AI驱动开发:企业级机器学习与自动化编程实战电子书

前折页

书名页

版权

推荐序一 金融行业的AI赋能与数字化转型

推荐序二 AI赋能航空运行安全：中导航的创新实践

推荐序三 小鱼易连的技术创新与AI实践

推荐序四 AI开启智能芯片新时代

推荐序五 AI与网络安全，智能时代新纪元

推荐序六 AI时代的领航与赋能

译者序 拥抱AI，开启数字化转型的新征程

前言

关于作者

关于审校者

第1章 欢迎进入AI助手新世界

1.1 导论

1.2 ChatGPT的发展历程：从自然语言处理到大语言模型

1.2.1 大语言模型的兴起

1.2.2 GPT模型

1.2.3 大语言模型的优势

1.3 新范式：使用自然语言编程

1.4 编程语言的演进

第2章 提示策略

2.1 导论

2.2 你的身份

2.3 如何有效提示

2.4 针对Web开发领域的提示策略

2.4.1 分解问题：Web库存管理系统

2.4.2 将前端问题分解为功能

2.4.3 为每个功能生成提示词

2.4.4 确定Web开发领域的提示策略

2.5 针对数据科学领域的提示策略

2.5.1 分解问题：预测销售额

2.5.2 将数据科学问题分解为步骤

2.5.3 为每个步骤生成提示词

2.5.4 确定数据科学领域的提示策略

2.6 验证结果

2.6.1 通过提示词验证

2.6.2 经典验证

2.7 总结

第3章 行业工具：AI助手介绍

3.1 导论

3.2 了解Copilot

3.2.1 Copilot如何知道要生成什么

3.2.2 Copilot的功能和局限性

3.2.3 设置和安装

3.2.4 开始使用Copilot

3.2.5 任务

3.2.6 答案

3.2.7 挑战

3.2.8 参考文献

3.3 了解ChatGPT

3.3.1 ChatGPT如何工作

3.3.2 ChatGPT的功能和局限性

3.3.3 设置和安装

3.3.4 开始使用ChatGPT

3.4 总结

第4章 使用HTML和Copilot构建应用程序的外观

4.1 导论

4.2 业务问题

4.2.1 问题领域

4.2.2 功能分解

4.2.3 提示策略

4.3 页面结构

4.4 为页面结构构建添加AI辅助

4.4.1 第1条提示词：简单提示词以及辅助AI助手

4.4.2 第2条提示词：添加更多上下文

4.4.3 第3条提示词：接受提示建议

4.5 挑战：改变提示词内容

4.6 用例：构建电子商务网站前端

4.6.1 登录页面

4.6.2 产品页面

4.6.3 剩余页面

4.7 任务

4.8 挑战

4.9 测验

4.10 总结

第5章 使用CSS和Copilot为应用程序添加样式

5.1 导论

5.2 业务问题

5.3 问题和数据领域

5.4 功能分解

5.5 提示策略

5.6 CSS

5.6.1 第一个CSS

5.6.2 按名称分类的CSS

5.7 任务

5.8 用例：为电子商务应用程序添加样式

5.9 挑战

5.10 测验

5.11 总结

第6章 使用JavaScript添加行为

6.1 导论

6.2 业务问题

6.3 问题和数据领域

6.4 功能分解

6.5 提示策略

6.6 添加JavaScript

6.6.1 JavaScript的作用

6.6.2 向页面添加JavaScript

6.6.3 添加JavaScript库/框架

6.7 挑战

6.8 用例：添加行为

6.8.1 改进输出结果

6.8.2 添加Bootstrap

6.8.3 添加Vue.js

6.9 任务

6.10 总结

第7章 使用响应式Web布局支持多个视口

7.1 导论

7.2 业务问题

7.3 问题和数据领域

7.4 功能分解

7.5 提示策略

7.6 视口

7.6.1 媒体查询

7.6.2 何时调整以适应不同的视口并使其响应

7.7 用例：使产品库具有响应性

7.8 任务

7.9 挑战

7.10 总结

第8章 构建具有Web API的后端

8.1 导论

8.2 业务问题

8.3 问题和数据领域

8.4 功能分解

8.5 提示策略

8.6 Web API

8.6.1 应该选择哪种语言和框架

8.6.2 规划Web API

8.7 使用Python和Flask创建Web API

8.7.1 步骤1：创建新项目

8.7.2 步骤2：安装Flask

8.7.3 步骤3：创建入口点

8.7.4 步骤4：创建Flask应用程序

8.8 用例：电子商务网站的Web API

8.8.1 步骤1：为电子商务网站创建Web API

8.8.2 步骤2：返回JSON而不是文本

8.8.3 步骤3：添加读写数据库的代码

8.8.4 步骤4：改进代码

8.8.5 步骤5：为API编写文档

8.9 任务

8.10 挑战

