ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਬਹੁਤ ਵੱਡੀ ਅਤੇ ਥੋੜ੍ਹੀ ਰਹੱਸਮਈ ਲੱਗਦੀ ਹੈ। ਚੰਗੀ ਖ਼ਬਰ: ਅਸਲ ਤਰੱਕੀ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਗੁਪਤ ਗਣਿਤ ਸ਼ਕਤੀਆਂ ਜਾਂ GPU ਨਾਲ ਭਰੀ ਲੈਬ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸੋਚ ਰਹੇ ਹੋ ਕਿ AI ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰਨਾ ਹੈ , ਤਾਂ ਇਹ ਗਾਈਡ ਤੁਹਾਨੂੰ ਜ਼ੀਰੋ ਤੋਂ ਪੋਰਟਫੋਲੀਓ-ਤਿਆਰ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਤੱਕ ਦਾ ਇੱਕ ਸਪਸ਼ਟ ਰਸਤਾ ਦਿੰਦੀ ਹੈ। ਅਤੇ ਹਾਂ, ਅਸੀਂ ਸਰੋਤਾਂ, ਅਧਿਐਨ ਰਣਨੀਤੀਆਂ, ਅਤੇ ਕੁਝ ਮਿਹਨਤ ਨਾਲ ਕਮਾਏ ਸ਼ਾਰਟਕੱਟਾਂ ਵਿੱਚ ਛਿੜਕਾਂਗੇ। ਚਲੋ ਚੱਲੀਏ।
🔗 ਏਆਈ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ
ਐਲਗੋਰਿਦਮ, ਡੇਟਾ ਅਤੇ ਫੀਡਬੈਕ ਦਾ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਜੋ ਮਸ਼ੀਨਾਂ ਨੂੰ ਸਿਖਾਉਂਦੇ ਹਨ।.
🔗 ਕਿਸੇ ਵੀ ਚੀਜ਼ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਲਈ ਸਿਖਰਲੇ ਸਿੱਖਣ ਵਾਲੇ AI ਟੂਲ
ਪੜ੍ਹਾਈ, ਅਭਿਆਸ ਅਤੇ ਹੁਨਰ ਮੁਹਾਰਤ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਕਿਉਰੇਟਿਡ ਐਪਸ।.
🔗 ਭਾਸ਼ਾ ਸਿੱਖਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ AI ਟੂਲ
ਐਪਸ ਜੋ ਸ਼ਬਦਾਵਲੀ, ਵਿਆਕਰਣ, ਬੋਲਣ ਅਤੇ ਸਮਝ ਅਭਿਆਸ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਂਦੀਆਂ ਹਨ।.
🔗 ਉੱਚ ਸਿੱਖਿਆ, ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨ ਲਈ ਪ੍ਰਮੁੱਖ AI ਟੂਲ
ਅਧਿਆਪਨ, ਮੁਲਾਂਕਣ, ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਕੈਂਪਸ ਸੰਚਾਲਨ ਕੁਸ਼ਲਤਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਪਲੇਟਫਾਰਮ।.
ਏਆਈ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰੀਏ ✅
ਇੱਕ ਚੰਗੀ ਪੜ੍ਹਾਈ ਯੋਜਨਾ ਇੱਕ ਮਜ਼ਬੂਤ ਟੂਲਬਾਕਸ ਵਾਂਗ ਹੁੰਦੀ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਬੇਤਰਤੀਬ ਕਬਾੜ ਦੇ ਦਰਾਜ਼ ਵਾਂਗ। ਇਸਨੂੰ:
-
ਕ੍ਰਮ ਦੇ ਹੁਨਰ ਤਾਂ ਜੋ ਹਰੇਕ ਨਵਾਂ ਬਲਾਕ ਆਖਰੀ 'ਤੇ ਸਾਫ਼-ਸਾਫ਼ ਬੈਠ ਸਕੇ।
-
ਅਭਿਆਸ ਨੂੰ ਤਰਜੀਹ ਦਿਓ , ਸਿਧਾਂਤ ਨੂੰ ਬਾਅਦ ਵਿੱਚ - ਪਰ ਕਦੇ ਨਹੀਂ ।
-
ਅਸਲ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਜੁੜੋ ਜੋ ਤੁਸੀਂ ਅਸਲ ਮਨੁੱਖਾਂ ਨੂੰ ਦਿਖਾ ਸਕਦੇ ਹੋ।
-
ਅਧਿਕਾਰਤ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਤੁਹਾਨੂੰ ਭੈੜੀਆਂ ਆਦਤਾਂ ਨਹੀਂ ਸਿਖਾਉਣਗੇ।
-
ਆਪਣੀ ਜ਼ਿੰਦਗੀ ਨੂੰ ਛੋਟੇ, ਦੁਹਰਾਉਣ ਯੋਗ ਰੁਟੀਨਾਂ ਨਾਲ ਢਾਲੋ।
-
ਫੀਡਬੈਕ ਲੂਪਸ, ਬੈਂਚਮਾਰਕਸ, ਅਤੇ ਕੋਡ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਤੁਹਾਨੂੰ ਇਮਾਨਦਾਰ ਰੱਖੋ
ਜੇਕਰ ਤੁਹਾਡੀ ਯੋਜਨਾ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦਿੰਦੀ, ਤਾਂ ਇਹ ਸਿਰਫ਼ ਵਾਈਬਸ ਹਨ। ਮਜ਼ਬੂਤ ਐਂਕਰ ਜੋ ਲਗਾਤਾਰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ: ਬੁਨਿਆਦੀ ਗੱਲਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਲਈ ਸਟੈਨਫੋਰਡ ਦਾ CS229/CS231n, MIT ਦਾ ਲੀਨੀਅਰ ਅਲਜਬਰਾ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਦਾ ਇੰਟਰੋ, ਹੈਂਡਸ-ਆਨ ਸਪੀਡ ਲਈ fast.ai, ਆਧੁਨਿਕ NLP/ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਲਈ ਹੱਗਿੰਗ ਫੇਸ ਦਾ LLM ਕੋਰਸ, ਅਤੇ ਵਿਹਾਰਕ API ਪੈਟਰਨਾਂ ਲਈ OpenAI ਕੁੱਕਬੁੱਕ [1–5]।.
