കൃത്രിമബുദ്ധി വളരെ വലുതും അൽപ്പം നിഗൂഢവുമായി തോന്നുന്നു. സന്തോഷവാർത്ത: യഥാർത്ഥ പുരോഗതി കൈവരിക്കാൻ നിങ്ങൾക്ക് രഹസ്യ ഗണിത ശക്തികളോ GPU-കൾ നിറഞ്ഞ ഒരു ലാബോ ആവശ്യമില്ല. AI എങ്ങനെ പഠിക്കണമെന്ന് , പൂജ്യത്തിൽ നിന്ന് പോർട്ട്ഫോളിയോ-റെഡി പ്രോജക്റ്റുകൾ നിർമ്മിക്കുന്നതിനുള്ള വ്യക്തമായ പാത ഈ ഗൈഡ് നിങ്ങൾക്ക് നൽകുന്നു. അതെ, വിഭവങ്ങൾ, പഠന തന്ത്രങ്ങൾ, കഠിനാധ്വാനം ചെയ്ത കുറച്ച് കുറുക്കുവഴികൾ എന്നിവ ഞങ്ങൾ ഇവിടെ ഉൾപ്പെടുത്തും. നമുക്ക് പോകാം.
🔗 AI എങ്ങനെ പഠിക്കുന്നു?
മെഷീനുകളെ പഠിപ്പിക്കുന്ന അൽഗോരിതങ്ങൾ, ഡാറ്റ, ഫീഡ്ബാക്ക് എന്നിവയുടെ അവലോകനം.
🔗 എന്തും വേഗത്തിൽ പഠിക്കാൻ സഹായിക്കുന്ന മികച്ച AI പഠന ഉപകരണങ്ങൾ
പഠനം, പരിശീലനം, വൈദഗ്ധ്യം എന്നിവ ത്വരിതപ്പെടുത്തുന്നതിന് ക്യൂറേറ്റ് ചെയ്ത ആപ്പുകൾ.
🔗 ഭാഷാ പഠനത്തിനുള്ള മികച്ച AI ഉപകരണങ്ങൾ
പദാവലി, വ്യാകരണം, സംസാരം, ഗ്രാഹ്യ പരിശീലനം എന്നിവ വ്യക്തിഗതമാക്കുന്ന ആപ്പുകൾ.
🔗 ഉന്നത വിദ്യാഭ്യാസം, പഠനം, ഭരണം എന്നിവയ്ക്കുള്ള മികച്ച AI ഉപകരണങ്ങൾ
അധ്യാപനം, വിലയിരുത്തൽ, വിശകലനം, ക്യാമ്പസ് പ്രവർത്തനങ്ങളുടെ കാര്യക്ഷമത എന്നിവയെ പിന്തുണയ്ക്കുന്ന പ്ലാറ്റ്ഫോമുകൾ.
AI എങ്ങനെ പഠിക്കാം ✅
ഒരു നല്ല പഠന പദ്ധതി ഒരു ബലമുള്ള ടൂൾബോക്സ് പോലെയാണ്, ഒരു അനാവശ്യമായ ഡ്രോയർ പോലെയല്ല. അത്:
-
ഓരോ പുതിയ ബ്ലോക്കും അവസാനത്തേതിൽ വൃത്തിയായി ഇരിക്കുന്ന തരത്തിൽ ക്രമപ്പെടുത്തൽ കഴിവുകൾ
-
ആദ്യം പരിശീലനത്തിനും, രണ്ടാമത്തേത് സിദ്ധാന്തത്തിനും മുൻഗണന നൽകുക - പക്ഷേ ഒരിക്കലും അങ്ങനെ ചെയ്യരുത് .
-
യഥാർത്ഥ മനുഷ്യർക്ക് കാണിച്ചുകൊടുക്കാൻ കഴിയുന്ന യഥാർത്ഥ പദ്ധതികളിലേക്ക് ആങ്കർ ചെയ്യുക
-
പൊട്ടുന്ന ശീലങ്ങൾ പഠിപ്പിക്കാത്ത ആധികാരിക ഉറവിടങ്ങൾ ഉപയോഗിക്കുക
-
ചെറുതും ആവർത്തിക്കാവുന്നതുമായ ദിനചര്യകൾ ഉപയോഗിച്ച് നിങ്ങളുടെ ജീവിതം പൊരുത്തപ്പെടുത്തുക
-
ഫീഡ്ബാക്ക് ലൂപ്പുകൾ, ബെഞ്ച്മാർക്കുകൾ, കോഡ് അവലോകനങ്ങൾ എന്നിവയിൽ നിങ്ങളെ സത്യസന്ധത പുലർത്തുക
നിങ്ങളുടെ പദ്ധതി ഇവ നൽകുന്നില്ലെങ്കിൽ, അത് വെറും വൈബുകൾ മാത്രമാണ്. സ്ഥിരമായി നൽകുന്ന ശക്തമായ ആങ്കറുകൾ: അടിസ്ഥാനകാര്യങ്ങൾക്കും ദർശനത്തിനുമായി സ്റ്റാൻഫോർഡിന്റെ CS229/CS231n, MIT യുടെ ലീനിയർ ആൾജിബ്രയും ആഴത്തിലുള്ള പഠനത്തിലേക്കുള്ള ആമുഖവും, പ്രായോഗിക വേഗതയ്ക്കായി fast.ai, ആധുനിക NLP/ട്രാൻസ്ഫോർമറുകൾക്കുള്ള ഹഗ്ഗിംഗ് ഫേസിന്റെ LLM കോഴ്സ്, പ്രായോഗിക API പാറ്റേണുകൾക്കുള്ള OpenAI കുക്ക്ബുക്ക് [1–5].
