Top 5
2025/08/09 是圓圓過世後的第六十二天，一如往常睡到十點多，接著就是吃早午餐，然後一邊看看電視，吃完之後就滑手機，想到下禮拜要去銀行匯款，所以我想把要去銀行處理的事情一起處理，包括：匯款、證券戶更改戶籍地址、新增網銀的約定帳號，其中證券戶更改戶籍地址這件事的源頭是要辦理股票借貸戶，這大約兩前
2025/08/08 是圓圓過世後的第六十一天，今天來台北上班，不知道是不是因為禮拜五的關係，覺得特別累，早上出門的時候，路過家裡側邊的窗戶，想像圓圓在那窗戶東張西望的樣子，還特地跟圓圓說掰掰，說我要去門去上班囉，不只出門，連睡覺的時候，我也都習慣拍拍圓圓說晚安睡覺囉，圓圓會發出嗯的聲音回應我，這些
2025/08/07 是圓圓過世後的第六十天，今天一早請假，要去醫院拿過敏的處方簽，時間有點難拿捏，太早去的話，就會太早結束，這樣去公司中午還要再走出來買飯，太晚去的話又怕拖到下午，就抓個大概十點到那邊，到那邊之後，離我的號碼還有段距離，就默默在外面等待，後來還看到一些三個月前曾經看過的人，我就想
2025/08/06 是圓圓過世後的第五十九天，今天在台北上班，一早還在走路上班的路程上，同事就敲我訊息說，被主管要求準備一小時的報告，問我之前的經驗是怎麼樣，讓我想起去年那不堪回首的過往，九點一到就開始開會，報告不到五分鐘就開始被洗臉，然後一路洗臉到十二點，中間不乏很多人看到這一幕，少數幾個馬上選
2025/08/05 是圓圓過世後的第五十八天，今天來台北上班，一早同事就找我，鼓催我跟他一起出國開會，倒也不是同事搞不定，而是因為同事太常出國開會，被大主管盯上，覺得怎麼出國事情都丟給同一個人呢，然後中階、低階主管就開始想辦法說故事，編的謊言就是騙上層說其實是有一個團隊在運作，但是只有一個人代表出
2025/08/04 是圓圓過世後的第五十七天，今天去桃園上班，一路上開車的時候，跟以往有滿明顯的差異，前陣子是一個人開車就想哭，覺得有一個屬於自己的空間，跟圓圓對話完之後就邊開車邊哭，現在則是會說臭圓仔，現在過得怎麼樣，怎麼都不來夢裡找我，之類的對話，然後也會講著講著就笑了，結果晚上時刻，打這段文
2025/08/03 是圓圓過世後的第五十六天，今天一早就起床要載媽媽去買雞胸肉，出門前看到有一隻貓在那邊翻滾，好像圓圓的感覺，一種很自在放鬆的時候會這樣在地上翻滾，附上貓貓的照片，後來就出門了：
去到市場不得了，竟然還太晚去，雞胸肉都被買光了，只好在固定買的攤位買一些雞腿肉，然後去其他攤位買雞胸
2025/08/02 是圓圓過世後的第五十五天，今天很早就起床，吃個早餐、水果，再配個咖啡，就要去醫院接爸爸、媽媽回家，先打去問問進度，看醫生有沒有允許出院了，得到的回應是醫生還沒來。
大概等到十點半左右，電話就來了，說可以去接了，我就和哥哥開車去醫院，然後我開車載爸爸回家，至於哥哥就騎車載媽
2025/08/01 是圓圓過世後的第五十四天，今天騎車去台北上班的路上，在待轉的時候，看到一台熟悉的車，跟一個熟悉的女駕駛，讓我想到去年冬天的時候，我停好車在走去捷運站的路上，遇到這女生很慌張找人求助，剛好路上只有我一人，我也是很怕碰瓷，就跟著去看看到底怎麼了，她就指著她車子擋風玻璃處，有一隻死掉
2025/07/31 是圓圓過世後的第五十三天，今天去台北上班，早上起床的時候，自己泡咖啡，自己準備早餐，以前也經歷過這情況 (擔任最早起床的人)，唯一差別是圓圓不在了，以前起床的時候，圓圓會衝過來床邊，然後瘋狂哀嚎討飯吃，還會一直要帶著我去吃飯的碗那邊叫我倒飯給她吃，時不時轉頭看我有沒有跟過來，沒
2025/08/09 是圓圓過世後的第六十二天，一如往常睡到十點多，接著就是吃早午餐，然後一邊看看電視，吃完之後就滑手機，想到下禮拜要去銀行匯款，所以我想把要去銀行處理的事情一起處理，包括：匯款、證券戶更改戶籍地址、新增網銀的約定帳號，其中證券戶更改戶籍地址這件事的源頭是要辦理股票借貸戶，這大約兩前
2025/08/08 是圓圓過世後的第六十一天，今天來台北上班，不知道是不是因為禮拜五的關係，覺得特別累，早上出門的時候，路過家裡側邊的窗戶，想像圓圓在那窗戶東張西望的樣子，還特地跟圓圓說掰掰，說我要去門去上班囉，不只出門，連睡覺的時候，我也都習慣拍拍圓圓說晚安睡覺囉，圓圓會發出嗯的聲音回應我，這些
2025/08/07 是圓圓過世後的第六十天，今天一早請假，要去醫院拿過敏的處方簽，時間有點難拿捏，太早去的話，就會太早結束，這樣去公司中午還要再走出來買飯，太晚去的話又怕拖到下午，就抓個大概十點到那邊，到那邊之後，離我的號碼還有段距離，就默默在外面等待，後來還看到一些三個月前曾經看過的人，我就想
2025/08/06 是圓圓過世後的第五十九天，今天在台北上班，一早還在走路上班的路程上，同事就敲我訊息說，被主管要求準備一小時的報告，問我之前的經驗是怎麼樣，讓我想起去年那不堪回首的過往，九點一到就開始開會，報告不到五分鐘就開始被洗臉，然後一路洗臉到十二點，中間不乏很多人看到這一幕，少數幾個馬上選
2025/08/05 是圓圓過世後的第五十八天，今天來台北上班，一早同事就找我，鼓催我跟他一起出國開會，倒也不是同事搞不定，而是因為同事太常出國開會，被大主管盯上，覺得怎麼出國事情都丟給同一個人呢，然後中階、低階主管就開始想辦法說故事，編的謊言就是騙上層說其實是有一個團隊在運作，但是只有一個人代表出
2025/08/04 是圓圓過世後的第五十七天，今天去桃園上班，一路上開車的時候，跟以往有滿明顯的差異，前陣子是一個人開車就想哭，覺得有一個屬於自己的空間，跟圓圓對話完之後就邊開車邊哭，現在則是會說臭圓仔，現在過得怎麼樣，怎麼都不來夢裡找我，之類的對話，然後也會講著講著就笑了，結果晚上時刻，打這段文
2025/08/03 是圓圓過世後的第五十六天，今天一早就起床要載媽媽去買雞胸肉，出門前看到有一隻貓在那邊翻滾，好像圓圓的感覺，一種很自在放鬆的時候會這樣在地上翻滾，附上貓貓的照片，後來就出門了：
