Python Machine Learning

若要打造可推理及提取外部資料、理解前後脈絡、可投入正式環境的 AI 應用程式，你就必須熟悉熱門的開發框架與平台 LangChain。它可以用來建立、執行與管理有自主行動能力的 app。目前已有許多頂尖公司採用 LangChain，包括 Zapier、Replit、Databricks 等。對於已經學會 Python 或 JavaScript，且想要掌握 AI 能力的新手開發者而言，本書是必備的學習資源。 作者 Mayo Oshin 與 Nuno Campos 透過實用的見解與深入的教學，帶領你逐步掌握 LangChain 的運用。從基礎概念開始，一步步帶你建立一個可正式上線，並且能夠使用個人資料的 AI agent。 • 運用 retrieval-augmented generation（RAG）技術，結合外部的即時資料來提升 LLM 的準確性。 • 開發並部署能夠與使用者聰明地互動，並且記得前後脈絡的 AI 應用程式。 • 透過 LangGraph 來使用強大的 agent 架構。 • 整合並管理第三方 API 與工具，以擴充 AI 應用程式的功能。 • 監控、測試與評估 AI 應用程式，以提升效能。 • 瞭解 LLM app 開發的基礎知識，並學習如何在 LangChain 上加以活用。 ------------------------------------------------------------- 「本書包含條理分明的講解和可落實的技巧，是掌握 LangChain 的強大功能，並用它來製作可上線的生成式 AI 與 agent 的首選資源。對於想充分利用此平台之潛力的開發者來說，是必讀之作。」 ── Tom Taulli，IT 顧問暨《AI輔助程式開發》作者 「這本完整的指南涵蓋文件提取與檢索，以及在正式環境中部署與監控 AI agent 的完整知識。透過引人入勝的範例、直覺的圖解與實際的程式碼，讓 LangChain 變得既有趣又好玩！」 ── Rajat K. Goel，IBM 資深軟體工程師 「這是一本完整的 LLM 指南，不只介紹基礎知識，也探討生產階段，充滿技術見解、實用策略，以及強大的 AI 模式。」 ── Gourav Singh Bais，Allianz Services 資深資料科學家暨技術內容撰寫人

GitHub Copilot學習手冊｜效率倍增的AI程式設計力 「《GitHub Copilot學習手冊》是實用、有深度、貼近日常開發方法的一本書。」 ――Andrew Stellman，開發者、團隊主管、講師與作者 「每一位程式設計師都要瞭解AI輔助程式設計，GitHub Copilot顯然是這個領域的龍頭，而Brent的這一本書是帶你精通這款強大工具的終極指南。」 ――Tom Taulli，《AI輔助程式開發》 作者 使用GitHub Copilot的生成式AI 來大幅提升程式設計效率！在這本實用指南中，作者Brent Laster將教你如何使用生成式AI來迅速寫出更好的程式、輕鬆生成測試程式、在任何開發階段寫出完善的文件…等。本書也會探討進階用法――例如利用Copilot的Agent功能來自動新增功能，以及自動審查pull requests。 《GitHub Copilot學習手冊》適合任何程度的開發者、測試人員、DevOps工程師，以及軟體專業人士。本書除了介紹基本知識外，還會深入討論Copilot Edits、Agent模式與Copilot Vision。你也將學習建立自己的Copilot擴充套件以擴展功能。不論你使用的是Python、JavaScript還是其他語言，本書都能幫你充滿信心地將AI整合到開發流程中。 - 利用即時的AI建議來探索與瞭解陌生的程式與演算法 - 精通行內補全與聊天介面，將常見任務自動化 - 快速、輕鬆地將自然語言提示詞轉換為完整的函式、測試與文件 - 利用背景資訊與提示詞來優化AI生成的結果，以獲得量身打造的解決方案 - 在IDE中透過AI的協助來簡化功能開發與重構

