-
排序
- 圖片
- 條列
AI輔助程式開發｜從規劃到部署全流程高效升級
內容簡介:🚀 不只是用AI寫Code，而是完整的AI輔助全流程開發思維。 跟著本書一起改寫AI開發時代的遊戲規則，讓AI成為最佳的開發夥伴！ 本書不只教你用AI寫Code，並涵蓋從需求規劃、程式設計、測試、部署等完整開發流程，你將學到 AI 在每個階段的最佳實踐。不論是希望加速開發流程的工程師，或是想深入理解AI輔助開發的技術領導者，都能從中獲得超實用的見解。 本書內容包括： ✔️ AI在軟體開發的實際應用與案例分析 ✔️ 如何利用AI工具提升程式碼品質與效能 ✔️ AI輔助測試與除錯的最佳方法 ✔️ 優化部署流程，提升軟體交付效率 ------------------------------------------------------------- 「我們在六個星期內，就把向量搜尋的功能順利加入Cassandra，其中Copilot和ChatGPT絕對是我們能在期限內完成任務的重要關鍵；不過，大多數開發者卻不知道該如何善用這類AI工具。Tom這本書就是很棒的入門方式，可以讓你省下無數嘗試錯誤的寶貴時間。」 —— Jonathan Ellis，DataStax共同創辦人兼首席技術長 本書會提供一些實用的建議，讓你學會如何把各種AI開發工具運用到創建程式碼的所有階段，包括需求、規劃、設計、編寫、除錯和測試。無論是初學者或資深的開發人員，都可以透過本書學會運用各式各樣的AI工具，涵蓋範圍從通用的LLM（ChatGPT、Gemini和Claude），到專為程式編寫設計的各類系統（GitHub Copilot、Tabnine、Cursor和Amazon CodeWhisperer）。 你也可以學習到更多特別設計的生成式AI工具，完成一些像是以文字生成圖片之類的任務。 作者Tom Taulli提供了一套完整的模組化程式設計方法論，這套方法論與大家利用提示來生成AI程式碼的做法非常契合。這本指南還介紹了如何以通用的LLM來學習程式語言、解釋程式碼，或是把程式碼從某一種語言轉換成另一種語言的最佳做法。 本書探討了： ．AI開發工具的各種核心能力。 ．較熱門的AI系統（例如GitHub Copilot）其優缺點及實際的使用案例。 ．使用ChatGPT、Gemini、Claude之類的通用LLM來進行程式設計的各種做法。 ．在軟體開發生命週期中使用AI開發工具，包括需求規劃、撰寫程式、除錯、測試等各個階段。 ．軟體開發相關的提示工程。 ．用AI輔助程式設計的做法，來處理一些繁瑣的任務（例如編寫正則表達式）。 ．如何運用那些能讓你少寫一些程式碼、甚至完全不用寫程式碼的AI工具。
Deep Learning 5｜生成模型開發實作
內容簡介:這是暢銷書系列《Deep Learning》的第5集，本次的主題是「生成模型」。 書中延續此系列的風格，以連貫的故事介紹從「常態分布」到「擴散模型」的技術。你可以累積學到的知識，一步一步練習操作，不斷累積學習成果，最終完成類似「Stable Diffusion」這樣的AI影像生成模型。 技術的有趣之處在於細節，從零開始建構，挑戰各種公式。
LLM語意理解與生成技術完全開發
內容簡介:AI 語言技術的進步，正以前所未有的速度改變世界！ 「Jay和Maarten一如既往地運用精美的插圖為複雜主題提供深具洞察的描述。對於任何想了解大型語言模型背後主要技術的人來說，這本書都是寶貴的資源。」 —Andrew Ng（吳恩達)，DeepLearning.AI 創辦人 「我想不出有哪本書比這本書更重要，值得現在就去閱讀。書中的每一頁，我都學到在這個語言模型時代，對於成功至關重要的知識。」 —Josh Starmer，StatQuest 想深入了解大型語言模型的奧秘，並將其應用於實際專案中？ 《Hands-On Large Language Models》正是為你量身打造的指南！ 