《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio Generative AI × Robust Prompted Interaction III Language Models and Interface Design | Hugging Face × Streamlit × Gradio

黃朝健 著

《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio 預覽內頁
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-1
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-2
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-3
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-4
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-5
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-6
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-7
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-8
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-9
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-10
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-11
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-12
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-13
  • 《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-14
《生成式AI × 穩健提示框架技術 III》語言模型與介面設計篇 | Hugging Face × Streamlit × Gradio-preview-1

商品描述

「從模型到介面，從部署到串接，打造可操作、可擴充的語言模型應用」

◼ 建立穩定的開發與資料處理基礎

從 Google Colab、Anaconda、Jupyter Notebook 到 Pandas，掌握 CSV、Google Sheets 與多種資料格式的讀取、整理與比對。

◼ 將 Python 程式轉化為可操作的動態 APP

比較 Gradio、Streamlit、Tkinter 與 CustomTkinter 的介面特色，實作股價資料查詢與財報 RAG 應用。

◼ 完成 Hugging Face Spaces 部署與除錯

掌握 requirements.txt、README、Secret、API Key、套件版本管理，以及常見平台部署流程。

◼ 理解開源模型、微調與量化技術

認識 Llama、ChatGLM、TAIDE、Breeze、Qwen、Yi，並掌握 SFT、LoRA、QLoRA、模型量化、RLHF、PPO 與 DPO 的微調核心概念。

◼ 串接知識庫、通訊工具與跨平台工作流

實作 RAG、AnythingLLM、MAKE、Line Bot、Google Sheets、Telegram、Claude API 與 MCP，延伸模型的查詢、推播與任務串接能力。

 

專業推薦 (排名不分先後)

國立中山大學物理系─莊豐權特聘教授

欣榮藝術行銷有限公司 執行長、吾料音樂創造工作室 創辦人─侯沛罧 敬薦

綠先農業科技國際股份有限公司─張靜雯經理

伽碩職訓中心─郭明洽執行長

嘉南藥理大學人工智慧與多媒體應用系─蘇致遠教授

元大─陳尚瑋副理

數位行銷顧問─佘昀

永義房屋高鐵自由加盟店 店長 / 第21 屆金仲獎楷模─王靚瑜

永達保經─李雅雯經理

作者簡介

黃朝健

早年自人因互動設計切入科技產業，投入觸控 IC 與模組研發，奠定扎實的技術與產品開發基礎。赴歐深造期間，曾師從符號計算大師 Bruno Buchberger教授，並於深度學習權威 Sepp Hochreiter 教授實驗室研習人工智慧與機器學習；另曾於 Hagenberg SoftwarePark 之 RISC 公司實習，專注於醫療影像 AI應用研究。

返臺後，持續投入智慧製造、數位轉型與人工智慧導入，協助企業規劃並落地 AI 解決方案，推動技術與產業實務接軌。現為中華民國內部稽核協會講師、嘉南藥理大學講師，並於天地人文創平台、勞動部勞動力發展署等單位授課，同時擔任數位顧問，長期推廣 AI 在企業管理、內部稽核、智慧製造與數位轉型領域之應用。目前亦為國立陽明交通大學博士候選人，研究方向聚焦於大語言模型、駕馭工程、AI 代理人與產業實務應用。

 

學經歷：

MSc.Informatics, Johannes Kepler University of Linz

1. 中華民國內部稽核協會講師

2. 教育部部定講師

3. 遠見雜誌AI專欄

4. 崑山科技大學電機工程學系講師

5. 嘉南藥理大學人工智慧與多媒體系講師

6. 樹德科技大學資訊管理系講師

7. 中華職訓教育創新發展學會講師

8. 聯成電腦講師

9. 伽碩職訓中心講師

10.天地人文創講師

國際與國內證照:

1. ITS Python

2. OCP：Java SE 11

3. 經濟部 IPAS AI應用規劃師 初級

4. 經濟部 IPAS AI應用規劃師 中級

演講及公署授課及中小企業培訓紀錄:

1. 國立中山大學物理系Python程式設計

2. 高雄女中-Python 程式設計

3. 法務部廉政署115年廉政人員資訊安全管理稽核業務

4. 數發部網路爬蟲治理政策溝通會議

5. 衛福部桃園署立醫院-打造RAG第二大腦

6. 國立中山大學物理系-生成式AI打造AI影像辨識實作

7. 中山醫學大學演講-從Agent到第二大腦

8. 富樂夢股份有限公司

9. 叡擎科技股份有限公司

10. 賀桐淨水股份有限公司

11. 賀勁股份有限公司

12. 點子行動股份有限公司

13. 艾格林股份有限公司

14. 古都電台

15. 微星科技股份有限公司

16. 國泰世華

目錄大綱

▌1 基礎雲端IDE 安裝與設定

1.1 Google Colaboratory 介紹與安裝

1.2 Anaconda 安裝 - Jupyter Notebook

1.3 Python 版本差異說明

1.4 IDE 環境與API 衝突排解

1.5 CMD 下指令安裝

▌2 基礎Pnadas 讀寫與勾稽比對應用

2.1 Pandas 讀取CSV 應用

2.2 Pandas 讀Google Sheets 介紹

2.3 Pandas 用於勾稽比對不同表單

2.4 Pandas 讀取不同資料格式說明

▌3 雲端部署平台介紹

3.1 什麼是Hugging Face ( 抱抱臉)

