కృత్రిమ మేధ (ఆర్టిఫిషియల్ ఇంటెలిజెన్స్) చాలా పెద్దదిగా మరియు కొంతవరకు రహస్యంగా అనిపిస్తుంది. శుభవార్త ఏమిటంటే: నిజమైన పురోగతి సాధించడానికి మీకు రహస్య గణిత శక్తులు గానీ లేదా GPUలతో నిండిన ల్యాబ్ గానీ అవసరం లేదు. మీరు AIని ఎలా అధ్యయనం చేయాలని, ఈ గైడ్ మీకు సున్నా నుండి పోర్ట్ఫోలియోకు సిద్ధంగా ఉండే ప్రాజెక్ట్లను నిర్మించడం వరకు ఒక స్పష్టమైన మార్గాన్ని అందిస్తుంది. అంతేకాదు, మేము ఇందులో వనరులు, అధ్యయన వ్యూహాలు మరియు కష్టపడి సంపాదించిన కొన్ని షార్ట్కట్లను కూడా జతచేస్తాము. ఇక ప్రారంభిద్దాం.
🔗 AI ఎలా నేర్చుకుంటుంది?
యంత్రాలకు బోధించే అల్గోరిథంలు, డేటా మరియు అభిప్రాయం యొక్క అవలోకనం.
🔗 దేనినైనా వేగంగా నేర్చుకోవడానికి అగ్రశ్రేణి AI సాధనాలు
అధ్యయనం, అభ్యాసం మరియు నైపుణ్య నైపుణ్యాన్ని వేగవంతం చేయడానికి క్యూరేటెడ్ యాప్లు.
🔗 భాష నేర్చుకోవడానికి ఉత్తమ AI సాధనాలు
పదజాలం, వ్యాకరణం, మాట్లాడటం మరియు గ్రహణ అభ్యాసాన్ని వ్యక్తిగతీకరించే యాప్లు.
🔗 ఉన్నత విద్య, అభ్యాసం మరియు పరిపాలన కోసం అగ్ర AI సాధనాలు
బోధన, మూల్యాంకనం, విశ్లేషణలు మరియు క్యాంపస్ కార్యకలాపాల సామర్థ్యాన్ని సమర్ధించే వేదికలు.
AI ని ఎలా అధ్యయనం చేయాలి ✅
మంచి అధ్యయన ప్రణాళిక అనేది ఒక దృఢమైన టూల్బాక్స్ లాంటిది, యాదృచ్ఛికంగా విసిరే చెత్త డ్రాయర్ లాంటిది కాదు. అది ఇలా ఉండాలి:
-
ప్రతి కొత్త బ్లాక్ చివరిదానిపై చక్కగా సరిపోయేలా సీక్వెన్స్ నైపుణ్యాలు
-
మొదట అభ్యాసానికి ప్రాధాన్యత ఇవ్వండి , తరువాత సిద్ధాంతానికి ప్రాధాన్యత ఇవ్వండి - కానీ ఎప్పుడూ కాదు .
-
మీరు నిజమైన మానవులకు చూపించగల నిజమైన ప్రాజెక్టులకు యాంకర్గా ఉండండి
-
మీకు బలహీనమైన అలవాట్లను నేర్పని ప్రామాణిక మూలాలను ఉపయోగించండి
-
చిన్న, పునరావృతమయ్యే నిత్యకృత్యాలతో మీ జీవితాన్ని తీర్చిదిద్దుకోండి
-
ఫీడ్బ్యాక్ లూప్లు, బెంచ్మార్క్లు మరియు కోడ్ సమీక్షలతో మిమ్మల్ని నిజాయితీగా ఉంచండి
మీ ప్రణాళిక మీకు వీటిని ఇవ్వకపోతే, అవి కేవలం వైబ్లు మాత్రమే. స్థిరంగా అందించే బలమైన యాంకర్లు: ఫండమెంటల్స్ మరియు విజన్ కోసం స్టాన్ఫోర్డ్ యొక్క CS229/CS231n, MIT యొక్క లీనియర్ ఆల్జీబ్రా మరియు డీప్ లెర్నింగ్కు పరిచయం, హ్యాండ్స్-ఆన్ స్పీడ్ కోసం fast.ai, ఆధునిక NLP/ట్రాన్స్ఫార్మర్ల కోసం హగ్గింగ్ ఫేస్ యొక్క LLM కోర్సు మరియు ఆచరణాత్మక API నమూనాల కోసం OpenAI కుక్బుక్ [1–5].
