防詐3要訣：不聽信、不操作、掛斷電話 
85
1,2801,088
分期3期0利率✕每期362元
3 期 0 利率✕每期 362 元
臺灣銀行、合作金庫、第一銀行、華南銀行、彰化銀行、台北富邦、國泰世華、兆豐商銀、臺灣中小企銀、滙豐銀行、新光銀行、聯邦銀行、遠東銀行、永豐銀行、玉山銀行、凱基銀行、星展銀行、台新銀行、安泰銀行、中國信託、台灣樂天
※ 除不盡餘數將於第一期收取
查詢門市庫存
https://youtu.be/dGnqsrGtc3Q
擺脫碎片化學習，建立不退流行的演算法母語！
擺脫碎片化學習，建立不退流行的演算法母語！
內容簡介
https://youtu.be/dGnqsrGtc3Q
擺脫碎片化學習，建立不退流行的演算法母語！
►直擊前沿範式 ｜ 深度解密 o1/R1 推理與 1M+ Context
►手刻 Agent 系統 ｜ 150+ 範例，從 MoE 手刻到 LangGraph
►階梯思考訓練 ｜ 全套 2,578 題庫，建構完整知識圖譜
►在地繁中評測 ｜ 大量對接司法院判決、健保 QA 等在地資料
【Part IV LLM 與生成式】 大模型技術全景
‧ 解密 GPT-4.5、Claude 4 與 DeepSeek MoE
‧ SFT、DPO 對齊與 QLoRA 輕量微調
【Part V & VI 前沿應用】 Agentic AI 與長上下文
‧ 企業級 RAG 知識庫與 GraphRAG 實戰
‧ Computer Use 螢幕操作與 LangGraph 多 Agent
【Part VII 工程與治理】 Production 落地防線
‧ vLLM 推理引擎、GGUF 量化與 MLOps
‧ Prompt Injection 防禦與端到端 Capstone
產品目錄
▍Part IV LLM 與基礎模型
第12 章 LLM 演化：從GPT-3 到Claude 4
12.1 Scaling Laws 與訓練範式
12.2 GPT 家族與OpenAI 路線
12.3 Claude 家族與 Anthropic
12.4 Llama 家族與開源生態
12.5 Mistral / DeepSeek / Qwen / Gemini
12.6 Mixture of Experts(MoE)
12.7 [深化] Emergent Abilities 與相變現象
12.8 Prompt 跨模型遷移性與中文 LLM 評測
本章重點回顧
第13 章 LLM 微調，對齊與參數效率
13.1 預訓練 → SFT → 對齊三階段
13.2 RLHF 全流程
13.3 DPO 與後續變體（2024 主流)
13.4 參數效率微調(PEFT)
13.5 RAG vs 微調：何時選哪個
13.6 RLAIF 與 Constitutional AI
13.7 實戰：用PyTorch+LoRA 微調Llama 3
第14章 推理模型與 Test-time Compute（2024-2026 新典範）
14.1 Chain-of-Thought 起源
14.2 推理增強技術
14.3 OpenAI o1 / o3 模型
14.4 Test-time Scaling Laws
14.5 開源推理模型
14.6 推理模型的失敗模式
本章重點回顧
第15 章 生成式AI——VAE/GAN/Diffusion/Flow Matching
15.1 VAE 變分自編碼器
15.2 GAN 生成對抗網路
15.3 Diffusion 擴散模型
15.4 Flow Matching（2024-2026 新典範）
15.5 條件生成
15.6 [深化] Diffusion 反向過程的隨機微分方程觀點
本章重點回顧
第16 章 多模態AI——圖文音影
16.1 圖文對齊：CLIP 與後繼
16.2 視覺語言模型(VLM)
16.3 圖像生成商業生態
16.4 影片生成
16.5 語音與音訊
16.6 統一多模態模型
16.7 [深化] CLIP 對比學習損失與嵌入幾何
本章重點回顧
▍Part V 進階主題
第17 章 強化學習與深度強化學習
17.1 RL 基礎：MDP 與Bellman
17.2 Value-based 方法
17.3 Policy-based 方法
17.4 Model-based RL 與 World Models
17.5 RL 在 LLM 中的應用
17.6 多智能體與遊戲 AI
本章重點回顧
第18 章 圖神經網路
