AI నేర్చుకోవడం ఎలా?

AI నేర్చుకోవడం ఎలా?

AI నేర్చుకోవడం అనేది ఒక పెద్ద లైబ్రరీలోకి అడుగుపెట్టినట్లు అనిపించవచ్చు, అక్కడ ప్రతి పుస్తకం "ఇక్కడ ప్రారంభించు" అని అరుస్తుంది. సగం అల్మారాలు "గణితం" అని చెబుతున్నాయి, అంటే... కొంచెం దురుసుగా 😅

మంచి విషయం ఏమిటంటే: ఉపయోగకరమైన వస్తువులను నిర్మించడానికి మీరు ప్రతిదీ తెలుసుకోవలసిన అవసరం లేదు. మీకు సరైన మార్గం, కొన్ని నమ్మదగిన వనరులు మరియు కొంచెం గందరగోళానికి గురికావడానికి సంసిద్ధత అవసరం (గందరగోళం ప్రాథమికంగా ప్రవేశ రుసుము).

దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:

🔗 AI క్రమరాహిత్యాలను ఎలా గుర్తిస్తుంది
యంత్ర అభ్యాసం మరియు గణాంకాలను ఉపయోగించి క్రమరాహిత్య గుర్తింపు పద్ధతులను వివరిస్తుంది.

🔗 AI సమాజానికి ఎందుకు చెడ్డది
కృత్రిమ మేధస్సు యొక్క నైతిక, సామాజిక మరియు ఆర్థిక నష్టాలను పరిశీలిస్తుంది.

🔗 AI ఎంత నీటిని వినియోగిస్తుంది?
AI శక్తి వినియోగం మరియు దాచిన నీటి వినియోగ ప్రభావాలను విచ్ఛిన్నం చేస్తుంది.

🔗 AI డేటాసెట్ అంటే ఏమిటి
డేటాసెట్‌లు, లేబులింగ్ మరియు AI శిక్షణలో వాటి పాత్రను నిర్వచిస్తుంది.

రోజువారీ జీవితంలో "AI" అంటే ఏమిటి 🤷♀️

ప్రజలు "AI" అని అంటారు మరియు కొన్ని విభిన్న విషయాలను సూచిస్తారు:

  • మెషిన్ లెర్నింగ్ (ML) – మోడల్‌లు డేటా నుండి ఇన్‌పుట్‌లను మ్యాప్ చేయడానికి మరియు అవుట్‌పుట్‌లకు నమూనాలను నేర్చుకుంటాయి (ఉదా., స్పామ్ గుర్తింపు, ధర అంచనా). [1]

  • డీప్ లెర్నింగ్ (DL) – స్కేల్ వద్ద న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించే ML యొక్క ఉపసమితి (దృష్టి, ప్రసంగం, పెద్ద భాషా నమూనాలు). [2]

  • జనరేటివ్ AI – టెక్స్ట్, ఇమేజ్‌లు, కోడ్, ఆడియో (చాట్‌బాట్‌లు, కోపైలట్‌లు, కంటెంట్ టూల్స్) ఉత్పత్తి చేసే మోడల్‌లు. [2]

  • రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ - ట్రయల్ మరియు రివార్డ్ ద్వారా నేర్చుకోవడం (గేమ్ ఏజెంట్లు, రోబోటిక్స్). [1]

ప్రారంభంలోనే మీరు సరిగ్గా ఎంచుకోవాల్సిన అవసరం లేదు. AI ని మ్యూజియం లాగా చూడకండి. ఇది వంటగది లాంటిది - మీరు వంట చేయడం ద్వారా వేగంగా నేర్చుకుంటారు. కొన్నిసార్లు మీరు టోస్ట్‌ను కాల్చేస్తారు. 🍞🔥

చిన్న ఉపాఖ్యానం: ఒక చిన్న బృందం "గొప్ప" చర్న్ మోడల్‌ను పంపింది... వారు ట్రైన్ మరియు టెస్ట్‌లో ఒకేలాంటి IDలను గమనించే వరకు. క్లాసిక్ లీకేజ్. ఒక సాధారణ పైప్‌లైన్ + క్లీన్ స్ప్లిట్ అనుమానాస్పద 0.99ని నమ్మదగిన (తక్కువ!) స్కోర్‌గా మరియు వాస్తవానికి సాధారణీకరించిన మోడల్‌గా మార్చింది. [3]

“AI నేర్చుకోవడం ఎలా” ప్లాన్ మంచిదా? ✅

మంచి ప్రణాళికలో బోరింగ్‌గా అనిపించినా నెలల తరబడి ఆదా చేసే కొన్ని లక్షణాలు ఉన్నాయి:

  • మీరు నేర్చుకుంటున్నప్పుడు నిర్మించండి (చిన్న ప్రాజెక్టులు ముందుగానే, పెద్దవి తర్వాత).