సంక్షిప్త సమాధానం: AI రోడ్మ్యాప్ను ఎలా అధ్యయనం చేయాలి 🗺️
-
ప్రమాదకరంగా మారడానికి పైథాన్ + నోట్బుక్లను నేర్చుకోండి
-
ముఖ్యమైన గణితాన్ని మెరుగుపరచండి: లీనియర్ ఆల్జీబ్రా, సంభావ్యత, ఆప్టిమైజేషన్ బేసిక్స్.
-
చిన్న ML ప్రాజెక్టులను పూర్తి స్థాయిలో చేయండి: డేటా, మోడల్, మెట్రిక్స్, ఇటరేషన్.
-
లోతైన అభ్యాసంతో స్థాయిని పెంచుకోండి: CNNలు, ట్రాన్స్ఫార్మర్లు, శిక్షణ డైనమిక్స్.
-
ఒక లేన్ను ఎంచుకోండి: విజన్, NLP, సిఫార్సుదారు వ్యవస్థలు, ఏజెంట్లు, సమయ శ్రేణి.
-
క్లీన్ రెపోలు, READMEలు మరియు డెమోలతో పోర్ట్ఫోలియో ప్రాజెక్టులను రవాణా చేయండి
-
పేపర్లను సోమరితనంతో-తెలివిగా చదవండి మరియు చిన్న ఫలితాలను ప్రతిబింబించండి.
-
ఒక అభ్యాస లూప్ను ఉంచండి: మూల్యాంకనం, రీఫ్యాక్టర్, డాక్యుమెంట్, షేర్.
గణితానికి, MIT యొక్క లీనియర్ ఆల్జీబ్రా ఒక దృఢమైన యాంకర్, మరియు మీరు బ్యాక్ప్రాప్, రెగ్యులరైజేషన్ లేదా ఆప్టిమైజేషన్ సూక్ష్మ నైపుణ్యాలలో చిక్కుకున్నప్పుడు గుడ్ఫెలో–బెంజియో–కోర్విల్లే టెక్స్ట్ నమ్మదగిన సూచన [2, 5].
మీరు చాలా లోతుగా వెళ్ళే ముందు నైపుణ్యాల చెక్లిస్ట్ 🧰
-
పైథాన్: ఫంక్షన్లు, తరగతులు, జాబితా/డిక్ట్ కంప్స్, వర్చువల్ ఎన్విఎస్, ప్రాథమిక పరీక్షలు.
-
డేటా నిర్వహణ: పాండాలు, NumPy, ప్లాటింగ్, సాధారణ EDA.
-
మీరు వాస్తవంగా ఉపయోగించే గణితం: వెక్టర్లు, మాత్రికలు, ఐగెన్-అంతర్ దృష్టి, గ్రేడియంట్లు, సంభావ్యతా పంపిణీలు, క్రాస్-ఎంట్రోపీ, క్రమబద్ధీకరణ.
-
సాధనం: Git, GitHub సమస్యలు, Jupyter, GPU నోట్బుక్లు, మీ పరుగులను లాగింగ్ చేయడం.
-
మనస్తత్వం: రెండుసార్లు కొలవండి, ఒకసారి పంపండి; అగ్లీ డ్రాఫ్ట్లను స్వీకరించండి; మొదట మీ డేటాను సరిచేయండి.
త్వరిత విజయాలు: fast.ai యొక్క టాప్-డౌన్ విధానం మీకు ఉపయోగకరమైన మోడళ్లకు ముందుగానే శిక్షణ ఇస్తుంది, అయితే కాగ్లే యొక్క బైట్-సైజ్ పాఠాలు పాండాలు మరియు బేస్లైన్లకు కండరాల జ్ఞాపకశక్తిని పెంచుతాయి [3].
