Kā apgūt mākslīgo intelektu?

Kā apgūt mākslīgo intelektu?

Mākslīgā intelekta apguve var šķist kā ieiešana milzīgā bibliotēkā, kur katra grāmata kliedz “SĀKT ŠEIT”. Pusē plauktu rakstīts “matemātika”, kas ir… nedaudz nepieklājīgi 😅

Pozitīvais: lai izveidotu noderīgas lietas, nav jāzina viss. Ir nepieciešams saprātīgs ceļš, daži uzticami resursi un vēlme uz brīdi apjukt (apjukums būtībā ir dalības maksa).

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kā mākslīgais intelekts atklāj anomālijas
Izskaidro anomāliju noteikšanas metodes, izmantojot mašīnmācīšanos un statistiku.

🔗 Kāpēc mākslīgais intelekts ir slikts sabiedrībai
Analizē mākslīgā intelekta ētiskos, sociālos un ekonomiskos riskus.

🔗 Cik daudz ūdens patērē mākslīgais intelekts
Sadala mākslīgā intelekta enerģijas patēriņu un slēpto ūdens patēriņa ietekmi.

🔗 Kas ir mākslīgā intelekta datu kopa
Definē datu kopas, marķēšanu un to lomu mākslīgā intelekta apmācībā.

Ko “AI” patiesībā nozīmē ikdienas izpratnē 🤷♀️

Cilvēki saka “AI” un domā dažādas lietas:

  • Mašīnmācīšanās (ML) — modeļi apgūst modeļus no datiem, lai sasaistītu ievades datus ar izvades datiem (piemēram, surogātpasta atklāšana, cenu prognozēšana). [1]

  • Dziļā mācīšanās (DL) – mašīnmācīšanās apakškopa, kas izmanto neironu tīklus plašā mērogā (redze, runa, lieli valodas modeļi). [2]

  • Ģeneratīvais mākslīgais intelekts – modeļi, kas ģenerē tekstu, attēlus, kodu, audio (tērzēšanas roboti, koppiloti, satura rīki). [2]

  • Pastiprināšanas mācīšanās – mācīšanās ar izmēģinājuma un atlīdzības palīdzību (spēļu aģenti, robotika). [1]

Sākumā nav jāizvēlas perfekti. Vienkārši neizturieties pret mākslīgo intelektu kā pret muzeju. Tas drīzāk ir kā virtuve — gatavojot, tu mācies ātrāk. Dažreiz grauzdiņi piedegas. 🍞🔥

Īss stāsts: neliela komanda izstrādāja “lielisku” klientu aizplūšanas modeli… līdz pamanīja identiskus ID gan apmācībā , gan testā. Klasiska noplūde. Vienkārša cauruļvada un tīras sadalīšanas kombinācija pārvērta aizdomīgu 0,99 par uzticamu (zemāku!) vērtējumu un modeli, kas faktiski vispārināja. [3]

Kas veido labu plānu “Kā apgūt mākslīgo intelektu” ✅

Labam plānam ir dažas iezīmes, kas izklausās garlaicīgas, bet ietaupa jums mēnešus:

  • Veido, kamēr mācies (mazus projektus sācāk, lielākus vēlāk).

  • Apgūstiet minimālo nepieciešamo matemātiku un pēc tam atgriezieties pie padziļinātas mācīšanās.

  • Paskaidrojiet, ko jūs izdarījāt (izvairieties no darba kā no gumijas pīles; tas izārstē neskaidru domāšanu).

  • Kādu laiku pieturieties pie viena “pamata steka” (Python + Jupyter + scikit-learn → pēc tam PyTorch).

  • Mēriet progresu pēc rezultātiem , nevis noskatītajām stundām.

Ja jūsu plāns ir tikai video un piezīmes, tas ir kā mēģināt peldēt, lasot par ūdeni.

Izvēlies savu joslu (pagaidām) – trīs izplatīti ceļi 🚦

Jūs varat apgūt mākslīgo intelektu dažādās “formās”. Šeit ir trīs, kas darbojas:

1) Praktiskais celtnieka ceļš 🛠️

Vislabāk piemērots, ja vēlaties ātrus panākumus un motivāciju.
Fokuss: datu kopas, apmācības modeļi, piegādes demonstrācijas.
Iesācēja resursi: Google mašīnmācīšanās avārijas kurss, Kaggle Learn, fast.ai (saites sadaļā Atsauces un resursi zemāk).