去到市場不得了，竟然還太晚去，雞胸肉都被買光了，只好在固定買的攤位買一些雞腿肉，然後去其他攤位買雞胸
2025/08/02 是圓圓過世後的第五十五天，今天很早就起床，吃個早餐、水果，再配個咖啡，就要去醫院接爸爸、媽媽回家，先打去問問進度，看醫生有沒有允許出院了，得到的回應是醫生還沒來。
大概等到十點半左右，電話就來了，說可以去接了，我就和哥哥開車去醫院，然後我開車載爸爸回家，至於哥哥就騎車載媽
2025/08/01 是圓圓過世後的第五十四天，今天騎車去台北上班的路上，在待轉的時候，看到一台熟悉的車，跟一個熟悉的女駕駛，讓我想到去年冬天的時候，我停好車在走去捷運站的路上，遇到這女生很慌張找人求助，剛好路上只有我一人，我也是很怕碰瓷，就跟著去看看到底怎麼了，她就指著她車子擋風玻璃處，有一隻死掉
2025/07/31 是圓圓過世後的第五十三天，今天去台北上班，早上起床的時候，自己泡咖啡，自己準備早餐，以前也經歷過這情況 (擔任最早起床的人)，唯一差別是圓圓不在了，以前起床的時候，圓圓會衝過來床邊，然後瘋狂哀嚎討飯吃，還會一直要帶著我去吃飯的碗那邊叫我倒飯給她吃，時不時轉頭看我有沒有跟過來，沒
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
從 AI說書 - 從0開始 - 193 | 第七章引言 到 AI說書 - 從0開始 - 222 | GPT 4 & RAG 測試，我們完成書籍：Transformers
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧目前手上有的素材：
依賴的安裝：AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG
關鍵字偵測：AI說書 - 從0開始 - 219 |
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧目前手上有的素材：
依賴的安裝：AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG
關鍵字偵測：AI說書 - 從0開始 - 219 |
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG 安裝完相關依賴，今天來撰寫一個函數，此函數能執行文章內容檢索：
def fetch
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG 安裝完相關依賴，今天來撰寫一個函數，此函數透過使用使用者請求中的關鍵字來選擇 URL
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將建立一個實作 Retrieval Augmented Generation (RAG) 的入門程式，文檔檢索並不是什麼新鮮事，自從幾十年前資料庫查詢出現以來，知識
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
注意 AI說書 - 從0開始 - 215 | OpenAI GPT 4 API 的格式，當中有兩種角色，分別為：
System Role
User Role
而各
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧我們在 AI說書 - 從0開始 - 215 | OpenAI GPT 4 API 中給出了一段程式做推論，當中不乏很多超參數，我們可以試著調配看看：
model
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將開始使用 ChatGPT Plus 和 GPT-4 作為助手，您將看到尖端開發人員如何利用 GPT-4 作為助手來縮短上市時間。
這次我想請 GPT 4 幫
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將開始使用 ChatGPT Plus 和 GPT-4 作為助手，您將看到尖端開發人員如何利用 GPT-4 作為助手來縮短上市時間。
比方說問 ChatGPT
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
從 AI說書 - 從0開始 - 193 | 第七章引言 到 AI說書 - 從0開始 - 222 | GPT 4 & RAG 測試，我們完成書籍：Transformers
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧目前手上有的素材：
依賴的安裝：AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG
關鍵字偵測：AI說書 - 從0開始 - 219 |
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧目前手上有的素材：
依賴的安裝：AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG
關鍵字偵測：AI說書 - 從0開始 - 219 |
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG 安裝完相關依賴，今天來撰寫一個函數，此函數能執行文章內容檢索：
def fetch
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 AI說書 - 從0開始 - 218 | OpenAI GPT 4 & RAG 安裝完相關依賴，今天來撰寫一個函數，此函數透過使用使用者請求中的關鍵字來選擇 URL
