描述
內容簡介
| 擺脫碎片化學習，建立不退流行的演算法母語！
►第一原理推導 ｜ 434 篇論文錨定，打通演算法底層 ►手刻真實代碼 ｜ 100+ 範例，擺脫「看懂卻寫不出」 ►階梯思考訓練 ｜ 1,000+ 題庫，課後複習與培訓首選 ►在地真實實戰 ｜ 對接台股、實價登錄等台灣真實資料
【Part I 基礎工具】 徹底擺脫相依地獄 ‧ Conda / PyTorch / CUDA 環境完美對齊 ‧ NumPy / Pandas / Polars 超高效 ETL 實戰 【Part II 經典 ML】 表格資料與小樣本首選 ‧ 決策樹、SVM 與 XGBoost / LightGBM 剖析 ‧ AutoML 自動建模與 XAI 可解釋性 AI 【Part III 深度學習】 現代 AI 總樞紐 ‧ 手刻神經網路、反向傳播矩陣推導 ‧ CNN 空間特徵、ViT 與 Transformer 核心數學
專業推薦 林立生—新竹市政府教育處 處長/ 國立屏東大學教育學 博士 呂明峯—明新科技大學 教授/ 明新科技大學校長 馮美瑜—台北城市科技大學 教授/ 台北城市科技大學 校長 林義貴—國立陽明交通大學 終身講座教授/ 國立勤益科技大學 學術副校長/國科會傑出特約研究員獎得主/APIEMS Fellow/ 中國工業工程學會會士/三度榮獲國科會傑出研究獎 呂奇傑—輔仁大學 特聘教授/ 2020-2025 全球前2％科學家 林維昭—長庚大學 教授/ 校務研究中心 執行秘書/2021-2025 全球前2% 頂尖科學家 |
作者簡介
| 王彥文
現任明新科技大學教務長暨工業工程與管理系副教授，具逾 20 年高等教育、研究與產學實務經驗。曾主筆教育部大型競爭型計畫，累計爭取逾新臺幣 4 億元經費，並主持或參與多項國科會、教育部及企業產學合作計畫。長期投入 STEAM 跨域教育、人工智慧演算法與 ESG 永續發展，並以系統整合與跨域解題為核心，思考科技如何真正回應教育、產業與社會需求。 身為工業工程領域學者，重視系統思維、資源配置與流程整合，並始終相信：當 AI 工具愈來愈容易取得，真正能形成競爭力的，是對演算法原理、資料流動與工程取捨的理解。 本書延續此一理念，從技術原點與底層邏輯出發，期望協助讀者建立不隨套件與版本更迭而快速過時的 AI 核心素養，以及面對未來技術變革時持續思考與判斷的能力。
FB： https://www.facebook.com/bryan.wang.9047 IG： https://www.instagram.com/bryan.wang.9047
黃銀鵬 國立臺灣大學網路多媒體研究所博士候選人，國立成功大學電機工程研究所碩士。投身資訊教育多年，曾任國立臺灣大學資訊系統訓練班資深講師，並於多所大學任教，累積十餘年程式設計、資料處理、網路與多媒體技術教學經驗。 長期面對不同背景的學習者，始終相信：再困難的技術，都能找到讓人真正理解的入口。教學上重視從生活化情境切入，再透過實作逐步建立概念，讓學習者不只知道「怎麼做」，更理解「為什麼這樣做」。 本書延續這樣的教學節奏，由基礎出發、循序漸進，搭配實際範例，陪伴讀者從陌生走向理解，進而具備真正運用技術的能力。 |
目錄
| ▍Part I 基礎與工具
第1 章 AI 簡史與當代格局 1.1 人工智慧的三大典範與時代演進 1.2 為什麼Python 主導AI 1.3 本書地圖與閱讀路徑 章末綜合專題 用LLM 整理70 年AI 發展年表 本章重點回顧
第2 章 Anaconda Python 與資料科學工具鏈 2.1 為什麼選Anaconda Python 2.2 Anaconda 安裝與基本配置 2.3 Conda 環境管理 2.4 GPU 環境與 PyTorch 安裝 2.5 開發工具與Jupyter 工作流 2.6 與AI 協作寫程式的工作流與邊界 章末綜合專題 建立個人AI 工作站環境並跑通三個baseline 範例 本章重點回顧
第3 章 NumPy/Pandas/Polars 數值運算 3.1 NumPy 向量化運算 3.2 Pandas DataFrame 核心 3.3 Polars 高效能替代品 3.4 實戰：真實資料清洗與ETL 章末綜合專題 用Pandas+Polars 完成台股ETF 多源資料整合 本章重點回顧
▍Part II 經典機器學習 第4 章 監督式學習基礎與評估 4.1 機器學習問題框架 4.2 訓練/ 驗證/ 測試分割 4.3 偏差- 變異權衡 4.4 評估指標 4.5 實戰：完整ML 流程 本章重點回顧
第5 章 線性模型，樹族與核方法 5.1 線性迴歸與正則化 5.2 邏輯迴歸與機率分類 5.3 決策樹與隨機森林 5.4 SVM 與核方法 5.5 KNN 與Naive Bayes 章末綜合專題 六大經典模型在台灣信貸違約資料上的橫向PK 本章重點回顧
第6 章 集成學習與AutoML 6.1 Bagging 與隨機森林 6.2 Boosting 6.3 工業級實作：XGBoost/LightGBM/CatBoost 6.4 Stacking 模型堆疊 6.5 AutoML 6.6 可解釋AI(XAI) 章末綜合專題 用集成學習+AutoML+XAI 完整解決台灣信貸違約預測 本章重點回顧
