Sut i Ddysgu AI?

Sut i Ddysgu AI?

Gall dysgu deallusrwydd artiffisial deimlo fel camu i mewn i lyfrgell enfawr lle mae pob llyfr yn gweiddi “DECHREUWCH YMA.” Mae hanner y silffoedd yn dweud “mathemateg,” sydd… braidd yn anghwrtais 😅

Yr ochr dda: does dim angen i chi wybod popeth i adeiladu pethau defnyddiol. Mae angen llwybr synhwyrol arnoch chi, ychydig o adnoddau dibynadwy, a pharodrwydd i fod yn ddryslyd am ychydig (dryswch yw'r ffi mynediad yn y bôn).

Erthyglau y gallech fod eisiau eu darllen ar ôl yr un hon:

🔗 Sut mae AI yn canfod anomaleddau
Yn egluro dulliau canfod anomaledd gan ddefnyddio dysgu peirianyddol ac ystadegau.

🔗 Pam mae AI yn ddrwg i gymdeithas
Yn archwilio risgiau moesegol, cymdeithasol ac economaidd deallusrwydd artiffisial.

🔗 Faint o ddŵr mae AI yn ei ddefnyddio
Yn dadansoddi defnydd ynni AI ac effeithiau defnydd dŵr cudd.

🔗 Beth yw set ddata AI
Yn diffinio setiau data, labelu, a'u rôl wrth hyfforddi AI.

Beth mae “AI” yn ei olygu mewn gwirionedd mewn termau bob dydd 🤷♀️

Mae pobl yn dweud “AI” ac yn golygu ychydig o bethau gwahanol:

  • Dysgu Peirianyddol (ML) – mae modelau'n dysgu patrymau o ddata i fapio mewnbynnau i allbynnau (e.e. canfod sbam, rhagfynegi prisiau). [1]

  • Dysgu Dwfn (DL) – is-set o ML sy'n defnyddio rhwydweithiau niwral ar raddfa fawr (gweledigaeth, lleferydd, modelau iaith mawr). [2]

  • Deallusrwydd Artiffisial Cynhyrchiol – modelau sy'n cynhyrchu testun, delweddau, cod, sain (sgwrsbotiau, cyd-beilotiaid, offer cynnwys). [2]

  • Dysgu Atgyfnerthu – dysgu drwy dreial a gwobrwyo (asiantau gêm, roboteg). [1]

Does dim rhaid i chi ddewis yn berffaith ar y dechrau. Peidiwch â thrin AI fel amgueddfa. Mae'n debycach i gegin - rydych chi'n dysgu'n gyflymach trwy goginio. Weithiau rydych chi'n llosgi'r tost. 🍞🔥

Hanecdot fer: anfonodd tîm bach fodel troelli “gwych”… nes iddyn nhw sylwi ar IDau union yr un fath mewn trên a phrawf. Gollyngiad clasurol. Trodd piblinell syml + hollt glân 0.99 amheus yn sgôr ddibynadwy (is!) a model a oedd mewn gwirionedd yn gyffredinoli. [3]

Beth sy'n gwneud cynllun da "Sut i Ddysgu AI" ✅

Mae gan gynllun da ychydig o nodweddion sy'n swnio'n ddiflas ond sy'n arbed misoedd i chi:

  • Adeiladu wrth ddysgu (prosiectau bach yn gynnar, rhai mwy yn ddiweddarach).

  • Dysgwch yr isafswm mathemateg sydd ei angen , yna cylchwch yn ôl i gael dyfnder.

  • Eglurwch beth wnaethoch chi (paid â gwneud gwaith; mae'n gwella meddwl aneglur).

  • Cadwch at un “pentwr craidd” am ychydig (Python + Jupyter + scikit-learn → yna PyTorch).

  • Mesurwch gynnydd yn ôl allbynnau , nid oriau a wyliwyd.

Os mai dim ond fideos a nodiadau yw eich cynllun, mae fel ceisio nofio trwy ddarllen am ddŵr.

Dewiswch eich lôn (am y tro) – tri llwybr cyffredin 🚦

Gallwch ddysgu AI mewn gwahanol “siapiau.” Dyma dri sy’n gweithio:

1) Y llwybr adeiladwr ymarferol 🛠️

Gorau os ydych chi eisiau enillion cyflym a chymhelliant.
Ffocws: setiau data, modelau hyfforddi, demos cludo.
Adnoddau cychwynnol: Cwrs Crash ML Google, Kaggle Learn, fast.ai (dolenni yn y Cyfeiriadau ac Adnoddau isod).

