কৃত্রিম বুদ্ধিমত্তা বিশাল এবং কিছুটা রহস্যময় বলে মনে হয়। সুখবর: প্রকৃত অগ্রগতির জন্য আপনার গোপন গণিত ক্ষমতা বা GPU-তে ভরা ল্যাবের প্রয়োজন নেই। আপনি যদি ভাবছেন কিভাবে AI অধ্যয়ন করবেন , তাহলে এই নির্দেশিকা আপনাকে শূন্য থেকে পোর্টফোলিও-প্রস্তুত প্রকল্প তৈরির একটি স্পষ্ট পথ দেখায়। এবং হ্যাঁ, আমরা সম্পদ, অধ্যয়ন কৌশল এবং কিছু কষ্টার্জিত শর্টকাট ছিটিয়ে দেব। চলুন শুরু করা যাক।
🔗 AI কীভাবে শেখে?
মেশিন শেখায় এমন অ্যালগরিদম, ডেটা এবং প্রতিক্রিয়ার সংক্ষিপ্তসার।.
🔗 যেকোনো কিছু দ্রুত আয়ত্ত করার জন্য সেরা শেখার AI টুল
অধ্যয়ন, অনুশীলন এবং দক্ষতা অর্জনকে ত্বরান্বিত করার জন্য কিউরেটেড অ্যাপ।.
🔗 ভাষা শেখার জন্য সেরা এআই টুল
শব্দভান্ডার, ব্যাকরণ, কথা বলা এবং বোধগম্যতা অনুশীলনকে ব্যক্তিগতকৃত করে এমন অ্যাপ।.
🔗 উচ্চশিক্ষা, শেখা এবং প্রশাসনের জন্য সেরা এআই টুল
শিক্ষাদান, মূল্যায়ন, বিশ্লেষণ এবং ক্যাম্পাস পরিচালনার দক্ষতা সমর্থনকারী প্ল্যাটফর্ম।.
কিভাবে AI পড়াশোনা করবেন ✅
একটি ভালো পড়াশোনার পরিকল্পনা হলো একটি মজবুত টুলবক্সের মতো, এলোমেলো আবর্জনার ড্রয়ার নয়। এর উচিত:
-
ক্রম দক্ষতা যাতে প্রতিটি নতুন ব্লক শেষের দিকে সুন্দরভাবে বসতে পারে।
-
অনুশীলনকে অগ্রাধিকার দিন , তারপর তত্ত্বকে - কিন্তু কখনই নয় ।
-
বাস্তব প্রকল্পগুলিতে নোঙ্গর করুন যা আপনি প্রকৃত মানুষকে দেখাতে পারেন।
-
এমন নির্ভরযোগ্য উৎস ব্যবহার করুন যা আপনাকে ভঙ্গুর অভ্যাস শেখাবে না।
-
ছোট, পুনরাবৃত্তিযোগ্য রুটিন দিয়ে আপনার জীবনকে মানানসই করুন
-
ফিডব্যাক লুপ, বেঞ্চমার্ক এবং কোড পর্যালোচনার ক্ষেত্রে আপনাকে সৎ রাখুন
যদি তোমার পরিকল্পনা তোমাকে এগুলো না দেয়, তাহলে এটা কেবল আবেগ। শক্তিশালী নোঙ্গর যা ধারাবাহিকভাবে প্রদান করে: মৌলিক বিষয় এবং দৃষ্টিভঙ্গির জন্য স্ট্যানফোর্ডের CS229/CS231n, MIT-এর লিনিয়ার অ্যালজেব্রা এবং ইন্ট্রো টু ডিপ লার্নিং, হাতে-কলমে গতির জন্য fast.ai, আধুনিক NLP/ট্রান্সফরমারের জন্য Hugging Face-এর LLM কোর্স, এবং ব্যবহারিক API প্যাটার্নের জন্য OpenAI কুকবুক [1-5]।.