第7 章 無監督學習與推薦系統 7.1 聚類 7.2 降維 7.3 異常偵測 7.4 推薦系統 章末綜合專題 用台灣7-Eleven 門市資料跑無監督學習四件組 本章重點回顧
▍Part III 深度學習基礎 第8 章 神經網路原理與PyTorch 8.1 從感知機到深度學習 8.2 PyTorch 基礎 8.3 訓練流程與優化器 8.4 正則化技巧 8.5 [ 深化] 反向傳播矩陣形式與梯度消失 章末綜合專題 用PyTorch 重現深度學習史的三個經典模型 本章重點回顧
第9 章 電腦視覺與CNN 9.1 卷積神經網路核心 9.2 物件偵測 9.3 影像分割 9.4 視覺基礎模型（VLM 視覺部分） 9.5 自監督與少樣本學習 9.6 [ 深化] 感受野計算與ViT 對CNN 的取代 章末綜合專題 用ResNet-50+ViT-Base 雙模型在台灣鳥類資料上做架構對比 本章重點回顧
第10 章 序列模型——從RNN 到Transformer 之前 10.1 RNN 與梯度消失 10.2 LSTM 與GRU 10.3 詞向量演化 10.4 Encoder-Decoder 與注意力起源 10.5 後Transformer 序列模型（2024 復興） 10.6 [ 深化]LSTM 三閘梯度推導 章末綜合專題 用PyTorch 重現序列模型的三個經典里程碑 本章重點回顧
第11 章 Transformer 核心 11.1 從注意力到Self-Attention 11.2 Q/K/V 與縮放 11.3 Multi-Head Attention 11.4 位置編碼 11.5 Encoder-Decoder vs Decoder-only vs Encoder-only 11.6 Transformer 的工程優化 11.7 [ 深化]Attention 縮放因子推導與Multi-Head 數學 章末綜合專題 用PyTorch 從零實作Transformer + 在立法院議事錄上訓練質詢摘要 本章重點回顧 |
序
| 作者序
站在典範轉移的交會點：從演算法原點到大模型工程實戰
2022 年底ChatGPT 帶來技術震盪，到了2026 年的今天，AI 已演進至思考模型（Test-time Compute），多模態生成與自主Agent。面對狂飆的技術浪潮，許多學習者常面臨焦慮：套件迭代太快，網路文章碎裂，不懂背後原理與工程取捨，更疑惑LLM 時代是否還需學習經典演算法。 本書初衷正是提供一部「直擊技術本質」的權威指南。技術與API 或許會翻新，但數學幾何，優化邏輯與工程Trade-off 是歷久彌新的。工具會被取代，但讓你判斷工具好壞的素養不會；經典方法是現代方法的概念祖先，讀懂它們等於拿到了讀懂下一代演算法的母語。 本套書正文劃分為雙冊，合計2000+ 頁，另以獨立附錄冊收錄九份附錄，構成完整的現代AI 知識圖譜： • 第一冊《現代AI 全景聖經：機器學習 x 神經網路，從數學原理到Transformer核心》（1008 頁）：從線性代數與機率論出發，跨越傳統ML，CNN/RNN，最終解剖現代AI 總樞紐Transformer。 • 第二冊《現代AI 全景聖經：從LLM 演化，多模態生成到Agentic AI工程實戰》（1000+ 頁）：涵蓋Scaling Laws，SFT/DPO 對齊，o1/R1 推理模型，Flow Matching，RAG，落腳於LangGraph 與Computer Use 智能體開發。
全書貫徹四大堅持： • 嚴謹學術基石：引用434 篇論文與170 幅結構圖，進行第一原理推導。 • 龐大代碼體系：收錄246 個完整程式範例，全數真實執行，輸出如實呈現，手刻MoE，DPO Loss 至LangGraph；另備教師解答冊，收錄707段解題程式碼。 • 階梯式題庫：設計2,578 題練習題，提供概念，實作與衍生思考訓練。 • 在地實戰：引入96 組資料集，對齊國際標竿（SWE-bench）並大量對接台灣在地資料（如台股，判決書，健保QA）。 這套書的完成，是一趟漫長而艱辛的知識長征。感謝在寫作期間提供寶貴建議的學界與業界同仁，感謝各大開源社群無私的預訓練模型與套件貢獻，更要感謝始終支持我的家人與出版團隊。 人工智慧技術演進迅速，相關理論，工具與實務案例也持續更新。儘管本書在撰寫，驗證與校訂過程中力求嚴謹，仍難免有所疏漏。若讀者在閱讀或實作時發現內容錯誤，程式問題，或有任何可供改進之處，敬請不吝指正與告知，您的寶貴意見將成為本書後續修訂與持續完善的重要依據。 無論你是一位渴望為AI 領域打下最堅實基本功的大專院校學生，還是一位急需在工程現場落地大模型與Agent 系統的現職開發者，希望這套2000+ 頁，246 個範例，2,500+ 題庫的全景巨著，能成為你案頭最值得信賴的「技術地圖與戰略武器庫」！ 讓我們一起站在典範轉移的交會點，看清AI 的來時路，並勇敢邁向由Agentic AI 所塑造的全新未來！ |
