ວິທີການສຶກສາ AI?

ປັນຍາປະດິດຮູ້ສຶກວ່າມັນໃຫຍ່ຫຼວງ ແລະ ລຶກລັບເລັກນ້ອຍ. ຂ່າວດີ: ທ່ານບໍ່ຕ້ອງການພະລັງຄະນິດສາດລັບ ຫຼື ຫ້ອງທົດລອງທີ່ເຕັມໄປດ້ວຍ GPU ເພື່ອສ້າງຄວາມກ້າວໜ້າທີ່ແທ້ຈິງ. ຖ້າທ່ານສົງໄສວ່າ ຈະສຶກສາ AI ແນວໃດ , ຄູ່ມືນີ້ຈະໃຫ້ເສັ້ນທາງທີ່ຊັດເຈນແກ່ທ່ານຈາກສູນໄປສູ່ການສ້າງໂຄງການທີ່ພ້ອມສຳລັບຜົນງານ. ແລະ ແມ່ນແລ້ວ, ພວກເຮົາຈະເພີ່ມຊັບພະຍາກອນ, ຍຸດທະວິທີການສຶກສາ, ແລະ ທາງລັດທີ່ຫາມາໄດ້ຍາກສອງສາມຢ່າງ. ໄປກັນເລີຍ.

🔗 AI ຮຽນຮູ້ໄດ້ແນວໃດ
ພາບລວມຂອງອັລກໍຣິທຶມ, ຂໍ້ມູນ ແລະ ຄຳຕິຊົມທີ່ສອນເຄື່ອງຈັກ.

🔗 ເຄື່ອງມືການຮຽນຮູ້ AI ອັນດັບຕົ້ນໆເພື່ອຮຽນຮູ້ທຸກຢ່າງໄດ້ໄວຂຶ້ນ
ແອັບທີ່ຄັດສັນມາເພື່ອເລັ່ງການຮຽນ, ການຝຶກຝົນ ແລະ ຄວາມຊຳນານດ້ານທັກສະ.

🔗 ເຄື່ອງມື AI ທີ່ດີທີ່ສຸດສຳລັບການຮຽນຮູ້ພາສາ
ແອັບທີ່ປັບແຕ່ງຄຳສັບ, ໄວຍາກອນ, ການເວົ້າ ແລະ ການຝຶກຝົນຄວາມເຂົ້າໃຈໃຫ້ເປັນສ່ວນຕົວ.

🔗 ເຄື່ອງມື AI ອັນດັບຕົ້ນໆສຳລັບການສຶກສາຊັ້ນສູງ, ການຮຽນຮູ້ ແລະ ການບໍລິຫານ
ແພລດຟອມທີ່ສະໜັບສະໜູນການສອນ, ການປະເມີນຜົນ, ການວິເຄາະ ແລະ ປະສິດທິພາບໃນການດຳເນີນງານຂອງວິທະຍາເຂດ.

ວິທີການສຶກສາ AI ✅

ແຜນການສຶກສາທີ່ດີແມ່ນຄືກັບກ່ອງເຄື່ອງມືທີ່ແຂງແຮງ, ບໍ່ແມ່ນລິ້ນຊັກຂີ້ເຫຍື້ອແບບສຸ່ມ. ມັນຄວນ:

ທັກສະການຈັດລຳດັບ ເພື່ອໃຫ້ແຕ່ລະບລັອກໃໝ່ຢູ່ໃນອັນສຸດທ້າຍຢ່າງເປັນລະບຽບ.
ໃຫ້ຄວາມສຳຄັນກັບການປະຕິບັດ ກ່ອນ, ໃຫ້ຄວາມສຳຄັນກັບທິດສະດີເປັນອັນດັບສອງ - ແຕ່ບໍ່ແມ່ນວ່າບໍ່ເຄີຍ .
ຍຶດໝັ້ນກັບໂຄງການຕົວຈິງ ທີ່ທ່ານສາມາດສະແດງໃຫ້ມະນຸດຕົວຈິງເຫັນໄດ້.
ໃຊ້ແຫຼ່ງຂໍ້ມູນທີ່ໜ້າເຊື່ອຖື ທີ່ຈະບໍ່ສອນນິໄສທີ່ອ່ອນແອໃຫ້ທ່ານ.
ປັບຊີວິດຂອງທ່ານ ໃຫ້ເໝາະສົມກັບກິດຈະວັດປະຈຳວັນນ້ອຍໆ ແລະ ເຮັດຊ້ຳໆໄດ້.
ຮັກສາຄວາມຊື່ສັດຂອງທ່ານ ດ້ວຍວົງຈອນຄຳຕິຊົມ, ມາດຕະຖານ, ແລະ ການທົບທວນລະຫັດ.