由知名AI專家Jay Alammar和Maarten Grootendorst執筆，透過近300幅精美圖解，帶你輕鬆掌握LLM的核心概念和實踐技巧。 無論是文案撰寫、摘要生成，還是建立先進的語義搜尋系統，本書都提供了詳盡的步驟和範例，助你在AI領域中脫穎而出。快讓《Hands-On Large Language Models》開啟你的 AI 進階之旅！ -------------------------------------------------------- 近年來，AI在語言處理領域取得了驚人的突破。隨著深度學習的快速發展，語言AI系統在文字寫作與理解方面的能力，比以往任何時候都更加出色。這一趨勢正在催生全新的功能、產品，甚至是全新的產業。透過本書視覺化的教學方式，你將學習如何運用這些強大技術，掌握實用工具與關鍵概念，並能立即應用於你的專案中！ 你將學會如何運用預訓練的 LLM 進行文案撰寫與摘要生成；打造超越傳統關鍵字匹配技術的語義搜尋系統；運用現有的函式庫和預訓練模型，來進行文本分類、搜尋與聚類。 本書將助你深入理解： • Transformer語言模型的架構，掌握文本生成與語意表達的核心技術。 • 構建高效的LLM流程，對文本資料進行聚類並探索其主題。 • 透過密集檢索（dense retrieval）與重新排名（reranking），構建超越關鍵字匹配的語義搜尋引擎。 • 從提示工程（prompt engineering）到檢索擴增生成（RAG），探索生成式AI的各種運用方式。 • 深入學習如何訓練 LLM，針對特定應用進行優化，包括生成式微調（generative fine-tuning）、對比微調（contrastive fine-tuning）與上下文學習（in-context learning）。 • 透過生成式模型微調（Generative Model Fine-tuning）、對比式微調（Contrastive Fine-tuning）以及情境學習（In-context Learning），更深入地了解如何訓練LLM，並針對特定應用進行最佳化。
AI工程｜從基礎模型建構應用
內容簡介:⭐⭐⭐⭐⭐ Amazon五星好評 🏆 機器理論#1 🏆自然語言處理#1 🏆企業應用#1，霸榜超過30週 「本書提供了一個全面且結構清晰的指南，涵蓋建構生成式AI系統的基本面向。對於希望在企業內推展AI的專業人士來說，這是一本必讀之作。」 ——Vittorio Cretella，前 P&G and Mars 全球資訊長 「Chip Huyen很懂生成式AI，她是一位卓越的教師和作家，她的著作在幫助團隊將AI導入產品上發揮了重要作用。憑藉深厚的專業知識，《AI工程》是一本深入且全面性的指南，幫助讀者產出構建生成式AI應用。」 ——Luke Metz，ChatGPT共同創建人，前OpenAI研發經理 打造真正可用的LLM應用！ 從架構設計到部署評估，帶你一次打通 AI 工程實務全流程。 面對LLM，你是否也曾困惑： •該怎麼選模型，Prompt要怎麼設計？ •模型要微調，還是直接上線？ •部署、監控、評估效果要怎麼做？能讓AI自評嗎？ •又該如何避免幻覺、安全性、延遲等應用風險？ 無論你是AI工程師、ML工程師、資料科學家、工程經理、技術產品經理，或是AI工具開發者、研究人員、求職者，本書都能幫助你跨出關鍵第一步！ 📌 從零開始建構AI應用，或將原型提升至生產環境 📌 解決幻覺、安全性、延遲與成本等應用挑戰 📌 簡化團隊AI開發流程，讓系統更快、更穩、更可靠 📌 在組織內有效運用基礎模型，提升業務價值與團隊能力 📌 了解AI的能力與限制，釐清AI工程師的核心技能 ----------------------------------------- 基礎模型促成了新的AI使用案例，降低了建構AI產品的進入門檻，將AI從一門深奧的學科，轉化為沒有任何AI經驗的人都能使用的強大開發工具。 