ਛੋਟਾ ਜਵਾਬ: AI ਰੋਡਮੈਪ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰੀਏ 🗺️
-
ਪਾਈਥਨ + ਨੋਟਬੁੱਕਾਂ ਨੂੰ ਇੰਨਾ ਸਿੱਖੋ ਕਿ ਇਹ ਖ਼ਤਰਨਾਕ ਹੋ ਸਕਦਾ ਹੈ।
-
ਜ਼ਰੂਰੀ ਗਣਿਤ ਨੂੰ ਸਾਫ਼ ਕਰੋ : ਰੇਖਿਕ ਅਲਜਬਰਾ, ਸੰਭਾਵਨਾ, ਅਨੁਕੂਲਤਾ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ।
-
ਛੋਟੇ ML ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਸਿਰੇ ਤੋਂ ਸਿਰੇ ਤੱਕ ਕਰੋ: ਡੇਟਾ, ਮਾਡਲ, ਮੈਟ੍ਰਿਕਸ, ਦੁਹਰਾਓ।
-
ਡੂੰਘੀ ਸਿਖਲਾਈ ਨਾਲ ਪੱਧਰ ਉੱਚਾ ਕਰੋ : CNN, ਟ੍ਰਾਂਸਫਾਰਮਰ, ਸਿਖਲਾਈ ਗਤੀਸ਼ੀਲਤਾ।
-
ਇੱਕ ਲੇਨ ਚੁਣੋ : ਦ੍ਰਿਸ਼ਟੀ, NLP, ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀਆਂ, ਏਜੰਟ, ਸਮਾਂ ਲੜੀ।
-
ਸਾਫ਼ ਰਿਪੋਜ਼ਿਟ, README, ਅਤੇ ਡੈਮੋ ਦੇ ਨਾਲ ਪੋਰਟਫੋਲੀਓ ਪ੍ਰੋਜੈਕਟ ਭੇਜੋ
-
ਆਲਸੀ-ਚਲਾਕ ਤਰੀਕੇ ਨਾਲ ਅਖ਼ਬਾਰ ਪੜ੍ਹੋ ਅਤੇ ਛੋਟੇ ਨਤੀਜਿਆਂ ਦੀ ਨਕਲ ਕਰੋ।
-
ਸਿੱਖਣ ਦਾ ਚੱਕਰ ਰੱਖੋ : ਮੁਲਾਂਕਣ ਕਰੋ, ਰੀਫੈਕਟਰ ਕਰੋ, ਦਸਤਾਵੇਜ਼ ਬਣਾਓ, ਸਾਂਝਾ ਕਰੋ।
ਗਣਿਤ ਲਈ, MIT ਦਾ ਲੀਨੀਅਰ ਅਲਜਬਰਾ ਇੱਕ ਮਜ਼ਬੂਤ ਐਂਕਰ ਹੈ, ਅਤੇ ਗੁੱਡਫੇਲੋ–ਬੈਂਜੀਓ–ਕੋਰਵਿਲ ਟੈਕਸਟ ਇੱਕ ਭਰੋਸੇਯੋਗ ਹਵਾਲਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਬੈਕਪ੍ਰੌਪ, ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ, ਜਾਂ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸੂਖਮਤਾ [2, 5] 'ਤੇ ਫਸ ਜਾਂਦੇ ਹੋ।.
ਬਹੁਤ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਹੁਨਰਾਂ ਦੀ ਜਾਂਚ ਸੂਚੀ 🧰
-
ਪਾਈਥਨ : ਫੰਕਸ਼ਨ, ਕਲਾਸਾਂ, ਸੂਚੀ/ਡਿਕਟ ਕੰਪਸ, ਵਰਚੁਅਲਐਨਵੀਐਸ, ਮੁੱਢਲੇ ਟੈਸਟ।
-
ਡਾਟਾ ਹੈਂਡਲਿੰਗ : ਪਾਂਡਾ, ਨਮਪੀ, ਪਲਾਟਿੰਗ, ਸਧਾਰਨ ਈਡੀਏ।
-
ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਕਿਹੜਾ ਗਣਿਤ ਵਰਤੋਗੇ : ਵੈਕਟਰ, ਮੈਟ੍ਰਿਕਸ, ਈਜੇਨ-ਇੰਟਿਊਸ਼ਨ, ਗਰੇਡੀਐਂਟ, ਪ੍ਰੋਬੇਬਿਲਟੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ, ਕਰਾਸ-ਐਂਟਰੋਪੀ, ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ।
-
ਟੂਲਿੰਗ : ਗਿੱਟ, ਗਿੱਟਹੱਬ ਮੁੱਦੇ, ਜੁਪੀਟਰ, ਜੀਪੀਯੂ ਨੋਟਬੁੱਕ, ਤੁਹਾਡੇ ਰਨ ਲੌਗਿੰਗ।
-
ਮਾਨਸਿਕਤਾ : ਦੋ ਵਾਰ ਮਾਪੋ, ਇੱਕ ਵਾਰ ਭੇਜੋ; ਬਦਸੂਰਤ ਡਰਾਫਟਾਂ ਨੂੰ ਅਪਣਾਓ; ਪਹਿਲਾਂ ਆਪਣਾ ਡੇਟਾ ਠੀਕ ਕਰੋ।
ਤੇਜ਼ ਜਿੱਤਾਂ: fast.ai ਦਾ ਟੌਪ-ਡਾਊਨ ਤਰੀਕਾ ਤੁਹਾਨੂੰ ਲਾਭਦਾਇਕ ਮਾਡਲਾਂ ਨੂੰ ਜਲਦੀ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਕੈਗਲ ਦੇ ਬਾਈਟ-ਸਾਈਜ਼ ਸਬਕ ਪਾਂਡਾ ਅਤੇ ਬੇਸਲਾਈਨ ਲਈ ਮਾਸਪੇਸ਼ੀ ਯਾਦਦਾਸ਼ਤ ਬਣਾਉਂਦੇ ਹਨ [3]।.
