[
-
内容大纲
本书从模型的结构和数据基础两个方面解构大语言模型，以便帮助读者理解和搭建类似ChatGPT的系统。在模型的结构方面，大语言模型属于深度神经网络，其设计核心是注意力机制，因此，本书涵盖了多层感知器、卷积神经网络和循环神经网络等经典模型。在模型的数据基础方面，本书既涉及模型训练的工程基础，如反向传播，又涉及数据的使用方式，如迁移学习、强化学习，以及传统的监督学习和无监督学习。此外，本书还阐述了如何从计量经济学和经典机器学习模型中汲取灵感，以提高模型的稳定性和可解释性。
本书既适用于希望深入了解大语言模型、通过人工智能技术解决实际问题的读者，也适合作为高等院校计算机及相关专业的师生参考用书。 -
作者介绍
唐亘，数据科学家，专注于机器学习和大数据，热爱并积极参与ApacheSpark、Scikit-Learn等开源项目。作为讲师和技术顾问，为多家机构（包括惠普、华为、复旦大学等）提供百余场技术培训。 此前的工作和研究集中于经济和量化金融，曾参与经合组织（QECD）的研究项目并发表论文，并担任英国最大在线出版社Packt的技术审稿人。曾获得复旦大学的数学和计算机双学士学位、巴黎综合理工大学的金融硕士学位、法国国立统计与经济管理学校的数据科学硕士学位。 -
目录
第1章 绪论
1.1 是数字鹦鹉，还是自我意识
1.1.1 电车难题
1.1.2 任务分解
1.2 数据基础
1.3 模型结构
1.4 关于本书
第2章 数学基础：不可或缺的知识
2.1 向量、矩阵和张量
2.1.1 标量、向量、矩阵与张量
2.1.2 数学记号与特殊矩阵
2.1.3 矩阵运算
2.1.4 向量夹角
2.1.5 矩阵的秩
2.1.6 高维张量运算
2.2 概率
2.2.1 定义概率：事件和概率空间
2.2.2 条件概率：信息的价值
2.2.3 随机变量
2.2.4 正态分布：殊途同归
2.2.5 P-value：自信的猜测
2.3 微积分
2.3.1 导数和积分
2.3.2 极限
2.3.3 链式法则
2.3.4 偏导数与梯度
2.3.5 极值与最值
2.4 本章小结
第3章 线性回归：模型之母
3.1 一个简单的例子
3.1.1 机器学习的建模方式
3.1.2 统计分析的建模方式
3.2 模型实现
3.2.1 机器学习的代码实现
3.2.2 统计分析的代码实现
3.3 模型陷阱
3.3.1 过拟合：模型越复杂越好吗
3.3.2 假设检验：统计分析的解决方案
3.3.3 惩罚项：机器学习的解决方案
3.3.4 比较两种方案
3.4 面向未来的准备
3.4.1 图形表示与数学表达
3.4.2 模型的生命周期与持久化
3.5 本章小结
3.5.1 要点回顾
3.5.2 常见面试问题
第4章 逻辑回归：隐藏因子
4.1 二元分类问题：是与否
4.1.1 线性回归：为何失效
4.1.2 窗口效应：看不见的才是关键
4.1.3 逻辑分布
4.1.4 似然函数：统计分析的参数估计
4.1.5 损失函数：机器学习的参数估计
4.1.6 最终预测：从概率到类别
4.2 模型实现
4.2.1 初步分析数据：直观印象
4.2.2 搭建模型
4.2.3 理解模型结果
4.3 评估模型效果
4.3.1 查准率与查全率
4.3.2 F-score
4.3.3 ROC空间
4.3.4 ROC曲线与AUC
4.3.5 AUC的概率解释
4.4 非均衡数据集
4.4.1 准确度悖论
4.4.2 模型效果影响
4.4.3 解决方案
4.5 多元分类问题：超越是与否
4.5.1 多元逻辑回归
4.5.2 One-vs.-All：从二元到多元
4.5.3 模型实现
4.6 本章小结
4.6.1 要点回顾
4.6.2 常见面试问题
第5章 计量经济学的启示：他山之石
5.1 定量与定性：特征的数学运算合理吗
5.2 定性特征的处理