ຖ້າແຜນການຂອງເຈົ້າບໍ່ໄດ້ໃຫ້ສິ່ງເຫຼົ່ານີ້ແກ່ເຈົ້າ, ມັນກໍ່ເປັນພຽງຄວາມຮູ້ສຶກເທົ່ານັ້ນ. ຈຸດແຂງທີ່ສົ່ງຜົນຢ່າງຕໍ່ເນື່ອງ: CS229/CS231n ຂອງ Stanford ສຳລັບພື້ນຖານ ແລະ ວິໄສທັດ, ພຶດຊະຄະນິດເສັ້ນຊື່ ແລະ ການແນະນຳການຮຽນຮູ້ເລິກຂອງ MIT, fast.ai ສຳລັບຄວາມໄວໃນການປະຕິບັດຕົວຈິງ, ຫຼັກສູດ LLM ຂອງ Hugging Face ສຳລັບ NLP/transformers ທີ່ທັນສະໄໝ, ແລະ ປຶ້ມຄູ່ມື OpenAI ສຳລັບຮູບແບບ API ທີ່ໃຊ້ໄດ້ຈິງ [1–5].

ຄຳຕອບສັ້ນໆ: ວິທີການສຶກສາແຜນທີ່ AI 🗺️

ຮຽນ Python + notebooks ພໍແລ້ວຈະເປັນອັນຕະລາຍ.
ປັບປຸງຄະນິດສາດທີ່ສຳຄັນ : ພຶດຊະຄະນິດເສັ້ນຊື່, ຄວາມເປັນໄປໄດ້, ພື້ນຖານການເພີ່ມປະສິດທິພາບ.
ເຮັດໂຄງການ ML ຂະໜາດນ້ອຍ ແບບຄົບວົງຈອນ: ຂໍ້ມູນ, ຮູບແບບ, ຕົວຊີ້ວັດ, ການເຮັດຊ້ຳ.
ຍົກລະດັບດ້ວຍການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ : CNNs, Transformers, ການຝຶກອົບຮົມແບບໄດນາມິກ.
ເລືອກຊ່ອງທາງ : ວິໄສທັດ, NLP, ລະບົບຜູ້ແນະນຳ, ຕົວແທນ, ຊຸດເວລາ.
ສົ່ງໂຄງການ portfolio ທີ່ມີ repos ທີ່ສະອາດ, READMEs ແລະ demos.
ອ່ານເອກະສານດ້ວຍວິທີທີ່ສະຫຼາດແລະຂີ້ຄ້ານ ແລະ ເຮັດຊ້ຳຜົນໄດ້ຮັບນ້ອຍໆ.
ຮັກສາວົງຈອນການຮຽນຮູ້ : ປະເມີນຜົນ, ປັບປຸງໂຄງສ້າງ, ບັນທຶກ, ແບ່ງປັນ.

ສຳລັບຄະນິດສາດ, ພຶດຊະຄະນິດເສັ້ນຊື່ຂອງ MIT ເປັນຈຸດແຂງທີ່ໝັ້ນຄົງ, ແລະ ຂໍ້ຄວາມ Goodfellow–Bengio–Courville ເປັນເອກະສານອ້າງອີງທີ່ເຊື່ອຖືໄດ້ເມື່ອທ່ານຕິດຢູ່ກັບຄວາມແຕກຕ່າງຂອງ backprop, regularization, ຫຼື optimization [2, 5].

ບັນຊີລາຍຊື່ກວດສອບທັກສະກ່ອນທີ່ທ່ານຈະລົງເລິກເກີນໄປ 🧰

Python : ຟັງຊັນ, ຄລາສ, ລາຍຊື່/dict comps, virtualenvs, ການທົດສອບພື້ນຖານ.
ການຈັດການຂໍ້ມູນ : ໝີແພນດາ, NumPy, ການວາງແຜນ, EDA ງ່າຍໆ.
ຄະນິດສາດທີ່ທ່ານຈະໃຊ້ຕົວຈິງ : ເວັກເຕີ, ແມັດຕຣິກ, eigen-intuition, gradients, ການແຈກຢາຍຄວາມເປັນໄປໄດ້, cross-entropy, regularization.
ເຄື່ອງມື : ບັນຫາ Git, GitHub, Jupyter, ປື້ມບັນທຶກ GPU, ການບັນທຶກການເຮັດວຽກຂອງທ່ານ.
ແນວຄິດ : ວັດແທກສອງເທື່ອ, ສົ່ງຄັ້ງດຽວ; ຍອມຮັບຮ່າງທີ່ບໍ່ດີ; ແກ້ໄຂຂໍ້ມູນຂອງທ່ານກ່ອນ.

ຜົນປະໂຫຍດໄວ: ວິທີການຈາກເທິງລົງລຸ່ມຂອງ fast.ai ຊ່ວຍໃຫ້ທ່ານຝຶກອົບຮົມຮູບແບບທີ່ເປັນປະໂຫຍດໄດ້ໄວ, ໃນຂະນະທີ່ບົດຮຽນສັ້ນໆຂອງ Kaggle ສ້າງຄວາມຊົງຈຳຂອງກ້າມຊີ້ນສຳລັບໝີແພນດາ ແລະ ເສັ້ນພື້ນຖານ [3].

