想去FAANG上班 - 先了解 LLM 演算法、實作及部署面試題

https://youtu.be/ZzgeJEIpsF0 ★大模型發展脈絡：N-Gram到Transformer到指令微調與對齊 ☆職位地圖：演算法、開發、資料、推論部署、垂直領域微調 ★代表性公司與模型堆疊：OpenAI、Anthropic、Mistral、Qwen、DeepSeek等 ☆預訓練資料集體系：C4、Pile、BooksCorpus與中文資料來源 ★文本清洗與重複率控制：去噪、去重、品質篩選、資料治理 ☆Tokenization工程：BPE、Unigram、SentencePiece與長度分佈分析 ★輸入管線設計：Prompt範本、Padding與Masking、Sliding Window、動態Batch ☆Transformer訓練核心：Self-Attention、多頭注意力、位置編碼、殘差與層正規化 ★平行化與加速：資料平行、模型平行、管線平行、ZeRO、FlashAttention、混合精度 ★推論與部署：本地與雲端、ONNX、TensorRT、Triton、KV Cache、量化與延遲分析 ☆微調與對齊技術：全參數微調、Prompt與Prefix、LoRA與QLoRA、SFT與RLHF ★Agent與RAG與MCP A2A：多代理協作、向量庫整合、工程化、監控與安全、面試題拆解 【內容簡介】 本書共分十二章，第一章介紹大模型技術演進、職位分工與主流公司技術堆疊，第二章介紹預訓練資料集來源、清洗去重、對齊與斷詞及批次管線，第三章介紹Transformer結構、訓練目標、穩定性與平行化加速，第四章介紹模型部署路徑、推論延遲分析、量化與快取最佳化，第五章介紹全參數與參數高效微調、LoRA與QLoRA以及SFT與RLHF，第六章介紹主流架構演化、專家路由與MoE機制，第七章介紹經典論文重點與常見面試熱點的拆解方式，第八章介紹智慧體類型、對話狀態管理與多代理協作實作要點，第九章介紹RAG架構、向量資料庫整合與文件分塊策略，第十章介紹MCP協定與A2A通訊及多代理排程控制，第十一章介紹工程化落地包含環境建置、CI與CD、監控與安全治理，第十二章提供高頻面試題深度解析與答題策略，協助讀者把資料、訓練、部署、微調到系統整合串成可驗證的專案敘事。 【作者簡介】 蘇宏博 博士 畢業於哈爾濱工業大學，長期從事AI相關工程與研發，致力於解決數學建模、數據分析、機器學習、大模型應用等工程問題，在國內外期刊發表學術論文十餘篇。 溫智凱 博士 畢業於北京航空航天大學，人工智慧與機器學習領域的開發工程師，深耕智慧演算法與深度學習模型的研究與開發，致力於強化學習與深度學習模型的創新型應用，多次參與企業AI大模型相關職位技術面試工作。 出版社：深智數位股份有限公司 作者：蘇宏博、溫智凱 ISBN／EAN：9786267889619