ਤੁਲਨਾ ਸਾਰਣੀ: ਪ੍ਰਸਿੱਧ AI ਸਿੱਖਣ ਦੇ ਮਾਰਗਾਂ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰੀਏ 📊
ਛੋਟੀਆਂ-ਛੋਟੀਆਂ ਕਮੀਆਂ ਸ਼ਾਮਲ ਹਨ—ਕਿਉਂਕਿ ਅਸਲੀ ਮੇਜ਼ ਘੱਟ ਹੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਾਫ਼-ਸੁਥਰੇ ਹੁੰਦੇ ਹਨ।.
| ਔਜ਼ਾਰ / ਕੋਰਸ | ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ | ਕੀਮਤ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ / ਨੋਟਸ |
|---|---|---|---|
| ਸਟੈਨਫੋਰਡ CS229 / CS231n | ਠੋਸ ਸਿਧਾਂਤ + ਦ੍ਰਿਸ਼ਟੀ ਦੀ ਡੂੰਘਾਈ | ਮੁਫ਼ਤ | ਸਾਫ਼ ML ਫਾਊਂਡੇਸ਼ਨ + CNN ਸਿਖਲਾਈ ਵੇਰਵੇ; ਬਾਅਦ ਵਿੱਚ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਜੋੜੋ [1]।. |
| ਐਮਆਈਟੀ ਇੰਟਰੋ ਟੂ ਡੀਐਲ + 18.06 | ਸੰਕਲਪ ਤੋਂ ਅਭਿਆਸ ਤੱਕ ਦਾ ਪੁਲ | ਮੁਫ਼ਤ | ਸੰਖੇਪ DL ਲੈਕਚਰ + ਸਖ਼ਤ ਰੇਖਿਕ ਅਲਜਬਰਾ ਜੋ ਏਮਬੈਡਿੰਗ ਆਦਿ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਂਦਾ ਹੈ [2]।. |
| fast.ai ਪ੍ਰੈਕਟੀਕਲ DL | ਹੈਕਰ ਜੋ ਕਰ ਕੇ ਸਿੱਖਦੇ ਹਨ | ਮੁਫ਼ਤ | ਪ੍ਰੋਜੈਕਟ - ਪਹਿਲਾਂ, ਲੋੜ ਪੈਣ ਤੱਕ ਘੱਟੋ-ਘੱਟ ਗਣਿਤ; ਬਹੁਤ ਹੀ ਪ੍ਰੇਰਣਾਦਾਇਕ ਫੀਡਬੈਕ ਲੂਪ [3]।. |
| ਹੱਗਿੰਗ ਫੇਸ ਐਲਐਲਐਮ ਕੋਰਸ | ਟ੍ਰਾਂਸਫਾਰਮਰ + ਆਧੁਨਿਕ NLP ਸਟੈਕ | ਮੁਫ਼ਤ | ਟੋਕਨਾਈਜ਼ਰ, ਡੇਟਾਸੈੱਟ, ਹੱਬ; ਵਿਹਾਰਕ ਫਾਈਨ-ਟਿਊਨਿੰਗ/ਇਨਫਰੈਂਸ ਵਰਕਫਲੋ [4] ਸਿਖਾਉਂਦਾ ਹੈ।. |
| ਓਪਨਏਆਈ ਕੁੱਕਬੁੱਕ | ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਬਿਲਡਰ | ਮੁਫ਼ਤ | ਉਤਪਾਦਨ-ਵਰਗੇ ਕੰਮਾਂ ਅਤੇ ਰੇਲਾਂ ਲਈ ਚਲਾਉਣਯੋਗ ਪਕਵਾਨਾਂ ਅਤੇ ਪੈਟਰਨ [5]।. |
ਡੀਪ ਡਾਈਵ 1: ਪਹਿਲਾ ਮਹੀਨਾ - ਸੰਪੂਰਨਤਾ ਤੋਂ ਵੱਧ ਪ੍ਰੋਜੈਕਟ 🧪
ਦੋ ਛੋਟੇ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਸੱਚਮੁੱਚ ਛੋਟੇ:
-
ਸਾਰਣੀਬੱਧ ਬੇਸਲਾਈਨ : ਇੱਕ ਜਨਤਕ ਡੇਟਾਸੈਟ ਲੋਡ ਕਰੋ, ਟ੍ਰੇਨ/ਟੈਸਟ ਨੂੰ ਵੰਡੋ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਜਾਂ ਇੱਕ ਛੋਟਾ ਟ੍ਰੀ ਫਿੱਟ ਕਰੋ, ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਟਰੈਕ ਕਰੋ, ਲਿਖੋ ਕਿ ਕੀ ਅਸਫਲ ਹੋਇਆ।
-
ਟੈਕਸਟ ਜਾਂ ਚਿੱਤਰ ਖਿਡੌਣਾ : ਡੇਟਾ ਦੇ ਇੱਕ ਟੁਕੜੇ 'ਤੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਵਧੀਆ ਬਣਾਓ। ਦਸਤਾਵੇਜ਼ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ, ਸਿਖਲਾਈ ਸਮਾਂ, ਅਤੇ ਵਪਾਰ।
ਇਸ ਤਰ੍ਹਾਂ ਕਿਉਂ ਸ਼ੁਰੂ ਕਰੀਏ? ਸ਼ੁਰੂਆਤੀ ਜਿੱਤਾਂ ਗਤੀ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਵਰਕਫਲੋ ਗਲੂ ਸਿੱਖੋਗੇ—ਡੇਟਾ ਸਫਾਈ, ਵਿਸ਼ੇਸ਼ਤਾ ਵਿਕਲਪ, ਮੁਲਾਂਕਣ, ਅਤੇ ਦੁਹਰਾਓ। fast.ai ਦੇ ਉੱਪਰ-ਡਾਊਨ ਸਬਕ ਅਤੇ Kaggle ਦੀਆਂ ਢਾਂਚਾਗਤ ਨੋਟਬੁੱਕਾਂ ਇਸ "ਪਹਿਲਾਂ ਭੇਜੋ, ਅੱਗੇ ਡੂੰਘਾਈ ਨਾਲ ਸਮਝੋ" ਕੈਡੈਂਸ [3] ਨੂੰ ਬਿਲਕੁਲ ਮਜ਼ਬੂਤ ਕਰਦੀਆਂ ਹਨ।