সংক্ষিপ্ত উত্তর: এআই রোডম্যাপ কীভাবে অধ্যয়ন করবেন 🗺️
-
পাইথন + নোটবুক শেখা বিপজ্জনক হওয়ার জন্য যথেষ্ট।
-
প্রয়োজনীয় গণিতের উপর আলোকপাত করুন : রৈখিক বীজগণিত, সম্ভাব্যতা, অপ্টিমাইজেশনের মূল বিষয়গুলি।
-
ছোট ছোট ML প্রকল্পগুলি এন্ড-টু-এন্ড করুন: ডেটা, মডেল, মেট্রিক্স, পুনরাবৃত্তি।
-
গভীর শিক্ষার মাধ্যমে স্তর বৃদ্ধি করুন : সিএনএন, ট্রান্সফরমার, প্রশিক্ষণ গতিবিদ্যা।
-
একটি লেন বেছে নিন : দৃষ্টিভঙ্গি, এনএলপি, সুপারিশকারী সিস্টেম, এজেন্ট, সময় সিরিজ।
-
পরিষ্কার রিপো, README এবং ডেমো সহ পোর্টফোলিও প্রকল্পগুলি পাঠান
-
অলসভাবে খবরের কাগজ পড়ুন এবং ছোট ছোট ফলাফলের পুনরাবৃত্তি করুন।
-
শেখার একটি চক্র বজায় রাখুন : মূল্যায়ন করুন, পুনর্নির্মাণ করুন, নথিভুক্ত করুন, ভাগ করুন।
গণিতের জন্য, MIT-এর লিনিয়ার অ্যালজেব্রা একটি শক্তিশালী অ্যাঙ্কর, এবং যখন আপনি ব্যাকপ্রপ, রেগুলারাইজেশন, বা অপ্টিমাইজেশনের সূক্ষ্মতা [2, 5] এ আটকে যান তখন গুডফেলো–বেঞ্জিও–কোরভিল টেক্সট একটি নির্ভরযোগ্য রেফারেন্স।.
খুব বেশি গভীরে যাওয়ার আগে দক্ষতার চেকলিস্ট 🧰
-
পাইথন : ফাংশন, ক্লাস, তালিকা/ডিক্ট কম্পস, ভার্চুয়ালেনভস, বেসিক পরীক্ষা।
-
ডেটা হ্যান্ডলিং : পান্ডাস, নুমপাই, প্লটিং, সিম্পল ইডিএ।
-
তুমি আসলে যে গণিত ব্যবহার করবে : ভেক্টর, ম্যাট্রিক্স, ইজেন-ইনটুইশন, গ্রেডিয়েন্ট, সম্ভাব্যতা বন্টন, ক্রস-এন্ট্রপি, নিয়মিতকরণ।
-
টুলিং : গিট, গিটহাব সমস্যা, জুপিটার, জিপিইউ নোটবুক, আপনার রান লগিং।
-
মানসিকতা : দুবার পরিমাপ করো, একবার পাঠাও; কুৎসিত খসড়া গ্রহণ করো; প্রথমে তোমার তথ্য ঠিক করো।
দ্রুত জয়: fast.ai-এর টপ-ডাউন পদ্ধতি আপনাকে দরকারী মডেলদের তাড়াতাড়ি প্রশিক্ষণ দিতে সাহায্য করে, অন্যদিকে Kaggle-এর বাইট-সাইজ পাঠগুলি পান্ডা এবং বেসলাইনগুলির জন্য পেশী স্মৃতি তৈরি করে [3]।.
