एआई कसरी सिक्ने?

एआई कसरी सिक्ने?

एआई सिक्नु भनेको एउटा विशाल पुस्तकालयमा पाइला टेक्नु जस्तै महसुस हुन सक्छ जहाँ हरेक किताबले "यहाँबाट सुरु गर्नुहोस्" भनेर चिच्याउँदैछ। आधा सेल्फहरूमा "गणित" लेखिएको हुन्छ, जुन... अलि अशिष्ट छ 😅

फाइदा: उपयोगी चीजहरू निर्माण गर्न तपाईंलाई सबै कुरा जान्नु आवश्यक छैन। तपाईंलाई एउटा समझदार बाटो, केही भरपर्दो स्रोतहरू, र केही समयको लागि भ्रमित हुने इच्छा चाहिन्छ (भ्रम मूलतः प्रवेश शुल्क हो)।

यसपछि पढ्न मन लाग्ने लेखहरू:

🔗 एआईले कसरी विसंगतिहरू पत्ता लगाउँछ
मेसिन लर्निङ र तथ्याङ्क प्रयोग गरेर विसंगति पत्ता लगाउने विधिहरू व्याख्या गर्दछ।

🔗 समाजको लागि एआई किन खराब छ?
कृत्रिम बुद्धिमत्ताको नैतिक, सामाजिक र आर्थिक जोखिमहरूको जाँच गर्दछ।

🔗 AI ले कति पानी प्रयोग गर्छ?
एआई ऊर्जा खपत र लुकेका पानी प्रयोग प्रभावहरूलाई तोड्छ।

🔗 एआई डेटासेट भनेको के हो?
डेटासेट, लेबलिङ, र AI तालिममा तिनीहरूको भूमिका परिभाषित गर्दछ।

दैनिक जीवनमा "एआई" को अर्थ के हो 🤷♀️

मानिसहरू "एआई" भन्छन् र केही फरक कुराहरूको अर्थ राख्छन्:

  • मेसिन लर्निङ (ML) - मोडेलहरूले डेटाबाट इनपुटहरू नक्सा गर्ने, आउटपुटहरू (जस्तै, स्प्याम पत्ता लगाउने, मूल्य भविष्यवाणी गर्ने) सम्मका ढाँचाहरू सिक्छन्। [1]

  • गहिरो सिकाइ (DL) - स्केलमा तंत्रिका सञ्जालहरू प्रयोग गर्ने ML को एक उपसमूह (दृष्टि, बोली, ठूला भाषा मोडेलहरू)। [2]

  • जेनेरेटिभ एआई - पाठ, छवि, कोड, अडियो (च्याटबट, सह-पाइलट, सामग्री उपकरणहरू) उत्पादन गर्ने मोडेलहरू। [2]

  • सुदृढीकरण सिकाइ - परीक्षण र पुरस्कारद्वारा सिकाइ (खेल एजेन्टहरू, रोबोटिक्स)। [1]

सुरुमै तपाईंले पूर्ण रूपमा छनौट गर्नुपर्दैन। एआईलाई संग्रहालय जस्तो नठान्नुहोस्। यो भान्साकोठा जस्तै हो - खाना पकाएर तपाईं छिटो सिक्नुहुन्छ। कहिलेकाहीँ तपाईंले टोस्ट जलाउनुहुन्छ। 🍞🔥

छोटो किस्सा: एउटा सानो टोलीले "महान" मर्न मोडेल पठायो... जबसम्म उनीहरूले ट्रेन र परीक्षणमा समान आईडीहरू देखेनन्। क्लासिक चुहावट। एक साधारण पाइपलाइन + सफा विभाजनले शंकास्पद ०.९९ लाई विश्वसनीय (कम!) स्कोर र वास्तवमा सामान्यीकृत मोडेलमा परिणत गर्‍यो। [3]