ചെറിയ ഉത്തരം: AI റോഡ്മാപ്പ് എങ്ങനെ പഠിക്കാം 🗺️
-
അപകടകരമാകാൻ പൈത്തൺ + നോട്ട്ബുക്കുകൾ പഠിക്കൂ
-
: ലീനിയർ ബീജഗണിതം, സാധ്യത, ഒപ്റ്റിമൈസേഷൻ എന്നിവയുടെ അടിസ്ഥാനകാര്യങ്ങൾ നന്നായി പഠിക്കുക
-
ചെറിയ ML പ്രോജക്ടുകൾ അവസാനം മുതൽ അവസാനം വരെ ചെയ്യുക: ഡാറ്റ, മോഡൽ, മെട്രിക്സ്, ആവർത്തനം.
-
ആഴത്തിലുള്ള പഠനത്തിലൂടെ ലെവൽ അപ്പ് : സിഎൻഎന്നുകൾ, ട്രാൻസ്ഫോർമറുകൾ, പരിശീലന ചലനാത്മകത.
-
ഒരു പാത തിരഞ്ഞെടുക്കുക : ദർശനം, NLP, ശുപാർശ ചെയ്യുന്ന സംവിധാനങ്ങൾ, ഏജന്റുമാർ, സമയ ശ്രേണി.
-
ക്ലീൻ റിപ്പോകൾ, README-കൾ, ഡെമോകൾ എന്നിവ ഉപയോഗിച്ച് പോർട്ട്ഫോളിയോ പ്രോജക്ടുകൾ ഷിപ്പ് ചെയ്യുക
-
മടിയൻമാരായ രീതിയിൽ പേപ്പറുകൾ വായിച്ച് ചെറിയ ഫലങ്ങൾ ആവർത്തിക്കുക.
-
ഒരു പഠന ലൂപ്പ് നിലനിർത്തുക : വിലയിരുത്തുക, റീഫാക്ടർ ചെയ്യുക, രേഖപ്പെടുത്തുക, പങ്കിടുക.
ഗണിതത്തിന്, MIT യുടെ ലീനിയർ ആൾജിബ്ര ഒരു കരുത്തുറ്റ ആങ്കറാണ്, ബാക്ക്പ്രോപ്പ്, റെഗുലറൈസേഷൻ അല്ലെങ്കിൽ ഒപ്റ്റിമൈസേഷൻ സൂക്ഷ്മതകളിൽ കുടുങ്ങിപ്പോകുമ്പോൾ ഗുഡ്ഫെലോ–ബെൻജിയോ–കോർവില്ലെ ടെക്സ്റ്റ് ഒരു വിശ്വസനീയമായ റഫറൻസാണ് [2, 5].
വളരെയധികം ആഴത്തിൽ പോകുന്നതിന് മുമ്പുള്ള നൈപുണ്യ ചെക്ക്ലിസ്റ്റ് 🧰
-
പൈത്തൺ : ഫംഗ്ഷനുകൾ, ക്ലാസുകൾ, ലിസ്റ്റ്/ഡിക്റ്റ് കോമ്പുകൾ, വെർച്വൽ എൻവിഎസ്, അടിസ്ഥാന പരിശോധനകൾ.
-
ഡാറ്റ കൈകാര്യം ചെയ്യൽ : പാണ്ടകൾ, നംപി, പ്ലോട്ടിംഗ്, ലളിതമായ ഇഡിഎ.
-
നിങ്ങൾ യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന ഗണിതം : വെക്റ്ററുകൾ, മാട്രിക്സുകൾ, ഐജൻ-ഇന്റ്യൂഷൻ, ഗ്രേഡിയന്റുകൾ, പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷനുകൾ, ക്രോസ്-എൻട്രോപ്പി, റെഗുലറൈസേഷൻ.
-
ടൂളിംഗ് : Git, GitHub പ്രശ്നങ്ങൾ, Jupyter, GPU നോട്ട്ബുക്കുകൾ, നിങ്ങളുടെ റൺസ് ലോഗിൻ ചെയ്യുന്നു.
-
മാനസികാവസ്ഥ : രണ്ടുതവണ അളക്കുക, ഒരിക്കൽ അയയ്ക്കുക; വൃത്തികെട്ട ഡ്രാഫ്റ്റുകൾ സ്വീകരിക്കുക; ആദ്യം നിങ്ങളുടെ ഡാറ്റ ശരിയാക്കുക.