పోలిక పట్టిక: జనాదరణ పొందిన AI అభ్యాస మార్గాలు 📊
చిన్న చిన్న చిన్న లోపాలు కూడా ఉన్నాయి - ఎందుకంటే నిజమైన టేబుల్స్ చాలా అరుదుగా చక్కగా ఉంటాయి.
| సాధనం / కోర్సు | ఉత్తమమైనది | ధర | ఇది ఎందుకు పనిచేస్తుంది / గమనికలు |
|---|---|---|---|
| స్టాన్ఫోర్డ్ CS229/CS231n | ఘన సిద్ధాంతం + దృష్టి లోతు | ఉచితం | క్లీన్ ML ఫౌండేషన్స్ + CNN శిక్షణ వివరాలు; తరువాత ప్రాజెక్టులతో జత చేయండి [1]. |
| MIT DL + 18.06 పరిచయం | భావన నుండి అభ్యాసానికి వారధి | ఉచితం | సంక్షిప్త DL ఉపన్యాసాలు + ఎంబెడ్డింగ్లు మొదలైన వాటికి మ్యాప్ చేసే కఠినమైన లీనియర్ ఆల్జీబ్రా [2]. |
| fast.ai ప్రాక్టికల్ DL | చేయడం ద్వారా నేర్చుకునే హ్యాకర్లు | ఉచితం | ప్రాజెక్టులు-మొదటిది, అవసరమైనంత వరకు కనీస గణితం; చాలా ప్రేరణాత్మకమైన అభిప్రాయ ఉచ్చులు [3]. |
| హగ్గింగ్ ఫేస్ LLM కోర్సు | ట్రాన్స్ఫార్మర్లు + ఆధునిక NLP స్టాక్ | ఉచితం | టోకనైజర్లు, డేటాసెట్లు, హబ్; ఆచరణాత్మక ఫైన్-ట్యూనింగ్/అనుమితి వర్క్ఫ్లోలను బోధిస్తుంది [4]. |
| OpenAI కుక్బుక్ | ఫౌండేషన్ నమూనాలను ఉపయోగిస్తున్న బిల్డర్లు | ఉచితం | ఉత్పత్తి పనులు మరియు గార్డ్రెయిల్ల కోసం అమలు చేయగల వంటకాలు మరియు నమూనాలు [5]. |
డీప్ డైవ్ 1: మొదటి నెల - పరిపూర్ణతపై ప్రాజెక్టులు 🧪
రెండు చిన్న ప్రాజెక్టులతో ప్రారంభించండి. నిజంగా చిన్నవి:
-
పట్టిక బేస్లైన్: పబ్లిక్ డేటాసెట్ను లోడ్ చేయండి, రైలు/పరీక్షను విభజించండి, లాజిస్టిక్ రిగ్రెషన్ లేదా చిన్న చెట్టును అమర్చండి, మెట్రిక్లను ట్రాక్ చేయండి, విఫలమైన వాటిని వ్రాయండి.
-
టెక్స్ట్ లేదా ఇమేజ్ బొమ్మ: డేటా ముక్కపై ముందుగా శిక్షణ పొందిన చిన్న మోడల్ను చక్కగా ట్యూన్ చేయండి. డాక్యుమెంట్ ప్రీప్రాసెసింగ్, శిక్షణ సమయం మరియు ట్రేడ్ఆఫ్లు.
ఈ విధంగా ఎందుకు ప్రారంభించాలి? ప్రారంభ విజయాలు ఊపును సృష్టిస్తాయి. మీరు వర్క్ఫ్లో అనుసంధానాన్ని నేర్చుకుంటారు—డేటా క్లీనింగ్, ఫీచర్ ఎంపికలు, మూల్యాంకనం మరియు పునరావృతం. fast.ai యొక్క టాప్-డౌన్ పాఠాలు మరియు కాగ్లే యొక్క నిర్మాణాత్మక నోట్బుక్లు ఖచ్చితంగా ఈ “ముందు పంపండి, తరువాత లోతుగా అర్థం చేసుకోండి” అనే క్రమాన్ని బలపరుస్తాయి [3].
మినీ-కేస్ (2 వారాలు, పని తర్వాత): ఒక జూనియర్ అనలిస్ట్ మొదటి వారంలో చర్న్ బేస్లైన్ (లాజిస్టిక్ రిగ్రెషన్) నిర్మించి, ఆ తర్వాత రెండవ వారంలో రెగ్యులరైజేషన్ మరియు మెరుగైన ఫీచర్లను చేర్చారు. కేవలం ఒక మధ్యాహ్నం పాటు ఫీచర్ ప్రూనింగ్ చేయడంతో మోడల్ AUC +7 పాయింట్లు పెరిగింది—ఎలాంటి క్లిష్టమైన ఆర్కిటెక్చర్లు అవసరం కాలేదు.
