Introducing Python

本書是《動手學深度學習》的重磅升級版本，選用PyTorch深度學習框架，旨在向讀者交付更為便捷的有關深度學習的交互式學習體驗。本書重新修訂《動手學深度學習》的所有內容，並針對技術的發展，新增注意力機制、預訓練等內容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，並由線性模型引出基礎的神經網絡――多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經網絡、循環神經網絡、注意力機制等大多數現代深度學習應用背後的基本工具；第三部分討論深度學習中常用的優化算法和影響深度學習計算性能的重要因素，並分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者瞭解基本的Python編程知識及預備知識中描述的線性代數、微分和概率等基礎知識。

全書共分為3篇。第一篇是理論基礎篇，講解從事電子商務數據分析前需要瞭解的理論知識，每個理論知識點都結合案例做詳細的解析。第二篇是專業方法篇，介紹數據採集和數據清洗的專業方法。第三篇是應用場景篇，介紹運營與數據平臺的應用、運營診斷與複盤的方法、宏觀市場分析、市場細分及競爭分析、流量運營分析、產品運營分析、消費者運營分析及商務報告的撰寫等。本書既可以作為高等院校電子商務專業、商務數據分析與應用專業、大數據分析與應用專業等本專、科學生的專業課教材，也可以作為實務工作者學習電子商務數據分析的基礎知識以及報考商務數據分析相關資格證的參考用書。

自ChatGPT上市滿週年以來，其熱潮未見減弱，OpenAI官方更積極拓展其應用範圍，推出了Plugins與GPTs等服務，進一步豐富ChatGPT的使用場景。這些創新的大型語言模型（LLM）應用，正在逐步轉變我們的軟體操作方式，將自然語言作為輸入介面，以生成的內容作為輸出回應。舉例來說，僅需輸入「明天10點安排業務會議，並通知相關人員」，LLM應用即可自動完成會議的建立與相關通知。這種方式，無疑是人類溝通中最為自然的模式。面對如此劃時代的變革，我們迫切需要適當的開發指導與策略。 本書旨在提供此類指南，專門解析目前市場上兩大主流的LLM應用開發框架—LangChain與Semantic Kernel。無論您是Python或.NET的開發人員，都能從本書中獲得寶貴的知識與技能。除此之外，本書還特別介紹了當前最受企業青睞的知識庫應用架構—RAG實作，以及提示工程的視覺化工具，每個主題都配有專章詳細介紹與實作教學，旨在為讀者提供全面而深入的學習體驗。 本書特色 1.首本涵蓋LangChain與Semantic Kernel框架教學指南在人工智慧領域，ChatGPT已成為不可忽視的焦點。雖然市場上有許多書籍從探討Prompt提示的調用出發，但真正深入探討如何整合外部系統或進行複雜Prompt提示的資料卻寥寥無幾。本書將填補這一空白，專注於兩大主流開發框架：LangChain與Semantic Kernel，為讀者提供深入指南。 2.內容涵蓋向量資料庫、RAGRAG是目前企業打造知識庫LLM應用的首選架構，其技術層面涵蓋向量、詞嵌入、提示工程，本書一一拆解為讀者提供詳細的RAG設計過程與實作。 3.提示流程視覺化工具提示流程視覺化工具是一種開發工具，目的在簡化由大型語言模型（LLM）提供之 AI 應用程式的整個開發週期。可簡化原型設計、實驗、反覆運算和部署 AI 應用程式的程式。本書手把手教學，甚至可以實現零程式碼建造LLM應用。適合非專業開發者使用。 4.本書適合的「讀者族群」a.想瞭解如何使用LangChain與Semantic Kernel的開發者b.想瞭解向量資料庫與RAG架構的開發者c.想瞭解Prompt提示工程視覺化設計的使用者d.想瞭解在企業面如何整合ChatGPT導入應用的技術主管 專業推薦

圖神經網絡不僅能夠解決傳統機器學習方法無法解決的圖數據問題，而且能夠應用於許多實際場景，例如社交網絡、藥物發現、網絡安全、金融風控等。《圖神經網絡基礎、模型與應用實戰》旨在為初學者和實踐者提供一個詳細、全面的入門指南，圍繞圖神經網絡基礎、模型、應用實戰(均採用Python+PyTorch實現)等方面進行介紹。《圖神經網絡基礎、模型與應用實戰》配套示例源碼、數據集、PPT課件。《圖神經網絡基礎、模型與應用實戰》共分9章，內容包括圖神經網絡概述、PyTorch開發環境搭建、數據集的獲取與加載、圖神經網絡模型、圖神經網絡在自然語言處理領域的應用、圖神經網絡在計算機視覺領域的應用、圖神經網絡在推薦系統領域的應用、圖神經網絡在社交網絡領域的應用、圖神經網絡的挑戰和機遇。其中，每個領域的應用都包括1～3個實戰項目，可以幫助讀者快速掌握圖神經網絡。《圖神經網絡基礎、模型與應用實戰》適合圖神經網絡初學者、圖神經網絡算法開發人員、深度學習算法開發人員，也適合高等院校或高職高專圖神經網絡相關課程的師生教學參考。

XGBoost是一種經過行業驗證的開源軟件庫，為快速高效地處理數十億數據點提供了梯度提升框架。首先，本書在介紹機器學習和XGBoost在scikit-learn中的應用後，逐步深入梯度提升背後的理論知識。讀者將學習決策樹，並分析在機器學習環境中的裝袋技術，同時學習拓展到XGBoost的超參數；並將從零開始構建梯度提升模型，將梯度提升擴展到大數據領域，同時通過計時器的使用瞭解速度限制。接著，本書重點探討XGBoost的細節，著重於速度提升和通過數學推導導出參數。通過詳細案例研究，讀者將練習使用scikit-learn及原始的Python API構建和微調XGBoost分類器與回歸器；並學習如何利用XGBoost的超參數來提高評分、糾正缺失值、縮放不平衡數據集，並微調備選基學習器。最後，讀者將學習應用高級XGBoost技術，如構建非相關的集成模型、堆疊模型，並使用稀疏矩陣、定制轉換器和管道為行業部署準備模型。本書適合作為高等學校計算機專業、軟件工程專業的高年級本科生及研究生教材，同時適合有一定機器學習基礎的數據科學家、機器學習工程師和研究人員閱讀，可為解決複雜的機器學習問題提供實用指導。