AI എങ്ങനെ പഠിക്കാം?

AI എങ്ങനെ പഠിക്കാം?

AI പഠിക്കുന്നത് ഒരു വലിയ ലൈബ്രറിയിലേക്ക് കയറുന്നത് പോലെ തോന്നും, അവിടെ എല്ലാ പുസ്തകങ്ങളും "ഇവിടെ ആരംഭിക്കൂ" എന്ന് വിളിച്ചുപറയുന്നു. പകുതി ഷെൽഫുകളിലും "ഗണിതം" എന്ന് എഴുതിയിരിക്കുന്നു, അത്... നേരിയ തോതിൽ പരുഷമാണ് 😅

ഗുണം: ഉപയോഗപ്രദമായ കാര്യങ്ങൾ നിർമ്മിക്കാൻ നിങ്ങൾക്ക് എല്ലാം അറിയണമെന്നില്ല. നിങ്ങൾക്ക് യുക്തിസഹമായ ഒരു പാത, കുറച്ച് വിശ്വസനീയമായ വിഭവങ്ങൾ, കുറച്ചുനേരം ആശയക്കുഴപ്പത്തിലാകാനുള്ള സന്നദ്ധത (ആശയക്കുഴപ്പം അടിസ്ഥാനപരമായി പ്രവേശന ഫീസ് ആണ്) എന്നിവ ആവശ്യമാണ്.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 AI എങ്ങനെയാണ് അപാകതകൾ കണ്ടെത്തുന്നത്?
മെഷീൻ ലേണിംഗും സ്റ്റാറ്റിസ്റ്റിക്സും ഉപയോഗിച്ച് അനോമലി ഡിറ്റക്ഷൻ രീതികൾ വിശദീകരിക്കുന്നു.

🔗 എന്തുകൊണ്ടാണ് AI സമൂഹത്തിന് ദോഷകരമാകുന്നത്?
കൃത്രിമബുദ്ധിയുടെ ധാർമ്മികവും സാമൂഹികവും സാമ്പത്തികവുമായ അപകടസാധ്യതകൾ പരിശോധിക്കുന്നു.

🔗 AI എത്ര വെള്ളം ഉപയോഗിക്കുന്നു?
AI ഊർജ്ജ ഉപഭോഗവും ജല ഉപയോഗത്തിന്റെ മറഞ്ഞിരിക്കുന്ന പ്രത്യാഘാതങ്ങളും ഇത് വിശദീകരിക്കുന്നു.

🔗 ഒരു AI ഡാറ്റാസെറ്റ് എന്താണ്?
ഡാറ്റാസെറ്റുകൾ, ലേബലിംഗ്, AI പരിശീലനത്തിൽ അവയുടെ പങ്ക് എന്നിവ നിർവചിക്കുന്നു.

ദൈനംദിന ജീവിതത്തിൽ "AI" എന്നാൽ എന്താണ് അർത്ഥമാക്കുന്നത് 🤷♀️

ആളുകൾ "AI" എന്ന് പറയുകയും വ്യത്യസ്തമായ ചില കാര്യങ്ങൾ അർത്ഥമാക്കുകയും ചെയ്യുന്നു:

  • മെഷീൻ ലേണിംഗ് (ML) - മോഡലുകൾ ഡാറ്റയിൽ നിന്ന് ഇൻപുട്ടുകൾ മുതൽ ഔട്ട്പുട്ടുകൾ വരെയുള്ള പാറ്റേണുകൾ പഠിക്കുന്നു (ഉദാ: സ്പാം കണ്ടെത്തൽ, വില പ്രവചനം). [1]

  • ഡീപ് ലേണിംഗ് (DL) - ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സ്കെയിലിൽ ഉപയോഗിക്കുന്ന ML ന്റെ ഒരു ഉപവിഭാഗം (ദർശനം, സംസാരം, വലിയ ഭാഷാ മോഡലുകൾ). [2]

  • ജനറേറ്റീവ് AI – ടെക്സ്റ്റ്, ഇമേജുകൾ, കോഡ്, ഓഡിയോ (ചാറ്റ്ബോട്ടുകൾ, കോപൈലറ്റുകൾ, ഉള്ളടക്ക ഉപകരണങ്ങൾ) എന്നിവ നിർമ്മിക്കുന്ന മോഡലുകൾ. [2]

  • റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് - പരീക്ഷണത്തിലൂടെയും പ്രതിഫലത്തിലൂടെയും പഠിക്കൽ (ഗെയിം ഏജന്റുകൾ, റോബോട്ടിക്‌സ്). [1]