డీప్ డైవ్ 2: కన్నీళ్లు లేని గణితం - తగినంత సిద్ధాంతం 📐
బలమైన వ్యవస్థలను నిర్మించడానికి మీకు ప్రతి సిద్ధాంతం అవసరం లేదు. నిర్ణయాలను తెలియజేసే బిట్లు మీకు అవసరం:
-
ఎంబెడ్డింగ్లు, శ్రద్ధ మరియు ఆప్టిమైజేషన్ జ్యామితి కోసం లీనియర్ బీజగణితం
-
అనిశ్చితి, క్రాస్-ఎంట్రోపీ, క్రమాంకనం మరియు ప్రియర్లకు సంభావ్యత
-
అభ్యాస రేట్లు, క్రమబద్ధీకరణ మరియు విషయాలు ఎందుకు పేలిపోతాయో ఆప్టిమైజేషన్
MIT 18.06 అప్లికేషన్స్-ఫస్ట్ ఆర్క్ ఇస్తుంది. డీప్ నెట్స్లో మీరు మరింత కాన్సెప్చువల్ డెప్త్ కావాలనుకున్నప్పుడు, డీప్ లెర్నింగ్ పాఠ్యపుస్తకాన్ని నవలగా కాకుండా రిఫరెన్స్గా తీసుకోండి [2, 5].
సూక్ష్మ అలవాటు: రోజుకు గరిష్టంగా 20 నిమిషాలు గణితం. ఆ తర్వాత తిరిగి కోడింగ్ చేయడం. ఆచరణలో సమస్యను ఎదుర్కొన్న తర్వాత సిద్ధాంతం బాగా గుర్తుంటుంది.
డీప్ డైవ్ 3: ఆధునిక NLP మరియు LLMలు - ది ట్రాన్స్ఫార్మర్ టర్న్ 💬
నేడు చాలా టెక్స్ట్ సిస్టమ్లు ట్రాన్స్ఫార్మర్లపై ఆధారపడతాయి. సమర్థవంతంగా పని చేయడానికి:
-
హగ్గింగ్ ఫేస్ LLM కోర్సు ద్వారా పని చేయండి : టోకనైజేషన్, డేటాసెట్లు, హబ్, ఫైన్-ట్యూనింగ్, ఇన్ఫరెన్స్.
-
మీ నోట్స్పై తిరిగి పొందడం-వృద్ధి చెందిన QA, చిన్న మోడల్తో సెంటిమెంట్ విశ్లేషణ లేదా తేలికపాటి సమ్మరైజర్ను ప్రాక్టికల్ డెమోగా పంపండి.
-
ముఖ్యమైన వాటిని ట్రాక్ చేయండి: జాప్యం, ఖర్చు, ఖచ్చితత్వం మరియు వినియోగదారు అవసరాలకు అనుగుణంగా అమరిక.
HF కోర్సు ఆచరణాత్మకమైనది మరియు పర్యావరణ వ్యవస్థ-అవగాహన కలిగి ఉంటుంది, ఇది సాధన ఎంపికలపై యాక్-షేవింగ్ను ఆదా చేస్తుంది [4]. కాంక్రీట్ API నమూనాలు మరియు గార్డ్రైల్స్ (ప్రాంప్టింగ్, మూల్యాంకన స్కాఫోల్డ్లు) కోసం, OpenAI కుక్బుక్ అమలు చేయగల ఉదాహరణలతో నిండి ఉంది [5].
డీప్ డైవ్ 4: పిక్సెల్స్లో మునిగిపోకుండా విజన్ బేసిక్స్ 👁️
దృష్టి-కుతూహలమా? CS231n లెక్చర్లను ఒక చిన్న ప్రాజెక్ట్తో జత చేయండి: కస్టమ్ డేటాసెట్ను వర్గీకరించండి లేదా ఒక ప్రత్యేక వర్గంపై ప్రీ-ట్యూన్డ్ మోడల్ను ఫైన్-ట్యూన్ చేయండి. అన్యదేశ నిర్మాణాలను వేటాడే ముందు డేటా నాణ్యత, వృద్ధి మరియు మూల్యాంకనంపై దృష్టి పెట్టండి. కన్వర్స్, అవశేషాలు మరియు శిక్షణ హ్యూరిస్టిక్స్ వాస్తవానికి ఎలా పనిచేస్తాయో చెప్పడానికి CS231n ఒక విశ్వసనీయమైన ఉత్తర నక్షత్రం [1].
