本書提供一套全面的學習路徑，讓不同背景的讀者都能掌握「最佳化技術」，
應用於實際的AI模型參數調整和解決各種複雜的問題。
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，把模型與應用推向新高度。
第四篇〈Python MealPy 模組介紹〉：想一次體驗上百種最佳化演算法？本篇帶你認識 MealPy，它是一個內建超過百種啟發式演算法的寶藏套件。從經典的螞蟻、粒子群，到新奇的蝴蝶、草履蟲，只要換個方法名就能快速測試、比較各家表現。不論你是做研究、參賽、建模，還是單純想擴充工具庫，MealPy 都能讓你輕鬆召喚演算法大軍，向各種疑難雜症的最佳化問題進攻！
第五篇〈最佳化技術進階延伸〉：最佳化技術不只用在調整模型的超參數，更能落地於工業相關的參數模擬與生成式 AI 等多元場景。本章將介紹如何用最佳化解決工業製程參數最佳化、路徑規劃與 Diffusion 圖像生成控制等實務問題，並補充 RL 與 LLM 中策略與 Prompt 設計的最佳化理論，拓展你對前沿技術與應用實務的整體視野。
目標讀者
● 想把最佳化用在實務問題或應用的工程師 & 研究生。
● 期望讓模型表現「穩定拉高」的資料科學家與 ML 工程師。
● 願意照著程式一步步動手，但不想被數學嚇退的學習者。
● 對最佳化有興趣，想應用在各種領域或者單純學習的人們。
● 想用 Prompt 與 AI 協作，加速寫最佳化程式與需要 AI 教師的人。
應用於實際的AI模型參數調整和解決各種複雜的問題。
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，把模型與應用推向新高度。
第四篇〈Python MealPy 模組介紹〉：想一次體驗上百種最佳化演算法？本篇帶你認識 MealPy，它是一個內建超過百種啟發式演算法的寶藏套件。從經典的螞蟻、粒子群，到新奇的蝴蝶、草履蟲，只要換個方法名就能快速測試、比較各家表現。不論你是做研究、參賽、建模，還是單純想擴充工具庫，MealPy 都能讓你輕鬆召喚演算法大軍，向各種疑難雜症的最佳化問題進攻！
第五篇〈最佳化技術進階延伸〉：最佳化技術不只用在調整模型的超參數，更能落地於工業相關的參數模擬與生成式 AI 等多元場景。本章將介紹如何用最佳化解決工業製程參數最佳化、路徑規劃與 Diffusion 圖像生成控制等實務問題，並補充 RL 與 LLM 中策略與 Prompt 設計的最佳化理論，拓展你對前沿技術與應用實務的整體視野。
目標讀者
● 想把最佳化用在實務問題或應用的工程師 & 研究生。
● 期望讓模型表現「穩定拉高」的資料科學家與 ML 工程師。
● 願意照著程式一步步動手，但不想被數學嚇退的學習者。
● 對最佳化有興趣，想應用在各種領域或者單純學習的人們。
● 想用 Prompt 與 AI 協作，加速寫最佳化程式與需要 AI 教師的人。
PART 1 最佳化演算法的全貌
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）asnd PART 1 最佳化演算法的全貌
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）askw PART 1 最佳化演算法的全貌
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）asnd PART 1 最佳化演算法的全貌
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）askw PART 1 最佳化演算法的全貌
Chapter 01 最佳化技術導論與相關背景
1.1 最佳化究竟是什麼？
1.2 最佳化演算法的 5W1H
1.3 最佳化的核心理念與方法類型
Chapter 02 啟發式演算法介紹與應用
2.1 啟發式演算法種類介紹
2.2 基於粒子（生物行為）的演算法原理介紹
2.3 基於粒子（生物學）的演算法原理介紹
2.4 基於進化的演算法原理介紹
2.5 基於人類行為的演算法原理介紹
2.6 基於機率模型的最佳化演算法介紹
2.7 小結
2.8 附錄：與 ChatGPT 協作
2.9 參考資料
PART 2 最佳化演算法評估與測試函數
Chapter 03 如何判斷演算法優劣？測試函數介紹
3.1 測試函數介紹
3.2 Sphere Function 介紹
3.3 Ackley Function 介紹
