每個程式設計師都應該知道的60個演算法 (AI強化版) | 誠品線上

50 Algorithms Every Programmer Should Know: Python algorithms to live by to enhance your problem-solving skills, 2nd Edition

內容簡介

內容簡介 本書藉由各種實務案例研究深入研究LLM的細微差異，同時了解關於序列網路、LSTM、GRU、加密技術等內容，展現演算法的實際應用，並給出如何實作這些應用的程式碼範例，助你增強運用演算法解決現代運算挑戰的信心，成為精準掌握AI時代各式演算法技巧的工程師！推薦給需要用演算法解決問題和編寫高效程式碼的程式設計師或開發人員。幫助你解決各類實務問題的演算法寶典 ★ 超過 60 個演算法的介紹與應用 ★ 生成式模型、進階序列模型、大型語言模型 ★ 片單推薦、電商平台商品推薦、餐廳評分系統、詐騙偵測 ★ AI 數位時代工程師必備寶典 《每個程式設計師都應該要知道的 60 個演算法》是資料科學家必備的兵工廠。如果你正在探索資料科學或是希望提升你的技能，這本書是幫助你打下穩固基礎的絕佳起點。 Somaieh Nikpoor博士 | 加拿大政府資料科學與 AI 部門主管，Carleton 大學 Sprott 商學院兼任教授 ＿＿＿＿＿ 使用演算法解決現實世界問題的能力，是每一位開發人員或程式設計師必備的技能。本書不僅能幫助你培養選擇和使用演算法來解決真實世界問題的技能，也會讓你了解這些演算法的工作原理，第二版內容加入了最新的生成式模型與序列模型介紹與應用，讓你能夠輕鬆理解與應對不斷變化的 AI 應用。 你將從演算法簡介開始，進一步學習各種演算法的設計技巧，然後透過實際範例的引導，探索如何實作不同類型的演算法。隨著進度推進，你將學習到線性規劃、頁面排名、圖形演算法，然後運用機器學習演算法來理解它們背後的數學和邏輯。 部分案例研究將會展示如何以最佳方式應用這些演算法，接著，你將聚焦在深度學習演算法，並學習各種不同類型的深度學習模型及其實際的應用方式。 你也會學到關於現代序列模型和它們的變體、演算法、方法論以及架構，用來實作像是 ChatGPT 這類大型語言模型（LLM）。 最後，你將能夠精通平行處理技術的技巧，讓你具備在計算密集型任務中高效運用這些演算法的能力。 讀完這本程式設計書，你將可以熟練地使用各種演算法，解決現實世界中的各種計算問題。 ▍你將會學到以下內容： ⋄ 設計演算法以解決複雜問題 ⋄ 熟悉類神經網路和深度學習技術 ⋄ 探索 Python 程式庫中現有的資料結構和演算法 ⋄ 使用網路分析實作圖形演算法進行詐欺偵測 ⋄ 透過實際範例，深入研究自然語言處理的最先進演算法 ⋄ 建立一個可以向訂閱者推薦電影的推薦引擎 ⋄ 掌握序列機器學習模型的概念及其在開發尖端大型語言模型中扮演的基礎角色

作者介紹

作者介紹 Imran Ahmad 博士目前在加拿大聯邦政府的先進分析解決方案中心（Advanced Analytics Solution Center, A2SC）擔任資料科學家，他的專長是應用機器學習演算法於攸關系統核心運作的重要任務中。在他 2010 年的博士論文中，他提出了一種基於線性規劃的演算法，專為大規模雲端運算環境中的最佳資源分配而設計的。後來，在 2017 年，Ahmad 博士率先開發了即時分析框架，StreamSensing。這個工具已成為他幾篇研究論文的核心基礎，並利用它在不同的機器學習方法中處理多媒體資料。除了在政府單位的職務，Ahmad 博士在 Ottawa 的 Carleton 大學擔任客座教授。在過去幾年，他也取得了 Google Cloud 和 AWS 的官方授權講師資格。