5.2.1 虚拟变量
5.2.2 定性特征转换为定量特征
5.3 定量特征的处理
5.3.1 定量特征转换为定性特征
5.3.2 基于卡方检验的方法
5.4 多重共线性：多变量的烦恼
5.4.1 多重共线性效应
5.4.2 检测多重共线性
5.4.3 解决方法
5.4.4 虚拟变量陷阱
5.5 本章小结
5.5.1 要点回顾
5.5.2 常见面试问题
第6章 最优化算法：参数估计
6.1 算法思路：模拟滚动
6.2 梯度下降法
6.2.1 算法使用的窍门
6.2.2 算法的局限性：局部最优与鞍点
6.3 梯度下降法的代码实现
6.3.1 PyTorch基础
6.3.2 利用PyTorch的封装函数
6.4 随机梯度下降法：更优化的算法
6.4.1 算法细节
6.4.2 代码实现
6.4.3 进一步优化
6.5 本章小结
6.5.1 要点回顾
6.5.2 常见面试问题
第7章 反向传播：神经网络的工程基础
7.1 计算图和向前传播
7.1.1 什么是计算图
7.1.2 代码实现
7.2 链式法则和反向传播
7.2.1 拓扑排序
7.2.2 代码实现
7.2.3 梯度传播过程
7.3 参数估计的全流程
7.3.1 随机梯度下降法回顾
7.3.2 计算图膨胀
7.4 动态优化
7.4.1 梯度累积
7.4.2 参数冻结
7.4.3 随机失活
7.5 真实世界：针对大规模模型的优化技巧
7.5.1 GPU计算
7.5.2 混合精度训练
7.5.3 梯度检查点
7.5.4 分布式计算
7.6 本章小结
7.6.1 要点回顾
7.6.2 常见面试问题
第8章 多层感知器：神经网络的“创世记”
8.1 感知器模型
8.1.1 神经元的数字孪生
8.1.2 图示与计算图
8.1.3 Sigmoid感知器与逻辑回归
8.1.4 Softmax函数
8.2 从神经网络的视角重新理解逻辑回归
8.2.1 回顾窗口效应
8.2.2 代码实现
8.2.3 损失函数为模型注入灵魂
8.2.4 神经网络的建模文化：搭积木
8.3 多层感知器
8.3.1 图形表示
8.3.2 数学基础
8.3.3 令人惊讶的通用性
8.3.4 代码实现
8.3.5 模型的联结主义
8.4 训练优化的关键：激活函数
8.4.1 坏死的神经细胞
8.4.2 数学基础
8.4.3 监控模型训练
8.4.4 不稳定的梯度
8.4.5 激活函数的改进
8.5 从第一步开始优化训练
8.5.1 模型损失的预估
8.5.2 参数初始化的初步优化
8.5.3 参数初始化的进一步优化
8.5.4 归一化层
8.6 本章小结
8.6.1 要点回顾
8.6.2 常见面试问题
第9章 卷积神经网络：深度学习的“出埃及记”
9.1 利用多层感知器识别数字
9.1.1 视觉对象的数字化
9.1.2 搭建模型
9.1.3 代码实现
9.1.4 防止过拟合之随机失活
9.1.5 防止过拟合之惩罚项
9.2 卷积神经网络
9.2.1 神经元的组织方式
9.2.2 卷积层的网络结构
9.2.3 卷积层的细节处理与代码实现
9.2.4 池化层
9.2.5 完整结构与实现
9.2.6 超越图像识别
9.3 残差网络
9.3.1 残差连接
9.3.2 实现要点和小窍门
9.3.3 代码实现
9.4 本章小结
9.4.1 要点回顾
9.4.2 常见面试问题
第10章 循环神经网络：尝试理解人类语言
10.1 自然语言处理的基本要素
10.1.1 语言数字化
10.1.2 分词器的语言基础
10.1.3 英文分词器
10.1.4 中文分词的挑战
10.1.5 学习框架：迁移学习
10.2 利用多层感知器学习语言
10.2.1 数据准备
10.2.2 文本嵌入
10.2.3 代码实现
10.2.4 普通神经网络的缺陷
10.3 循环神经网络
10.3.1 图示与结构
