តើធ្វើដូចម្តេចដើម្បីសិក្សា AI?

បញ្ញាសិប្បនិម្មិតមានអារម្មណ៍ថាធំធេង និងអាថ៌កំបាំងបន្តិច។ ដំណឹងល្អ៖ អ្នកមិនត្រូវការអំណាចគណិតវិទ្យាសម្ងាត់ ឬមន្ទីរពិសោធន៍ដែលពោរពេញដោយ GPU ដើម្បីបង្កើតវឌ្ឍនភាពពិតប្រាកដនោះទេ។ ប្រសិនបើអ្នកឆ្ងល់ពី របៀបសិក្សា AI ការណែនាំនេះផ្តល់ឱ្យអ្នកនូវផ្លូវច្បាស់លាស់ពីសូន្យទៅការបង្កើតគម្រោងដែលត្រៀមរួចជាស្រេចសម្រាប់ផលប័ត្រ។ ហើយបាទ/ចាស៎ យើងនឹងបន្ថែមធនធាន យុទ្ធសាស្ត្រសិក្សា និងផ្លូវកាត់មួយចំនួនដែលរកបានដោយលំបាក។ តោះទៅ។

🔗 តើ AI រៀនយ៉ាងដូចម្តេច
ទិដ្ឋភាពទូទៅនៃក្បួនដោះស្រាយ ទិន្នន័យ និងមតិប្រតិកម្មដែលបង្រៀនម៉ាស៊ីន។.

🔗 ឧបករណ៍ AI រៀនល្អបំផុតដើម្បីស្ទាត់ជំនាញអ្វីៗបានលឿនជាងមុន
កម្មវិធីដែលបានជ្រើសរើស ដើម្បីពន្លឿនការសិក្សា ការអនុវត្ត និងភាពស្ទាត់ជំនាញ។.

🔗 ឧបករណ៍ AI ល្អបំផុតសម្រាប់ការរៀនភាសា
កម្មវិធីដែលកំណត់វាក្យសព្ទ វេយ្យាករណ៍ ការនិយាយ និងការអនុវត្តការយល់ដឹងឲ្យស្របនឹងអ្នក។.

🔗 ឧបករណ៍ AI កំពូលៗសម្រាប់ការអប់រំកម្រិតឧត្តមសិក្សា ការរៀនសូត្រ និងការគ្រប់គ្រង
វេទិកាគាំទ្រដល់ការបង្រៀន ការវាយតម្លៃ ការវិភាគ និងប្រសិទ្ធភាពប្រតិបត្តិការក្នុងបរិវេណសាលា។.

របៀបសិក្សាអំពី AI ✅

ផែនការសិក្សាដ៏ល្អមួយគឺដូចជាប្រអប់ឧបករណ៍ដ៏រឹងមាំមួយ មិនមែនជាថតសំរាមចៃដន្យនោះទេ។ វាគួរតែ៖

ជំនាញរៀបលំដាប់ ដើម្បីឲ្យប្លុកថ្មីនីមួយៗស្ថិតនៅលើប្លុកចុងក្រោយយ៉ាងស្អាត។
ផ្តល់អាទិភាពដល់ការអនុវត្ត ជាមុនសិន ទ្រឹស្តីនៅលំដាប់ទីពីរ - ប៉ុន្តែមិនមែនមិនដែលទេ ។
ភ្ជាប់ទៅនឹងគម្រោងពិតប្រាកដ ដែលអ្នកអាចបង្ហាញដល់មនុស្សពិត។
ប្រើប្រាស់ប្រភពដែលមានការអនុញ្ញាត ដែលនឹងមិនបង្រៀនអ្នកពីទម្លាប់ផុយស្រួយ។
ធ្វើឲ្យជីវិតរបស់អ្នកសមស្រប នឹងទម្លាប់តូចៗ ដែលអាចធ្វើម្តងទៀតបាន។
រក្សាភាពស្មោះត្រង់របស់អ្នក ជាមួយនឹងរង្វិលជុំមតិកែលម្អ ស្តង់ដារ និងការពិនិត្យឡើងវិញកូដ។

