AI ಕಲಿಯುವುದು ಹೇಗೆ?

AI ಕಲಿಯುವುದು ಹೇಗೆ?

AI ಕಲಿಯುವುದು ಒಂದು ದೊಡ್ಡ ಗ್ರಂಥಾಲಯಕ್ಕೆ ಕಾಲಿಟ್ಟು "ಇಲ್ಲಿಂದ ಆರಂಭಿಸು" ಎಂದು ಕೂಗುತ್ತಿರುವಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ಅರ್ಧದಷ್ಟು ಶೆಲ್ಫ್‌ಗಳು "ಗಣಿತ" ಎಂದು ಹೇಳುತ್ತವೆ, ಅದು... ಸ್ವಲ್ಪ ಅಸಭ್ಯ 😅

ಒಂದು ಉತ್ತಮ ಅಂಶವೆಂದರೆ: ಉಪಯುಕ್ತ ವಸ್ತುಗಳನ್ನು ನಿರ್ಮಿಸಲು ನೀವು ಎಲ್ಲವನ್ನೂ ತಿಳಿದುಕೊಳ್ಳಬೇಕಾಗಿಲ್ಲ. ನಿಮಗೆ ಸಮಂಜಸವಾದ ಮಾರ್ಗ, ಕೆಲವು ವಿಶ್ವಾಸಾರ್ಹ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಗೊಂದಲಕ್ಕೊಳಗಾಗುವ ಇಚ್ಛೆ (ಗೊಂದಲವು ಮೂಲತಃ ಪ್ರವೇಶ ಶುಲ್ಕವಾಗಿದೆ) ಅಗತ್ಯವಿದೆ.

ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:

🔗 AI ವೈಪರೀತ್ಯಗಳನ್ನು ಹೇಗೆ ಪತ್ತೆ ಮಾಡುತ್ತದೆ
ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಸಂಗತತೆ ಪತ್ತೆ ವಿಧಾನಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ.

🔗 AI ಸಮಾಜಕ್ಕೆ ಏಕೆ ಕೆಟ್ಟದು?
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ನೈತಿಕ, ಸಾಮಾಜಿಕ ಮತ್ತು ಆರ್ಥಿಕ ಅಪಾಯಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ.

🔗 AI ಎಷ್ಟು ನೀರನ್ನು ಬಳಸುತ್ತದೆ?
AI ಶಕ್ತಿಯ ಬಳಕೆ ಮತ್ತು ನೀರಿನ ಬಳಕೆಯ ಗುಪ್ತ ಪರಿಣಾಮಗಳನ್ನು ವಿಭಜಿಸುತ್ತದೆ.

🔗 AI ಡೇಟಾಸೆಟ್ ಎಂದರೇನು?
ಡೇಟಾಸೆಟ್‌ಗಳು, ಲೇಬಲಿಂಗ್ ಮತ್ತು AI ತರಬೇತಿಯಲ್ಲಿ ಅವುಗಳ ಪಾತ್ರವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ.

"AI" ಎಂದರೆ ದಿನನಿತ್ಯದ ಅರ್ಥವೇನು 🤷♀️

ಜನರು "AI" ಎಂದು ಹೇಳುತ್ತಾರೆ ಮತ್ತು ಕೆಲವು ವಿಭಿನ್ನ ವಿಷಯಗಳನ್ನು ಅರ್ಥೈಸುತ್ತಾರೆ:

  • ಯಂತ್ರ ಕಲಿಕೆ (ML) - ಮಾದರಿಗಳು ಡೇಟಾದಿಂದ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಔಟ್‌ಪುಟ್‌ಗಳಿಗೆ ನಕ್ಷೆ ಮಾಡಲು ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತವೆ (ಉದಾ, ಸ್ಪ್ಯಾಮ್ ಪತ್ತೆ, ಬೆಲೆ ಮುನ್ಸೂಚನೆ). [1]

  • ಆಳವಾದ ಕಲಿಕೆ (DL) - ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಪ್ರಮಾಣದಲ್ಲಿ ಬಳಸುವ ML ನ ಉಪವಿಭಾಗ (ದೃಷ್ಟಿ, ಮಾತು, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು). [2]

  • ಉತ್ಪಾದಕ AI - ಪಠ್ಯ, ಚಿತ್ರಗಳು, ಕೋಡ್, ಆಡಿಯೋ (ಚಾಟ್‌ಬಾಟ್‌ಗಳು, ಸಹ-ಪೈಲಟ್‌ಗಳು, ವಿಷಯ ಪರಿಕರಗಳು) ಉತ್ಪಾದಿಸುವ ಮಾದರಿಗಳು. [2]

  • ಬಲವರ್ಧನೆ ಕಲಿಕೆ - ಪ್ರಯೋಗ ಮತ್ತು ಪ್ರತಿಫಲದ ಮೂಲಕ ಕಲಿಕೆ (ಆಟದ ಏಜೆಂಟ್‌ಗಳು, ರೊಬೊಟಿಕ್ಸ್). [1]