2) Pamati — pirmais maršruts 📚

Vislabāk, ja jums patīk skaidrība un teorija.
Fokuss: regresija, aizspriedumu dispersija, varbūtības domāšana, optimizācija.
Atsauces: Stenfordas CS229 materiāli, MIT ievads dziļajā mācīšanās procesā. [1][2]

3) Ģenētiskā mākslīgā intelekta lietotņu izstrādātāja maršruts ✨

Vislabāk piemērots, ja vēlaties veidot asistentus, meklēšanu, darbplūsmas un citas “aģenta” lietas.
Galvenā uzmanība jāpievērš: aicinājumiem, izguvei, novērtējumiem, rīku lietošanai, drošības pamatiem, ieviešanai.
Dokumentācija, kas jāpatur prātā: platformas dokumentācija (API), HF kurss (rīki).

Vēlāk varēsiet mainīt joslas. Startēšana ir grūtākā daļa.

 

Kā apgūt mākslīgā intelekta mācības

Salīdzināšanas tabula – labākie mācīšanās veidi (ar godīgām īpatnībām) 📋

Rīks / Kurss Auditorija Cena Kāpēc tas darbojas (īss pārskats)
Google mašīnmācīšanās ātrais kurss iesācējiem Bezmaksas Vizuāls + praktisks; izvairās no pārmērīgas sarežģītības
Kaggle Learn (ievads + vidējā līmeņa mašīnmācīšanās) iesācējiem, kuriem patīk praktizēties Bezmaksas Īsas nodarbības + tūlītēji vingrinājumi
fast.ai Praktiskā dziļā mācīšanās būvnieki ar nelielu kodēšanu Bezmaksas Tu apmāci īstus modeļus agri -- piemēram, nekavējoties 😅
DeepLearning.AI mašīnmācīšanās specializācija strukturēti skolēni Apmaksāts Skaidra virzība cauri mašīnmācīšanās pamatkoncepcijām
DeepLearning.AI dziļās mācīšanās specifikācija ML pamati jau ir pieejami Apmaksāts Stabils dziļums neironu tīklos + darbplūsmās
Stenfordas CS229 piezīmes teorijas vadīts Bezmaksas Nopietni pamati (“kāpēc tas darbojas”)
scikit-learn lietotāja rokasgrāmata Mašīnmācīšanās praktiķi Bezmaksas Klasiskais rīku komplekts tabulārām/bāzes līnijām
PyTorch pamācības dziļās mācīšanās veidotāji Bezmaksas Tīrs ceļš no tenzoriem → apmācības cilpas [4]
Apskaujošas sejas LLM kurss NLP + LLM veidotāji Bezmaksas Praktiska LLM darbplūsma + ekosistēmas rīki
NIST mākslīgā intelekta riska pārvaldības sistēma ikviens, kas ievieš mākslīgo intelektu Bezmaksas Vienkārša, lietojama riska/pārvaldības sistēma [5]

Neliela piezīme: vārds “cena” tiešsaistē ir dīvains. Dažas lietas ir bez maksas, bet prasa uzmanību… kas dažreiz ir vēl sliktāk.

Pamatprasmju kopums, kas jums patiesībā ir nepieciešams (un kādā secībā) 🧩

Ja jūsu mērķis ir “Kā apgūt mākslīgo intelektu bez noslīkšanas”, mērķējiet uz šo secību:

  1. Python pamati

  • Funkcijas, saraksti/dikti, vieglās klases, failu lasīšana.

  • Obligāts ieradums: rakstīt mazus scenārijus, ne tikai piezīmju grāmatiņas.

  1. Datu apstrāde

  • NumPy-veida domāšana, pandu pamati, sižeta plānošana.

  • Jūs šeit pavadīsiet daudz laika. Ne jau glaunīgi, bet tāds ir darbs.

  1. Klasiskā mašīnmācība (nepietiekami novērtētā superspēja)

  • Vilciena/testa atdalījumi, noplūde, pārmērīga pielāgošana.

  • Lineārā/loģistiskā regresija, koki, nejauši meži, gradienta pastiprināšana.

  • Metrikas: precizitāte, precizitāte/atgādība, ROC-AUC, MAE/RMSE — nosakiet, kad katrai no tām ir nozīme. [3]

  1. Dziļā mācīšanās

  • Tenzori, gradienti/atbalsts (konceptuāli), apmācības cikli.