ប្រសិនបើផែនការរបស់អ្នកមិនផ្តល់ឱ្យអ្នកនូវរឿងទាំងនេះទេ វាគ្រាន់តែជាអារម្មណ៍ប៉ុណ្ណោះ។ យុថ្កាដ៏រឹងមាំដែលផ្តល់ជូនជាប្រចាំ៖ CS229/CS231n របស់ស្ទែនហ្វដសម្រាប់មូលដ្ឋានគ្រឹះ និងចក្ខុវិស័យ ពិជគណិតលីនេអ៊ែរ និងការណែនាំអំពីការសិក្សាស៊ីជម្រៅរបស់ MIT fast.ai សម្រាប់ល្បឿនអនុវត្តជាក់ស្តែង វគ្គសិក្សា LLM របស់ Hugging Face សម្រាប់ NLP/transformers ទំនើប និងសៀវភៅណែនាំ OpenAI សម្រាប់លំនាំ API ជាក់ស្តែង [1–5]។.

ចម្លើយខ្លី៖ របៀបសិក្សា ផែនទីបង្ហាញផ្លូវ AI 🗺️

រៀន Python + notebooks ឲ្យបានគ្រប់គ្រាន់ទើបអាចមានគ្រោះថ្នាក់។
កែលម្អគណិតវិទ្យាសំខាន់ៗ ៖ ពិជគណិតលីនេអ៊ែរ ប្រូបាប៊ីលីតេ មូលដ្ឋានគ្រឹះនៃការបង្កើនប្រសិទ្ធភាព។
ធ្វើគម្រោង ML តូចៗ ពីដើមដល់ចប់៖ ទិន្នន័យ គំរូ ម៉ែត្រិច និងការធ្វើម្តងទៀត (outcomes)។
ឡើងកម្រិតជាមួយនឹងការរៀនសូត្រស៊ីជម្រៅ ៖ CNNs, Transformers, ការបណ្តុះបណ្តាលឌីណាមិក។
ជ្រើសរើសផ្លូវមួយ ៖ ចក្ខុវិស័យ, NLP, ប្រព័ន្ធណែនាំ, ភ្នាក់ងារ, ស៊េរីពេលវេលា។
ផ្ញើគម្រោងផលប័ត្រ ជាមួយឃ្លាំងស្អាត READMEs និងការបង្ហាញ។
អានឯកសារតាមរបៀបខ្ជិលច្រអូស ហើយធ្វើត្រាប់តាមលទ្ធផលតូចៗ។
រក្សារង្វិលជុំនៃការរៀនសូត្រ ៖ វាយតម្លៃ កែសម្រួល ឯកសារ ចែករំលែក។

ចំពោះគណិតវិទ្យា ពិជគណិតលីនេអ៊ែររបស់ MIT គឺជាយុថ្កាដ៏រឹងមាំមួយ ហើយអត្ថបទ Goodfellow–Bengio–Courville គឺជាឯកសារយោងដែលអាចទុកចិត្តបាន នៅពេលដែលអ្នកជាប់គាំងលើភាពខុសប្លែកគ្នានៃ backprop, regularization ឬការបង្កើនប្រសិទ្ធភាព [2, 5]។.

បញ្ជីត្រួតពិនិត្យជំនាញមុនពេលអ្នកសិក្សាស៊ីជម្រៅពេក 🧰

Python ៖ អនុគមន៍, ថ្នាក់, បញ្ជី/dict comps, virtualenvs, ការធ្វើតេស្តជាមូលដ្ឋាន។
ការគ្រប់គ្រងទិន្នន័យ ៖ ផេនដា, NumPy, ការគូសក្រាហ្វិក, EDA សាមញ្ញ។
គណិតវិទ្យាដែលអ្នកពិតជានឹងប្រើ ៖ វ៉ិចទ័រ ម៉ាទ្រីស អ៊ីហ្គែន-វិចារណញាណ ជម្រាល ការចែកចាយប្រូបាប៊ីលីតេ ឆ្លងអង់ត្រូពី និយតកម្មនីយកម្ម។
ឧបករណ៍ ៖ បញ្ហា Git, GitHub, Jupyter, កុំព្យូទ័រយួរដៃ GPU, ការកត់ត្រាការដំណើរការរបស់អ្នក។
ផ្នត់គំនិត ៖ វាស់វែងពីរដង ផ្ញើម្តង; ទទួលយកសេចក្តីព្រាងអាក្រក់; ជួសជុលទិន្នន័យរបស់អ្នកជាមុនសិន។

ជ័យជម្នះរហ័ស៖ វិធីសាស្រ្តពីលើចុះក្រោមរបស់ fast.ai ផ្តល់ឱ្យអ្នកនូវការហ្វឹកហ្វឺនគំរូមានប្រយោជន៍តាំងពីដំបូង ខណៈពេលដែលមេរៀនតូចៗរបស់ Kaggle បង្កើតការចងចាំសាច់ដុំសម្រាប់ខ្លាឃ្មុំផេនដា និងខ្សែបន្ទាត់ [3]។.