ಆರಂಭದಲ್ಲಿಯೇ ನೀವು ಪರಿಪೂರ್ಣವಾಗಿ ಆಯ್ಕೆ ಮಾಡಬೇಕಾಗಿಲ್ಲ. AI ಅನ್ನು ವಸ್ತುಸಂಗ್ರಹಾಲಯದಂತೆ ಪರಿಗಣಿಸಬೇಡಿ. ಇದು ಅಡುಗೆಮನೆಯಂತಿದೆ - ನೀವು ಅಡುಗೆ ಮಾಡುವ ಮೂಲಕ ವೇಗವಾಗಿ ಕಲಿಯುತ್ತೀರಿ. ಕೆಲವೊಮ್ಮೆ ನೀವು ಟೋಸ್ಟ್ ಅನ್ನು ಸುಡುತ್ತೀರಿ. 🍞🔥

ಮತ್ತು ಒಂದೇ ರೀತಿಯ ಐಡಿಗಳನ್ನು ಗಮನಿಸುವವರೆಗೆ . ಕ್ಲಾಸಿಕ್ ಸೋರಿಕೆ. ಸರಳ ಪೈಪ್‌ಲೈನ್ + ಕ್ಲೀನ್ ಸ್ಪ್ಲಿಟ್ ಅನುಮಾನಾಸ್ಪದ 0.99 ಅನ್ನು ವಿಶ್ವಾಸಾರ್ಹ (ಕಡಿಮೆ!) ಸ್ಕೋರ್ ಮತ್ತು ವಾಸ್ತವವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಮಾದರಿಯಾಗಿ ಪರಿವರ್ತಿಸಿತು. [3]

"AI ಕಲಿಯುವುದು ಹೇಗೆ" ಯೋಜನೆ ಉತ್ತಮವಾಗಲು ಕಾರಣಗಳು ✅

ಒಳ್ಳೆಯ ಯೋಜನೆಯು ನೀರಸವೆನಿಸುವ ಆದರೆ ತಿಂಗಳುಗಳನ್ನು ಉಳಿಸುವ ಕೆಲವು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ:

  • ನೀವು ಕಲಿಯುತ್ತಿರುವಾಗ ನಿರ್ಮಿಸಿ (ಸಣ್ಣ ಯೋಜನೆಗಳು ಬೇಗನೆ, ದೊಡ್ಡವುಗಳು ನಂತರ).

  • ಅಗತ್ಯವಿರುವ ಕನಿಷ್ಠ ಗಣಿತವನ್ನು ಕಲಿಯಿರಿ , ನಂತರ ಆಳಕ್ಕಾಗಿ ಹಿಂದಕ್ಕೆ ವೃತ್ತ ಮಾಡಿ.

  • ನೀವು ಏನು ಮಾಡಿದ್ದೀರಿ ಎಂಬುದನ್ನು ವಿವರಿಸಿ (ನಿಮ್ಮ ಕೆಲಸವನ್ನು ರಬ್ಬರ್‌ನಿಂದ ಮುಚ್ಚಿ; ಅದು ಅಸ್ಪಷ್ಟ ಚಿಂತನೆಯನ್ನು ಗುಣಪಡಿಸುತ್ತದೆ).

  • ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಒಂದು "ಕೋರ್ ಸ್ಟ್ಯಾಕ್" ಗೆ ಅಂಟಿಕೊಳ್ಳಿ (ಪೈಥಾನ್ + ಜುಪಿಟರ್ + ಸ್ಕೈಕಿಟ್-ಲರ್ನ್ → ನಂತರ ಪೈಟಾರ್ಚ್).

  • ವೀಕ್ಷಿಸಿದ ಗಂಟೆಗಳಿಂದಲ್ಲ, ಔಟ್‌ಪುಟ್‌ಗಳಿಂದ ಅಳೆಯಿರಿ

ನಿಮ್ಮ ಯೋಜನೆ ಕೇವಲ ವೀಡಿಯೊಗಳು ಮತ್ತು ಟಿಪ್ಪಣಿಗಳಾಗಿದ್ದರೆ, ಅದು ನೀರಿನ ಬಗ್ಗೆ ಓದುವ ಮೂಲಕ ಈಜಲು ಪ್ರಯತ್ನಿಸಿದಂತೆ.

ನಿಮ್ಮ ಲೇನ್ ಅನ್ನು ಆರಿಸಿ (ಸದ್ಯಕ್ಕೆ) - ಮೂರು ಸಾಮಾನ್ಯ ಮಾರ್ಗಗಳು 🚦

ನೀವು ವಿವಿಧ "ಆಕಾರಗಳಲ್ಲಿ" AI ಕಲಿಯಬಹುದು. ಇಲ್ಲಿ ಮೂರು ಕೆಲಸ ಮಾಡುತ್ತವೆ:

1) ಪ್ರಾಯೋಗಿಕ ಬಿಲ್ಡರ್ ಮಾರ್ಗ 🛠️

ತ್ವರಿತ ಗೆಲುವುಗಳು ಮತ್ತು ಪ್ರೇರಣೆ ಬಯಸಿದರೆ ಉತ್ತಮ.
ಗಮನ: ಡೇಟಾಸೆಟ್‌ಗಳು, ತರಬೇತಿ ಮಾದರಿಗಳು, ಶಿಪ್ಪಿಂಗ್ ಡೆಮೊಗಳು.
ಆರಂಭಿಕ ಸಂಪನ್ಮೂಲಗಳು: Google ನ ML ಕ್ರ್ಯಾಶ್ ಕೋರ್ಸ್, Kaggle Learn, fast.ai (ಕೆಳಗಿನ ಉಲ್ಲೇಖಗಳು ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳಲ್ಲಿನ ಲಿಂಕ್‌ಗಳು).