ຕາຕະລາງປຽບທຽບ: ວິທີການສຶກສາເສັ້ນທາງການຮຽນຮູ້ AI 📊

ລວມທັງຄວາມແປກປະຫຼາດເລັກໆນ້ອຍໆ - ເພາະວ່າໂຕະຕົວຈິງບໍ່ຄ່ອຍຈະເປັນລະບຽບຮຽບຮ້ອຍຢ່າງສົມບູນແບບ.

ເຄື່ອງມື / ຫຼັກສູດ	ດີທີ່ສຸດສຳລັບ	ລາຄາ	ເປັນຫຍັງມັນເຮັດວຽກ / ຫມາຍເຫດ
ສະແຕນຟອດ CS229 / CS231n	ທິດສະດີທີ່ແຂງແກ່ນ + ຄວາມເລິກຂອງວິໄສທັດ	ຟຣີ	ເຮັດຄວາມສະອາດພື້ນຖານ ML + ລາຍລະອຽດການຝຶກອົບຮົມ CNN; ຈັບຄູ່ກັບໂຄງການຕ່າງໆໃນພາຍຫຼັງ [1].
MIT ແນະນຳ DL + 18.06	ຂົວຕໍ່ລະຫວ່າງແນວຄວາມຄິດ ແລະ ການປະຕິບັດ	ຟຣີ	ການບັນຍາຍ DL ທີ່ກະທັດຮັດ + ພຶດຊະຄະນິດເສັ້ນຊື່ທີ່ເຂັ້ມງວດທີ່ເຊື່ອມໂຍງກັບການຝັງຕົວ ແລະອື່ນໆ [2].
fast.ai DL ທີ່ໃຊ້ໄດ້ຈິງ	ແຮກເກີທີ່ຮຽນຮູ້ໂດຍການເຮັດ	ຟຣີ	ກ່ອນໂຄງການ, ຄິດໄລ່ຄະນິດສາດໜ້ອຍທີ່ສຸດຈົນກວ່າຈະຕ້ອງການ; ວົງວຽນຄຳຕິຊົມທີ່ກະຕຸ້ນຫຼາຍ [3].
ຫຼັກສູດ LLM ກອດໜ້າ	ໝໍ້ແປງໄຟຟ້າ + ກອງ NLP ທີ່ທັນສະໄໝ	ຟຣີ	ສອນເຄື່ອງສ້າງໂທເຄັນ, ຊຸດຂໍ້ມູນ, ສູນ; ຂະບວນການເຮັດວຽກການປັບແຕ່ງ/ການອະນຸມານແບບປະຕິບັດໄດ້ຈິງ [4].
ປຶ້ມແຕ່ງອາຫານ OpenAI	ຜູ້ຮັບເໝົາກໍ່ສ້າງທີ່ໃຊ້ແບບຈຳລອງພື້ນຖານ	ຟຣີ	ສູດອາຫານ ແລະ ຮູບແບບທີ່ສາມາດນຳໃຊ້ໄດ້ສຳລັບວຽກງານການຜະລິດ ແລະ ການປ້ອງກັນ [5].

ເຈາະເລິກ 1: ເດືອນທຳອິດ - ໂຄງການທີ່ເກີນຄວາມສົມບູນແບບ 🧪

ເລີ່ມຕົ້ນດ້ວຍໂຄງການນ້ອຍໆສອງໂຄງການ. ນ້ອຍໆແທ້ໆ:

ເສັ້ນຖານແບບຕາຕະລາງ : ໂຫຼດຊຸດຂໍ້ມູນສາທາລະນະ, ແບ່ງການຝຶກອົບຮົມ/ການທົດສອບ, ປັບການຖົດຖອຍໂລຈິດສະຕິກ ຫຼື ຕົ້ນໄມ້ຂະໜາດນ້ອຍ, ຕິດຕາມຕົວຊີ້ວັດ, ຂຽນສິ່ງທີ່ລົ້ມເຫຼວ.
ເຄື່ອງຫຼິ້ນຂໍ້ຄວາມ ຫຼື ຮູບພາບ : ປັບແຕ່ງຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມລ່ວງໜ້າຂະໜາດນ້ອຍໃນຂໍ້ມູນຈຳນວນໜຶ່ງ. ການປະມວນຜົນເອກະສານລ່ວງໜ້າ, ເວລາຝຶກອົບຮົມ, ແລະ ການແລກປ່ຽນ.