3.2 註冊Hugging Face 帳號

3.3 不同部署空間介紹與說明

▌4 介面的設計與改寫方法

4.1 Gradio 動態APP 框架介紹與說明

4.2 Streamlit 動態APP 框架介紹與說明

4.3 Tkinter 使用者介面介紹與說明

4.4 CustomTkinter 使用者介面介紹與說明

▌5 生成式AI 工具開發介紹

5.1 Claude AI 介紹與應用- Cowork & Dispatch 介紹

5.2 Vibe Coding 應用

5.3 Perplexity AI 介紹與應用- Comet & Computer 介紹

5.4 Chrome 內建Gemini 的應用(FB 和Threads 為例)

 

▌6 動態APP 改寫實作

6.1 Hugging Face 部署觀念與requirements.txt

6.2 股價爬取實作改寫成Gradio 框架與部署

6.3 刪除Space 與Secret 埋API Key 的作法

6.4 財報RAG 加上Line Bot 推播助理的Gradio 部署

6.5 何謂README.md 與最新框架的版號

6.6 如何在HuggingFace 上除錯

6.7 股價爬取實作改寫成Streamlit 框架與部署

▌7 常見開源模型介紹

7.1 Llama 模型介紹

7.2 ChatGLM 模型介紹

7.3 TAIDE 模型介紹

7.4 Breeze 模型介紹

7.5 Qwen 模型介紹

7.6 Yi 模型介紹

7.7 各家模型比較優劣

7.8 FormosanBank 資料庫介紹

▌8 LLM 微調必備知識

8.1 什麼是SFT?

8.2 準備SFT 所需的資料

8.3 SFT 在企業問答、摘要、分類與助理系統的應用

8.4 量化壓縮、剪枝法、知識蒸餾介紹

8.5 BF16、INT8、INT4、NF4 量化基本概念

▌9 LLM 載入與量化應用

9.1 Full-Tuning VS. LoRA VS. QLoRA

9.2 LoRA 的核心原理與優勢

9.3 QLoRA 如何在量化基礎上進一步降低成本

9.4 不同微調方法適用場景比較

9.5 關鍵區塊、訓練參數等核心設定的微調

▌10 SFT 訓練資料準備與微調實戰

10.1 SFT 與QLoRA 微調模型輸出與測試觀念介紹

10.2 SFT 與QLoRA 微調模型輸出與測試實作

▌11 偏好對齊與RLHF 與DPO 核心觀念

11.1 RLHF 的基本流程與設計思維

11.2 DPO 的核心概念與相對優勢

11.3 PPO 在傳統RLHF 中的角色

11.4 SFT 與DPO 比較

▌12 RAG 應用與打造地端的個人知識庫

12.1 什麼是RAG?

12.2 不同RAG 的介紹與應用

12.3 Groq API key 申請

12.4 RAG 程式實作

12.5 申請Gemini API 的應用

12.6 Anyting LLM- 新增桌面助手應用

12.7 Gemini Notebook 和 AnythingLLM 比較

▌13 MAKE 工作流- 跨平台的應用

13.1 MAKE 第三方串接平台應用實作

13.2 Line Bot 與Google Sheets 串接與應用

▌14 Telegram 通訊軟體應用實作

14.1 Telegram 介紹與安裝

14.2 Telegram 的token 和Chat ID 申請實作

14.3 Telegram Say Hi 的程式模組

14.4 Telegram 回音的程式模組

14.5 Telegram 檔案傳送模組

14.6 Telegram 圖片傳送模組

14.7 Line Bot 和 Telegram 兩者的比較

▌15 Manus Agent 的介紹與應用

15.1 Manus AI 是什麼？

15.2 Manus AI 技術核心與使用方式

15.3 Manus AI 效率應用場景

15.4 Manus AI 方案與價格選擇

15.5 Manus AI 常見問題整理

總結

▌16 Claude AI 證照介紹

16.1 Claude AI 是什麼?

16.2 Claude AI 證照如何取得?

16.3 Claude 基礎入門

16.4 實戰 Claude Code

16.5 Agent Skills 簡介

16.6 Claude API 開發應用

16.7 MCP 架構

類似商品