তুলনা সারণী: জনপ্রিয় শেখার পথগুলি কীভাবে অধ্যয়ন করবেন
ছোট ছোট কিছু অদ্ভুততাও অন্তর্ভুক্ত—কারণ আসল টেবিলগুলি খুব কমই পুরোপুরি পরিপাটি হয়।.
| টুল / কোর্স | সেরা জন্য | দাম | কেন এটি কাজ করে / নোটস |
|---|---|---|---|
| স্ট্যানফোর্ড CS229 / CS231n | কঠিন তত্ত্ব + দৃষ্টি গভীরতা | বিনামূল্যে | পরিষ্কার ML ফাউন্ডেশন + CNN প্রশিক্ষণের বিবরণ; পরে প্রকল্পগুলির সাথে যুক্ত করুন [1]।. |
| MIT-এর ভূমিকা DL + ১৮.০৬ | ধারণা থেকে অনুশীলনের সেতুবন্ধন | বিনামূল্যে | সংক্ষিপ্ত DL লেকচার + কঠোর রৈখিক বীজগণিত যা এমবেডিং ইত্যাদির সাথে ম্যাপ করে [2]।. |
| fast.ai ব্যবহারিক ডিএল | হ্যাকাররা যারা কাজ করে শেখে | বিনামূল্যে | প্রকল্প - প্রথমত, প্রয়োজন না হওয়া পর্যন্ত ন্যূনতম গণিত; খুবই প্রেরণাদায়ক প্রতিক্রিয়া লুপ [3]।. |
| আলিঙ্গন মুখ এলএলএম কোর্স | ট্রান্সফরমার + আধুনিক এনএলপি স্ট্যাক | বিনামূল্যে | টোকেনাইজার, ডেটাসেট, হাব; ব্যবহারিক সূক্ষ্ম-সুরকরণ/অনুমান কর্মপ্রবাহ শেখায় [4]।. |
| ওপেনএআই কুকবুক | ভিত্তি মডেল ব্যবহার করে নির্মাতারা | বিনামূল্যে | উৎপাদন-প্রক্রিয়ার কাজ এবং রেলিংয়ের জন্য চলমান রেসিপি এবং প্যাটার্ন [5]।. |
ডিপ ডাইভ ১: প্রথম মাস - প্রজেক্টস ওভার পারফেকশন 🧪
দুটি ছোট প্রকল্প দিয়ে শুরু করুন। সত্যিই ক্ষুদ্র:
-
ট্যাবুলার বেসলাইন : একটি পাবলিক ডেটাসেট লোড করুন, ট্রেন/পরীক্ষা বিভক্ত করুন, লজিস্টিক রিগ্রেশন বা একটি ছোট ট্রি ফিট করুন, মেট্রিক্স ট্র্যাক করুন, কী ব্যর্থ হয়েছে তা লিখুন।
-
টেক্সট বা ছবির খেলনা : অল্প কিছু ডেটা ব্যবহার করে একটি ছোট প্রি-ট্রেনড মডেলকে সূক্ষ্মভাবে সাজিয়ে নিন। প্রি-প্রসেসিং, প্রশিক্ষণের সময় এবং ট্রেডঅফ নথিভুক্ত করুন।
কেন এভাবে শুরু করবেন? প্রাথমিক জয় গতি তৈরি করে। আপনি ওয়ার্কফ্লো গ্লু শিখবেন—ডেটা পরিষ্কার করা, বৈশিষ্ট্য পছন্দ, মূল্যায়ন এবং পুনরাবৃত্তি। fast.ai-এর টপ-ডাউন পাঠ এবং Kaggle-এর স্ট্রাকচার্ড নোটবুকগুলি "প্রথমে জাহাজ, পরবর্তী গভীরভাবে বুঝতে" এই ক্যাডেন্সকে আরও শক্তিশালী করে [3]।
মিনি-কেস (২ সপ্তাহ, কাজের পরে): একজন জুনিয়র বিশ্লেষক ১ম সপ্তাহে একটি চার্ন বেসলাইন (লজিস্টিক রিগ্রেশন) তৈরি করেছিলেন, তারপর ২য় সপ্তাহে নিয়মিতকরণ এবং আরও ভাল বৈশিষ্ট্যগুলি অদলবদল করেছিলেন। মডেল AUC +7 পয়েন্ট, এক বিকেলের ফিচার ছাঁটাই সহ - কোনও অভিনব স্থাপত্যের প্রয়োজন নেই।