2) Y llwybr sylfaenol yn gyntaf 📚

Gorau os ydych chi'n caru eglurder a damcaniaeth.
Ffocws: atchweliad, rhagfarn-amrywiant, meddwl tebygolrwydd, optimeiddio.
Angorau: deunyddiau Stanford CS229, Cyflwyniad MIT i Ddysgu Dwfn. [1][2]

3) Llwybr datblygwr apiau cenhedlaeth AI ✨

Gorau os ydych chi eisiau adeiladu cynorthwywyr, chwiliadau, llifau gwaith, pethau "asiantaidd".
Ffocws: annog, adfer, gwerthusiadau, defnyddio offer, hanfodion diogelwch, defnyddio.
Dogfennau i'w cadw'n agos: dogfennau platfform (APIs), cwrs HF (offer).

Gallwch newid lonydd yn ddiweddarach. Cychwyn yw'r rhan anodd.

 

Sut i ddysgu astudio AI

Tabl Cymharu – y ffyrdd gorau o ddysgu (gyda manylion gonest) 📋

Offeryn / Cwrs Cynulleidfa Pris Pam mae'n gweithio (cyfnod byr)
Cwrs Crash Dysgu Peirianyddol Google dechreuwyr Am ddim Gweledol + ymarferol; yn osgoi gor-gymhlethdod
Dysgu Kaggle (Cyflwyniad + ML Canolradd) dechreuwyr sy'n hoffi ymarfer Am ddim Gwersi byr + ymarferion ar unwaith
Dysgu Dwfn Ymarferol fast.ai adeiladwyr gyda rhywfaint o godio Am ddim Rydych chi'n hyfforddi modelau go iawn yn gynnar - fel, ar unwaith 😅
Arbenigedd ML DeepLearning.AI dysgwyr strwythuredig Wedi'i dalu Dilyniant clir trwy gysyniadau craidd ML
Manyleb Dysgu Dwfn DeepLearning.AI Hanfodion ML eisoes Wedi'i dalu Dyfnder cadarn ar rwydweithiau niwral + llifau gwaith
Nodiadau Stanford CS229 wedi'i yrru gan theori Am ddim Hanfodion difrifol (“pam mae hyn yn gweithio”)
Canllaw Defnyddiwr scikit-learn Ymarferwyr ML Am ddim Y pecyn cymorth clasurol ar gyfer tablau/llinellau sylfaen
Tiwtorialau PyTorch adeiladwyr dysgu dwfn Am ddim Llwybr glân o tensorau → dolenni hyfforddi [4]
Cwrs LLM Wyneb Cofleidio Adeiladwyr NLP + LLM Am ddim Llif gwaith ymarferol LLM + offer ecosystem
Fframwaith Rheoli Risg AI NIST unrhyw un sy'n defnyddio AI Am ddim Sgaffaldiau risg/llywodraethu syml, defnyddiadwy [5]

Nodyn bach: mae “pris” ar-lein yn rhyfedd. Mae rhai pethau am ddim ond yn costio sylw… sydd weithiau’n waeth.

Y pentwr sgiliau craidd sydd eu hangen arnoch chi mewn gwirionedd (ac ym mha drefn) 🧩

Os mai eich nod yw Sut i Ddysgu Deallusrwydd Artiffisial heb foddi, anela at y dilyniant hwn:

  1. Hanfodion Python

  • Swyddogaethau, rhestrau/dicts, dosbarthiadau ysgafn, darllen ffeiliau.

  • Arfer hanfodol: ysgrifennu sgriptiau bach, nid llyfrau nodiadau yn unig.

  1. Trin data

  • Meddwl tebyg i NumPy, hanfodion pandaod, cynllwynio.

  • Byddwch chi'n treulio llawer o amser yma. Ddim yn hudolus, ond dyna'r swydd.

  1. ML Clasurol (yr uwch-bŵer danbrisiedig)

  • Holltiadau trên/prawf, gollyngiad, gor-ffitio.

  • Atchweliad llinol/logistig, coed, coedwigoedd ar hap, hybu graddiant.

  • Metrigau: cywirdeb, manylder/adalw, ROC-AUC, MAE/RMSE - gwybod pryd mae pob un yn gwneud synnwyr. [3]

  1. Dysgu dwfn

  • Tensorau, graddiannau/prop cefn (yn gysyniadol), dolenni hyfforddi.

  • CNNs ar gyfer delweddau, trawsnewidyddion ar gyfer testun (yn y pen draw).