అడ్డంగా చూడకుండా పరిశోధన చదవడం 📄
పనిచేసే లూప్:
-
ముందుగా సారాంశం మరియు బొమ్మలను చదవండి
-
ముక్కలకు పేరు పెట్టడానికి పద్ధతి యొక్క సమీకరణాలను దాటవేయండి.
-
ప్రయోగాలు మరియు పరిమితులకు వెళ్లండి .
-
బొమ్మల డేటాసెట్పై సూక్ష్మ-ఫలితాన్ని పునరుత్పత్తి చేయండి.
-
మీకు ఇంకా ఒక ప్రశ్న మిగిలి ఉండగా రెండు పేరాల సారాంశాన్ని రాయండి.
అమలులు లేదా బేస్లైన్లను కనుగొనడానికి, యాదృచ్ఛిక బ్లాగులను చేరుకునే ముందు పైన ఉన్న మూలాలకు అనుసంధానించబడిన కోర్సు రెపోలు మరియు అధికారిక లైబ్రరీలను తనిఖీ చేయండి [1–5].
చిన్న ఒప్పుకోలు: కొన్నిసార్లు నేను ముగింపును ముందుగా చదువుతాను. సంప్రదాయం కాదు, కానీ అది మలుపు తిరిగితే విలువైనదేనా అని నిర్ణయించుకోవడానికి సహాయపడుతుంది.
మీ వ్యక్తిగత AI స్టాక్ను నిర్మించడం 🧱
-
డేటా వర్క్ఫ్లోలు: గొడవకు పాండాలు, బేస్లైన్ల కోసం స్కికిట్-లెర్న్.
-
ట్రాకింగ్: ఒక సాధారణ స్ప్రెడ్షీట్ లేదా తేలికైన ప్రయోగ ట్రాకర్ సరైనదే.
-
సర్వింగ్: ప్రారంభించడానికి ఒక చిన్న FastAPI యాప్ లేదా నోట్బుక్ డెమో సరిపోతుంది.
-
మూల్యాంకనం: స్పష్టమైన కొలమానాలు, అబ్లేషన్లు, తెలివి తనిఖీలు; చెర్రీ-ఎంపికను నివారించండి.
fast.ai మరియు Kaggle లు బేసిక్స్ పై వేగాన్ని పెంచడంలో మరియు అభిప్రాయంతో వేగంగా పునరావృతం చేయమని మిమ్మల్ని బలవంతం చేయడంలో తక్కువగా అంచనా వేయబడ్డాయి [3].
రిక్రూటర్లను ఆకర్షించే పోర్ట్ఫోలియో ప్రాజెక్ట్లు 👍
ప్రతి ఒక్కటి విభిన్న బలాన్ని చూపించే మూడు ప్రాజెక్టులను లక్ష్యంగా చేసుకోండి:
-
క్లాసికల్ ML బేస్లైన్: బలమైన EDA, లక్షణాలు మరియు దోష విశ్లేషణ.
-
డీప్ లెర్నింగ్ యాప్: ఇమేజ్ లేదా టెక్స్ట్, కనీస వెబ్ డెమోతో.
-
LLM-ఆధారిత సాధనం: రిట్రీవల్-ఆగ్మెంటెడ్ చాట్బాట్ లేదా మూల్యాంకనం, ప్రాంప్ట్ మరియు డేటా పరిశుభ్రత స్పష్టంగా నమోదు చేయబడింది.
స్పష్టమైన సమస్య ప్రకటన, సెటప్ దశలు, డేటా కార్డులు, మూల్యాంకన పట్టికలు మరియు చిన్న స్క్రీన్కాస్ట్తో READMEలను ఉపయోగించండి. మీరు మీ మోడల్ను సాధారణ బేస్లైన్తో పోల్చగలిగితే, ఇంకా మంచిది. మీ ప్రాజెక్ట్లో జనరేటివ్ మోడల్లు లేదా టూల్ వాడకం ఉన్నప్పుడు కుక్బుక్ నమూనాలు సహాయపడతాయి [5].
