តើធ្វើដូចម្តេចដើម្បីសិក្សា AI?

បញ្ញាសិប្បនិម្មិតមានអារម្មណ៍ថាធំធេង និងអាថ៌កំបាំងបន្តិច។ ដំណឹងល្អ៖ អ្នកមិនត្រូវការអំណាចគណិតវិទ្យាសម្ងាត់ ឬមន្ទីរពិសោធន៍ដែលពោរពេញដោយ GPU ដើម្បីបង្កើតវឌ្ឍនភាពពិតប្រាកដនោះទេ។ ប្រសិនបើអ្នកឆ្ងល់ពី របៀបសិក្សា AIការណែនាំនេះផ្តល់ឱ្យអ្នកនូវផ្លូវច្បាស់លាស់ពីសូន្យទៅការបង្កើតគម្រោងដែលត្រៀមរួចជាស្រេចសម្រាប់ផលប័ត្រ។ 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