"एआई कसरी सिक्ने" योजनालाई राम्रो बनाउने कुरा के हो ✅

राम्रो योजनामा ​​केही विशेषताहरू हुन्छन् जुन सुन्दा बोरिंग लाग्छन् तर तपाईंको महिनौं बचत गर्छन्:

  • सिक्दै जाँदा निर्माण गर्नुहोस् (साना परियोजनाहरू चाँडै, ठूलाहरू पछि)।

  • आवश्यक न्यूनतम गणित सिक्नुहोस् , त्यसपछि गहिराइको लागि पछाडि गोलो लगाउनुहोस्।

  • तपाईंले के गर्नुभयो भनेर व्याख्या गर्नुहोस् (रबर-डक आफ्नो काम; यसले अस्पष्ट सोचलाई निको पार्छ)।

  • केही समयको लागि एउटा "कोर स्ट्याक" मा टाँस्नुहोस् (पाइथन + जुपिटर + स्किकिट-लर्न → त्यसपछि पाइटोर्च)।

  • हेरिएको घण्टा होइन, आउटपुटहरूद्वारा प्रगति मापन गर्नुहोस्

यदि तपाईंको योजना केवल भिडियो र नोटहरू मात्र हो भने, यो पानीको बारेमा पढेर पौडी खेल्ने प्रयास गर्नु जस्तै हो।

आफ्नो लेन छान्नुहोस् (अहिलेको लागि) - तीन साझा बाटोहरू 🚦

तपाईं विभिन्न "आकार" मा AI सिक्न सक्नुहुन्छ। यहाँ काम गर्ने तीनवटा छन्:

१) व्यावहारिक निर्माण मार्ग 🛠️

यदि तपाईं द्रुत जित र प्रेरणा चाहनुहुन्छ भने उत्तम।
फोकस: डेटासेट, प्रशिक्षण मोडेल, ढुवानी डेमो।
स्टार्टर स्रोतहरू: गुगलको एमएल क्र्यास कोर्स, कागल लर्न, फास्ट डट एआई (तल सन्दर्भ र स्रोतहरूमा लिङ्कहरू)।

२) आधारभूत कुराहरू - पहिलो मार्ग 📚

यदि तपाईंलाई स्पष्टता र सिद्धान्त मन पर्छ भने उत्तम।
फोकस: प्रतिगमन, पूर्वाग्रह-विचलन, सम्भाव्य सोच, अनुकूलन।
एङ्करहरू: स्ट्यानफोर्ड CS229 सामग्रीहरू, MIT गहिरो शिक्षाको परिचय। [1][2]

३) जेन-एआई एप विकासकर्ता मार्ग ✨

यदि तपाईं सहायकहरू, खोज, कार्यप्रवाहहरू, "एजेन्ट-वाई" सामानहरू निर्माण गर्न चाहनुहुन्छ भने उत्तम।
फोकस: प्रम्प्टिङ, पुन: प्राप्ति, मूल्याङ्कन, उपकरण प्रयोग, सुरक्षा आधारभूत कुराहरू, तैनाती।
नजिक राख्नु पर्ने कागजातहरू: प्लेटफर्म कागजातहरू (APIs), HF कोर्स (टूलिङ)।

तपाईं पछि लेन परिवर्तन गर्न सक्नुहुन्छ। सुरु गर्नु गाह्रो भाग हो।

 

