的重要發展，同時保持平易近人，讀者不需要擁有進階數學或程式設計背景也能閱讀。全書分為5大篇，共30章，涵蓋30個不同主題。讀者可以依序閱讀，也可以跳著閱讀(但作者建議依序閱讀，由淺入深)，更適合隨時拿出來配著咖啡或在通勤時翻閱。
本書非常適合那些已經完成機器學習或深度學習的基礎課程，或是讀完同等程度初階書籍的人。本書採用獨特的問答風格(Q&A style)，每個簡短的章節都圍繞著一個核心問題展開，這些問題不僅與機器學習、深度學習和AI的基礎觀念相關，更是作者在教學過程中，學生們經常提出的疑問。每個問題後面都附有解釋，並配有許多插圖和圖表，以及測試理解能力的練習題。許多章節還提供了進一步閱讀的參考資料。這些簡短、容易消化的資訊提供了一個激勵人心的起點，幫助讀者踏出成為機器學習專家的第一步，開啟一段新的學習旅程。
★內容亮點★
・獨立章節：簡潔又精準地回答AI中的關鍵問題，化繁為簡。
・主題廣泛：涵蓋神經網路架構、模型評估、電腦視覺、自然語言處理等。
・實際應用：學會提升模型效能、微調大型模型等重要技術。
★學習重點★
・管理神經網路訓練中的各種隨機性來源
・區分大型語言模型的編碼器架構和解碼器架構
・利用數據和修改模型來減少過度適合
・為分類器建立信賴區間，利用有限標籤數據改善模型效能
・在不同的多GPU訓練範式和各種生成式AI模型之間做出選擇
・理解自然語言處理的效能指標
・理解視覺變換器中的歸納偏誤
【下載補充材料範例程式碼】
https://github.com/rasbt/MachineLearning-QandAI-book
作者簡介
✍作者簡介✍
Sebastian Raschka博士是一位對教學懷抱強烈熱忱的機器學習和AI研究者。身為Lightning AI的Lead AI Educator（首席AI教育家），他熱衷於使AI和深度學習變得更加普及，並教導人們如何大規模地利用這些技術。在全力投入Lightning AI之前，Sebastian曾在University of Wisconsin-Madison（威斯康辛大學麥迪遜分校）擔任統計學助理教授，專門研究深度學習和機器學習。你可以造訪他的網站，了解更多他的研究資訊：https://sebastianraschka.com。
✍審校者簡介✍
劉立民教授、紐澤西理工學院資訊博士（1999）。目前任教於世新大學資訊傳播學系／資訊管理學系；曾任世新大學資訊管理學系主任。學術生涯迄今發表二十餘篇期刊論文，研究領域包括：人工智慧、語意網、演算法、影像處理等等。譯有《Python深度學習》、《Python機器學習》以及《動手做深度強化學習》。
目錄大綱
獻詞
作者簡介
推薦序
致謝
前言
Part I：神經網路與深度學習
Chapter 01：嵌入、潛在空間和表示
Chapter 02：自監督學習
Chapter 03：少樣本學習
Chapter 04：樂透彩券假說
Chapter 05：利用數據來減少過度適合
Chapter 06：修改模型來減少過度適合
Chapter 07：多GPU訓練範式
Chapter 08：變換器的成功
Chapter 09：生成式AI模型
Chapter 10：隨機性來源
Part II：電腦視覺
Chapter 11：計算參數的數量
Chapter 12：完全連接層與卷積層
Chapter 13：視覺變換器（ViT）的大型訓練集
Part III：自然語言處理
Chapter 14：分布假說
Chapter 15：文字的數據增強
Chapter 16：自注意力
Chapter 17：編碼器和解碼器風格的變換器
Chapter 18：使用和微調預訓練的變換器
Chapter 19：評估生成式大型語言模型
Part IV：生產與部署
Chapter 20：無狀態訓練和有狀態訓練
Chapter 21：以數據為中心的AI
Chapter 22：加速推理
Chapter 23：數據分布偏移
Part V：預測效能與模型評估
Chapter 24：Poisson與有序迴歸
Chapter 25：信賴區間
Chapter 26：信賴區間vs.共形預測
Chapter 27：合適的指標
Chapter 28：k折交叉驗證中的k值
Chapter 29：訓練集和測試集的不一致
Chapter 30：有限標籤數據
後記
附錄：練習題解答
術語中英對照表
