ML PUBN

幫助Android/iOS開發者了解如何應用AI/機器學習技術開發app 如果無處可用，AI什麼都不是。在人手一機的時代裡，如何應用AI已經成為行動裝置App開發人員的必修課程。本書是你在主流行動裝置平台（iOS與Android）上應用機器學習技術開發相關app的最佳指南。 本書介紹機器學習的相關技術與工具，並引導你應用ML Kit、TensorFlow Lite與Core ML等工具，開發電腦視覺與文字辨識等應用機器學習技術的Android/iOS應用程式。 ．介紹可以應用在行動裝置上的AI/ML相關技術 ．建立為iOS和Android的機器學習模型 ．應用ML Kit與TensorFlow Lite開發Android/iOS應用程式 ．如何依據需求選擇技術與工具，如雲端或裝置端的取捨，以及API的選擇 ．了解機器學習技術應用的上的隱私與道德考量

內容簡介: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 SrinivasanInstacart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。

✨ Amazone分類排行第一 ✨ 蟬連Amazone暢銷榜超過20個月 ✨ 授權翻譯多國語言 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。

「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 MolnarInterpretable 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 GrennanDigital 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

「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

「本書全面介紹深度電腦視覺的最先進作法，在Keras中建構端到端生產系統，提供經過實戰檢驗的最佳實務解決方案。」 ―François Chollet 深度學習研究者和Keras創造者 這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題，包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習：資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。 Google工程師Valliappa Lakshmanan、Martin Görner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型，並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。 您將學習如何： ‧為電腦視覺任務設計機器學習架構 ‧選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet) ‧建立端到端ML生產線來訓練、評估、部署和解釋您的模型 ‧前置處理影像以進行資料擴增進行並支援可學習性 ‧納入可解釋性和負責任的AI的最佳實務 ‧將影像模型部署為Web服務或在邊緣設備上 ‧監控和管理機器學習模型

內容簡介:「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 WillsWeaveGrid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 TagliabueCoveo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

機器學習「聖經級」著作全新進化，正式擁抱PyTorch生態系！ 別再只當AI使用者，跟著Aurélien Géron成為AI的打造者。 本書將是你技術職涯中最具價值的投資！ 「本書是初學者踏入機器學習（ML）世界的完美起點。作者以清晰的範例程式與實際的範例，從基礎脈絡到核心概念層層揭開AI的奧祕。你將透過PyTorch與Scikit-Learn的完整操作流程，從入門一路挺進最新的機器學習與深度學習技術。」 ——Louis-François Bouchard，教育者、Towards AI共同創辦人暨CTO 「Géron找出理論與實作的黃金比例，運用Scikit-Learn與PyTorch的實作來幫助你充分掌握重要概念，並以親切、易懂的說明讓複雜知識變得毫無負擔。這本書是我最推薦ML學習資源。」 ——Ulf Bissbort，ZefHub共同創辦人暨CTO 機器學習的潛力正以空前的速度爆發，但它的複雜度總是令門外的開發者與科技工作者望而卻步。現在，無論你想提升技能、在實際專案中導入AI，亦或只想要瞭解AI系統到底如何運作，本書都是帶你邁入AI世界的完美起點。 作者Aurélien Géron以親切的筆法與扎實的知識，打造出最全面的機器學習與深度學習入門指南。你將透過清晰的講解與貼近現實的範例，逐步掌握Scikit-Learn、PyTorch、Hugging Face等主流工具，從基本的回歸技術到先進的神經網路架構，並在此基礎上，進一步介紹深度學習架構與現代AI技術，包括Transformer、生成式模型，以及大型語言模型（LLM）的應用與微調方法，一路暢行無阻。 本書內容橫跨傳統機器學習與現代深度學習，提供一條從入門到進階的完整學習路徑。無論是初學者、希望強化實作能力的工程師，或是計畫轉向 PyTorch 生態系的開發者，都能透過本書掌握打造智慧系統所需的關鍵知識與技術。 • 瞭解ML基礎知識，包括過度擬合與超參數調校等概念。 • 使用Scikit-Learn來完成一個完整的ML專案，不僅涵蓋資料探索，也包含模型評估。 • 學習無監督學習技巧，例如分群與異常偵測。 • 建立進階架構，例如使用transformer來建構聊天機器人，以及使用PyTorch來打造擴散模型。 • 運用預訓模型（包括LLM）並學習如何微調與提升其速度。 • 使用強化學習來訓練自主的代理。

