ปัญญาประดิษฐ์ (AI) ดูเหมือนจะยิ่งใหญ่และลึกลับซับซ้อน ข่าวดีก็คือ คุณไม่จำเป็นต้องมีพลังคณิตศาสตร์ลับๆ หรือห้องแล็บที่เต็มไปด้วยหน่วยประมวลผลกราฟิก (GPU) เพื่อที่จะก้าวหน้าอย่างแท้จริง หากคุณสงสัยว่า จะศึกษา AI อย่างไร คู่มือนี้จะให้เส้นทางที่ชัดเจนตั้งแต่เริ่มต้นจนถึงการสร้างโปรเจกต์ที่พร้อมสำหรับพอร์ตโฟลิโอ และแน่นอน เราจะใส่แหล่งข้อมูล กลยุทธ์การเรียนรู้ และทางลัดที่ได้มาจากการเรียนรู้ด้วยตนเองลงไปด้วย ไปกันเลย!
🔗 ปัญญาประดิษฐ์เรียนรู้ได้อย่างไร
ภาพรวมของอัลกอริธึม ข้อมูล และผลตอบรับที่ใช้ในการเรียนรู้ของเครื่องจักร.
🔗 เครื่องมือ AI การเรียนรู้ชั้นนำที่จะช่วยให้คุณเชี่ยวชาญสิ่งต่างๆ ได้เร็วขึ้น
แอปพลิเคชันที่คัดสรรมาเพื่อช่วยเร่งการเรียนรู้ การฝึกฝน และการพัฒนาทักษะให้เชี่ยวชาญ.
🔗 เครื่องมือ AI ที่ดีที่สุดสำหรับการเรียนรู้ภาษา
แอปพลิเคชันที่ปรับแต่งการฝึกฝนคำศัพท์ ไวยากรณ์ การพูด และความเข้าใจให้เหมาะสมกับแต่ละบุคคล.
🔗 เครื่องมือ AI ชั้นนำสำหรับอุดมศึกษา การเรียนรู้ และการบริหารจัดการ
แพลตฟอร์มที่สนับสนุนการสอน การประเมินผล การวิเคราะห์ข้อมูล และประสิทธิภาพการดำเนินงานของมหาวิทยาลัย.
วิธีศึกษาปัญญาประดิษฐ์ ✅
แผนการเรียนที่ดีเปรียบเสมือนกล่องเครื่องมือที่แข็งแรง ไม่ใช่ลิ้นชักเก็บของรกๆ มันควรจะเป็น:
-
เรียงลำดับทักษะ เพื่อให้แต่ละส่วนใหม่วางต่อจากส่วนก่อนหน้าอย่างเรียบร้อย
-
ให้ความสำคัญกับการปฏิบัติ ก่อน ทฤษฎีเป็นอันดับสอง แต่ไม่ใช่ว่าไม่ให้ เลย
-
ยึดติดกับโปรเจกต์จริง ที่คุณสามารถนำเสนอให้คนจริงๆ ได้เห็น
-
ใช้แหล่งข้อมูลที่น่าเชื่อถือ ซึ่งจะไม่ทำให้คุณติดนิสัยที่ไม่ดี
-
จัดสรรเวลาในชีวิตของคุณ ด้วยกิจวัตรเล็กๆ ที่ทำซ้ำได้
-
ช่วยให้คุณซื่อสัตย์ต่อตัวเอง ด้วยระบบการให้ข้อเสนอแนะ การวัดประสิทธิภาพ และการตรวจสอบโค้ด
ถ้าแผนของคุณไม่ได้ให้สิ่งเหล่านี้ มันก็เป็นแค่ความรู้สึกเท่านั้น จุดยึดที่แข็งแกร่งซึ่งส่งมอบอย่างสม่ำเสมอ ได้แก่ CS229/CS231n ของ Stanford สำหรับพื้นฐานและวิสัยทัศน์, พีชคณิตเชิงเส้นและบทนำสู่การเรียนรู้เชิงลึกของ MIT, fast.ai สำหรับความเร็วในการปฏิบัติจริง, หลักสูตร LLM ของ Hugging Face สำหรับ NLP/ทรานส์ฟอร์เมอร์สมัยใหม่ และ OpenAI Cookbook สำหรับรูปแบบ API ที่ใช้งานได้จริง [1–5].
