एआई कसरी अध्ययन गर्ने

एआई कसरी अध्ययन गर्ने?

कृत्रिम बुद्धिमत्ता विशाल र अलि रहस्यमय लाग्छ। खुसीको खबर: वास्तविक प्रगति गर्न तपाईंलाई गोप्य गणित शक्ति वा GPU हरूले भरिएको प्रयोगशालाको आवश्यकता पर्दैन। यदि तपाईं AI कसरी अध्ययन गर्ने भनेरभने, यो गाइडले तपाईंलाई शून्यबाट पोर्टफोलियो-तयार परियोजनाहरू निर्माण गर्ने स्पष्ट मार्ग दिन्छ। र हो, हामी स्रोतहरू, अध्ययन रणनीतिहरू, र केही मेहनतले कमाएका सर्टकटहरू छर्कनेछौं। जाऔं। 

🔗 एआई कसरी सिक्छ?
मेसिनहरूलाई सिकाउने एल्गोरिदम, डेटा र प्रतिक्रियाको सिंहावलोकन।.

🔗 कुनै पनि कुरामा छिटो निपुणता हासिल गर्नका लागि शीर्ष सिकाइ एआई उपकरणहरू
अध्ययन, अभ्यास, र सीप निपुणतालाई तीव्र बनाउन क्युरेट गरिएका एपहरू।.

🔗 भाषा सिक्नको लागि उत्तम एआई उपकरणहरू
शब्दावली, व्याकरण, बोली, र समझ अभ्यासलाई निजीकृत गर्ने एपहरू।.

🔗 उच्च शिक्षा, सिकाइ र प्रशासनका लागि शीर्ष एआई उपकरणहरू
शिक्षण, मूल्याङ्कन, विश्लेषण, र क्याम्पस सञ्चालन दक्षतालाई समर्थन गर्ने प्लेटफर्महरू।.

एआई कसरी अध्ययन गर्ने ✅

राम्रो अध्ययन योजना एउटा बलियो उपकरण बाकस जस्तै हो, जथाभावी फोहोर फाल्ने दराज होइन। यसले:

  • प्रत्येक नयाँ ब्लक अन्तिममा सफासँग बसोस् भनेर अनुक्रम सीपहरू ।

  • पहिले अभ्यासलाई प्राथमिकता दिनुहोस् , दोस्रो सिद्धान्तलाई - तर कहिल्यै होइन ।

  • वास्तविक मानिसहरूलाई देखाउन सक्ने वास्तविक परियोजनाहरूमा लंगर लगाउनुहोस् ।

  • तपाईंलाई कमजोर बानीहरू नसिखाउने आधिकारिक स्रोतहरू प्रयोग गर्नुहोस् ।

  • आफ्नो जीवनलाई साना, दोहोरिने दिनचर्याहरूसँग मिलाउनुहोस्।

  • प्रतिक्रिया लूपहरू, बेन्चमार्कहरू, र कोड समीक्षाहरूसँग आफूलाई इमानदार राख्नुहोस् ।

यदि तपाईंको योजनाले तपाईंलाई यी दिँदैन भने, यो केवल भाइब्स हो। बलियो एङ्करहरू जसले निरन्तर रूपमा डेलिभर गर्दछ: आधारभूत कुराहरू र दृष्टिकोणको लागि स्ट्यानफोर्डको CS229/CS231n, MIT को लिनियर बीजगणित र इन्ट्रो टु डीप लर्निङ, ह्यान्ड्स-अन स्पीडको लागि fast.ai, आधुनिक NLP/ट्रान्सफर्मरहरूको लागि हगिङ फेसको LLM कोर्स, र व्यावहारिक API ढाँचाहरूको लागि OpenAI कुकबुक [1-5]।.

छोटो उत्तर: एआई रोडम्याप कसरी अध्ययन गर्ने 🗺️

  1. पाइथन + नोटबुकहरू सिक्नुहोस् खतरनाक हुन पर्याप्त छ।

  2. आवश्यक गणितलाई ब्रश गर्नुहोस्: रेखीय बीजगणित, सम्भाव्यता, अनुकूलन आधारभूत कुराहरू।

  3. साना ML परियोजनाहरू सुरुदेखि अन्त्यसम्म गर्नुहोस्: डेटा, मोडेल, मेट्रिक्स, पुनरावृत्ति।