  • Mae ychydig o hanfodion PyTorch o'r dechrau i'r diwedd yn mynd yn bell. [4]

  1. Llifau gwaith AI + LLM cynhyrchiol

  • Tocynnu, mewnosodiadau, cynhyrchu wedi'i estyn gan adferiad, gwerthuso.

  • Mireinio yn erbyn annog (a phan nad oes angen y naill na'r llall arnoch).

Cynllun cam wrth gam y gallwch ei ddilyn 🗺️

Cam A – cael eich model cyntaf i weithio (yn gyflym) ⚡

Nod: hyfforddi rhywbeth, ei fesur, ei wella.

  • Gwnewch gyflwyniad cryno (e.e., Cwrs Crash ML), yna micro-gwrs ymarferol (e.e., Cyflwyniad Kaggle).

  • Syniad prosiect: rhagweld prisiau tai, trosiant cwsmeriaid, neu risg credyd ar set ddata gyhoeddus.

Rhestr wirio “ennill” fach:

  • Gallwch chi lwytho data.

  • Gallwch chi hyfforddi model sylfaenol.

  • Gallwch chi esbonio gor-ffitio mewn iaith glir.

Cyfnod B – dod yn gyfforddus ag ymarfer ML go iawn 🔧

Nod: rhoi'r gorau i gael eich synnu gan ddulliau methiant cyffredin.

  • Gweithio trwy bynciau ML canolradd: gwerthoedd coll, gollyngiadau, piblinellau, CV.

  • Sgimiwch ychydig o adrannau Canllaw Defnyddiwr scikit-learn a rhedeg y darnau mewn gwirionedd. [3]

  • Syniad prosiect: piblinell syml o'r dechrau i'r diwedd gyda model wedi'i gadw + adroddiad gwerthuso.

Cyfnod C – dysgu dwfn nad yw'n teimlo fel dewiniaeth 🧙♂️

Nod: hyfforddi rhwyd ​​​​niwral a deall y ddolen hyfforddi.

  • Gwnewch lwybr “Dysgu’r Hanfodion” PyTorch (tensorau → setiau data/llwythwyr data → hyfforddi/gwerthuso → arbed). [4]

  • Gallwch baru â fast.ai os ydych chi eisiau cyflymder ac awyrgylch ymarferol.

  • Syniad prosiect: dosbarthwr delwedd, model teimlad, neu fireinio trawsnewidydd bach.

Cyfnod D – apiau AI cynhyrchiol sy'n gweithio mewn gwirionedd ✨

Nod: creu rhywbeth y mae pobl yn ei ddefnyddio.

  • Dilynwch gwrs LLM ymarferol + cychwyn cyflym gwerthwr i weirio mewnosodiadau, adferiad a chynhyrchiadau diogel.

  • Syniad prosiect: bot C&A dros eich dogfennau (chunk → embed → retrieve → answer with citations), neu gynorthwyydd cymorth cwsmeriaid gyda galwadau offer.

Y rhan "mathemateg" - dysgwch hi fel sesnin, nid y pryd cyfan 🧂

Mae mathemateg yn bwysig, ond mae amseru yn bwysicach.

Mathemateg leiafswm hyfyw i ddechrau:

  • Algebra llinol: fectorau, matricsau, cynhyrchion dot (greddf ar gyfer mewnosodiadau). [2]

  • Calcwlws: greddf deilliadol (llethrau → graddiannau). [1]

  • Tebygolrwydd: dosraniadau, disgwyliad, meddwl sylfaenol tebyg i Bayes. [1]

Os ydych chi eisiau asgwrn cefn mwy ffurfiol yn ddiweddarach, edrychwch ar nodiadau CS229 ar gyfer hanfodion a dysgu dwfn cyflwyniad MIT ar gyfer pynciau modern. [1][2]

Prosiectau sy'n gwneud i chi edrych fel eich bod chi'n gwybod beth rydych chi'n ei wneud 😄

Os ydych chi'n adeiladu dosbarthwyr ar setiau data teganau yn unig, byddwch chi'n teimlo'n sownd. Rhowch gynnig ar brosiectau sy'n debyg i waith go iawn:

  • Prosiect ML sylfaenol-gyntaf (scikit-learn): data glân → sylfaenol gref → dadansoddi gwallau. [3]

  • LLM + ap adfer: amlyncu dogfennau → darn → mewnosod → adfer → cynhyrchu atebion gyda dyfyniadau.