តារាងប្រៀបធៀប៖ របៀបសិក្សា ផ្លូវសិក្សា AI ដ៏ពេញនិយម 📊

រួមបញ្ចូលទាំងភាពចម្លែកតូចៗផងដែរ — ព្រោះតុពិតកម្រមានសណ្តាប់ធ្នាប់ឥតខ្ចោះណាស់។.

ឧបករណ៍ / វគ្គសិក្សា	ល្អបំផុតសម្រាប់	តម្លៃ	ហេតុអ្វីបានជាវាដំណើរការ / កំណត់ចំណាំ
ស្ទែនហ្វដ CS229 / CS231n	ទ្រឹស្តីរឹងមាំ + ជម្រៅនៃការមើលឃើញ	ឥតគិតថ្លៃ	សម្អាតមូលដ្ឋានគ្រឹះ ML + ព័ត៌មានលម្អិតនៃការបណ្តុះបណ្តាល CNN; ផ្គូផ្គងជាមួយគម្រោងនៅពេលក្រោយ [1]។.
MIT អំពី DL + 18.06	ស្ពានគំនិតទៅការអនុវត្ត	ឥតគិតថ្លៃ	ការបង្រៀន DL សង្ខេប + ពិជគណិតលីនេអ៊ែរយ៉ាងម៉ត់ចត់ដែលផ្គូផ្គងទៅនឹងការបង្កប់។ល។ [2]។.
fast.ai DL ជាក់ស្តែង	ពួក Hacker ដែលរៀនដោយធ្វើ	ឥតគិតថ្លៃ	គម្រោងជាមុនសិន គណនាតិចតួចបំផុតរហូតដល់ត្រូវការ។ រង្វិលជុំមតិប្រតិកម្មដែលជំរុញទឹកចិត្តខ្លាំង [3]។.
វគ្គសិក្សា LLM ឱបមុខ	ឧបករណ៍បំលែង + ជង់ NLP ទំនើប	ឥតគិតថ្លៃ	បង្រៀនឧបករណ៍បង្កើតសញ្ញាសម្ងាត់ សំណុំទិន្នន័យ មជ្ឈមណ្ឌល; លំហូរការងារជាក់ស្តែងក្នុងការលៃតម្រូវ/សន្និដ្ឋាន [4]។.
សៀវភៅធ្វើម្ហូប OpenAI	អ្នកសាងសង់ប្រើគំរូគ្រឹះ	ឥតគិតថ្លៃ	រូបមន្ត និងលំនាំដែលអាចដំណើរការបានសម្រាប់កិច្ចការផលិតកម្ម និងរបាំងការពារ [5]។.

ស្វែងយល់ឲ្យស៊ីជម្រៅទី 1៖ ខែដំបូង - គម្រោងលើសពីភាពល្អឥតខ្ចោះ 🧪

ចាប់ផ្តើមជាមួយគម្រោងតូចៗពីរ។ តូចមែនទែន៖

បន្ទាត់គោលតារាង ៖ ផ្ទុកសំណុំទិន្នន័យសាធារណៈ បំបែកការហ្វឹកហាត់/ការធ្វើតេស្ត សមតំរែតំរង់ឡូជីស្ទីក ឬដើមឈើតូចមួយ តាមដានម៉ែត្រិច សរសេរអ្វីដែលបរាជ័យ។
ប្រដាប់ក្មេងលេងអត្ថបទ ឬរូបភាព ៖ លៃតម្រូវគំរូតូចមួយដែលបានហ្វឹកហាត់ជាមុនលើទិន្នន័យមួយចំនួន។ ការដំណើរការឯកសារជាមុន ពេលវេលាហ្វឹកហាត់ និងការសម្របសម្រួល។