2) ಮೂಲಭೂತ-ಮೊದಲ ಮಾರ್ಗ 📚

ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಸಿದ್ಧಾಂತವನ್ನು ನೀವು ಪ್ರೀತಿಸುತ್ತಿದ್ದರೆ ಇದು ಉತ್ತಮ.
ಗಮನ: ಹಿಂಜರಿತ, ಪಕ್ಷಪಾತ-ವ್ಯತ್ಯಾಸ, ಸಂಭವನೀಯ ಚಿಂತನೆ, ಅತ್ಯುತ್ತಮೀಕರಣ.
ಆಂಕರ್‌ಗಳು: ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ CS229 ಸಾಮಗ್ರಿಗಳು, MIT ಇಂಟ್ರೊ ಟು ಡೀಪ್ ಲರ್ನಿಂಗ್. [1][2]

3) gen-AI ಅಪ್ಲಿಕೇಶನ್ ಡೆವಲಪರ್ ಮಾರ್ಗ ✨

ಸಹಾಯಕರು, ಹುಡುಕಾಟ, ಕೆಲಸದ ಹರಿವುಗಳು, "ಏಜೆಂಟ್-ವೈ" ವಸ್ತುಗಳನ್ನು ನಿರ್ಮಿಸಲು ನೀವು ಬಯಸಿದರೆ ಇದು ಉತ್ತಮ.
ಗಮನ: ಪ್ರಾಂಪ್ಟಿಂಗ್, ಮರುಪಡೆಯುವಿಕೆ, ಮೌಲ್ಯಮಾಪನಗಳು, ಪರಿಕರ ಬಳಕೆ, ಸುರಕ್ಷತಾ ಮೂಲಗಳು, ನಿಯೋಜನೆ.
ಹತ್ತಿರದಲ್ಲಿ ಇಡಬೇಕಾದ ದಾಖಲೆಗಳು: ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ದಾಖಲೆಗಳು (API ಗಳು), HF ಕೋರ್ಸ್ (ಉಪಕರಣಗಳು).

ನೀವು ನಂತರ ಲೇನ್‌ಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು. ಪ್ರಾರಂಭಿಸುವುದು ಕಠಿಣ ಭಾಗ.

 

AI ಅಧ್ಯಯನ ಕಲಿಯುವುದು ಹೇಗೆ

ಹೋಲಿಕೆ ಕೋಷ್ಟಕ - ಕಲಿಯಲು ಉತ್ತಮ ಮಾರ್ಗಗಳು (ಪ್ರಾಮಾಣಿಕ ಚಮತ್ಕಾರಗಳೊಂದಿಗೆ) 📋

ಪರಿಕರ / ಕೋರ್ಸ್ ಪ್ರೇಕ್ಷಕರು ಬೆಲೆ ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ (ಸಣ್ಣ ಸಮಯ)
ಗೂಗಲ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕ್ರ್ಯಾಶ್ ಕೋರ್ಸ್ ಆರಂಭಿಕರು ಉಚಿತ ದೃಶ್ಯ + ಪ್ರಾಯೋಗಿಕ; ಅತಿಯಾದ ಜಟಿಲತೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.
ಕಾಗಲ್ ಲರ್ನ್ (ಪರಿಚಯ + ಮಧ್ಯಂತರ ML) ಅಭ್ಯಾಸವನ್ನು ಇಷ್ಟಪಡುವ ಆರಂಭಿಕರು ಉಚಿತ ಬೈಟ್-ಸೈಜ್ ಪಾಠಗಳು + ತ್ವರಿತ ವ್ಯಾಯಾಮಗಳು
fast.ai ಪ್ರಾಯೋಗಿಕ ಆಳವಾದ ಕಲಿಕೆ ಕೆಲವು ಕೋಡಿಂಗ್ ಹೊಂದಿರುವ ಬಿಲ್ಡರ್‌ಗಳು ಉಚಿತ ನೀವು ನಿಜವಾದ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಬೇಗನೆ ತರಬೇತಿ ನೀಡುತ್ತೀರಿ - ಅಂದರೆ, ತಕ್ಷಣವೇ 😅
DeepLearning.AI ML ವಿಶೇಷತೆ ರಚನಾತ್ಮಕ ಕಲಿಯುವವರು ಪಾವತಿಸಲಾಗಿದೆ ಕೋರ್ ML ಪರಿಕಲ್ಪನೆಗಳ ಮೂಲಕ ಸ್ಪಷ್ಟ ಪ್ರಗತಿ
DeepLearning.AI ಡೀಪ್ ಲರ್ನಿಂಗ್ ವಿಶೇಷಣಗಳು ಈಗಾಗಲೇ ML ಮೂಲಭೂತ ಅಂಶಗಳು ಪಾವತಿಸಲಾಗಿದೆ ನರ ಜಾಲಗಳ ಮೇಲಿನ ಘನ ಆಳ + ಕೆಲಸದ ಹರಿವುಗಳು
ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ CS229 ಟಿಪ್ಪಣಿಗಳು ಸಿದ್ಧಾಂತ ಆಧಾರಿತ ಉಚಿತ ಗಂಭೀರ ಮೂಲಭೂತ ಅಂಶಗಳು ("ಇದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ")
scikit-ಲರ್ನ್ ಬಳಕೆದಾರ ಮಾರ್ಗದರ್ಶಿ ಎಂಎಲ್ ಪ್ರಾಕ್ಟೀಷನರ್‌ಗಳು ಉಚಿತ ಕೋಷ್ಟಕ/ಬೇಸ್‌ಲೈನ್‌ಗಳಿಗಾಗಿ ಕ್ಲಾಸಿಕ್ ಟೂಲ್‌ಕಿಟ್
ಪೈಟಾರ್ಚ್ ಟ್ಯುಟೋರಿಯಲ್‌ಗಳು ಆಳವಾದ ಕಲಿಕೆಯ ನಿರ್ಮಾಪಕರು ಉಚಿತ ಟೆನ್ಸರ್‌ಗಳಿಂದ ಮಾರ್ಗವನ್ನು ತೆರವುಗೊಳಿಸಿ → ತರಬೇತಿ ಕುಣಿಕೆಗಳು [4]
ಹಗ್ಗಿಂಗ್ ಫೇಸ್ ಎಲ್ಎಲ್ಎಂ ಕೋರ್ಸ್ NLP + LLM ಬಿಲ್ಡರ್‌ಗಳು ಉಚಿತ ಪ್ರಾಯೋಗಿಕ LLM ಕಾರ್ಯಪ್ರವಾಹ + ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಪರಿಕರಗಳು
NIST AI ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು AI ಅನ್ನು ನಿಯೋಜಿಸುವ ಯಾರಾದರೂ ಉಚಿತ ಸರಳ, ಬಳಸಬಹುದಾದ ಅಪಾಯ/ಆಡಳಿತ ಸ್ಕ್ಯಾಫೋಲ್ಡಿಂಗ್ [5]