  4. गहिरो सिकाइको साथ स्तर माथि जानुहोस्: CNN, ट्रान्सफर्मर, प्रशिक्षण गतिशीलता।

  5. लेन छनौट गर्नुहोस्: दृष्टिकोण, NLP, सिफारिसकर्ता प्रणाली, एजेन्टहरू, समय श्रृंखला।

  6. सफा रिपो, README र डेमो सहित पोर्टफोलियो परियोजनाहरू पठाउनुहोस् ।

  7. अल्छी-चलाखीपूर्ण तरिकाले पत्रपत्रिकाहरू पढ्नुहोस् र साना नतिजाहरू दोहोर्याउनुहोस्।

  8. सिकाइको चक्र कायम राख्नुहोस्: मूल्याङ्कन गर्नुहोस्, पुन:फ्याक्टर गर्नुहोस्, कागजात गर्नुहोस्, साझा गर्नुहोस्।

गणितको लागि, MIT को Linear Algebra एक बलियो एंकर हो, र Goodfellow–Bengio–Courville पाठ एक भरपर्दो सन्दर्भ हो जब तपाईं ब्याकप्रप, नियमितीकरण, वा अनुकूलन सूक्ष्मताहरूमा अड्कनुहुन्छ [2, 5]।.

धेरै गहिरिएर जानु अघि सीप चेकलिस्ट 🧰

  • पाइथन: प्रकार्यहरू, वर्गहरू, सूची/डिक्ट कम्प्स, भर्चुअलएनभीएस, आधारभूत परीक्षणहरू।

  • डेटा ह्यान्डलिङ: पाण्डा, नुम्पी, प्लटिङ, साधारण EDA।

  • तपाईंले वास्तवमा प्रयोग गर्ने गणित: भेक्टर, म्याट्रिक्स, इजेन-इन्ट्युसन, ग्रेडियन्ट, सम्भाव्यता वितरण, क्रस-एन्ट्रोपी, नियमितीकरण।

  • टूलिङ: Git, GitHub समस्याहरू, Jupyter, GPU नोटबुकहरू, तपाईंको रनहरू लगिङ गर्दै।

  • मानसिकता: दुई पटक नाप्नुहोस्, एक पटक पठाउनुहोस्; कुरूप ड्राफ्टहरू अँगाल्नुहोस्; पहिले आफ्नो डेटा ठीक गर्नुहोस्।

द्रुत जितहरू: fast.ai को माथि-डाउन दृष्टिकोणले तपाईंलाई उपयोगी मोडेलहरूलाई चाँडै तालिम दिन्छ, जबकि Kaggle को बाइट-साइज पाठहरूले पाण्डा र आधारभूत रेखाहरूको लागि मांसपेशी स्मृति निर्माण गर्दछ [3]।.

तुलना तालिका: लोकप्रिय एआई सिकाइ मार्गहरू कसरी अध्ययन गर्ने 📊

साना त्रुटिहरू पनि समावेश छन्—किनभने वास्तविक टेबलहरू विरलै पूर्ण रूपमा व्यवस्थित हुन्छन्।.

उपकरण / पाठ्यक्रम को लागि उत्तम मूल्य यो किन काम गर्छ / नोटहरू
स्ट्यानफोर्ड CS229/CS231n ठोस सिद्धान्त + दृष्टिको गहिराइ नि:शुल्क सफा ML फाउन्डेसनहरू + CNN तालिम विवरणहरू; पछि परियोजनाहरूसँग जोड्नुहोस् [1]।.
MIT परिचय DL + १८.०६ अवधारणा-अभ्यास पुल नि:शुल्क संक्षिप्त DL व्याख्यानहरू + कठोर रेखीय बीजगणित जसले इम्बेडिङहरू आदिलाई नक्सा गर्दछ [2]।.
fast.ai व्यावहारिक DL काम गरेर सिक्ने ह्याकरहरू नि:शुल्क परियोजनाहरू - पहिले, आवश्यक नभएसम्म न्यूनतम गणित; धेरै प्रेरणादायी प्रतिक्रिया लूपहरू [3]।.
अँगालो हाल्ने एलएलएम कोर्स ट्रान्सफर्मर + आधुनिक NLP स्ट्याक नि:शुल्क टोकनाइजरहरू, डेटासेटहरू, हब; व्यावहारिक फाइन-ट्युनिङ/अनुमान कार्यप्रवाहहरू सिकाउँछ [4]।.
ओपनएआई कुकबुक जग मोडेलहरू प्रयोग गर्ने निर्माणकर्ताहरू नि:शुल्क उत्पादन-जस्तो कार्यहरू र रेलिङहरूको लागि चलाउन सकिने रेसिपीहरू र ढाँचाहरू [5]।.