ডিপ ডাইভ ২: অশ্রু ছাড়া গণিত - যথেষ্ট তত্ত্ব 📐
শক্তিশালী সিস্টেম তৈরি করতে প্রতিটি উপপাদ্যের প্রয়োজন নেই। সিদ্ধান্ত গ্রহণের জন্য প্রয়োজনীয় বিটগুলির প্রয়োজন:
-
এমবেডিং, মনোযোগ এবং অপ্টিমাইজেশন জ্যামিতির জন্য রৈখিক বীজগণিত
-
অনিশ্চয়তা, ক্রস-এনট্রপি, ক্রমাঙ্কন এবং প্রিয়ারের সম্ভাব্যতা
-
শেখার হার, নিয়মিতকরণ এবং কেন জিনিসগুলি বিস্ফোরিত হয় তার জন্য অপ্টিমাইজেশন
MIT 18.06 একটি অ্যাপ্লিকেশন-প্রথম আর্ক দেয়। যখন আপনি গভীর জালে আরও ধারণাগত গভীরতা চান, তখন একটি উপন্যাস নয়, বরং একটি রেফারেন্স হিসাবে ডিপ লার্নিং
ক্ষুদ্র অভ্যাস: দিনে সর্বোচ্চ ২০ মিনিট গণিত, তারপর কোডে ফিরে যান। বাস্তবে সমস্যা সমাধানের পর তত্ত্ব আরও ভালোভাবে কাজ করে।
ডিপ ডাইভ ৩: আধুনিক এনএলপি এবং এলএলএম - দ্য ট্রান্সফরমার টার্ন 💬
আজকাল বেশিরভাগ টেক্সট সিস্টেম ট্রান্সফরমারের উপর নির্ভর করে। দক্ষতার সাথে ব্যবহারিকভাবে কাজ করার জন্য:
-
হাগিং ফেস সম্পন্ন করুন : টোকেনাইজেশন, ডেটাসেট, হাব, ফাইন-টিউনিং, ইনফারেন্স।
-
একটি ব্যবহারিক ডেমো পাঠান: আপনার নোটের উপর পুনরুদ্ধার-বর্ধিত QA, একটি ছোট মডেল দিয়ে অনুভূতি বিশ্লেষণ, অথবা একটি হালকা ওজনের সামারাইজার।.
-
গুরুত্বপূর্ণ বিষয়গুলি ট্র্যাক করুন: বিলম্বিতা, খরচ, নির্ভুলতা এবং ব্যবহারকারীর চাহিদার সাথে সামঞ্জস্য।.
এইচএফ কোর্সটি বাস্তবসম্মত এবং বাস্তুতন্ত্র-সচেতন, যা সরঞ্জাম পছন্দগুলিতে ইয়াক-শেভিং সাশ্রয় করে [4]। কংক্রিট এপিআই প্যাটার্ন এবং গার্ডেলের (প্রম্পটিং, মূল্যায়ন স্ক্যাফোল্ড) জন্য, ওপেনএআই কুকবুকটি চালানো যায় এমন উদাহরণে পূর্ণ [5]।
ডিপ ডাইভ ৪: পিক্সেলে ডুবে না গিয়ে দৃষ্টির মূল বিষয়গুলি 👁️
দৃষ্টিভঙ্গির প্রতি আগ্রহী? CS231n লেকচারগুলিকে একটি ছোট প্রকল্পের সাথে যুক্ত করুন: একটি কাস্টম ডেটাসেট শ্রেণীবদ্ধ করুন অথবা একটি নির্দিষ্ট বিভাগে একটি পূর্ব-প্রশিক্ষিত মডেলকে সূক্ষ্ম করুন। বহিরাগত স্থাপত্য অনুসন্ধানের আগে ডেটার গুণমান, বৃদ্ধি এবং মূল্যায়নের উপর মনোযোগ দিন। রূপান্তর, অবশিষ্টাংশ এবং প্রশিক্ষণ হিউরিস্টিক আসলে কীভাবে কাজ করে তার জন্য CS231n একটি বিশ্বস্ত উত্তর তারকা [1]।
চোখ এড়িয়ে গবেষণা পড়া 📄
একটি লুপ যা কাজ করে:
-
প্রথমে সারাংশ এবং পরিসংখ্যান পড়ুন
-
পদ্ধতির সমীকরণগুলো স্কিম করে শুধু অংশগুলোর নাম লিখুন।.
