全面掌握生成式 AI 與 LLM 開發實務：NLP × PyTorch × GPT 輕鬆打造專屬的大型語言模型（iThome鐵人賽系列書）

黃朝隆

全面掌握生成式 AI 與 LLM 開發實務：NLP × PyTorch × GPT 輕鬆打造專屬的大型語言模型（iThome鐵人賽系列書）
  • 出版商: 博碩文化
  • 出版日期: 2024-10-23
  • 定價: $620
  • 售價: 7.8 折 $484
  • 語言: 繁體中文
  • 頁數: 256
  • 裝訂: 平裝
  • ISBN: 6263339683
  • ISBN-13: 9786263339682
  • 相關分類: LangChain、DeepLearning、Text-mining

    • 立即出貨 (庫存 > 10)

買這商品的人也買了...

相關主題

商品描述

帶你掌握最前沿的AI技術，成為AI時代的領軍者！
從理論到實踐，自然語言處理必修指南
精通AI × NLP，快速脫穎而出！

【專業推薦】

「對許多人而言，AI技術既熟悉又遙遠，其快速發展加劇了資訊焦慮。在這個背景下，我推薦這本關於生成式AI與大型語言模型（LLM）開發實務的書籍，因為它提供了一個極具深度和廣度的學習資源，無論是剛接觸人工智慧領域的初學者，還是希望深入理解生成式AI的專業人士，都能從中獲得啟發與實踐經驗。本書的特點在於其層層遞進的結構設計，將複雜的理論與實務操作相結合，讓讀者能夠逐步建立起紮實的人工智慧知識體系。」

─ 李俊宏，國立高雄科技大學 電機工程系資通組教授



「本書中的內容並不是單純地傳授如何使用特定工具，而是透過詳細的範例與步驟，讓讀者理解背後的邏輯，書中提供了豐富的實作指導，幫助讀者不只實現模型的搭建，還能深入探討模型優化的細節，這對於那些正在學習如何調整超參數來提高模型效能的讀者來說，尤為重要。本書是一本適合任何階段的讀者閱讀的書籍，無論你是剛入門的學生，還是有一定經驗的開發者，都能在這裡找到進一步提升的機會。」

─ 吳宇祈，國立成功大學 電機工程系碩士生



【內容簡介】
♔ 深度學習必備：理解AI與NLP理論，從入門到精通
♔ 實戰案例解析：豐富的程式碼實例，培養實戰能力
♔ 模型優化祕訣：掌握最新AI技術，提升模型表現
♔ 全面培訓實戰：初學者或專業人士可精進AI專案程式

本書內容改編自第15屆iThome鐵人賽AI & Data組佳作系列文章《30天內成為NLP大師：掌握關鍵工具和技巧》。本書從基礎理論到實務應用，詳細介紹了自然語言處理的發展過程及相關技術，且循序漸進解釋了AI中的數學原理，如線性代數、矩陣相乘及機率，並將這些理論應用於深度學習模型中。

此外，本書內容還涵蓋了如何建立、訓練及優化自然語言處理模型的實作步驟，並介紹目前最熱門的模型架構，如Transformer、BERT、GPT、LLaMA等，指導讀者如何在實際應用中微調這些模型，以達到最佳效果。對於那些希望參與人工智慧競賽或是提升程式設計技能的讀者，本書也提供大量實例與程式碼，幫助讀者更加理解和掌握這些技術。

【本書特色】
✪理解人工智慧實際上的運作原理以及電腦是如何理解文字資料的。
✪完整介紹自然語言處理的「重要發展」與「最近進展」，讓你快速上手自然語言處理這一領域。
✪全面理解大型語言模型的奧妙與其相關評估指標。
✪告訴你模型優化技巧，讓你能在競賽中獲取優良名次。
✪讓你擁有工程師的「程式風格」與培育「自學思維」。

【目標讀者】
✪對人工智慧懷抱熱情的初學者與愛好者。
✪希望快速學習、累積人工智慧程式專案經驗的程式設計師和開發者。
✪數學理論強但程式設計經驗有限、想踏入人工智慧領域的學習者。
✪希望參加人工智慧競賽的參賽者。
✪希望了解最新NLP技術發展的技術專業人士。

作者簡介

黃朝隆
國立高雄應用科技大學電機工程系碩士班，專攻電機與資訊工程。在學期間積極參與多項學術研究和實務專案，並將這些經驗應用於各類競賽，曾取得AI CUP亞軍及專題競賽等優異成績。

作者致力於將複雜的概念，以簡潔和易於理解的方式傳遞給他人。除了學術上的成就，作者也熱衷於教育工作，不僅在國內擔任家教，更曾在國外擔任碩士生的程式語言家教。強調自主學習的重要性，希望培養學生的自學能力，幫助他們發現自己的學習節奏與興趣所在，透過設計具挑戰性且實用的課程，讓學生不僅能掌握理論知識，更能培養獨立思考與解決問題的能力。

目錄大綱

|Chapter 01| 模型該如何理解文字
1.1 Tokenizer介紹
1.2 文字向量化的方式
1.3 程式實作：建立BPE Tokenizer
1.4 本章總結

|Chapter 02| 用數學來告訴你何謂神經網路
2.1 自然語言模型是如何運行的
2.2 程式實作：手刻NLP神經網路
2.3 本章總結

|Chapter 03| Pytorch的訓練方式與模型的優化方式
3.1 模型的優化方式
3.2 Pytorch介紹與安裝
3.3 程式實作：建立訓練器
3.4 本章總結

|Chapter 04| 文字也是一種有時間序列的資料
4.1 循環神經網路
4.2 LSTM（Long short-term memory）
4.3 GRU（Gated Recurrent Unit ）
4.4 程式實作：IMDB影評情緒分析
4.5 本章總結

|Chapter 05| 該如何生成文字Seq2seq架構解析
5.1 Seq2Sqe 介紹
5.2 Seq2Sqe + Attention
5.3 程式實作：中英翻譯模型
5.4 本章總結

|Chapter 06| 萬物皆可Transformer
6.1 Transformer介紹
6.2 Transformer Encoder
6.3 Transformer Decoder
6.4 程式實作：新聞文字摘要
6.5 本章總結

|Chapter 07| 站在巨人肩膀上的預訓練模型BERT
7.1 預訓練模型
7.2 模型微調
7.3 BERT
7.4 程式實作：使用SQuAD做QA問答
7.5 本章總結

|Chapter 08| 暴力的美學GPT的強大能力
8.1 GPT-1
8.2 GPT-2
8.3 GPT-3
8.4 程式實作：用生成式AI來回答問題
8.5 本章總結

|Chapter 09| 大型語言模型時代的起點
9.1 InstructGPT
9.2 ChatGPT
9.3 ChatGPT API申請方式
9.4 程式實作：打造個人的Linebot助手
9.5 本章總結

|Chapter 10| 建立屬於自己的大型語言模型
10.1 LLaMA
10.2 QLorA
10.3 NEFtune
10.4 程式實作：用LLaMA 3訓練聊天機器人
10.5 本章總結

類似商品