  • అవసరమైన కనీస గణితాన్ని నేర్చుకోండి , ఆపై లోతు కోసం తిరిగి వృత్తం గీయండి.

  • మీరు ఏమి చేశారో వివరించండి (మీ పనిని రబ్బరుతో కప్పేయండి; ఇది మసక ఆలోచనను నయం చేస్తుంది).

  • కొంతకాలం ఒక "కోర్ స్టాక్" కి అతుక్కోండి (పైథాన్ + జూపిటర్ + స్కికిట్-లెర్న్ → తర్వాత పైటోర్చ్).

  • చూసిన గంటల ఆధారంగా కాదు, అవుట్‌పుట్‌ల ఆధారంగా పురోగతిని కొలవండి

మీ ప్లాన్ వీడియోలు మరియు గమనికలు మాత్రమే అయితే, అది నీటి గురించి చదవడం ద్వారా ఈత కొట్టడానికి ప్రయత్నించడం లాంటిది.

మీ లేన్‌ను ఎంచుకోండి (ప్రస్తుతానికి) – మూడు సాధారణ మార్గాలు 🚦

మీరు వివిధ "ఆకారాలలో" AI నేర్చుకోవచ్చు. ఇక్కడ పనిచేసే మూడు ఉన్నాయి:

1) ఆచరణాత్మక బిల్డర్ మార్గం 🛠️

మీరు త్వరిత విజయాలు మరియు ప్రేరణ కోరుకుంటే ఉత్తమమైనది.
దృష్టి: డేటాసెట్‌లు, శిక్షణ నమూనాలు, షిప్పింగ్ డెమోలు.
స్టార్టర్ వనరులు: Google యొక్క ML క్రాష్ కోర్సు, Kaggle Learn, fast.ai (క్రింద సూచనలు & వనరులలో లింక్‌లు).

2) ప్రాథమిక అంశాలు-మొదటి మార్గం 📚

మీరు స్పష్టత మరియు సిద్ధాంతాన్ని ఇష్టపడితే మంచిది.
దృష్టి: తిరోగమనం, పక్షపాతం–వేరియన్స్, సంభావ్యత ఆలోచన, ఆప్టిమైజేషన్.
యాంకర్లు: స్టాన్‌ఫోర్డ్ CS229 మెటీరియల్స్, MIT ఇంట్రో టు డీప్ లెర్నింగ్. [1][2]

3) gen-AI యాప్ డెవలపర్ మార్గం ✨

మీరు సహాయకులు, శోధన, వర్క్‌ఫ్లోలు, “ఏజెంట్-వై” అంశాలను నిర్మించాలనుకుంటే ఇది ఉత్తమమైనది.
దృష్టి: ప్రాంప్టింగ్, రిట్రీవల్, ఎవాల్స్, టూల్ వినియోగం, భద్రతా ప్రాథమికాలు, విస్తరణ.
దగ్గరగా ఉంచుకోవలసిన డాక్స్: ప్లాట్‌ఫామ్ డాక్స్ (APIలు), HF కోర్సు (సాధనం).

మీరు తర్వాత లేన్లు మార్చుకోవచ్చు. ప్రారంభించడం కష్టమైన భాగం.

 