Core Insight：Cross-Domain Data Collaboration: Unlocking Chip PotentialEliminating the "efficiency gap" caused by knowledge silos is the starting point for industry potential. Data doesn't lie; Data Science provides the solution: Through innovation and cross-domain restructuring, we visualize results to become the critical accelerator for boosting efficiency.GenAI Reshaping the Future of SemiconductorsFacing the immense challenge of the slowing pace of Moore's Law, the semiconductor industry urgently requires new breakthroughs. This book is specifically designed to solve the "Efficiency Black Hole" that consumes tens of billions of dollars annually in the industry.The Empowering DTCO Innovation with AI and Machine Learning offers readers a practical DTCO.ML Framework, demonstrating how to leverage Machine Learning (ML) and Generative AI (GenAI) technologies to inject new acceleration into chip manufacturing processes. Learn to master process variability and optimize chip energy efficien

☆好評熱銷再上市☆★ ML 最強套件 scikit-learn ? 經典演算法，帶領你徹底攻略所有 ML 必備理論與實踐技能！ ★機器學習是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。其研究電腦模擬或實現人類的學習行為，獲取新的知識，重新組合現有知識結構並改善自身的效能。本書針對機器學習領域描述了多個學習模型、策略、演算法、理論以及應用，以 Python 3 為基礎，使用 scikit-learn 解決實際問題。全書完整介紹機器學習基本概念、演算法流程、模型建構、資料訓練、模型評估與最佳化、必備工具和實現方法，並佐以實際案例，以機器學習的經典演算法為軸線：演算法分析 ? 資料獲取 ? 模型建構 ? 推斷 ? 演算法評估，讓你理論與實踐技能一次學會，輕易上手。本書特色ML 的最佳參考書，scikit-learn 的最紮實實戰應用，亦為深入 AI 技術的優良基礎！● 機器學習概述● 資料特徵提取● scikit-learn 估計器分類● 單純貝氏分類● 簡單線性迴歸到多元線性迴歸● k 近鄰演算法分類● 線性迴歸到邏輯迴歸● 非線性分類與決策樹迴歸● 決策樹到隨機森林● 感知機到支持向量機● 從感知機到類神經網路● 主成分分析降維

🔹 全面掌握雲端資料與AI平台設計關鍵🔹 實戰導向，靈活運用AWS、Azure、Google Cloud、Snowflake、Databricks🔹 從基礎到進階，打造符合企業需求的現代化資料平台🔹 強化資料治理，加速AI/ML創新，驅動決策智慧無論你是資料架構師、工程師，或是希望運用AI強化決策的企業領導者，本書都將成為你打造未來資料與機器學習平台的最佳指南！在資料驅動的時代，企業該如何善用資料創造價值？本書由三位資深工程師聯手打造，為雲端架構師與資料專業人士提供了一套清晰完整的解決方案。從雲端資料平台的設計到AI與機器學習的整合，帶您走過資料現代化的每一步。無論是整合分散的資料、實現即時決策，還是利用AI解鎖創新潛力，本書都提供了實用的架構與工具，幫助你在雲端時代保持優勢。-----------------------------------------------------------「本書完整介紹，如何依據企業組織的策略方向，設計與建置現代雲端資料與ML平台的概念、模式與元件。真希望我能在多年前就能讀到這本書。」—Robert Sahlin，Mathem資料平台主管所有的雲端架構師都必須知道如何建置資料平台，以賦與企業能夠快速高效地做出資料驅動的決策，並在整個企業範圍內提供智能化服務。本書將展示如何使用AWS、Azure、Google Cloud以及Snowflake與Databricks這類多重雲端工具，設計、建置與現代化雲端原生資料與機器學習平台。作者Marco Tranquillin、Valliappa Lakshmanan與Firat Tekiner使用真實世界企業架構來說明，內容涵蓋從雲端匯入到啟動整個資料生命週期。你將學到如何轉換、保全與現代化資料倉儲與資料湖這些熟悉的解決方案，也將能充份利用最新的AI/ML模式取得精準且快速的洞見，提升競爭優勢。你將學會：*設計現代化且安全的雲端原生或混合資料分析與機器學習平台*透過將企業資料整合到治理良好、可擴充的與彈性的資料平台，加速資料導向的創新。*民主化存取企業資料，治理業務團隊提取洞見方式與建置AI/ML的能力。*讓您的企業利用串流管道即時決策*建置MLOps平台，移往預測性與指示性分析