വേഗത്തിലുള്ള വിജയങ്ങൾ: fast.ai യുടെ ടോപ്പ്-ഡൌൺ സമീപനം ഉപയോഗപ്രദമായ മോഡലുകളെ നേരത്തെ പരിശീലിപ്പിക്കുന്നു, അതേസമയം കാഗിളിന്റെ ബൈറ്റ്-സൈസ് പാഠങ്ങൾ പാണ്ടകൾക്കും ബേസ്ലൈനുകൾക്കും മസിൽ മെമ്മറി വർദ്ധിപ്പിക്കുന്നു [3].
താരതമ്യ പട്ടിക: പഠന പാതകൾ പഠിക്കുന്നതിനുള്ള ജനപ്രിയ രീതികൾ
ചെറിയ പ്രത്യേകതകളും ഉൾപ്പെടുന്നു - കാരണം യഥാർത്ഥ മേശകൾ അപൂർവ്വമായി മാത്രമേ വൃത്തിയായി സൂക്ഷിക്കൂ.
| ഉപകരണം / കോഴ്സ് | ഏറ്റവും മികച്ചത് | വില | ഇത് എന്തുകൊണ്ട് പ്രവർത്തിക്കുന്നു / കുറിപ്പുകൾ |
|---|---|---|---|
| സ്റ്റാൻഫോർഡ് CS229 / CS231n | സോളിഡ് തിയറി + വിഷൻ ഡെപ്ത് | സൗ ജന്യം | എംഎൽ ഫൗണ്ടേഷനുകൾ + സിഎൻഎൻ പരിശീലന വിശദാംശങ്ങൾ വൃത്തിയാക്കുക; പിന്നീട് പ്രോജക്റ്റുകളുമായി ജോടിയാക്കുക [1]. |
| MIT ആമുഖം DL + 18.06 | ആശയം മുതൽ പ്രാക്ടീസ് വരെയുള്ള പാലം | സൗ ജന്യം | സംക്ഷിപ്ത DL പ്രഭാഷണങ്ങൾ + എംബെഡിംഗുകൾ മുതലായവയിലേക്ക് മാപ്പ് ചെയ്യുന്ന കർശനമായ രേഖീയ ബീജഗണിതം [2]. |
| fast.ai പ്രാക്ടിക്കൽ ഡിഎൽ | ചെയ്തുകൊണ്ട് പഠിക്കുന്ന ഹാക്കർമാർ | സൗ ജന്യം | പ്രോജക്ടുകൾ ആദ്യം, ആവശ്യമുള്ളിടത്തോളം കുറഞ്ഞ ഗണിതം; വളരെ പ്രചോദനാത്മകമായ ഫീഡ്ബാക്ക് ലൂപ്പുകൾ [3]. |
| ഹഗ്ഗിംഗ് ഫേസ് എൽഎൽഎം കോഴ്സ് | ട്രാൻസ്ഫോർമറുകൾ + ആധുനിക NLP സ്റ്റാക്ക് | സൗ ജന്യം | ടോക്കണൈസറുകൾ, ഡാറ്റാസെറ്റുകൾ, ഹബ്; പ്രായോഗിക ഫൈൻ-ട്യൂണിംഗ്/അനുമാന വർക്ക്ഫ്ലോകൾ എന്നിവ പഠിപ്പിക്കുന്നു [4]. |
| ഓപ്പൺഎഐ പാചകക്കുറിപ്പ് | ഫൗണ്ടേഷൻ മോഡലുകൾ ഉപയോഗിക്കുന്ന നിർമ്മാതാക്കൾ | സൗ ജന്യം | പ്രൊഡക്ഷൻ-ഇഷ് ജോലികൾക്കും ഗാർഡ്റെയിലുകൾക്കുമുള്ള പ്രവർത്തിപ്പിക്കാവുന്ന പാചകക്കുറിപ്പുകളും പാറ്റേണുകളും [5]. |
ഡീപ് ഡൈവ് 1: ആദ്യ മാസം - പൂർണതയെക്കാൾ മികച്ച പ്രോജക്ടുകൾ 🧪
രണ്ട് ചെറിയ പ്രോജക്ടുകളിൽ നിന്ന് ആരംഭിക്കുക. ഗൗരവമായി പറഞ്ഞാൽ ചെറുത്:
-
ടാബുലാർ ബേസ്ലൈൻ : ഒരു പബ്ലിക് ഡാറ്റാസെറ്റ് ലോഡ് ചെയ്യുക, ട്രെയിൻ/ടെസ്റ്റ് വിഭജിക്കുക, ലോജിസ്റ്റിക് റിഗ്രഷൻ അല്ലെങ്കിൽ ഒരു ചെറിയ ട്രീ ഫിറ്റ് ചെയ്യുക, മെട്രിക്സ് ട്രാക്ക് ചെയ്യുക, എന്താണ് പരാജയപ്പെട്ടതെന്ന് എഴുതുക.
-
ടെക്സ്റ്റ് അല്ലെങ്കിൽ ഇമേജ് കളിപ്പാട്ടം : ഒരു ചെറിയ ഡാറ്റാ കഷണത്തിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച ഒരു ചെറിയ മോഡൽ ഫൈൻ-ട്യൂൺ ചെയ്യുക. ഡോക്യുമെന്റ് പ്രീപ്രോസസ്സിംഗ്, പരിശീലന സമയം, ട്രേഡ്ഓഫുകൾ.
