返回課程
AI030
專業人士
Python 中的生成式 AI 基礎
一份全面的指南，幫助您理解並實現生成式 AI 與大型語言模型（LLMs）。本課程涵蓋從理論基礎到基於 Python 的實務開發的過渡，包括 GAN、擴散模型、變壓器、微調以及生產環境部署。
4.8
21.0h
964 學習者
7 堂課
5 讚好
人工智能
課程總覽
內容概要
一本全面介紹生成式人工智慧與大型語言模型（LLM）理解與實作的指南。本課程涵蓋從理論基礎到以 Python 為主的實際開發轉變，包括生成對抗網路（GAN）、擴散模型、變壓器（Transformer）、微調以及生產部署。
透過 Python 掌握現代 LLM 與生成技術的核心原理與實際應用。
作者： Carlos Rodriguez
致謝： 特別感謝作者的妻子 Jill、父母，以及技術審核者 Morgan Boyce、Eric Rui 與 Samira Shaikh（序言作者）。
學習目標
- 區分傳統（判別式）機器學習架構與生成式 AI 模型之間的差異。
- 辨識生成式 AI 的基礎架構，包含 GAN、擴散模型與變壓器。
- 解釋大型語言模型（LLM）在廣義人工智慧領域中的角色與演進。
- 区分 GAN、擴散模型與變壓器的獨特特性與架構範式。
- 分析每種模型類型的進展與限制，包括模式崩潰或採樣速度等特定問題。
- 實作 Stable Diffusion 流程並使用 CLIP 基於的邏輯值與機率評估生成輸出。
- 追溯自然語言處理（NLP）從早期計數方法與遞迴神經網路（RNN）到現代分佈表示與遷移學習的演進歷程。
- 解釋多頭注意力（MHA）、自我注意力、遮蔽（Masking）與前饋網路（FFN）的技術細節。
- 實作完整的變壓器模型架構，包含資料詞元化、位置編碼以及訓練/推論函數。
- 將原型功能（例如 Google Colab）映射至可生產環境，使用 Docker 與 VS Code。