ເປັນຫຍັງຕ້ອງເລີ່ມຕົ້ນແບບນີ້? ໄຊຊະນະໃນຕອນຕົ້ນສ້າງແຮງກະຕຸ້ນ. ທ່ານຈະໄດ້ຮຽນຮູ້ກ່ຽວກັບຂະບວນການເຮັດວຽກ - ການເຮັດຄວາມສະອາດຂໍ້ມູນ, ການເລືອກຄຸນສົມບັດ, ການປະເມີນຜົນ, ແລະ ການເຮັດຊ້ຳ. ບົດຮຽນຈາກເທິງລົງລຸ່ມຂອງ fast.ai ແລະ ປື້ມບັນທຶກທີ່ມີໂຄງສ້າງຂອງ Kaggle ເສີມສ້າງຈັງຫວະ "ສົ່ງກ່ອນ, ເຂົ້າໃຈເລິກເຊິ່ງກວ່າຕໍ່ໄປ" [3].

ກໍລະນີນ້ອຍ (2 ອາທິດ, ຫຼັງຈາກເຮັດວຽກ): ນັກວິເຄາະລະດັບນ້ອຍໄດ້ສ້າງພື້ນຖານການ churn (ການຖົດຖອຍ logistic) ໃນອາທິດທີ 1, ຫຼັງຈາກນັ້ນໄດ້ສະຫຼັບກັນໃນການເຮັດໃຫ້ເປັນປົກກະຕິ ແລະ ຄຸນສົມບັດທີ່ດີກວ່າໃນອາທິດທີ 2. ຮູບແບບ AUC +7 ຄະແນນດ້ວຍການຕັດຄຸນລັກສະນະໃນຕອນບ່າຍໜຶ່ງຄັ້ງ - ບໍ່ຕ້ອງການສະຖາປັດຕະຍະກຳທີ່ທັນສະໄໝ.

ເຈາະເລິກ 2: ຄະນິດສາດທີ່ບໍ່ມີນ້ຳຕາ - ທິດສະດີພຽງພໍ 📐

ເຈົ້າບໍ່ຕ້ອງການທິດສະດີທຸກໆຢ່າງເພື່ອສ້າງລະບົບທີ່ເຂັ້ມແຂງ. ເຈົ້າຕ້ອງການສ່ວນຕ່າງໆທີ່ຊ່ວຍໃຫ້ການຕັດສິນໃຈ:

ພຶດຊະຄະນິດເສັ້ນຊື່ ສຳລັບການຝັງ, ການເອົາໃຈໃສ່, ແລະເລຂາຄະນິດການເພີ່ມປະສິດທິພາບ.
ຄວາມເປັນໄປໄດ້ ສຳລັບຄວາມບໍ່ແນ່ນອນ, ການຂ້າມເອນໂທຣປີ, ການວັດແທກ ແລະ ການປະເມີນກ່ອນໜ້ານີ້.
ການເພີ່ມປະສິດທິພາບ ສຳລັບອັດຕາການຮຽນຮູ້, ການເຮັດໃຫ້ເປັນປົກກະຕິ, ແລະເຫດຜົນທີ່ສິ່ງຕ່າງໆລະເບີດ.

MIT 18.06 ໃຫ້ເສັ້ນໂຄ້ງທີ່ເນັ້ນໃສ່ແອັບພລິເຄຊັນເປັນຫຼັກ. ເມື່ອທ່ານຕ້ອງການຄວາມເລິກຊຶ້ງທາງດ້ານແນວຄິດຫຼາຍຂຶ້ນໃນເຄືອຂ່າຍເລິກ, ໃຫ້ໃຊ້ ຮຽນ Deep Learning ເປັນບ່ອນອ້າງອີງ, ບໍ່ແມ່ນນິຍາຍ [2, 5].

ນິໄສຈຸນລະພາກ: ຄິດໄລ່ຄະນິດສາດສູງສຸດ 20 ນາທີຕໍ່ມື້. ຈາກນັ້ນກັບໄປໃຊ້ໂປຣແກຣມ. ທິດສະດີຈະດີຂຶ້ນຫຼັງຈາກທີ່ເຈົ້າໄດ້ປະຕິບັດບັນຫາແລ້ວ.

ການເຈາະເລິກ 3: NLP ແລະ LLM ທີ່ທັນສະໄໝ - ການຫັນໄປສູ່ການຫັນປ່ຽນ 💬

ລະບົບຂໍ້ຄວາມສ່ວນໃຫຍ່ໃນປະຈຸບັນແມ່ນອາໄສໝໍ້ແປງໄຟຟ້າ. ເພື່ອໃຫ້ໄດ້ຜົນຈິງຢ່າງມີປະສິດທິພາບ:

ເຮັດວຽກຜ່ານ Hugging Face LLM: ໂທເຄັນ, ຊຸດຂໍ້ມູນ, Hub, ການປັບແຕ່ງລະອຽດ, ແລະ ການອະນຸມານ.
ສົ່ງການສາທິດທີ່ໃຊ້ໄດ້ຈິງ: ການຮັບປະກັນຄຸນນະພາບທີ່ເພີ່ມຂຶ້ນໂດຍການດຶງຂໍ້ມູນຄືນຜ່ານບັນທຶກຂອງທ່ານ, ການວິເຄາະຄວາມຮູ້ສຶກດ້ວຍຮູບແບບຂະໜາດນ້ອຍ, ຫຼືຕົວສະຫຼຸບທີ່ມີນ້ຳໜັກເບົາ.
ຕິດຕາມສິ່ງທີ່ສຳຄັນ: ຄວາມຊັກຊ້າ, ຄ່າໃຊ້ຈ່າຍ, ຄວາມຖືກຕ້ອງ ແລະ ການສອດຄ່ອງກັບຄວາມຕ້ອງການຂອງຜູ້ໃຊ້.

ຫຼັກສູດ HF ແມ່ນໃຊ້ໄດ້ຈິງ ແລະ ຮັບຮູ້ເຖິງລະບົບນິເວດ, ເຊິ່ງຊ່ວຍປະຢັດການໂກນໜວດໃນການເລືອກເຄື່ອງມື [4]. ສຳລັບຮູບແບບ API ແລະ ຮົ້ວກັ້ນທີ່ເປັນຮູບປະທຳ (ການກະຕຸ້ນ, ໂຄງສ້າງການປະເມີນຜົນ), ປຶ້ມຄູ່ມື OpenAI ແມ່ນເຕັມໄປດ້ວຍຕົວຢ່າງທີ່ສາມາດໃຊ້ງານໄດ້ [5].

ເຈາະເລິກ 4: ພື້ນຖານການເບິ່ງເຫັນໂດຍບໍ່ຕ້ອງຈົມຢູ່ໃນພິກເຊວ 👁️

ຢາກຮູ້ຢາກເຫັນດ້ານວິໄສທັດບໍ? ຈັບ CS231n ກັບໂຄງການຂະໜາດນ້ອຍ: ຈັດປະເພດຊຸດຂໍ້ມູນທີ່ກຳນົດເອງ ຫຼື ປັບແຕ່ງຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມລ່ວງໜ້າໃນໝວດໝູ່ພິເສດ. ສຸມໃສ່ຄຸນນະພາບຂໍ້ມູນ, ການເພີ່ມ, ແລະ ການປະເມີນຜົນກ່ອນທີ່ຈະຊອກຫາສະຖາປັດຕະຍະກຳທີ່ແປກໃໝ່. CS231n ເປັນດາວເໜືອທີ່ໜ້າເຊື່ອຖືສຳລັບວິທີການເຮັດວຽກຂອງ convs, residuals, ແລະ heuristics ການຝຶກອົບຮົມ [1].

ອ່ານການຄົ້ນຄວ້າໂດຍບໍ່ຕ້ອງກັງວົນ 📄

ວົງແຫວນທີ່ເຮັດວຽກ:

ອ່ານບົດ ຄັດຫຍໍ້ ແລະ ຕົວເລກ ກ່ອນ.
ກວດສອບສົມຜົນຂອງວິທີການໂດຍຫຍໍ້ເພື່ອຕັ້ງຊື່ສ່ວນຕ່າງໆ.
ຂ້າມໄປຫາ ການທົດລອງ ແລະ ຂໍ້ຈຳກັດ .
ສ້າງຜົນໄດ້ຮັບຈຸນລະພາກຄືນໃໝ່ໃນຊຸດຂໍ້ມູນຂອງຫຼິ້ນ.
ຂຽນບົດສະຫຼຸບສອງວັກພ້ອມດ້ວຍຄຳຖາມໜຶ່ງຂໍ້ທີ່ທ່ານຍັງມີຢູ່.

ເພື່ອຊອກຫາການຈັດຕັ້ງປະຕິບັດ ຫຼື ຂໍ້ມູນພື້ນຖານ, ໃຫ້ກວດສອບ repos ຂອງຫຼັກສູດ ແລະ ຫ້ອງສະໝຸດທາງການທີ່ເຊື່ອມໂຍງກັບແຫຼ່ງຂໍ້ມູນຂ້າງເທິງກ່ອນທີ່ຈະເຂົ້າເຖິງບລັອກແບບສຸ່ມ [1–5].

ຄຳສາລະພາບສັ້ນໆ: ບາງຄັ້ງຂ້ອຍອ່ານບົດສະຫຼຸບກ່ອນ. ບໍ່ແມ່ນແບບດັ້ງເດີມ, ແຕ່ມັນຊ່ວຍຕັດສິນໃຈວ່າການອ້ອມນັ້ນຄຸ້ມຄ່າຫຼືບໍ່.

