그렇다면 귀하의 목표는 AI 연구에 뛰어드는 것입니까? 하지만 어떻게, 어디서부터 시작해야 할지 확신이 없으신가요?

2020년에는 다음 목록을 공유했습니다. 온라인에서 이용 가능한 상위 20개 무료 데이터 과학, ML 및 AI MOOC. 그러나 나는 수많은 강좌에 등록하는 것이 가장 효과적인 접근 방식이 아니라는 것을 깨닫게 되었습니다.

끝없는 튜토리얼에서 벗어나 진정한 전문 지식을 얻으려면 실제 응용 프로그램에 참여하고, 처음부터 알고리즘을 개발하고, 연구 논문을 구현하고, 실제 문제를 해결하기 위한 매력적인 AI 프로젝트를 수행해야 합니다.

이 작품은 무료 이 이념에 부합하는 커리큘럼입니다. 나는 이 강좌 중 일부를 적극적으로 수강하고 있으므로 자유롭게 수강할 수 있습니다. 연락하다 ~에 트위터 또는 링크드인 저와 함께 배우고 싶다면!

또한, 누락된 부분이 있으면 댓글로 남겨주세요!

세부 사항을 살펴보기 전에 커리큘럼과 학습 과정에 대한 몇 가지 지침에 관해 고려해야 할 특정 통찰력이 있습니다.

하향식부터 시작하기

이 커리큘럼은 하향식 방법론을 채택합니다. 처음에는 코딩에 중점을 두고 나중에 이론을 다룹니다..

나는 선호한다 부득이하게 배우는 것. 해결해야 할 문제, 고안해야 할 해결책, 프로토타입을 구축해야 할 때마다 나는 필수 정보를 광범위하게 검색하고 이해하고 그에 따라 조치를 취합니다.

예를 들어, 나의 야망은 다음과 같은 사람으로 진화하는 것입니다. AI 엔지니어 기초 수준의 LLM에 정통합니다. 여기에는 변환기를 처음부터 코딩하고 GPU에서 LLM을 미세 조정하는 기능이 수반됩니다. 현재 저는 지식의 격차로 인해 이러한 능력이 부족합니다. 이를 메우기로 결심했습니다.

이 커리큘럼은 주로 NLP에 중점을 두고 있습니다. 컴퓨터 비전이나 강화 학습과 같은 다른 AI 전문 분야에 관심이 있다면 아래에 댓글을 남기거나 저에게 직접 메시지를 보내주세요. 트위터 또는 링크드인. 몇 가지 추천 자료를 알려드리겠습니다.

수많은 링크로 당신을 덮치기 전에 누군가가 강조했으면 좋았을 텐데요. 두 가지 중요한 측면 학습 여정을 시작하기 전에 알고 있었어야 했습니다.

공개 도메인에서의 교육

지식의 영역은 방대하고 지속적인 학습이 필수적입니다. 특히 매주 획기적인 연구와 개념이 등장하는 AI 분야에서는 더욱 그렇습니다.

사람이 저지를 수 있는 가장 심각한 실수는 학습을 사적인 영역에만 국한시키는 것입니다. 그렇게 하면 성장 기회가 제한됩니다. 단순히 작업을 완료하는 것만으로는 의미가 없습니다. 더 큰 가치를 지닌 것은 정보를 어떻게 흡수하고, 이를 전파를 위한 지식으로 변환하고, 그 지식을 바탕으로 혁신적인 솔루션과 아이디어를 구상하는가입니다.

따라서 다음이 중요합니다. 공공장소에서 교육하다.

이는 다음을 수반할 수 있습니다:

블로그 및 튜토리얼 초안 작성
해커톤에 참여하고 동료들과 협력
Discord 커뮤니티에서 질문하고 해결하기
개인적인 관심 프로젝트 시작하기
새로 발견한 발견을 트위터에 공유하기

게다가 트위터의 경우,

트위터를 도구로 활용

트위터는 올바른 개인에 따라 효과적으로 사용될 때 현대에 가장 가치 있는 소셜 플랫폼임이 입증됩니다.