गहिरो गोताखोरी १: पहिलो महिना - पूर्णताभन्दा बढी परियोजनाहरू 🧪

दुई साना परियोजनाहरूबाट सुरु गर्नुहोस्। साँच्चै सानो:

  • तालिकाबद्ध आधाररेखा: सार्वजनिक डेटासेट लोड गर्नुहोस्, ट्रेन/परीक्षण विभाजित गर्नुहोस्, लजिस्टिक रिग्रेसन वा सानो रूख फिट गर्नुहोस्, मेट्रिक्स ट्र्याक गर्नुहोस्, के असफल भयो लेख्नुहोस्।

  • पाठ वा छवि खेलौना: डेटाको एक टुक्रामा सानो पूर्व-प्रशिक्षित मोडेललाई फाइन-ट्यून गर्नुहोस्। पूर्व-प्रशोधन, प्रशिक्षण समय, र ट्रेडअफहरू कागजात गर्नुहोस्।

यसरी किन सुरु गर्ने? प्रारम्भिक जीतले गति सिर्जना गर्छ। तपाईंले कार्यप्रवाह ग्लु सिक्नुहुनेछ—डेटा सफा गर्ने, सुविधा छनोटहरू, मूल्याङ्कन, र पुनरावृत्ति। fast.ai को माथि-तल पाठहरू र Kaggle को संरचित नोटबुकहरूले यो "पहिले पठाउनुहोस्, अर्को गहिरो बुझ्नुहोस्" तालमेललाई ठ्याक्कै सुदृढ बनाउँछन् [3]।

मिनी-केस (२ हप्ता, काम पछि): एक जुनियर विश्लेषकले हप्ता १ मा चर्न बेसलाइन (लजिस्टिक रिग्रेसन) निर्माण गरे, त्यसपछि हप्ता २ मा नियमितीकरण र राम्रो सुविधाहरूमा साटासाट गरे। मोडेल AUC +७ अंक एक दिउँसो फिचर प्रुनिङको साथ - कुनै फेन्सी आर्किटेक्चर आवश्यक पर्दैन।

गहिरो गोताखोरी २: आँसु बिनाको गणित - पर्याप्त सिद्धान्त 📐

बलियो प्रणाली निर्माण गर्न तपाईंलाई हरेक प्रमेयको आवश्यकता पर्दैन। तपाईंलाई निर्णयहरूलाई सूचित गर्ने बिटहरू चाहिन्छ:

  • इम्बेडिङ, ध्यान, र अनुकूलन ज्यामितिको लागि रेखीय बीजगणित ।

  • अनिश्चितता, क्रस-एन्ट्रोपी, क्यालिब्रेसन, र प्रायरहरूको लागि सम्भाव्यता ।

  • सिकाइ दर, नियमितीकरण, र किन चीजहरू विस्फोट हुन्छन् भन्ने कुराको लागि अनुकूलन ।

MIT १८.०६ ले अनुप्रयोग-पहिलो चाप दिन्छ। जब तपाईं गहिरो जालहरूमा थप अवधारणात्मक गहिराइ चाहनुहुन्छ, उपन्यास होइन, सन्दर्भको रूपमा गहिरो सिकाइ पाठ्यपुस्तकमा डुब्नुहोस् [२, ५]।

सूक्ष्म-बानी: दिनको २० मिनेट गणित, अधिकतम। त्यसपछि कोडमा फर्कनुहोस्। व्यवहारमा समस्या समाधान गरेपछि सिद्धान्त राम्रोसँग टिक्छ।

डीप डाइभ ३: आधुनिक NLP र LLM - द ट्रान्सफर्मर टर्न 💬

आज धेरैजसो टेक्स्ट सिस्टमहरू ट्रान्सफर्मरहरूमा निर्भर छन्। कुशलतापूर्वक प्रयोग गर्न:

  • हगिङ फेस एलएलएम कोर्स मार्फत काम गर्नुहोस् : टोकनाइजेसन, डेटासेट, हब, फाइन-ट्युनिङ, अनुमान।

  • एउटा व्यावहारिक डेमो पठाउनुहोस्: तपाईंको नोटहरूमा पुन: प्राप्ति-संवर्धित QA, सानो मोडेलको साथ भावना विश्लेषण, वा हल्का सारांशकर्ता।.