คำตอบสั้นๆ: วิธีการศึกษา แผนงานด้าน AI 🗺️
-
เรียนรู้ Python และ Notebooks ให้เชี่ยวชาญจนสามารถใช้งานได้อย่างมีประสิทธิภาพ
-
ทบทวนคณิตศาสตร์พื้นฐาน : พีชคณิตเชิงเส้น ความน่าจะเป็น และหลักการหาค่าเหมาะสม
-
รับทำโปรเจ็กต์ Machine Learning ขนาดเล็กแบบ ครบวงจร: ข้อมูล โมเดล ตัวชี้วัด การปรับปรุงแก้ไข
-
ยกระดับการเรียนรู้ของคุณด้วยการเรียนรู้เชิงลึก : โครงข่ายประสาทเทียมแบบ Convolutional Neural Network (CNN), โมเดล Transformer และพลวัตการฝึกฝน
-
เลือกสายงานที่คุณสนใจ : การมองเห็น, การประมวลผลภาษาธรรมชาติ, ระบบแนะนำ, เอเจนต์, อนุกรมเวลา
-
ส่งมอบโปรเจ็กต์ในพอร์ตโฟลิโอของคุณ ด้วยโครงสร้างฐานข้อมูลที่สะอาด มีไฟล์ README และตัวอย่างสาธิต
-
อ่านงานวิจัยด้วยวิธีที่ชาญฉลาดแต่ไม่ต้องพยายามมาก และลองทำซ้ำผลลัพธ์เล็กๆ น้อยๆ ดู
-
รักษาวัฏจักรการเรียนรู้ : ประเมินผล ปรับปรุง จัดทำเอกสาร แบ่งปัน
สำหรับคณิตศาสตร์ พีชคณิตเชิงเส้นของ MIT ถือเป็นจุดยึดที่มั่นคง และตำรา Goodfellow–Bengio–Courville เป็นแหล่งอ้างอิงที่เชื่อถือได้เมื่อคุณติดขัดในเรื่องการแพร่กระจายย้อนกลับ การทำให้เป็นระเบียบ หรือรายละเอียดปลีกย่อยของการเพิ่มประสิทธิภาพ [2, 5].
รายการตรวจสอบทักษะก่อนลงลึกในรายละเอียด 🧰
-
Python : ฟังก์ชัน, คลาส, คอมไพล์ลิสต์/ดิกชันนารี, สภาพแวดล้อมเสมือน, การทดสอบพื้นฐาน
-
การจัดการข้อมูล : pandas, NumPy, การสร้างกราฟ, การวิเคราะห์ข้อมูลเบื้องต้น (EDA)
-
คณิตศาสตร์ที่คุณจะได้ใช้จริง ๆ ได้แก่ : เวกเตอร์ เมทริกซ์ การหาค่าลักษณะเฉพาะ การไล่ระดับ การแจกแจงความน่าจะเป็น เอนโทรปีไขว้ การปรับค่าให้เป็นระเบียบ
-
เครื่องมือที่ใช้ : Git, GitHub issues, Jupyter, GPU notebooks, การบันทึกการทำงาน
-
แนวคิด : ตรวจสอบสองครั้ง ส่งครั้งเดียว; ยอมรับแบบร่างที่ไม่สวยงาม; แก้ไขข้อมูลของคุณก่อน
ชัยชนะอย่างรวดเร็ว: แนวทางแบบบนลงล่างของ fast.ai ช่วยให้คุณฝึกฝนโมเดลที่มีประโยชน์ได้ตั้งแต่เนิ่นๆ ในขณะที่บทเรียนสั้นๆ ของ Kaggle ช่วยสร้างความจำของกล้ามเนื้อสำหรับ pandas และ baselines [3].
