ChatGPT与大模型研究

在我们的第一个案例研究中，我们将专注于更经典的特征工程技术，这些技术可以应用于几乎任何表格数据（数据以经典的行和列结构呈现），例如数值填充、分类数据的虚拟化以及通过假设检验进行的特征选择。表格数据集（

本章将介绍特征工程的基本概念。我们将探讨我们将在本书中遇到的数据类型以及我们将在其中看到的特征工程技术类型。在直接进入案例研究之前，本章将为特征工程和数据理解提供必要的基础。在我们可以在Python中

当前关于人工智能（AI）和机器学习（ML）的讨论很大程度上是以模型为中心的，关注ML和深度学习的最新进展。这种以模型为先的方法通常在最好的情况下对用于训练模型的数据付之一笑，而在最坏的情况下则完全忽视

本章将探讨LangChain框架和GPT-4插件的世界。我们将看看LangChain如何实现与不同语言模型的互动，以及扩展GPT-4功能的插件的重要性。这些高级知识对于开发依赖LLM的复杂、前沿应用程

既然您已经熟悉了LLMs（大型语言模型）和OpenAI API的基础知识，现在是时候将您的技能提升到更高的水平了。本章将介绍一些强大的策略，使您能够充分发挥ChatGPT和GPT-4的潜力。从提示工程

提供GPT-4和ChatGPT模型的API服务为开发人员引入了新的功能。现在，可以构建能够理解和回应自然语言的智能应用程序，而无需深入了解人工智能。从聊天机器人和虚拟助手到内容生成和语言翻译，LLMs

本章将详细介绍GPT-4和ChatGPT API。本章的目标是让您充分了解如何使用这些API，以便能够有效地将它们集成到您的Python应用程序中。通过本章的学习，您将能够充分掌握这些API，并在自己

想象一下一个世界，你可以和计算机的交流速度与你与朋友一样快。那会是什么样子？你可以创建哪些应用程序？这就是OpenAI正在助力构建的世界，他们的GPT模型将人类般的对话能力引入了我们的设备。作为人工智

本章涵盖以下内容： 生产化深度学习模型之前的初步工作和任务 使用深度学习系统生产化深度学习模型 在生产环境中进行实验的模型部署策略 对于本书的结尾章节，我们认为回到一个高层次的视角，并连接前面章节的所

本章内容包括： 使用模型服务方法构建一个示例预测器 使用TorchServe和模型服务器方法构建一个示例服务 浏览流行的开源模型服务库和系统 解释生产模型发布过程 讨论模型发布后的监控 在前一章中，我

本章内容包括： 定义工作流和工作流编排 深度学习系统为何需要支持工作流 设计通用的工作流编排系统 介绍三个开源的编排系统：Airflow、Argo Workflows和Metaflow 在本章中，我们

本章涵盖以下内容：  在深度学习环境中理解和管理元数据  设计元数据和文件存储库以管理元数据  介绍两个开源的元数据管理工具：ML Metadata和MLflow 为了生成符合业务要求的高质量模

本章内容包括： 定义模型服务 常见的模型服务挑战和方法 为不同用户场景设计模型服务系统 模型服务是使用用户输入数据执行模型的过程。在深度学习系统中的所有活动中，模型服务与最终用户最为接近。在完成数据集

在本章中，我们将介绍ChatGPT在日常中可以为普通用户执行的主要活动，以提高他们的工作效率。本章将重点介绍写作辅助、决策支持、信息检索等具体示例，提供建议和提示，使您能够自行实施这些活动。 通过本章

本章内容包括：  超参数及其重要性  两种常见的超参数优化方法（HPO）  设计一个HPO服务  三个流行的HPO库：Hyperopt、Optuna和Ray Tune 在前两章中，我们了解了模

本章内容包括：  理解数据并行、模型并行和管道并行  使用在Kubernetes中支持数据并行训练的示例训练服务  使用多个GPU进行训练大型模型 在深度学习研究领域中，一个明显的趋势是通过更大

本章涵盖了以下内容： 构建训练服务的设计原则 解释深度学习训练代码模式 浏览示例训练服务 使用开源训练服务，例如Kubeflow 决定何时使用公共云训练服务 机器学习中模型训练的任务并不仅仅是研究人员

本章内容包括：  理解数据集管理  使用设计原则构建数据集管理服务  构建示例数据集管理服务  使用开源方法进行数据集管理 在我们对深度学习系统进行了一般性讨论之后，我们准备继续进行后续章节的

本章内容包括：  定义深度学习系统  产品开发周期以及深度学习系统如何支持它  基本深度学习系统及其组成部分的概述  构建深度学习系统和开发模型之间的区别 本章将为您提供一个深度学习系统的大局

在本章中，我们将讨论开发人员如何利用ChatGPT。本章重点介绍了ChatGPT在开发领域的主要应用场景，包括代码审查和优化、文档生成以及代码生成。本章将提供示例，并让您可以自行尝试使用提示。 在介绍