ਮਿੰਨੀ-ਕੇਸ (2 ਹਫ਼ਤੇ, ਕੰਮ ਤੋਂ ਬਾਅਦ): ਇੱਕ ਜੂਨੀਅਰ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਹਫ਼ਤੇ 1 ਵਿੱਚ ਇੱਕ ਚਰਨ ਬੇਸਲਾਈਨ (ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ) ਬਣਾਈ, ਫਿਰ ਹਫ਼ਤੇ 2 ਵਿੱਚ ਨਿਯਮਤਕਰਨ ਅਤੇ ਬਿਹਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਬਦਲੀ ਕੀਤੀ। ਮਾਡਲ AUC +7 ਅੰਕ ਇੱਕ ਦੁਪਹਿਰ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਛਾਂਟੀ ਦੇ ਨਾਲ - ਕਿਸੇ ਫੈਂਸੀ ਆਰਕੀਟੈਕਚਰ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ 2: ਹੰਝੂਆਂ ਤੋਂ ਬਿਨਾਂ ਗਣਿਤ - ਬਸ ਕਾਫ਼ੀ ਸਿਧਾਂਤ 📐
ਮਜ਼ਬੂਤ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ ਤੁਹਾਨੂੰ ਹਰ ਪ੍ਰਮੇਏ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਤੁਹਾਨੂੰ ਫੈਸਲਿਆਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਵਾਲੇ ਬਿੱਟਾਂ ਦੀ ਲੋੜ ਹੈ:
-
ਏਮਬੈਡਿੰਗ, ਧਿਆਨ, ਅਤੇ ਅਨੁਕੂਲਤਾ ਜਿਓਮੈਟਰੀ ਲਈ ਰੇਖਿਕ ਅਲਜਬਰਾ
-
ਅਨਿਸ਼ਚਿਤਤਾ, ਕਰਾਸ-ਐਂਟਰੋਪੀ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਅਤੇ ਪ੍ਰਾਇਰਸ ਲਈ ਸੰਭਾਵਨਾ
-
ਸਿੱਖਣ ਦੀਆਂ ਦਰਾਂ, ਨਿਯਮਤਕਰਨ, ਅਤੇ ਚੀਜ਼ਾਂ ਦੇ ਵਿਸਫੋਟ ਦੇ ਕਾਰਨਾਂ ਲਈ ਅਨੁਕੂਲਤਾ
ਐਮਆਈਟੀ 18.06 ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ-ਪਹਿਲਾ ਚਾਪ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਡੂੰਘੇ ਜਾਲਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸੰਕਲਪਿਕ ਡੂੰਘਾਈ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਡੀਪ ਲਰਨਿੰਗ ਪਾਠ ਪੁਸਤਕ ਨੂੰ ਇੱਕ ਹਵਾਲੇ ਵਜੋਂ ਵੇਖੋ, ਨਾ ਕਿ ਇੱਕ ਨਾਵਲ [2, 5] ਦੇ ਰੂਪ ਵਿੱਚ।
ਸੂਖਮ ਆਦਤ: ਦਿਨ ਵਿੱਚ ਵੱਧ ਤੋਂ ਵੱਧ 20 ਮਿੰਟ ਗਣਿਤ। ਫਿਰ ਕੋਡ ਤੇ ਵਾਪਸ ਜਾਓ। ਸਿਧਾਂਤ ਅਭਿਆਸ ਵਿੱਚ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਤੋਂ ਬਾਅਦ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਚਿਪਕਦਾ ਹੈ।
ਡੀਪ ਡਾਈਵ 3: ਮਾਡਰਨ ਐਨਐਲਪੀ ਅਤੇ ਐਲਐਲਐਮ - ਟ੍ਰਾਂਸਫਾਰਮਰ ਟਰਨ 💬
ਅੱਜ ਜ਼ਿਆਦਾਤਰ ਟੈਕਸਟ ਸਿਸਟਮ ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਕੁਸ਼ਲਤਾ ਨਾਲ ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ:
-
ਹੱਗਿੰਗ ਫੇਸ ਰਾਹੀਂ ਕੰਮ ਕਰੋ : ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ, ਡੇਟਾਸੈੱਟ, ਹੱਬ, ਫਾਈਨ-ਟਿਊਨਿੰਗ, ਇਨਫਰੈਂਸ।
-
ਇੱਕ ਵਿਹਾਰਕ ਡੈਮੋ ਭੇਜੋ: ਆਪਣੇ ਨੋਟਸ ਉੱਤੇ ਪ੍ਰਾਪਤੀ-ਵਧਾਇਆ QA, ਇੱਕ ਛੋਟੇ ਮਾਡਲ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਜਾਂ ਇੱਕ ਹਲਕੇ ਸਮਰੀਜ਼ਰ।.