  • महत्त्वपूर्ण कुराहरू ट्र्याक गर्नुहोस्: विलम्बता, लागत, शुद्धता, र प्रयोगकर्ताको आवश्यकताहरूसँग पङ्क्तिबद्धता।.

HF कोर्स व्यावहारिक र इकोसिस्टम-सचेत छ, जसले उपकरण छनोटहरूमा याक-शेभिङ बचत गर्छ [4]। कंक्रीट API ढाँचाहरू र रेलिङहरू (प्रम्प्टिंग, मूल्याङ्कन स्क्याफोल्डहरू) को लागि, OpenAI कुकबुक चलाउन मिल्ने उदाहरणहरूले भरिएको छ [5]।

गहिरो गोता ४: पिक्सेलमा डुब्न नदिई दृष्टिको आधारभूत कुराहरू 👁️

दृष्टि-जिज्ञासु हुनुहुन्छ? CS231n व्याख्यानहरूलाई सानो परियोजनासँग जोड्नुहोस्: अनुकूलन डेटासेट वर्गीकृत गर्नुहोस् वा विशिष्ट श्रेणीमा पूर्व-प्रशिक्षित मोडेललाई फाइन-ट्यून गर्नुहोस्। विदेशी वास्तुकलाहरू खोज्नु अघि डेटा गुणस्तर, वृद्धि र मूल्याङ्कनमा ध्यान केन्द्रित गर्नुहोस्। रूपान्तरण, अवशेषहरू, र प्रशिक्षण ह्युरिस्टिक्सले वास्तवमा कसरी काम गर्छ भन्ने कुराको लागि CS231n एक विश्वसनीय उत्तर तारा हो [1]।

आँखा चिम्लेर अनुसन्धान पढ्ने 📄

काम गर्ने लूप:

  1. पहिले सारांश र अंकहरू पढ्नुहोस् ।

  2. टुक्राहरूको नामकरण गर्न विधिको समीकरणहरू स्किम गर्नुहोस्।.

  3. प्रयोग र सीमाहरूमा जानुहोस् ।

  4. खेलौना डेटासेटमा सूक्ष्म-परिणाम पुन: उत्पादन गर्नुहोस्।.

  5. तपाईंसँग अझै पनि एउटा प्रश्न रहेको दुई अनुच्छेदको सारांश लेख्नुहोस्।.

कार्यान्वयन वा आधारभूत रेखाहरू फेला पार्न, अनियमित ब्लगहरू [1-5] मा पुग्नु अघि माथिका स्रोतहरूसँग जोडिएका कोर्स रिपोहरू र आधिकारिक पुस्तकालयहरू जाँच गर्नुहोस्।.

सानो स्वीकारोक्ति: कहिलेकाहीँ म पहिले निष्कर्ष पढ्छु। अर्थोडक्स होइन, तर यसले घुमाउरो बाटो लायक छ कि छैन भनेर निर्णय गर्न मद्दत गर्छ।

तपाईंको व्यक्तिगत एआई स्ट्याक निर्माण गर्दै 🧱

  • डेटा कार्यप्रवाह: झगडाको लागि पाण्डा, आधारभूत रेखाहरूको लागि विज्ञान-सिकाइ।

  • ट्र्याकिङ: साधारण स्प्रेडसिट वा हल्का प्रयोग ट्र्याकर ठीक छ।

  • सेवा: सुरु गर्नको लागि एउटा सानो FastAPI एप वा नोटबुक डेमो पर्याप्त छ।

  • मूल्याङ्कन: स्पष्ट मेट्रिक्स, एब्लेशन, विवेक जाँच; चेरी टिप्ने कामबाट बच्नुहोस्।

आधारभूत कुराहरूमा गति निर्माण गर्ने र प्रतिक्रियाको साथ छिटो दोहोर्याउन बाध्य पार्ने कुरामा fast.ai र Kaggle लाई कम मूल्याङ्कन गरिएको छ [3]।.

