የማሽን መማር vs AI ምንድን ነው?

አርቴፊሻል ኢንተለጀንስ እየገዛህ ነው ወይንስ ባርኔጣ ለብሰህ የማሽን መማሪያ እየገዛህ ነው ብለህ በማሰብ በምርት ገጽ ላይ ዓይኖህ ካየህ ብቻህን አይደለህም። ቃላቱ እንደ ኮንፈቲ ይወራወራሉ። እዚህ ጋር ተግባቢ፣ ምንም ትርጉም የሌለው የማሽን Learning vs AI መመሪያ አለ፣ ጥቂት ጠቃሚ ዘይቤዎችን ይጨምራል፣ እና እርስዎ በትክክል ሊጠቀሙበት የሚችሉትን ተግባራዊ ካርታ ይሰጥዎታል።

ከዚህ በኋላ ሊያነቧቸው የሚፈልጓቸው መጣጥፎች፡-

🔗 AI ምንድን ነው?
ግልጽ-ቋንቋ የ AI ጽንሰ-ሀሳቦች፣ ታሪክ እና እውነተኛ አጠቃቀሞች መግቢያ።

🔗 ምን ሊብራራ ይችላል AI
ለምን ሞዴል ግልጽነት ጉዳዮች እና ትንበያዎችን ለመተርጎም ዘዴዎች.

🔗 የሰው ልጅ ሮቦት AI ምንድን ነው?
ችሎታዎች፣ ተግዳሮቶች እና ጉዳዮችን ለሰው መሰል የሮቦቲክ ስርዓቶች።

🔗 በ AI ውስጥ የነርቭ አውታረ መረብ ምንድነው?
አንጓዎች፣ ንብርብሮች እና ትምህርት በሚታወቁ ምሳሌዎች ተብራርተዋል።

ማሽን መማር vs AI ምንድን ነው ፣ በእውነቱ? 🌱→🌳

• አርቴፊሻል ኢንተለጀንስ (AI) ሰፊው ግብ ነው፡ ከሰብአዊ ስማርትስ ጋር የምናያይዘው ተግባራትን የሚያከናውኑ ስርዓቶች - ማመዛዘን፣ እቅድ ማውጣት፣ ግንዛቤ፣ ቋንቋ - በካርታው ላይ ያለው መድረሻ ለአዝማሚያዎች እና ወሰን፣ የስታንፎርድ AI ኢንዴክስ ተዓማኒ የሆነ “የህብረቱን ሁኔታ” ያቀርባል። [3]

• የማሽን መማር (ML) የ AI ንዑስ ስብስብ ነው፡ በአንድ ተግባር ላይ ለማሻሻል ከውሂብ ቅጦችን የሚማሩ ዘዴዎች። ክላሲክ፣ የሚበረክት ክፈፍ፡ ML በራስ-ሰር በተሞክሮ የሚሻሻሉ ስልተ ቀመሮችን ያጠናል። [1]

ቀጥ አድርጎ ለማቆየት ቀላል መንገድ: AI ጃንጥላ ነው, ML ከጎድን አጥንት አንዱ ነው . ሁሉም AI ኤምኤልን አይጠቀምም ፣ ግን ዘመናዊው AI ሁልጊዜ ማለት ይቻላል በእሱ ላይ ይደገፋል። AI ምግቡ ከሆነ, ML የምግብ አሰራር ዘዴ ነው. ትንሽ ጎበዝ, እርግጠኛ, ግን ተጣብቋል.

የማሽን መማርን ከ AI💡 ያደርጋል

ሰዎች የማሽን Learning vs AIን ሲጠይቁ አብዛኛውን ጊዜ ከውጤቶች በኋላ ናቸው እንጂ ምህጻረ ቃላት አይደሉም። ቴክኖሎጂው የሚከተሉትን ሲያቀርብ ጥሩ ነው።

1. ግልጽ የችሎታ ግኝቶች

   • ከተለመደው የሰው የስራ ሂደት የበለጠ ፈጣን ወይም ትክክለኛ ውሳኔዎች።

   • እንደ ቅጽበታዊ የባለብዙ ቋንቋ ግልባጭ ያሉ አዲስ ተሞክሮዎች ከዚህ በፊት መገንባት ያልቻሏቸው።

2. አስተማማኝ የመማሪያ ዑደት

   • መረጃ ይመጣል፣ ሞዴሎች ይማራሉ፣ ባህሪ ይሻሻላል። ዑደቱ ያለ ድራማ መሽከርከሩን ይቀጥላል።

3. ጥንካሬ እና ደህንነት

   • በደንብ የተገለጹ አደጋዎች እና ቅነሳዎች። ምክንያታዊ ግምገማ. በጠርዝ ጉዳዮች ላይ ምንም አስገራሚ ግሬምሊንስ የለም። ተግባራዊ፣ አቅራቢ-ገለልተኛ ኮምፓስ የNIST AI ስጋት አስተዳደር ማዕቀፍ ነው። [2]