8.11 总结

第9章 用AI服务增强Web应用程序

9.1 导论

9.2 业务问题

9.3 问题和数据领域

9.4 功能分解

9.5 提示策略

9.6 创建模型

9.7 制订计划

9.7.1 导入库

9.7.2 读取CSV文件

9.7.3 创建测试数据集和训练数据集

9.7.4 创建模型

9.7.5 模型效果

9.7.6 预测

9.7.7 将模型保存为.pkl文件

9.7.8 在Python中创建REST API

9.8 将模型转换为ONNX格式

9.9 在JavaScript中加载ONNX模型

9.9.1 在JavaScript中安装onnxruntime

9.9.2 在JavaScript中加载ONNX模型

9.10 任务

9.11 测验

9.12 总结

第10章 维护现有代码库

10.1 导论

10.2 提示策略

10.3 不同的维护类型

10.4 维护过程

10.5 解决一个漏洞

10.5.1 识别问题

10.5.2 实施更改

10.6 添加新功能

10.6.1 识别问题并找到需要更改的函数

10.6.2 实施更改，添加新功能和测试

10.7 提高性能

10.7.1 大O表示法计算

10.7.2 测试性能

10.8 提高可维护性

10.8.1 识别问题

10.8.2 添加测试并降低更改风险

10.8.3 实施更改并提高可维护性

10.9 挑战

10.10 更新现有的电子商务网站

10.11 任务

10.12 测验

10.13 总结

第11章 使用ChatGPT进行数据探索

11.1 导论

11.2 业务问题

11.3 问题和数据领域

11.4 功能分解

11.5 提示策略

11.5.1 策略1：TAG提示策略

11.5.2 策略2：PIC提示策略

11.5.3 策略3：LIFE提示策略

11.6 使用免费版ChatGPT对亚马逊评论数据集进行数据探索

11.6.1 功能1：数据加载

11.6.2 功能2：数据检查

11.6.3 功能3：汇总统计

11.6.4 功能4：分类分析

11.6.5 功能5：评分分布可视化

11.6.6 功能6：时间趋势分析

11.6.7 功能7：评论文本分析

11.6.8 功能8：相关性分析

11.7 使用ChatGPT-4o对亚马逊评论数据集进行数据探索

11.8 任务

11.9 挑战

11.10 总结

第12章 用ChatGPT构建分类模型

12.1 导论

12.2 业务问题

12.3 问题和数据领域

12.4 功能分解

12.5 提示策略

12.5.1 策略1：TAG提示策略

12.5.2 策略2：PIC提示策略

12.5.3 策略3：LIFE提示策略

12.6 使用免费版ChatGPT构建情绪分析模型，精准分类亚马逊评论

12.6.1 功能1：数据预处理和特征工程

12.6.2 功能2：模型选择和基线训练

12.6.3 功能3：模型评估和解释

12.6.4 功能4：处理不平衡数据

12.6.5 功能5：超参数调优

12.6.6 功能6：尝试特征表示方法

12.7 使用ChatGPT-4或ChatGPT Plus构建情绪分析模型，精准分类亚马逊评论

12.7.1 功能1：数据预处理和特征工程

12.7.2 功能2：模型选择和基线训练

12.7.3 功能3：模型评估和解释

12.7.4 功能4：处理不平衡数据

12.7.5 功能5：超参数调优

12.7.6 功能6：尝试特征表示方法

12.8 任务

12.9 挑战

12.10 总结

第13章 使用ChatGPT构建客户消费的回归模型

13.1 导论

13.2 业务问题

13.3 问题和数据领域

13.4 功能分解

13.5 提示策略

13.5.1 策略1：TAG提示策略

13.5.2 策略2：PIC提示策略

13.5.3 策略3：LIFE提示策略

13.6 使用免费版ChatGPT构建简单线性回归模型

13.6.1 功能1：逐步构建模型

13.6.2 功能2：应用正则化技术

13.6.3 功能3：生成合成数据集以增加复杂性

13.6.4 功能4：为合成数据集生成一步到位的开发模型的代码

13.7 使用ChatGPT Plus构建简单线性回归模型

13.7.1 功能1：逐步构建模型

13.7.2 功能2：应用正则化技术

13.7.3 功能3：生成合成数据集以增加复杂性

13.7.4 功能4：为合成数据集生成一步到位的开发模型的代码

13.8 任务

13.9 挑战

13.10 总结

第14章 使用ChatGPT为Fashion-MNIST数据集构建MLP模型

14.1 导论

14.2 业务问题

14.3 问题和数据领域

14.4 功能分解

14.5 提示策略

14.5.1 策略1：TAG提示策略

14.5.2 策略2：PIC提示策略