在這本易懂的指南中，作者Chip Huyen認為AI工程就是運用現有基礎模型建構應用的流程。AI應用開發者會看到包括模型、數據集、評估基準，以及看似無窮無盡應用模式的AI領域，本書也介紹了開發AI應用並可高效部署的實用框架。 •理解什麼是AI工程及其與傳統機器學習工程有何不同 •學習開發AI應用的流程、每個步驟的挑戰，以及應對這些挑戰的方法 •探索包括提示工程、RAG、微調、代理和數據集工程的各種模型適配技術，並理解它們運作的方式與目的 •檢視服務基礎模型時的延遲和成本瓶頸，及如何克服這些問題 •針對需求選擇正確的模型、指標、數據和開發模式 本書與《設計機器學習系統》互為補充，進一步探索AI工程的實務應用。
生成式AI提示工程∣以前瞻性的設計打造穩定、可信任的AI解決方案
內容簡介:來自業界專家的推薦📢 「Mike和James是這領域的大師，這絕對是我讀過關於提示工程的最棒書籍之一。」 ── Dan Shipper，Every共同創辦人與CEO 「如果想要提升AI系統的準確性和可靠性，這本書在你的書架上足有一席之地。」 ── Mayo Oshin，Siennai Analytics創辦人與CEO，LangChain早期貢獻者 ChatGPT、DALL-E這類大型語言模型（LLM）和生成擴散模型具備了前所未有的潛力。經由網際網路上的公開文字與圖像訓練之後，這些模型可應用於各種任務。由於進入門檻大幅降低，幾乎任何開發者都能利用AI模型來解決以往不適合自動化的問題。 透過本書，你將掌握生成式AI的扎實基礎，並學習如何將這些模型應用於實際情境。在將大型語言模型與生成擴散模型整合至工作流程時，多數開發者往往難以生成可供自動化系統使用的可靠結果。本書作者James Phoenix與Mike Taylor將深入解析提示工程的核心原則，讓你在正式部署後能與AI高效共事。 本書精彩內容： • 適用於不同模型且未來也依然有效的提示五大原則。 • 使用LangChain等函式庫和框架，將生成式AI應用於實際案例。 • 評估GPT-4和DALL-E 2等OpenAI模型與其他包括開放原始碼模型的替代方案，分析比較各自的優勢與弱點。 • 這些原則如何實際應用在自然語言處理、文字與圖像生成以及程式開發領域中。
LLM資安教戰手冊∣打造安全的AI應用程式
內容簡介:💥 AI工具爆炸性成長，從ChatGPT到企業內部專屬LLM，生成式AI已大量融入我們的生活與工作。但我們真的準備好「安全上線」了嗎？ LLM帶來前所未見的創新機會，但同時也伴隨著新型態的安全風險，從prompt injection、資訊外洩，到代理人失控、幻覺誤導，每一項都可能讓AI工具從生產力助力變成潛在風險來源。 《LLM資安教戰手冊｜打造安全的AI應用程式》由LLM資安教父、OWASP「LLM 十大安全風險」專案負責人Steve Wilson撰寫，被業界譽為「創新者必讀之作」，是目前最系統化、最具實務操作性的 LLM安全指南。 書中全面探討LLM應用開發中常見的十大風險，搭配實際案例與對應策略，幫助你在開發初期就建立正確的安全架構思維。從威脅情境、風險辨識，到實用防禦技術與風險最小化原則，內容清晰易懂，實作性高，適用於各種LLM應用場景。 🎯聚焦探討LLM的安全性，為開發者提供具體的安全策略和最佳實踐。 📌涵蓋設計、部署和維運過程中的的關鍵安全挑戰。 🎯透過實例分析，協助讀者理解並應用防範措施，有效預防安全漏洞。 📌適用於AI工具開發者、產品經理、資安人員及企業技術決策者。 不論你是AI開發新手，還是負責導入LLM的企業技術主管，這本書都能幫你掌握攻防思維，補強資安弱點，打造能安心上線的AI應用。 ------------------------------------------------------------- 「這本書對於AI開發者和紅隊演練專家至關重要，它將巨大的風險轉化為可管理的挑戰，提供了專業知識，以保障基於LLM應用的安全。」 —Marten Mickos，HackerOne執行長 「由LLM資安之父Steve Wilson撰寫，一本創新者的必讀之書。」 —Sherri Douville，Medigram執行長 「根據我在AI 紅隊的經驗，我全力支持這本書中頂尖的全端方法及其嚴謹、多面向的見解。」 —Ads Dawson，Cohere資深資安工程師 「這本書是當我們傾盡全力快速採用GenAI和LLM，並確保組織結果安全時，關於資安產業重要且全面的指南。」 —Chris Hughes，Aquia總裁及Resilient Cyber創始人 LLM不僅塑造了AI的發展軌跡，也揭開了一個充滿安全挑戰的新時代。這本實用的書籍將帶您直擊這些威脅的核心。作者Steve Wilson是OWASP（開放式Web應用程式安全計畫）「Top 10 for LLM Applications」的計畫負責人，他將重點放在使用LLM建立軟體時必須處理的特性與弱點。 本書為開發人員和資安團隊提供了真實世界的指導及可行的策略，協助你應對LLM應用程式的挑戰。無論是要建構新的應用程式，還是要為在現有的應用程式中加入AI功能，這本書都會是你要掌握AI下一個新領域資安環境的必備資源。 你將會學到： - 為什麼LLM會帶來獨特的資安挑戰 - 如何應對使用LLM技術所帶來的風險 - 與LLM相關的威脅環境，以及必須維護的重要信任邊界 - 部署防禦措施的方法，以保護針對主要漏洞的攻擊 - 改善軟體開發流程的方法，以確保建構安全可靠的AI應用程式
機器學習面試指南
啟動你的機器學習與資料科學職涯 「這是一本關於機器學習面試的全方位指南。本書涵蓋了大多數機器學習面試的內容，對於該領域的新手、經驗豐富的機器學習（ML）從業者以及資料科學家來說，都非常實用。」 --Prithvishankar Srinivasan Instacart的ML工程師（曾任職於Twitter、Microsoft） 隨著現今科技產品日益普及，對機器學習專業人才的需求也持續成長。但是不同公司之間對於ML專業人員的職責和技能要求差異迥然不同，使得面試過程難以預測。在本書中，資料科學領導者Susan Shu Chang將為你揭示如何成功應對ML招募過程的每一項挑戰。 Susan Shu Chang曾任職於多間公司的首席資料科學家，無論是擔任ML 面試官或身為應試者的身分，都擁有相當豐富的經驗。藉由本書，她分享自己在這整個過程中學到的寶貴心得，向你說明這個具高度選擇性的招募過程，讓您能快速掌握典型ML面試的成功秘訣。 這本書將帶您了解： •探索各種機器學習職位，涵蓋ML工程師、應用科學家、資料科學家和其他相關職位。 •在決定要將何種ML職位設定為目標前，先評估自己的興趣和技能。 •衡量自己目前的技術水準，針對阻礙面試成功的弱項進行補強。 •取得每個ML職位需要的技能，並製作適用於應徵的履歷表。 •在編碼測試、統計和ML理論、以及行為問題等ML面試主題上輕鬆得分。 •透過研究常見的ML面試模式和提問，為面試做好充足準備。 •獲取面試後的提示和其他有價值的資源。
生成深度學習|訓練機器繪畫、寫作、作曲與玩遊戲 第二版
生成式AI是科技界最熱門的主題。本書以實務導向，教導機器學習工程師與資料科學家們如何使用 TensorFlow 與 Keras 來從頭做出令人讚嘆的生成深度學習模型，包含變分自動編碼器（VAE）、生成對抗網路（GAN）、Transformer、正規化流、能量模型與降噪擴散模型。 本書從深度學習的基礎開始，逐步談到最尖端的架構。透過各種提示與小技巧，您將理解如何讓模型更有效地學習並變得更富有創造力。 ．探索如何使用VAE（變分自動編碼器）來修改照片中的臉部表情 ．訓練各種GAN（生成對抗網路）以根據您專屬的資料集來生成圖像 ．