AI అధ్యయనం ఎలా నేర్చుకోవాలి

పోలిక పట్టిక - నేర్చుకోవడానికి అగ్ర మార్గాలు (నిజాయితీగా ఉండే విచిత్రాలతో) 📋

సాధనం / కోర్సు ప్రేక్షకులు ధర ఇది ఎందుకు పనిచేస్తుంది (చిన్న సమయం)
గూగుల్ మెషిన్ లెర్నింగ్ క్రాష్ కోర్సు బిగినర్స్ ఉచితం దృశ్య + ఆచరణాత్మక అనుభవం; అధిక సంక్లిష్టతను నివారిస్తుంది.
కాగ్లే లెర్న్ (పరిచయం + ఇంటర్మీడియట్ ML) సాధన ఇష్టపడే ప్రారంభకులు ఉచితం చిన్న చిన్న పాఠాలు + తక్షణ వ్యాయామాలు
fast.ai ప్రాక్టికల్ డీప్ లెర్నింగ్ కొంత కోడింగ్ ఉన్న బిల్డర్లు ఉచితం మీరు నిజమైన మోడల్స్ కి ముందుగానే శిక్షణ ఇస్తారు - అంటే, వెంటనే 😅
DeepLearning.AI ML స్పెషలైజేషన్ నిర్మాణాత్మక అభ్యాసకులు చెల్లించబడింది కోర్ ML భావనల ద్వారా స్పష్టమైన పురోగతి
DeepLearning.AI డీప్ లెర్నింగ్ స్పెక్ ఇప్పటికే ML బేసిక్స్ చెల్లించబడింది నాడీ వలలపై ఘన లోతు + వర్క్‌ఫ్లోలు
స్టాన్‌ఫోర్డ్ CS229 గమనికలు సిద్ధాంత ఆధారిత ఉచితం తీవ్రమైన ప్రాథమిక అంశాలు (“ఇది ఎందుకు పనిచేస్తుంది”)
scikit-learn యూజర్ గైడ్ ML ప్రాక్టీషనర్లు ఉచితం పట్టిక/బేస్‌లైన్‌ల కోసం క్లాసిక్ టూల్‌కిట్
పైటోర్చ్ ట్యుటోరియల్స్ లోతైన అభ్యాస బిల్డర్లు ఉచితం టెన్సర్‌ల నుండి క్లీన్ పాత్ → శిక్షణ లూప్‌లు [4]
హగ్గింగ్ ఫేస్ LLM కోర్సు NLP + LLM బిల్డర్లు ఉచితం ప్రాక్టికల్ LLM వర్క్‌ఫ్లో + ఎకోసిస్టమ్ టూల్స్
NIST AI రిస్క్ మేనేజ్‌మెంట్ ఫ్రేమ్‌వర్క్ AI ని అమలు చేస్తున్న ఎవరైనా ఉచితం సరళమైన, ఉపయోగించగల రిస్క్/గవర్నెన్స్ స్కాఫోల్డింగ్ [5]

చిన్న గమనిక: ఆన్‌లైన్‌లో “ధర” అనేది వింతగా ఉంటుంది. కొన్ని వస్తువులు ఉచితం కానీ శ్రద్ధ ఖర్చవుతుంది... ఇది కొన్నిసార్లు అధ్వాన్నంగా ఉంటుంది.

మీకు నిజంగా అవసరమైన ప్రధాన నైపుణ్యాల స్టాక్ (మరియు ఏ క్రమంలో) 🧩

మునిగిపోకుండా AI నేర్చుకోవడం ఎలా అనేది మీ లక్ష్యం అయితే

  1. పైథాన్ బేసిక్స్

  • విధులు, జాబితాలు/డిక్ట్‌లు, లైట్ క్లాసులు, ఫైల్‌లను చదవడం.

  • తప్పనిసరిగా ఉండవలసిన అలవాటు: నోట్‌బుక్‌లు మాత్రమే కాకుండా చిన్న చిన్న స్క్రిప్ట్‌లు రాయడం.

  1. డేటా నిర్వహణ

  • నమ్మదగిన ఆలోచన, పాండాల ప్రాథమిక అంశాలు, కుట్రలు.

  • నువ్వు ఇక్కడ చాలా సమయం గడుపుతావు. ఆకర్షణీయంగా లేదు, కానీ అది ఉద్యోగం.

  1. క్లాసికల్ ML (ది అండర్‌రేటెడ్ సూపర్ పవర్)

  • రైలు/పరీక్ష స్ప్లిట్‌లు, లీకేజీ, అతిగా అమర్చడం.

  • లీనియర్/లాజిస్టిక్ రిగ్రెషన్, చెట్లు, యాదృచ్ఛిక అడవులు, ప్రవణత పెంచడం.

  • కొలమానాలు: ఖచ్చితత్వం, ఖచ్చితత్వం/రీకాల్, ROC-AUC, MAE/RMSE - ఎప్పుడు అర్ధమవుతుందో తెలుసుకోండి. [3]

  1. లోతైన అభ్యాసం

  • టెన్సర్లు, ప్రవణతలు/బ్యాక్‌ప్రాప్ (సంభావితంగా), శిక్షణ ఉచ్చులు.

  • చిత్రాలకు CNNలు, టెక్స్ట్ కోసం ట్రాన్స్‌ఫార్మర్లు (చివరికి).