18.1 圖資料表示
18.2 GNN 核心演算法
18.3 進階 GNN
18.4 應用實戰
18.5 [深化] GCN 與圖拉普拉斯譜域
本章重點回顧
第19 章 LLM 應用開發：RAG 與結構化輸出
19.1 Prompt Engineering 工程化
19.2 RAG 完整架構
19.3 結構化輸出
19.4 LangChain / LlamaIndex / Haystack
19.5 進階 RAG
19.6 [實戰] 完整 RAG 系統
本章重點回顧
第20 章 AI Agents 與Agentic AI
20.1 Agent 概念與演化
20.2 Agent 框架
20.3 Computer Use 與環境互動
20.4 Multi-Agent System
20.5 Agent 評估
20.6 Agent 失敗模式與安全
20.7 [實戰] 構建多步驟研究Agent（以ArXiv 論文回顧為主題）
本章重點回顧
第21 章 Code Generation 與AI 編程
21.1 Code LLM 演化
21.2 商業編程工具
21.3 Agentic 編碼工具
21.4 大型 Codebase 處理
21.5 SWE-bench 與真實 PR
21.6 [實戰 ] 用 Claude Code 完成中型專案（ 資料分析儀表板開源工具）
21.7 AI 協作守則總表
本章重點回顧
第22 章 長上下文與Context Engineering
22.1 Context Window 演進
22.2 長上下文 Attention 優化
22.3 Context Engineering
22.4 長上下文失敗模式
22.5 1M+ Context 應用
22.6 [深化] 長上下文計算複雜度與工程突破
本章重點回顧
▍Part VII 工程與治理
第23 章 模型優化，部署與 MLOps
23.1 模型壓縮
23.2 推理引擎
23.3 部署架構
23.4 MLOps 工具鏈
23.5 模型監控
23.6 GPU 資源規劃
本章重點回顧
第24 章 AI 倫理，安全，對齊與監管
24.1 演算法偏見與公平性
24.2 隱私保護
24.3 AI 安全
24.4 對齊研究
24.5 監管與治理
24.6 文件規範
本章重點回顧
第25 章 整合Capstone：端到端AI 系統實戰
25.1 專題類型選擇與規劃
25.2 視覺類專題
25.3 NLP / LLM 類專題
25.4 多模態類專題
25.5 Agent 類專題
25.6 部署與運營
本章重點回顧 全書 25 章學完之後該往哪走
第12 章 LLM 演化：從GPT-3 到Claude 4
12.1 Scaling Laws 與訓練範式
12.2 GPT 家族與OpenAI 路線
12.3 Claude 家族與 Anthropic
12.4 Llama 家族與開源生態
12.5 Mistral / DeepSeek / Qwen / Gemini
12.6 Mixture of Experts(MoE)
12.7 [深化] Emergent Abilities 與相變現象
12.8 Prompt 跨模型遷移性與中文 LLM 評測
本章重點回顧
第13 章 LLM 微調，對齊與參數效率
13.1 預訓練 → SFT → 對齊三階段
13.2 RLHF 全流程
13.3 DPO 與後續變體（2024 主流)
13.4 參數效率微調(PEFT)
13.5 RAG vs 微調：何時選哪個
13.6 RLAIF 與 Constitutional AI
13.7 實戰：用PyTorch+LoRA 微調Llama 3
第14章 推理模型與 Test-time Compute（2024-2026 新典範）
14.1 Chain-of-Thought 起源
14.2 推理增強技術
14.3 OpenAI o1 / o3 模型
14.4 Test-time Scaling Laws
14.5 開源推理模型
14.6 推理模型的失敗模式
本章重點回顧
第15 章 生成式AI——VAE/GAN/Diffusion/Flow Matching
15.1 VAE 變分自編碼器
15.2 GAN 生成對抗網路
15.3 Diffusion 擴散模型
15.4 Flow Matching（2024-2026 新典範）
15.5 條件生成
15.6 [深化] Diffusion 反向過程的隨機微分方程觀點