本書命名為「人工智慧導論」，希望讓有意願學習人工智慧(AI)的人，認識AI的發展，AI的基本學習三元素：影像視覺、語音辨識與自然語言處理。本書共分六個單元： 1.人工智慧簡介：從1950年代開始三波人工智慧的始末、人物與關鍵技術。 2.機器學習概論：實作Azure ML機器學習的六大步驟。 3.影像辨識原理與應用：介紹ImageNet、ILSVRC競賽，實作靜態人臉偵測、動態人臉偵測與靜態人臉辨識

保麗龍膠‧適用 : 多孔、平面材質之接著、保麗龍、塑膠、木頭、金屬、玻璃、紙板、手藝絲、線、珠子、亮片、中國結、布料。‧特性 : 本膠固化後呈透明微軟狀，操作容易，使用廣泛，是修補、粘著、手工藝的最佳幫手，容易淨手、水洗即可。 品名 : 保麗龍膠材質 : 聚醋酸乙烯樹脂、木精規格 : W28xH111xD28mm容量 : 30 ml數量 : 1入顏色 : 透明產地 : 台灣保存期限 :

1.建立NN核心概念，領會ML模型技術，掌握機器學習方法與AI應用技術的實作基礎。 2.探索AI動能之源：資料(Data)，理解資料整理、模型訓練與效果驗證之法。 3.認識AI倫理與資料偏見議題，培養打造人人可信任的AI系統。 4.完整對應IPAS－AI應用規劃師能力鑑定的最新命題方向，並結合AIE人工智慧專業能力國際認證：AIAP人工智慧應用規劃師的核心知識架構。 想考國際認證嗎？ https://mosme.net/mosme/book_detail/nSV00121 專為現代考生設計的免到考場、免監考的高效認證方式，只要完成章節測驗並通過認證考試，即可下載電子證書，快速取得專業學習認證！

《系統分析與設計》（第十三版）涵蓋系統分析與設計各階段的理論基礎與實務應用的技術，並透過許多真實案例，深入說明各項技術如何落實於實際情境。本書同時呈現傳統與新興的系統分析與設計方法，包含物件導向分析和敏捷法，以及學習新的技術，例如，人工智慧(AI)、機器學習(ML)、雲端運算和網路安全等，協助讀者掌握最新發展趨勢。此外，本版特別新增第五階段之「系統維護和支援」章節，涵蓋維護任務分類、維護管理、系統備份和恢復計畫，以及系統安全策略的規劃，強調當今資訊系統完備的維護和安全功能之重要性。本書以務實且令人賞心悅目的方式展示資訊系統發展的知識，廣為各大學及技術學院,包括資訊管理、資訊科學及資訊工程等電腦相關科系，或是軟體開發的相關學程所採用。