ಸಣ್ಣ ಟಿಪ್ಪಣಿ: ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ "ಬೆಲೆ" ವಿಚಿತ್ರವಾಗಿದೆ. ಕೆಲವು ವಿಷಯಗಳು ಉಚಿತ ಆದರೆ ಗಮನ ಖರ್ಚಾಗುತ್ತದೆ... ಇದು ಕೆಲವೊಮ್ಮೆ ಕೆಟ್ಟದಾಗಿರುತ್ತದೆ.

ನಿಮಗೆ ನಿಜವಾಗಿಯೂ ಅಗತ್ಯವಿರುವ ಪ್ರಮುಖ ಕೌಶಲ್ಯಗಳ ಸಂಗ್ರಹ (ಮತ್ತು ಯಾವ ಕ್ರಮದಲ್ಲಿ) 🧩

ಮುಳುಗದೆ AI ಕಲಿಯುವುದು ಹೇಗೆ ಎಂಬುದು ನಿಮ್ಮ ಗುರಿಯಾಗಿದ್ದರೆ

  1. ಪೈಥಾನ್ ಮೂಲಗಳು

  • ಕಾರ್ಯಗಳು, ಪಟ್ಟಿಗಳು/ನಿರ್ದೇಶನಗಳು, ಬೆಳಕಿನ ತರಗತಿಗಳು, ಫೈಲ್‌ಗಳನ್ನು ಓದುವುದು.

  • ಇರಲೇಬೇಕಾದ ಅಭ್ಯಾಸ: ನೋಟ್‌ಬುಕ್‌ಗಳನ್ನು ಮಾತ್ರವಲ್ಲ, ಸಣ್ಣ ಲಿಪಿಗಳನ್ನು ಬರೆಯಿರಿ.

  1. ಡೇಟಾ ನಿರ್ವಹಣೆ

  • ನಂಬಿಕಸ್ಥ ಚಿಂತನೆ, ಪಾಂಡಾಗಳ ಮೂಲಭೂತ ಅಂಶಗಳು, ಪಿತೂರಿ.

  • ನೀವು ಇಲ್ಲಿ ತುಂಬಾ ಸಮಯ ಕಳೆಯುತ್ತೀರಿ. ಆಕರ್ಷಕವಾಗಿಲ್ಲ, ಆದರೆ ಅದು ಕೆಲಸ.

  1. ಕ್ಲಾಸಿಕಲ್ ಎಂಎಲ್ (ಅಂಡರ್‌ರೇಟೆಡ್ ಸೂಪರ್ ಪವರ್)

  • ರೈಲು/ಪರೀಕ್ಷಾ ವಿಭಜನೆಗಳು, ಸೋರಿಕೆ, ಅತಿಯಾಗಿ ಜೋಡಿಸುವುದು.

  • ರೇಖೀಯ/ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿತ, ಮರಗಳು, ಯಾದೃಚ್ಛಿಕ ಕಾಡುಗಳು, ಗ್ರೇಡಿಯಂಟ್ ವರ್ಧನೆ.

  • ಮಾಪನಗಳು: ನಿಖರತೆ, ನಿಖರತೆ/ಮರುಸ್ಥಾಪನೆ, ROC-AUC, MAE/RMSE - ಪ್ರತಿಯೊಂದೂ ಅರ್ಥಪೂರ್ಣವಾದಾಗ ತಿಳಿಯಿರಿ . [3]

  1. ಆಳವಾದ ಕಲಿಕೆ

  • ಟೆನ್ಸರ್‌ಗಳು, ಗ್ರೇಡಿಯಂಟ್‌ಗಳು/ಬ್ಯಾಕ್‌ಪ್ರಾಪ್ (ಕಲ್ಪನಾತ್ಮಕವಾಗಿ), ತರಬೇತಿ ಲೂಪ್‌ಗಳು.

  • ಚಿತ್ರಗಳಿಗೆ CNN ಗಳು, ಪಠ್ಯಕ್ಕೆ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು (ಕೊನೆಗೂ).

