Jinsi ya Kujifunza AI?

Jinsi ya Kujifunza AI?

Kujifunza AI kunaweza kuhisi kama kuingia katika maktaba kubwa ambapo kila kitabu kinapiga kelele "ANZA HAPA." Nusu ya rafu husema "hisabati," ambayo ni ... utovu wa nidhamu kidogo 😅

Faida: huhitaji kujua kila kitu ili kujenga vitu muhimu. Unahitaji njia nzuri, rasilimali chache zinazotegemeka, na nia ya kuchanganyikiwa kwa muda (kimsingi kuchanganyikiwa ni ada ya kiingilio).

Makala unayoweza kupenda kusoma baada ya hii:

🔗 Jinsi akili bandia inavyogundua kasoro
Huelezea mbinu za kugundua matatizo kwa kutumia ujifunzaji wa mashine na takwimu.

🔗 Kwa nini AI ni mbaya kwa jamii?
Huchunguza hatari za kimaadili, kijamii, na kiuchumi za akili bandia.

🔗 AI hutumia maji kiasi gani
Hupunguza matumizi ya nishati ya akili bandia na athari za matumizi ya maji yaliyofichwa.

🔗 Seti ya data ya AI ni nini
Hufafanua seti za data, uwekaji lebo, na jukumu lao katika mafunzo ya AI.

Maana halisi ya "AI" katika maneno ya kila siku 🤷♀️

Watu husema "AI" na wanamaanisha mambo machache tofauti:

  • Kujifunza kwa Mashine (ML) - mifumo hujifunza mifumo kutoka kwa data hadi ramani ya ingizo hadi matokeo (km, kugundua barua taka, utabiri wa bei). [1]

  • Kujifunza kwa Kina (DL) – sehemu ndogo ya ML inayotumia mitandao ya neva kwa kiwango kikubwa (maono, usemi, mifumo mikubwa ya lugha). [2]

  • AI ya Uzalishaji - mifumo inayozalisha maandishi, picha, msimbo, sauti (boti za gumzo, waendeshaji nakala, zana za maudhui). [2]

  • Kujifunza kwa Uimarishaji - kujifunza kwa majaribio na zawadi (mawakala wa mchezo, roboti). [1]

Huna haja ya kuchagua kikamilifu mwanzoni. Usichukulie AI kama jumba la makumbusho. Ni kama jiko - unajifunza haraka zaidi kwa kupika. Wakati mwingine unachoma mkate wa toast. 🍞🔥

Hadithi ya haraka: timu ndogo ilisafirisha modeli ya "kuchuja" nzuri ... hadi walipogundua vitambulisho sawa kwenye treni na majaribio. Uvujaji wa kawaida. Mgawanyiko rahisi wa bomba + safi ulibadilisha alama ya 0.99 inayotiliwa shaka kuwa alama ya kuaminika (chini!) na modeli ambayo kwa kweli ilijumlisha. [3]

Ni nini kinachofanya mpango mzuri wa "Jinsi ya Kujifunza AI" kuwa mzuri ✅

Mpango mzuri una sifa chache zinazoonekana kuwa za kuchosha lakini hukuokoa miezi:

  • Jenga unapojifunza (miradi midogo mapema, miradi mikubwa baadaye).

  • Jifunze hesabu ya chini kabisa inayohitajika , kisha zungushia nyuma kwa undani.

  • Eleza ulichofanya (fanya kazi yako kwa bidii; inatibu mawazo yasiyo na maana).

  • Shikilia kwenye "mrundiko mmoja wa msingi" kwa muda (Python + Jupyter + scikit-learn → kisha PyTorch).

  • Pima maendeleo kwa matokeo , si saa zinazotazamwa.

Ikiwa mpango wako ni video na maelezo tu, ni kama kujaribu kuogelea kwa kusoma kuhusu maji.

Chagua njia yako (kwa sasa) - njia tatu za kawaida 🚦

Unaweza kujifunza AI katika "maumbo" tofauti. Hapa kuna matatu yanayofanya kazi:

1) Njia ya ujenzi wa vitendo 🛠️

Bora zaidi ikiwa unataka ushindi wa haraka na motisha.
Lengo: seti za data, mifumo ya mafunzo, maonyesho ya usafirishaji.
Rasilimali za kuanzia: Kozi ya Google ya ML Crash, Kaggle Learn, fast.ai (viungo katika Marejeleo na Rasilimali hapa chini).

