Python machine learning

這本書引導讀者從廣闊的人工智慧來到深度學習的核心概念，深化對機器學習的理解，並揭示電腦視覺如何利用機器學習來模仿和擴展人類的視覺能力。深度學習顯著提升了電腦視覺技術的效能，而成功的電腦視覺案例又進一步推進深度學習領域的發展，形成一個良性循環。　書中不僅提供扎實的理論基礎，更搭配豐富實用的範例，這些範例都是用強大且被廣泛運用的 Python 程式語言編寫。透過這些範例，讀者能更直觀地掌握書中所述的概念，並將理論付諸實踐。　本書特別為對影像處理與電腦視覺懷抱熱情的讀者而設計，無論是大學部或研究所的學生，或是渴望自學精進的其他族群，都能從中獲益良多。

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

⛧⛦ 樹莓派 5 / 樹莓派 4 皆適用 ⛦⛧⛧⛦ 一本帶你玩翻人工智慧與物聯網 ⛦⛧『Raspberry Pi 樹莓派』是一款信用卡大小的單板迷你電腦，深受全球創客的喜愛。本書將引領你踏上創客之路，利用樹莓派建立 IoT 物聯網與 AIoT 智慧物聯網，以及親手打造遙控串流視訊車、自動避障車、物體追蹤車與 AI 自駕車。甚至讓你在樹莓派上運行 LLM 大型語言模型，並透過 Python 與 LLM 技術，以自然語言進行硬體控制。是不是已經迫不及待、躍躍欲試了呢？或許還有點擔心沒有基礎，會難以上手？請放心。本書將從樹莓派的購買、安裝與設定開始，逐步帶領你使用 Windows 電腦遠端操作樹莓派，並介紹 Linux 系統指令與伺服器架設，讓你不再畏懼終端機黑畫面的文字模式。接下來，我們將探索樹莓派的 GPIO 腳位，並透過 Python，甚至結合 ChatGPT API 和 LLM 等生成式 AI 來控制硬體。同時，本書也涵蓋如何在樹莓派上使用 Pico 開發板或 Arduino 開發板進行軟硬體整合，為你提供更多面向的選擇。更精彩的是，運用 Pi 相機模組或 Webcam 攝影機，並結合 OpenCV 電腦視覺套件與多種知名的深度學習模型，實作人臉偵測、手勢追蹤、人體姿態估計、即時物體偵測、文字偵測與車牌辨識等 AI 應用。至此，你便能輕鬆跟著我們的腳步，透過 Node-RED 物聯網開發工具和 Teachable Machine 來建立 AIoT。此外，也能透過整合超音波感測器、OpenCV 和 TensorFlow Lite，打造出自動避障車、物體追蹤車以及 AI 自駕車。無論你是創客新手或進階愛好者，本書將幫助你全面掌握樹莓派，發揮你的創意，輕鬆進行各種 AI 軟硬體整合專案！本書特色: ➢ 無需額外設備，從 Windows 電腦遠端操作樹莓派➢ 從零開始學習 Linux 系統與伺服器架設➢ 透過 Python 結合 GPIO 腳位與 ChatGPT API 或 LLM，以文字控制硬體➢ 同場加映樹莓派 Pico W 與 Arduino Uno 開發板的應用➢ 建立 Pi 相機模組或 Webcam 攝影機的網頁串流視訊➢ 搭配 OpenCV 電腦視覺套件，實作人臉、手勢、姿勢、物體、文字、車牌等偵測與辨識➢ 活用 YOLO、MediaPipe、CV

深度學習正日益深刻地滲入我們的生活，從建議內容到在任務關鍵型和安全關鍵型應用中發揮核心作用，其影響無所不在。然而，隨著這些算法影響力的逐漸擴大，人們對於依賴這些算法的系統安全性和魯棒性的擔憂也日益加劇。簡言之，傳統的深度學習方法往往難以察覺自身的知識邊界，即它們“不知其所不知”。貝葉斯深度學習(Bayesian Deep Learning，BDL)領域包含一系列利用深度網絡進行近似貝葉斯推理的方法。這些方法通過揭示模型對其預測結果的置信度，增強了深度學習系統的魯棒性，使我們能夠更謹慎地將模型預測融入實際應用中。《Python貝葉斯深度學習》將引領你踏入迅速發展的不確定性感知深度學習領域，助你深入理解不確定性估計在構建魯棒性的機器學習系統中的重要價值。你將學習多種流行的BDL方法，並通過涵蓋多種應用場景的Python實用示例來掌握這些方法的實現技巧。讀完本書後，你將深刻理解BDL及其優勢，並能夠為更安全、更魯棒的深度學習系統開發貝葉斯深度學習模型。主要內容：● 了解貝葉斯推理和深度學習的優缺點● 了解貝葉斯神經網絡(Bayesian Neural Network，BNN)的基本原理● 了解主要貝葉斯神經網絡實現/近似之間的差異● 了解生產環境中概率深度神經網絡的優勢● 在Python代碼中實現各種貝葉斯深度學習方法● 運用貝葉斯深度學習方法解決實際問題● 學習如何評估貝葉斯深度學習方法並為特定任務選擇最佳方法● 在實際深度學習應用中處理“分布外”數據

This enthusiastic introduction to the fundamentals of information theory builds from classical Shannon theory through to modern applications in statistical learning. Includes over 210 student exercises, emphasising practical applications in statistics, machine learning and modern communication theory. Accompanied by online instructor solutions.

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