  • CNN attēliem, transformatori tekstam (galu galā).

  • Daži pilnībā integrēti PyTorch pamatprincipi ir ļoti noderīgi. [4]

  1. Ģeneratīvā mākslīgā intelekta + LLM darbplūsmas

  • Tokenizācija, iegulšana, ar izgūšanu papildināta ģenerēšana, novērtēšana.

  • Precīza regulēšana pretstatā pamudināšanai (un kad nav nepieciešams ne viens, ne otrs).

Soli pa solim plāns, kuru varat ievērot 🗺️

A fāze — ātri iedarbiniet savu pirmo modeli ⚡

Mērķis: kaut ko apmācīt, izmērīt, uzlabot.

  • Veiciet kompaktu ievadkursu (piemēram, ML Crash Course), pēc tam praktisku mikrokursu (piemēram, Kaggle Intro).

  • Projekta ideja: prognozēt māju cenas, klientu aizplūšanu vai kredītrisku, izmantojot publisku datu kopu.

Neliels “uzvarētāju” kontrolsaraksts:

  • Jūs varat ielādēt datus.

  • Jūs varat apmācīt bāzes modeli.

  • Pārmērīgu pielāgošanu var izskaidrot vienkāršā valodā.

B fāze — apgūstiet īstu mašīnmācīšanās praksi 🔧

Mērķis: pārstāt pārsteigties par bieži sastopamiem atteices veidiem.

  • Izstrādājiet vidēja līmeņa mašīnmācīšanās tēmas: trūkstošās vērtības, noplūdes, cauruļvadi, variācijas koeficients.

  • Pārskatiet dažas scikit-learn lietotāja rokasgrāmatas sadaļas un faktiski palaidiet fragmentus. [3]

  • Projekta ideja: vienkāršs pilns cauruļvads ar saglabātu modeli + novērtējuma ziņojumu.

C fāze — dziļa mācīšanās, kas nešķiet kā burvestības 🧙♂️

Mērķis: apmācīt neironu tīklu un izprast apmācības ciklu.

  • Izpildiet PyTorch ceļu “Apgūstiet pamatus” (tenzori → datu kopas/datu ielādētāji → apmācība/novērtēšana → saglabāšana). [4]

  • Pēc izvēles varat savienot pārī ar fast.ai, ja vēlaties ātrumu un praktisku pieredzi.

  • Projekta ideja: attēlu klasifikators, noskaņojuma modelis vai neliela transformatora precizēšana.

D fāze — ģeneratīvās mākslīgā intelekta lietotnes, kas patiešām darbojas ✨

Mērķis: radīt kaut ko tādu, ko cilvēki lieto.

  • Apmeklējiet praktisku LLM kursu + pārdevēja īso pamācību, lai iestatītu iegulšanas, atgūšanas un drošas ģenerēšanas procesus.

  • Projekta ideja: jautājumu un atbilžu robots par jūsu dokumentiem (daļa → iegult → izgūt → atbildēt ar atsaucēm) vai klientu atbalsta palīgs ar rīku izsaukumiem.

“Matemātikas” daļa – apgūsti to kā garšvielas, nevis visu maltīti 🧂

Matemātika ir svarīga, bet laiks ir svarīgāks.

Minimālās nepieciešamās matemātikas prasības sākumam:

  • Lineārā algebra: vektori, matricas, skalārie reizinājumi (intuīcija iegulšanai). [2]

  • Aprēķins: atvasinājumu intuīcija (slīpumi → gradienti). [1]

  • Varbūtība: sadalījumi, paredzamā vērtība, Bajesa teorijas pamatprincipi. [1]

Ja vēlāk vēlaties formālāku pamatu, iedziļinieties CS229 piezīmēs par pamatiem un MIT ievadā par padziļināto mācīšanos mūsdienu tēmās. [1][2]

Projekti, kas liek izskatīties tā, it kā jūs zinātu, ko darāt 😄

Ja rotaļlietu datu kopās veidosiet tikai klasifikatorus, jutīsieties iestrēdzis. Izmēģiniet projektus, kas līdzinās reālam darbam:

  • Pamatlīnijas un mašīnmācīšanās projekts (scikit-learn): tīri dati → spēcīga pamatlīnija → kļūdu analīze. [3]

  • LLM + izguves lietotne: dokumentu uzņemšana → fragments → iegulšana → izguve → atbilžu ģenerēšana ar citātiem.