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將建立一個實作 Retrieval Augmented Generation (RAG) 的入門程式，文檔檢索並不是什麼新鮮事，自從幾十年前資料庫查詢出現以來，知識
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
注意 AI說書 - 從0開始 - 215 | OpenAI GPT 4 API 的格式，當中有兩種角色，分別為：
System Role
User Role
而各
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
回顧我們在 AI說書 - 從0開始 - 215 | OpenAI GPT 4 API 中給出了一段程式做推論，當中不乏很多超參數，我們可以試著調配看看：
model
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將開始使用 ChatGPT Plus 和 GPT-4 作為助手，您將看到尖端開發人員如何利用 GPT-4 作為助手來縮短上市時間。
這次我想請 GPT 4 幫
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將開始使用 ChatGPT Plus 和 GPT-4 作為助手，您將看到尖端開發人員如何利用 GPT-4 作為助手來縮短上市時間。
比方說問 ChatGPT
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在本章中，我們看到 T5 Transformer 模型如何將原始 Transformer 的編碼器和解碼器堆疊的輸入進行了標準化，原始 Transformer 架構中，
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數，搭配 AI說書 - 從0開始 - 396 | 使用
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數，搭配 AI說書 - 從0開始 - 396 | 使用
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想利用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數對文章進行總結功能，以下先載入文章：
Text:
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
為了後續方面，我們建立一個對話函數，這樣每次只要呼叫該函數即能完成對話：
def dialog(uinput):
role = "user"
line = {"r
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想要使用 ChatGPT 進行文章總結，首先載入必要依賴：
try:
import openai
from openai import OpenAI
exc
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在進行摘要的過程中，選擇 T5 或 ChatGPT（GPT-4）將始終取決於你實施的項目，Hugging Face 的 T5 模型以其文本到文本的方式提供了許多優勢，而
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們也可以用 Hugging Face 上之 T5 模型進行翻譯，實踐方法為：
!pip install transformers -qq
!pip install
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 387 | Hugging Face T5 模型製作 Summary 函數 中撰寫的彙整函數，搭配以下文本，可以進行文本總結功能：
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 387 | Hugging Face T5 模型製作 Summary 函數 中撰寫的彙整函數，搭配以下文本，可以進行文本總結功能：
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在本章中，我們看到 T5 Transformer 模型如何將原始 Transformer 的編碼器和解碼器堆疊的輸入進行了標準化，原始 Transformer 架構中，
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數，搭配 AI說書 - 從0開始 - 396 | 使用
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數，搭配 AI說書 - 從0開始 - 396 | 使用
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想利用 AI說書 - 從0開始 - 395 | 使用 ChatGPT 進行文章總結 中撰寫的 ChatGPT 彙整函數對文章進行總結功能，以下先載入文章：
Text:
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
為了後續方面，我們建立一個對話函數，這樣每次只要呼叫該函數即能完成對話：
def dialog(uinput):
role = "user"
line = {"r
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想要使用 ChatGPT 進行文章總結，首先載入必要依賴：
try:
import openai
from openai import OpenAI
exc