本章重點回顧
第16 章 多模態AI——圖文音影
16.1 圖文對齊：CLIP 與後繼
16.2 視覺語言模型(VLM)
16.3 圖像生成商業生態
16.4 影片生成
16.5 語音與音訊
16.6 統一多模態模型
16.7 [深化] CLIP 對比學習損失與嵌入幾何
本章重點回顧
▍Part V 進階主題
第17 章 強化學習與深度強化學習
17.1 RL 基礎：MDP 與Bellman
17.2 Value-based 方法
17.3 Policy-based 方法
17.4 Model-based RL 與 World Models
17.5 RL 在 LLM 中的應用
17.6 多智能體與遊戲 AI
本章重點回顧
第18 章 圖神經網路
18.1 圖資料表示
18.2 GNN 核心演算法
18.3 進階 GNN
18.4 應用實戰
18.5 [深化] GCN 與圖拉普拉斯譜域
本章重點回顧
第19 章 LLM 應用開發：RAG 與結構化輸出
19.1 Prompt Engineering 工程化
19.2 RAG 完整架構
19.3 結構化輸出
19.4 LangChain / LlamaIndex / Haystack
19.5 進階 RAG
19.6 [實戰] 完整 RAG 系統
本章重點回顧
第20 章 AI Agents 與Agentic AI
20.1 Agent 概念與演化
20.2 Agent 框架
20.3 Computer Use 與環境互動
20.4 Multi-Agent System
20.5 Agent 評估
20.6 Agent 失敗模式與安全
20.7 [實戰] 構建多步驟研究Agent（以ArXiv 論文回顧為主題）
本章重點回顧
第21 章 Code Generation 與AI 編程
21.1 Code LLM 演化
21.2 商業編程工具
21.3 Agentic 編碼工具
21.4 大型 Codebase 處理
21.5 SWE-bench 與真實 PR
21.6 [實戰 ] 用 Claude Code 完成中型專案（ 資料分析儀表板開源工具）
21.7 AI 協作守則總表
本章重點回顧
第22 章 長上下文與Context Engineering
22.1 Context Window 演進
22.2 長上下文 Attention 優化
22.3 Context Engineering
22.4 長上下文失敗模式
22.5 1M+ Context 應用
22.6 [深化] 長上下文計算複雜度與工程突破
本章重點回顧
▍Part VII 工程與治理
第23 章 模型優化，部署與 MLOps
23.1 模型壓縮
23.2 推理引擎
23.3 部署架構
23.4 MLOps 工具鏈
23.5 模型監控
23.6 GPU 資源規劃
本章重點回顧
第24 章 AI 倫理，安全，對齊與監管
24.1 演算法偏見與公平性
24.2 隱私保護
24.3 AI 安全
24.4 對齊研究
24.5 監管與治理
24.6 文件規範
本章重點回顧
第25 章 整合Capstone：端到端AI 系統實戰
25.1 專題類型選擇與規劃
25.2 視覺類專題
25.3 NLP / LLM 類專題
25.4 多模態類專題
25.5 Agent 類專題
25.6 部署與運營
本章重點回顧 全書 25 章學完之後該往哪走
作者介紹
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。
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。
各界推薦
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
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
規格
誠品貨碼 / 2683243698005
ISBN13 / 9786267889916
ISBN10 /
EAN貨碼 / 9786267889916
頁數 / 1168
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 17X23X5.6CM
級別 / N:無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送