ການສ້າງ AI Stack ສ່ວນຕົວຂອງເຈົ້າ 🧱

ຂະບວນການເຮັດວຽກຂໍ້ມູນ : ໝີແພນດາສຳລັບການລວບລວມຂໍ້ມູນ, scikit-learn ສຳລັບຂໍ້ມູນພື້ນຖານ.
ການຕິດຕາມ : ຕາຕະລາງງ່າຍໆ ຫຼື ຕົວຕິດຕາມການທົດລອງທີ່ມີນ້ຳໜັກເບົາກໍ່ໃຊ້ໄດ້.
ການໃຫ້ບໍລິການ : ແອັບ FastAPI ຂະໜາດນ້ອຍ ຫຼື ການສາທິດປື້ມບັນທຶກກໍພຽງພໍທີ່ຈະເລີ່ມຕົ້ນໄດ້.
ການປະເມີນຜົນ : ຕົວຊີ້ວັດທີ່ຊັດເຈນ, ການຜ່າຕັດ, ການກວດສອບສຸຂະພາບ; ຫຼີກລ່ຽງການເລືອກແບບບໍ່ເລືອກເຟັ້ນ.

fast.ai ແລະ Kaggle ຖືກປະເມີນຄ່າຕໍ່າເກີນໄປສຳລັບການສ້າງຄວາມໄວໃນພື້ນຖານ ແລະ ບັງຄັບໃຫ້ທ່ານເຮັດຊ້ຳໆຢ່າງໄວວາດ້ວຍຄຳຕິຊົມ [3].

ໂຄງການພອດໂຟລິໂອທີ່ເຮັດໃຫ້ຜູ້ຮັບສະໝັກສົນໃຈ 👍

ຕັ້ງເປົ້າໝາຍໄວ້ສາມໂຄງການທີ່ແຕ່ລະໂຄງການສະແດງໃຫ້ເຫັນຈຸດແຂງທີ່ແຕກຕ່າງກັນ:

ພື້ນຖານ ML ແບບຄລາສສິກ : EDA ທີ່ເຂັ້ມແຂງ, ລັກສະນະຕ່າງໆ, ແລະ ການວິເຄາະຄວາມຜິດພາດ.
ແອັບຮຽນຮູ້ເລິກເຊິ່ງ : ຮູບພາບ ຫຼື ຂໍ້ຄວາມ, ພ້ອມດ້ວຍການສາທິດເວັບໜ້ອຍທີ່ສຸດ.
ເຄື່ອງມືທີ່ໃຊ້ LLM : chatbot ຫຼື ຕົວປະເມີນຜົນທີ່ເສີມຄວາມສາມາດໃນການດຶງຂໍ້ມູນຄືນ, ໂດຍມີການບັນທຶກຄວາມວ່ອງໄວ ແລະ ຄວາມສະອາດຂອງຂໍ້ມູນຢ່າງຊັດເຈນ.

ໃຊ້ README ທີ່ມີຖະແຫຼງການບັນຫາທີ່ຊັດເຈນ, ຂັ້ນຕອນການຕັ້ງຄ່າ, ບັດຂໍ້ມູນ, ຕາຕະລາງການປະເມີນຜົນ, ແລະ screencast ສັ້ນໆ. ຖ້າທ່ານສາມາດປຽບທຽບຮູບແບບຂອງທ່ານກັບຂໍ້ມູນພື້ນຖານງ່າຍໆ, ດີກວ່າ. ຮູບແບບປຶ້ມແຕ່ງອາຫານຊ່ວຍໄດ້ເມື່ອໂຄງການຂອງທ່ານກ່ຽວຂ້ອງກັບຮູບແບບການສ້າງແບບຈຳລອງ ຫຼື ການໃຊ້ເຄື່ອງມື [5].

ສຶກສານິໄສທີ່ປ້ອງກັນການໝົດໄຟ ⏱️

ຄູ່ Pomodoro : ການຂຽນໂປຣແກຣມ 25 ນາທີ, ບັນທຶກສິ່ງທີ່ປ່ຽນແປງ 5 ນາທີ.
ບັນທຶກລະຫັດ : ຂຽນບົດສະຫຼຸບສັ້ນໆຫຼັງຈາກການທົດລອງທີ່ລົ້ມເຫຼວ.
ການຝຶກຝົນຢ່າງມີເຈດຕະນາ : ແຍກທັກສະອອກ (ຕົວຢ່າງ, ຕົວໂຫຼດຂໍ້ມູນທີ່ແຕກຕ່າງກັນສາມອັນໃນໜຶ່ງອາທິດ).
ຄຳຕິຊົມຈາກຊຸມຊົນ : ແບ່ງປັນການອັບເດດປະຈຳອາທິດ, ຂໍການທົບທວນລະຫັດ, ແລກປ່ຽນຄຳແນະນຳໜຶ່ງຢ່າງເພື່ອຮັບການວິຈານໜຶ່ງຢ່າງ.
ການຟື້ນຕົວ : ແມ່ນແລ້ວ, ການພັກຜ່ອນແມ່ນທັກສະ; ຕົວຕົນໃນອະນາຄົດຂອງເຈົ້າຂຽນລະຫັດໄດ້ດີຂຶ້ນຫຼັງຈາກນອນຫຼັບ.