-
পরীক্ষা-নিরীক্ষা এবং সীমাবদ্ধতাগুলিতে যান ।
-
একটি খেলনা ডেটাসেটে একটি মাইক্রো-রেজাল্ট পুনরুত্পাদন করুন।.
-
আপনার এখনও একটি প্রশ্ন রেখে দুই অনুচ্ছেদের একটি সারাংশ লিখুন।.
বাস্তবায়ন বা বেসলাইন খুঁজে পেতে, এলোমেলো ব্লগ [1–5] খুঁজে বের করার আগে উপরের উৎসগুলির সাথে সম্পর্কিত কোর্স রেপো এবং অফিসিয়াল লাইব্রেরিগুলি পরীক্ষা করুন।.
ছোট্ট স্বীকারোক্তি: মাঝে মাঝে আমি প্রথমে উপসংহারটি পড়ি। গোঁড়া নয়, তবে এটি সিদ্ধান্ত নিতে সাহায্য করে যে ঘুরপথে যাওয়াটা মূল্যবান কিনা।
আপনার ব্যক্তিগত এআই স্ট্যাক তৈরি করা 🧱
-
ডেটা ওয়ার্কফ্লো : ঝগড়ার জন্য পান্ডাস, বেসলাইনের জন্য সাইকিট-লার্ন।
-
ট্র্যাকিং : একটি সাধারণ স্প্রেডশিট অথবা একটি হালকা এক্সপেরিমেন্ট ট্র্যাকার ঠিক আছে।
-
পরিবেশন : শুরু করার জন্য একটি ছোট FastAPI অ্যাপ বা একটি নোটবুক ডেমোই যথেষ্ট।
-
মূল্যায়ন : স্পষ্ট মেট্রিক্স, অ্যাবলেশন, স্বাস্থ্য পরীক্ষা; চেরি-পিকিং এড়িয়ে চলুন।
মৌলিক বিষয়গুলিতে গতি তৈরি এবং দ্রুত প্রতিক্রিয়ার মাধ্যমে পুনরাবৃত্তি করতে বাধ্য করার জন্য fast.ai এবং Kaggle-কে অবমূল্যায়ন করা হয়েছে [3]।.
পোর্টফোলিও প্রকল্প যা নিয়োগকারীদের সম্মতি দেয় 👍
তিনটি প্রকল্পের লক্ষ্য রাখুন যেখানে প্রতিটি প্রকল্পের শক্তি আলাদা:
-
ক্লাসিক্যাল এমএল বেসলাইন : শক্তিশালী ইডিএ, বৈশিষ্ট্য এবং ত্রুটি বিশ্লেষণ।
-
গভীর শিক্ষার অ্যাপ : ছবি বা টেক্সট, ন্যূনতম ওয়েব ডেমো সহ।
-
LLM-চালিত টুল : পুনরুদ্ধার-বর্ধিত চ্যাটবট বা মূল্যায়নকারী, প্রম্পট এবং ডেটা হাইজিন স্পষ্টভাবে নথিভুক্ত।
একটি স্পষ্ট সমস্যা বিবৃতি, সেটআপ ধাপ, ডেটা কার্ড, মূল্যায়ন টেবিল এবং একটি ছোট স্ক্রিনকাস্ট সহ README ব্যবহার করুন। যদি আপনি আপনার মডেলটিকে একটি সাধারণ বেসলাইনের সাথে তুলনা করতে পারেন, তাহলে আরও ভালো। যখন আপনার প্রকল্পে জেনারেটিভ মডেল বা টুল ব্যবহার জড়িত থাকে তখন কুকবুক প্যাটার্ন সাহায্য করে [5]।.
