包郵大語言模型技術與應用

作者：王琦偉,顧一帆,周蘇著

出版社：中國鐵道出版社出版時間：2024-11-01

開本： 16開 頁數(shù)： 264

中圖價:¥44.8(9.0折) 定價 ~~¥49.8~~ 登錄后可看到會員價

加入購物車收藏

開年大促， 全場包郵

?新疆、西藏除外

本類五星書更多>

>
貨幣大歷史:金融霸權與大國興衰六百年

貨幣大歷史:金融霸權與大國興衰六百年

¥55.2¥138
>
(精)方力鈞作品圖錄

(精)方力鈞作品圖錄

¥216.8¥680
>
《藏書報》2021合訂本

《藏書報》2021合訂本

¥168¥168
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)

(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)

¥352.8¥560
>
(噴繪樓閣版)女主臨朝:武則天的權力之路

(噴繪樓閣版)女主臨朝:武則天的權力之路

¥58.2¥88
>
書里掉出來一只狼+狼的故事-全2冊

書里掉出來一只狼+狼的故事-全2冊

¥45.1¥96
>
奇思妙想創(chuàng)意玩具書(精裝4冊)

奇思妙想創(chuàng)意玩具書(精裝4冊)

¥73¥304

商品詳情
商品評論(0條)

中圖價:¥44.8 加入購物車

版權信息
內(nèi)容簡介

大語言模型技術與應用版權信息

ISBN：9787113314521
條形碼：9787113314521 ; 978-7-113-31452-1
裝幀：暫無
冊數(shù)：暫無
重量：暫無
所屬分類：