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在進行摘要的過程中，選擇 T5 或 ChatGPT（GPT-4）將始終取決於你實施的項目，Hugging Face 的 T5 模型以其文本到文本的方式提供了許多優勢，而
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們也可以用 Hugging Face 上之 T5 模型進行翻譯，實踐方法為：
!pip install transformers -qq
!pip install
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 387 | Hugging Face T5 模型製作 Summary 函數 中撰寫的彙整函數，搭配以下文本，可以進行文本總結功能：
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 387 | Hugging Face T5 模型製作 Summary 函數 中撰寫的彙整函數，搭配以下文本，可以進行文本總結功能：
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 應用程式開發人員可能面臨的一些挑戰和風險，以下是條列與舉例：
偏差可能會影響結果：貸款核准模型因為其訓練資料有偏差而有性別上的差別待遇
錯誤可能造成傷害：自動駕駛汽車遇到系統故障而導致車禍
資料可能遭到
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 是可模仿人類行為與能力的軟體，主要的工作包含：
機器學習：這通常是 AI 系統的基礎，且是「指導」電腦模型進行預測並從資料中得出結論的方式
電腦視覺：透過相機、影片和影像，以視覺方式解譯世界的 AI 功能
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
哪兩個場景是自然語言處理工作負載的範例？每個正確答案都代表一個完整的解決方案。
A: 監控機器的溫度，當溫度達到特
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
您需要建立一個可以大聲朗讀食譜說明的應用程序，以支援視力不佳的用戶。您應該使用哪個版本的服務？
A: 文字分析
最近要來考證照，把準備過程跟大家分享
選出正確完成句子的答案。
您有一個資料庫，其中包含員工及其照片的清單。您正在標記員工的新照片。對於以下每個陳述，如果該陳述為真，則選擇“是”。否則，選擇「否」
您需要開發一個行動應用程序，供員工在旅行時掃描和儲存他們的費用。您應該使用哪種類型的
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
對於以下每個語句，如果該語句為真，請選擇「是」。否則，選擇「否」
對於以下每個語句，如果該語句為真，請選擇「是」。否則，選
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
將 AI 工作負載類型與適當的場景相匹配。若要回答，請將適當的工作負載類型從左側列拖曳到右側的場景。每種工作負載類型可以使用一次
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
一家公司僱用了一支客戶服務代理團隊為客戶提供電話和電子郵件支援。該公司開發了一個網路聊天機器人，可以自動回答常見的客戶問題。透過
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 應用程式開發人員可能面臨的一些挑戰和風險，以下是條列與舉例：
偏差可能會影響結果：貸款核准模型因為其訓練資料有偏差而有性別上的差別待遇
錯誤可能造成傷害：自動駕駛汽車遇到系統故障而導致車禍
資料可能遭到
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 是可模仿人類行為與能力的軟體，主要的工作包含：
機器學習：這通常是 AI 系統的基礎，且是「指導」電腦模型進行預測並從資料中得出結論的方式
電腦視覺：透過相機、影片和影像，以視覺方式解譯世界的 AI 功能
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
哪兩個場景是自然語言處理工作負載的範例？每個正確答案都代表一個完整的解決方案。
A: 監控機器的溫度，當溫度達到特
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
您需要建立一個可以大聲朗讀食譜說明的應用程序，以支援視力不佳的用戶。您應該使用哪個版本的服務？
A: 文字分析
最近要來考證照，把準備過程跟大家分享
選出正確完成句子的答案。
您有一個資料庫，其中包含員工及其照片的清單。您正在標記員工的新照片。對於以下每個陳述，如果該陳述為真，則選擇“是”。否則，選擇「否」
您需要開發一個行動應用程序，供員工在旅行時掃描和儲存他們的費用。您應該使用哪種類型的
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
對於以下每個語句，如果該語句為真，請選擇「是」。否則，選擇「否」
對於以下每個語句，如果該語句為真，請選擇「是」。否則，選
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
將 AI 工作負載類型與適當的場景相匹配。若要回答，請將適當的工作負載類型從左側列拖曳到右側的場景。每種工作負載類型可以使用一次
最近要來考證照，把準備過程跟大家分享
此處提供 Microsoft Azure AI 900 證照考古題，資料來源：https://reurl.cc/4rVvE3