★ AI人工智慧、IoT物聯網、ML機器深度學習。全應用！★ 以「做中學」、「學中思」、「思中創」培養應用資訊科技與運算思維解決問題能力以mBlock 5(v5.4版)程式積木將mBot化身百變智能小尖兵，設計：競速賽車、星星之舞學習機、避障機、智能送餐機、AI智能辨識、氣象播報機、智能學習機與娛樂機等，成為生活上的好幫手，讓生活更有趣。*體驗生活情境範例：從生活情境中架構專題*拆解mBot執行動作的原理：資訊科技融入學習領域知識*測試mBot感測器運作：運用演算法分析問題*規劃專題互動情境：規劃問題解決方法*設計mBot活動流程：從做中學理解原理啟發創意*設計程式並執行結果：以程式設計實踐問題解決*課後練習實作：從範例實做激發無限創意

從建構交易策略到使用Python的機器人投資顧問 機器學習和資料科學將在未來幾年顯著改變金融業。透過本實用指南，避險基金、投資和零售銀行以及金融科技公司的專業人士將學到如何建構對該行業極為關重要的ML演算法。您將研究ML概念和20多個案例研究，包括了監督式、非監督式和強化學習，以及自然語言處理(natural language processing, NLP)。 分析師、交易員、研究人員和開發人員還將深入研究投資組合管理、演算法交易、衍生性商品定價、詐欺偵測、資產價格預測、情緒分析和聊天機器人開發。您將探索現實生活中的問題，並學習以程式碼和範例作為後盾的科學上合理的解決方案。 本書包括： ‧基於迴歸的監督式學習交易策略和衍生性商品定價模型 ‧基於分類的監督式學習信用違約風險預測與詐欺偵測模型 ‧投資組合管理與收益率曲線建構中的降維技術及實例研究 ‧利用演算法和分群技術尋找交易策略和投資組合管理中相似物件的案例研究 ‧建立交易策略的強化學習模型和技巧，衍生性商品避險和投資組合管理 ‧使用Python函式庫(例如NLTK和Scikit-learn)的NLP技術

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。

全面掌握AI技術，開創屬於自己的AI之路，晉升專業實戰AI工程師 AI模型優化與實戰入門，矩陣到大型語言模型的完整攻略 理論與實作並行，完整理解AI的邏輯與機制 【內容簡介】 ♚AI知識剖析：完整理解數學、程式及實戰案例 ♚實務能力提升：學會建構、優化並實際應用AI模型 ♚實戰案例培訓：提供競賽經驗與案例，符合現場實務需求 ♚前瞻技術學習：掌握從經典模型到Transformer架構 本書內容改編自第16屆iThome鐵人賽AI/ ML & Data組佳作系列文章《從零開始學AI：數學基礎與程式碼撰寫全攻略》。本書是專為AI初學者與工程師所寫的實戰指南，涵蓋從數學基礎、NumPy操作到PyTorch建模與經典深度學習架構，強調不只教「怎麼做」，更解析「為什麼這樣做」。 作者結合競賽與實務經驗，深入剖析流程邏輯與常見錯誤，帶你掌握資料前處理、特徵選取、模型訓練、效能評估與部署，並逐步理解從感知器到Transformer的核心概念，幫助你真正理解模型原理、具備獨立設計與優化AI模型的能力。 【目標讀者】 ✪想要補足實作能力並加強理解、提升競賽與研究成果的學生與研究者。 ✪想用多樣的方式理解複雜概念、對AI感興趣的非專業人士。 ✪想要理解並導入AI技術、強化職場競爭力軟體的開發人員與工程師。 ✪調整模型成為特定領域專家、使其協助日常生活的專業領域人士。

從傳統銀行到虛擬資產，洗錢風險無所不在。在全球法遵壓力升溫下，企業與金融機構迫切需要更精準的智能查核工具。本套書整合 ICAEA 國際電腦稽核教育協會認證之兩冊教材，聚焦「盡職調查與黑名單偵測」與「拆單與規避申報查核」兩大主題，搭配 JCAATs AI 智能稽核軟體與案例演練資料，協助讀者全方位強化 AML 查核能力。內容涵蓋黑名單偵測、拆單交易、規避申報、人頭戶洗錢、提現為名轉帳為實等高風險行為的 AI 查核技術，結合大數據分析、模糊比對（Fuzzy Join）、文字探勘與機器學習（ML）模型，提升異常識別效率與監控精準度。JCAATs 為 Python-Based 新世代 AI 稽核工具，支援七國語言與直覺式介面，內建近百項智能查核指令，包括模糊比對、拆單偵測（SPLIT）、風險預測分析等，操作簡易，實務導向，適用於數位轉型下的查核需求。本套書由 ICAEA 國際查核顧問團隊編撰，適用於會計師、內部稽核、監管機關、AML 合規與風控人員。讀者可申請 JCAATs 教育試用版授權，搭配演練快速上手，實現法遵數據化與查核智慧化轉型！◎代理經銷 白象文化