ហេតុអ្វីបានជាចាប់ផ្តើមវិធីនេះ? ជ័យជម្នះដំបូងបង្កើតសន្ទុះ។ អ្នកនឹងរៀនពីភាពស្អិតជាប់នៃលំហូរការងារ - ការសម្អាតទិន្នន័យ ជម្រើសលក្ខណៈពិសេស ការវាយតម្លៃ និងការធ្វើម្តងទៀត។ មេរៀនពីលើចុះក្រោមរបស់ fast.ai និងសៀវភៅកត់ត្រាដែលមានរចនាសម្ព័ន្ធរបស់ Kaggle ពង្រឹងចង្វាក់ "ដឹកជញ្ជូនមុន យល់ឱ្យកាន់តែស៊ីជម្រៅបន្ទាប់" [3]។

ករណីខ្នាតតូច (២ សប្តាហ៍ បន្ទាប់ពីធ្វើការ)៖ អ្នកវិភាគវ័យក្មេងម្នាក់បានបង្កើតមូលដ្ឋាន churn (តំរែតំរង់ឡូជីស្ទីក) ក្នុងសប្តាហ៍ទី 1 បន្ទាប់មកបានផ្លាស់ប្តូរការធ្វើធម្មតាកម្ម និងលក្ខណៈពិសេសកាន់តែប្រសើរឡើងក្នុងសប្តាហ៍ទី 2។ ម៉ូដែល AUC +7 ពិន្ទុ ជាមួយនឹងការកាត់ចេញលក្ខណៈពិសេសមួយរសៀល — មិនត្រូវការស្ថាបត្យកម្មទំនើបៗទេ។

ស្វែងយល់ឲ្យស៊ីជម្រៅទី 2៖ គណិតវិទ្យាដោយគ្មានទឹកភ្នែក - ទ្រឹស្តីគ្រប់គ្រាន់ហើយ 📐

អ្នកមិនត្រូវការទ្រឹស្តីបទទាំងអស់ដើម្បីបង្កើតប្រព័ន្ធដ៏រឹងមាំនោះទេ។ អ្នកពិតជាត្រូវការផ្នែកដែលជួយជំរុញការសម្រេចចិត្ត៖

ពិជគណិតលីនេអ៊ែរ សម្រាប់ការបង្កប់ ការយកចិត្តទុកដាក់ និងការបង្កើនប្រសិទ្ធភាពធរណីមាត្រ។
ប្រូបាប៊ីលីតេ សម្រាប់ភាពមិនប្រាកដប្រជា ការឆ្លងអង់ត្រូពី ការក្រិតតាមខ្នាត និងអាទិភាព។
ការបង្កើនប្រសិទ្ធភាព សម្រាប់អត្រានៃការរៀនសូត្រ ការធ្វើឱ្យប្រក្រតីកម្ម និងមូលហេតុដែលអ្វីៗផ្ទុះឡើង។

MIT 18.06 ផ្តល់នូវធ្នូដែលផ្ដោតលើកម្មវិធីជាចម្បង។ នៅពេលដែលអ្នកចង់បានជម្រៅនៃគោលគំនិតបន្ថែមទៀតនៅក្នុងសំណាញ់ជ្រៅ សូមចូលទៅក្នុង Deep Learning ជាឯកសារយោង មិនមែនជាប្រលោមលោកទេ [2, 5]។

ទម្លាប់តូច៖ រៀនគណិតអតិបរមា ២០ នាទីក្នុងមួយថ្ងៃ។ បន្ទាប់មកត្រឡប់ទៅសរសេរកូដវិញ។ ទ្រឹស្តីនឹងកាន់តែជាប់ល្អបន្ទាប់ពីអ្នកបានដោះស្រាយបញ្ហានេះក្នុងការអនុវត្ត។

ស្វែងយល់ឲ្យកាន់តែស៊ីជម្រៅ ៣៖ NLP និង LLM ទំនើប - វេននៃការផ្លាស់ប្តូរ 💬

ប្រព័ន្ធអត្ថបទភាគច្រើននាពេលបច្ចុប្បន្ននេះពឹងផ្អែកលើឧបករណ៍បំលែង។ ដើម្បីទទួលបានការអនុវត្តប្រកបដោយប្រសិទ្ធភាព៖

ធ្វើការតាមរយៈ Hugging Face LLM៖ ការធ្វើសញ្ញាសម្ងាត់ សំណុំទិន្នន័យ មជ្ឈមណ្ឌល ការលៃតម្រូវល្អិតល្អន់ និងការសន្និដ្ឋាន។
ផ្ញើការបង្ហាញជាក់ស្តែង៖ ការត្រួតពិនិត្យគុណភាពដែលបានបង្កើនឡើងវិញលើកំណត់ចំណាំរបស់អ្នក ការវិភាគអារម្មណ៍ជាមួយគំរូតូចមួយ ឬកម្មវិធីសង្ខេបស្រាល។.
តាមដានអ្វីដែលសំខាន់៖ ភាពយឺតយ៉ាវ តម្លៃ ភាពត្រឹមត្រូវ និងការតម្រឹមទៅនឹងតម្រូវការរបស់អ្នកប្រើប្រាស់។.