തുടക്കത്തിൽ തന്നെ കൃത്യമായി തിരഞ്ഞെടുക്കണമെന്നില്ല. AI-യെ ഒരു മ്യൂസിയം പോലെ കാണരുത്. ഇത് ഒരു അടുക്കള പോലെയാണ് - പാചകം ചെയ്യുന്നതിലൂടെ നിങ്ങൾ വേഗത്തിൽ പഠിക്കും. ചിലപ്പോൾ നിങ്ങൾ ടോസ്റ്റ് കത്തിക്കുന്നു. 🍞🔥

ഒരു ചെറിയ കഥ: ഒരു ചെറിയ ടീം ഒരു "മികച്ച" ചർൺ മോഡൽ പുറത്തിറക്കി... ട്രെയിനിലും ടെസ്റ്റിലും സമാനമായ ഐഡികൾ അവർ ശ്രദ്ധിക്കുന്നതുവരെ . ക്ലാസിക് ചോർച്ച. ഒരു ലളിതമായ പൈപ്പ്‌ലൈൻ + ക്ലീൻ സ്പ്ലിറ്റ് സംശയാസ്പദമായ 0.99 നെ വിശ്വസനീയമായ (താഴ്ന്ന!) സ്‌കോറായും യഥാർത്ഥത്തിൽ സാമാന്യവൽക്കരിക്കപ്പെട്ട ഒരു മോഡലായും മാറ്റി. [3]

ഒരു നല്ല “AI എങ്ങനെ പഠിക്കാം” പ്ലാൻ ഉണ്ടാക്കുന്നത് ✅

ഒരു നല്ല പ്ലാനിന് വിരസമായി തോന്നുമെങ്കിലും മാസങ്ങൾ ലാഭിക്കുന്ന ചില സ്വഭാവവിശേഷങ്ങളുണ്ട്:

  • പഠിക്കുന്നതിനിടയിൽ നിർമ്മിക്കുക (ചെറിയ പ്രോജക്ടുകൾ നേരത്തെ, വലിയ പ്രോജക്ടുകൾ പിന്നീട്).

  • ആവശ്യമായ ഏറ്റവും കുറഞ്ഞ ഗണിതം പഠിക്കുക , തുടർന്ന് ആഴത്തിനായി പിന്നിലേക്ക് വൃത്താകൃതിയിൽ വരയ്ക്കുക.

  • നിങ്ങൾ എന്താണ് ചെയ്തതെന്ന് വിശദീകരിക്കുക (നിങ്ങളുടെ ജോലി റബ്ബർ ഉപയോഗിച്ച് മാറ്റുക; അത് അവ്യക്തമായ ചിന്തയെ സുഖപ്പെടുത്തുന്നു).

  • കുറച്ചുനേരം ഒരു "കോർ സ്റ്റാക്കിൽ" ഉറച്ചുനിൽക്കുക (പൈത്തൺ + ജൂപ്പിറ്റർ + സ്കൈകിറ്റ്-ലേൺ → പിന്നെ പൈടോർച്ച്).

  • മണിക്കൂറുകൾ വീക്ഷിച്ചതിന്റെ അടിസ്ഥാനത്തിലല്ല, ഔട്ട്‌പുട്ടുകൾ നോക്കിയാണ് പുരോഗതി അളക്കുക

നിങ്ങളുടെ പദ്ധതി വീഡിയോകളും കുറിപ്പുകളും മാത്രമാണെങ്കിൽ, അത് വെള്ളത്തെക്കുറിച്ച് വായിച്ച് നീന്താൻ ശ്രമിക്കുന്നത് പോലെയാണ്.

നിങ്ങളുടെ പാത തിരഞ്ഞെടുക്കുക (ഇപ്പോൾ) – മൂന്ന് പൊതുവായ പാതകൾ 🚦

നിങ്ങൾക്ക് വ്യത്യസ്ത "രൂപങ്ങളിൽ" AI പഠിക്കാൻ കഴിയും. പ്രവർത്തിക്കുന്ന മൂന്ന് കാര്യങ്ങൾ ഇതാ:

1) പ്രായോഗിക ബിൽഡർ റൂട്ട് 🛠️

വേഗത്തിലുള്ള വിജയങ്ങളും പ്രചോദനവും ആഗ്രഹിക്കുന്നുണ്ടെങ്കിൽ ഏറ്റവും നല്ലത്.
ഫോക്കസ്: ഡാറ്റാസെറ്റുകൾ, പരിശീലന മോഡലുകൾ, ഷിപ്പിംഗ് ഡെമോകൾ.
സ്റ്റാർട്ടർ റിസോഴ്‌സുകൾ: ഗൂഗിളിന്റെ എംഎൽ ക്രാഷ് കോഴ്‌സ്, കഗിൾ ലേൺ, ഫാസ്റ്റ്.ഐ (താഴെ റഫറൻസുകളിലും റിസോഴ്‌സുകളിലും ഉള്ള ലിങ്കുകൾ).