一家公司僱用了一支客戶服務代理團隊為客戶提供電話和電子郵件支援。該公司開發了一個網路聊天機器人，可以自動回答常見的客戶問題。透過
最近接了一個AI專案，客戶要求以AI方式實現節能功能，以下提供我的專案思考軌跡：
面對這樣的技術，我第一個想到使用Reinforcement Learning技術，然而這裡我思考一件事，這個專案是要幫助客戶賺錢的，在沒有Digital Twin的搭配之下，貿然使用Reinforcement L
上週發了一篇AI書單推薦
今天來談談，我是怎麼學習的，我總共學了七年AI，自然對於一個小白想入門有更深刻的體悟，更能了解怎麼樣學習才能不至於一次面臨太多困難而放棄
我的建議是這樣：
先花兩年把Machine Learning學完，當中會遇到很多數學問題，這方面可以「在遇到問題時」再去翻
這篇介紹我看過的AI書籍中，覺得很棒的書單，我按照不同的AI作法來分類：
Machine Learning:
Pattern Recognition and Machine Learning, Christopher M. Bishop, 2011
The Elements of Statis
我們知道AI的作法可以分為Supervised Learning、Unsupervised Learning、Reinforcement Learning，整題區分如下圖：
圖片出處：https://www.superannotate.com/blog/supervised-learning-an
大家在跟Chat GPT互動的時候，會不會覺得常常雞同鴨講
我們梳理了一些提升Chat GPT回答能力的作法 ChatGPT回答不是你要的怎麼辦？
我們也實作了當中的一種方法，叫做RAG於 自己做免錢Chat GPT吧
這篇文章，我們談談其他技巧，稱為Prompt Engineering
首先定義符號：
因此我們有
其中
再定義State Avtion Value.Function、Value Function和Advantage Function分別為：
接著我定義
此外觀察上述定義，能有
因此我有以下展開
這時回顧
因此我有
結合之後得到
移項之後得到
接
回顧我們的目標是自己做一個免錢Chat GPT 自己做免錢Chat GPT吧
當中，我希望外掛一個外部知識庫，叫做RAG，來提升整體問答的品質，同時又能避免機敏資訊被Chat GPT竊取。
緣由參見 ChatGPT回答不是你要的怎麼辦？
詳細實作於 使用Meta釋出的模型，實作Chat G
人工智慧中最受歡迎的作法莫過於類神經網路，以當今最受歡迎的大型語言模型 (LLM)也不例外，然而這些持續受到爭議：黑盒子，也就是說我們不知道它內部怎麼運作，只知道給它一段話，它就會輸出一段話來回應。
以下從幾個面向來討論「黑盒子」議題：
透明性 Transparency
以LLM模型的開
回顧ChatGPT回答不是你要的怎麼辦？這篇文章，Chat GPT回答的結果常常不如人意，因此有個Facebook提出的技術，叫做RAG，它是提升Chat GPT回答品質的方式之一，詳細實作步驟可以參照自己做免錢Chat GPT吧。
這次我們來換個方法，今天要介紹Reinforcement Lea
當Chat GPT回答的東西不是你想要的，怎麼辦呢？
我們提供想法的思路於：ChatGPT回答不是你要的怎麼辦？
我想自己動手改善，但是我沒有GPU這項資源怎麼辦？
我們提供免費使用方式於：使用Meta釋出的模型，實作Chat GPT - Part 0
有了操作環境，但是我不知道怎麼
最近接了一個AI專案，客戶要求以AI方式實現節能功能，以下提供我的專案思考軌跡：
面對這樣的技術，我第一個想到使用Reinforcement Learning技術，然而這裡我思考一件事，這個專案是要幫助客戶賺錢的，在沒有Digital Twin的搭配之下，貿然使用Reinforcement L
上週發了一篇AI書單推薦
今天來談談，我是怎麼學習的，我總共學了七年AI，自然對於一個小白想入門有更深刻的體悟，更能了解怎麼樣學習才能不至於一次面臨太多困難而放棄
我的建議是這樣：
先花兩年把Machine Learning學完，當中會遇到很多數學問題，這方面可以「在遇到問題時」再去翻
這篇介紹我看過的AI書籍中，覺得很棒的書單，我按照不同的AI作法來分類：
Machine Learning:
Pattern Recognition and Machine Learning, Christopher M. Bishop, 2011
The Elements of Statis
我們知道AI的作法可以分為Supervised Learning、Unsupervised Learning、Reinforcement Learning，整題區分如下圖：
圖片出處：https://www.superannotate.com/blog/supervised-learning-an
大家在跟Chat GPT互動的時候，會不會覺得常常雞同鴨講
我們梳理了一些提升Chat GPT回答能力的作法 ChatGPT回答不是你要的怎麼辦？
我們也實作了當中的一種方法，叫做RAG於 自己做免錢Chat GPT吧
這篇文章，我們談談其他技巧，稱為Prompt Engineering
首先定義符號：
因此我們有
其中
再定義State Avtion Value.Function、Value Function和Advantage Function分別為：
接著我定義
此外觀察上述定義，能有
因此我有以下展開
這時回顧
因此我有
結合之後得到
移項之後得到
接
回顧我們的目標是自己做一個免錢Chat GPT 自己做免錢Chat GPT吧
當中，我希望外掛一個外部知識庫，叫做RAG，來提升整體問答的品質，同時又能避免機敏資訊被Chat GPT竊取。
緣由參見 ChatGPT回答不是你要的怎麼辦？