វគ្គសិក្សា HF មានលក្ខណៈជាក់ស្តែង និងយល់ដឹងអំពីប្រព័ន្ធអេកូឡូស៊ី ដែលជួយសន្សំសំចៃការកោររោមសត្វយ៉ាកលើជម្រើសឧបករណ៍ [4]។ សម្រាប់លំនាំ API និងរបាំងការពារជាក់ស្តែង (ការជំរុញ និងការវាយតម្លៃ) OpenAI Cookbook គឺពោរពេញទៅដោយឧទាហរណ៍ដែលអាចដំណើរការបាន [5]។

ស្វែងយល់ឲ្យស៊ីជម្រៅទី 4៖ មូលដ្ឋានគ្រឹះនៃការមើលឃើញដោយមិនចាំបាច់លង់ក្នុងភីកសែល 👁️

ចង់ដឹងពីចក្ខុវិស័យមែនទេ? ផ្គូផ្គង CS231n ជាមួយគម្រោងតូចមួយ៖ ចាត់ថ្នាក់សំណុំទិន្នន័យផ្ទាល់ខ្លួន ឬកែសម្រួលគំរូដែលបានហ្វឹកហាត់ជាមុននៅលើប្រភេទពិសេសមួយ។ ផ្តោតលើគុណភាពទិន្នន័យ ការបង្កើន និងការវាយតម្លៃមុនពេលស្វែងរកស្ថាបត្យកម្មកម្រនិងអសកម្ម។ CS231n គឺជាផ្កាយខាងជើងដែលគួរឱ្យទុកចិត្តសម្រាប់របៀបដែលការបម្លែង សំណល់ និងការវិភាគការបណ្តុះបណ្តាលដំណើរការ [1]។

អានការស្រាវជ្រាវដោយមិនខ្វាក់ភ្នែក 📄

រង្វិលជុំមួយដែលដំណើរការ៖

សូមអាន សង្ខេប និងរូបភាព ជាមុនសិន។
ពិនិត្យមើលសមីការនៃវិធីសាស្ត្រដោយក្រឡេកមើលស្រាលៗ ដើម្បីដាក់ឈ្មោះបំណែកៗ។.
លោតទៅ ការពិសោធន៍ និង ដែនកំណត់ ។
ផលិតលទ្ធផលមីក្រូឡើងវិញនៅលើសំណុំទិន្នន័យប្រដាប់ក្មេងលេង។.
សរសេរសេចក្តីសង្ខេបពីរកថាខណ្ឌ ដោយមានសំណួរមួយដែលអ្នកនៅតែមាន។.

ដើម្បីស្វែងរកការអនុវត្ត ឬមូលដ្ឋាន សូមពិនិត្យមើលឃ្លាំងវគ្គសិក្សា និងបណ្ណាល័យផ្លូវការដែលភ្ជាប់ទៅនឹងប្រភពខាងលើ មុនពេលចូលទៅកាន់ប្លក់ចៃដន្យ [1–5]។.

ការសារភាពតូចមួយ៖ ពេលខ្លះខ្ញុំអានសេចក្តីសន្និដ្ឋានជាមុនសិន។ មិនមែនជារឿងធម្មតាទេ ប៉ុន្តែវាជួយសម្រេចចិត្តថាតើការបង្វែរទិសដៅនេះមានតម្លៃឬអត់។

