AI 101

AI-101

Catatan kuliah, bacaan, sampel kode dan sumber daya untuk mengajari diri sendiri bagaimana Pytorch dan TensorFlow.

Kelas ini sebelumnya diajarkan sebagai bootcamp tetapi sekarang menjadi sumber daring yang serba mandiri.

Lebih seperti ini

Lihat bintang GitHub Brad untuk koleksi sumber daya yang bermanfaat.

Garis besar kursus

Sidang	Topik	Todo
Persiapan	N/a	Lihat persiapan.md
? Minggu 1	Peran, Dasar -dasar Pembelajaran Mesin, tumpukan teknologi	Seberapa mendalam pembelajaran bekerja dan intro ke perangkat lunak gratis
? Minggu 1	? "Fondasi" demo langsung	Panduan Interpreter Kode Superdatascience
? Minggu 2	Ide Proyek Akhir	Pilih proyek!
? Minggu 2	Alur kerja ML universal	Alur kerja ML universal dan teori regresi segalanya
? Minggu 3	Pemrograman Pasangan, Tanya Jawab Proyek	Kerjakan proyek Anda
? Minggu 3	Rekayasa Data, Dasar ETL, dan Teknik Perselisihan Data	Kerjakan proyek Anda
? Minggu 4	OpenRouter Sommelier App di AWS, Azure dan Demo Pengaturan Cloud GCP	Setup tier gratis AWS
? Minggu 5	? Fungsi Metrik dan Kehilangan, Arsitektur Model dan Hyperparameters	60 menit pytorch blitz
? Minggu 7	? Setelah bootcamp ...	maju dan menang!
? Minggu 7-8	? Presentasi Proyek	membual tentang diri Anda secara online

---

Urutan proyek akhir

Peserta akan mendedikasikan waktu substansial untuk proyek akhir yang selaras dengan aspirasi karier mereka. Untuk berbagai presentasi dan kode sumber sebelumnya, kunjungi saluran YouTube Brad.

Melangkah	Detail
? ️ Pengumpulan data dan model sederhana	Menghasilkan data teks sintetis menggunakan scikit-llm. Jelajahi set data di Kaggle atau memeluk wajah.
? ️ Model khusus (opsional)	Pemula: Ikuti TensorFlow QuickStart untuk pengklasifikasi gambar/teks dasar. Direkomendasikan: Selami 60 menit Pytorch Blitz, lalu jelajahi klasifikasi teks Pytorch atau klasifikasi gambar Pytorch. Lebih canggih: Model pretrained fine-tune dengan wajah memeluk untuk teks atau? Klasifikasi Gambar. Nerd Apple hanya menggunakan MLX.
Tantangan dan Eksperimen (Opsional)	Advanced: Jelajahi kerangka kerja lintas platform seperti Keras Core. ? Sangat canggih: mencoba meniru model kemenangan dari Kaggle.

---