4. የንግድ ተስማሚ

   • የአምሳያው ትክክለኛነት፣ መዘግየት እና ወጪ ተጠቃሚዎችዎ ከሚፈልጉት ጋር ይጣጣማሉ። የሚያብረቀርቅ ከሆነ ግን KPIን የማያንቀሳቅስ ከሆነ፣ የሳይንስ ፍትሃዊ ፕሮጀክት ብቻ ነው።

5. የአሠራር ብስለት

   • ክትትል፣ ስሪት ማውጣት፣ ግብረመልስ እና እንደገና ማሰልጠን የተለመደ ነው። አሰልቺ እዚህ ጥሩ ነው።

አንድ ተነሳሽነት እነዚያን አምስቱን ካስቸገረ፣ ጥሩ AI፣ ጥሩ ኤምኤል ወይም ሁለቱም ነው። ካመለጣቸው ማሳያ ሊሆን ይችላል።

የማሽን መማር vs AI በጨረፍታ፡ ንብርብሮቹ 🍰

ተግባራዊ የአእምሮ ሞዴል;

• የውሂብ ንብርብር
  ጥሬ ጽሑፍ፣ ምስሎች፣ ኦዲዮ፣ ሠንጠረዦች። የውሂብ ጥራት በሁሉም ጊዜ ማለት ይቻላል የሞዴል ማበረታቻን ይመታል።

• የሞዴል ንብርብር
  ክላሲካል ኤምኤል እንደ ዛፎች እና መስመራዊ ሞዴሎች፣ ለግንዛቤ እና ቋንቋ ጥልቅ ትምህርት እና ከጊዜ ወደ ጊዜ እየጨመሩ የመጡ ሞዴሎች።

• የማመዛዘን እና የመገልገያ ንብርብር
  የሞዴል ውጤቶችን ወደ ተግባር አፈጻጸም የሚቀይሩ ማበረታቻ፣ ሰርስሮ ማውጣት፣ ወኪሎች፣ ደንቦች እና የግምገማ ማሰሪያዎች።

• የመተግበሪያ ንብርብር
  ተጠቃሚው የሚያይ ምርት። ይህ AI እንደ ምትሃት የሚሰማው ነው፣ ወይም አንዳንድ ጊዜ ልክ… ጥሩ።

የማሽን መማር vs AI ባብዛኛው በእነዚህ ንብርብሮች ላይ የወሰን ጥያቄ ነው። ኤምኤል በተለምዶ የአምሳያው ንብርብር ነው። AI ሙሉውን ቁልል ይዘልቃል። በተግባር የተለመደ ስርዓተ-ጥለት፡ የብርሃን ንክኪ ኤም ኤል ሞዴል እና የምርት ህጎች የበለጠ ውስብስብነት እስኪፈልጉ ድረስ ከበድ ያለ “AI” ስርዓትን ይመታል። [3]

ልዩነቱ የሚያሳየው የዕለት ተዕለት ምሳሌዎች 🚦

• አይፈለጌ መልዕክት ማጣራት።

  • ኤም.ኤል: መለያ በተሰጣቸው ኢሜይሎች ላይ የሰለጠነ ክላሲፋየር።

  • AI፡ አጠቃላይ ስርዓቱ ሂዩሪስቲክስን፣ የተጠቃሚ ሪፖርቶችን፣ የሚለምደዉ ጣራዎችን እና ክላሲፋዩን ጨምሮ።

• የምርት ምክሮች

  • ኤም.ኤል: በጠቅታ ታሪክ ላይ የትብብር ማጣሪያ ወይም የግራዲየንት ከፍ ያሉ ዛፎች።

  • AI፡ ከጫፍ እስከ ጫፍ ግላዊነትን ማላበስ፣ አውድን፣ የንግድ ደንቦችን እና ማብራሪያዎችን ያገናዘበ።

• የውይይት ረዳቶች

  • ኤም.ኤል: የቋንቋ ሞዴል ራሱ.

  • AI፡ ረዳት ቧንቧው በማስታወሻ፣ ሰርስሮ ማውጣት፣ የመሳሪያ አጠቃቀም፣ የደህንነት መጠበቂያ መንገዶች እና ዩኤክስ።

ስርዓተ ጥለት ያስተውላሉ። ML የመማር ልብ ነው። AI በዙሪያው ያለው ሕያው አካል ነው.