大語言模型技術與應用內(nèi)容簡介

全書共16章，在內(nèi)容上涵蓋了機器學習知識的主要方面，包括機器學習概述、機器學習基礎、線性模型、決策樹、集成學習、聚類分析、神經(jīng)網(wǎng)絡、貝葉斯分類器、支持向量機、降維與特征選擇、半監(jiān)督學習、概率圖模型、推薦系統(tǒng)、深度學習、強化學習、機器學習的發(fā)展等。本書針對高等院校、職業(yè)教育學生發(fā)展需要，是為相關各專業(yè)“機器學習”基礎或通識課程全新設計編寫的主教材，閱讀和教學時可依照學習進度與需求，做適當選擇。目錄第1章概述1.1 人工智能基礎1.1.1 人工智能的定義1.1.2 人工智能的實現(xiàn)途徑1.1.3 機器學習和深度學習1.1.4 監(jiān)督學習與無監(jiān)督學習1.2 大語言模型的定義1.3 大語言模型形成基礎1.3.1 Blockhead思維實驗1.3.2 大模型的歷史基礎1.3.3 基于Transformer模型1.3.4 大模型的世界模型問題1.3.5 文化知識傳遞和語言支持1.4 通用人工智能1.4.1 什么是通用人工智能1.4.2 大模型與通用人工智能1.4.3 人工智能生成內(nèi)容【作業(yè)】【實踐與思考】了解典型的開源大語言模型第2章大模型基礎2.1 什么是語言模型2.1.1 語言模型的定義2.1.2 注意力機制2.1.3 開源還是閉源2.2 大模型發(fā)展三階段2.2.1 基礎模型階段2.2.2 能力探索階段2.2.3 突破發(fā)展階段2.3 TRANSFORMER模型2.3.1 Transformer過程2.3.2 Transformer結構2.3.3 Transformer模塊2.4 生成式預訓練語言模型GPT2.5 大模型的結構312.5.1 LLaMA的模型結構2.5.2 LLaMA的注意力機制【作業(yè)】【實踐與思考】基于CHATGPT的免費工具：CHATAI小組件第3章大模型的架構3.1 大模型生成原理3.1.1 上下文學習3.1.2 指令跟隨3.1.3 ZeroFew-Shot3.1.4 深度學習架構3.1.5 訓練策略及優(yōu)化技術3.2 多模態(tài)語言模型3.2.1 多模態(tài)指令調(diào)優(yōu)3.2.2 多模態(tài)上下文學習3.2.3 多模態(tài)思維鏈3.2.4 大模型輔助視覺推理3.3 應用技術架構3.3.1 指令工程3.3.2 函數(shù)調(diào)用3.3.3 檢索增強生成3.3.4 微調(diào)3.4 谷歌的GEMINI大模型3.5 谷歌的GEMINI 1.5多模態(tài)大模型3.5.1 深入理解海量信3.5.2 橫跨不同媒介3.5.3 高效處理更長代碼3.5.4 高效架構的秘密：MoE3.5.5 卡拉曼語翻譯3.6 OPENAI的SORA大模型3.6.1 Sora技術報告分析3.6.2 Sora主要技術特點3.6.3 Sora的模型訓練過程3.7 谷歌開源大模型GEMMA【作業(yè)】【實踐與思考】熟悉阿里云大模型“通意千問”第4章人工：數(shù)據(jù)標注4.1 知識與知識表示4.1.1 知識的概念4.1.2 知識表示方法4.1.3 表示方法的選擇4.2 什么是數(shù)據(jù)標注4.3 數(shù)據(jù)標注的分類4.3.1 圖像標注4.3.2 語音標注4.3.3 3D點云標注4.3.4 文本標4.4 制定標注規(guī)則4.5 進行數(shù)據(jù)標注4.6 標注團隊管理【作業(yè)】【實踐與思考】熟悉GLOBE EXPLORER智能搜索引擎第5章大模型預訓練數(shù)據(jù)5.1 數(shù)據(jù)來源5.1.1 通用數(shù)據(jù)5.1.2 專業(yè)數(shù)據(jù)5.2 數(shù)據(jù)處理5.2.1 質(zhì)量過濾5.2.2 冗余去除5.2.3 隱私消除5.2.4 詞元切分5.3 數(shù)據(jù)影響分析5.3.1 數(shù)據(jù)規(guī)模5.3.2 數(shù)據(jù)質(zhì)量5.3.3 數(shù)據(jù)多樣性5.4 典型的開源數(shù)據(jù)集5.4.1 Pile5.4.2 ROOTS5.5 數(shù)據(jù)集面臨的挑戰(zhàn)5.5.1 數(shù)據(jù)集規(guī)模和質(zhì)量待提升5.5.2 大模型與數(shù)據(jù)集相輔相成5.5.3 數(shù)據(jù)集標準規(guī)范需健全5.5.4 數(shù)據(jù)存儲性能待提高【作業(yè)】【實踐與思考】第6章大模型的開發(fā)組織6.1 大模型開發(fā)流程6.2 大模型的數(shù)據(jù)組織6.2.1 數(shù)據(jù)采集6.2.2 數(shù)據(jù)清洗和預處理6.2.3 數(shù)據(jù)標注6.2.4 數(shù)據(jù)集劃分6.2.5 模型設計6.2.6 模型初始化6.2.7 模型訓練6.2.8 模型驗證6.2.9 模型保存6.2.10 模型測試6.2.11 模型部署6.3 訓練集、測試集、驗證集不同之處6.3.1 目的與功能不同6.3.2 數(shù)據(jù)交互頻率不同6.3.3 數(shù)據(jù)劃分與比例不同6.3.4 使用時機不同6.4 訓練集、測試集、驗證集相似之處6.4.1 數(shù)據(jù)來源一致6.4.2 相似的數(shù)據(jù)預處理6.4.3 目標一致，各具獨立性6.4.4 保證數(shù)據(jù)質(zhì)量和代表性【作業(yè)】【實踐與思考】谷歌開源大模型GEMMA第7章分布式訓練7.1 分而治之7.1.1 消息傳遞接口MPI7.1.2 MapReduce7.1.3 批處理和流處理7.2 什么是分布式處理7.2.1 分布式處理的特點7.2.2 分布式處理發(fā)展過程7.2.3 分布式構成方式7.2.4 分布式處理系統(tǒng)7.3 分布式訓練概述7.4 