ការកសាង AI Stack ផ្ទាល់ខ្លួនរបស់អ្នក 🧱

លំហូរការងារទិន្នន័យ ៖ ផេនដាសម្រាប់ការច្របូកច្របល់ scikit-learn សម្រាប់មូលដ្ឋានទិន្នន័យ។
ការតាមដាន ៖ សៀវភៅបញ្ជីសាមញ្ញ ឬកម្មវិធីតាមដានការពិសោធន៍ទម្ងន់ស្រាលគឺល្អ។
ការបម្រើ ៖ កម្មវិធី FastAPI តូចមួយ ឬការបង្ហាញសៀវភៅកត់ត្រាគឺគ្រប់គ្រាន់ដើម្បីចាប់ផ្តើម។
ការវាយតម្លៃ ៖ រង្វាស់ច្បាស់លាស់ ការវះកាត់ ការត្រួតពិនិត្យសុខភាព; ជៀសវាងការជ្រើសរើសដោយចៃដន្យ។

fast.ai និង Kaggle ត្រូវបានគេមើលស្រាលចំពោះការកសាងល្បឿនលើមូលដ្ឋានគ្រឹះ និងបង្ខំអ្នកឱ្យធ្វើម្តងទៀតយ៉ាងលឿនជាមួយនឹងមតិកែលម្អ [3]។.

គម្រោងផលប័ត្រដែលធ្វើឱ្យអ្នកជ្រើសរើសបុគ្គលិកចាប់អារម្មណ៍ 👍

ខិតខំប្រឹងប្រែងលើគម្រោងចំនួនបីដែលបង្ហាញពីចំណុចខ្លាំងខុសៗគ្នា៖

មូលដ្ឋានគ្រឹះ ML បុរាណ ៖ EDA ដ៏រឹងមាំ លក្ខណៈពិសេស និងការវិភាគកំហុស។
កម្មវិធីសិក្សាស៊ីជម្រៅ ៖ រូបភាព ឬអត្ថបទ ជាមួយនឹងការបង្ហាញគេហទំព័រតិចតួចបំផុត។
ឧបករណ៍ដែលដំណើរការដោយ LLM ៖ chatbot ឬកម្មវិធីវាយតម្លៃដែលបង្កើនប្រសិទ្ធភាពក្នុងការទាញយកមកវិញ ជាមួយនឹងភាពរហ័សរហួន និងអនាម័យទិន្នន័យដែលបានកត់ត្រាយ៉ាងច្បាស់លាស់។

ប្រើ README ជាមួយនឹងសេចក្តីថ្លែងការណ៍បញ្ហាច្បាស់លាស់ ជំហានដំឡើង កាតទិន្នន័យ តារាងវាយតម្លៃ និង screencast ខ្លីមួយ។ ប្រសិនបើអ្នកអាចប្រៀបធៀបគំរូរបស់អ្នកទៅនឹងបន្ទាត់មូលដ្ឋានសាមញ្ញមួយ កាន់តែប្រសើរ។ លំនាំសៀវភៅធ្វើម្ហូបជួយនៅពេលដែលគម្រោងរបស់អ្នកពាក់ព័ន្ធនឹងគំរូបង្កើត ឬការប្រើប្រាស់ឧបករណ៍ [5]។.

ទម្លាប់សិក្សាដែលការពារការអស់កម្លាំង ⏱️

គូ Pomodoro ៖ ២៥ នាទីសរសេរកូដ ៥ នាទីកត់ត្រាអ្វីដែលបានផ្លាស់ប្តូរ។
កំណត់ហេតុកូដ ៖ សរសេរសេចក្ដីស្លាប់តូចៗបន្ទាប់ពីការពិសោធន៍បរាជ័យ។
ការអនុវត្តដោយចេតនា ៖ ញែកជំនាញ (ឧទាហរណ៍ កម្មវិធីផ្ទុកទិន្នន័យបីផ្សេងគ្នាក្នុងមួយសប្តាហ៍)។
មតិប្រតិកម្មពីសហគមន៍ ៖ ចែករំលែកព័ត៌មានថ្មីៗប្រចាំសប្តាហ៍ ស្នើសុំការពិនិត្យកូដ ដោះដូរគន្លឹះមួយសម្រាប់ការវាយតម្លៃមួយ។
ការងើបឡើងវិញ ៖ មែនហើយ ការសម្រាកគឺជាជំនាញមួយ; អនាគតរបស់អ្នកនឹងសរសេរកូដបានល្អជាងបន្ទាប់ពីគេង។

ការលើកទឹកចិត្តរសាត់បាត់ទៅ។ ជ័យជម្នះតូចៗ និងវឌ្ឍនភាពដែលអាចមើលឃើញគឺជាកាវ។.