2) Njia ya msingi - njia ya kwanza 📚

Bora zaidi ikiwa unapenda uwazi na nadharia.
Mkazo: urejeleo, upendeleo–tofauti, kufikiri kwa uwezekano, uboreshaji.
Nanga: Nyenzo za Stanford CS229, MIT Utangulizi wa Kujifunza kwa Kina. [1][2]

3) Njia ya msanidi programu wa gen-AI ✨

Bora zaidi ikiwa unataka kujenga wasaidizi, utafutaji, mtiririko wa kazi, mambo ya "wakala-y".
Mkazo: uhamasishaji, urejeshaji, evals, matumizi ya zana, misingi ya usalama, upelekaji.
Hati za kuweka karibu: hati za jukwaa (API), kozi ya HF (zana).

Unaweza kubadilisha njia baadaye. Kuanza ndio sehemu ngumu.

 

Jinsi ya kujifunza kusoma AI

Jedwali la Ulinganisho - njia bora za kujifunza (kwa tabia za kawaida) 📋

Chombo / Kozi Hadhira Bei Kwa nini inafanya kazi (muda mfupi)
Kozi ya Google Machine Learning Ajali wanaoanza Bure Kuonekana + kwa vitendo; huepuka ugumu kupita kiasi
Kaggle Learn (Utangulizi + ML ya Kati) wanaoanza wanaopenda mazoezi Bure Masomo ya ukubwa wa kuuma + mazoezi ya papo hapo
fast.ai Kujifunza kwa Kina kwa Vitendo wajenzi wenye msimbo fulani Bure Unawafunza wanamitindo halisi mapema - kama, mara moja 😅
Utaalamu wa DeepLearning.AI ML wanafunzi waliopangwa Imelipwa Futa maendeleo kupitia dhana kuu za ML
DeepLearning.AI Maelezo ya Kujifunza kwa Kina Misingi ya ML tayari Imelipwa Kina imara kwenye nyavu za neva + mtiririko wa kazi
Maelezo ya Stanford CS229 inayoendeshwa na nadharia Bure Misingi mikubwa ("kwa nini hii inafanya kazi")
Mwongozo wa Mtumiaji wa scikit Wataalamu wa ML Bure Zana ya kawaida ya meza/msingi
Mafunzo ya PyTorch wajenzi wa kujifunza kwa kina Bure Safisha njia kutoka kwa tensors → vitanzi vya mafunzo [4]
Kozi ya Kukumbatiana ya LLM ya Uso Wajenzi wa NLP + LLM Bure Mtiririko wa kazi wa LLM wa vitendo + zana za mfumo ikolojia
Mfumo wa Usimamizi wa Hatari wa NIST AI mtu yeyote anayetumia AI Bure Upangaji rahisi na unaoweza kutumika wa hatari/utawala [5]

Dokezo dogo: "bei" mtandaoni ni ya ajabu. Baadhi ya mambo ni bure lakini ni ya kuzingatia gharama… jambo ambalo wakati mwingine huwa baya zaidi.

Mkusanyiko wa ujuzi muhimu unaohitaji (na kwa mpangilio gani) 🧩

Ikiwa lengo lako ni Jinsi ya Kujifunza AI bila kuzama, lenga mfuatano huu:

  1. Misingi ya Python

  • Vitendakazi, orodha/dikti, madarasa mepesi, faili za kusoma.

  • Tabia ya lazima: kuandika maandishi madogo, si madaftari tu.

  1. Ushughulikiaji wa data

  • Kufikiri kwa NumPy-ish, misingi ya pandas, kupanga njama.

  • Utatumia muda mwingi hapa. Sio ya kupendeza, lakini ni kazi.

  1. ML ya Kitamaduni (nguvu kuu isiyothaminiwa sana)

  • Treni/jaribio hugawanyika, kuvuja, kufaa kupita kiasi.

  • Urejelezaji wa mstari/kiufundi, miti, misitu isiyo ya kawaida, kuongeza mteremko.

  • Vipimo: usahihi, usahihi/kumbukumbu, ROC-AUC, MAE/RMSE - kujua wakati kila moja inaeleweka. [3]

  1. Kujifunza kwa kina

  • Vipima, gradient/backprop (kimantiki), vitanzi vya mafunzo.

  • CNN za picha, vibadilishaji vya maandishi (hatimaye).

  • Misingi michache ya PyTorch kuanzia mwanzo hadi mwisho husaidia sana. [4]

  1. Mtiririko wa kazi wa AI na LLM wa uzalishaji

  • Uwekaji tokeni, upachikaji, uzalishaji ulioboreshwa wa urejeshaji, tathmini.

  • Kurekebisha dhidi ya kushawishi (na wakati huhitaji yoyote).