零基礎也能打造AI物聯網， 用Node-RED整合YOLO與LLM， 全方位建構你的AIoT與邊緣AI應用！ 當人工智慧結合物聯網成為未來主流，本書提供一條簡單易學的路徑，帶你從視覺化流程工具Node-RED入門，逐步整合YOLO物體偵測、Teachable Machine影像辨識與LLM大型語言模型，打造出屬於自己的智慧感知系統。全書以圖解＋範例方式呈現，並搭配專為本書設計的fChartEasy綠化開發套件，簡化安裝流程快速上手。不論是專題學生、教師或AIoT初學者，都能從中找到有用且完整的解決方案。 內容重點 ➤ 使用Node-RED視覺化流程建立監控儀表板（Dashboard）、MVC網站、REST API和使用MySQL資料庫儲存感測器數據。 ➤ 詳細說明MQTT通訊協定、取得網路OpenData與JSON資料剖析、寄送Email電子郵件與Telegram通知。 ➤ 使用Teachable Machine與YOLO訓練自己的AI模型，並且串接LLM來輕鬆使用Node-RED整合生成式AI，建立你的AIoT智慧物聯網應用。 ➤ 完整YOLO模型訓練步驟，只需執行各步驟的Python工具程式，就可以使用LabelImg標註圖片建立資料集，訓練出你自己的YOLO物體偵測模型。 ➤ 提供綠化版Node-RED+Python整合套件fChartEasy，免安裝輕鬆幫助你建構學習本書內容所需的Windows開發環境。 你將學會以下實作專案： ✔ 建立溫溼度監控儀表板、繪製Node-RED圖表、送出天氣通知 ✔ 使用Teachable Machine 模型、標註圖檔、YOLO客製化模型 ✔ 打造透過MQTT控制的ESP32-CAM相機與IP Camera，輕鬆建立你的AI之眼 ✔ 建立AI猜拳遊戲、OCR車牌辨識、物體偵測、即時串流偵測、路況分析 當人工智慧結合物聯網成為未來主流，本書提供一條簡單易學的路徑，帶你從視覺化流程工具Node-RED入門，逐步整合YOLO物體偵測、Teachable Machine影像辨識與LLM大型語言模型，打造出屬於自己的智慧感知系統。全書以圖解＋範例方式呈現，並搭配專為本書設計的fChartEasy綠化開發套件，簡化安裝流程快速上手。不論是專題學生、教師或AIoT初學者，都能從中找到有用且完整的解決方案。 本書特色  視覺化開發×無痛入

🔹 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

內容介紹: 用自己的電腦也能從零開始建構 LLM 模型！LLM 的參數真的非常多~ 動輒就數千億個參數，一般家用電腦是跑不動的；再加上 LLM 模型架構、注意力機制的運作都非常複雜，要深入理解也有不小的門檻。★ 機器學習專家 Sebastian Raschka 特別規劃了一整套的教練式教學，透過較小型的資料集，讓您能在一般電腦上跟著步驟實作，並逐步理解大型語言模型的架構與技術！- 本書涵蓋了建構 LLM 的完整過程，包括處理資料集、實作模型架構、注意力機制、使用無標籤的資料進行預訓練，以及針對特定任務的微調技術 (分類任務微調與指令微調)。- 書中每一步驟都有清楚的文字、圖解和程式範例，帶著你從零開始撰寫一個基礎模型，並將其進化為文本分類工具，最終創建一個能夠理解並回應對話指令的聊天機器人。★ 經驗豐富的開發者與初學者，都可以學習到如何一步步建構一個 GPT，掌握創建 LLM 所需的基本概念與實作技巧！- 如果是具備基礎機器學習知識、中階 Python 技能的讀者，作者提供了許多額外資源，包含完整程式碼範例 (GitHub 儲存庫)、參考文獻與延伸閱讀 (像是如何應用更大規模的模型參數)、優化訓練迴圈與進階的 LoRA 微調方法，讓您可以再進一步深入學習，持續往專家邁進！- 對於初學者來說，作者在附錄中有提供 PyTorch 基礎知識與安裝解說，而小編則在內文中適當添加註解，幫助讀者能更好地理解內容。另外，旗標更準備了 Colab 線上資源，讓您理論、實作都能暢通無阻。就算是程式語言小白，初入門也能無痛學習、打好 LLM 的基礎~一起提前起跑，搶佔 LLM 理論知識與 GPT 模型實作的先機，為自己投資一個無限的未來！本書特色: 「親手實現LLM，就能破解AI落地應用的層層關卡！」——溫怡玲｜人工智慧科技基金會 執行長▌專業推薦 ▌林筱玫｜台灣人工智慧協會 執行長 馬偉雲｜中央研究院 資訊科學研究所 副研究員郭興安｜永豐餘投控 資安長暨元信達資訊 總經理黃逸華｜美商WSP集團 臺灣區分公司 策略長蕭安助｜和碩聯合科技 人工智慧發展處 副總經理● 長年 4.5 顆星好評並翻譯成多國語言的暢銷書《Python Machine Learning》作者 Sebastian Raschka 又一最新力作 ● 本書於 Amazon 上獲 4.7 顆星好評