2) അടിസ്ഥാനകാര്യങ്ങൾ-ആദ്യ വഴി 📚

വ്യക്തതയും സിദ്ധാന്തവും ഇഷ്ടപ്പെടുന്നവർക്ക് ഏറ്റവും നല്ലത്.
ഫോക്കസ്: റിഗ്രഷൻ, ബയസ്–വേരിയൻസ്, പ്രോബബിലിസ്റ്റിക് ചിന്ത, ഒപ്റ്റിമൈസേഷൻ.
ആങ്കർമാർ: സ്റ്റാൻഫോർഡ് CS229 മെറ്റീരിയലുകൾ, MIT ഇൻട്രോ ടു ഡീപ് ലേണിംഗ്. [1][2]

3) gen-AI ആപ്പ് ഡെവലപ്പർ റൂട്ട് ✨

സഹായികൾ, തിരയൽ, വർക്ക്ഫ്ലോകൾ, "ഏജന്റ്-വൈ" സ്റ്റഫ് എന്നിവ നിർമ്മിക്കണമെങ്കിൽ ഏറ്റവും നല്ലത്.
ഫോക്കസ്: പ്രോംപ്റ്റിംഗ്, വീണ്ടെടുക്കൽ, വിലയിരുത്തലുകൾ, ഉപകരണ ഉപയോഗം, സുരക്ഷാ അടിസ്ഥാനങ്ങൾ, വിന്യാസം.
അടുത്ത് സൂക്ഷിക്കേണ്ട പ്രമാണങ്ങൾ: പ്ലാറ്റ്‌ഫോം പ്രമാണങ്ങൾ (API-കൾ), HF കോഴ്‌സ് (ഉപകരണങ്ങൾ).

നിങ്ങൾക്ക് പിന്നീട് ലെയ്നുകൾ മാറ്റാം. ആരംഭിക്കുക എന്നതാണ് ഏറ്റവും ബുദ്ധിമുട്ടുള്ള ഭാഗം.

 

AI പഠനം എങ്ങനെ പഠിക്കാം

താരതമ്യ പട്ടിക - പഠിക്കാനുള്ള മികച്ച വഴികൾ (സത്യസന്ധമായ വിചിത്രതകളോടെ) 📋

ഉപകരണം / കോഴ്സ് പ്രേക്ഷകർ വില ഇത് എന്തുകൊണ്ട് പ്രവർത്തിക്കുന്നു (ഹ്രസ്വമായി)
ഗൂഗിൾ മെഷീൻ ലേണിംഗ് ക്രാഷ് കോഴ്‌സ് തുടക്കക്കാർ സൗ ജന്യം വിഷ്വൽ + പ്രായോഗികം; അമിത സങ്കീർണത ഒഴിവാക്കുന്നു.
കഗിൾ ലേൺ (ആമുഖം + ഇന്റർമീഡിയറ്റ് എംഎൽ) പരിശീലനം ഇഷ്ടപ്പെടുന്ന തുടക്കക്കാർ സൗ ജന്യം ചെറിയ പാഠങ്ങൾ + തൽക്ഷണ വ്യായാമങ്ങൾ
fast.ai പ്രായോഗിക ആഴത്തിലുള്ള പഠനം കുറച്ച് കോഡിംഗ് ഉള്ള ബിൽഡർമാർ സൗ ജന്യം നിങ്ങൾ യഥാർത്ഥ മോഡലുകളെ നേരത്തെ പരിശീലിപ്പിക്കും - ഉടനെ തന്നെ 😅
DeepLearning.AI ML സ്പെഷ്യലൈസേഷൻ ഘടനാപരമായ പഠിതാക്കൾ പണമടച്ചു കോർ ML ആശയങ്ങളിലൂടെ വ്യക്തമായ പുരോഗതി
DeepLearning.AI ഡീപ് ലേണിംഗ് സ്പെക്ക് എം.എൽ. അടിസ്ഥാനകാര്യങ്ങൾ ഇതിനകം തന്നെ പണമടച്ചു ന്യൂറൽ നെറ്റ്‌സിലെ സോളിഡ് ഡെപ്ത് + വർക്ക്‌ഫ്ലോകൾ
സ്റ്റാൻഫോർഡ് CS229 കുറിപ്പുകൾ സിദ്ധാന്താധിഷ്ഠിതം സൗ ജന്യം ഗൗരവമേറിയ അടിസ്ഥാനകാര്യങ്ങൾ ("എന്തുകൊണ്ട് ഇത് പ്രവർത്തിക്കുന്നു")
സ്കൈക്കിറ്റ്-ലേൺ ഉപയോക്തൃ ഗൈഡ് എം.എൽ. പ്രാക്ടീഷണർമാർ സൗ ജന്യം ടാബുലാർ/ബേസ്‌ലൈനുകൾക്കായുള്ള ക്ലാസിക് ടൂൾകിറ്റ്
പൈടോർച്ച് ട്യൂട്ടോറിയലുകൾ ആഴത്തിലുള്ള പഠന നിർമ്മാതാക്കൾ സൗ ജന്യം ടെൻസറുകളിൽ നിന്നുള്ള ക്ലീൻ പാത്ത് → പരിശീലന ലൂപ്പുകൾ [4]
ഹഗ്ഗിംഗ് ഫേസ് എൽഎൽഎം കോഴ്സ് NLP + LLM ബിൽഡർമാർ സൗ ജന്യം പ്രായോഗിക എൽഎൽഎം വർക്ക്ഫ്ലോ + ഇക്കോസിസ്റ്റം ഉപകരണങ്ങൾ
NIST AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക് AI വിന്യസിക്കുന്ന ആരെങ്കിലും സൗ ജന്യം ലളിതവും ഉപയോഗപ്രദവുമായ റിസ്ക്/ഗവേണൻസ് സ്കാഫോൾഡിംഗ് [5]