  • ಕೆಲವು ಕೊನೆಯಿಂದ ಕೊನೆಯವರೆಗಿನ ಪೈಟಾರ್ಚ್ ಮೂಲಗಳು ಬಹಳ ದೂರ ಹೋಗುತ್ತವೆ. [4]

  1. ಜನರೇಟಿವ್ AI + LLM ವರ್ಕ್‌ಫ್ಲೋಗಳು

  • ಟೋಕನೈಸೇಶನ್, ಎಂಬೆಡಿಂಗ್‌ಗಳು, ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಉತ್ಪಾದನೆ, ಮೌಲ್ಯಮಾಪನ.

  • ಫೈನ್-ಟ್ಯೂನಿಂಗ್ vs. ಪ್ರಾಂಪ್ಟಿಂಗ್ (ಮತ್ತು ನಿಮಗೆ ಎರಡೂ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದಾಗ).

ನೀವು ಅನುಸರಿಸಬಹುದಾದ ಹಂತ ಹಂತದ ಯೋಜನೆ 🗺️

ಹಂತ A – ನಿಮ್ಮ ಮೊದಲ ಮಾದರಿಯನ್ನು ಕೆಲಸ ಮಾಡುವಂತೆ ಮಾಡಿ (ವೇಗವಾಗಿ) ⚡

ಗುರಿ: ಏನನ್ನಾದರೂ ತರಬೇತಿ ಮಾಡಿ, ಅದನ್ನು ಅಳೆಯಿರಿ, ಅದನ್ನು ಸುಧಾರಿಸಿ.

  • ಸಂಕ್ಷಿಪ್ತ ಪರಿಚಯವನ್ನು ಮಾಡಿ (ಉದಾ. ML ಕ್ರ್ಯಾಶ್ ಕೋರ್ಸ್), ನಂತರ ಪ್ರಾಯೋಗಿಕ ಮೈಕ್ರೋ-ಕೋರ್ಸ್ (ಉದಾ. ಕಾಗಲ್ ಪರಿಚಯ).

  • ಯೋಜನೆಯ ಕಲ್ಪನೆ: ಸಾರ್ವಜನಿಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಮನೆ ಬೆಲೆಗಳು, ಗ್ರಾಹಕರ ಮಂಥನ ಅಥವಾ ಕ್ರೆಡಿಟ್ ಅಪಾಯವನ್ನು ಊಹಿಸಿ.

ಸಣ್ಣ "ಗೆಲುವು" ಪರಿಶೀಲನಾಪಟ್ಟಿ:

  • ನೀವು ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡಬಹುದು.

  • ನೀವು ಮೂಲ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು.

  • ನೀವು ಸರಳ ಭಾಷೆಯಲ್ಲಿ ಅತಿಯಾದ ಹೊಂದಾಣಿಕೆಯನ್ನು ವಿವರಿಸಬಹುದು.

ಹಂತ B - ನಿಜವಾದ ML ಅಭ್ಯಾಸದೊಂದಿಗೆ ಆರಾಮವಾಗಿರಿ 🔧

ಗುರಿ: ಸಾಮಾನ್ಯ ವೈಫಲ್ಯ ವಿಧಾನಗಳಿಂದ ಆಶ್ಚರ್ಯಪಡುವುದನ್ನು ನಿಲ್ಲಿಸಿ.

  • ಮಧ್ಯಂತರ ML ವಿಷಯಗಳ ಮೂಲಕ ಕೆಲಸ ಮಾಡಿ: ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ಸೋರಿಕೆ, ಪೈಪ್‌ಲೈನ್‌ಗಳು, CV.

  • ಕೆಲವು scikit-ಕಲಿಕೆ ಬಳಕೆದಾರ ಮಾರ್ಗದರ್ಶಿ ವಿಭಾಗಗಳನ್ನು ಬಿಟ್ಟುಬಿಡಿ ಮತ್ತು ತುಣುಕುಗಳನ್ನು ನಿಜವಾಗಿ ರನ್ ಮಾಡಿ. [3]

  • ಯೋಜನೆಯ ಕಲ್ಪನೆ: ಉಳಿಸಿದ ಮಾದರಿ + ಮೌಲ್ಯಮಾಪನ ವರದಿಯೊಂದಿಗೆ ಸರಳವಾದ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಪೈಪ್‌ಲೈನ್.

ಹಂತ C – ಮಾಂತ್ರಿಕತೆಯಂತೆ ಭಾಸವಾಗದ ಆಳವಾದ ಕಲಿಕೆ 🧙♂️

ಗುರಿ: ನರಮಂಡಲ ಜಾಲಕ್ಕೆ ತರಬೇತಿ ನೀಡಿ ಮತ್ತು ತರಬೇತಿ ಲೂಪ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.

  • ಪೈಟಾರ್ಚ್ “ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಕಲಿಯಿರಿ” ಮಾರ್ಗವನ್ನು ಮಾಡಿ (ಟೆನ್ಸರ್‌ಗಳು → ಡೇಟಾಸೆಟ್‌ಗಳು/ಡೇಟಾಲೋಡರ್‌ಗಳು → ತರಬೇತಿ/ಇವಾಲ್ → ಉಳಿಸಲಾಗುತ್ತಿದೆ). [4]

  • ನೀವು ವೇಗ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ವೈಬ್‌ಗಳನ್ನು ಬಯಸಿದರೆ, ಐಚ್ಛಿಕವಾಗಿ fast.ai ಜೊತೆಗೆ ಜೋಡಿಸಿ.

