AI 最強調整術：使用最佳化演算法，打造頂級機器學習模型（iThome鐵人賽系列書）

用數學與實作打通最佳化

從理論、工具到應用，學會打造更強的 AI 模型


本書內容改編自第 16 屆 iThome 鐵人賽 AI/ ML & Data 組冠軍系列文章《調整 AI 超參數好煩躁？來試試看最佳化演算法吧！》這是一本以「結合 AI 工具實作搭配少量理論」為核心的最佳化入門到進階指南。全書以直觀圖解與儘可能少的必要數學，帶你理解五花八門的演算法、目標函數與測試函數的本質，並以可直接執行的程式碼範例來串接起常見方法。例如，傳統啟發式演算法、粒子群算法（PSO），與比較近期的灰狼演算法（GWO），以及機器學習跟深度學習中的超參數最佳化（例如 TPE 等）。

書中不只介紹理論與實作，也新增「AI 協作」章節，示範如何下 Prompt，讓你與 AI 分工寫最佳化程式、請 AI 教學演算法與驗證結果。無論你來自影像處理、訊號處理、資料科學或工程領域甚至是學生，都能把最佳化真正用在工作、研究與學習裡。


本書可以學到哪些知識
本書規劃為五大篇、十個章節，以循序漸進的方式引導各位讀者深入最佳化的世界，並精選了一系列實際應用案例，讓各位不僅能理解理論，更能即學即用。

第一篇〈最佳化演算法的全貌〉：本篇會從最佳化技術的基礎概念開始，介紹什麼是最佳化演算法，接著會介紹目前的演算法種類大致分成哪幾種，這幾種演算法中目前比較主流跟比較多研究在使用的演算法有什麼。這些演算法雖然都是以數學來定義的，不過本書會根據這些公式的用途做一個簡單的總結，讓生活已經遠離數學的讀者也可以輕鬆上手。

第二篇〈最佳化演算法評估與測試函數〉：本篇將帶你掌握研究中廣泛使用的測試標準，讓你的最佳化演算法不再只是「感覺變好」，而是能以數據驗證、圖像呈現的方式準確比較表現。從經典測試函數到 Python 實作，幫助你建立完整的最佳化演算法評估公式。不論你是 AI 工程師、研究人員，還是想用最佳化技術提升產品效能的開發者，這章都能讓你學到「量化進步」，優化策略看得見！

第三篇〈Python Optuna 模組介紹〉：進入實作關鍵！本篇將帶你認識 Optuna，一款靈活又高效的 Python 最佳化工具。無論你是要調校 AI 模型參數，還是優化自家產品或演算法效能，Optuna 都能幫你快速實驗、多次試錯、精準收斂。從基礎語法到深度學習案例，搭配 ChatGPT 提示技巧，讓你能在開發流程中聰明用好最佳化，把模型與應用推向新高度。

第四篇〈Python MealPy 模組介紹〉：想一次體驗上百種最佳化演算法？本篇帶你認識 MealPy，它是一個內建超過百種啟發式演算法的寶藏套件。從經典的螞蟻、粒子群，到新奇的蝴蝶、草履蟲，只要換個方法名就能快速測試、比較各家表現。不論你是做研究、參賽、建模，還是單純想擴充工具庫，MealPy 都能讓你輕鬆召喚演算法大軍，向各種疑難雜症的最佳化問題進攻！

第五篇〈最佳化技術進階延伸〉：最佳化技術不只用在調整模型的超參數，更能落地於工業相關的參數模擬與生成式 AI 等多元場景。本章將介紹如何用最佳化解決工業製程參數最佳化、路徑規劃與 Diffusion 圖像生成控制等實務問題，並補充 RL 與 LLM 中策略與 Prompt 設計的最佳化理論，拓展你對前沿技術與應用實務的整體視野。


目標讀者
● 想把最佳化用在實務問題或應用的工程師 & 研究生。
● 期望讓模型表現「穩定拉高」的資料科學家與 ML 工程師。
● 願意照著程式一步步動手，但不想被數學嚇退的學習者。
● 對最佳化有興趣，想應用在各種領域或者單純學習的人們。
● 想用 Prompt 與 AI 協作，加速寫最佳化程式與需要 AI 教師的人。

作者簡介：

陳冠霖（Brian Chen）

現在還在就讀研究所，是一個喜歡把想法嘗試落地的人（但大部分都太天馬行空導致失敗XD）。研究主軸是 AI 與電腦視覺，以及很多酷酷的小方向。今年日常主要都在寫論文，做實驗，以及參加研討會中反覆交錯。

這本書的誕生，也是在一次次的重寫與改良中定型：從鐵人賽文章出發，我把章節重新規劃、補上想要補充的內容、修改描述不精確的部分，並把流程盡可能簡述到能讓沒有太多基礎的讀者也能跟上。目的很單純，就是希望能幫助各位用最短的時間抓到有效的最佳化做法，減少試錯所消耗的時間，專注在真正重要的問題上。

去年因緣際會出版過一本鐵人書籍，今年也順利出版，接下來是否維持「一年一本」還沒定論；至於我的下一篇長文？大概會是我的碩士論文吧。希望你讀完這本書之後，也能在自己的題目上跑出穩定成果，或從中體會到一些樂趣。

【iThome 鐵人賽獲獎】
2024 AI/ ML & Data 組冠軍：《調整AI 超參數好煩躁？來試試看最佳化演算法吧！》