Mpango wa hatua kwa hatua unaoweza kufuata 🗺️

Awamu ya A - fanya mfumo wako wa kwanza ufanye kazi (haraka) ⚡

Lengo: fundisha kitu, kipime, kiboreshe.

  • Fanya utangulizi mdogo (km., Kozi ya Kukwama ya ML), kisha kozi ndogo ya vitendo (km., Utangulizi wa Kaggle).

  • Wazo la mradi: kutabiri bei za nyumba, kufutwa kwa wateja, au hatari ya mikopo kwenye seti ya data ya umma.

Orodha ndogo ya "ushindi":

  • Unaweza kupakia data.

  • Unaweza kutoa mafunzo kwa mfumo wa msingi.

  • Unaweza kuelezea utoshelevu wa kupita kiasi kwa lugha rahisi.

Awamu ya B - jisikie vizuri na mazoezi halisi ya ML 🔧

Lengo: acha kushangazwa na njia za kawaida za kushindwa.

  • Fanya kazi kupitia mada za kati za ML: thamani zinazokosekana, uvujaji, mabomba, CV.

  • Futa sehemu chache za Mwongozo wa Mtumiaji wa scikit-learn na utumie vijisehemu. [3]

  • Wazo la mradi: bomba rahisi la kuanzia mwanzo hadi mwisho lenye modeli iliyohifadhiwa + ripoti ya tathmini.

Awamu ya C - kujifunza kwa kina ambako hakuhisi kama uchawi 🧙♂️

Lengo: fundisha wavu wa neva na uelewe mzunguko wa mafunzo.

  • Fanya njia ya PyTorch ya "Jifunze Misingi" (vidhibiti → seti za data/vipakiaji data → mafunzo/uhifadhi → uhifadhi). [4]

  • Kwa hiari, unganisha na fast.ai ikiwa unataka kasi na hisia za vitendo.

  • Wazo la mradi: kiainishaji cha picha, modeli ya hisia, au kibadilishaji kidogo cha urekebishaji.

Awamu ya D - programu za AI zinazozalisha ambazo zinafanya kazi kweli ✨

Lengo: kujenga kitu ambacho watu hutumia.

  • Fuata kozi ya vitendo ya LLM + mwanzo wa haraka wa muuzaji ili kuunganisha upachikaji, urejeshaji, na vizazi salama.

  • Wazo la mradi: roboti ya Maswali na Majibu juu ya zako (kipande → embed → retrieve → jibu kwa nukuu), au msaidizi wa usaidizi kwa wateja mwenye simu za zana.

Sehemu ya "hisabati" - jifunze kama viungo, sio mlo mzima 🧂

Hisabati ni muhimu, lakini muda ni muhimu zaidi.

Hesabu ya chini kabisa inayofaa kuanza:

  • Aljebra ya mstari: vekta, matrices, bidhaa za nukta (hisia ya kuingiza). [2]

  • Kalkulasi: intuition derivative (mteremko → gradients). [1]

  • Uwezekano: mgawanyo, matarajio, mawazo ya msingi ya Bayes. [1]

Ukitaka uti wa mgongo rasmi zaidi baadaye, angalia maelezo ya CS229 kwa misingi na utangulizi wa ujifunzaji wa kina wa MIT kwa mada za kisasa. [1][2]

Miradi inayokufanya uonekane kama unajua unachofanya 😄

Ukijenga viainishaji pekee kwenye seti za data za vitu vya kuchezea, utahisi kukwama. Jaribu miradi inayofanana na kazi halisi:

  • Mradi wa ML wa msingi-kwanza (scikit-learn): data safi → msingi imara → uchambuzi wa makosa. [3]

  • Programu ya LLM + kurejesha: ingest docs → chunk → embed → retrieve → toa majibu yenye nukuu.

  • Ufuatiliaji wa modeli ya dashibodi ndogo: ingizo/matokeo ya kumbukumbu; fuatilia ishara zinazoteleza (hata takwimu rahisi husaidia).

  • Ukaguzi mdogo wa AI unaowajibika: hati za hatari, kesi za ukingo, athari za kushindwa; tumia mfumo mwepesi. [5]

Utekelezaji wa uwajibikaji na vitendo (ndiyo, hata kwa wajenzi wa kujitegemea) 🧯

Uhakiki wa ukweli: maonyesho ya kuvutia ni rahisi; mifumo ya kuaminika si rahisi.

  • Weka README fupi ya mtindo wa "kadi ya mfano": vyanzo vya data, vipimo, mipaka inayojulikana, kasi ya kusasisha.