  • ಯೋಜನೆಯ ಕಲ್ಪನೆ: ಚಿತ್ರ ವರ್ಗೀಕರಣ, ಭಾವನೆ ಮಾದರಿ, ಅಥವಾ ಸಣ್ಣ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಫೈನ್-ಟ್ಯೂನ್.

ಹಂತ D – ವಾಸ್ತವವಾಗಿ ಕೆಲಸ ಮಾಡುವ ಉತ್ಪಾದಕ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ✨

ಗುರಿ: ಜನರು ಬಳಸುವ ಏನನ್ನಾದರೂ ನಿರ್ಮಿಸುವುದು.

  • ಎಂಬೆಡಿಂಗ್‌ಗಳು, ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಸುರಕ್ಷಿತ ಪೀಳಿಗೆಗಳನ್ನು ವೈರ್ ಮಾಡಲು ಪ್ರಾಯೋಗಿಕ LLM ಕೋರ್ಸ್ + ಮಾರಾಟಗಾರರ ತ್ವರಿತ ಪ್ರಾರಂಭವನ್ನು ಅನುಸರಿಸಿ.

  • ಯೋಜನೆಯ ಐಡಿಯಾ: ನಿಮ್ಮ ಮೇಲೆ ಪ್ರಶ್ನೋತ್ತರ ಬಾಟ್ (ಚಂಕ್ → ಎಂಬೆಡ್ → ಹಿಂಪಡೆಯಿರಿ → ಉಲ್ಲೇಖಗಳೊಂದಿಗೆ ಉತ್ತರಿಸಿ), ಅಥವಾ ಪರಿಕರ ಕರೆಗಳೊಂದಿಗೆ ಗ್ರಾಹಕ-ಬೆಂಬಲ ಸಹಾಯಕ.

"ಗಣಿತ" ಭಾಗ - ಇಡೀ ಊಟವನ್ನಲ್ಲ, ಮಸಾಲೆ ಹಾಕುವಂತೆ ಕಲಿಯಿರಿ 🧂

ಗಣಿತ ಮುಖ್ಯ, ಆದರೆ ಸಮಯ ಹೆಚ್ಚು ಮುಖ್ಯ.

ಪ್ರಾರಂಭಿಸಲು ಕನಿಷ್ಠ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಗಣಿತ:

  • ರೇಖೀಯ ಬೀಜಗಣಿತ: ವೆಕ್ಟರ್‌ಗಳು, ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ಗಳು, ಚುಕ್ಕೆ ಉತ್ಪನ್ನಗಳು (ಎಂಬೆಡಿಂಗ್‌ಗಳಿಗೆ ಅಂತಃಪ್ರಜ್ಞೆ). [2]

  • ಕಲನಶಾಸ್ತ್ರ: ಉತ್ಪನ್ನ ಅಂತಃಪ್ರಜ್ಞೆ (ಇಳಿಜಾರುಗಳು → ಇಳಿಜಾರುಗಳು). [1]

  • ಸಂಭವನೀಯತೆ: ವಿತರಣೆಗಳು, ನಿರೀಕ್ಷೆ, ಮೂಲಭೂತ ಬೇಯ್ಸ್-ಇಶ್ ಚಿಂತನೆ. [1]

ನೀವು ನಂತರ ಹೆಚ್ಚು ಔಪಚಾರಿಕ ಆಧಾರವನ್ನು ಬಯಸಿದರೆ, ಮೂಲಭೂತ ವಿಷಯಗಳಿಗಾಗಿ CS229 ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಆಧುನಿಕ ವಿಷಯಗಳಿಗಾಗಿ MIT ಯ ಪರಿಚಯಾತ್ಮಕ ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ಆಲಿಸಿ. [1][2]

ನೀವು ಏನು ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದೆ ಎಂದು ತೋರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಯೋಜನೆಗಳು 😄

ಆಟಿಕೆ ಡೇಟಾಸೆಟ್‌ಗಳ ಮೇಲೆ ನೀವು ವರ್ಗೀಕರಣಕಾರಕಗಳನ್ನು ಮಾತ್ರ ನಿರ್ಮಿಸಿದರೆ, ನೀವು ಸಿಕ್ಕಿಹಾಕಿಕೊಂಡಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ನಿಜವಾದ ಕೆಲಸವನ್ನು ಹೋಲುವ ಯೋಜನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ:

  • ಮೂಲ-ಮೊದಲ ML ಯೋಜನೆ (scikit-ಲರ್ನ್): ಕ್ಲೀನ್ ಡೇಟಾ → ಬಲವಾದ ಮೂಲ-ಲೇಖನ → ದೋಷ ವಿಶ್ಲೇಷಣೆ. [3]

  • LLM + ಮರುಪಡೆಯುವಿಕೆ ಅಪ್ಲಿಕೇಶನ್: ದಾಖಲೆಗಳನ್ನು ಸೇರಿಸಿ → ಭಾಗ → ಎಂಬೆಡ್ ಮಾಡಿ → ಮರುಪಡೆಯಿರಿ → ಉಲ್ಲೇಖಗಳೊಂದಿಗೆ ಉತ್ತರಗಳನ್ನು ರಚಿಸಿ.

  • ಮಾದರಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಿನಿ-ಡ್ಯಾಶ್‌ಬೋರ್ಡ್: ಲಾಗ್ ಇನ್‌ಪುಟ್‌ಗಳು/ಔಟ್‌ಪುಟ್‌ಗಳು; ಡ್ರಿಫ್ಟ್-ಇಶ್ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ (ಸರಳ ಅಂಕಿಅಂಶಗಳು ಸಹ ಸಹಾಯ ಮಾಡುತ್ತವೆ).

  • ಜವಾಬ್ದಾರಿಯುತ AI ಮಿನಿ-ಆಡಿಟ್: ದಾಖಲೆ ಅಪಾಯಗಳು, ಅಂಚಿನ ಪ್ರಕರಣಗಳು, ವೈಫಲ್ಯದ ಪರಿಣಾಮಗಳು; ಹಗುರವಾದ ಚೌಕಟ್ಟನ್ನು ಬಳಸಿ. [5]

ಜವಾಬ್ದಾರಿಯುತ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ನಿಯೋಜನೆ (ಹೌದು, ಏಕವ್ಯಕ್ತಿ ನಿರ್ಮಾಣಕಾರರಿಗೂ ಸಹ) 🧯

ರಿಯಾಲಿಟಿ ಚೆಕ್: ಪ್ರಭಾವಶಾಲಿ ಡೆಮೊಗಳು ಸುಲಭ; ವಿಶ್ವಾಸಾರ್ಹ ವ್ಯವಸ್ಥೆಗಳು ಅಲ್ಲ.

  • ಒಂದು ಸಣ್ಣ "ಮಾದರಿ ಕಾರ್ಡ್" ಶೈಲಿಯ README ಅನ್ನು ಇರಿಸಿ: ಡೇಟಾ ಮೂಲಗಳು, ಮೆಟ್ರಿಕ್‌ಗಳು, ತಿಳಿದಿರುವ ಮಿತಿಗಳು, ನವೀಕರಣ ಕ್ಯಾಡೆನ್ಸ್.

  • ಮೂಲ ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳನ್ನು ಸೇರಿಸಿ (ದರ ಮಿತಿಗಳು, ಇನ್‌ಪುಟ್ ಮೌಲ್ಯೀಕರಣ, ದುರುಪಯೋಗ ಮೇಲ್ವಿಚಾರಣೆ).

  • ಬಳಕೆದಾರ-ಮುಖಿ ಅಥವಾ ಪರಿಣಾಮ ಬೀರುವ ಯಾವುದೇ ವಿಷಯಕ್ಕೆ, ಅಪಾಯ-ಆಧಾರಿತ ವಿಧಾನವನ್ನು ಬಳಸಿ: ಹಾನಿಗಳನ್ನು ಗುರುತಿಸುವುದು, ಅಂಚಿನ ಪ್ರಕರಣಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ದಾಖಲೆಗಳ ಮೂಲಕ ತಗ್ಗಿಸುವುದು. NIST AI RMF ಅನ್ನು ಇದಕ್ಕಾಗಿಯೇ ನಿರ್ಮಿಸಲಾಗಿದೆ. [5]

ಸಾಮಾನ್ಯ ಮೋಸಗಳು (ಆದ್ದರಿಂದ ನೀವು ಅವುಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು) 🧨

  • ಟ್ಯುಟೋರಿಯಲ್ ಜಿಗಿತ - "ಇನ್ನೂ ಒಂದು ಕೋರ್ಸ್" ನಿಮ್ಮ ಸಂಪೂರ್ಣ ವ್ಯಕ್ತಿತ್ವವಾಗುತ್ತದೆ.

  • ಅತ್ಯಂತ ಕಠಿಣ ವಿಷಯದಿಂದ ಪ್ರಾರಂಭಿಸಿ - ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು ತಂಪಾಗಿವೆ, ಆದರೆ ಮೂಲಭೂತ ವಿಷಯಗಳಿಗೆ ಬಾಡಿಗೆ ನೀಡಲಾಗುತ್ತದೆ.

  • ಮೌಲ್ಯಮಾಪನವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು - ನಿಖರತೆ ಮಾತ್ರ ನೇರ ಮುಖದಿಂದ ಕೂಡಿರುತ್ತದೆ. ಕೆಲಸಕ್ಕೆ ಸರಿಯಾದ ಮೆಟ್ರಿಕ್ ಬಳಸಿ. [3]

  • ವಿಷಯಗಳನ್ನು ಬರೆದಿಡಬೇಡಿ - ಸಣ್ಣ ಟಿಪ್ಪಣಿಗಳನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ: ಏನು ವಿಫಲವಾಯಿತು, ಏನು ಬದಲಾಯಿತು, ಏನು ಸುಧಾರಿಸಿತು.

  • ಯಾವುದೇ ನಿಯೋಜನಾ ಅಭ್ಯಾಸವಿಲ್ಲ - ಸರಳವಾದ ಅಪ್ಲಿಕೇಶನ್ ಹೊದಿಕೆ ಕೂಡ ಬಹಳಷ್ಟು ಕಲಿಸುತ್ತದೆ.