ഈ രീതിയിൽ തുടങ്ങുന്നത് എന്തുകൊണ്ട്? ആദ്യകാല വിജയങ്ങൾ ആക്കം സൃഷ്ടിക്കുന്നു. ഡാറ്റ ക്ലീനിംഗ്, ഫീച്ചർ ചോയ്സുകൾ, വിലയിരുത്തൽ, ആവർത്തനം എന്നിവ പോലുള്ള വർക്ക്ഫ്ലോ ഗ്ലൂ നിങ്ങൾ പഠിക്കും. fast.ai യുടെ ടോപ്പ്-ഡൌൺ പാഠങ്ങളും കഗ്ഗിളിന്റെ ഘടനാപരമായ നോട്ട്ബുക്കുകളും ഈ “ആദ്യം ഷിപ്പ് ചെയ്യുക, അടുത്തതായി കൂടുതൽ ആഴത്തിൽ മനസ്സിലാക്കുക” എന്ന കാഡൻസിനെ കൃത്യമായി ശക്തിപ്പെടുത്തുന്നു [3].
മിനി-കേസ് (ജോലി കഴിഞ്ഞ് രണ്ടാഴ്ച): ഒരു ജൂനിയർ അനലിസ്റ്റ് 1 ആഴ്ചയിൽ ഒരു ചർൺ ബേസ്ലൈൻ (ലോജിസ്റ്റിക് റിഗ്രഷൻ) നിർമ്മിച്ചു, തുടർന്ന് 2 ആഴ്ചയിൽ റെഗുലറൈസേഷനും മികച്ച സവിശേഷതകളും മാറ്റിസ്ഥാപിച്ചു. ഒരു ഉച്ചകഴിഞ്ഞ് ഫീച്ചർ പ്രൂണിംഗ് ഉള്ള മോഡൽ AUC +7 പോയിന്റുകൾ - ഫാൻസി ആർക്കിടെക്ചറുകൾ ആവശ്യമില്ല.
ഡീപ്പ് ഡൈവ് 2: കണ്ണുനീർ ഇല്ലാതെ ഗണിതം - മതിയായ സിദ്ധാന്തം 📐
ശക്തമായ സംവിധാനങ്ങൾ നിർമ്മിക്കാൻ നിങ്ങൾക്ക് എല്ലാ സിദ്ധാന്തങ്ങളും ആവശ്യമില്ല. തീരുമാനങ്ങളെ അറിയിക്കുന്ന ബിറ്റുകൾ നിങ്ങൾക്ക് ആവശ്യമാണ്:
-
എംബെഡിംഗുകൾ, ശ്രദ്ധ, ഒപ്റ്റിമൈസേഷൻ ജ്യാമിതി എന്നിവയ്ക്കുള്ള ലീനിയർ ബീജഗണിതം
-
അനിശ്ചിതത്വം, ക്രോസ്-എൻട്രോപ്പി, കാലിബ്രേഷൻ, പ്രിയോറുകൾ എന്നിവയ്ക്കുള്ള സാധ്യത
-
പഠന നിരക്കുകൾക്കായുള്ള ഒപ്റ്റിമൈസേഷൻ
MIT 18.06 ഒരു പ്രയോഗ-ആദ്യ ആർക്ക് നൽകുന്നു. ആഴത്തിലുള്ള വലകളിൽ കൂടുതൽ ആശയപരമായ ആഴം ആവശ്യമുള്ളപ്പോൾ, ഒരു നോവലായിട്ടല്ല, മറിച്ച് ഒരു റഫറൻസായി ഡീപ് ലേണിംഗ്
മൈക്രോ-ഹാബിറ്റ്: ഒരു ദിവസം പരമാവധി 20 മിനിറ്റ് ഗണിതം. പിന്നീട് കോഡിലേക്ക് മടങ്ങുക. പ്രായോഗികമായി പ്രശ്നം പരിഹരിച്ചുകഴിഞ്ഞാൽ സിദ്ധാന്തം കൂടുതൽ നന്നായി നിലനിൽക്കും.
ഡീപ് ഡൈവ് 3: മോഡേൺ എൻഎൽപിയും എൽഎൽഎമ്മുകളും - ട്രാൻസ്ഫോർമർ ടേൺ 💬
ഇന്നത്തെ മിക്ക ടെക്സ്റ്റ് സിസ്റ്റങ്ങളും ട്രാൻസ്ഫോർമറുകളെ ആശ്രയിക്കുന്നു. കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ:
-
ഹഗ്ഗിംഗ് ഫേസ് പ്രവർത്തിക്കുക : ടോക്കണൈസേഷൻ, ഡാറ്റാസെറ്റുകൾ, ഹബ്, ഫൈൻ-ട്യൂണിംഗ്, ഇൻഫറൻസ്.