詳細實作於 使用Meta釋出的模型，實作Chat G
人工智慧中最受歡迎的作法莫過於類神經網路，以當今最受歡迎的大型語言模型 (LLM)也不例外，然而這些持續受到爭議：黑盒子，也就是說我們不知道它內部怎麼運作，只知道給它一段話，它就會輸出一段話來回應。
以下從幾個面向來討論「黑盒子」議題：
透明性 Transparency
以LLM模型的開
回顧ChatGPT回答不是你要的怎麼辦？這篇文章，Chat GPT回答的結果常常不如人意，因此有個Facebook提出的技術，叫做RAG，它是提升Chat GPT回答品質的方式之一，詳細實作步驟可以參照自己做免錢Chat GPT吧。
這次我們來換個方法，今天要介紹Reinforcement Lea
當Chat GPT回答的東西不是你想要的，怎麼辦呢？
我們提供想法的思路於：ChatGPT回答不是你要的怎麼辦？
我想自己動手改善，但是我沒有GPU這項資源怎麼辦？
我們提供免費使用方式於：使用Meta釋出的模型，實作Chat GPT - Part 0
有了操作環境，但是我不知道怎麼
大家在跟Chat GPT互動的時候，會不會覺得常常雞同鴨講
我們梳理了一些提升Chat GPT回答能力的作法 ChatGPT回答不是你要的怎麼辦？
我們也實作了當中的一種方法，叫做RAG於 自己做免錢Chat GPT吧
這篇文章，我們談談其他技巧，稱為「透過LoRA執行Fine Tuning」
工欲善其事，必先利其器，要打造屬於自己的Chat GPT之前，我們先學習怎麼建立Google免費提供的Colab環境，它可以免費使用GPU來加速AI的運算，非常適合沒有錢添購GPU，但又想學習前沿AI技術的人。
第一步：打開Google瀏覽器，並點選右上方的「方格子點點」，接著選擇「雲端硬碟」
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2.1.1.2 Probability Distributions
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2 Probability Theory
2.1 Motivation
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.4 Historical Notes
這節闡述Probabilistic Graphical Model的崛起歷史，當中尚做了
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 3講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 2講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 1講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
We begin in
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
大家在跟Chat GPT互動的時候，會不會覺得常常雞同鴨講
我們梳理了一些提升Chat GPT回答能力的作法 ChatGPT回答不是你要的怎麼辦？
我們也實作了當中的一種方法，叫做RAG於 自己做免錢Chat GPT吧
這篇文章，我們談談其他技巧，稱為「透過LoRA執行Fine Tuning」
工欲善其事，必先利其器，要打造屬於自己的Chat GPT之前，我們先學習怎麼建立Google免費提供的Colab環境，它可以免費使用GPU來加速AI的運算，非常適合沒有錢添購GPU，但又想學習前沿AI技術的人。
第一步：打開Google瀏覽器，並點選右上方的「方格子點點」，接著選擇「雲端硬碟」
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2.1.1.2 Probability Distributions
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2 Probability Theory
2.1 Motivation
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.4 Historical Notes
這節闡述Probabilistic Graphical Model的崛起歷史，當中尚做了
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 3講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 2講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 1講
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
We begin in
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
patches_reshaped = patches.permute(0, 2, 3, 1, 4, 5).contiguous().view(-1, 3, patch_si
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在原始的 ViT 論文中，這些區塊在被線性嵌入到適合 Transformer 的維度後，會直接輸入到 Transformer 模型中，亦即，這些區塊就是 Transfo
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將建立一個特徵提取器模擬器，以說明圖像如何被分割為區塊並成為 Transformer 的輸入，Vision Transformer（ViT）模型將原始輸入圖像分割成