బర్నౌట్ను నిరోధించే అధ్యయన అలవాట్లు ⏱️
-
పోమోడోరో జతలు: 25 నిమిషాల కోడింగ్, ఏమి మారిందో డాక్యుమెంట్ చేయడానికి 5 నిమిషాలు.
-
కోడ్ జర్నల్: విఫలమైన ప్రయోగాల తర్వాత చిన్న పోస్ట్-మార్టంలు రాయండి.
-
ఉద్దేశపూర్వక అభ్యాసం: నైపుణ్యాలను వేరుచేయడం (ఉదా., ఒక వారంలో మూడు వేర్వేరు డేటా లోడర్లు).
-
కమ్యూనిటీ అభిప్రాయం: వారపు నవీకరణలను పంచుకోండి, కోడ్ సమీక్షల కోసం అడగండి, ఒక విమర్శకు ఒక చిట్కా మార్పిడి చేసుకోండి.
-
కోలుకోవడం: అవును, విశ్రాంతి అనేది ఒక నైపుణ్యం; మీ భవిష్యత్తు నిద్ర తర్వాత మెరుగైన కోడ్ను వ్రాస్తుంది.
ప్రేరణ ఒడిదుడుకులు. చిన్న విజయాలు మరియు కనిపించే పురోగతి అనేవి జిగురు.
తప్పించుకోవడానికి సాధారణ లోపాలు 🧯
-
గణిత వాయిదా: డేటాసెట్ను తాకే ముందు బింగ్ ప్రూఫ్లు.
-
అంతులేని ట్యుటోరియల్స్: 20 వీడియోలు చూడండి, ఏమీ నిర్మించకండి.
-
షైనీ-మోడల్ సిండ్రోమ్: డేటా లేదా నష్టాన్ని పరిష్కరించడానికి బదులుగా ఆర్కిటెక్చర్లను మార్చుకోవడం.
-
మూల్యాంకన ప్రణాళిక లేకపోతే: విజయాన్ని ఎలా కొలుస్తారో మీరు చెప్పలేకపోతే, మీరు కొలవరు.
-
కాపీ-పేస్ట్ ల్యాబ్లు: టైప్ చేయండి, వచ్చే వారం అన్నీ మర్చిపోండి.
-
ఓవర్-పాలిష్డ్ రెపోలు: పరిపూర్ణ README, ప్రయోగాలు లేవు. అయ్యో.
మీరు రీకాలిబ్రేట్ చేయడానికి నిర్మాణాత్మకమైన, ప్రసిద్ధి చెందిన మెటీరియల్ అవసరమైనప్పుడు, CS229/CS231n మరియు MIT యొక్క ఆఫర్లు ఒక ఘన రీసెట్ బటన్ [1–2].
మీరు మళ్ళీ సందర్శించే రిఫరెన్స్ షెల్ఫ్ 📚
-
గుడ్ఫెలో, బెంగియో, కోర్విల్లె - డీప్ లెర్నింగ్: బ్యాక్ప్రాప్, రెగ్యులరైజేషన్, ఆప్టిమైజేషన్ మరియు ఆర్కిటెక్చర్లకు ప్రామాణిక సూచన [5].
-
MIT 18.06: అభ్యాసకుల కోసం మాత్రికలు మరియు వెక్టర్ ఖాళీలకు అత్యంత శుభ్రమైన పరిచయం [2].
-
CS229/CS231n గమనికలు: డిఫాల్ట్లు ఎందుకు పనిచేస్తాయో వివరించే ఆచరణాత్మక ML సిద్ధాంతం + దృష్టి శిక్షణ వివరాలు [1].
-
హగ్గింగ్ ఫేస్ LLM కోర్సు: టోకనైజర్లు, డేటాసెట్లు, ట్రాన్స్ఫార్మర్ ఫైన్-ట్యూనింగ్, హబ్ వర్క్ఫ్లోలు [4].
-
fast.ai + Kaggle: స్టాలింగ్ కంటే షిప్పింగ్కు ప్రతిఫలమిచ్చే వేగవంతమైన ప్రాక్టీస్ లూప్లు [3].
పనులను ప్రారంభించడానికి ఒక సున్నితమైన 6 వారాల ప్రణాళిక 🗓️
నియమాల పుస్తకం కాదు-ఇది సరళమైన వంటకం లాంటిది.