3.4 Levy Function 介紹
3.5 Cross-in-tray Function 介紹
3.6 Bukin Function 介紹
3.7 Rastrigin Function 介紹
3.8 Bohachevsky Function 介紹
3.9 Griewank Function 介紹
3.10 Schaffer Function N.2 介紹
3.11 小結
3.12 附錄：使用 ChatGPT 協助完成任務
PART 3 Python Optuna 模組介紹
Chapter 04 Optuna 模組基礎介紹
4.1 Optuna 介紹
4.2 第一個 Optuna 程式
4.3 Optuna 開發範例
4.4 Optuna 進階 API 功能介紹
Chapter 05 Auto ML Optuna 實作
5.1 最佳化機器學習模型
5.2 最佳化 MLP
5.3 最佳化 CNN
5.4 最佳化 GAN
5.5 與 ChatGPT 協作
5.6 小結
PART 4 Python MealPy 模組介紹
Chapter 06 MealPy 模組基礎介紹
6.1 MealPy 介紹
6.2 第一個 MealPy 程式
6.3 MealPy 開發範例
6.4 MealPy 進階 API 功能介紹
Chapter 07 MealPy 基礎實作
7.1 最佳化機器學習模型
7.2 最佳化 MLP 與 CNN
7.3 最佳化 GAN
7.4 與 ChatGPT 協作
PART 5 最佳化技術進階延伸
Chapter 08 最佳化在其他領域的實作
8.1 工業製程參數最佳化
8.2 車輛路線規劃最佳化
8.3 Diffusion 模型生成最佳化
Chapter 09 最佳化在其他領域的案例
9.1 強化學習中的策略最佳化
9.2 Diffusion 模型的最佳化應用
9.3 Prompt Optimization：讓 LLM 更懂你想要的
9.4 RAG 設計與資訊檢索策略優化
Chapter 10 其他可應用最佳化的工具模組
10.1 scikit-learn
10.2 Keras Tuner
10.3 MealPy Tuner
10.4 NiaPy
10.5 Nevergrad
10.6 BayesianOptimization
10.7 DEAP（Distributed Evolutionary Algorithms in Python）
陳冠霖（Brian Chen）
現在還在就讀研究所，是一個喜歡把想法嘗試落地的人（但大部分都太天馬行空導致失敗XD）。研究主軸是 AI 與電腦視覺，以及很多酷酷的小方向。今年日常主要都在寫論文，做實驗，以及參加研討會中反覆交錯。
這本書的誕生，也是在一次次的重寫與改良中定型：從鐵人賽文章出發，我把章節重新規劃、補上想要補充的內容、修改描述不精確的部分，並把流程盡可能簡述到能讓沒有太多基礎的讀者也能跟上。目的很單純，就是希望能幫助各位用最短的時間抓到有效的最佳化做法，減少試錯所消耗的時間，專注在真正重要的問題上。
去年因緣際會出版過一本鐵人書籍，今年也順利出版，接下來是否維持「一年一本」還沒定論；至於我的下一篇長文？大概會是我的碩士論文吧。希望你讀完這本書之後，也能在自己的題目上跑出穩定成果，或從中體會到一些樂趣。
【iThome 鐵人賽獲獎】
2024 AI/ ML & Data 組冠軍：《調整AI 超參數好煩躁？來試試看最佳化演算法吧！》
現在還在就讀研究所，是一個喜歡把想法嘗試落地的人（但大部分都太天馬行空導致失敗XD）。研究主軸是 AI 與電腦視覺，以及很多酷酷的小方向。今年日常主要都在寫論文，做實驗，以及參加研討會中反覆交錯。
這本書的誕生，也是在一次次的重寫與改良中定型：從鐵人賽文章出發，我把章節重新規劃、補上想要補充的內容、修改描述不精確的部分，並把流程盡可能簡述到能讓沒有太多基礎的讀者也能跟上。目的很單純，就是希望能幫助各位用最短的時間抓到有效的最佳化做法，減少試錯所消耗的時間，專注在真正重要的問題上。
去年因緣際會出版過一本鐵人書籍，今年也順利出版，接下來是否維持「一年一本」還沒定論；至於我的下一篇長文？大概會是我的碩士論文吧。希望你讀完這本書之後，也能在自己的題目上跑出穩定成果，或從中體會到一些樂趣。
【iThome 鐵人賽獲獎】
2024 AI/ ML & Data 組冠軍：《調整AI 超參數好煩躁？來試試看最佳化演算法吧！》
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