एआई अध्ययन कसरी सिक्ने

तुलना तालिका – सिक्ने शीर्ष तरिकाहरू (इमानदार विशेषताहरू सहित) 📋

उपकरण / पाठ्यक्रम दर्शक मूल्य यो किन काम गर्छ (छोटो समीक्षा)
गुगल मेसिन लर्निङ क्र्यास कोर्स शुरुआतीहरू नि:शुल्क दृश्यात्मक + व्यावहारिक; अत्यधिक जटिलताबाट बचाउँछ
कागल लर्न (परिचय + मध्यवर्ती एमएल) अभ्यास मन पराउने शुरुआतीहरू नि:शुल्क बाइट-साइज पाठ + तत्काल अभ्यासहरू
fast.ai व्यावहारिक गहन सिकाइ केही कोडिङ सहितका निर्माणकर्ताहरू नि:शुल्क तपाईं वास्तविक मोडेलहरूलाई चाँडै तालिम दिनुहुन्छ - जस्तै, तुरुन्तै 😅
DeepLearning.AI ML विशेषज्ञता संरचित सिकारुहरू भुक्तानी गरिएको मुख्य ML अवधारणाहरू मार्फत स्पष्ट प्रगति
DeepLearning.AI गहिरो सिकाइ विवरण ML आधारभूत कुराहरू पहिले नै भुक्तानी गरिएको तंत्रिका नेटहरू + कार्यप्रवाहहरूमा ठोस गहिराइ
स्ट्यानफोर्ड CS229 नोटहरू सिद्धान्त-संचालित नि:शुल्क गम्भीर आधारभूत कुराहरू ("यो किन काम गर्छ")
scikit-learn प्रयोगकर्ता गाइड एमएल अभ्यासकर्ताहरू नि:शुल्क तालिका/आधाररेखाहरूको लागि क्लासिक टुलकिट
पाइटोर्च ट्यूटोरियलहरू गहिरो सिकाइ निर्माणकर्ताहरू नि:शुल्क टेन्सरहरूबाट सफा बाटो → प्रशिक्षण लूपहरू [4]
हगिङ फेस एलएलएम कोर्स NLP + LLM निर्माणकर्ताहरू नि:शुल्क व्यावहारिक LLM कार्यप्रवाह + इकोसिस्टम उपकरणहरू
NIST AI जोखिम व्यवस्थापन फ्रेमवर्क एआई तैनाथ गर्ने जो कोही नि:शुल्क सरल, प्रयोगयोग्य जोखिम/शासन मचान [5]

सानो नोट: अनलाइन "मूल्य" अनौठो छ। केही चीजहरू नि:शुल्क छन् तर ध्यान महँगो पर्छ ... जुन कहिलेकाहीं झनै खराब हुन्छ।

तपाईंलाई वास्तवमा चाहिने मुख्य सीपहरूको थुप्रो (र कुन क्रममा) 🧩

यदि तपाईंको लक्ष्य डुब्न नदिई एआई कसरी सिक्ने

  1. पाइथनका आधारभूत कुराहरू

  • कार्यहरू, सूचीहरू/निर्देशहरू, हल्का कक्षाहरू, पढ्ने फाइलहरू।

  • बानी हुनुपर्छ: नोटबुक मात्र होइन, साना लिपिहरू लेख्नुहोस्।

  1. डेटा ह्यान्डलिङ

  • नम्र-इश सोच, पाण्डाको आधारभूत कुराहरू, षड्यन्त्र।

  • तिमीले यहाँ धेरै समय बिताउनेछौ। आकर्षक त होइन, तर काम त छ।

  1. क्लासिकल एमएल (अन्वेषित महाशक्ति)

  • ट्रेन/परीक्षण स्प्लिट, चुहावट, ओभरफिटिंग।

  • रेखीय/लजिस्टिक रिग्रेसन, रूखहरू, अनियमित वनहरू, ग्रेडियन्ट बूस्टिङ।

  • मेट्रिक्स: शुद्धता, परिशुद्धता/रिकल, ROC-AUC, MAE/RMSE - कहिले अर्थपूर्ण हुन्छ भनेर जान्नुहोस्। [3]

  1. गहन सिकाइ

  • टेन्सर, ग्रेडियन्ट/ब्याकप्रप (अवधारणात्मक रूपमा), तालिम लूपहरू।

  • तस्बिरहरूको लागि CNN हरू, पाठको लागि ट्रान्सफर्मरहरू (अन्ततः)।

  • केही एन्ड-टु-एन्ड पाइटोर्च आधारभूत कुराहरूले धेरै काम गर्छ। [4]