ตารางเปรียบเทียบ: การเรียนรู้ AI 📊
รวมถึงรายละเอียดเล็กๆ น้อยๆ ด้วย เพราะโต๊ะในชีวิตจริงนั้นแทบจะไม่เรียบร้อยสมบูรณ์แบบเสมอไป.
| เครื่องมือ / หลักสูตร | เหมาะสำหรับ | ราคา | เหตุผลที่มันได้ผล / หมายเหตุ |
|---|---|---|---|
| Stanford CS229 / CS231n | ทฤษฎีที่แข็งแกร่ง + วิสัยทัศน์ที่ลึกซึ้ง | ฟรี | รายละเอียดพื้นฐาน ML ที่สะอาด + การฝึกอบรม CNN; จับคู่กับโครงการในภายหลัง [1]. |
| MIT บทนำสู่ DL + 18.06 | สะพานเชื่อมจากแนวคิดสู่การปฏิบัติ | ฟรี | การบรรยาย DL ที่กระชับ + พีชคณิตเชิงเส้นที่เข้มงวดซึ่งแมปไปยังการฝังตัว ฯลฯ [2]. |
| fast.ai Practical DL | แฮกเกอร์ที่เรียนรู้จากการลงมือทำ | ฟรี | เน้นโครงการเป็นหลัก ใช้คณิตศาสตร์น้อยที่สุดจนกว่าจะจำเป็น มีวงจรป้อนกลับที่สร้างแรงจูงใจอย่างมาก [3]. |
| หลักสูตร LLM การกอดใบหน้า | Transformers + ชุดเครื่องมือ NLP สมัยใหม่ | ฟรี | สอนโทเคไนเซอร์ ชุดข้อมูล ฮับ เวิร์กโฟลว์การปรับแต่ง/อนุมานเชิงปฏิบัติ [4]. |
| ตำราอาหาร OpenAI | ผู้รับเหมาก่อสร้างที่ใช้แบบจำลองฐานราก | ฟรี | สูตรและรูปแบบที่ใช้งานได้สำหรับงานการผลิตและมาตรการป้องกัน [5]. |
เจาะลึกบทที่ 1: เดือนแรก - เน้นโครงการมากกว่าความสมบูรณ์แบบ 🧪
เริ่มต้นด้วยโปรเจกต์เล็กๆ สองชิ้น เล็กจริงๆ นะ:
-
เกณฑ์พื้นฐานแบบตาราง : โหลดชุดข้อมูลสาธารณะ แบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ ฝึกโมเดลการถดถอยโลจิสติกส์หรือโมเดลต้นไม้ขนาดเล็ก ติดตามตัวชี้วัด และจดบันทึกสิ่งที่ล้มเหลว
-
โมเดลจำลองข้อความหรือรูปภาพ : ปรับแต่งโมเดลที่ฝึกฝนไว้ล่วงหน้าขนาดเล็กบนข้อมูลชุดเล็กๆ อธิบายขั้นตอนการประมวลผลเอกสาร เวลาในการฝึกฝน และข้อแลกเปลี่ยนต่างๆ
ทำไมต้องเริ่มต้นแบบนี้? ชัยชนะในช่วงแรกสร้างแรงผลักดัน คุณจะได้เรียนรู้ขั้นตอนการทำงานที่เชื่อมโยงกัน เช่น การทำความสะอาดข้อมูล การเลือกคุณสมบัติ การประเมิน และการทำซ้ำ บทเรียนแบบบนลงล่างของ fast.ai และสมุดบันทึกที่มีโครงสร้างของ Kaggle เสริมสร้างจังหวะ "ส่งมอบก่อน ทำความเข้าใจให้ลึกซึ้งยิ่งขึ้นในภายหลัง" [3]
กรณีศึกษาขนาดเล็ก (2 สัปดาห์ หลังเลิกงาน): นักวิเคราะห์ฝึกหัดสร้างแบบจำลองพื้นฐานสำหรับการวิเคราะห์อัตราการลาออกของลูกค้า (การถดถอยโลจิสติก) ในสัปดาห์ที่ 1 จากนั้นเปลี่ยนมาใช้การปรับค่าความสม่ำเสมอและคุณลักษณะที่ดีกว่าในสัปดาห์ที่ 2 ผลลัพธ์คือค่า AUC ของแบบจำลองเพิ่มขึ้น 7 จุด ด้วยการตัดแต่งคุณลักษณะเพียงหนึ่งช่วงบ่าย—ไม่จำเป็นต้องใช้สถาปัตยกรรมที่ซับซ้อนใดๆ