ແຮງຈູງໃຈລ່ອງລອຍໄປ. ໄຊຊະນະເລັກໆນ້ອຍໆ ແລະ ຄວາມຄືບໜ້າທີ່ຊັດເຈນແມ່ນກາວທີ່ຕິດແໜ້ນ.

ອຸປະສັກທົ່ວໄປໃນການຫຼົບຫຼີກ 🧯

ການຜັດເວລາທາງຄະນິດສາດ : ການພິສູດຫຼັກຖານກ່ອນທີ່ຈະແຕະຊຸດຂໍ້ມູນ.
ບົດສອນທີ່ບໍ່ມີທີ່ສິ້ນສຸດ : ເບິ່ງວິດີໂອ 20 ອັນ, ບໍ່ສ້າງຫຍັງເລີຍ.
ໂຣກຮູບແບບເງົາ : ການແລກປ່ຽນສະຖາປັດຕະຍະກຳແທນທີ່ຈະແກ້ໄຂຂໍ້ມູນ ຫຼື ການສູນເສຍ.
ບໍ່ມີແຜນການປະເມີນຜົນ : ຖ້າທ່ານບໍ່ສາມາດບອກໄດ້ວ່າທ່ານຈະວັດແທກຄວາມສຳເລັດໄດ້ແນວໃດ, ທ່ານກໍ່ຈະບໍ່ສາມາດບອກໄດ້.
ແລັບຄັດລອກ-ວາງ : ພິມຕາມ, ລືມທຸກຢ່າງໃນອາທິດໜ້າ.
repos ທີ່ຂັດເກີນໄປ : README ທີ່ສົມບູນແບບ, ບໍ່ມີການທົດລອງ. ອຸ້ຍ.

ເມື່ອທ່ານຕ້ອງການວັດສະດຸທີ່ມີໂຄງສ້າງ ແລະ ຊື່ສຽງເພື່ອປັບປ່ຽນໃໝ່, ການສະເໜີຂອງ CS229/CS231n ແລະ MIT ແມ່ນປຸ່ມຕັ້ງຄ່າໃໝ່ທີ່ແຂງແກ່ນ [1–2].

ຊັ້ນວາງອ້າງອີງທີ່ເຈົ້າຈະກັບມາເບິ່ງອີກ 📚

Goodfellow, Bengio, Courville - ການຮຽນຮູ້ເລິກ : ເອກະສານອ້າງອີງມາດຕະຖານສຳລັບ backprop, regularization, optimization, ແລະສະຖາປັດຕະຍະກຳ [5].
MIT 18.06 : ການແນະນຳທີ່ສະອາດທີ່ສຸດກ່ຽວກັບແມັດຕຣິກ ແລະ ພື້ນທີ່ເວັກເຕີ ສຳລັບຜູ້ປະຕິບັດ [2].
ບັນທຶກ CS229/CS231n : ທິດສະດີ ML ແບບປະຕິບັດຕົວຈິງ + ລາຍລະອຽດການຝຶກອົບຮົມວິໄສທັດທີ່ອະທິບາຍວ່າເປັນຫຍັງຄ່າເລີ່ມຕົ້ນຈຶ່ງເຮັດວຽກໄດ້ [1].
ຫຼັກສູດ Hugging Face LLM : ເຄື່ອງສ້າງໂທເຄັນ, ຊຸດຂໍ້ມູນ, ການປັບແຕ່ງຕົວປ່ຽນ, ຂະບວນການເຮັດວຽກຂອງ Hub [4].
fast.ai + Kaggle : ການຝຶກຊ້ອມແບບໄວທີ່ໃຫ້ລາງວັນແກ່ການຂົນສົ່ງຫຼາຍກວ່າການຢຸດຊະງັກ [3].

ແຜນ 6 ອາທິດທີ່ອ່ອນໂຍນເພື່ອເລີ່ມຕົ້ນສິ່ງຕ່າງໆ 🗓️

ບໍ່ແມ່ນປື້ມກົດລະບຽບ - ຄ້າຍຄືກັບສູດອາຫານທີ່ມີຄວາມຍືດຫຍຸ່ນຫຼາຍກວ່າ.

ອາທິດທີ 1
ການປັບແຕ່ງ Python, ການຝຶກຊ້ອມໝີແພນດາ, ການສະແດງພາບ. ໂຄງການຂະໜາດນ້ອຍ: ຄາດເດົາບາງສິ່ງບາງຢ່າງທີ່ບໍ່ສຳຄັນ; ຂຽນບົດລາຍງານ 1 ໜ້າ.