-
ਕੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ, ਇਸ ਨੂੰ ਟਰੈਕ ਕਰੋ: ਲੇਟੈਂਸੀ, ਲਾਗਤ, ਸ਼ੁੱਧਤਾ, ਅਤੇ ਉਪਭੋਗਤਾ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੇ ਅਨੁਸਾਰ ਇਕਸਾਰਤਾ।.
HF ਕੋਰਸ ਵਿਹਾਰਕ ਅਤੇ ਈਕੋਸਿਸਟਮ-ਜਾਗਰੂਕ ਹੈ, ਜੋ ਟੂਲ ਵਿਕਲਪਾਂ 'ਤੇ ਯਾਕ-ਸ਼ੇਵਿੰਗ ਨੂੰ ਬਚਾਉਂਦਾ ਹੈ [4]। ਕੰਕਰੀਟ API ਪੈਟਰਨਾਂ ਅਤੇ ਗਾਰਡਰੇਲਾਂ (ਪ੍ਰੋਂਪਟਿੰਗ, ਮੁਲਾਂਕਣ ਸਕੈਫੋਲਡ) ਲਈ, OpenAI ਕੁੱਕਬੁੱਕ ਚੱਲਣਯੋਗ ਉਦਾਹਰਣਾਂ ਨਾਲ ਭਰੀ ਹੋਈ ਹੈ [5]।
ਡੀਪ ਡਾਈਵ 4: ਪਿਕਸਲ ਵਿੱਚ ਡੁੱਬੇ ਬਿਨਾਂ ਦ੍ਰਿਸ਼ਟੀ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ 👁️
ਕੀ ਤੁਸੀਂ ਦ੍ਰਿਸ਼ਟੀ-ਉਤਸੁਕ ਹੋ? CS231n ਲੈਕਚਰਾਂ ਨੂੰ ਇੱਕ ਛੋਟੇ ਪ੍ਰੋਜੈਕਟ ਨਾਲ ਜੋੜੋ: ਇੱਕ ਕਸਟਮ ਡੇਟਾਸੈਟ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਜਾਂ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸ਼੍ਰੇਣੀ 'ਤੇ ਇੱਕ ਪ੍ਰੀ-ਟ੍ਰੇਂਡ ਮਾਡਲ ਨੂੰ ਵਧੀਆ ਬਣਾਓ। ਵਿਦੇਸ਼ੀ ਆਰਕੀਟੈਕਚਰ ਦਾ ਸ਼ਿਕਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਗੁਣਵੱਤਾ, ਵਾਧਾ ਅਤੇ ਮੁਲਾਂਕਣ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ। CS231n ਇੱਕ ਭਰੋਸੇਯੋਗ ਉੱਤਰੀ ਤਾਰਾ ਹੈ ਕਿ ਰੂਪਾਂਤਰਣ, ਅਵਸ਼ੇਸ਼, ਅਤੇ ਸਿਖਲਾਈ ਹਿਊਰਿਸਟਿਕਸ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ [1]।
ਅੱਖਾਂ ਮੀਚ ਕੇ ਕੀਤੇ ਬਿਨਾਂ ਖੋਜ ਪੜ੍ਹਨਾ 📄
ਇੱਕ ਲੂਪ ਜੋ ਕੰਮ ਕਰਦਾ ਹੈ:
-
ਪਹਿਲਾਂ ਸਾਰ ਅਤੇ ਅੰਕੜੇ ਪੜ੍ਹੋ
-
ਟੁਕੜਿਆਂ ਦੇ ਨਾਮ ਦੇਣ ਲਈ ਵਿਧੀ ਦੇ ਸਮੀਕਰਨਾਂ ਨੂੰ ਛੱਡ ਦਿਓ।.
-
ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ' ਤੇ ਜਾਓ ।
-
ਇੱਕ ਖਿਡੌਣੇ ਡੇਟਾਸੈੱਟ 'ਤੇ ਇੱਕ ਸੂਖਮ-ਨਤੀਜਾ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ।.
-
ਦੋ ਪੈਰਿਆਂ ਵਾਲਾ ਸਾਰ ਲਿਖੋ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਵਾਲ ਹੋਵੇ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਅਜੇ ਵੀ ਹੈ।.
ਲਾਗੂਕਰਨ ਜਾਂ ਬੇਸਲਾਈਨ ਲੱਭਣ ਲਈ, ਬੇਤਰਤੀਬ ਬਲੌਗਾਂ [1–5] ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਉਪਰੋਕਤ ਸਰੋਤਾਂ ਨਾਲ ਜੁੜੇ ਕੋਰਸ ਰਿਪੋ ਅਤੇ ਅਧਿਕਾਰਤ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ।.