10.3.2 模型的关键：隐藏状态
10.3.3 利用循环神经网络学习语言
10.3.4 模型训练与文本生成
10.3.5 模型的学习原理：通过时间的反向传播
10.4 深度循环神经网络
10.4.1 更优雅的代码实现
10.4.2 批量序列数据的处理
10.4.3 从单层走向更复杂的结构
10.4.4 利用深度循环神经网络学习语言
10.5 长短期记忆网络
10.5.1 短期记忆
10.5.2 模型结构
10.5.3 代码实现
10.5.4 利用长短期记忆网络学习语言
10.6 本章小结
10.6.1 要点回顾
10.6.2 常见面试问题
第11章 大语言模型：是通用人工智能的开始吗
11.1 注意力机制
11.1.1 设计初衷
11.1.2 改进后的注意力机制
11.1.3 数学细节与实现技巧
11.2 从零开始实现GPT
11.2.1 模型结构
11.2.2 多头单向注意力
11.2.3 解码块
11.2.4 GPT-2的完整结构与重现
11.2.5 Python语言学习任务
11.3 从大语言模型到智能助手
11.3.1 大语言模型的现状
11.3.2 开源模型
11.3.3 从GPT到ChatGPT
11.3.4 提示工程
11.3.5 检索增强生成
11.4 模型微调
11.4.1 模型微调的4种模式
11.4.2 高效调参概述
11.4.3 高效调参之增加模型组件
11.4.4 高效调参之LoRA
11.5 监督微调和评分建模
11.5.1 监督微调初体验
11.5.2 更优化的监督微调
11.5.3 评分建模
11.5.4 如果重新构建ChatGPT
11.6 超越技术
11.6.1 智能的哲学基础
11.6.2 血汗工厂
11.6.3 碳足迹
11.7 本章小结
11.7.1 要点回顾
11.7.2 常见面试问题
第12章 强化学习：在动态交互中进化
12.1 大语言模型的持续优化
12.1.1 最大化评分：直观但错误的模型
12.1.2 为什么行不通：不可微的运算
12.1.3 可行的建模方式：调整损失函数
12.2 强化学习简介
12.2.1 核心概念
12.2.2 目标定义
12.2.3 两种解决方法
12.3 值函数学习
12.3.1 MC学习
12.3.2 贝尔曼方程与TD学习
12.3.3 利用神经网络进行学习
12.3.4 n步TD学习与优势函数
12.3.5 TD Lambda学习与GAE
12.4 策略学习
12.4.1 策略梯度定理
12.4.2 Reinforce算法
12.4.3 基准线算法
12.4.4 A2C算法
12.5 利用PPO优化大语言模型
12.5.1 损失函数与参数更新
12.5.2 从A2C到PPO
12.5.3 微调游戏奖励
12.5.4 代码实现
12.6 本章小结
12.6.1 要点回顾
12.6.2 常见面试问题
第13章 其他经典模型：扩展视野
13.1 决策树
13.1.1 决策规则
13.1.2 评判标准
13.1.3 决策树的预测与模型的联结
13.1.4 剪枝
13.2 树的集成
13.2.1 随机森林
13.2.2 梯度提升决策树
13.3 隐马尔可夫模型
13.3.1 一个简单的例子
13.3.2 马尔可夫链
13.3.3 模型架构
13.3.4 股票市场的应用
13.4 聚类与降维
13.4.1 经典聚类模型K-Means
13.4.2 如何选择聚类个数
13.4.3 经典降维模型主成分分析
13.5 奇异值分解
13.5.1 数学定义
13.5.2 截断奇异值分解
13.5.3 潜在语义分析
13.5.4 大型推荐系统
13.6 本章小结
13.6.1 要点回顾
13.6.2 常见面试问题
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...