వారం 1
పైథాన్ ట్యూన్-అప్, పాండాల అభ్యాసం, విజువలైజేషన్లు. మినీ-ప్రాజెక్ట్: ఏదైనా చిన్నవిషయాన్ని అంచనా వేయండి; 1-పేజీ నివేదిక రాయండి.
వారం 2
లీనియర్ ఆల్జీబ్రా రిఫ్రెష్, వెక్టరైజేషన్ కసరత్తులు. మీ మినీ-ప్రాజెక్ట్ను మెరుగైన లక్షణాలు మరియు బలమైన బేస్లైన్తో తిరిగి పని చేయండి [2].
వారం 3
హ్యాండ్స్-ఆన్ మాడ్యూల్స్ (చిన్న, కేంద్రీకృత). క్రాస్-వాలిడేషన్, కన్ఫ్యూజన్ మ్యాట్రిక్స్, కాలిబ్రేషన్ ప్లాట్లను జోడించండి.
వారం 4
ఫాస్ట్.ఏఐ పాఠాలు 1–2; ఒక చిన్న ఇమేజ్ లేదా టెక్స్ట్ క్లాసిఫైయర్ను పంపండి [3]. మీ సహోద్యోగి తర్వాత చదువుతారన్న విధంగా మీ డేటా పైప్లైన్ను డాక్యుమెంట్ చేయండి.
వారం 5
హగ్గింగ్ ఫేస్ LLM కోర్సు త్వరిత పాస్; చిన్న కార్పస్పై ఒక చిన్న RAG డెమోను అమలు చేయండి. జాప్యం/నాణ్యత/ఖర్చు కొలిచి, ఆపై ఒకదాన్ని ఆప్టిమైజ్ చేయండి [4].
వారం 6
మీ నమూనాలను సాధారణ బేస్లైన్లతో పోల్చి ఒక పేజర్ రాయండి. పోలిష్ రెపో, ఒక చిన్న డెమో వీడియోను రికార్డ్ చేయండి, అభిప్రాయం కోసం భాగస్వామ్యం చేయండి. కుక్బుక్ నమూనాలు ఇక్కడ సహాయపడతాయి [5].
చివరి వ్యాఖ్యలు - చాలా పొడవుగా ఉంది, చదవలేదు 🎯
AIని బాగా అధ్యయనం చేయడం విచిత్రంగా చాలా సులభం: చిన్న చిన్న ప్రాజెక్టులను పూర్తి చేయండి, అవసరమైనంత గణితం నేర్చుకోండి, మరియు ఇప్పటికే ఉన్నదాన్ని మళ్ళీ కొత్తగా కనిపెట్టకుండా ఉండేందుకు నమ్మకమైన కోర్సులు మరియు మార్గదర్శక పుస్తకాలపై ఆధారపడండి. ఒక మార్గాన్ని ఎంచుకోండి, నిజాయితీతో కూడిన మూల్యాంకనంతో ఒక పోర్ట్ఫోలియోను రూపొందించుకోండి, మరియు అభ్యాసం-సిద్ధాంతం-అభ్యాసం అనే ప్రక్రియను కొనసాగించండి. దీన్ని కొన్ని పదునైన కత్తులు మరియు వేడి పెనంతో వంట నేర్చుకోవడంలా భావించండి—అన్ని పరికరాలు కాదు, కేవలం భోజనాన్ని సిద్ధం చేసేవి మాత్రమే. మీరు ఇది చేయగలరు. 🌟
ప్రస్తావనలు
[1] స్టాన్ఫోర్డ్ CS229 / CS231n - మెషిన్ లెర్నింగ్; కంప్యూటర్ విజన్ కోసం డీప్ లెర్నింగ్.
[2] MIT - లీనియర్ ఆల్జీబ్రా (18.06) మరియు ఇంట్రో టు డీప్ లెర్నింగ్ (6.S191).
[3] హ్యాండ్స్-ఆన్ ప్రాక్టీస్ - fast.ai మరియు కాగ్గిల్ లెర్న్.
[4] ట్రాన్స్ఫార్మర్స్ & మోడరన్ NLP - హగ్గింగ్ ఫేస్ LLM కోర్సు.
[5] డీప్ లెర్నింగ్ రిఫరెన్స్ + API ప్యాటర్న్స్ - గుడ్ఫెలో మరియు ఇతరులు; OpenAI కుక్బుక్.