第1章　現(xiàn)代機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1 數(shù)據(jù)科學(xué)與商業(yè)智能漸行漸遠(yuǎn) 2
1.2 從CRISP-DM過(guò)渡到最新的多組件ML系統(tǒng) 3
1.3 LLM提升了ML的能力和復(fù)雜度 5
1.4 你能從本書(shū)中學(xué)到哪些知識(shí) 6
第2章　一種端到端的方法 9
2.1 YouTube搜索智能體的組件 11
2.2 生產(chǎn)中使用的ML系統(tǒng)的核心原則 13
2.2.1 可觀察性 14
2.2.2 可再現(xiàn)性 15
2.2.3 互操作性 15
2.2.4 可擴(kuò)展性 16
2.2.5 可改進(jìn)性 17
2.2.6 關(guān)于工具的注意事項(xiàng) 18
第3章　以數(shù)據(jù)為中心 19
3.1 基礎(chǔ)模型的出現(xiàn) 19
3.2 現(xiàn)成組件的角色 20
3.3 數(shù)據(jù)驅(qū)動(dòng)的方法 21
3.4 有關(guān)數(shù)據(jù)倫理的注意事項(xiàng) 22
3.5 構(gòu)建數(shù)據(jù)集 23
3.5.1 使用向量數(shù)據(jù)庫(kù) 25
3.5.2 數(shù)據(jù)版本控制和管理 38
3.5.3 開(kāi)始使用數(shù)據(jù)版本控制工具 41
3.6 適度了解數(shù)據(jù)工程知識(shí) 45
第4章　LLM 47
4.1 選擇LLM 47
4.1.1 我需要執(zhí)行哪種類型的推理 49
4.1.2 這項(xiàng)任務(wù)是通用的還是專用的 50
4.1.3 數(shù)據(jù)的隱私級(jí)別有多高 50
4.1.4 該模型需要多高的成本 51
4.2 LLM實(shí)驗(yàn)管理 52
4.3 LLM推理 56
4.3.1 提示工程的基本原理 56
4.3.2 上下文學(xué)習(xí) 58
4.3.3 中間計(jì)算 64
4.3.4 RAG 67
4.3.5 智能體技術(shù) 71
4.4 用Comet ML優(yōu)化LLM推理 77
4.5 微調(diào)LLM 84
4.5.1 微調(diào)LLM的時(shí)機(jī) 84
4.5.2 量化、QLoRA和參數(shù)高效微調(diào) 85
4.6 本章小結(jié) 90
第5章　合成一個(gè)完整的應(yīng)用 91
5.1 用Gradio得到應(yīng)用的雛形 93
5.2 使用Plotnine創(chuàng)建圖形 94
5.2.1 添加選擇框 102
5.2.2 添加徽標(biāo) 103
5.2.3 添加選項(xiàng)卡 103
5.2.4 添加標(biāo)題和副標(biāo)題 104
5.2.5 更改按鈕的顏色 104
5.2.6 添加下載按鈕 105
5.2.7 將組件合在一起 105
5.3 將模型部署為API 107
5.3.1 用FastAPI實(shí)現(xiàn)API 109
5.3.2 實(shí)現(xiàn)Uvicorn 111
5.4 監(jiān)控LLM 111
5.4.1 用Docker部署服務(wù) 113
5.4.2 部署LLM 115
5.5 小結(jié) 119
第6章　完成ML生命周期 121
6.1 部署一個(gè)簡(jiǎn)單的隨機(jī)森林模型 121
6.2 模型監(jiān)控簡(jiǎn)介 125
6.3 用Evidently AI監(jiān)控模型 131
6.4 構(gòu)建模型監(jiān)控系統(tǒng) 134
6.5 有關(guān)監(jiān)控的總結(jié) 141
第7章　最佳實(shí)踐 143
7.1 第一步：理解問(wèn)題 143
7.2 第二步：選擇和訓(xùn)練模型 144
7.3 第三步：部署和維護(hù) 145
7.4 第四步：協(xié)作與溝通 148
7.5 LLM的發(fā)展趨勢(shì) 149
7.6 進(jìn)一步的研究 150