建置擴散模型來生成新品種的花卉 ．自行訓練GPT來生成文字 ．了解像ChatGPT這樣的大型語言模型是如何訓練的 ．探索StyleGAN2與ViT-VQGAN這類最新架構 ．使用變換器（Transformer）和MuseGAN編寫多聲部音樂 ．理解生成世界模型如何解決強化學習任務 ．深入研究DALL.E 2、Imagen和Stable Diffusion這類多模態模型 本書還探討了生成式AI的未來，以及個人和公司如何藉由積極著手運用這項非凡的新技術來創造競爭優勢。 「這是一本淺顯易懂的絕佳入門書，介紹生成建模的各種深度學習套件。如果您喜歡寫點程式並希望將深度學習應用於工作中的創意從業者，這本書保證適合您。」 ——Stability AI策略部門主管David Ha—— 「這本書超級棒，深入介紹了各種最新生成式深度學習背後的所有主要技術。這是對AI中最迷人領域的一趟引人入勝探索之旅！」 ——Keras創辦人François Chollet——
機器學習的訓練資料
從標註到資料科學的人類監督 掌握訓練資料的訣竅，提升AI專案成功率 「本書以全方位的視角解說如何產生高品質的訓練資料以及啟動新專案。」 — Anirudh Koul Pinterest機器學習、資料科學負責人 「要做好機器學習，必須學習如何訓練資料。本書的價值比黃金還要珍貴。」 — Neal Linson InCite Logix首席資料與分析長，LLM超級明星 您的訓練資料對於資料專案的成功與否與演算法本身一樣重要，因為人工智慧系統的大多數失敗都與訓練資料有關。儘管訓練資料是成功的人工智慧與機器學習的基礎，但鮮少有全面的資源可以幫助您掌握這一過程。 在這本實用指南中，作者Anthony Sarkis（Diffgram AI訓練資料軟體的首席工程師）向技術專業人員、管理者和相關領域專家展示如何處理和擴展訓練資料，同時闡述監督機器的人性面。無論是工程領導者、資料工程師或是資料科學專業人士，都能從本書獲得成功使用訓練資料所需之概念、工具和流程的深入理解。 透過這本書，您將學會： ‧有效地處理訓練資料，包括綱要、原始資料和標註 ‧將工作、團隊或組織轉型為更以人工智慧/機器學習資料為中心 ‧向其他員工、團隊成員和利益相關者清楚解釋訓練資料概念 ‧為生產級別的人工智慧應用設計、部署和交付訓練資料 ‧識別並修正基於新訓練資料的失敗模式，如資料偏差 ‧完全掌握自動化技術，更有效地建立訓練資料 ‧成功維護、操作和改進訓練資料的記錄系統
機器學習的高風險應用|負責任的人工智慧方法
「作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」 —Christoph Molnar Interpretable Machine Learning作者 「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」 —Liz Grennan Digital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者 過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。 本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。 ‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理 ‧學習如何建立成功的、有影響力的AI風險管理實作 ‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework ‧使用GitHub與Colab的互動式資源
精通機器學習|使用Scikit-Learn， Keras與TensorFlow 第三版