ചെറിയൊരു കുറിപ്പ്: ഓൺലൈനിൽ "വില" എന്നത് വിചിത്രമാണ്. ചില കാര്യങ്ങൾ സൗജന്യമാണ്, പക്ഷേ ശ്രദ്ധ ചിലവാകും... അത് ചിലപ്പോൾ മോശമായിരിക്കും.

നിങ്ങൾക്ക് യഥാർത്ഥത്തിൽ ആവശ്യമുള്ള പ്രധാന കഴിവുകൾ (ഏത് ക്രമത്തിലാണ്) 🧩

മുങ്ങിമരിക്കാതെ AI എങ്ങനെ പഠിക്കാം എന്നതാണ് നിങ്ങളുടെ ലക്ഷ്യമെങ്കിൽ

  1. പൈത്തൺ അടിസ്ഥാനകാര്യങ്ങൾ

  • ഫംഗ്ഷനുകൾ, ലിസ്റ്റുകൾ/ഡിക്റ്റുകൾ, ലൈറ്റ് ക്ലാസുകൾ, ഫയലുകൾ വായിക്കൽ.

  • നിർബന്ധമായും ഉണ്ടായിരിക്കേണ്ട ശീലം: നോട്ട്ബുക്കുകൾ മാത്രമല്ല, ചെറിയ സ്ക്രിപ്റ്റുകളും എഴുതുക.

  1. ഡാറ്റ കൈകാര്യം ചെയ്യൽ

  • നാമ്പി ചിന്ത, പാണ്ടയുടെ അടിസ്ഥാനകാര്യങ്ങൾ, ഗൂഢാലോചന.

  • നീ ഇവിടെ ഒരുപാട് സമയം ചെലവഴിക്കും. ഗ്ലാമറസ് അല്ല, പക്ഷേ അതാണ് ജോലി.

  1. ക്ലാസിക്കൽ എംഎൽ (വിലകുറഞ്ഞ സൂപ്പർ പവർ)

  • ട്രെയിൻ/ടെസ്റ്റ് സ്പ്ലിറ്റുകൾ, ചോർച്ച, അമിത ഫിറ്റിംഗ്.

  • ലീനിയർ/ലോജിസ്റ്റിക് റിഗ്രഷൻ, മരങ്ങൾ, ക്രമരഹിത വനങ്ങൾ, ഗ്രേഡിയന്റ് ബൂസ്റ്റിംഗ്.

  • മെട്രിക്സ്: കൃത്യത, കൃത്യത/വീണ്ടെടുക്കൽ, ROC-AUC, MAE/RMSE - എപ്പോൾ അർത്ഥവത്താകുമെന്ന് അറിയുക. [3]

  1. ആഴത്തിലുള്ള പഠനം

  • ടെൻസറുകൾ, ഗ്രേഡിയന്റുകൾ/ബാക്ക്‌പ്രോപ്പ് (സങ്കൽപ്പപരമായി), പരിശീലന ലൂപ്പുകൾ.

  • ചിത്രങ്ങൾക്ക് CNN-കൾ, വാചകത്തിന് ട്രാൻസ്ഫോർമറുകൾ (ഒടുവിൽ).