  1. जेनेरेटिभ एआई + एलएलएम कार्यप्रवाहहरू

  • टोकनाइजेसन, इम्बेडिङहरू, पुन: प्राप्ति-संवर्धित उत्पादन, मूल्याङ्कन।

  • फाइन-ट्युनिङ बनाम प्रोम्प्टिङ् (र जब तपाईंलाई दुवैको आवश्यकता पर्दैन)।

तपाईंले पालना गर्न सक्ने चरणबद्ध योजना 🗺️

चरण A – तपाईंको पहिलो मोडेललाई काम गर्न लगाउनुहोस् (छिटो) ⚡

लक्ष्य: केहि तालिम दिनुहोस्, यसलाई मापन गर्नुहोस्, सुधार गर्नुहोस्।

  • एउटा कम्प्याक्ट इन्ट्रो (जस्तै, ML क्र्यास कोर्स), त्यसपछि एउटा ह्यान्ड्स-अन माइक्रो-कोर्स (जस्तै, Kaggle Intro) गर्नुहोस्।

  • परियोजनाको विचार: सार्वजनिक डेटासेटमा घरको मूल्य, ग्राहक परिवर्तन, वा क्रेडिट जोखिमको भविष्यवाणी गर्नुहोस्।

सानो "जित" चेकलिस्ट:

  • तपाईं डेटा लोड गर्न सक्नुहुन्छ।

  • तपाईं आधारभूत मोडेललाई तालिम दिन सक्नुहुन्छ।

  • तपाईं ओभरफिटिंगलाई सरल भाषामा व्याख्या गर्न सक्नुहुन्छ।

चरण B – वास्तविक ML अभ्याससँग सहज हुनुहोस् 🔧

लक्ष्य: सामान्य असफलता मोडहरूबाट छक्क पर्न बन्द गर्नुहोस्।

  • मध्यवर्ती ML विषयहरू मार्फत काम गर्नुहोस्: छुटेका मानहरू, चुहावट, पाइपलाइनहरू, CV।

  • केही scikit-learn प्रयोगकर्ता गाइड खण्डहरू स्किम गर्नुहोस् र वास्तवमा स्निपेटहरू चलाउनुहोस्। [3]

  • परियोजना विचार: सुरक्षित गरिएको मोडेल + मूल्याङ्कन रिपोर्ट सहितको सरल अन्त्य-देखि-अन्त पाइपलाइन।

चरण C – गहिरो सिकाइ जुन जादु जस्तो लाग्दैन 🧙♂️

लक्ष्य: स्नायु जाललाई तालिम दिनुहोस् र प्रशिक्षण लूप बुझ्नुहोस्।

  • PyTorch “Learn the Basics” मार्ग (टेन्सरहरू → डेटासेटहरू/डेटालोडरहरू → तालिम/इभल → बचत) गर्नुहोस्। [4]

  • यदि तपाईं गति र व्यावहारिक भाइब्स चाहनुहुन्छ भने वैकल्पिक रूपमा fast.ai सँग जोडी गर्नुहोस्।

  • परियोजनाको विचार: छवि वर्गीकरणकर्ता, भावना मोडेल, वा सानो ट्रान्सफर्मर फाइन-ट्यून।

चरण D – वास्तवमा काम गर्ने जेनेरेटिभ एआई एपहरू ✨

लक्ष्य: मानिसहरूले प्रयोग गर्ने कुरा निर्माण गर्नु।

  • एम्बेडिङ, पुन: प्राप्ति, र सुरक्षित पुस्ताहरू तार अप गर्न व्यावहारिक LLM कोर्स + विक्रेता द्रुत सुरुवात पालना गर्नुहोस्।

  • परियोजनाको विचार: तपाईंको प्रश्नोत्तर बट (भाग → इम्बेड → पुन: प्राप्ति → उद्धरणहरू सहितको उत्तर), वा उपकरण कलहरूको साथ ग्राहक-समर्थन सहयोगी।