भर्तीकर्ताहरूलाई आकर्षित गर्ने पोर्टफोलियो परियोजनाहरू 👍

फरक-फरक शक्ति देखाउने तीनवटा परियोजनाहरूको लक्ष्य राख्नुहोस्:

  1. शास्त्रीय एमएल आधारभूत: बलियो EDA, सुविधाहरू, र त्रुटि विश्लेषण।

  2. गहन सिकाइ एप: छवि वा पाठ, न्यूनतम वेब डेमोको साथ।

  3. LLM-संचालित उपकरण: पुन: प्राप्ति-संवर्धित च्याटबोट वा मूल्याङ्कनकर्ता, प्रम्प्ट र डेटा स्वच्छता स्पष्ट रूपमा दस्तावेज गरिएको।

स्पष्ट समस्या कथन, सेटअप चरणहरू, डेटा कार्डहरू, मूल्याङ्कन तालिकाहरू, र छोटो स्क्रिनकास्टको साथ README हरू प्रयोग गर्नुहोस्। यदि तपाईं आफ्नो मोडेललाई साधारण आधारभूत रेखासँग तुलना गर्न सक्नुहुन्छ भने, अझ राम्रो। तपाईंको परियोजनामा ​​जेनेरेटिभ मोडेलहरू वा उपकरण प्रयोग समावेश हुँदा कुकबुक ढाँचाहरूले मद्दत गर्दछ [5]।.

बर्नआउट रोक्ने अध्ययन बानीहरू ⏱️

  • पोमोडोरो जोडी: २५ मिनेट कोडिङ, ५ मिनेट के परिवर्तन भयो भनेर दस्तावेजीकरण।

  • कोड जर्नल: असफल प्रयोगहरू पछि स-साना पोस्टमार्टमहरू लेख्नुहोस्।

  • जानाजानी अभ्यास: सीपहरू अलग गर्नुहोस् (जस्तै, हप्तामा तीन फरक डेटा लोडरहरू)।

  • समुदाय प्रतिक्रिया: साप्ताहिक अपडेटहरू साझा गर्नुहोस्, कोड समीक्षाको लागि सोध्नुहोस्, एउटा सुझावको लागि एउटा समीक्षा साटासाट गर्नुहोस्।

  • पुन:प्राप्ति: हो, आराम एउटा सीप हो; तपाईंको भविष्यको व्यक्तिले निद्रा पछि राम्रो कोड लेख्छ।

प्रेरणा बग्छ। साना जितहरू र देखिने प्रगति नै मुख्य आधार हुन्।.

डज गर्न सामान्य जोखिमहरू 🧯

  • गणित ढिलाइ: डेटासेट छुनु अघि प्रमाणहरू बिंग गर्दै।

  • अनन्त ट्यूटोरियलहरू: २० भिडियोहरू हेर्नुहोस्, केही पनि निर्माण नगर्नुहोस्।

  • शाइनी-मोडेल सिन्ड्रोम: डेटा वा नोक्सान समाधान गर्नुको सट्टा आर्किटेक्चरहरू साट्नु।

  • कुनै मूल्याङ्कन योजना छैन: यदि तपाईं सफलता कसरी मापन गर्नुहुन्छ भनेर भन्न सक्नुहुन्न भने, तपाईंले भन्न सक्नुहुन्न।

  • कपी-पेस्ट ल्याबहरू: टाइप गर्दै जानुहोस्, अर्को हप्ता सबै कुरा बिर्सनुहोस्।

  • अति-पालिस गरिएका रिपोहरू: उत्तम README, कुनै प्रयोग छैन। उफ्।

जब तपाईंलाई पुन: क्यालिब्रेट गर्न संरचित, प्रतिष्ठित सामग्री चाहिन्छ, CS229/CS231n र MIT को प्रस्तावहरू एक ठोस रिसेट बटन [1-2] हुन्।.

तपाईंले फेरि भ्रमण गर्नुहुनेछ भन्ने सन्दर्भ शेल्फ 📚

  • गुडफेलो, बेन्जियो, कोरभिल - गहन शिक्षा: ब्याकप्रप, नियमितीकरण, अनुकूलन, र वास्तुकलाको लागि मानक सन्दर्भ [5]।

  • MIT १८.०६: अभ्यासकर्ताहरूको लागि म्याट्रिक्स र भेक्टर स्पेसहरूको सबैभन्दा सफा परिचय [२]।

  • CS229/CS231n नोटहरू: व्यावहारिक ML सिद्धान्त + दृष्टि प्रशिक्षण विवरणहरू जसले पूर्वनिर्धारितहरू किन काम गर्छन् भनेर व्याख्या गर्दछ [1]।

  • हगिङ फेस एलएलएम कोर्स: टोकनाइजर, डेटासेट, ट्रान्सफर्मर फाइन-ट्युनिङ, हब कार्यप्रवाह [4]।

  • fast.ai + Kaggle: द्रुत अभ्यास लूपहरू जसले ढुवानीलाई स्टलिङमा पुरस्कृत गर्दछ [3]।

काम सुरु गर्नको लागि ६ हप्ताको कोमल योजना 🗓️

नियम पुस्तिका होइन - बरु लचिलो नुस्खा जस्तै।.