產品目錄

產品目錄 【第一部分 基礎概念與核心演算法】 Chapter 1_演算法概述 什麼是演算法？ Python 套件 演算法設計技巧 效能分析 選擇一種演算法 驗證（Validating）演算法 Chapter 2_演算法中的資料結構 探索 Python 內建的資料型態 探討抽象資料型態 本章總結 Chapter 3_排序與搜尋演算法 排序演算法介紹 搜尋演算法介紹 實際應用 本章總結 Chapter 4_設計演算法 介紹設計演算法的基本概念 了解演算法策略 PageRank 演算法介紹 了解線性規劃（Linear programming） 本章總結 Chapter 5_圖形演算法 理解什麼是圖形（Graph）：簡要介紹 圖論與網路分析 圖形的表示 圖形機制與類型 網路分析理論介紹 理解圖形追蹤 案例研究：使用 SNA 進行詐欺偵測 本章總結 【第二部分 機器學習演算法】 Chapter 6_非監督式機器學習演算法 認識非監督式學習 理解分群演算法（Clustering algorithm） 階層式分群的步驟 設計階層分群演算法程式 理解 DBSCAN 使用 Python 中的 DBSCAN 建立集群 評估集群 降維（Dimensionality reduction） 關聯規則探勘 本章總結 Chapter 7_傳統監督式學習演算法 了解監督式機器學習 公式化監督式機器學習問題 了解分類演算法 決策樹分類演算法 了解集成方法（Ensemble method） 羅吉斯迴歸（Logistic regression） 貝氏定理 分類演算法的贏家是⋯ 線性迴歸 迴歸演算法中的贏家是⋯ 實用範例——如何預測天氣 本章總結 Chapter 8_類神經網路演算法 了解類神經網路 訓練類神經網路 了解類神經網路的結構 激勵函式 工具和框架 選擇序列式模型或函式式模型 了解類神經網路的類型 使用遷移學習（Transfer learning） 案例研究—使用深度學習進行詐欺偵測 方法論 本章總結 Chapter 9_自然語言處理演算法 了解 NLP 術語 使用 Python 清理資料 了解詞彙文件矩陣 詞嵌入介紹 使用 Word2Vec 實作詞嵌入 案例研究：餐廳評論情感分析 自然語言處理的應用 本章總結 Chapter 10_了解序列模型 了解序列資料 序列模型的資料表示 RNN 的介紹 GRU LSTM 介紹 本章總結 Chapter 11_進階序列模型演算法 探索自動編碼器 了解 Seq2Seq 模型 了解注意力機制 深入了解自注意力 Transformer：在自注意力之後的類神經網路演進 LLM 表格的底部 本章總結 【第三部分 進階主題】 Chapter 12_推薦引擎 推薦系統介紹 推薦引擎的類型 了解推薦系統的限制 實務應用領域 實務範例——建立一個推薦引擎 本章總結 Chapter 13_資料處理的演算法策略 資料演算法介紹 CAP 定理介紹 解碼資料壓縮演算法 實際範例：AWS 中的資料管理 聚焦在 CAP 定理和壓縮演算法 本章總結 Chapter 14_密碼學 密碼學（Cryptography）簡介 了解最薄弱環節的重要性 了解不同類型的加密技術 範例：部署機器學習模型時的安全考量 本章總結 Chapter 15_大規模演算法 大規模演算法（Large-scale algorithm）介紹 大規模演算法的高效能基礎架構特徵 策劃多資源處理 了解平行運算的理論限制 Apache Spark 如何賦能大規模演算法處理 本章總結 Chapter 16_實務上的考量 演算法解決方案面臨的挑戰 TwitterAI bot，Tay 的失敗 演算法的可解釋性 了解倫理和演算法 減少模型偏見 使用演算法的時機 本章總結

商品規格

最佳賣點

最佳賣點 : 本書藉由各種實務案例研究深入研究LLM的細微差異，同時了解關於序列網路、LSTM、GRU、加密技術等內容，展現演算法的實際應用，並給出如何實作這些應用的程式碼範例，助你增強運用演算法解決現代運算挑戰的信心，成為精準掌握AI時代各式演算法技巧的工程師！