-
ഒരു പ്രായോഗിക ഡെമോ അയയ്ക്കുക: നിങ്ങളുടെ കുറിപ്പുകളിൽ വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച QA, ഒരു ചെറിയ മോഡലിനൊപ്പം വികാര വിശകലനം, അല്ലെങ്കിൽ ഒരു ഭാരം കുറഞ്ഞ സംഗ്രഹം.
-
പ്രധാനപ്പെട്ടവ ട്രാക്ക് ചെയ്യുക: ലേറ്റൻസി, ചെലവ്, കൃത്യത, ഉപയോക്തൃ ആവശ്യങ്ങൾക്കനുസൃതമായി വിന്യാസം.
HF കോഴ്സ് പ്രായോഗികവും പരിസ്ഥിതി വ്യവസ്ഥയെക്കുറിച്ചുള്ള അവബോധമുള്ളതുമാണ്, ഇത് ടൂൾ ചോയ്സുകളിൽ യാക്ക്-ഷേവിംഗ് സംരക്ഷിക്കുന്നു [4]. കോൺക്രീറ്റ് API പാറ്റേണുകൾക്കും ഗാർഡ്റെയിലുകൾക്കും (പ്രോംപ്റ്റിംഗ്, മൂല്യനിർണ്ണയ സ്കാർഫോൾഡുകൾ), ഓപ്പൺഎഐ കുക്ക്ബുക്ക് പ്രവർത്തിപ്പിക്കാവുന്ന ഉദാഹരണങ്ങളാൽ നിറഞ്ഞിരിക്കുന്നു [5].
ഡീപ് ഡൈവ് 4: പിക്സലുകളിൽ മുങ്ങാതെയുള്ള വിഷൻ ബേസിക്സ് 👁️
ദർശന ജിജ്ഞാസയുണ്ടോ? CS231n ലെക്ചറുകൾ ജോടിയാക്കുക: ഒരു കസ്റ്റം ഡാറ്റാസെറ്റ് തരംതിരിക്കുക അല്ലെങ്കിൽ ഒരു നിച്ച് വിഭാഗത്തിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡൽ ഫൈൻ-ട്യൂൺ ചെയ്യുക. എക്സോട്ടിക് ആർക്കിടെക്ചറുകളെ വേട്ടയാടുന്നതിന് മുമ്പ് ഡാറ്റ ഗുണനിലവാരം, വർദ്ധനവ്, വിലയിരുത്തൽ എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക. കൺവേർഷനുകൾ, അവശിഷ്ടങ്ങൾ, പരിശീലന ഹ്യൂറിസ്റ്റിക്സ് എന്നിവ യഥാർത്ഥത്തിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന് CS231n ഒരു വിശ്വസനീയമായ നോർത്ത് സ്റ്റാർ ആണ് [1].
കണ്ണുതുറക്കാതെ ഗവേഷണം വായിക്കുന്നു 📄
പ്രവർത്തിക്കുന്ന ഒരു ലൂപ്പ്:
-
ആദ്യം അമൂർത്തവും ചിത്രങ്ങളും വായിക്കുക
-
കഷണങ്ങൾക്ക് പേരിടാൻ വേണ്ടി മാത്രം രീതിയുടെ സമവാക്യങ്ങൾ ഒഴിവാക്കുക.
-
പരീക്ഷണങ്ങളിലേക്കും പരിമിതികളിലേക്കും കടക്കുക .
-
ഒരു കളിപ്പാട്ട ഡാറ്റാസെറ്റിൽ ഒരു മൈക്രോ-ഫലം പുനർനിർമ്മിക്കുക.
-
നിങ്ങൾക്ക് ഇപ്പോഴും ഒരു ചോദ്യമുണ്ടെങ്കിൽ രണ്ട് ഖണ്ഡികകളുള്ള ഒരു സംഗ്രഹം എഴുതുക.
ഇംപ്ലിമെന്റേഷനുകളോ അടിസ്ഥാനരേഖകളോ കണ്ടെത്താൻ, ക്രമരഹിത ബ്ലോഗുകൾക്കായി എത്തുന്നതിനുമുമ്പ് മുകളിലുള്ള ഉറവിടങ്ങളുമായി ബന്ധിപ്പിച്ചിരിക്കുന്ന കോഴ്സ് റിപ്പോകളും ഔദ്യോഗിക ലൈബ്രറികളും പരിശോധിക്കുക [1–5].
ചെറിയ ഒരു കുറ്റസമ്മതം: ചിലപ്പോൾ ഞാൻ ആദ്യം ഉപസംഹാരം വായിക്കും. യാഥാസ്ഥിതികമല്ല, പക്ഷേ വഴിമാറി സഞ്ചരിക്കുന്നത് മൂല്യവത്താണോ എന്ന് തീരുമാനിക്കാൻ ഇത് സഹായിക്കും.
നിങ്ങളുടെ വ്യക്തിഗത AI സ്റ്റാക്ക് നിർമ്മിക്കുന്നു 🧱
-
ഡാറ്റ വർക്ക്ഫ്ലോകൾ : വഴക്കിനുള്ള പാണ്ടകൾ, അടിസ്ഥാനരേഖകൾക്കായി സൈക്കിറ്റ്-ലേൺ.