  • ചില എൻഡ്-ടു-എൻഡ് പൈടോർച്ച് അടിസ്ഥാനകാര്യങ്ങൾ വളരെ ദൂരം പോകുന്നു. [4]

  1. ജനറേറ്റീവ് AI + LLM വർക്ക്ഫ്ലോകൾ

  • ടോക്കണൈസേഷൻ, എംബെഡിംഗുകൾ, വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ജനറേഷൻ, വിലയിരുത്തൽ.

  • ഫൈൻ-ട്യൂണിംഗ് vs. പ്രോംപ്റ്റിംഗ് (ഇവ രണ്ടും ആവശ്യമില്ലാത്തപ്പോൾ).

നിങ്ങൾക്ക് പിന്തുടരാവുന്ന ഒരു ഘട്ടം ഘട്ടമായുള്ള പദ്ധതി 🗺️

ഘട്ടം A – നിങ്ങളുടെ ആദ്യ മോഡൽ പ്രവർത്തനക്ഷമമാക്കുക (വേഗത്തിൽ) ⚡

ലക്ഷ്യം: എന്തെങ്കിലും പരിശീലിപ്പിക്കുക, അളക്കുക, മെച്ചപ്പെടുത്തുക.

  • ഒരു കോം‌പാക്റ്റ് ഇൻട്രോ (ഉദാ. എം‌എൽ ക്രാഷ് കോഴ്‌സ്), തുടർന്ന് ഒരു പ്രായോഗിക മൈക്രോ-കോഴ്‌സ് (ഉദാ. കാഗിൾ ഇൻട്രോ) എന്നിവ നടത്തുക.

  • പ്രോജക്റ്റ് ആശയം: ഒരു പൊതു ഡാറ്റാസെറ്റിൽ വീടുകളുടെ വിലകൾ, ഉപഭോക്തൃ പ്രതിസന്ധി അല്ലെങ്കിൽ ക്രെഡിറ്റ് റിസ്ക് എന്നിവ പ്രവചിക്കുക.

ചെറിയ "വിജയ" ചെക്ക്‌ലിസ്റ്റ്:

  • നിങ്ങൾക്ക് ഡാറ്റ ലോഡ് ചെയ്യാൻ കഴിയും.

  • നിങ്ങൾക്ക് ഒരു അടിസ്ഥാന മാതൃക പരിശീലിപ്പിക്കാൻ കഴിയും.

  • ഓവർഫിറ്റിംഗിനെക്കുറിച്ച് നിങ്ങൾക്ക് ലളിതമായ ഭാഷയിൽ വിശദീകരിക്കാം.

ഘട്ടം B – യഥാർത്ഥ ML പരിശീലനത്തിൽ സുഖം പ്രാപിക്കൂ 🔧

ലക്ഷ്യം: സാധാരണ പരാജയ രീതികളിൽ ആശ്ചര്യപ്പെടുന്നത് നിർത്തുക.

  • ഇന്റർമീഡിയറ്റ് എം‌എൽ വിഷയങ്ങളിലൂടെ പ്രവർത്തിക്കുക: നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ, ചോർച്ച, പൈപ്പ്‌ലൈനുകൾ, സിവി.

  • സ്കൈകിറ്റ്-ലേൺ ഉപയോക്തൃ ഗൈഡ് വിഭാഗങ്ങൾ ഒഴിവാക്കി സ്നിപ്പെറ്റുകൾ പ്രവർത്തിപ്പിക്കുക. [3]

  • പ്രോജക്റ്റ് ആശയം: സംരക്ഷിച്ച മോഡൽ + മൂല്യനിർണ്ണയ റിപ്പോർട്ട് ഉള്ള ഒരു ലളിതമായ എൻഡ്-ടു-എൻഡ് പൈപ്പ്‌ലൈൻ.

ഘട്ടം സി – മാന്ത്രികത പോലെ തോന്നാത്ത ആഴത്തിലുള്ള പഠനം 🧙♂️

ലക്ഷ്യം: ഒരു ന്യൂറൽ നെറ്റിനെ പരിശീലിപ്പിക്കുകയും പരിശീലന ലൂപ്പ് മനസ്സിലാക്കുകയും ചെയ്യുക.

  • PyTorch “Learn the Basics” പാത്ത് (ടെൻസറുകൾ → ഡാറ്റാസെറ്റുകൾ/ഡാറ്റലോഡറുകൾ → പരിശീലനം/eval → സേവിംഗ്) ചെയ്യുക. [4]

  • വേഗതയും പ്രായോഗികതയും വേണമെങ്കിൽ fast.ai-യുമായി ജോടിയാക്കാം.