邊緣AI正轉變著電腦與現實世界的互動方式，讓物聯網裝置能夠重拾先前因成本、頻寬或電力限制而被捨棄的99%感測器資料，進而做出決策。透過嵌入式機器學習等技術，開發者就能精煉人類直覺並將其部署到各種目標上，涵蓋了超低功耗微控制器到嵌入式Linux裝置。 這本實用指南為專業工程人士，包括產品經理和技術主管，提供了一個運用邊緣AI技術來解決實際工業、商業和科學問題的端對端框架。你將有機會探索從資料收集、模型最佳化再到調校測試的所有階段，學習如何設計和支援邊緣AI和嵌入式機器學習產品。邊緣AI必定會成為系統工程師的標準工具，本書中的高階路線圖可幫助你快速上手。 ．奠定關於邊緣裝置的AI和ML專業知識 ．了解哪些專案最適合使用邊緣AI來解決 ．探索邊緣AI應用的關鍵設計模式 ．學習開發AI系統的迭代工作流程 ．打造一支能夠解決實際問題的團隊 ．遵循負責任AI過程來製作有效的產品 「本書針對如何結合現今的AI智慧技術和嵌入式系統做了完美的介紹」 —Elecia White 《Making Embedded Systems》書籍作者與Embedded數位廣播節目主持人 「任何剛踏入這個新興領域的人都會受益於本書所提供的深刻見解和清晰思緒」 —Aurélien Geron 曾任YouTube自動影片分類小組主管與暢銷書作家 「我可以想像這本書被大家當作參考書來反覆查找」 —Fran Baker Arm永續與社會影響力部門主任

「你是否認為機器學習很複雜、很難掌握呢? 其實不然，來讀這本書，Serrano為你揭開機器學習的神秘面紗。」―Sebastian Thrun, Udacit創辦人「這是您機器學習旅程的第一步」―Millad Dagdoni, 挪威勞動福利局「這是本很好的引導指南，特別是對於那些想要寫程式但覺得自己數學程度不高的人」―Erik D. Sapper, 加州理工州立大學「這是我近年來有幸讀到最平易近人的機器學習介紹。強烈推薦！」―Kay Engelhardt, devstats只需要高中的數學程度，您就能發現並了解機器學習的強大之處！簡單來說，機器學習是一組建立在演算法上的資料分析技術，當您提供更多的資料，它就能產生更好的分析結果。ML驅動了許多尖端的技術，例如推薦系統、人臉識別軟體、智慧音箱，甚至是自駕車。而這本獨特的書將藉由相關的範例、有趣的練習以及簡要的插圖，為您介紹機器學習的核心概念。《白話機器學習》以任何人都能理解的方式來呈現機器學習的演算法和技術，跳過令人困惑的學術術語，提供您只需要一點基礎代數就能理解的清楚解釋。隨著學習本書的內容，您將使用Python建立許多有趣的專案，包含垃圾郵件偵測和圖像辨識等模型，並且還會學到清理和準備資料的實用技巧。本書包含：‧用於分類和分割資料的監督式演算法‧用於清理和簡化資料的方法‧機器學習的套件和工具‧用於複雜資料集的神經網路和集成方法本書適用於有Python基礎知識的讀者，但不需要有機器學習的相關知識。

「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 CroweTensorFlow 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