-
ട്രാക്കിംഗ് : ഒരു ലളിതമായ സ്പ്രെഡ്ഷീറ്റോ ഭാരം കുറഞ്ഞ ഒരു പരീക്ഷണ ട്രാക്കറോ കുഴപ്പമില്ല.
-
സെർവിംഗ് : ആരംഭിക്കാൻ ഒരു ചെറിയ FastAPI ആപ്പ് അല്ലെങ്കിൽ ഒരു നോട്ട്ബുക്ക് ഡെമോ മതി.
-
വിലയിരുത്തൽ : വ്യക്തമായ അളവുകൾ, അബ്ലേഷനുകൾ, സാനിറ്റി പരിശോധനകൾ; ചെറി പറിക്കുന്നത് ഒഴിവാക്കുക.
അടിസ്ഥാനകാര്യങ്ങളിൽ വേഗത വർദ്ധിപ്പിക്കുന്നതിനും ഫീഡ്ബാക്ക് ഉപയോഗിച്ച് വേഗത്തിൽ ആവർത്തിക്കാൻ നിങ്ങളെ നിർബന്ധിക്കുന്നതിനും fast.ai, Kaggle എന്നിവയെ വിലകുറച്ച് കാണുന്നു [3].
റിക്രൂട്ട് ചെയ്യുന്നവരെ ആകർഷിക്കുന്ന പോർട്ട്ഫോളിയോ പ്രോജക്ടുകൾ 👍
വ്യത്യസ്ത ശക്തി കാണിക്കുന്ന മൂന്ന് പ്രോജക്ടുകൾ ലക്ഷ്യമിടുക:
-
ക്ലാസിക്കൽ ML ബേസ്ലൈൻ : ശക്തമായ EDA, സവിശേഷതകൾ, പിശക് വിശകലനം.
-
ആഴത്തിലുള്ള പഠന ആപ്പ് : ചിത്രം അല്ലെങ്കിൽ വാചകം, കുറഞ്ഞ വെബ് ഡെമോയോടെ.
-
LLM-ൽ പ്രവർത്തിക്കുന്ന ഉപകരണം : വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ചാറ്റ്ബോട്ട് അല്ലെങ്കിൽ മൂല്യനിർണ്ണയകൻ, വേഗത്തിലുള്ളതും ഡാറ്റ ശുചിത്വവും വ്യക്തമായി രേഖപ്പെടുത്തിയിട്ടുണ്ട്.
വ്യക്തമായ പ്രശ്ന പ്രസ്താവന, സജ്ജീകരണ ഘട്ടങ്ങൾ, ഡാറ്റ കാർഡുകൾ, മൂല്യനിർണ്ണയ പട്ടികകൾ, ഒരു ചെറിയ സ്ക്രീൻകാസ്റ്റ് എന്നിവ ഉപയോഗിച്ച് README-കൾ ഉപയോഗിക്കുക. നിങ്ങളുടെ മോഡലിനെ ലളിതമായ ഒരു അടിസ്ഥാനരേഖയുമായി താരതമ്യം ചെയ്യാൻ കഴിയുമെങ്കിൽ, അതിലും മികച്ചത്. നിങ്ങളുടെ പ്രോജക്റ്റിൽ ജനറേറ്റീവ് മോഡലുകളോ ഉപകരണ ഉപയോഗമോ ഉൾപ്പെടുമ്പോൾ പാചകക്കുറിപ്പ് പാറ്റേണുകൾ സഹായിക്കുന്നു [5].
ബേൺഔട്ട് തടയുന്ന പഠന ശീലങ്ങൾ ⏱️
-
പോമോഡോറോ ജോഡികൾ : 25 മിനിറ്റ് കോഡിംഗ്, എന്താണ് മാറിയതെന്ന് രേഖപ്പെടുത്താൻ 5 മിനിറ്റ്.
-
കോഡ് ജേണൽ : പരാജയപ്പെട്ട പരീക്ഷണങ്ങൾക്ക് ശേഷം ചെറിയ പോസ്റ്റ്മോർട്ടങ്ങൾ എഴുതുക.
-
ബോധപൂർവമായ പരിശീലനം : കഴിവുകൾ ഒറ്റപ്പെടുത്തുക (ഉദാഹരണത്തിന്, ഒരു ആഴ്ചയിൽ മൂന്ന് വ്യത്യസ്ത ഡാറ്റ ലോഡറുകൾ).
-
കമ്മ്യൂണിറ്റി ഫീഡ്ബാക്ക് : ആഴ്ചതോറുമുള്ള അപ്ഡേറ്റുകൾ പങ്കിടുക, കോഡ് അവലോകനങ്ങൾ ആവശ്യപ്പെടുക, ഒരു വിമർശനത്തിന് ഒരു ടിപ്പ് കൈമാറുക.
-
വീണ്ടെടുക്കൽ : അതെ, വിശ്രമം ഒരു കഴിവാണ്; നിങ്ങളുടെ ഭാവി ഉറക്കത്തിനുശേഷം മികച്ച കോഡ് എഴുതുന്നു.