ਛੋਟਾ ਜਿਹਾ ਇਕਬਾਲ: ਕਈ ਵਾਰ ਮੈਂ ਪਹਿਲਾਂ ਸਿੱਟਾ ਪੜ੍ਹਦਾ ਹਾਂ। ਆਰਥੋਡਾਕਸ ਨਹੀਂ, ਪਰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਚੱਕਰ ਲਗਾਉਣਾ ਯੋਗ ਹੈ।
ਆਪਣਾ ਨਿੱਜੀ AI ਸਟੈਕ ਬਣਾਉਣਾ 🧱
-
ਡਾਟਾ ਵਰਕਫਲੋ : ਝਗੜੇ ਲਈ ਪਾਂਡਾ, ਬੇਸਲਾਈਨ ਲਈ ਸਾਈਕਿਟ-ਲਰਨ।
-
ਟਰੈਕਿੰਗ : ਇੱਕ ਸਧਾਰਨ ਸਪ੍ਰੈਡਸ਼ੀਟ ਜਾਂ ਇੱਕ ਹਲਕਾ ਪ੍ਰਯੋਗ ਟਰੈਕਰ ਠੀਕ ਹੈ।
-
ਸਰਵਿੰਗ : ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟਾ ਜਿਹਾ FastAPI ਐਪ ਜਾਂ ਇੱਕ ਨੋਟਬੁੱਕ ਡੈਮੋ ਕਾਫ਼ੀ ਹੈ।
-
ਮੁਲਾਂਕਣ : ਸਪੱਸ਼ਟ ਮਾਪਦੰਡ, ਘਟਾਓ, ਵਿਵੇਕ ਜਾਂਚ; ਚੈਰੀ-ਚੁੱਕਣ ਤੋਂ ਬਚੋ।
fast.ai ਅਤੇ Kaggle ਨੂੰ ਮੂਲ ਗੱਲਾਂ 'ਤੇ ਗਤੀ ਬਣਾਉਣ ਅਤੇ ਤੁਹਾਨੂੰ ਫੀਡਬੈਕ [3] ਨਾਲ ਤੇਜ਼ੀ ਨਾਲ ਦੁਹਰਾਉਣ ਲਈ ਮਜਬੂਰ ਕਰਨ ਲਈ ਘੱਟ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਹੈ।.
ਪੋਰਟਫੋਲੀਓ ਪ੍ਰੋਜੈਕਟ ਜੋ ਭਰਤੀ ਕਰਨ ਵਾਲਿਆਂ ਨੂੰ ਆਪਣੀ ਪਸੰਦ ਬਣਾਉਂਦੇ ਹਨ 👍
ਤਿੰਨ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਟੀਚਾ ਰੱਖੋ ਜੋ ਹਰੇਕ ਇੱਕ ਵੱਖਰੀ ਤਾਕਤ ਦਿਖਾਉਂਦੇ ਹਨ:
-
ਕਲਾਸੀਕਲ ਐਮਐਲ ਬੇਸਲਾਈਨ : ਮਜ਼ਬੂਤ ਈਡੀਏ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਅਤੇ ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ।
-
ਡੂੰਘੀ ਸਿਖਲਾਈ ਐਪ : ਚਿੱਤਰ ਜਾਂ ਟੈਕਸਟ, ਘੱਟੋ-ਘੱਟ ਵੈੱਬ ਡੈਮੋ ਦੇ ਨਾਲ।
-
LLM-ਸੰਚਾਲਿਤ ਟੂਲ : ਪ੍ਰਾਪਤੀ-ਵਧਾਇਆ ਚੈਟਬੋਟ ਜਾਂ ਮੁਲਾਂਕਣਕਰਤਾ, ਪ੍ਰੋਂਪਟ ਅਤੇ ਡੇਟਾ ਸਫਾਈ ਦੇ ਨਾਲ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ।
ਇੱਕ ਸਪਸ਼ਟ ਸਮੱਸਿਆ ਬਿਆਨ, ਸੈੱਟਅੱਪ ਕਦਮ, ਡੇਟਾ ਕਾਰਡ, ਮੁਲਾਂਕਣ ਟੇਬਲ, ਅਤੇ ਇੱਕ ਛੋਟੀ ਸਕ੍ਰੀਨਕਾਸਟ ਦੇ ਨਾਲ READMEs ਦੀ ਵਰਤੋਂ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੀ ਤੁਲਨਾ ਇੱਕ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਨਾਲ ਕਰ ਸਕਦੇ ਹੋ, ਤਾਂ ਹੋਰ ਵੀ ਵਧੀਆ। ਕੁੱਕਬੁੱਕ ਪੈਟਰਨ ਉਦੋਂ ਮਦਦ ਕਰਦੇ ਹਨ ਜਦੋਂ ਤੁਹਾਡੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਜਨਰੇਟਿਵ ਮਾਡਲ ਜਾਂ ਟੂਲ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ [5]।.
ਅਧਿਐਨ ਦੀਆਂ ਆਦਤਾਂ ਜੋ ਬਰਨਆਉਟ ਨੂੰ ਰੋਕਦੀਆਂ ਹਨ ⏱️
-
ਪੋਮੋਡੋਰੋ ਜੋੜੇ : 25 ਮਿੰਟ ਕੋਡਿੰਗ, 5 ਮਿੰਟ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਕਿ ਕੀ ਬਦਲਿਆ ਹੈ।
-
ਕੋਡ ਜਰਨਲ : ਅਸਫਲ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਬਾਅਦ ਛੋਟੇ ਪੋਸਟ-ਮਾਰਟਮ ਲਿਖੋ।
-
ਜਾਣਬੁੱਝ ਕੇ ਅਭਿਆਸ : ਹੁਨਰਾਂ ਨੂੰ ਅਲੱਗ ਕਰੋ (ਜਿਵੇਂ ਕਿ, ਇੱਕ ਹਫ਼ਤੇ ਵਿੱਚ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਲੋਡਰ)।
-
ਕਮਿਊਨਿਟੀ ਫੀਡਬੈਕ : ਹਫਤਾਵਾਰੀ ਅਪਡੇਟਸ ਸਾਂਝੇ ਕਰੋ, ਕੋਡ ਸਮੀਖਿਆਵਾਂ ਮੰਗੋ, ਇੱਕ ਟਿਪ ਦੇ ਬਦਲੇ ਇੱਕ ਸਮੀਖਿਆ ਦਿਓ।
-
ਰਿਕਵਰੀ : ਹਾਂ, ਆਰਾਮ ਇੱਕ ਹੁਨਰ ਹੈ; ਤੁਹਾਡਾ ਭਵਿੱਖ ਨੀਂਦ ਤੋਂ ਬਾਅਦ ਬਿਹਤਰ ਕੋਡ ਲਿਖਦਾ ਹੈ।
ਪ੍ਰੇਰਣਾ ਭਟਕ ਜਾਂਦੀ ਹੈ। ਛੋਟੀਆਂ ਜਿੱਤਾਂ ਅਤੇ ਪ੍ਰਤੱਖ ਤਰੱਕੀ ਹੀ ਗੂੰਦ ਹਨ।.