  • പ്രോജക്റ്റ് ആശയം: ഇമേജ് ക്ലാസിഫയർ, സെന്റിമെന്റ് മോഡൽ, അല്ലെങ്കിൽ ഒരു ചെറിയ ട്രാൻസ്ഫോർമർ ഫൈൻ-ട്യൂൺ.

ഘട്ടം D – യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്ന ജനറേറ്റീവ് AI ആപ്പുകൾ ✨

ലക്ഷ്യം: ആളുകൾ ഉപയോഗിക്കുന്ന എന്തെങ്കിലും നിർമ്മിക്കുക.

  • എംബെഡിംഗുകൾ, വീണ്ടെടുക്കൽ, സുരക്ഷിതമായ തലമുറകൾ എന്നിവയ്ക്കായി ഒരു പ്രായോഗിക LLM കോഴ്‌സ് + ഒരു വെണ്ടർ ക്വിക്ക്സ്റ്റാർട്ട് പിന്തുടരുക.

  • പ്രോജക്റ്റ് ആശയം: നിങ്ങളുടെ ഒരു ചോദ്യോത്തര ബോട്ട് (ചങ്ക് → എംബഡ് → വീണ്ടെടുക്കൽ → ഉദ്ധരണികളോടെ ഉത്തരം), അല്ലെങ്കിൽ ടൂൾ കോളുകൾ ഉള്ള ഒരു ഉപഭോക്തൃ-പിന്തുണ സഹായി.

"ഗണിത" ഭാഗം - മുഴുവൻ ഭക്ഷണവും പഠിക്കുന്നതുപോലെയല്ല, മറിച്ച് രുചി കൂട്ടുന്നതുപോലെ പഠിക്കുക 🧂

കണക്ക് പ്രധാനമാണ്, പക്ഷേ സമയം കൂടുതൽ പ്രധാനമാണ്.

ആരംഭിക്കേണ്ട ഏറ്റവും കുറഞ്ഞ പ്രായോഗിക ഗണിതം:

  • ലീനിയർ ആൾജിബ്ര: വെക്‌ടറുകൾ, മാട്രിക്സുകൾ, ഡോട്ട് പ്രോഡക്റ്റുകൾ (എംബഡിംഗുകൾക്കുള്ള അവബോധം). [2]

  • കാൽക്കുലസ്: ഡെറിവേറ്റീവ് ഇൻക്യുഷൻ (ചരിവുകൾ → ഗ്രേഡിയന്റുകൾ). [1]

  • സാധ്യത: വിതരണങ്ങൾ, പ്രതീക്ഷ, അടിസ്ഥാന ബയേസ്-ഇഷ് ചിന്ത. [1]

പിന്നീട് കൂടുതൽ ഔപചാരികമായ ഒരു അടിസ്ഥാന പാഠം വേണമെങ്കിൽ, അടിസ്ഥാനകാര്യങ്ങൾക്കായുള്ള CS229 കുറിപ്പുകളും ആധുനിക വിഷയങ്ങൾക്കായുള്ള MIT യുടെ ആമുഖ ആഴത്തിലുള്ള പഠനവും പരിശോധിക്കുക. [1][2]

നിങ്ങൾ എന്താണ് ചെയ്യുന്നതെന്ന് നിങ്ങൾക്ക് അറിയാമെന്ന് തോന്നിപ്പിക്കുന്ന പ്രോജക്ടുകൾ 😄

കളിപ്പാട്ട ഡാറ്റാസെറ്റുകളിൽ ക്ലാസിഫയറുകൾ മാത്രം നിർമ്മിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് കുടുങ്ങിപ്പോകും. യഥാർത്ഥ ജോലിയുമായി സാമ്യമുള്ള പ്രോജക്ടുകൾ പരീക്ഷിച്ചുനോക്കൂ:

  • ബേസ്‌ലൈൻ-ഫസ്റ്റ് എം‌എൽ പ്രോജക്റ്റ് (scikit-learn): ക്ലീൻ ഡാറ്റ → ശക്തമായ ബേസ്‌ലൈൻ → പിശക് വിശകലനം. [3]

  • LLM + വീണ്ടെടുക്കൽ ആപ്പ്: ഇൻജെസ്റ്റ് ഡോക്സ് → ചങ്ക് → എംബഡ് → വീണ്ടെടുക്കുക → സൈറ്റേഷനുകൾ ഉപയോഗിച്ച് ഉത്തരങ്ങൾ സൃഷ്ടിക്കുക.