പ്രചോദനത്തിന്റെ ഒഴുക്ക്. ചെറിയ വിജയങ്ങളും ദൃശ്യമായ പുരോഗതിയുമാണ് പശ.
ഒഴിവാക്കാൻ പറ്റുന്ന സാധാരണ അപകടങ്ങൾ 🧯
-
ഗണിത നീട്ടിവെക്കൽ : ഒരു ഡാറ്റാസെറ്റിൽ സ്പർശിക്കുന്നതിന് മുമ്പ് തെളിവുകൾ ബന്ധിപ്പിക്കൽ.
-
അനന്തമായ ട്യൂട്ടോറിയലുകൾ : 20 വീഡിയോകൾ കാണുക, ഒന്നും നിർമ്മിക്കരുത്.
-
ഷൈനി-മോഡൽ സിൻഡ്രോം : ഡാറ്റയോ നഷ്ടമോ പരിഹരിക്കുന്നതിന് പകരം ആർക്കിടെക്ചറുകൾ മാറ്റൽ.
-
വിലയിരുത്തൽ പദ്ധതിയില്ല : വിജയം എങ്ങനെ അളക്കുമെന്ന് നിങ്ങൾക്ക് പറയാൻ കഴിയുന്നില്ലെങ്കിൽ, നിങ്ങൾ അങ്ങനെ ചെയ്യില്ല.
-
കോപ്പി-പേസ്റ്റ് ലാബുകൾ : ടൈപ്പ് ചെയ്യുക, അടുത്ത ആഴ്ച എല്ലാം മറക്കുക.
-
ഓവർ-പോളിഷ് ചെയ്ത റെപ്പോകൾ : പെർഫെക്റ്റ് README, പരീക്ഷണങ്ങളൊന്നുമില്ല. ശ്ശോ.
വീണ്ടും കാലിബ്രേറ്റ് ചെയ്യാൻ നിങ്ങൾക്ക് ഘടനാപരവും പ്രശസ്തവുമായ മെറ്റീരിയൽ ആവശ്യമുള്ളപ്പോൾ, CS229/CS231n ഉം MIT യുടെ ഓഫറുകളും ഒരു സോളിഡ് റീസെറ്റ് ബട്ടണാണ് [1–2].
നിങ്ങൾ വീണ്ടും സന്ദർശിക്കുന്ന റഫറൻസ് ഷെൽഫ് 📚
-
ഗുഡ്ഫെലോ, ബെൻജിയോ, കോർവില്ലെ - ഡീപ് ലേണിംഗ് : ബാക്ക്പ്രോപ്പ്, റെഗുലറൈസേഷൻ, ഒപ്റ്റിമൈസേഷൻ, ആർക്കിടെക്ചറുകൾ എന്നിവയ്ക്കുള്ള സ്റ്റാൻഡേർഡ് റഫറൻസ് [5].
-
എംഐടി 18.06 : പ്രാക്ടീഷണർമാർക്കുള്ള മാട്രിക്സുകളിലേക്കും വെക്റ്റർ സ്പെയ്സുകളിലേക്കും ഏറ്റവും വൃത്തിയുള്ള ആമുഖം [2].
-
CS229/CS231n കുറിപ്പുകൾ : ഡിഫോൾട്ടുകൾ പ്രവർത്തിക്കുന്നത് എന്തുകൊണ്ടെന്ന് വിശദീകരിക്കുന്ന പ്രായോഗിക ML സിദ്ധാന്തം + ദർശന പരിശീലന വിശദാംശങ്ങൾ [1].
-
ഹഗ്ഗിംഗ് ഫെയ്സ് എൽഎൽഎം കോഴ്സ് : ടോക്കണൈസറുകൾ, ഡാറ്റാസെറ്റുകൾ, ട്രാൻസ്ഫോർമർ ഫൈൻ-ട്യൂണിംഗ്, ഹബ് വർക്ക്ഫ്ലോകൾ [4].
-
fast.ai + Kaggle : സ്റ്റാലിംഗിനെക്കാൾ ഷിപ്പിംഗിന് പ്രതിഫലം നൽകുന്ന ദ്രുത പരിശീലന ലൂപ്പുകൾ [3].
കാര്യങ്ങൾ തുടങ്ങാൻ ഒരു സൗമ്യമായ 6 ആഴ്ച പദ്ധതി 🗓️
ഒരു നിയമപുസ്തകമല്ല - ഒരു വഴക്കമുള്ള പാചകക്കുറിപ്പ് പോലെ.
ആഴ്ച 1
പൈത്തൺ ട്യൂൺ-അപ്പ്, പാണ്ടകളുടെ പരിശീലനം, ദൃശ്യവൽക്കരണം. മിനി-പ്രൊജക്റ്റ്: നിസ്സാരമായ എന്തെങ്കിലും പ്രവചിക്കുക; ഒരു പേജ് റിപ്പോർട്ട് എഴുതുക.
ആഴ്ച 2
ലീനിയർ ആൾജിബ്ര റിഫ്രഷ്, വെക്റ്ററൈസേഷൻ ഡ്രില്ലുകൾ. മികച്ച സവിശേഷതകളും ശക്തമായ ഒരു ബേസ്ലൈനും ഉപയോഗിച്ച് നിങ്ങളുടെ മിനി-പ്രോജക്റ്റ് പുനർനിർമ്മിക്കുക [2].