누구를 따라갈 것인가? 선별된 내용을 확인해 보세요. Suhail의 AI 목록.

트위터 활용? Near의 가이드를 참조하세요. 효과적인 트위터 관행.

트위터를 통해 개인에게 다가가세요. 진실하고 간결하며 요구사항을 명확하게 표현하세요. 이 가이드는 콜드 이메일 작성 by Sriram Krishnan은 직접 메시지에도 적용됩니다.

트윗 구성? 인용하다 트윗의 요소 ~에 의해 제이슨, 개발자 강사, 몇 달 만에 14,000명의 팔로워를 모았습니다.

이 글을 정독하고 있다면, 트위터에서 나를 팔로우하세요!

저에게 연락하세요 진행중인 프로젝트에 관해! 흥미로운 노력에 대한 협업은 항상 나의 관심을 불러일으킵니다.

이제 세부 사항을 살펴 보겠습니다.

목차개요

수학적 기초
권장 도구
ㅇ 파이썬
ㅇ 파이토치

기계 학습
ㅇ 처음부터 알고리즘 만들기
ㅇ 대회 참가
ㅇ 사이드 프로젝트 실행
ㅇ 프로젝트 배포
ㅇ 보충자료
딥러닝
ㅇ Fast.ai
ㅇ 더 많은 대회에 참여
ㅇ 연구 논문의 구현
ㅇ 컴퓨터 비전 탐구
ㅇ NLP에 뛰어들기
대규모 언어 모델
ㅇ 신경망 보기: Zero to Hero
ㅇ 무료 LLM 부트 캠프 참여
ㅇ LLM으로 프로젝트 만들기
ㅇ 해커톤 참여
ㅇ 연구 논문 탐색
ㅇ 처음부터 Transformer 개발
ㅇ 추천 블로그 읽기
ㅇ Umar Jamil의 작품 보기
ㅇ 오픈 소스 모델 운영 방법 학습
ㅇ 신속한 엔지니어링 기술
ㅇ LLM 미세 조정
ㅇ RAG에 관한 연구
계속 업데이트
대체 커리큘럼 및 참고 목록

수학 기초

DALL·E

기계 학습은 선형 대수학, 미적분학, 확률 및 통계라는 세 가지 핵심 수학 기둥에 크게 의존합니다. 이러한 각 요소는 알고리즘의 최적 성능을 촉진하는 데 필수적인 역할을 합니다.

선형대수학: 알고리즘 해석 및 정보 처리를 위한 기본 매체 역할을 하는 행렬과 벡터를 사용하여 데이터 관리 및 조작을 위한 수학적 프레임워크 역할을 합니다.
계산법: 기계 학습 최적화의 원동력 역할을 하며 알고리즘이 기울기와 속도 변화를 이해하여 학습하고 개선할 수 있도록 합니다.
확률과 통계: 불확실성 속에서 의사결정을 위한 기본 원칙을 제공하여 알고리즘이 결과를 예측하고 확률 및 분산 모델을 통해 데이터로부터 학습할 수 있도록 합니다.

개발자의 관점에서 기계 학습을 위한 수학에 관한 경이로운 시리즈를 탐색할 수 있습니다. 여기 가중치 및 편향 기준.

소스 코드)

선형 대수학에 대한 코드 중심 접근 방식을 선호한다면 다음을 살펴보세요. 전산 선형 대수학 (비디오 시리즈, 소스 코드) fast.ai 개발자가 공유했습니다.

따르다 Python을 이용한 응용 기계 학습을 위한 선형 대수학 소개 코스와 병행하여.

보다 일반적인 접근 방식을 원한다면 다음을 확인하세요. 임페리얼 칼리지 런던에서 강의 — 선형대수학 & 다변량 미적분학.

3Blue1Brown's 보기 선형대수학의 본질 그리고 미적분학의 본질.

관찰하다 통계 기초 통계를 위한 StatQuest 제공

추가 리소스