建立智慧型系統的概念、工具與技術 深度學習在經歷了一系列的突破之後，已經推動了整個機器學習領域的發展。如今，即使是對於這項技術非常陌生的程式設計師，也能夠使用簡單、高效率的工具，寫出能從資料中學習的程式。這本暢銷書使用具體的例子、最少的理論，以及具備生產水準的Python框架(Scikit-Learn、Keras和TensorFlow)來協助你直接瞭解智慧系統的建構概念與工具。 在這本第三版中，作者Aurélien Géron將探索一系列的技術，從簡單的線性回歸開始，逐步發展到深度神經網路。本書包含許多範例程式和習題來幫助活用所學，只要具備一些程式設計經驗即可入門。 ‧使用Scikit-Learn自始至終完成機器學習專案 ‧探索多種模型，包括支援向量機、決策樹、隨機森林，和集成方法 ‧運用無監督學習技術，例如降維、聚類法和異常檢測 ‧深入探討神經網路架構，包括摺積神經網路、遞迴網路、生成對抗網路、自動編碼器、擴散模型、轉換器 ‧使用TensorFlow和Keras建構和訓練神經網路，以進行計算機視覺、自然語言處理、生成模型和深度強化學習 好評推薦 「這是一本出色的機器學習資源，包含淺顯易懂的解說，以及豐富的實用技巧。」 —François Chollet，Keras作者，《Deep Learning with Python》作者 「本書是運用神經網路來解決問題的絕佳入門資源，涵蓋理論及實踐。推薦給想學習實用機器學習技術的人。」 —Pete Warden，TensorFlow行動主管
設計機器學習系統|迭代開發生產環境就緒的ML程式
「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
Deep Learning 4|用Python進行強化學習的開發實作
本暢銷系列作品的第4本書，這次的主題是強化學習。書中延續此系列的一貫風格，顯示實際的程式碼，讓讀者邊執行邊學習，不依賴外部程式庫，從零開始建置、學習支撐強化學習的基本技術與概念。 從「理論」與「實踐」兩方面著手，仔細解說強化學習這個複雜主題的構成要素，讓讀者確實掌握強化學習的獨特理論。有別於只用公式說明理論的書籍，讀者可以從書中的程式碼，獲得許多意想不到的領悟。
資料科學基礎數學
使用基本的線性代數、機率和統計來掌控您的資料 「在當前資料科學教育環境的嘈雜聲中，這本書脫穎而出，包含許多清晰、實用的範例，說明理解和建構資料所需的基礎知識。」 —Vicki Boykis Tumblr高級機器學習工程師 讓您掌握在資料科學、機器學習和統計學等方面所需具備的數學知識。作者Thomas Nield將引導您了解微積分、機率、線性代數和統計等領域，以及它們是如何應用在線性迴歸、邏輯迴歸和神經網路等技術。 在此過程中，您還將獲得對資料科學的實用見解，以及如何利用這些見解幫助提升您的職業生涯。 您將了解如何： ‧使用Python程式碼和SymPy、NumPy和scikit-learn等程式庫來探索基本的數學概念，例如微積分、線性代數、統計和機器學習 ‧用簡單的語言並使用最少的數學符號和行話來理解線性迴歸、邏輯迴歸和神經網路等技術 ‧對資料集執行描述性統計和假說檢定，以解釋p值和統計顯著性 ‧操作向量和矩陣並執行矩陣分解 ‧對微積分、機率、統計和線性代數的知識進行整合和建構，並應用於包括神經網路在內的迴歸模型 ‧在資料科學職業生涯中進行實際導航，避免常見的陷阱、假設和偏見，同時調整您的技能以在就業市場中脫穎而出
機器學習模擬應用|將合成資料運用於AI