  • Ongeza vizuizi vya msingi (vikomo vya kiwango, uthibitishaji wa ingizo, ufuatiliaji wa matumizi mabaya).

  • Kwa chochote kinachomkabili mtumiaji au kinachotokana nacho, tumia inayotegemea hatari : tambua madhara, jaribu kesi za ukingo, na uandike upunguzaji wa hati. NIST AI RMF imeundwa haswa kwa hili. [5]

Mitego ya kawaida (ili uweze kuiepuka) 🧨

  • Mafunzo ya kurukaruka - "kozi moja tu zaidi" inakuwa utu wako wote.

  • Kuanzia na mada ngumu zaidi - transfoma ni nzuri, lakini mambo ya msingi hulipa kodi.

  • Kupuuza tathmini - usahihi pekee unaweza kupatikana kwa uso ulionyooka. Tumia kipimo sahihi kwa kazi hiyo. [3]

  • Kutoandika mambo - weka maelezo mafupi: kilichoshindwa, kilichobadilika, kilichoboreshwa.

  • Hakuna mazoezi ya kusambaza - hata kifungashio rahisi cha programu hufundisha mengi.

  • Kuruka mawazo ya hatari - andika vidokezo viwili kuhusu madhara yanayoweza kutokea kabla ya kusafirisha. [5]

Maelezo ya Mwisho - Muda Mrefu Sana, Sikuisoma 😌

Ukiuliza Jinsi ya Kujifunza AI , hapa kuna mapishi rahisi zaidi ya kushinda:

  • Anza na misingi ya ML inayofanya kazi kwa vitendo (utangulizi mdogo + mazoezi ya mtindo wa Kaggle).

  • Tumia scikit-learn ili kujifunza mtiririko halisi wa kazi na vipimo vya ML. [3]

  • Hamia PyTorch kwa ajili ya kujifunza kwa kina na mafunzo. [4]

  • Ongeza ujuzi wa LLM kwa kutumia kozi ya vitendo na API za haraka.

  • Jenga miradi 3-5 inayoonyesha: utayarishaji wa data, uundaji wa modeli, tathmini, na kifungashio rahisi cha "bidhaa".

  • Tenda hatari/utawala kama sehemu ya "kufanyika," si ziada ya hiari. [5]

Na ndio, wakati mwingine utahisi umepotea. Hiyo ni kawaida. AI ni kama kufundisha kibaniko kusoma - inavutia inapofanya kazi, inatisha kidogo inapofanya kazi, na inachukua marudio zaidi kuliko mtu yeyote anavyokubali 😵💫

Marejeleo

[1] Vidokezo vya Mihadhara vya Stanford CS229. (Misingi ya msingi ya ML, ujifunzaji unaosimamiwa, uundaji wa uwezekano).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: Utangulizi wa Kujifunza kwa Kina. (Muhtasari wa Kujifunza kwa Kina, mada za kisasa ikijumuisha LLM).
https://introtodeeplearning.com/

[3] scikit-learn: Tathmini ya modeli na vipimo. (Usahihi, usahihi/kumbukumbu, ROC-AUC, n.k.).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] Mafunzo ya PyTorch - Jifunze Misingi. (Vipima muda, seti za data/vipakiaji data, mafunzo/vitanzi vya eval).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] Mfumo wa Usimamizi wa Hatari wa AI wa NIST (AI RMF 1.0). (Mwongozo wa AI unaotegemea hatari na unaoaminika).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

Rasilimali za Ziada (zinazoweza kubofyewa)

  • Kozi ya Google Machine Learning Crash: soma zaidi

  • Jifunze Kaggle - Utangulizi wa ML: soma zaidi

  • Kaggle Jifunze - ML ya Kati: soma zaidi

  • fast.ai - Kujifunza kwa Kina kwa Vitendo kwa Waandishi wa Hati Misimbo: soma zaidi

  • DeepLearning.AI - Utaalamu wa Kujifunza kwa Mashine: soma zaidi

  • DeepLearning.AI - Utaalamu wa Kujifunza kwa Kina: soma zaidi

  • Kuanza kwa scikit: soma zaidi

  • Mafunzo ya PyTorch (faharasa): soma zaidi

  • Kozi ya LLM ya Kukumbatiana Uso (utangulizi): soma zaidi

  • API ya OpenAI - Anzisha Haraka ya Msanidi Programu: soma zaidi

  • API ya OpenAI - Dhana: soma zaidi

  • Ukurasa wa muhtasari wa NIST AI RMF: soma zaidi

Pata AI ya Hivi Punde kwenye Duka Rasmi la Msaidizi wa AI

Kuhusu Sisi

Rudi kwenye blogu