【第一部分 理解語言模型】第一章 大型語言模型簡介 什麼是語言人工智慧？ 語言人工智慧的近期歷史 大型語言模型的定義演變 大型語言模型的訓練範式 大型語言模型應用：為何如此實用？ 負責任的LLM 開發與使用 有限資源，同樣精彩 與大型語言模型互動 生成您的第一段文本第二章 詞元與嵌入 LLM 的分詞過程 詞元嵌入 文本嵌入（針對句子和整個文件） 超越 LLM 的字嵌入應用 嵌入在推薦系統中的應用第三章 深入探索大型語言模型 Transformer 模型概述 近期改進的 Transformer 架構【第二部分 使用預訓練語言模型】第四章 文本分類 電影評論的情感分析 使用表達型模型進行文本分類 模型選擇 使用任務特定模型 利用嵌入的分類任務 使用生成型模型進行文本分類第五章 文本分群與主題建模 使用 ArXiv 論文：計算與語言領域 文本分群的一般流程 從文本分群到主題建模第六章 提示工程 使用文本生成模型 提示工程入門 進階提示工程 使用生成模型以推理 輸出驗證第七章 進階文本生成技術與工具 模型輸入與輸出：使用 LangChain 載入量化模型 鏈接：擴展 LLM 的能力 記憶：幫助 LLM 記住對話 代理：建立 LLM 系統第八章 語意搜尋與檢索擴增生成 語意搜尋與 RAG 概述 以語言模型進行語意搜尋 檢索擴增生成（RAG）第九章 多模態大型語言模型 用於視覺的 Transformer 多模態嵌入模型 使文本生成模型具備多模態能力【第三部分 語言模型的訓練與微調】第十章 建立文本嵌入模型 嵌入模型 什麼是對比學習？ SBERT 建立嵌入模型 微調嵌入模型 非監督式學習第十一章 微調表達型模型以分類 監督式分類 少樣本分類 使用遮罩語言建模進行持續預訓練 命名實體識別第十二章 微調生成模型 三個 LLM 訓練步驟：預訓練、監督式微調和偏好微調 監督式微調（SFT） 使用 QLoRA 進行指令微調 評估生成模型 偏好調整／對齊／RLHF 使用獎勵模型自動化偏好評估 使用 DPO 進行偏好微調後記
AI應用程式開發 第二版｜活用ChatGPT與LLM技術開發實作 LLM資安教戰手冊｜打造安全的AI應用程式 LLM核心攻略制霸生成式AI：ChatGPT、嵌入技術、微調與多模態AI最佳實踐