  • కొన్ని ఎండ్-టు-ఎండ్ PyTorch బేసిక్స్ చాలా దూరం వెళ్తాయి. [4]

  1. జనరేటివ్ AI + LLM వర్క్‌ఫ్లోలు

  • టోకనైజేషన్, ఎంబెడ్డింగ్‌లు, రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్, మూల్యాంకనం.

  • ఫైన్-ట్యూనింగ్ vs. ప్రాంప్టింగ్ (మరియు మీకు రెండూ అవసరం లేనప్పుడు).

మీరు అనుసరించగల దశల వారీ ప్రణాళిక 🗺️

దశ A – మీ మొదటి మోడల్ పని చేసేలా చేయండి (వేగంగా) ⚡

లక్ష్యం: ఏదైనా శిక్షణ ఇవ్వండి, కొలవండి, మెరుగుపరచండి.

  • ఒక కాంపాక్ట్ ఇంట్రో (ఉదా., ML క్రాష్ కోర్స్), తరువాత ఒక ఆచరణాత్మక మైక్రో-కోర్సు (ఉదా., కాగ్లే ఇంట్రో) చేయండి.

  • ప్రాజెక్ట్ ఆలోచన: పబ్లిక్ డేటాసెట్‌లో ఇళ్ల ధరలు, కస్టమర్ల కదలిక లేదా క్రెడిట్ రిస్క్‌ను అంచనా వేయండి.

చిన్న "గెలుపు" చెక్‌లిస్ట్:

  • మీరు డేటాను లోడ్ చేసుకోవచ్చు.

  • మీరు బేస్‌లైన్ మోడల్‌కు శిక్షణ ఇవ్వవచ్చు.

  • మీరు సరళమైన భాషలో అతిగా అమర్చడాన్ని వివరించవచ్చు.

దశ B – నిజమైన ML అభ్యాసంతో సౌకర్యవంతంగా ఉండండి 🔧

లక్ష్యం: సాధారణ వైఫల్య విధానాలను చూసి ఆశ్చర్యపోకుండా ఉండండి.

  • ఇంటర్మీడియట్ ML అంశాల ద్వారా పని చేయండి: తప్పిపోయిన విలువలు, లీకేజీ, పైప్‌లైన్‌లు, CV.

  • కొన్ని scikit-learn యూజర్ గైడ్ విభాగాలను దాటవేసి, వాస్తవానికి స్నిప్పెట్‌లను అమలు చేయండి. [3]

  • ప్రాజెక్ట్ ఆలోచన: సేవ్ చేయబడిన మోడల్ + మూల్యాంకన నివేదికతో కూడిన సరళమైన ఎండ్-టు-ఎండ్ పైప్‌లైన్.

దశ C – మాంత్రికతలా అనిపించని లోతైన అభ్యాసం 🧙♂️

లక్ష్యం: నాడీ వలయానికి శిక్షణ ఇవ్వడం మరియు శిక్షణ లూప్‌ను అర్థం చేసుకోవడం.

  • PyTorch “Learn the Basics” పాత్ (టెన్సర్లు → డేటాసెట్‌లు/డేటాలోడర్లు → శిక్షణ/eval → సేవింగ్) చేయండి. [4]

  • మీకు వేగం మరియు ఆచరణాత్మక వైబ్‌లు కావాలంటే ఐచ్ఛికంగా fast.ai తో జత చేయండి.

  • ప్రాజెక్ట్ ఐడియా: ఇమేజ్ వర్గీకరణ, సెంటిమెంట్ మోడల్, లేదా ఒక చిన్న ట్రాన్స్‌ఫార్మర్ ఫైన్-ట్యూన్.

దశ D – వాస్తవానికి పనిచేసే ఉత్పాదక AI యాప్‌లు ✨

లక్ష్యం: ప్రజలు ఉపయోగించే ఏదైనా నిర్మించడం.

  • ఎంబెడ్డింగ్‌లు, తిరిగి పొందడం మరియు సురక్షితమైన జనరేషన్‌లను అందించడానికి ఆచరణాత్మక LLM కోర్సు + విక్రేత శీఘ్ర ప్రారంభాన్ని అనుసరించండి.

  • ప్రాజెక్ట్ ఐడియా: మీ పై ప్రశ్నోత్తరాల బాట్ (చంక్ → ఎంబెడ్ → రిట్రీవ్ → సైటేషన్లతో సమాధానం), లేదా టూల్ కాల్స్ తో కస్టమర్-సపోర్ట్ హెల్పర్.