বার্নআউট প্রতিরোধ করে এমন অধ্যয়নের অভ্যাস ⏱️
-
পোমোডোরো জোড়া : ২৫ মিনিট কোডিং, ৫ মিনিট কী পরিবর্তন হয়েছে তা ডকুমেন্ট করা।
-
কোড জার্নাল : ব্যর্থ পরীক্ষার পর ছোট ছোট পোস্টমর্টেম লিখুন।
-
ইচ্ছাকৃত অনুশীলন : দক্ষতা বিচ্ছিন্ন করুন (যেমন, সপ্তাহে তিনটি ভিন্ন ডেটা লোডার)।
-
কমিউনিটির প্রতিক্রিয়া : সাপ্তাহিক আপডেট শেয়ার করুন, কোড পর্যালোচনার জন্য জিজ্ঞাসা করুন, একটি সমালোচনার জন্য একটি টিপস বিনিময় করুন।
-
পুনরুদ্ধার : হ্যাঁ, বিশ্রাম একটি দক্ষতা; ঘুমের পরে আপনার ভবিষ্যৎ সত্তা আরও ভালো কোড লেখে।
প্রেরণা কমে যায়। ছোট ছোট জয় এবং দৃশ্যমান অগ্রগতিই মূল কথা।.
এড়িয়ে যাওয়ার সাধারণ বিপদ 🧯
-
গণিতের দীর্ঘসূত্রিতা : একটি ডেটাসেট স্পর্শ করার আগে প্রমাণগুলিকে বিং করা।
-
অন্তহীন টিউটোরিয়াল : ২০টি ভিডিও দেখুন, কিছুই তৈরি করবেন না।
-
শাইনি-মডেল সিন্ড্রোম : ডেটা বা ক্ষতি ঠিক করার পরিবর্তে আর্কিটেকচার অদলবদল।
-
কোনও মূল্যায়ন পরিকল্পনা নেই : যদি আপনি সাফল্য কীভাবে পরিমাপ করবেন তা বলতে না পারেন, তাহলে আপনি পারবেন না।
-
কপি-পেস্ট ল্যাব : টাইপ করো, পরের সপ্তাহে সবকিছু ভুলে যাও।
-
অতিরিক্ত পালিশ করা রিপো : নিখুঁত README, কোনও পরীক্ষা-নিরীক্ষা নেই। উফ।
যখন আপনার পুনঃক্যালিব্রেট করার জন্য সুগঠিত, সম্মানজনক উপাদানের প্রয়োজন হয়, তখন CS229/CS231n এবং MIT-এর অফারগুলি হল একটি শক্ত রিসেট বোতাম [1-2]।.
রেফারেন্স শেল্ফ যা আপনি আবার দেখবেন 📚
-
গুডফেলো, বেনজিও, করভিল - ডিপ লার্নিং : ব্যাকপ্রপ, রেগুলারাইজেশন, অপ্টিমাইজেশন এবং আর্কিটেকচারের জন্য স্ট্যান্ডার্ড রেফারেন্স [5]।
-
MIT 18.06 : অনুশীলনকারীদের জন্য ম্যাট্রিক্স এবং ভেক্টর স্পেসের সবচেয়ে পরিষ্কার ভূমিকা [2]।
-
CS229/CS231n নোট : ব্যবহারিক ML তত্ত্ব + দৃষ্টি প্রশিক্ষণের বিবরণ যা ব্যাখ্যা করে কেন ডিফল্ট কাজ করে [1]।
-
হাগিং ফেস এলএলএম কোর্স : টোকেনাইজার, ডেটাসেট, ট্রান্সফরমার ফাইন-টিউনিং, হাব ওয়ার্কফ্লো [4]।
-
fast.ai + Kaggle : দ্রুত অনুশীলন লুপ যা স্টলিং [3] এর উপর শিপিংকে পুরস্কৃত করে।
কাজ শুরু করার জন্য একটি কোমল ৬-সপ্তাহের পরিকল্পনা 🗓️
কোনও নিয়মকানুন নয় - বরং একটি নমনীয় রেসিপির মতো।.