ਚਕਮਾ ਦੇਣ ਲਈ ਆਮ ਮੁਸ਼ਕਲਾਂ 🧯
-
ਗਣਿਤ ਦੀ ਟਾਲ-ਮਟੋਲ : ਡੇਟਾਸੈੱਟ ਨੂੰ ਛੂਹਣ ਤੋਂ ਪਹਿਲਾਂ ਸਬੂਤਾਂ ਨੂੰ ਜੋੜਨਾ।
-
ਬੇਅੰਤ ਟਿਊਟੋਰਿਅਲ : 20 ਵੀਡੀਓ ਦੇਖੋ, ਕੁਝ ਵੀ ਨਾ ਬਣਾਓ।
-
ਚਮਕਦਾਰ-ਮਾਡਲ ਸਿੰਡਰੋਮ : ਡੇਟਾ ਜਾਂ ਨੁਕਸਾਨ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਬਜਾਏ ਆਰਕੀਟੈਕਚਰ ਦੀ ਅਦਲਾ-ਬਦਲੀ।
-
ਕੋਈ ਮੁਲਾਂਕਣ ਯੋਜਨਾ ਨਹੀਂ : ਜੇ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਕਹਿ ਸਕਦੇ ਕਿ ਤੁਸੀਂ ਸਫਲਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪੋਗੇ, ਤਾਂ ਤੁਸੀਂ ਨਹੀਂ ਕਰ ਸਕੋਗੇ।
-
ਕਾਪੀ-ਪੇਸਟ ਲੈਬਜ਼ : ਟਾਈਪ ਕਰਦੇ ਰਹੋ, ਅਗਲੇ ਹਫ਼ਤੇ ਸਭ ਕੁਝ ਭੁੱਲ ਜਾਓ।
-
ਓਵਰ-ਪਾਲਿਸ਼ ਕੀਤੇ ਰਿਪੋਜ਼ : ਸੰਪੂਰਨ README, ਕੋਈ ਪ੍ਰਯੋਗ ਨਹੀਂ। ਓਹ।
ਜਦੋਂ ਤੁਹਾਨੂੰ ਰੀਕੈਲੀਬਰੇਟ ਕਰਨ ਲਈ ਢਾਂਚਾਗਤ, ਪ੍ਰਤਿਸ਼ਠਾਵਾਨ ਸਮੱਗਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ CS229/CS231n ਅਤੇ MIT ਦੀਆਂ ਪੇਸ਼ਕਸ਼ਾਂ ਇੱਕ ਠੋਸ ਰੀਸੈਟ ਬਟਨ [1–2] ਹੁੰਦੀਆਂ ਹਨ।.
ਰੈਫਰੈਂਸ ਸ਼ੈਲਫ ਜਿਸਨੂੰ ਤੁਸੀਂ ਦੁਬਾਰਾ ਦੇਖੋਗੇ 📚
-
ਗੁੱਡਫੈਲੋ, ਬੇਂਗਿਓ, ਕੋਰਵਿਲ - ਡੀਪ ਲਰਨਿੰਗ : ਬੈਕਪ੍ਰੌਪ, ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ, ਓਪਟੀਮਾਈਜੇਸ਼ਨ, ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਲਈ ਮਿਆਰੀ ਹਵਾਲਾ [5]।
-
MIT 18.06 : ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਵੈਕਟਰ ਸਪੇਸ ਦੀ ਸਭ ਤੋਂ ਸਾਫ਼ ਜਾਣ-ਪਛਾਣ [2]।
-
CS229/CS231n ਨੋਟਸ : ਪ੍ਰੈਕਟੀਕਲ ML ਥਿਊਰੀ + ਵਿਜ਼ਨ ਟ੍ਰੇਨਿੰਗ ਵੇਰਵੇ ਜੋ ਦੱਸਦੇ ਹਨ ਕਿ ਡਿਫਾਲਟ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ [1]।
-
ਹੱਗਿੰਗ ਫੇਸ ਐਲਐਲਐਮ ਕੋਰਸ : ਟੋਕਨਾਈਜ਼ਰ, ਡੇਟਾਸੈੱਟ, ਟ੍ਰਾਂਸਫਾਰਮਰ ਫਾਈਨ-ਟਿਊਨਿੰਗ, ਹੱਬ ਵਰਕਫਲੋ [4]।
-
fast.ai + Kaggle : ਰੈਪਿਡ ਪ੍ਰੈਕਟਿਸ ਲੂਪਸ ਜੋ ਸਟਾਲਿੰਗ [3] ਉੱਤੇ ਸ਼ਿਪਿੰਗ ਨੂੰ ਇਨਾਮ ਦਿੰਦੇ ਹਨ।
ਚੀਜ਼ਾਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਇੱਕ ਕੋਮਲ 6-ਹਫ਼ਤੇ ਦੀ ਯੋਜਨਾ 🗓️
ਕੋਈ ਨਿਯਮ-ਪੁਸਤਕ ਨਹੀਂ - ਇੱਕ ਲਚਕਦਾਰ ਵਿਅੰਜਨ ਵਾਂਗ।.