“గణితం” భాగం - మొత్తం భోజనంలా కాకుండా, రుచికరంగా నేర్చుకోండి 🧂

గణితం ముఖ్యం, కానీ సమయం అంతకంటే ముఖ్యం.

ప్రారంభించడానికి కనీస ఆచరణీయ గణితం:

  • లీనియర్ ఆల్జీబ్రా: వెక్టర్స్, మాత్రికలు, డాట్ ప్రొడక్ట్స్ (ఎంబెడ్డింగ్స్ కోసం అంతర్ దృష్టి). [2]

  • కలనశాస్త్రం: ఉత్పన్న అంతర్ దృష్టి (వాలులు → ప్రవణతలు). [1]

  • సంభావ్యత: పంపిణీలు, అంచనా, బేయిస్-ఇష్ ఆలోచనా విధానం. [1]

మీరు తరువాత మరింత అధికారిక వెన్నెముక కోరుకుంటే, ఫండమెంటల్స్ కోసం CS229 గమనికలు మరియు ఆధునిక అంశాల కోసం MIT యొక్క పరిచయ లోతైన అభ్యాసంలో మునిగిపోండి. [1][2]

మీరు ఏమి చేస్తున్నారో మీకు తెలిసినట్లుగా కనిపించేలా చేసే ప్రాజెక్టులు 😄

మీరు బొమ్మల డేటాసెట్‌లపై వర్గీకరణదారులను మాత్రమే నిర్మిస్తే, మీరు చిక్కుకున్నట్లు భావిస్తారు. నిజమైన పనిని పోలి ఉండే ప్రాజెక్టులను ప్రయత్నించండి:

  • బేస్‌లైన్-ఫస్ట్ ML ప్రాజెక్ట్ (scikit-learn): క్లీన్ డేటా → బలమైన బేస్‌లైన్ → ఎర్రర్ విశ్లేషణ. [3]

  • LLM + రిట్రీవల్ యాప్: ఇన్‌జెస్ట్ డాక్స్ → చంక్ → ఎంబెడ్ → రిట్రీవ్ → సైటేషన్‌లతో సమాధానాలను రూపొందించండి.

  • మోడల్ పర్యవేక్షణ మినీ-డ్యాష్‌బోర్డ్: లాగ్ ఇన్‌పుట్‌లు/అవుట్‌పుట్‌లు; డ్రిఫ్ట్-ఇష్ సిగ్నల్‌లను ట్రాక్ చేయండి (సాధారణ గణాంకాలు కూడా సహాయపడతాయి).

  • బాధ్యతాయుతమైన AI మినీ-ఆడిట్: డాక్యుమెంట్ ప్రమాదాలు, అంచు కేసులు, వైఫల్య ప్రభావాలు; తేలికైన ఫ్రేమ్‌వర్క్‌ను ఉపయోగించండి. [5]

బాధ్యతాయుతమైన & ఆచరణాత్మక విస్తరణ (అవును, సోలో బిల్డర్లకు కూడా) 🧯

వాస్తవిక తనిఖీ: ఆకట్టుకునే డెమోలు సులభం; నమ్మదగిన వ్యవస్థలు కావు.

  • చిన్న "మోడల్ కార్డ్" శైలి README ని ఉంచండి: డేటా సోర్స్‌లు, మెట్రిక్స్, తెలిసిన పరిమితులు, అప్‌డేట్ కేడెన్స్.

  • ప్రాథమిక గార్డ్‌రైల్‌లను జోడించండి (రేటు పరిమితులు, ఇన్‌పుట్ ధ్రువీకరణ, దుర్వినియోగ పర్యవేక్షణ).

  • వినియోగదారు ఎదుర్కొనే లేదా పర్యవసానంగా జరిగే దేనికైనా, రిస్క్-ఆధారిత విధానాన్ని ఉపయోగించండి: హానిని గుర్తించడం, అంచు కేసులను పరీక్షించడం మరియు డాక్యుమెంట్ తగ్గింపులు. NIST AI RMF దీని కోసమే నిర్మించబడింది. [5]

సాధారణ లోపాలు (కాబట్టి మీరు వాటిని తప్పించుకోవచ్చు) 🧨

  • ట్యుటోరియల్ హోపింగ్ - "ఇంకో కోర్సు మాత్రమే" మీ పూర్తి వ్యక్తిత్వంగా మారుతుంది.

  • కష్టతరమైన అంశంతో ప్రారంభించండి - ట్రాన్స్‌ఫార్మర్లు బాగుంటాయి, కానీ ప్రాథమిక అంశాలు అద్దె చెల్లిస్తాయి.