ആഴ്ച 3
ഹാൻഡ്സ്-ഓൺ മൊഡ്യൂളുകൾ (ഹ്രസ്വ, ഫോക്കസ്ഡ്). ക്രോസ്-വാലിഡേഷൻ, കൺഫ്യൂഷൻ മാട്രിക്സ്, കാലിബ്രേഷൻ പ്ലോട്ടുകൾ എന്നിവ ചേർക്കുക.
ആഴ്ച 4
fast.ai പാഠങ്ങൾ 1–2; ഒരു ചെറിയ ഇമേജ് അല്ലെങ്കിൽ ടെക്സ്റ്റ് ക്ലാസിഫയർ അയയ്ക്കുക [3]. ഒരു സഹപ്രവർത്തകൻ പിന്നീട് വായിക്കുന്നതുപോലെ നിങ്ങളുടെ ഡാറ്റ പൈപ്പ്ലൈൻ രേഖപ്പെടുത്തുക.
ആഴ്ച 5
ഹഗ്ഗിംഗ് ഫേസ് എൽഎൽഎം കോഴ്സ് ക്വിക്ക് പാസ്; ഒരു ചെറിയ കോർപ്പസിൽ ഒരു ചെറിയ RAG ഡെമോ നടപ്പിലാക്കുക. ലേറ്റൻസി/ഗുണനിലവാരം/ചെലവ് അളക്കുക, തുടർന്ന് ഒന്ന് ഒപ്റ്റിമൈസ് ചെയ്യുക [4].
ആഴ്ച 6
നിങ്ങളുടെ മോഡലുകളെ ലളിതമായ അടിസ്ഥാനരേഖകളുമായി താരതമ്യം ചെയ്യുന്ന ഒരു വൺ-പേജർ എഴുതുക. പോളിഷ് റിപ്പോ, ഒരു ചെറിയ ഡെമോ വീഡിയോ റെക്കോർഡുചെയ്യുക, ഫീഡ്ബാക്കിനായി പങ്കിടുക. പാചകക്കുറിപ്പ് പാറ്റേണുകൾ ഇവിടെ സഹായിക്കുന്നു [5].
അന്തിമ പരാമർശങ്ങൾ - വളരെ ദൈർഘ്യമേറിയതാണ്, വായിച്ചില്ല 🎯
AI നന്നായി പഠിക്കുന്ന രീതി വളരെ ലളിതമാണ്: ചെറിയ പ്രോജക്ടുകൾ തയ്യാറാക്കുക, ആവശ്യത്തിന് ഗണിതം പഠിക്കുക, വിശ്വസനീയമായ കോഴ്സുകളെയും പാചകപുസ്തകങ്ങളെയും ആശ്രയിക്കുക, അങ്ങനെ ചതുരാകൃതിയിലുള്ള കോണുകളുള്ള ചക്രങ്ങൾ പുനർനിർമ്മിക്കാതിരിക്കാൻ ശ്രമിക്കുക. ഒരു പാത തിരഞ്ഞെടുക്കുക, സത്യസന്ധമായ വിലയിരുത്തലോടെ ഒരു പോർട്ട്ഫോളിയോ നിർമ്മിക്കുക, പരിശീലന-സിദ്ധാന്തം-പരിശീലനം എന്നിവ ലൂപ്പ് ചെയ്യുക. എല്ലാ ഗാഡ്ജെറ്റുകളുമല്ല, മേശപ്പുറത്ത് അത്താഴം ലഭിക്കുന്നവ മാത്രം ഉപയോഗിച്ച് കുറച്ച് മൂർച്ചയുള്ള കത്തികളും ചൂടുള്ള പാത്രവും ഉപയോഗിച്ച് പാചകം ചെയ്യാൻ പഠിക്കുന്നത് പോലെയാണ് ഇതെന്ന് കരുതുക. നിങ്ങൾക്ക് ഇത് ഉണ്ട്. 🌟
അവലംബം
[1] സ്റ്റാൻഫോർഡ് CS229 / CS231n - മെഷീൻ ലേണിംഗ്; കമ്പ്യൂട്ടർ വിഷനുള്ള ആഴത്തിലുള്ള പഠനം.
[2] MIT - ലീനിയർ ആൾജിബ്ര (18.06), ആഴത്തിലുള്ള പഠനത്തിലേക്കുള്ള ആമുഖം (6.S191).
[3] ഹാൻഡ്സ്-ഓൺ പ്രാക്ടീസ് - fast.ai, Kaggle Learn.
[4] ട്രാൻസ്ഫോർമറുകളും മോഡേൺ എൻഎൽപിയും - ഹഗ്ഗിംഗ് ഫെയ്സ് എൽഎൽഎം കോഴ്സ്.
[5] ഡീപ് ലേണിംഗ് റഫറൻസ് + API പാറ്റേണുകൾ - ഗുഡ്ഫെലോ തുടങ്ങിയവർ; ഓപ്പൺഎഐ കുക്ക്ബുക്ക്.