Ebook Xây Dựng Các Hệ Thống AI Với Python - Machine Learning & Các Agentic Workflow Thực Tế Với Python & PyTorch [Ấn Bản Lần 1, 8/2026] [PDF, EPUB] [8933E]
Cuốn sách này là một hướng dẫn thực tế, toàn diện dành cho các engineer và practitioner muốn vượt qua giai đoạn prototype và tự tin triển khai các giải pháp machine learning và large language model trong các môi trường thực tế.
Cuốn sách này hướng dẫn bạn xuyên suốt toàn bộ vòng đời của machine learning hiện đại. Bạn sẽ bắt đầu với những kiến thức nền tảng sử dụng NumPy, Pandas và PyArrow cho các data pipeline, sau đó xây dựng nền tảng vững chắc với scikit-learn. Từ đó, bạn sẽ tiến đến deep learning với PyTorch, transformers và các kỹ thuật LLM adaptation như LoRA và QLoRA.
Bạn sẽ khám phá diffusion & multimodal model, và học cách xây dựng các hệ thống retrieval-augmented generation với FAISS và pgvector. Các chương thực hành bao gồm Agent, tool use, evaluation framework, observability và các thực tiễn responsible AI bao gồm quyền riêng tư, an toàn và quản trị.
Cuối cùng, bạn sẽ làm chủ các kỹ thuật triển khai bằng cách sử dụng FastAPI, Ray Serve, TorchServe và các LLM serving engine tiên tiến như vLLM và TGI. Mỗi khái niệm được kết hợp với các ví dụ code rõ ràng, các testing pattern và perational checklist. Thay vì các thủ thuật nhất thời, bạn sẽ áp dụng các repeatable workflow: schema-first tooling, reproducible training pipeline, evaluation với các golden dataset và triển khai sản phẩm an toàn với monitoring & compliance checkpoint.
Tóm lại, cuốn sách này giúp bạn xây dựng các hệ thống mạnh mẽ, auditable và được tối ưu hóa, cho dù bạn đang triển khai model đầu tiên hay quản lý các workload phức tạp của doanh nghiệp. Đối với các kỹ sư muốn triển khai AI một cách tự tin và có trách nhiệm, đây là cẩm nang thực tiễn dành cho kỷ nguyên GenAI.
Những điều bạn sẽ học được:
- ✓ Triển khai các AI model hiện đại bao gồm transformer, diffusion, multimodal, recommender và RL bằng các ví dụ thực tế từ PyTorch.
- ✓ Tinh chỉnh và vận hành các LLM bằng LoRA/QLoRA, quantization, RAG, tool calling, structured prompt và các kỹ thuật evaluation mạnh mẽ.
- ✓ Thiết kế các agentic AI system với memory, planning, safe tool execution, multi agent pattern và autonomy evaluation framework.
- ✓ Triển khai và vận hành AI chuẩn production với MLOps/LLMOps bao gồm serving, performance tuning, monitoring, cost control, compliance và edge deployment.
Cuốn sách này dành cho:
Cuốn sách này được thiết kế dành cho các machine learning & AI engineer đang hành nghề, các software engineer đang chuyển sang ứng dụng AI, các data scientist đang xây dựng các production system, các MLOps/LLMOps practitioner và technical builder muốn vượt ra khỏi các demo và deploy các hệ thống GenAI, LLM và PyTorch thực tế ở quy mô lớn.
Mục lục:
- ✓ Phần I: Các nền tảng có thể vận hành (với Python):
- ✓ Chương 01: ML cho Builder.
- ✓ Chương 02: Data Engineering cho ML.
- ✓ Chương 03: Evaluation, Testing & Measurement.
- ✓ Chương 04: ML Software Engineering.
- ✓ Chương 05: Optimization 101 trong PyTorch.
- ✓ Phần II: Modern Architectures (PyTorch-First):
- ✓ Chương 06: Transformers trong PyTorch.
- ✓ Chương 07: Diffusion & Generative Media.
- ✓ Chương 08: Multimodal Learning.
- ✓ Chương 09: Các Classical Models vẫn mang lại hiệu quả.
- ✓ Chương 10: Reinforcement Learning trong thực tế.
- ✓ Phần III: LLM & GenAI trong thực tế.
- ✓ Chương 11: LLM Fundamentals.
- ✓ Chương 12: Điều chỉnh các Model hiệu quả.
- ✓ Chương 13: Prompt Engineering bền vững.
- ✓ Chương 14: Retrieval-Augmented Generation.
- ✓ Chương 15: Tool sử dụng LLM.
- ✓ Chương 16: LLM Evaluation & Observability.
- ✓ Chương 17: Responsible AI Foundation.
- ✓ Phần IV: Agentic AI & AI Agent (Python Ecosystem):
- ✓ Chương 18: Agent Architecture.
- ✓ Chương 19: Memory & State.
- ✓ Chương 20: Các Tool & Environment cho Agent.
- ✓ Chương 21: Multi-agent System.
- ✓ Chương 22: Reliability & Determinism.
- ✓ Chương 23: Agent Eval & Benchmark.
- ✓ Phần V: MLOps & LLMOps (PyTorch trong Production):
- ✓ Chương 24: Từ Experiment đến Production.
- ✓ Chương 25: Serving & Inference (Rewrite với Code).
- ✓ Chương 26: Performance Engineering.
- ✓ Chương 27: Monitoring, Drift & Feedback Loop.
- ✓ Chương 28: Cost Management.
- ✓ Chương 29: Compliance & Auditability.
- ✓ Phần VI: Edge, On-Device & Enterprise Integration (Python-Centric):
- ✓ Chương 30: On-Device & Edge AI.
- ✓ Chương 31: Enterprise System & Knowledge.
- ✓ Chương 32: Security cho GenAI System.
- ✓ Phần VII: Pattern & Playbook (End-to-End với Code):
- ✓ Chương 33: Conversational & Helpdesk Bot.
- ✓ Chương 34: Code & DevOps Assistant.
- ✓ Chương 35: Analytics Copilot.
- ✓ Chương 36: Ecommerce & Marketing.
- ✓ Chương 37: Autonomous Ops & RPA 2.0.
- ✓ Chương 38: Enterprise Search & RAG.