  • Modeļa uzraudzības mini vadības panelis: reģistrējiet ievades/izvades; izsekojiet signālus, kas atgādina dreifu (pat vienkārša statistika palīdz).

  • Atbildīga mākslīgā intelekta miniaudita veikšana: dokumentu riski, robežgadījumi, kļūmju ietekme; izmantojiet vieglu sistēmu. [5]

Atbildīga un praktiska izvietošana (jā, pat solo celtniekiem) 🧯

Realitātes pārbaude: iespaidīgas demonstrācijas ir vienkāršas; uzticamas sistēmas nav.

  • Saglabājiet īsu “modeļa kartes” stila README failu: datu avoti, metrikas, zināmie ierobežojumi, atjaunināšanas ritms.

  • Pievienojiet pamata aizsargbarjeras (ātruma ierobežojumus, ievades validāciju, ļaunprātīgas izmantošanas uzraudzību).

  • Jebkādam, ar lietotāju saskaramam vai izrietošam jautājumam, izmantojiet uz risku balstītu pieeju: identificējiet kaitējumus, pārbaudiet perifēros gadījumus un dokumentējiet mazināšanas pasākumus. NIST AI RMF ir izstrādāts tieši šim nolūkam. [5]

Bieži sastopamas kļūmes (lai jūs varētu no tām izvairīties) 🧨

  • Apmācību programmu maiņa — “tikai vēl viens kurss” kļūst par visu jūsu personību.

  • Sākot ar vissarežģītāko tēmu – transformatori ir forši, bet par pamatlietām maksā īri.

  • Ignorējot novērtējumu — precizitāte vien var būt nepieņemama. Izmantojiet darbam pareizos rādītājus. [3]

  • Nepierakstiet lietas – veiciet īsas piezīmes: kas neizdevās, kas mainījās, kas uzlabojās.

  • Nav izvietošanas prakses — pat vienkāršs lietotnes apvalks daudz ko iemāca.

  • Izvairieties no riska domāšanas — pirms nosūtīšanas uzrakstiet divus punktus par iespējamiem kaitējumiem. [5]

Noslēguma piezīmes – pārāk gari, es to neizlasīju 😌

Ja jūs jautājat, kā apgūt mākslīgo intelektu , šeit ir vienkāršākā uzvarošā recepte:

  • Sāciet ar praktisku mašīnmācīšanās pamatu apguvi (kompakts ievads + Kaggle stila prakse).

  • Izmantojiet scikit-learn , lai apgūtu reālas mašīnmācīšanās darbplūsmas un metrikas. [3]

  • Pārejiet uz PyTorch , lai nodrošinātu dziļās mācīšanās un apmācības ciklus. [4]

  • Papildiniet savas LLM prasmes ar praktisku kursu un API īsajām pamācībām.

  • Izveidojiet 3–5 projektus , kas parāda: datu sagatavošanu, modelēšanu, novērtēšanu un vienkāršu “produkta” apvalku.

  • Uztveriet risku/pārvaldību kā daļu no “pabeigta”, nevis kā papildu papildinājumu. [5]

Un jā, dažreiz tu jutīsies apmaldījies. Tas ir normāli. Mākslīgais intelekts ir kā tostermaizes mācīšana lasīt — tas ir iespaidīgi, kad darbojas, nedaudz biedējoši, kad nedarbojas, un tas prasa vairāk atkārtojumu, nekā jebkurš atzīst 😵💫

Atsauces

[1] Stenfordas CS229 lekciju piezīmes. (Mašīnmācīšanās pamati, uzraudzīta mācīšanās, varbūtības ietvarstruktūra).
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: Ievads dziļajā mācīšanās procesā. (Dziļās mācīšanās pārskats, mūsdienu tēmas, tostarp tiesību zinātņu maģistra grāds).
https://introtodeeplearning.com/

[3] scikit-learn: Modeļa novērtēšana un metrika. (Precizitāte, precizitāte/atsaukšana, ROC-AUC utt.).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] PyTorch pamācības — apgūstiet pamatus. (Tenzori, datu kopas/datu ielādētāji, apmācības/novērtēšanas cikli).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] NIST mākslīgā intelekta riska pārvaldības sistēma (AI RMF 1.0). (Uz risku balstītas, uzticamas mākslīgā intelekta vadlīnijas).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

Papildu resursi (noklikšķināmi)

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atpakaļ uz emuāru