分布式并行訓練策略7.4.1 數(shù)據(jù)并行性7.4.2 模型并行性7.4.3 流水線并行性7.4.4 混合并行7.5 分布式訓練的集群架構【作業(yè)】【實驗與思考】大模型背后的“世界芯片行業(yè)老大”英偉達第8章提示工程與微調(diào)8.1 什么是提示工程8.1.1 模型設置8.1.2 基本概念8.1.3 設計提示的通用技巧8.2 大模型為什么要微調(diào)8.3 提示學習和語境學習8.3.1 提示學習8.3.2 語境學習8.4 上下文窗口擴展8.5 指令數(shù)據(jù)的構建8.5.1 手動構建指令8.5.2 自動構建指令8.5.3 開源指令數(shù)據(jù)集8.6 微調(diào)及其PEFT流行方案8.6.1 微調(diào)技術路線8.6.2 提示微調(diào)8.6.3 前綴微調(diào)8.6.4 LoRA8.6.5 QLoRA【作業(yè)】【實驗與思考】文生圖：注冊使用MIDJOURNEY繪圖工具第9章強化學習方法9.1 什么是強化學習9.1.1 強化學習的定義9.1.2 強化學習發(fā)展歷史9.2 與無監(jiān)督和監(jiān)督學習的區(qū)別9.2.1 與監(jiān)督和無監(jiān)督學習的不同9.2.2 大模型環(huán)境下的強化學習9.2.3 學習方式不同9.2.4 先驗知識與標注數(shù)據(jù)9.3 強化學習的基礎9.3.1 基于模型與免模型環(huán)境9.3.2 探索與利用9.3.3 片段還是連續(xù)性任務9.3.4 網(wǎng)絡模型設計9.3.5 數(shù)據(jù)依賴性9.4 強化學習分類9.4.1 從獎勵中學習9.4.2 被動強化學習9.4.3 主動強化學習9.4.4 強化學習中的泛化9.4.5 學徒學習與逆強化學習【作業(yè)】【實踐與思考】海爾智家發(fā)明專利：用于虛擬現(xiàn)實系統(tǒng)的控制方法及實現(xiàn)第10章基于大模型的智能體10.1 智能體和環(huán)境10.2 智能體的良好行為10.2.1 性能度量10.2.2 理性10.2.3 全知、學習和自主10.3 環(huán)境的本質(zhì)10.3.1 指定任務環(huán)10.3.2 任務環(huán)境的屬性10.4 智能體的結構10.4.1 智能體程序10.4.2 學習型智能體10.4.3 智能體組件的工作10.5 構建大模型智能體10.5.1 基于大模型的智能體10.5.2 觀測與感知10.5.3 記憶與檢索10.5.4 推理和規(guī)劃10.5.5 行動和執(zhí)行【作業(yè)】【實踐與思考】SORA進擊：人工智能改變體育產(chǎn)業(yè)第11章大模型應用框架11.1 大模型經(jīng)典哲學問題11.1.1 組成性11.1.2 天賦論與語言習得11.1.3 語言理解與基礎11.1.4 世界模型11.1.5 文化知識傳遞和語言支持11.2 大模型的構建流程11.2.1 確定需求大小11.2.2 數(shù)據(jù)收集11.2.3 數(shù)據(jù)集預處理11.2.4 大模型預訓練11.2.5 任務微調(diào)11.2.6 部署11.3 大模型的應用場景11.3.1 機器翻譯、文本理解與分析11.3.2 惡意軟件分析11.3.3 自然語言生成11.3.4 搜索與知識提取11.3.5 代碼開發(fā)11.3.6 檢測和預防網(wǎng)絡攻擊11.3.7 虛擬助理和客戶支持11.3.8 轉(zhuǎn)錄11.3.9 市場調(diào)研11.3.10 SEO關鍵詞優(yōu)化11.4 案例：MAGIC突破Q算法【作業(yè)】【實踐與思考】特斯拉OPTIMUS人形機器人持續(xù)進化第12章技術倫理與限制12.1 人工智能面臨的倫理挑戰(zhàn)12.1.1 人工智能與人類的關系12.1.2 人與智能機器的溝通12.2 大數(shù)據(jù)倫理問題12.2.1 數(shù)據(jù)主權和數(shù)據(jù)權問題12.2.2 隱私權和自主權被侵犯問題12.2.3 數(shù)據(jù)利用失衡問題12.3 大模型的知識產(chǎn)權保12.3.1 大模型的訴訟案例12.3.2 大模型生成內(nèi)容的與知識產(chǎn)權保護12.3.3 尊重隱私，保障安全，促進開放12.3.4 邊緣群體的數(shù)字平等12.4 算法歧12.4.1 算法透明之爭12.4.2 算法透明的實踐12.4.3 算法透明的算法說明12.4.4 算法公平的保障措施【作業(yè)】【實踐與思考】完全由人工智能完成的視覺藝術品無法獲得版權第13章大模型的評估13.1 模型評估概述13.2 大模型評估體系13.2.1 知識與能力13.2.2 倫理與安全13.2.3 垂直領域評估13.3 大模型評估方法13.3.1 評估指標13.3.2 評估方法13.4 大模型評估實踐13.4.1 基礎模型評估13.4.2 SFT模型和RL模型評估【作業(yè)】【實踐與思考】第14章大模型的健康未來14.1 人工智能新發(fā)展14.1.1 人工智能改變自動駕駛未來14.1.2 被重視的人工智能治理政策14.1.3 人工智能音樂的立法實踐14.1.4 防止人工智能誤導民眾14.1.5 生成式人工智能產(chǎn)出的版權14.2 數(shù)據(jù)隱私保護對策14.2.1 構建隱私保護倫理準則14.2.2 注重隱私保護倫理教育14.2.3 健全道德倫理約束機制14.3 人工智能倫理原則14.3.1 職業(yè)倫理準則的目標14.3.2 創(chuàng)新發(fā)展道德倫理宣言14.3.3 微軟六大倫理原則14.3.4 百度四大倫理原則14.3.5 歐盟可信賴的倫理準則14.3.6 美國軍用AI倫理原則14.4 大模型的大趨勢14.5 通用人工智能涌現(xiàn)【作業(yè)】【課程學習與實踐總結】附錄作業(yè)參考答案

商品評論(0條)

寫書評賺書幣

暫無評論……

書友推薦