突破效能瓶頸，掌握多核心、GPU加速與大規模資料處理技巧。 實務方法×業界案例，帶你用Python打造生產級效能。 跨越記憶體限制、善用GPU，GenAI與生產化ML的最佳效能解方。 「Ian與Micha的新書不僅介紹現代效能工具，也深入探討程式優化的普遍原則。每一位Python開發者都應該閱讀此書！」 ― Mikhail Timonin，量化開發者，Engelhart 不論你是要處理龐大資料、打造AI產品，還是單純想讓程式更流暢，新版都提供了比前版更強化的工具與方法，讓你的Python程式真正跑出高效能。 收錄GenAI、機器學習產品化等實戰案例，讓你的Python程式在真實環境中全面升級。 ---------------------------------------------------- 或許你的Python程式已經能正確運行，但若能跑得更快，會為你帶來什麼改變？全新第三版《高效能Python程式設計》將引導你找出程式在高資料量環境下的效能瓶頸，並透過各種設計方法與背後的理論基礎，幫助你更深入理解Python的運作，進而寫出真正高效的程式碼。 本書不只涵蓋多核心、叢集與編譯的技巧，也帶你探索如何突破RAM限制、活用GPU加速，甚至在 GenAI、機器學習產品化等場景中提升效能。你將看到許多來自業界的實戰案例，這些公司如何善用高效能Python進行社群分析、AI應用到生產級系統。作者Micha Gorelick與Ian Ozsvald更分享了多年經驗與實用方法，幫助資深Python開發者在不犧牲可靠性的前提下，靈活擴展或縮小系統，迎戰真實世界的效能挑戰。 • 更深入掌握NumPy、Cython與效能分析器。 • 瞭解Python如何將底層電腦架構抽象化。 • 進行效能分析來找出CPU時間與記憶體的使用瓶頸。 • 利用合適的資料結構來寫出高效的程式。 • 提升矩陣與向量運算的速度。 • 使用Pandas、Dask與Polars來快速處理DataFrame。 • 加快神經網路與GPU的計算速度。 • 使用工具來將Python編譯為機器碼。 • 同時管理多個I/O與計算操作。 • 轉換multiprocessing程式碼，並在本地或遠端叢集上運行。

用數學與實作打通最佳化 從理論、工具到應用，學會打造更強的 AI 模型 本書內容改編自第 16 屆 iThome 鐵人賽 AI/ ML & Data 組冠軍系列文章《調整 AI 超參數好煩躁？來試試看最佳化演算法吧！》這是一本以「結合 AI 工具實作搭配少量理論」為核心的最佳化入門到進階指南。全書以直觀圖解與儘可能少的必要數學，帶你理解五花八門的演算法、目標函數與測試函數的本質，並以可直接執行的程式碼範例來串接起常見方法。例如，傳統啟發式演算法、粒子群算法（PSO），與比較近期的灰狼演算法（GWO），以及機器學習跟深度學習中的超參數最佳化（例如 TPE 等）。 書中不只介紹理論與實作，也新增「AI 協作」章節，示範如何下 Prompt，讓你與 AI 分工寫最佳化程式、請 AI 教學演算法與驗證結果。無論你來自影像處理、訊號處理、資料科學或工程領域甚至是學生，都能把最佳化真正用在工作、研究與學習裡。 本書可以學到哪些知識 本書規劃為五大篇、十個章節，以循序漸進的方式引導各位讀者深入最佳化的世界，並精選了一系列實際應用案例，讓各位不僅能理解理論，更能即學即用。 第一篇〈最佳化演算法的全貌〉：本篇會從最佳化技術的基礎概念開始，介紹什麼是最佳化演算法，接著會介紹目前的演算法種類大致分成哪幾種，這幾種演算法中目前比較主流跟比較多研究在使用的演算法有什麼。這些演算法雖然都是以數學來定義的，不過本書會根據這些公式的用途做一個簡單的總結，讓生活已經遠離數學的讀者也可以輕鬆上手。 第二篇〈最佳化演算法評估與測試函數〉：本篇將帶你掌握研究中廣泛使用的測試標準，讓你的最佳化演算法不再只是「感覺變好」，而是能以數據驗證、圖像呈現的方式準確比較表現。從經典測試函數到 Python 實作，幫助你建立完整的最佳化演算法評估公式。不論你是 AI 工程師、研究人員，還是想用最佳化技術提升產品效能的開發者，這章都能讓你學到「量化進步」，優化策略看得見！ 第三篇〈Python Optuna 模組介紹〉：進入實作關鍵！本篇將帶你認識 Optuna，一款靈活又高效的 Python 最佳化工具。無論你是要調校 AI 模型參數，還是優化自家產品或演算法效能，Optuna 都能幫你快速實驗、多次試錯、精準收斂。從基礎語法到深度學習案例，搭配 ChatGPT 提示技巧，讓你能在開發流程中聰明用好最佳化，把模型與應用