  • Dangosfwrdd bach monitro modelau: logio mewnbynnau/allbynnau; olrhain signalau tebyg i ddrifft (mae hyd yn oed ystadegau syml yn helpu).

  • Archwiliad bach AI cyfrifol: dogfennu risgiau, achosion ymyl, effeithiau methiant; defnyddio fframwaith ysgafn. [5]

Defnyddio cyfrifol ac ymarferol (ie, hyd yn oed ar gyfer adeiladwyr unigol) 🧯

Gwiriad realiti: mae demos trawiadol yn hawdd; nid yw systemau dibynadwy.

  • Cadwch README byr arddull “cerdyn model”: ffynonellau data, metrigau, terfynau hysbys, cyflymder diweddariadau.

  • Ychwanegu rheiliau gwarchod sylfaenol (terfynau cyfradd, dilysu mewnbwn, monitro camdriniaeth).

  • Ar gyfer unrhyw beth sy'n wynebu'r defnyddiwr neu sy'n ganlyniadol, defnyddiwch sy'n seiliedig ar risg : nodi niwed, profi achosion ymyl, a dogfennu lliniariadau. Mae'r NIST AI RMF wedi'i adeiladu'n union ar gyfer hyn. [5]

Peryglon cyffredin (fel y gallwch eu hosgoi) 🧨

  • Neidio rhwng tiwtorialau – “dim ond un cwrs arall” sy’n dod yn bersonoliaeth gyfan i chi.

  • Gan ddechrau gyda'r pwnc anoddaf – mae trawsnewidyddion yn cŵl, ond mae pethau sylfaenol yn talu rhent.

  • Anwybyddu gwerthuso – gall cywirdeb yn unig fod yn bwysig. Defnyddiwch y metrig cywir ar gyfer y gwaith. [3]

  • Peidio ag ysgrifennu pethau i lawr – cadwch nodiadau byr: beth fethodd, beth newidiodd, beth wellodd.

  • Dim ymarfer defnyddio – mae hyd yn oed lapio ap syml yn dysgu llawer.

  • Sgipio meddwl am risg – ysgrifennwch ddau fwled ar niwed posibl cyn i chi gludo. [5]

Sylwadau Terfynol – Rhy Hir, Wnes i Ddim Ei Ddarllen 😌

Os ydych chi'n gofyn Sut i Ddysgu Deallusrwydd Artiffisial , dyma'r rysáit fuddugol symlaf:

  • Dechreuwch gyda hanfodion ML ymarferol (cyflwyniad cryno + ymarfer arddull Kaggle).

  • Defnyddiwch scikit-learn i ddysgu llifau gwaith a metrigau ML go iawn. [3]

  • Symudwch i PyTorch ar gyfer dysgu dwfn a dolenni hyfforddi. [4]

  • Ychwanegwch sgiliau LLM gyda chwrs ymarferol a chychwyniadau cyflym API.

  • Adeiladu 3–5 prosiect sy'n dangos: paratoi data, modelu, gwerthuso, a lapio "cynnyrch" syml.

  • Trin risg/llywodraethu fel rhan o “wedi’i wneud”, nid fel rhywbeth ychwanegol dewisol. [5]

Ac ie, byddwch chi'n teimlo ar goll weithiau. Mae hynny'n normal. Mae AI fel dysgu tostiwr i ddarllen - mae'n drawiadol pan mae'n gweithio, ychydig yn frawychus pan nad yw, ac mae'n cymryd mwy o ailadroddiadau nag y mae unrhyw un yn ei gyfaddef 😵💫

Cyfeiriadau

[1] Nodiadau Darlith Stanford CS229. (Hanfodion craidd dysgu dan oruchwyliaeth, fframio tebygolrwydd).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: Cyflwyniad i Ddysgu Dwfn. (Trosolwg o ddysgu dwfn, pynciau modern gan gynnwys LLMs).
https://introtodeeplearning.com/

[3] scikit-learn: Gwerthuso modelau a metrigau. (Cywirdeb, manwl gywirdeb/adalw, ROC-AUC, ac ati).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] Tiwtorialau PyTorch – Dysgu’r Hanfodion. (Tensorau, setiau data/llwythwyr data, dolenni hyfforddi/gwerthuso).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] Fframwaith Rheoli Risg AI NIST (AI RMF 1.0). (Canllawiau AI dibynadwy, seiliedig ar risg).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

Adnoddau Ychwanegol (gliciadwy)

Dewch o hyd i'r AI Diweddaraf yn y Siop Swyddogol ar gyfer Cynorthwywyr AI

Amdanom Ni

Yn ôl i'r blog