「在資料需求很高但可存取資料稀少的時代，建立逼真的模擬環境以產生更強大的研究和ML應用程式將比以往任何時候都更加重要。本書對於機器學習和Unity開發人員來說是進入該領域的最佳途徑。」 —Dominic Monn 機器學習工程師 模擬和合成將是人工智慧和機器學習的未來核心。想像一下，程式設計師、資料科學家和機器學習工程師可以在沒有汽車的情況下建立自動駕駛汽車的大腦。您可以使用模擬來合成人工資料訓練傳統的機器學習模型，而不是使用實際的資訊。這只是開始而已。 透過這本實用的書，您將探索基於模擬和合成的機器學習和AI的可能性，重點是深度強化學習和模仿學習技術。AI和ML是藉由資料來驅動，而模擬是釋放它們全部潛力的強大且引人入勝的方式。 您將學習如何： ‧使用Unity引擎的模擬來設計解決ML和AI問題的方法 ‧使用遊戲引擎合成影像以用作訓練資料 ‧建立用來訓練深度強化學習和模仿學習模型的模擬環境 ‧為基於模擬的ML來使用和應用有效率的通用演算法，例如近端策略優化 ‧使用不同的方法來訓練各種ML模型 ‧使用PyTorch和Unity ML-Agents和Perception Toolkits來讓ML工具能夠與業界標準的遊戲開發工具一起使用
建構機器學習管道|運用TensorFlow實現模型生命週期自動化
「本書是一本出色的參考資料，全面介紹ML產品系統，特別關注TFX。它包含最準確的資訊，並提供清晰、簡潔的解釋案例。」 —Robert Crowe TensorFlow Developer Advocate, Google 公司在機器學習專案上耗費巨資，但如果不能有效地部署模型，無疑是在浪費金錢。在本書中，Hannes Hapke和Catherine Nelson將帶領您瞭解使用TensorFlow生態系統自動化機器學習管道的步驟。您將學習到將部署時間從幾天縮短到幾分鐘的技術和工具，進而更專注新模型的開發，而不是維護舊有的系統。 數據科學家、機器學習工程師和DevOps工程師將發現如何超越模型開發，成功地將他們的數據科學項目產品化，而管理人員將更瞭解他們在加速這些專案項目所扮演的角色。 ‧瞭解構建機器學習管道的步驟 ‧使用TensorFlow Extended中的組件建構您的管道 ‧使用Apache Beam、Apache Airflow和Kubeflow管道來協作您的機器學習管道 ‧使用TensorFlow數據驗證和TensorFlow轉換來處理數據 ‧使用TensorFlow模型驗證對模型進行詳細分析 ‧檢驗模型表現的公平性和偏誤性 ‧使用TensorFlow Serving或TensorFlow Lite為移動設備部署模型 ‧學習隱私保護(privacy-preserving)機器學習技術
AI策略|人與企業的數位轉型
創造更好的體驗和商業成功架構 「對於有興趣了解AI並開啟其優勢的企業領導層和管理者來說，這是一本必讀之書。Alex Castrounis簡化了複雜的主題，以便任何人都可以開始在其組織內運用AI。」 —Dan Park Uber總經理兼執行長 「Alex Castrounis一直站在幫助組織理解AI前景並利用其優勢的最前沿，同時避免了許多可能破壞成功的陷阱。在這本必讀的書中，他向我們分享了他的專業知識。」 —Dean Wampler博士 Fast Data Engineering副總 如果你是高階經理人、管理者或任何對在組織內運用AI感興趣的人，這本書就是你的指南。你將了解AI是什麼、學習如何識別AI機會，並發展和執行成功的AI願景和策略。Alex Castrounis是企業顧問、前IndyCar工程師和競賽策略師，他檢視了AI的價值，並向你展示如何發展出對人和企業都有益的AI願景和策略。 AI是令人興奮、強大且改變遊戲規則的；但太多AI提案以失敗告終。在本書中，你將探索實施AI提案的風險、注意事項、權衡和限制。你將得知透過好的AI解決方案和以人為中心的產品，如何能創造出更好的人類體驗和更成功的企業。 ‧使用本書的AIPB架構，透過AI進行端到端的、目標驅動的創新和價值創造 ‧為利害關係者(包括企業、客戶和使用者)定義出與目標一致的AI願景和策略 ‧透過關注科學創新和AI準備度和成熟度等概念，成功運用AI ‧了解企業領導層對於追求AI提案的重要性