เจาะลึกบทที่ 2: คณิตศาสตร์แบบไม่ต้องเครียด - ทฤษฎีที่พอดี 📐
คุณไม่จำเป็นต้องรู้ทฤษฎีบททุกข้อเพื่อสร้างระบบที่แข็งแกร่ง คุณแค่ต้องการส่วนประกอบที่สำคัญในการตัดสินใจ:
-
พีชคณิตเชิงเส้น สำหรับการฝังข้อมูล กลไกความสนใจ และเรขาคณิตการปรับให้เหมาะสม
-
ความน่าจะเป็น สำหรับความไม่แน่นอน เอนโทรปีไขว้ การสอบเทียบ และค่าความน่าจะเป็นเบื้องต้น
-
การปรับอัตรา การเรียนรู้ การควบคุมค่าคงที่ และสาเหตุที่ทำให้เกิดการระเบิด
MIT 18.06 นำเสนอแนวทางที่เน้นการประยุกต์ใช้เป็นหลัก เมื่อคุณต้องการความเข้าใจเชิงลึกมากขึ้นเกี่ยวกับโครงข่ายประสาทเทียม ให้ลองศึกษา Deep Learning เป็นแหล่งอ้างอิง ไม่ใช่อ่านเป็นนิยาย [2, 5]
นิสัยเล็กๆ: ใช้เวลาทำ โจทย์คณิตศาสตร์ไม่เกิน 20 นาทีต่อวัน แล้วกลับไปเขียนโค้ดต่อ ทฤษฎีจะจำได้ดีกว่าหลังจากที่คุณได้เจอปัญหาในทางปฏิบัติแล้ว
เจาะลึกบทที่ 3: NLP สมัยใหม่และ LLM - การเปลี่ยนแปลงครั้งสำคัญ 💬
ระบบประมวลผลข้อความส่วนใหญ่ในปัจจุบันใช้ทรานสฟอร์เมอร์เป็นหลัก เพื่อให้ได้ผลลัพธ์ที่มีประสิทธิภาพ:
-
ศึกษาเนื้อหา Hugging Face LLM: การแบ่งคำ, ชุดข้อมูล, Hub, การปรับแต่ง, การอนุมาน
-
นำเสนอตัวอย่างการใช้งานจริง: การถามตอบที่เสริมด้วยการค้นหาข้อมูลจากบันทึกของคุณ การวิเคราะห์ความรู้สึกด้วยโมเดลขนาดเล็ก หรือโปรแกรมสรุปข้อความขนาดเบา.
-
ติดตามสิ่งที่สำคัญ: เวลาในการตอบสนอง ต้นทุน ความแม่นยำ และความสอดคล้องกับความต้องการของผู้ใช้.
หลักสูตร HF เน้นการใช้งานจริงและคำนึงถึงระบบนิเวศ ซึ่งช่วยลดความยุ่งยากในการเลือกเครื่องมือ [4] สำหรับรูปแบบ API ที่เป็นรูปธรรมและแนวทางปฏิบัติ (การแจ้งเตือน โครงสร้างการประเมิน) OpenAI Cookbook เต็มไปด้วยตัวอย่างที่สามารถใช้งานได้ [5]
เจาะลึกบทที่ 4: พื้นฐานการมองเห็นโดยไม่ต้องจมอยู่กับรายละเอียดพิกเซลมากเกินไป 👁️
สนใจเรื่องการมองเห็นใช่ไหม? ลองจับ CS231n กับโปรเจกต์เล็กๆ ดู เช่น จำแนกชุดข้อมูลที่กำหนดเอง หรือปรับแต่งโมเดลที่ฝึกฝนไว้ล่วงหน้าในหมวดหมู่เฉพาะ เน้นที่คุณภาพของข้อมูล การเพิ่มประสิทธิภาพ และการประเมินก่อนที่จะไปค้นหาสถาปัตยกรรมที่แปลกใหม่ CS231n เป็นเหมือนเข็มทิศที่เชื่อถือได้สำหรับวิธีการทำงานของ convs, residuals และ heuristics ในการฝึกอบรม [1]
อ่านงานวิจัยโดยไม่ต้องตาเหล่ 📄
ลูปที่ใช้งานได้:
-
อ่าน บทคัดย่อและดูรูปภาพ ก่อน
-
อ่านสมการของวิธีการอย่างคร่าวๆ เพื่อระบุชื่อส่วนประกอบต่างๆ.