14.5.3 策略3：LIFE提示策略

14.6 使用免费版ChatGPT构建可以准确分类Fashion-MNIST图像的MLP模型

14.6.1 功能1：构建基线模型

14.6.2 功能2：为模型添加层

14.6.3 功能3：尝试不同的批量大小

14.6.4 功能4：尝试不同的神经元数量

14.6.5 功能5：尝试不同的优化器

14.7 任务

14.8 挑战

14.9 总结

第15章 使用ChatGPT为CIFAR-10构建CNN模型

15.1 导论

15.2 业务问题

15.3 问题和数据领域

15.4 功能分解

15.5 提示策略

15.5.1 策略1：TAG提示策略

15.5.2 策略2：PIC提示策略

15.5.3 策略3：LIFE提示策略

15.6 使用免费版ChatGPT构建可以准确分类CIFAR-10图像的CNN模型

15.6.1 功能1：构建基线模型

15.6.2 功能2：为模型添加层

15.6.3 功能3：引入dropout正则化

15.6.4 功能4：实现批量归一化

15.6.5 功能5：尝试不同的优化器

15.6.6 功能6：应用DavidNet架构

15.7 任务

15.8 挑战

15.9 总结

第16章 无监督学习：聚类和PCA

16.1 导论

16.2 功能分解

16.3 提示策略

16.4 电子商务项目的客户细分

16.4.1 数据集概述

16.4.2 在无监督学习模型开发过程中添加AI辅助

16.5 电子商务项目的产品聚类

16.5.1 初始提示词：设置语境

16.5.2 加载和预处理数据

16.5.3 特征工程和文本数据预处理

16.5.4 选择聚类算法

16.5.5 特征缩放

16.5.6 应用聚类算法

16.5.7 解释簇和可视化结果

16.5.8 为产品分配类别以及评估和改进

16.6 对该用例提示词的反思

16.7 任务

16.8 总结

第17章 使用Copilot进行机器学习

17.1 导论

17.2 集成开发环境里的Copilot Chat

17.3 数据集概述

17.4 数据探索步骤

17.5 提示策略

17.6 初始数据探索提示词

17.7 步骤1：数据加载

17.8 步骤2：数据检查

17.9 步骤3：汇总统计

17.10 步骤4：分类分析

17.11 步骤5：评分分布可视化

17.12 步骤6：时间趋势分析

17.13 步骤7：评论文本分析

17.14 步骤8：相关性分析

17.15 步骤9：其他探索性分析

17.16 任务

17.17 总结

第18章 使用Copilot Chat进行回归分析

18.1 导论

18.2 回归

18.3 数据集概述

18.4 提示策略

18.4.1 初始提示词

18.4.2 探索性数据分析

18.4.3 数据分割

18.4.4 构建回归模型

18.5 评估模型

18.6 任务

18.7 总结

第19章 使用Copilot建议进行回归分析

19.1 导论

19.2 数据集概述

19.3 提示策略

19.4 在Copilot的帮助下开始编程

19.4.1 步骤1：在Copilot的帮助下导入库

19.4.2 步骤2：加载并探索数据集

19.4.3 步骤3：将数据分为训练集和测试集

19.4.4 步骤4：构建回归问题

19.4.5 步骤5：训练模型

19.4.6 步骤6：评估模型性能

19.5 任务

19.6 总结

第20章 利用Copilot提高效率

20.1 导论

20.2 代码生成和自动化

20.2.1 Copilot的活动编辑器

20.2.2 Copilot Chat

20.3 Copilot命令

20.3.1 创建Notebook

20.3.2 创建项目

20.4 调试和排除故障

20.5 代码审查和优化技术

20.6 工作空间

20.7 Visual Studio Code查询

20.8 终端

20.9 任务

20.10 挑战

20.11 测验

20.12 总结

第21章 软件开发中的智能体

21.1 导论

21.2 什么是智能体

21.3 简单智能体与使用AI的智能体

21.4 简单智能体

21.4.1 简单智能体不是一个优秀的对话者

21.4.2 通过调用工具和大语言模型提升对话质量

21.4.3 对话智能体的架构

21.4.4 关于LLM工具调用的更多信息

21.4.5 使用工具为GPT添加功能

21.5 高级对话

21.5.1 构建高级对话模型

21.5.2 高级对话的伪代码

21.6 自主智能体

21.7 任务

21.8 挑战

21.9 测验

21.10 总结

21.11 参考文献

第22章 结论

22.1 本书回顾

22.2 主要结论

22.3 未来趋势

22.4 写在最后

后折页