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
為了解釋 ViT 模型，首先先下載圖片，方便後續使用：
from IPython.display import Image
!curl -L https://raw.
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
類似單詞的圖像序列可以適配於 Transformer 中，問題在於，它們仍然是圖像，Google Research 決定使用一種混合輸入模型來完成這項工作，如下圖所示：
我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
儘管具有潛力，但 Prompt Composite 並非沒有挑戰，最終響應的品質取決於 System P
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Dosovitskiy 等人於 2021 年在其論文標題中概括了他們設計的視覺 Transformer 架構的本質：一張圖像相當於 16 x 16 個單詞：用於大規模圖
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Transformer 模型的抽象層次使其產生多模態神經元，多模態神經元可以處理被標記為像素或影像區塊的圖像，然後將其作為詞彙在視覺 Transformer 中處理，一
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
本章節將涵蓋以下內容：
從任務無關模型到視覺模型
ViT 視覺 Transformer
ViT 程式
使用 CLIP 的文字影像視覺 Transformer
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
到目前為止，我們已經檢視了具有編碼器和解碼器層的原始 Transformer 模型的變體，我們還探討了僅具有編碼器或僅具有解碼器層堆疊的其他模型，此外，層數和參數的規模
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
patches_reshaped = patches.permute(0, 2, 3, 1, 4, 5).contiguous().view(-1, 3, patch_si
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在原始的 ViT 論文中，這些區塊在被線性嵌入到適合 Transformer 的維度後，會直接輸入到 Transformer 模型中，亦即，這些區塊就是 Transfo
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將建立一個特徵提取器模擬器，以說明圖像如何被分割為區塊並成為 Transformer 的輸入，Vision Transformer（ViT）模型將原始輸入圖像分割成
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
為了解釋 ViT 模型，首先先下載圖片，方便後續使用：
from IPython.display import Image
!curl -L https://raw.
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
類似單詞的圖像序列可以適配於 Transformer 中，問題在於，它們仍然是圖像，Google Research 決定使用一種混合輸入模型來完成這項工作，如下圖所示：
我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
儘管具有潛力，但 Prompt Composite 並非沒有挑戰，最終響應的品質取決於 System P
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Dosovitskiy 等人於 2021 年在其論文標題中概括了他們設計的視覺 Transformer 架構的本質：一張圖像相當於 16 x 16 個單詞：用於大規模圖
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Transformer 模型的抽象層次使其產生多模態神經元，多模態神經元可以處理被標記為像素或影像區塊的圖像，然後將其作為詞彙在視覺 Transformer 中處理，一
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
本章節將涵蓋以下內容：
從任務無關模型到視覺模型
ViT 視覺 Transformer
ViT 程式
使用 CLIP 的文字影像視覺 Transformer
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
到目前為止，我們已經檢視了具有編碼器和解碼器層的原始 Transformer 模型的變體，我們還探討了僅具有編碼器或僅具有解碼器層堆疊的其他模型，此外，層數和參數的規模
我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
定義
Prompt Chaining 是一種結構化的提示框架，它將多個較小、較簡單的提示按順序排列成一
我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
定義
Prompt Chaining 是一種結構化的提示框架，它將多個較小、較簡單的提示按順序排列成一