អន្ទាក់ទូទៅសម្រាប់ Dodge 🧯

ការពន្យារពេលគណិតវិទ្យា ៖ ការមើលភស្តុតាងច្រើនពេកមុនពេលប៉ះសំណុំទិន្នន័យ។
ការបង្រៀនគ្មានទីបញ្ចប់ ៖ មើលវីដេអូចំនួន ២០ ដោយមិនបង្កើតអ្វីទាំងអស់។
រោគសញ្ញាម៉ូដែលភ្លឺចែងចាំង ៖ ការប្តូរស្ថាបត្យកម្មជំនួសឱ្យការជួសជុលទិន្នន័យ ឬការបាត់បង់។
គ្មានផែនការវាយតម្លៃ ៖ ប្រសិនបើអ្នកមិនអាចនិយាយពីរបៀបដែលអ្នកនឹងវាស់វែងភាពជោគជ័យបានទេ អ្នកនឹងមិនអាចទេ។
ចម្លង-បិទភ្ជាប់មន្ទីរពិសោធន៍ ៖ វាយអក្សរតាមដែលអាចធ្វើទៅបាន ភ្លេចអ្វីៗទាំងអស់នៅសប្តាហ៍ក្រោយ។
ឃ្លាំងដែលបានកែលម្អហួសហេតុពេក ៖ ការអានអត្ថបទដ៏ល្អឥតខ្ចោះ គ្មានការពិសោធន៍ទេ។ អូ៎!

នៅពេលដែលអ្នកត្រូវការសម្ភារៈដែលមានរចនាសម្ព័ន្ធ និងមានកេរ្តិ៍ឈ្មោះល្អ ដើម្បីក្រិតតាមខ្នាតឡើងវិញ ការផ្តល់ជូនរបស់ CS229/CS231n និង MIT គឺជាប៊ូតុងកំណត់ឡើងវិញដ៏រឹងមាំមួយ [1–2]។.

ធ្នើរឯកសារយោងដែលអ្នកនឹងចូលមើលឡើងវិញ 📚

Goodfellow, Bengio, Courville - ការរៀនសូត្រស៊ីជម្រៅ ៖ ឯកសារយោងស្តង់ដារសម្រាប់ backprop, regularization, optimization និងស្ថាបត្យកម្ម [5]។
MIT 18.06 : ការណែនាំដ៏ស្អាតស្អំបំផុតអំពីម៉ាទ្រីស និងលំហវ៉ិចទ័រសម្រាប់អ្នកអនុវត្ត [2]។
កំណត់ចំណាំ CS229/CS231n ៖ ទ្រឹស្តី ML ជាក់ស្តែង + ព័ត៌មានលម្អិតនៃការបណ្តុះបណ្តាលចក្ខុវិស័យដែលពន្យល់ពីមូលហេតុដែលលំនាំដើមដំណើរការ [1]។
វគ្គសិក្សា Hugging Face LLM ៖ ឧបករណ៍បង្កើតសញ្ញាសម្ងាត់ សំណុំទិន្នន័យ ការលៃតម្រូវឧបករណ៍បំលែង លំហូរការងារ Hub [4]។
fast.ai + Kaggle ៖ រង្វិលជុំអនុវត្តរហ័សដែលផ្តល់រង្វាន់ដល់ការដឹកជញ្ជូនជាជាងការជាប់គាំង [3]។

ផែនការរយៈពេល ៦ សប្តាហ៍ដ៏ស្រាលមួយដើម្បីចាប់ផ្តើមអ្វីៗ 🗓️

មិនមែនជាសៀវភៅច្បាប់ទេ - ដូចជារូបមន្តដែលអាចបត់បែនបាន។.

សប្តាហ៍ទី 1
ការលៃតម្រូវ Python ការអនុវត្តខ្លាឃ្មុំផេនដា ការមើលឃើញរូបភាព។ គម្រោងខ្នាតតូច៖ ទស្សន៍ទាយអ្វីមួយដែលមិនសូវសំខាន់; សរសេររបាយការណ៍ 1 ទំព័រ។

សប្តាហ៍ទី 2 នៃ
ការធ្វើពិជគណិតលីនេអ៊ែរឡើងវិញ និងលំហាត់វ៉ិចទ័រនីយកម្ម។ ធ្វើការឡើងវិញនូវគម្រោងខ្នាតតូចរបស់អ្នកជាមួយនឹងលក្ខណៈពិសេសកាន់តែប្រសើរ និងខ្សែបន្ទាត់មូលដ្ឋានរឹងមាំជាងមុន [2]។

