（iThome鐵人賽系列書）
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。
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。
|Chapter 01| 人工智慧入門與Python環境建置
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結asnd |Chapter 01| 人工智慧入門與Python環境建置
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結askw |Chapter 01| 人工智慧入門與Python環境建置
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結asnd |Chapter 01| 人工智慧入門與Python環境建置
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結askw |Chapter 01| 人工智慧入門與Python環境建置
1.1 人工智慧的發展歷程：從熱潮到寒冬，再到現在
1.2 拆解三大核心：人工智慧、機器學習與深度學習
1.3 機器學習的四種學習方式：監督、非監督、強化與遷移
1.4 Python與Jupyter Notebook實作的開發利器
1.5 常見問題與知識總整理
1.6 小結
|Chapter 02| 單層感知器的數學原理與實作入門
2.1 感知器簡介：人工智慧的起點
2.2 前向傳播：從輸入到預測的數學轉換
2.3 損失函數與反向傳播：學習的數學核心
2.4 梯度下降與參數更新：從錯誤中修正的機制
2.5 章節實作：從單層感知器建立到預測輸出
2.6 常見問題與知識總整理
2.7 小結
|Chapter 03| 多層感知器與優化策略實戰
3.1 多層感知器的誕生：破解單層感知器的限制
3.2 MLP結構與數學原理：從輸入到機率輸出
3.3 反向傳播機制：從損失回推模型調整方向
3.4 選擇適當優化器：GD與SGD差異比較
3.5 章節實作：MLP訓練與優化器效能分析
3.6 常見問題與知識總整理
3.7 小結
|Chapter 04| PyTorch環境搭建與深度神經網路實作
4.1 PyTorch安裝與環境驗證
4.2 資料處理與MLP模型訓練流程
4.3 章節實作：MLP在CIFAR-10上的應用
4.4 常見問題與知識總整理
4.5 小結
|Chapter 05| CNN原理與PyTorch實作
5.1 CNN基礎與卷積細節
5.2 章節實作：圖像前處理與可調式CNN模型設計
5.3 常見問題與知識總整理
5.4 小結
|Chapter 06| 文字處理、序列模型與情緒分析實戰
6.1 斷詞與子詞策略
6.2 向量化方法：獨熱編碼 vs 詞嵌入
6.3 循環神經網路（RNN）
6.4 長短期記憶（LSTM）
6.5 門控循環單元（GRU）
6.6 章節實作：IMDB情緒分類（BERT分詞 + GRU）
6.7 常見問題與知識總整理
6.8 小結
|Chapter 07| Seq2Seq與Attention架構解析
7.1 Seq2Seq基礎：Encoder + Decoder
7.2 Attention強化：解決資訊壓縮瓶頸
7.3 章節實作：中英翻譯模型
7.4 常見問題與知識總整理
7.5 小結
|Chapter 08| 萬物皆可Transformer：Encoder與BERT系列
8.1 遷移學習與微調
8.2 Transformer Encoder
8.3 BERT：雙向編碼器預訓練模型
8.4 章節實作：假新聞辨識 with BERT
8.5 常見問題與知識總整理
8.6 小結
|Chapter 09| 萬物皆可Transformer：Decoder與GPT系列
9.1 Transformer Decoder
9.2 GPT-1
9.3 GPT-2：規模、Pre-LN與殘差縮放
9.4 GPT-3：少樣本 / 零樣本與提示學習
9.5 章節實作：微調GPT-2用於翻譯任務
9.6 常見問題與知識總整理
9.7 小結
|Chapter 10| 萬物皆可Transformer：中文語音辨識與Whisper微調
10.1 語音資料格式與特徵萃取
10.2 Whisper模型架構
10.3 QLoRA：高效微調大模型
10.4 章節實作：中文語音辨識微調實作流程
10.5 常見問題與知識總整理
10.6 小結
|Chapter 11| 萬物皆可Transformer：從GPT-3到LLaMA 3的指示學習
11.1 從提示學習到指示學習
11.2 ChatGPT三階段訓練流程
11.3 LLM架構優化技術
11.4 章節實作：用LLaMA 3訓練繁中聊天機器人
11.5 常見問題與知識總整理
11.6 小結
黃朝隆
現任AI研發工程師，專注於人工智慧與軟體開發，擅長自然語言處理、生成式AI及大型語言模型應用，致力於將前沿技術導入企業實務與智慧化系統。自碩士期間起，積極參與跨領域專案與學術研究，曾率領團隊於2025 AI CUP全國大專院校人工智慧競賽榮獲冠軍與亞軍，並取得多項競賽佳績。
除研發與著作外，亦受邀擔任企業內訓與學術講師，並具有國內外家教經驗，長期協助澳洲、新加坡及台灣的大專學生及業界工程師學習Python、深度學習、自然語言處理及AI專案開發。以實務導向與國際視野的教學方式，協助學生成功完成學業、研究專案，並順利進入人工智慧相關產業。
現任AI研發工程師，專注於人工智慧與軟體開發，擅長自然語言處理、生成式AI及大型語言模型應用，致力於將前沿技術導入企業實務與智慧化系統。自碩士期間起，積極參與跨領域專案與學術研究，曾率領團隊於2025 AI CUP全國大專院校人工智慧競賽榮獲冠軍與亞軍，並取得多項競賽佳績。
除研發與著作外，亦受邀擔任企業內訓與學術講師，並具有國內外家教經驗，長期協助澳洲、新加坡及台灣的大專學生及業界工程師學習Python、深度學習、自然語言處理及AI專案開發。以實務導向與國際視野的教學方式，協助學生成功完成學業、研究專案，並順利進入人工智慧相關產業。
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Eligible to write reviews after purchasing products or add to Library