  • మూల్యాంకనాన్ని విస్మరించడం - ఖచ్చితత్వం మాత్రమే నేరుగా ఉండటం వల్ల వస్తుంది. పనికి సరైన మెట్రిక్‌ను ఉపయోగించండి. [3]

  • విషయాలను రాసుకోవద్దు - చిన్న గమనికలు వ్రాసుకోండి: ఏది విఫలమైంది, ఏది మారిపోయింది, ఏది మెరుగుపడింది.

  • డిప్లాయ్‌మెంట్ ప్రాక్టీస్ లేదు - ఒక సాధారణ యాప్ రేపర్ కూడా చాలా నేర్పుతుంది.

  • రిస్క్ గురించి ఆలోచించకుండా ఉండండి - మీరు షిప్ చేసే ముందు సంభావ్య హానిలపై రెండు బుల్లెట్లను రాయండి. [5]

చివరి వ్యాఖ్యలు – చాలా పొడవుగా ఉంది, నేను చదవలేదు 😌

AI ఎలా నేర్చుకోవాలి అని అడుగుతుంటే , ఇక్కడ సరళమైన విజేత వంటకం ఉంది:

  • ఆచరణాత్మక ML బేసిక్స్ (కాంపాక్ట్ ఇంట్రో + కాగిల్-స్టైల్ ప్రాక్టీస్) తో ప్రారంభించండి

  • నిజమైన ML వర్క్‌ఫ్లోలు మరియు మెట్రిక్‌లను నేర్చుకోవడానికి scikit-learnని ఉపయోగించండి

  • లోతైన అభ్యాసం మరియు శిక్షణ లూప్‌ల కోసం PyTorch కి వెళ్లండి

  • ప్రాక్టికల్ కోర్సు మరియు API క్విక్‌స్టార్ట్‌లతో LLM నైపుణ్యాలను జోడించండి

  • డేటా ప్రిపరేషన్, మోడలింగ్, మూల్యాంకనం మరియు ఒక సాధారణ “ఉత్పత్తి” రేపర్‌ను చూపించే 3–5 ప్రాజెక్టులను నిర్మించండి

  • రిస్క్/గవర్నెన్స్‌ను ఐచ్ఛిక అదనపు అంశంగా కాకుండా “పూర్తయింది”లో భాగంగా పరిగణించండి

మరియు అవును, మీరు కొన్నిసార్లు తప్పిపోయినట్లు అనిపిస్తుంది. అది సాధారణం. AI అనేది టోస్టర్‌కి చదవడం నేర్పించడం లాంటిది - ఇది పనిచేసినప్పుడు ఆకట్టుకుంటుంది, అది పని చేయనప్పుడు కొంచెం భయానకంగా ఉంటుంది మరియు ఎవరూ అంగీకరించే దానికంటే ఎక్కువ పునరావృత్తులు అవసరం 😵💫

ప్రస్తావనలు

[1] స్టాన్‌ఫోర్డ్ CS229 లెక్చర్ నోట్స్. (కోర్ ML ఫండమెంటల్స్, సూపర్‌వైజ్డ్ లెర్నింగ్, ప్రాబబిలిస్టిక్ ఫ్రేమింగ్).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: లోతైన అభ్యాసానికి పరిచయం. (లోతైన అభ్యాస అవలోకనం, LLMలు సహా ఆధునిక అంశాలు).
https://introtodeeplearning.com/

[3] scikit-learn: మోడల్ మూల్యాంకనం & కొలమానాలు. (ఖచ్చితత్వం, ఖచ్చితత్వం/పునరావృతం, ROC-AUC, మొదలైనవి).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] పైటోర్చ్ ట్యుటోరియల్స్ – ప్రాథమికాలను తెలుసుకోండి. (టెన్సర్లు, డేటాసెట్‌లు/డేటాలోడర్లు, శిక్షణ/ఎవాల్ లూప్‌లు).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] NIST AI రిస్క్ మేనేజ్‌మెంట్ ఫ్రేమ్‌వర్క్ (AI RMF 1.0). (రిస్క్-ఆధారిత, విశ్వసనీయ AI మార్గదర్శకత్వం).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

అదనపు వనరులు (క్లిక్ చేయదగినవి)

అధికారిక AI అసిస్టెంట్ స్టోర్‌లో తాజా AI ని కనుగొనండి

మా గురించి

బ్లాగుకు తిరిగి వెళ్ళు