-
ไปที่ ส่วนการทดลอง และ ข้อ จำกัด
-
จำลองผลลัพธ์ขนาดเล็กบนชุดข้อมูลจำลอง.
-
เขียนสรุปสองย่อหน้าพร้อมคำถามหนึ่งข้อที่คุณยังคงสงสัยอยู่.
เพื่อค้นหาการใช้งานหรือพื้นฐาน ให้ตรวจสอบคลังหลักสูตรและห้องสมุดอย่างเป็นทางการที่เชื่อมโยงกับแหล่งที่มาข้างต้นก่อนที่จะค้นหาบล็อกแบบสุ่ม [1–5].
สารภาพเล็กน้อย: บางครั้งฉันอ่านบทสรุปก่อน ไม่ใช่ธรรมเนียมปฏิบัติ แต่ช่วยให้ตัดสินใจได้ว่าการเดินทางอ้อมนั้นคุ้มค่าหรือไม่
สร้างระบบ AI ส่วนตัวของคุณ 🧱
-
ขั้นตอนการทำงานของข้อมูล : ใช้ pandas สำหรับการจัดการข้อมูล และใช้ scikit-learn สำหรับการสร้างข้อมูลพื้นฐาน
-
การติดตามผล : การใช้สเปรดชีตอย่างง่ายหรือโปรแกรมติดตามการทดลองขนาดเล็กก็เพียงพอแล้ว
-
ตัวอย่างการใช้งาน : แอป FastAPI ขนาดเล็กหรือเดโมโน้ตบุ๊กก็เพียงพอที่จะเริ่มต้นได้แล้ว
-
การประเมินผล : กำหนดตัวชี้วัดที่ชัดเจน ใช้การแบ่งกลุ่มตามปัจจัยต่างๆ ตรวจสอบความถูกต้อง หลีกเลี่ยงการเลือกเฉพาะส่วนที่ต้องการปรับปรุง
fast.ai และ Kaggle ถูกประเมินค่าต่ำเกินไปสำหรับการสร้างความเร็วบนพื้นฐานและบังคับให้คุณทำซ้ำอย่างรวดเร็วด้วยข้อเสนอแนะ [3].
โปรเจกต์ในพอร์ตโฟลิโอที่จะทำให้ผู้สรรหาบุคลากรประทับใจ 👍
ตั้งเป้าหมายไว้ที่โครงการสามโครงการ โดยแต่ละโครงการต้องแสดงจุดแข็งที่แตกต่างกัน:
-
พื้นฐานของแมชชีนเลิร์นนิงแบบดั้งเดิม : การวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) ที่เข้มข้น คุณลักษณะ และการวิเคราะห์ข้อผิดพลาด
-
แอปพลิเคชันการเรียนรู้เชิงลึก : รูปภาพหรือข้อความ พร้อมเดโมบนเว็บแบบง่าย
-
เครื่องมือที่ขับเคลื่อนด้วย LLM : แชทบอทหรือเครื่องมือประเมินผลที่เสริมการค้นหาข้อมูล พร้อมเอกสารที่ระบุข้อความแจ้งเตือนและการจัดการข้อมูลอย่างชัดเจน
ใช้ README ที่มีคำอธิบายปัญหาที่ชัดเจน ขั้นตอนการตั้งค่า การ์ดข้อมูล ตารางการประเมิน และวิดีโอสาธิตสั้นๆ หากคุณสามารถเปรียบเทียบโมเดลของคุณกับฐานพื้นฐานที่เรียบง่ายได้ก็จะยิ่งดี รูปแบบ Cookbook จะช่วยได้เมื่อโครงการของคุณเกี่ยวข้องกับโมเดลแบบสร้างหรือการใช้เครื่องมือ [5].