"गणित" भाग - यसलाई मसला जस्तै सिक्नुहोस्, सम्पूर्ण खाना होइन 🧂

गणित महत्त्वपूर्ण छ, तर समय बढी महत्त्वपूर्ण छ।

सुरु गर्न न्यूनतम व्यवहार्य गणित:

  • रेखीय बीजगणित: भेक्टर, म्याट्रिक्स, डट उत्पादनहरू (एम्बेडिङको लागि अन्तर्ज्ञान)। [2]

  • क्याल्कुलस: व्युत्पन्न अन्तर्ज्ञान (ढलान → ग्रेडियन्ट)। [1]

  • सम्भाव्यता: वितरण, अपेक्षा, आधारभूत बेयस-इश सोच। [1]

यदि तपाईं पछि थप औपचारिक आधार चाहनुहुन्छ भने, आधारभूत कुराहरूको लागि CS229 नोटहरू र आधुनिक विषयहरूको लागि MIT को परिचयात्मक गहन सिकाइमा डुब्नुहोस्। [1][2]

तपाईंलाई आफूले गरिरहेको काम थाहा भएको जस्तो देखाउने परियोजनाहरू 😄

यदि तपाईंले खेलौना डेटासेटहरूमा मात्र वर्गीकरणकर्ताहरू निर्माण गर्नुभयो भने, तपाईं अड्किएको महसुस गर्नुहुनेछ। वास्तविक काम जस्तै देखिने परियोजनाहरू प्रयास गर्नुहोस्:

  • आधारभूत-पहिलो ML परियोजना (सिकिट-लर्न): सफा डेटा → बलियो आधारभूत रेखा → त्रुटि विश्लेषण। [3]

  • LLM + पुन: प्राप्ति एप: कागजातहरू इन्जेस्ट गर्नुहोस् → भाग → एम्बेड गर्नुहोस् → पुन: प्राप्त गर्नुहोस् → उद्धरणहरू सहित उत्तरहरू उत्पन्न गर्नुहोस्।

  • मोडेल अनुगमन मिनी-ड्यासबोर्ड: लग इनपुट/आउटपुट; ट्र्याक ड्रिफ्ट-इश सिग्नलहरू (साधारण तथ्याङ्कले पनि मद्दत गर्दछ)।

  • जिम्मेवार एआई मिनी-अडिट: कागजात जोखिम, किनाराका केसहरू, विफलता प्रभावहरू; हल्का तौलको फ्रेमवर्क प्रयोग गर्नुहोस्। [5]

जिम्मेवार र व्यावहारिक तैनाती (हो, एकल निर्माणकर्ताहरूको लागि पनि) 🧯

वास्तविकता जाँच: प्रभावशाली डेमोहरू सजिलो छन्; भरपर्दो प्रणालीहरू छैनन्।

  • छोटो "मोडेल कार्ड"-शैली README राख्नुहोस्: डेटा स्रोतहरू, मेट्रिक्स, ज्ञात सीमाहरू, अद्यावधिक तालिका।

  • आधारभूत रेलिङहरू थप्नुहोस् (दर सीमा, इनपुट प्रमाणीकरण, दुरुपयोग निगरानी)।

  • प्रयोगकर्ता-मुखी वा परिणामात्मक कुनै पनि कुराको लागि, जोखिम-आधारित दृष्टिकोण प्रयोग गर्नुहोस्: हानिहरू पहिचान गर्नुहोस्, किनाराका केसहरू परीक्षण गर्नुहोस्, र कागजात न्यूनीकरण गर्नुहोस्। NIST AI RMF ठ्याक्कै यसैको लागि बनाइएको हो। [5]

सामान्य समस्याहरू (ताकि तपाईं तिनीहरूलाई चकित पार्न सक्नुहुन्छ) 🧨

  • ट्युटोरियल हपिङ - "केवल एउटा अर्को कोर्स" तपाईंको सम्पूर्ण व्यक्तित्व बन्छ।

  • सबैभन्दा गाह्रो विषयबाट सुरु गर्दै - ट्रान्सफर्मरहरू राम्रा छन्, तर आधारभूत कुराहरूले भाडा तिर्छन्।