  • മോഡൽ മോണിറ്ററിംഗ് മിനി-ഡാഷ്‌ബോർഡ്: ലോഗ് ഇൻപുട്ടുകൾ/ഔട്ട്‌പുട്ടുകൾ; ഡ്രിഫ്റ്റ്-ഇഷ് സിഗ്നലുകൾ ട്രാക്ക് ചെയ്യുക (ലളിതമായ സ്ഥിതിവിവരക്കണക്കുകൾ പോലും സഹായിക്കും).

  • ഉത്തരവാദിത്തമുള്ള AI മിനി-ഓഡിറ്റ്: ഡോക്യുമെന്റ് അപകടസാധ്യതകൾ, എഡ്ജ് കേസുകൾ, പരാജയ പ്രത്യാഘാതങ്ങൾ; ഭാരം കുറഞ്ഞ ഒരു ചട്ടക്കൂട് ഉപയോഗിക്കുക. [5]

ഉത്തരവാദിത്തമുള്ളതും പ്രായോഗികവുമായ വിന്യാസം (അതെ, സോളോ ബിൽഡർമാർക്ക് പോലും) 🧯

യാഥാർത്ഥ്യ പരിശോധന: മികച്ച ഡെമോകൾ എളുപ്പമാണ്; വിശ്വസനീയമായ സംവിധാനങ്ങൾ അങ്ങനെയല്ല.

  • ഒരു ചെറിയ "മോഡൽ കാർഡ്" ശൈലിയിലുള്ള README സൂക്ഷിക്കുക: ഡാറ്റ ഉറവിടങ്ങൾ, മെട്രിക്കുകൾ, അറിയപ്പെടുന്ന പരിധികൾ, അപ്‌ഡേറ്റ് കാഡൻസ്.

  • അടിസ്ഥാന ഗാർഡ്‌റെയിലുകൾ ചേർക്കുക (നിരക്ക് പരിധികൾ, ഇൻപുട്ട് മൂല്യനിർണ്ണയം, ദുരുപയോഗ നിരീക്ഷണം).

  • ഉപയോക്താവിനെ ബാധിക്കുന്നതോ പരിണതഫലമായി ഉണ്ടാകുന്നതോ ആയ ഏതൊരു കാര്യത്തിനും, അപകടസാധ്യത അടിസ്ഥാനമാക്കിയുള്ള സമീപനം ഉപയോഗിക്കുക: ദോഷങ്ങൾ തിരിച്ചറിയുക, എഡ്ജ് കേസുകൾ പരിശോധിക്കുക, ഡോക്യുമെന്റ് ലഘൂകരണങ്ങൾ നടത്തുക. NIST AI RMF ഇതിനായി കൃത്യമായി നിർമ്മിച്ചതാണ്. [5]

സാധാരണ അപകടങ്ങൾ (അതിനാൽ നിങ്ങൾക്ക് അവ ഒഴിവാക്കാൻ കഴിയും) 🧨

  • ട്യൂട്ടോറിയൽ ഹോപ്പിംഗ് - "ഒരു കോഴ്‌സ് കൂടി" എന്നത് നിങ്ങളുടെ മുഴുവൻ വ്യക്തിത്വമായി മാറുന്നു.

  • ഏറ്റവും ബുദ്ധിമുട്ടുള്ള വിഷയത്തിൽ നിന്നാണ് തുടങ്ങുന്നത് - ട്രാൻസ്‌ഫോർമറുകൾ രസകരമാണ്, പക്ഷേ അടിസ്ഥാന കാര്യങ്ങൾക്ക് വാടക നൽകണം.

  • വിലയിരുത്തൽ അവഗണിക്കൽ - കൃത്യത മാത്രമാണ് ശരിയായ മുഖഭാവം കൊണ്ട് ഉദ്ദേശിക്കുന്നത്. ജോലിക്ക് ശരിയായ മെട്രിക് ഉപയോഗിക്കുക. [3]

  • കാര്യങ്ങൾ എഴുതി വയ്ക്കരുത് - ചെറിയ കുറിപ്പുകൾ സൂക്ഷിക്കുക: എന്താണ് പരാജയപ്പെട്ടത്, എന്താണ് മാറിയത്, എന്താണ് മെച്ചപ്പെട്ടത്.

  • വിന്യാസ പരിശീലനമില്ല - ഒരു ലളിതമായ ആപ്പ് റാപ്പർ പോലും ധാരാളം കാര്യങ്ങൾ പഠിപ്പിക്കുന്നു.