นิสัยการเรียนที่ช่วยป้องกันภาวะหมดไฟ ⏱️
-
เทคนิค Pomodoro : เขียนโค้ด 25 นาที บันทึกการเปลี่ยนแปลง 5 นาที
-
บันทึกการเขียนโค้ด : เขียนบทวิเคราะห์สั้นๆ หลังการทดลองที่ล้มเหลว
-
การฝึกฝนอย่างตั้งใจ : แยกทักษะเฉพาะด้าน (เช่น การโหลดข้อมูลสามประเภทที่แตกต่างกันภายในหนึ่งสัปดาห์)
-
ข้อเสนอแนะจากชุมชน : แชร์ความคืบหน้าประจำสัปดาห์ ขอรับการตรวจสอบโค้ด แลกเปลี่ยนคำแนะนำหนึ่งครั้งต่อคำวิจารณ์หนึ่งครั้ง
-
การฟื้นตัว : ใช่ การพักผ่อนเป็นทักษะอย่างหนึ่ง ตัวคุณในอนาคตจะเขียนโค้ดได้ดีขึ้นหลังจากนอนหลับพักผ่อนอย่างเพียงพอ
แรงจูงใจมักเปลี่ยนแปลงไป ชัยชนะเล็กๆ และความก้าวหน้าที่เห็นได้ชัดคือสิ่งที่ช่วยยึดเหนี่ยวไว้.
ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง 🧯
-
การผัดวันประกันพรุ่งทางคณิตศาสตร์ : การอ่านบทพิสูจน์อย่างละเอียดก่อนที่จะลงมือทำกับชุดข้อมูล
-
บทเรียนไม่รู้จบ : ดูวิดีโอ 20 คลิป แต่ไม่ได้สร้างอะไรเลย
-
อาการ "โมเดลสวยหรูแต่ไร้ที่ติ" : การเปลี่ยนสถาปัตยกรรมแทนที่จะแก้ไขข้อมูลหรือความเสียหาย
-
ไม่มีแผนการประเมินผล : ถ้าคุณไม่สามารถบอกได้ว่าจะวัดความสำเร็จได้อย่างไร คุณก็จะไม่ประสบความสำเร็จ
-
แบบฝึกหัดคัดลอกและวาง : พิมพ์ตาม แล้วลืมทุกอย่างในสัปดาห์หน้า
-
คลังเก็บโค้ดที่ขัดเกลามากเกินไป : README สมบูรณ์แบบ ไม่มีส่วนทดลองใดๆ เลย ผิดพลาดแล้ว
เมื่อคุณต้องการเนื้อหาที่มีโครงสร้างและน่าเชื่อถือเพื่อปรับเทียบใหม่ CS229/CS231n และหลักสูตรของ MIT ถือเป็นปุ่มรีเซ็ตที่แข็งแกร่ง [1–2].
ชั้นหนังสืออ้างอิงที่คุณจะกลับมาเปิดอ่านอีกแน่นอน 📚
-
Goodfellow, Bengio, Courville - Deep Learning : เอกสารอ้างอิงมาตรฐานสำหรับ backprop, regularization, optimization และ architectures [5]
-
MIT 18.06 : บทนำที่ชัดเจนที่สุดเกี่ยวกับเมทริกซ์และปริภูมิเวกเตอร์สำหรับผู้ปฏิบัติงาน [2]
-
หมายเหตุ CS229/CS231n : ทฤษฎี ML เชิงปฏิบัติ + รายละเอียดการฝึกอบรมวิสัยทัศน์ที่อธิบายว่าเหตุใดค่าเริ่มต้นจึงใช้งานได้ [1]
-
หลักสูตร Hugging Face LLM : ตัวแยกคำ, ชุดข้อมูล, การปรับแต่ง Transformer, เวิร์กโฟลว์ Hub [4]
-
fast.ai + Kaggle : ลูปฝึกฝนอย่างรวดเร็วที่ให้รางวัลการจัดส่งมากกว่าการหยุดชะงัก [3]
แผนเริ่มต้นง่ายๆ 6 สัปดาห์เพื่อเสริมสร้างความมั่นใจ 🗓️
ไม่ใช่คู่มือตายตัว แต่เป็นเหมือนสูตรสำเร็จที่ปรับเปลี่ยนได้มากกว่า.