  • मूल्याङ्कनलाई बेवास्ता गर्नु - शुद्धता मात्र सीधा अनुहारको रूपमा झूटो हुन सक्छ। कामको लागि सही मेट्रिक प्रयोग गर्नुहोस्। [3]

  • कुराहरू नलेख्नुहोस् - छोटो टिप्पणीहरू राख्नुहोस्: के असफल भयो, के परिवर्तन भयो, के सुधार भयो।

  • कुनै तैनाती अभ्यास छैन - साधारण एप र्‍यापरले पनि धेरै कुरा सिकाउँछ।

  • जोखिम सोच छोड्ने - ढुवानी गर्नु अघि सम्भावित हानिहरूमा दुई बुलेटहरू लेख्नुहोस्। [5]

अन्तिम टिप्पणी - धेरै लामो भयो, मैले पढेको छैन 😌

यदि तपाईं "एआई कसरी सिक्ने" भनेर , यहाँ सबैभन्दा सरल जित्ने विधि छ:

  • व्यावहारिक ML आधारभूत कुराहरू (कम्प्याक्ट परिचय + कागल-शैली अभ्यास) बाट सुरु गर्नुहोस्

  • वास्तविक ML कार्यप्रवाह र मेट्रिक्स सिक्न scikit-learn प्रयोग गर्नुहोस्

  • गहिरो सिकाइ र तालिम लूपहरूको लागि PyTorch मा जानुहोस्

  • व्यावहारिक कोर्स र API क्विकस्टार्टको साथ LLM सीपहरू थप्नुहोस्

  • ३-५ वटा परियोजनाहरू बनाउनुहोस् जसले देखाउँछन्: डेटा तयारी, मोडेलिङ, मूल्याङ्कन, र एउटा साधारण "उत्पादन" र्‍यापर।

  • जोखिम/शासनलाई व्यवहार गर्नुहोस् , वैकल्पिक अतिरिक्त होइन। [5]

अनि हो, कहिलेकाहीं तपाईं हराएको महसुस गर्नुहुनेछ। त्यो सामान्य हो। एआई भनेको टोस्टरलाई पढ्न सिकाउनु जस्तै हो - जब यो काम गर्छ तब यो प्रभावशाली हुन्छ, जब यो काम गर्दैन तब अलि डरलाग्दो हुन्छ, र यसले स्वीकार गरेभन्दा बढी पुनरावृत्ति लिन्छ 😵💫

सन्दर्भ सामग्रीहरू

[1] स्ट्यानफोर्ड CS229 व्याख्यान नोट्स। (कोर ML आधारभूत कुराहरू, पर्यवेक्षित सिकाइ, सम्भाव्य फ्रेमिङ)।
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: गहन सिकाइको परिचय। (गहन सिकाइको सिंहावलोकन, आधुनिक विषयहरू सहित LLMs)।
https://introtodeeplearning.com/

[3] scikit-learn: मोडेल मूल्याङ्कन र मेट्रिक्स। (शुद्धता, परिशुद्धता/रिकल, ROC-AUC, आदि)।
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] पाइटोर्च ट्यूटोरियलहरू - आधारभूत कुराहरू सिक्नुहोस्। (टेन्सरहरू, डेटासेटहरू/डेटालोडरहरू, तालिम/इभल लूपहरू)।
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] NIST AI जोखिम व्यवस्थापन फ्रेमवर्क (AI RMF 1.0)। (जोखिममा आधारित, विश्वसनीय AI मार्गदर्शन)।
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

अतिरिक्त स्रोतहरू (क्लिक गर्न मिल्ने)

आधिकारिक एआई सहायक स्टोरमा नवीनतम एआई खोज्नुहोस्

हाम्रो बारेमा

ब्लगमा फर्कनुहोस्