⭐⭐⭐⭐⭐ 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、

一本全家老少必備的「完全體質改善指南」．受老師、家長好評的《新一代兒童週報》專欄作家．開的課被媒體喻為全臺灣『比江蕙票還難搶』的課之一．4個月甩肉17公斤，8年不曾復胖的臺大超人氣教師因為，『營養是健康的根本，食物是營養的來源』；所以，營養學雖不用全盤了解，但關鍵重點不能不知！【學會營養學關鍵重點，就能『聰明健康吃』！】．配合食物的消化時間，調整進食先後順序．步驟吃肉法，膽固存不飆高，杜絕高脂肪．遵循３５９２１，輕鬆享瘦，不用餓肚子．多多吃魚：補腦、護眼、強心臟、增加抵抗力．零食改吃堅果類，高纖護腸胃，低GI控血糖……（更多『食』用學分，就在書本裡）【打造好體質23堂課程大公開】基礎班精心規劃，擊破飲食迷思20堂課課程精華班1：水是百藥王── 沒事多喝水，多喝水沒事？！→ 你可知道：1天3000 ml以上，恐怕影響腎臟代謝課程精華班2：吃油會變胖── 把油（脂肪）設定為拒絕往來戶？！→ 你可知道：保護器官、維持體溫……非脂肪不可課程精華班3：加鐵加鈣，買到賺到── 搶購加料牛乳，健康加分？！→ 你可知道：加的碳酸鈣人體難吸收，吃下去也無功課程精華班4：深色殼的蛋價格較高── 因為營養比淺色殼的蛋多？！→ 你可知道：深色淺色營養差不多，新鮮的蛋最營養課程精華班5：怕膽固醇超標── 專挑瘦肉，以為吃再多都無所謂？！→ 你可知道：瘦肉也有藏脂肪，適量吃才能補鐵又健康課程精華班6：水果營養多、防便祕── 想減肥，餐餐水果準沒錯？！→ 你可知道：水果糖分高、易吸收，空腹吃小心糖尿病進階班加開3堂，強化孩子生長發育必備的營養素課程強化班1：如何正確幫助孩子完整生長發育？→ 辨別飲食、睡眠特性，吃出全身好體質，長高長大課程強化班2：怎樣正確幫助孩子腦、眼、腸的生長發育？→ 吃對食物、養成好習慣，顧好各器官，奠定成長基礎營養強化班3：垃圾食物大變身！飲料和零食的營養大轉化→ 揭示飲食秘訣，將零食和飲料轉化成健康美味，讓「垃圾變黃金」【誰需要看這本書？】．家裡有3～18歲的兒童與青少年．不得不外食的學生、上班族、小家庭．追求輕鬆瘦身、不挨餓，且能不復胖者．想要變健康、更健康、維持健康的人【誰推薦這本書？】－專文推薦－陳石池（臺大醫院前院長）／ 曾興隆（書田醫院副院長）蘇玉龍（暨南大學前校長）／ 陳泰然（文化大學董事長）鄭金寶（臺大醫院前營養部主任）／ 況明潔（知名主持人）－強力推薦－

Standard ML is a general-purpose programming language designed for large projects.This book provides a formal definition of Standard ML for the benefit of all concerned with thelanguage, including use