  • അപകടസാധ്യതയെക്കുറിച്ച് ചിന്തിക്കുന്നത് ഒഴിവാക്കുക - ഷിപ്പ് ചെയ്യുന്നതിന് മുമ്പ് സാധ്യതയുള്ള ദോഷങ്ങളെക്കുറിച്ച് രണ്ട് ബുള്ളറ്റുകൾ എഴുതുക. [5]

അന്തിമ പരാമർശങ്ങൾ – വളരെ ദൈർഘ്യമേറിയതാണ്, ഞാൻ അത് വായിച്ചില്ല 😌

AI എങ്ങനെ പഠിക്കാം എന്ന് ചോദിക്കുകയാണെങ്കിൽ , ഏറ്റവും ലളിതമായ വിജയ പാചകക്കുറിപ്പ് ഇതാ:

  • പ്രായോഗിക എം.എൽ. അടിസ്ഥാനകാര്യങ്ങൾ (കോം‌പാക്റ്റ് ഇൻട്രോ + കാഗിൾ-സ്റ്റൈൽ പ്രാക്ടീസ്) ഉപയോഗിച്ച് ആരംഭിക്കുക

  • യഥാർത്ഥ ML വർക്ക്ഫ്ലോകളും മെട്രിക്സുകളും പഠിക്കാൻ scikit-learn ഉപയോഗിക്കുക

  • ആഴത്തിലുള്ള പഠനത്തിനും പരിശീലന ലൂപ്പുകൾക്കുമായി PyTorch- ലേക്ക് മാറുക

  • ഒരു പ്രായോഗിക കോഴ്‌സും API ക്വിക്ക്സ്റ്റാർട്ടുകളും ഉപയോഗിച്ച് LLM കഴിവുകൾ ചേർക്കുക

  • ഡാറ്റ തയ്യാറാക്കൽ, മോഡലിംഗ്, വിലയിരുത്തൽ, ഒരു ലളിതമായ "ഉൽപ്പന്ന" റാപ്പർ എന്നിവ കാണിക്കുന്ന 3–5 പ്രോജക്ടുകൾ നിർമ്മിക്കുക

  • റിസ്ക്/ഗവേണൻസ് എന്നിവ ഒരു ഓപ്ഷണൽ അധികമായിട്ടല്ല, മറിച്ച് "പൂർത്തിയായി" എന്നതിന്റെ ഭാഗമായി കണക്കാക്കുക

അതെ, ചിലപ്പോഴൊക്കെ നിങ്ങൾക്ക് വഴിതെറ്റിയതായി തോന്നും. അത് സാധാരണമാണ്. AI ഒരു ടോസ്റ്ററിനെ വായിക്കാൻ പഠിപ്പിക്കുന്നത് പോലെയാണ് - അത് പ്രവർത്തിക്കുമ്പോൾ അത് അതിശയകരമാണ്, അല്ലാത്തപ്പോൾ അൽപ്പം ഭയപ്പെടുത്തുന്നതാണ്, കൂടാതെ മറ്റാരും സമ്മതിക്കുന്നതിനേക്കാൾ കൂടുതൽ ആവർത്തനങ്ങൾ ഇതിന് ആവശ്യമാണ് 😵💫

അവലംബം

[1] സ്റ്റാൻഫോർഡ് CS229 ലെക്ചർ നോട്ടുകൾ. (കോർ ML ഫണ്ടമെന്റൽസ്, സൂപ്പർവൈസ്ഡ് ലേണിംഗ്, പ്രോബബിലിസ്റ്റിക് ഫ്രെയിമിംഗ്).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: ആഴത്തിലുള്ള പഠനത്തിലേക്കുള്ള ആമുഖം. (ആഴത്തിലുള്ള പഠന അവലോകനം, ആധുനിക വിഷയങ്ങൾ ഉൾപ്പെടെ. LLMs).
https://introtodeeplearning.com/

[3] സ്കൈകിറ്റ്-ലേൺ: മോഡൽ മൂല്യനിർണ്ണയവും മെട്രിക്സും. (കൃത്യത, കൃത്യത/വീണ്ടെടുക്കൽ, ROC-AUC, മുതലായവ).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] പൈടോർച്ച് ട്യൂട്ടോറിയലുകൾ – അടിസ്ഥാനകാര്യങ്ങൾ പഠിക്കുക. (ടെൻസറുകൾ, ഡാറ്റാസെറ്റുകൾ/ഡാറ്റലോഡറുകൾ, പരിശീലനം/ഇവൽ ലൂപ്പുകൾ).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] NIST AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക് (AI RMF 1.0). (റിസ്ക് അടിസ്ഥാനമാക്കിയുള്ള, വിശ്വസനീയമായ AI മാർഗ്ഗനിർദ്ദേശം).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

അധിക ഉറവിടങ്ങൾ (ക്ലിക്കുചെയ്യാവുന്നത്)

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്

ബ്ലോഗിലേക്ക് മടങ്ങുക