हप्ता १
पाइथन ट्युन-अप, पाण्डा अभ्यास, दृश्यावलोकन। मिनी-प्रोजेक्ट: तुच्छ कुराको भविष्यवाणी गर्नुहोस्; १-पृष्ठको रिपोर्ट लेख्नुहोस्।

हप्ता २
रेखीय बीजगणित रिफ्रेस, भेक्टराइजेशन ड्रिलहरू। राम्रो सुविधाहरू र बलियो आधाररेखा [2] को साथ आफ्नो मिनी-प्रोजेक्टलाई पुन: कार्य गर्नुहोस्।

हप्ता ३
व्यावहारिक मोड्युलहरू (छोटो, केन्द्रित)। क्रस-प्रमाणीकरण, कन्फ्युजन म्याट्रिक्स, क्यालिब्रेसन प्लटहरू थप्नुहोस्।

हप्ता ४
fast.ai पाठ १-२; सानो छवि वा पाठ वर्गीकरणकर्ता [३] पठाउनुहोस्। आफ्नो डेटा पाइपलाइनलाई यसरी दस्तावेजीकरण गर्नुहोस् मानौं कुनै टोली साथीले पछि पढ्नेछ।

हप्ता ५
हगिङ फेस एलएलएम कोर्स द्रुत पास; सानो कोर्पसमा सानो RAG डेमो लागू गर्नुहोस्। विलम्बता/गुणस्तर/लागत मापन गर्नुहोस्, त्यसपछि एउटालाई अनुकूलन गर्नुहोस् [4]।

हप्ता ६
आफ्ना मोडेलहरूलाई साधारण आधारभूत रेखाहरूसँग तुलना गर्दै एक-पृष्ठको लेख्नुहोस्। पोलिश रिपो, छोटो डेमो भिडियो रेकर्ड गर्नुहोस्, प्रतिक्रियाको लागि साझा गर्नुहोस्। कुकबुक ढाँचाहरू यहाँ मद्दत गर्छन् [5]।

अन्तिम टिप्पणी - धेरै लामो भयो, पढिएन 🎯

एआई राम्रोसँग कसरी अध्ययन गर्ने भन्ने कुरा अनौठो रूपमा सरल छ: साना परियोजनाहरू पठाउनुहोस्, पर्याप्त गणित सिक्नुहोस्, र विश्वसनीय पाठ्यक्रमहरू र कुकबुकहरूमा भर पर्नुहोस् ताकि तपाईंले वर्गाकार कुनाहरू भएका पाङ्ग्राहरू पुन: आविष्कार गर्नुहुन्न। एउटा लेन छान्नुहोस्, इमानदार मूल्याङ्कनका साथ पोर्टफोलियो बनाउनुहोस्, र अभ्यास-सिद्धान्त-अभ्यासलाई घुमाइरहनुहोस्। यसलाई केही धारिलो चक्कुहरू र तातो प्यानले खाना पकाउन सिक्ने जस्तै सोच्नुहोस् - हरेक ग्याजेट होइन, केवल टेबलमा खाना पाउनेहरू। तपाईंसँग यो छ। 🌟

सन्दर्भ सामग्रीहरू

[1] स्ट्यानफोर्ड CS229 / CS231n - मेसिन लर्निङ; कम्प्युटर भिजनको लागि गहिरो सिकाइ।

[2] MIT - रेखीय बीजगणित (18.06) र गहन सिकाइको परिचय (6.S191)।

[3] प्रयोगात्मक अभ्यास - fast.ai र Kaggle Learn।

[४] ट्रान्सफर्मर र आधुनिक एनएलपी - हगिङ फेस एलएलएम कोर्स।

[5] गहिरो सिकाइ सन्दर्भ + API ढाँचाहरू - गुडफेलो एट अल.; ओपनएआई कुकबुक।

आधिकारिक एआई सहायक स्टोरमा नवीनतम एआई खोज्नुहोस्

हाम्रो बारेमा

ब्लगमा फर्कनुहोस्