ਹਫ਼ਤਾ 1
ਪਾਈਥਨ ਟਿਊਨ-ਅੱਪ, ਪਾਂਡਾ ਅਭਿਆਸ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ। ਮਿੰਨੀ-ਪ੍ਰੋਜੈਕਟ: ਕਿਸੇ ਮਾਮੂਲੀ ਚੀਜ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ; 1-ਪੰਨੇ ਦੀ ਰਿਪੋਰਟ ਲਿਖੋ।
ਹਫ਼ਤਾ 2
ਲੀਨੀਅਰ ਅਲਜਬਰਾ ਰਿਫਰੈਸ਼, ਵੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਡ੍ਰਿਲਸ। ਆਪਣੇ ਮਿੰਨੀ-ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬਿਹਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਇੱਕ ਮਜ਼ਬੂਤ ਬੇਸਲਾਈਨ [2] ਨਾਲ ਦੁਬਾਰਾ ਕੰਮ ਕਰੋ।
ਹਫ਼ਤਾ 3
ਹੈਂਡ-ਆਨ ਮੋਡੀਊਲ (ਛੋਟਾ, ਫੋਕਸਡ)। ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ, ਕੰਫਿਊਜ਼ਨ ਮੈਟ੍ਰਿਕਸ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਪਲਾਟ ਸ਼ਾਮਲ ਕਰੋ।
ਹਫ਼ਤਾ 4
fast.ai ਪਾਠ 1-2; ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਤਸਵੀਰ ਜਾਂ ਟੈਕਸਟ ਵਰਗੀਕਰਣ ਭੇਜੋ [3]। ਆਪਣੀ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ ਜਿਵੇਂ ਕੋਈ ਸਾਥੀ ਇਸਨੂੰ ਬਾਅਦ ਵਿੱਚ ਪੜ੍ਹੇਗਾ।
ਹਫ਼ਤਾ 5
ਹੱਗਿੰਗ ਫੇਸ ਐਲਐਲਐਮ ਕੋਰਸ ਤੇਜ਼ ਪਾਸ; ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਸੰਗ੍ਰਹਿ 'ਤੇ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਆਰਏਜੀ ਡੈਮੋ ਲਾਗੂ ਕਰੋ। ਲੇਟੈਂਸੀ/ਗੁਣਵੱਤਾ/ਲਾਗਤ ਮਾਪੋ, ਫਿਰ ਇੱਕ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਓ [4]।
ਹਫ਼ਤਾ 6
ਆਪਣੇ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਨਾਲ ਕਰਦੇ ਹੋਏ ਇੱਕ-ਪੇਜਰ ਲਿਖੋ। ਪੋਲਿਸ਼ ਰੈਪੋ, ਇੱਕ ਛੋਟਾ ਡੈਮੋ ਵੀਡੀਓ ਰਿਕਾਰਡ ਕਰੋ, ਫੀਡਬੈਕ ਲਈ ਸਾਂਝਾ ਕਰੋ। ਕੁੱਕਬੁੱਕ ਪੈਟਰਨ ਇੱਥੇ ਮਦਦ ਕਰਦੇ ਹਨ [5]।
ਅੰਤਿਮ ਟਿੱਪਣੀਆਂ - ਬਹੁਤ ਲੰਮੀਆਂ, ਪੜ੍ਹਿਆ ਨਹੀਂ 🎯
AI ਦਾ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਧਿਐਨ ਕਰਨਾ ਬਹੁਤ ਸੌਖਾ ਹੈ: ਛੋਟੇ-ਛੋਟੇ ਪ੍ਰੋਜੈਕਟ ਭੇਜੋ, ਕਾਫ਼ੀ ਗਣਿਤ ਸਿੱਖੋ, ਅਤੇ ਭਰੋਸੇਯੋਗ ਕੋਰਸਾਂ ਅਤੇ ਕੁੱਕਬੁੱਕਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਵਰਗਾਕਾਰ ਕੋਨਿਆਂ ਵਾਲੇ ਪਹੀਏ ਦੁਬਾਰਾ ਨਾ ਬਣਾਓ। ਇੱਕ ਲੇਨ ਚੁਣੋ, ਇਮਾਨਦਾਰ ਮੁਲਾਂਕਣ ਨਾਲ ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਬਣਾਓ, ਅਤੇ ਅਭਿਆਸ-ਸਿਧਾਂਤ-ਅਭਿਆਸ ਨੂੰ ਲੂਪ ਕਰਦੇ ਰਹੋ। ਇਸਨੂੰ ਕੁਝ ਤਿੱਖੇ ਚਾਕੂਆਂ ਅਤੇ ਗਰਮ ਪੈਨ ਨਾਲ ਖਾਣਾ ਬਣਾਉਣਾ ਸਿੱਖਣ ਵਾਂਗ ਸੋਚੋ - ਹਰ ਗੈਜੇਟ ਨਾਲ ਨਹੀਂ, ਸਿਰਫ਼ ਉਹ ਜੋ ਮੇਜ਼ 'ਤੇ ਰਾਤ ਦਾ ਖਾਣਾ ਬਣਾਉਂਦੇ ਹਨ। ਤੁਹਾਡੇ ਕੋਲ ਇਹ ਹੈ। 🌟
ਹਵਾਲੇ
[1] ਸਟੈਨਫੋਰਡ CS229 / CS231n - ਮਸ਼ੀਨ ਲਰਨਿੰਗ; ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ।
[2] MIT - ਲੀਨੀਅਰ ਅਲਜਬਰਾ (18.06) ਅਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਜਾਣ-ਪਛਾਣ (6.S191)।
[3] ਹੱਥੀਂ ਅਭਿਆਸ - fast.ai ਅਤੇ Kaggle Learn।
[4] ਟ੍ਰਾਂਸਫਾਰਮਰ ਅਤੇ ਮਾਡਰਨ ਐਨਐਲਪੀ - ਹੱਗਿੰਗ ਫੇਸ ਐਲਐਲਐਮ ਕੋਰਸ।
[5] ਡੀਪ ਲਰਨਿੰਗ ਰੈਫਰੈਂਸ + ਏਪੀਆਈ ਪੈਟਰਨ - ਗੁੱਡਫੇਲੋ ਆਦਿ; ਓਪਨਏਆਈ ਕੁੱਕਬੁੱਕ।