សប្តាហ៍ទី 3
ម៉ូឌុលអនុវត្តជាក់ស្តែង (ខ្លី ផ្តោតសំខាន់)។ បន្ថែមការផ្ទៀងផ្ទាត់ឆ្លង ម៉ាទ្រីសច្រឡំ និងគ្រោងក្រិតតាមខ្នាត។

សប្តាហ៍ទី 4
មេរៀន fast.ai 1–2; ផ្ញើឧបករណ៍ចាត់ថ្នាក់រូបភាព ឬអត្ថបទតូចមួយ [3]។ កត់ត្រាឯកសារបំពង់ទិន្នន័យរបស់អ្នក ដូចជាមិត្តរួមក្រុមនឹងអានវានៅពេលក្រោយ។

សប្តាហ៍ទី 5
ឆ្លងកាត់យ៉ាងរហ័ស; អនុវត្តការបង្ហាញ RAG តូចមួយនៅលើ Corpus តូចមួយ។ វាស់ស្ទង់ភាពយឺតយ៉ាវ/គុណភាព/តម្លៃ បន្ទាប់មកបង្កើនប្រសិទ្ធភាពមួយ [4]។

សប្តាហ៍ទី 6
សរសេរឯកសារមួយទំព័រដែលប្រៀបធៀបគំរូរបស់អ្នកទៅនឹងបន្ទាត់គោលសាមញ្ញ។ សរសេររបាយការណ៍ឡើងវិញជាភាសាប៉ូឡូញ ថតវីដេអូបង្ហាញខ្លីមួយ ចែករំលែកដើម្បីទទួលបានមតិយោបល់។ គំរូសៀវភៅធ្វើម្ហូបជួយនៅទីនេះ [5]។

កំណត់សម្គាល់ចុងក្រោយ - វែងពេក មិនបានអាន 🎯

របៀបសិក្សា AI ឲ្យបានល្អគឺសាមញ្ញណាស់៖ ផ្ញើគម្រោងតូចៗ រៀនគណិតវិទ្យាគ្រប់គ្រាន់ និងពឹងផ្អែកលើវគ្គសិក្សា និងសៀវភៅធ្វើម្ហូបដែលគួរឱ្យទុកចិត្ត ដើម្បីកុំឱ្យអ្នកបង្កើតកង់ដែលមានជ្រុងការ៉េឡើងវិញ។ ជ្រើសរើសផ្លូវមួយ បង្កើតផលប័ត្រជាមួយនឹងការវាយតម្លៃដោយស្មោះត្រង់ ហើយបន្តធ្វើរង្វិលជុំការអនុវត្ត-ទ្រឹស្តី-ការអនុវត្ត។ គិតថាវាដូចជាការរៀនចម្អិនអាហារជាមួយកាំបិតមុតស្រួចមួយចំនួន និងខ្ទះក្តៅ - មិនមែនឧបករណ៍ទាំងអស់នោះទេ គ្រាន់តែឧបករណ៍ដែលញ៉ាំអាហារពេលល្ងាចនៅលើតុ។ អ្នកធ្វើបានហើយ។ 🌟

ឯកសារយោង

[1] Stanford CS229 / CS231n - ការរៀនដោយម៉ាស៊ីន; ការរៀនស៊ីជម្រៅសម្រាប់ចក្ខុវិស័យកុំព្យូទ័រ។

[2] MIT - ពិជគណិតលីនេអ៊ែរ (18.06) និង សេចក្តីផ្តើមអំពីការរៀនសូត្រស៊ីជម្រៅ (6.S191)។

[3] ការអនុវត្តជាក់ស្តែង - fast.ai និង Kaggle Learn។

[4] Transformers & Modern NLP - វគ្គសិក្សា LLM ស្តីពីមុខមាត់ឱបក្រសោប។

វគ្គសិក្សា LLM ឱបមុខ

[5] ឯកសារយោងសម្រាប់ការរៀនសូត្រស៊ីជម្រៅ + លំនាំ API - Goodfellow et al.; សៀវភៅធ្វើម្ហូប OpenAI។

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង

ត្រឡប់ទៅប្លុកវិញ

ប្រទេស/តំបន់