সপ্তাহ ১
পাইথন টিউন-আপ, পান্ডা অনুশীলন, ভিজ্যুয়ালাইজেশন। মিনি-প্রকল্প: তুচ্ছ কিছু ভবিষ্যদ্বাণী করা; ১ পৃষ্ঠার একটি প্রতিবেদন লিখুন।
সপ্তাহ ২
লিনিয়ার বীজগণিত রিফ্রেশ, ভেক্টরাইজেশন ড্রিলস। আরও ভালো বৈশিষ্ট্য এবং একটি শক্তিশালী বেসলাইন [2] দিয়ে আপনার মিনি-প্রকল্পটি পুনরায় তৈরি করুন।
সপ্তাহ ৩
হাতে-কলমে ব্যবহারিক মডিউল (সংক্ষিপ্ত, কেন্দ্রীভূত)। ক্রস-ভ্যালিডেশন, কনফিউশন ম্যাট্রিক্স, ক্যালিব্রেশন প্লট যোগ করুন।
চতুর্থ সপ্তাহ
fast.ai পাঠ ১-২; একটি ছোট ছবি বা টেক্সট ক্লাসিফায়ার পাঠান [3]। আপনার ডেটা পাইপলাইনটি এমনভাবে নথিভুক্ত করুন যেন আপনার সতীর্থ পরে এটি পড়বে।
সপ্তাহ ৫
আলিঙ্গন মুখ এলএলএম কোর্স দ্রুত পাস; একটি ছোট কর্পাসে একটি ছোট RAG ডেমো বাস্তবায়ন করুন। ল্যাটেন্সি/গুণমান/খরচ পরিমাপ করুন, তারপর একটি [4] অপ্টিমাইজ করুন।
সপ্তাহ ৬
আপনার মডেলগুলিকে সহজ বেসলাইনের সাথে তুলনা করে একটি এক পৃষ্ঠার লেখা লিখুন। পোলিশ রেপো, একটি ছোট ডেমো ভিডিও রেকর্ড করুন, প্রতিক্রিয়ার জন্য শেয়ার করুন। রান্নার বইয়ের ধরণগুলি এখানে সাহায্য করে [5]।
শেষ মন্তব্য - অনেক লম্বা, পড়া হয়নি 🎯
AI ভালোভাবে কীভাবে অধ্যয়ন করবেন তা অদ্ভুতভাবে সহজ: ছোট ছোট প্রকল্প তৈরি করুন, পর্যাপ্ত গণিত শিখুন, এবং বিশ্বস্ত কোর্স এবং রান্নার বইয়ের উপর নির্ভর করুন যাতে আপনি বর্গাকার কোণযুক্ত চাকাগুলি পুনরায় উদ্ভাবন না করেন। একটি লেন বেছে নিন, সৎ মূল্যায়নের সাথে একটি পোর্টফোলিও তৈরি করুন এবং অনুশীলন-তত্ত্ব-অনুশীলন চালিয়ে যান। এটিকে কয়েকটি ধারালো ছুরি এবং একটি গরম প্যান দিয়ে রান্না শেখার মতো ভাবুন - প্রতিটি গ্যাজেট নয়, কেবল টেবিলে খাবারের জন্য যেগুলি আসে। আপনার এটি আছে। 🌟
তথ্যসূত্র
[1] স্ট্যানফোর্ড CS229 / CS231n - মেশিন লার্নিং; কম্পিউটার ভিশনের জন্য গভীর শিক্ষা।
[2] MIT - রৈখিক বীজগণিত (18.06) এবং গভীর শিক্ষার ভূমিকা (6.S191)।
[3] হাতে-কলমে অনুশীলন - fast.ai এবং Kaggle Learn।
[4] ট্রান্সফরমারস এবং মডার্ন এনএলপি - হাগিং ফেস এলএলএম কোর্স।
[5] ডিপ লার্নিং রেফারেন্স + এপিআই প্যাটার্নস - গুডফেলো এবং অন্যান্য; ওপেনএআই কুকবুক।