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

「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

如果你主要關注統計分析、數據可視化、線性代數、初等微積分，並希望較快上手，「R語言」會是較佳的選擇！本書獨特之處在於以直觀且實用的方式，清楚介紹人工智慧及機器學習領域中常用的管理數學工具。透過R語言的實作，讀者得以深入理解並實際應用於不同實務情境。書中的實例不侷限於理論探討，更著重實際應用，貼近日常生活，喚起讀者對數學的共鳴與學習熱情。舉例而言，透過應用貝氏定理，探討運動員實際服用興奮劑的真相，以及判斷過濾垃圾郵件的情境。同時，透過極佳化方法的應用，協助航空公司訂定最適價格和最大利潤路線圖等案例，使得理論更具實用性。除此之外，本書擴大管理數學的範疇：從管理數學傳統上僅處理統計、線性代數的刻板印象，將此核心概念延伸至線性轉換、特徵值與特徵向量等進階議題，並且更進一步涵蓋一般書籍較少觸及的「極佳化方法」，包括微分、極值、偏微分以及拉氏乘數等內容，於實用範例中為機器學習（Machine learning）的數學應用奠定基礎。線性規劃的討論更是引領讀者回溯至二戰時期，線性規劃應用於確定空中力量和雷達（radar）的最佳使用，具有時代非凡之意義。同時探討在各種混和限制條件下，欲達目標極大、極小化，使用線性代數中構築人工基底手法，自標準的極大化問題做為起點，經二階段法、對偶問題法、對偶單形法，深入解說 R 軟體 lpSolveAPI 套件背後的數學脈絡或故事。本書精彩內容 ——線性代數｜線性函數｜線性方程組｜矩陣｜向量空間｜線性轉換｜極佳化方法｜拉氏函數｜機率與統計｜單利．複利｜線性規劃｜馬可夫鏈｜預測｜本書特色☑ 以 R 軟體的程式語言與過程，深入解說並印證數學定義、定理☑ 透過 R 軟體的印證，經驗的移轉，形塑跨電腦語言的整體處理思維☑ 促成 R 軟體成為數學符號以外的第二語言，加速數學學習效率☑ 將人工智慧及機器學習常用之數學思維，應用於資料分析及解決管理問題

多智能體強化學習(Multi-Agent Reinforcement Learning, MARL)是機器學習中的一個領域，研究多個智能體如何在共享環境中學習最優的交互方式。這一領域在現代生活中有著廣泛的應用，包括自動駕駛、多機器人工廠、自動化交易和能源網絡管理等。 本書是一部系統闡述多智能體強化學習理論與技術的權威著作，清晰而嚴謹地介紹了MARL的模型、解決方案概念、算法思想、技術挑戰以及現代方法。書中首先介紹了該領域的基礎知識，包括強化學習理論和算法的基礎、交互式博弈模型、博弈中的不同解決方案概念以及支撐MARL研究的算法思想。隨後，書中詳細介紹了利用深度學習技術的現代MARL算法，涵蓋集中訓練與分散執行、價值分解、參數共享和自博弈等思想。本書還附帶了一個用Python編寫的MARL代碼庫，其中包括自包含且易於閱讀的MARL算法實現。 本書技術內容以易於理解的語言解釋，並通過大量示例進行說明，既為初學者闡明了MARL的概念，也為專業的讀者提供了高層次的見解。