  • ಅಪಾಯದ ಬಗ್ಗೆ ಯೋಚಿಸುವುದನ್ನು ಬಿಟ್ಟುಬಿಡಿ - ನೀವು ಸಾಗಿಸುವ ಮೊದಲು ಸಂಭಾವ್ಯ ಹಾನಿಗಳ ಕುರಿತು ಎರಡು ಗುಂಡುಗಳನ್ನು ಬರೆಯಿರಿ. [5]

ಅಂತಿಮ ಟಿಪ್ಪಣಿಗಳು – ತುಂಬಾ ಉದ್ದವಾಗಿದೆ, ನಾನು ಅದನ್ನು ಓದಿಲ್ಲ 😌

AI ಕಲಿಯುವುದು ಹೇಗೆ ಎಂದು ಕೇಳುತ್ತಿದ್ದರೆ , ಗೆಲ್ಲುವ ಸರಳ ಪಾಕವಿಧಾನ ಇಲ್ಲಿದೆ:

  • ಪ್ರಾಯೋಗಿಕ ML ಮೂಲಭೂತ ವಿಷಯಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ (ಸಾಂದ್ರ ಪರಿಚಯ + ಕಾಗಲ್-ಶೈಲಿಯ ಅಭ್ಯಾಸ).

  • ನಿಜವಾದ ML ಕಾರ್ಯಪ್ರವಾಹಗಳು ಮತ್ತು ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಕಲಿಯಲು scikit-learn ಬಳಸಿ

  • ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ತರಬೇತಿ ಲೂಪ್‌ಗಳಿಗಾಗಿ PyTorch ಗೆ ತೆರಳಿ

  • ಪ್ರಾಯೋಗಿಕ ಕೋರ್ಸ್ ಮತ್ತು API ಕ್ವಿಕ್‌ಸ್ಟಾರ್ಟ್‌ಗಳೊಂದಿಗೆ LLM ಕೌಶಲ್ಯಗಳನ್ನು ಸೇರಿಸಿ

  • ಡೇಟಾ ಸಿದ್ಧತೆ, ಮಾಡೆಲಿಂಗ್, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸರಳವಾದ "ಉತ್ಪನ್ನ" ಹೊದಿಕೆಯನ್ನು ತೋರಿಸುವ 3–5 ಯೋಜನೆಗಳನ್ನು ನಿರ್ಮಿಸಿ

  • ಅಪಾಯ/ಆಡಳಿತವನ್ನು ಐಚ್ಛಿಕ ಹೆಚ್ಚುವರಿ ಎಂದು ಪರಿಗಣಿಸದೆ, "ಮುಗಿದಿದೆ" ಎಂಬ ಭಾಗವಾಗಿ ಪರಿಗಣಿಸಿ

ಮತ್ತು ಹೌದು, ನೀವು ಕೆಲವೊಮ್ಮೆ ಕಳೆದುಹೋದಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ಅದು ಸಹಜ. AI ಒಂದು ಟೋಸ್ಟರ್‌ಗೆ ಓದಲು ಕಲಿಸಿದಂತೆ - ಅದು ಕೆಲಸ ಮಾಡಿದಾಗ ಪ್ರಭಾವಶಾಲಿಯಾಗಿರುತ್ತದೆ, ಅದು ಕೆಲಸ ಮಾಡದಿದ್ದಾಗ ಸ್ವಲ್ಪ ಭಯಾನಕವಾಗಿರುತ್ತದೆ ಮತ್ತು ಯಾರೂ ಒಪ್ಪಿಕೊಳ್ಳುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಪುನರಾವರ್ತನೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ 😵💫

ಉಲ್ಲೇಖಗಳು

[1] ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ CS229 ಉಪನ್ಯಾಸ ಟಿಪ್ಪಣಿಗಳು. (ಕೋರ್ ML ಮೂಲಭೂತ ಅಂಶಗಳು, ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ, ಸಂಭವನೀಯ ಚೌಕಟ್ಟು).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: ಆಳವಾದ ಕಲಿಕೆಗೆ ಪರಿಚಯ. (ಆಳವಾದ ಕಲಿಕೆಯ ಅವಲೋಕನ, LLM ಗಳು ಸೇರಿದಂತೆ ಆಧುನಿಕ ವಿಷಯಗಳು).
https://introtodeeplearning.com/

[3] scikit-learn: ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮೆಟ್ರಿಕ್ಸ್. (ನಿಖರತೆ, ನಿಖರತೆ/ಮರುಸ್ಥಾಪನೆ, ROC-AUC, ಇತ್ಯಾದಿ).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] ಪೈಟಾರ್ಚ್ ಟ್ಯುಟೋರಿಯಲ್‌ಗಳು - ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಕಲಿಯಿರಿ. (ಟೆನ್ಸರ್‌ಗಳು, ಡೇಟಾಸೆಟ್‌ಗಳು/ಡೇಟಾಲೋಡರ್‌ಗಳು, ತರಬೇತಿ/ಇವಾಲ್ ಲೂಪ್‌ಗಳು).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] NIST AI ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು (AI RMF 1.0). (ಅಪಾಯ-ಆಧಾರಿತ, ವಿಶ್ವಾಸಾರ್ಹ AI ಮಾರ್ಗದರ್ಶನ).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು (ಕ್ಲಿಕ್ ಮಾಡಬಹುದಾದ)

ಅಧಿಕೃತ AI ಸಹಾಯಕ ಅಂಗಡಿಯಲ್ಲಿ ಇತ್ತೀಚಿನ AI ಅನ್ನು ಹುಡುಕಿ

ನಮ್ಮ ಬಗ್ಗೆ

ಬ್ಲಾಗ್‌ಗೆ ಹಿಂತಿರುಗಿ