文末送书 | 豆瓣9.6，多语言版本全球发行，这本书为何这么受欢迎？

科技 2024-09-08 19:30 中国

Part.1

当一本书的内容足够好，它就会拥有多个语言版

在这个信息全球化的时代，一本书籍的卓越内容往往能够跨越语言的界限，触及世界各地读者的心灵。今天，我们庆祝：《生成式AI入门与AWS实战》中文版、西班牙语版、日语版完成翻译并成功上市！本书不仅以其深刻的见解和实用的指导赢得了英语读者的青睐，更通过多语言版本的推出，向世界证明了它的价值和影响力。

作者之一Chris Fregly在推特上分享了他的喜悦："《生成式AI入门与AWS实战》的中文版、西班牙语版以及日语版已经翻译完成，并且成功上市！" 这不仅是对作者团队辛勤工作的肯定，也是对全球读者的一份厚礼。

另一位作者Antje Barth更是满怀激情地表达了她的兴奋之情："我为这本书的多语言版本感到无比激动！向那些不辞辛劳、致力于翻译工作的团队致以最崇高的敬意。他们让全球的开发人员都能够更深入地理解生成式AI的奥秘。"

这不仅是对翻译团队的赞扬，也是对所有致力于推动知识无国界传播的人们的致敬。《生成式AI入门与AWS实战》的多语言版本，是知识共享精神的体现，也是对全球开发者社区的一份贡献。

对于所有对生成式人工智能（Gen AI）充满热情的开发者来说，现在正是行动的时刻。无论你身在何处，这本书都能为你打开探索AI世界的大门。

▼点击下方，即可优惠购书

Part.2

大咖和读者盛赞

《生成式AI入门与AWS实战》的多语言版本不仅得到了读者的热烈响应，还获得了业界的高度评价。

这本书美亚4.6星，豆瓣9.6分，口碑保证！

不仅如此，这样一本符合时代需求的好书还得到了AWS、Meta、Snowflake、Lepton AI、CSDN、百川智能等科技巨头的大佬和行业专家的联袂推荐。

Part.3

这本书可以帮你学习什么？

理论

在本书中，你将先探索生成式AI的概念及其在产品和服务中的应用潜力，了解生成式AI项目的完整生命周期。接着学习提示工程、小样本上下文学习、生成式模型预训练、领域自适应、模型评估、参数高效微调（Parameter Efficient Fine-Tuning，PEFT）和基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）等主题。

实践

翻开这本书，你将了解当今产业界和学术界常用的生成式AI用例和任务。

首先，你将和作者一同探讨多种模型类型，如大语言模型和多模态模型，并了解通过提示工程和上下文学习来优化这些模型的实际技巧。了解如何构建这些前沿的生成式模型，获得实践经验后，你可以选择是重用现有的生成式模型还是从头开始构建一个新模型。然后，你将学习如何把这些生成式模型适配到特定领域的数据集、任务和用例中，以支持商业应用。

你想要学习的LoRA、RLHF、LangChain和ReAct等关键的生成式AI技术，在本书中都能找到。如何利用LoRA技术对模型进行微调？如何通过RLHF使模型与人类价值观对齐？如何利用LangChain和ReAct等开发agent？此类技术的详细解析和实际应用案例应有尽有。

本书还附赠丰富代码示例，助你快速上手生成式AI关键技术！

（本书配套代码：https://github.com/generative-ai-on-aws）

最后，你将学会利用Amazon Bedrock构建基于生成式AI的应用程序。

简而言之，这本书从原理到实践，深入剖析了生成式AI的核心要点与开发难点！

它不仅为初学者提供了一条清晰的学习路线，帮助他们全面理解这个技术领域的深度和广度，同时也为那些想要在AWS上打造强大、灵活的生成式AI应用的专业人士，提供了深入的行业洞察和具体的操作指南。

有了这本书，你将从AI应用开发的小白，变身为精通训练、调优和开发等高级技巧的高手。对于刚入行的AI工程师、产品经理、营销人员或商业领袖而言，这本书绝对是你的得力助手！

你的第一本大模型入门实战书，轻松掌握生成式AI核心要点，驾驭未来技术浪潮!

▼点击下方，即可优惠购书

福利

攻略

点击下方名片关注「时序人」

后台回复“赠书”

即可参与赢取《生成式AI入门与AWS实战》

数量2本，9月15日18:00开奖！

快来参与~

http://mp.weixin.qq.com/s?__biz=Mzg3NDUwNTM3MA==&mid=2247501026&idx=2&sn=b542bad63ed7cfa8f3075fd3bbbf7b9b

时序人

专注于时间序列领域下的科研、工业干货分享，紧跟AI+等领域的科技前沿

最新文章

无惧漂移！D3R方法可用于不稳定多元时间序列异常检测，SOTA提升11%

无需安装，一个文件本地运行大模型！

EffiCANet：基于卷积注意力的高效时间序列预测，显著降低计算成本

NeurIPS 2024 | 重新审视时间戳信息在时序预测中的作用

快速学会登上nature的热门算法，LSTM！

综述 | 时空图神经网络模型在时间序列预测和分类中的应用

填补空白！Salesforce 提出首个通用时序预测模型评测基准 GIFT-Eval

LSTM依然能打！原作者带队最新开源成果吊打Transformer和Mamba

涨点神器！100个即插即用缝合模块【合集下载】

清华与深大提出TimeBridge，有效处理长期时间序列预测中的非平稳性问题

Salesforce 推出 Moirai-MoE，新视角设计下一代时序基础模型

一文解读：时序基础模型的缩放定律

FoundTS：首个覆盖多场景的时序预测基础模型评测基准

最强总结，99个时间序列+时空数据的顶会创新！

正常时序转化为图像，进行高效且可解释的多元时序异常检测

NeurIPS 2024 | 时间序列相关论文盘点（附原文源码）

Time-MMD：首个涵盖9大主要数据领域的多域多模态时间序列数据集

华东师大团队首创！时间序列异常预测开启全新时序任务

时序异常检测新进展！华为诺亚方舟实验室&华东师大提出首个时序异常检测通用模型

快速学会登上nature的热门算法，LSTM！

如何处理多频段时序特征？这个Transformer变体显著提升预测效果

20场Kaggle机器学习比赛Top方案GrandMaster整理

PeFAD：边缘设备中高效的联邦异常检测框架

KDD 2024 | 数据驱动的分布偏移检测与自适应

NeurIPS 2024 | 分段时序多分类任务下的一致性学习框架

KDD 2024 | 首个基于 Diffusion 的自监督时序表示方法

必看的11种主流注意力机制创新研究！(附代码）

港大智慧城市大模型 OpenCity 来袭! 时空预测是否将在 GPT 时代重塑？