สัปดาห์ที่ 1
ปรับแต่ง Python, ฝึกฝนการใช้ pandas, การสร้างภาพข้อมูล โครงงานย่อย: ทำนายผลลัพธ์ง่ายๆ และเขียนรายงาน 1 หน้า
สัปดาห์ที่ 2
ทบทวนพีชคณิตเชิงเส้น ฝึกฝนการใช้เวกเตอร์ ปรับปรุงมินิโปรเจกต์ของคุณด้วยคุณสมบัติที่ดีกว่าและพื้นฐานที่แข็งแกร่งกว่า [2]
โมดูลภาคปฏิบัติ สัปดาห์ที่ 3
สัปดาห์ที่ 4 ข้อ
1–2; จัดส่งตัวจำแนกภาพหรือข้อความขนาดเล็ก [3] จัดทำเอกสารขั้นตอนการประมวลผลข้อมูลของคุณราวกับว่าเพื่อนร่วมทีมจะอ่านในภายหลัง
สัปดาห์ที่ 5
หลักสูตร Hugging Face LLM ผ่านฉลุย; ดำเนินการสาธิต RAG ขนาดเล็กบนชุดข้อมูลขนาดเล็ก วัดความหน่วง/คุณภาพ/ต้นทุน จากนั้นปรับให้เหมาะสม [4]
สัปดาห์ที่ 6
เขียนเอกสารสรุปหนึ่งหน้าเปรียบเทียบโมเดลของคุณกับโมเดลพื้นฐานแบบง่ายๆ ปรับปรุงคลังเก็บข้อมูล บันทึกวิดีโอสาธิตสั้นๆ และแชร์เพื่อรับคำติชม รูปแบบตำราอาหารจะช่วยได้ [5]
ข้อสรุปสุดท้าย - ยาวเกินไป อ่านไม่จบ 🎯
วิธีเรียนรู้ AI ให้ได้ผลดีนั้นเรียบง่ายอย่างน่าประหลาดใจ: ลงมือทำโปรเจกต์เล็กๆ เรียนรู้คณิตศาสตร์ให้เพียงพอ และอาศัยคอร์สเรียนและตำราที่น่าเชื่อถือ เพื่อไม่ให้เสียเวลาไปกับสิ่งที่ไม่มีอยู่จริง เลือกเส้นทางที่คุณสนใจ สร้างผลงานที่ได้รับการประเมินอย่างตรงไปตรงมา และวนลูปฝึกฝน-ทฤษฎี-ฝึกฝนไปเรื่อยๆ คิดว่ามันเหมือนกับการเรียนทำอาหารด้วยมีดคมๆ ไม่กี่เล่มและกระทะร้อนๆ ไม่จำเป็นต้องใช้ทุกอุปกรณ์ แต่ใช้เฉพาะอุปกรณ์ที่ทำให้ได้อาหารบนโต๊ะ คุณทำได้แน่นอน 🌟
เอกสารอ้างอิง
[1] Stanford CS229 / CS231n - การเรียนรู้ของเครื่อง; การเรียนรู้เชิงลึกสำหรับคอมพิวเตอร์วิชั่น
[2] MIT - พีชคณิตเชิงเส้น (18.06) และบทนำสู่การเรียนรู้เชิงลึก (6.S191)
[3] การฝึกปฏิบัติจริง - fast.ai และ Kaggle Learn
[4] Transformers & Modern NLP - Hugging Face LLM Course.
[5] เอกสารอ้างอิงการเรียนรู้เชิงลึก + รูปแบบ API - Goodfellow และคณะ; OpenAI Cookbook