ອາທິດທີ 2
ທົບທວນພຶດຊະຄະນິດເສັ້ນຊື່, ການຝຶກຊ້ອມການແບ່ງຮູບແບບເວັກເຕີ. ປັບປຸງໂຄງການຂະໜາດນ້ອຍຂອງທ່ານດ້ວຍຄຸນສົມບັດທີ່ດີກວ່າ ແລະ ເສັ້ນຖານທີ່ເຂັ້ມແຂງກວ່າ [2].

ອາທິດທີ 3
ໂມດູນປະຕິບັດຕົວຈິງ (ສັ້ນ, ເນັ້ນໃສ່). ຕື່ມການກວດສອບຂ້າມ, ເມທຣິກຄວາມສັບສົນ, ແລະ ຕາຕະລາງການປັບທຽບ.

ອາທິດທີ 4
ບົດຮຽນທີ 1–2; ສົ່ງຮູບພາບ ຫຼື ຕົວຈັດປະເພດຂໍ້ຄວາມຂະໜາດນ້ອຍ [3]. ບັນທຶກຂັ້ນຕອນການໃຊ້ງານຂໍ້ມູນຂອງທ່ານຄືກັບວ່າເພື່ອນຮ່ວມທີມຈະອ່ານມັນໃນພາຍຫຼັງ.

ອາທິດທີ 5
ຜ່ານໄປຢ່າງວ່ອງໄວ; ຈັດຕັ້ງປະຕິບັດການສາທິດ RAG ຂະໜາດນ້ອຍໃນ corpus ຂະໜາດນ້ອຍ. ວັດແທກຄວາມໜ่วงເວລາ/ຄຸນນະພາບ/ຄ່າໃຊ້ຈ່າຍ, ຈາກນັ້ນເພີ່ມປະສິດທິພາບອັນໜຶ່ງ [4].

ອາທິດທີ 6
ຂຽນບົດວິເຄາະໜ້າດຽວເພື່ອປຽບທຽບຮູບແບບຂອງທ່ານກັບເສັ້ນຖານງ່າຍໆ. ປັບປຸງຮູບແບບຄືນໃໝ່, ບັນທຶກວິດີໂອສາທິດສັ້ນໆ, ແບ່ງປັນເພື່ອຮັບຄຳຕິຊົມ. ຮູບແບບປຶ້ມແຕ່ງອາຫານຊ່ວຍໄດ້ທີ່ນີ້ [5].

ໝາຍເຫດສຸດທ້າຍ - ຍາວເກີນໄປ, ບໍ່ໄດ້ອ່ານ 🎯

ວິທີການສຶກສາ AI ໃຫ້ດີແມ່ນງ່າຍດາຍທີ່ແປກປະຫຼາດ: ສົ່ງໂຄງການນ້ອຍໆ, ຮຽນຄະນິດສາດພຽງພໍ, ແລະ ເພິ່ງພາຫຼັກສູດ ແລະ ປຶ້ມແຕ່ງກິນທີ່ເຊື່ອຖືໄດ້ ເພື່ອວ່າເຈົ້າຈະບໍ່ໄດ້ປະດິດລໍ້ທີ່ມີມຸມສີ່ຫຼ່ຽມຄືນໃໝ່. ເລືອກຊ່ອງທາງ, ສ້າງຜົນງານດ້ວຍການປະເມີນຜົນທີ່ຊື່ສັດ, ແລະ ສືບຕໍ່ຝຶກຝົນທິດສະດີ-ການປະຕິບັດ. ຄິດວ່າມັນຄືກັບການຮຽນແຕ່ງກິນດ້ວຍມີດແຫຼມສອງສາມອັນ ແລະ ກະທະຮ້ອນ - ບໍ່ແມ່ນທຸກອຸປະກອນ, ພຽງແຕ່ອັນທີ່ເອົາອາຫານຄ່ຳມາວາງເທິງໂຕະ. ເຈົ້າເຮັດໄດ້ແລ້ວ. 🌟

ເອກະສານອ້າງອີງ

[1] Stanford CS229 / CS231n - ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ; ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສຳລັບວິໄສທັດຄອມພິວເຕີ.

[2] MIT - ພຶດຊະຄະນິດເສັ້ນຊື່ (18.06) ແລະ ການແນະນຳການຮຽນຮູ້ເລິກ (6.S191).

[3] ການຝຶກປະຕິບັດຕົວຈິງ - fast.ai ແລະ Kaggle Learn.

[4] Transformers & Modern NLP - ຫຼັກສູດ LLM Hugging Face.

ຫຼັກສູດ LLM ກອດໜ້າ

[5] ຮູບແບບ API ອ້າງອີງການຮຽນຮູ້ເລິກ - Goodfellow et al.; ປຶ້ມຄູ່ມືປຸງແຕ່ງອາຫານ OpenAI.

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ

ກັບໄປທີ່ບລັອກ

ປະເທດ/ພາກພື້ນ