የንጽጽር ሰንጠረዥ፡ የማሽን መማር vs AI መሳሪያዎች፣ ተመልካቾች፣ ዋጋዎች፣ ለምን እንደሚሰሩ 🧰

በዋህነት በዓላማ የተመሰቃቀለ - ምክንያቱም እውነተኛ ማስታወሻዎች ፍጹም ንፁህ አይደሉም።

* አመላካች ብቻ። አብዛኛዎቹ አገልግሎቶች ነጻ ደረጃዎችን ይሰጣሉ ወይም ሲሄዱ ክፍያ; ለአሁኑ ዝርዝሮች ኦፊሴላዊ የዋጋ ገጾችን ያረጋግጡ።

የማሽን መማር vs AI በስርዓት ዲዛይን ውስጥ እንዴት ይታያል 🏗️

1. መስፈርቶች

   • AI፡ የተጠቃሚ ውጤቶችን፣ ደህንነትን እና ገደቦችን ይግለጹ።

   • ኤም.ኤል፡ የዒላማ መለኪያን፣ ባህሪያትን፣ መለያዎችን እና የሥልጠና ዕቅድን ይግለጹ።

2. የውሂብ ስልት

   • AI፡ ከጫፍ እስከ ጫፍ የውሂብ ፍሰት፣ አስተዳደር፣ ግላዊነት፣ ፍቃድ።

   • ኤም.ኤል፡ ናሙና፣ መለያ መስጠት፣ መጨመር፣ ተንሸራታች ማወቅ።

3. ሞዴል ምርጫ

   • ሊሰራ በሚችል በጣም ቀላል ነገር ይጀምሩ. ለተዋቀረ/ታቡላር መረጃ፣በግራዲየንት ያደጉ ዛፎች ብዙውን ጊዜ ለመምታት በጣም ከባድ የመነሻ መስመር ናቸው። [5]

   • ሚኒ-አነክዶት፡ በቸልተኝነት እና በማጭበርበር ፕሮጀክቶች ላይ፣ GBDTዎች ርካሽ እና ለማገልገል ፈጣን ሲሆኑ ከጥልቅ መረቦች ሲበልጡ ደጋግመን አይተናል። [5]

4. ግምገማ

   • ኤምኤል፡ ከመስመር ውጭ መለኪያዎች እንደ F1፣ ROC AUC፣ RMSE።

   • AI፡ እንደ ልወጣ፣ ማቆየት እና እርካታ ያሉ የመስመር ላይ መለኪያዎች፣ እና ለግላዊ ተግባራት የሰው ግምገማ። የ AI ኢንዴክስ እነዚህ ልማዶች በኢንዱስትሪው ውስጥ እንዴት እየተሻሻሉ እንደሆነ ይከታተላል። [3]

5. ደህንነት እና አስተዳደር

   • ከታወቁ ማዕቀፎች የምንጭ ፖሊሲዎች እና የአደጋ መቆጣጠሪያዎች። NIST AI RMF የተነደፈው ድርጅቶች የ AI አደጋዎችን እንዲገመግሙ፣ እንዲያስተዳድሩ እና እንዲመዘግቡ ለመርዳት ነው። [2]

አስፈላጊ የሆኑ መለኪያዎች፣ ያለ እጅ ማወዛወዝ 📏

• ትክክለኝነት ከጠቃሚነት
  አንፃር ትንሽ ዝቅተኛ ትክክለኛነት ያለው ሞዴል መዘግየት እና ዋጋ በጣም የተሻሉ ከሆኑ ሊያሸንፍ ይችላል።

• መለካት
  ስርዓቱ 90% በራስ መተማመን እንዳለው ከተናገረ፣ ብዙ ጊዜ ልክ በዚያ መጠን ነው? ያልተወራረደ፣ ከመጠን በላይ አስፈላጊ - እና እንደ የሙቀት መጠን መጨመር ያሉ ቀላል ክብደት ያላቸው ጥገናዎች አሉ። [4]

• ጥንካሬ
  በተዘበራረቁ ግብአቶች ላይ በሚያምር ሁኔታ ያዋርዳል? የጭንቀት ሙከራዎችን እና ሰው ሰራሽ የጠርዝ ጉዳዮችን ይሞክሩ።

• ፍትሃዊነት እና ጉዳት
  የቡድን አፈፃፀምን ይለኩ። የታወቁ ገደቦችን ይመዝግቡ። የተጠቃሚ ትምህርትን በትክክል በUI ውስጥ ያገናኙ። [2]

• የአሠራር መለኪያዎች
  የሚሰማሩበት ጊዜ፣ የመመለሻ ፍጥነት፣ የውሂብ ትኩስነት፣ የውድቀት ተመኖች። ቀኑን የሚያድነው አሰልቺ የቧንቧ መስመር.

ለግምገማ ልምምድ እና አዝማሚያዎች ጠለቅ ያለ ንባብ፣ የስታንፎርድ AI ኢንዴክስ ኢንደስትሪ አቋራጭ መረጃዎችን እና ትንታኔዎችን ይሰበስባል። [3]

🙈 መራቅ ያለባቸው ወጥመዶች እና አፈ ታሪኮች

• የተሳሳተ አመለካከት፡ ብዙ ውሂብ ሁልጊዜ የተሻለ ነው።
  የተሻሉ መለያዎች እና የተወካዮች ናሙና ጥሬውን መጠን ይመታሉ። አዎ አሁንም።

• የተሳሳተ አመለካከት፡ ጥልቅ ትምህርት ሁሉንም ነገር ይፈታል።
  ለአነስተኛ / መካከለኛ ሰንጠረዥ ችግሮች አይደለም; በዛፍ ላይ የተመሰረቱ ዘዴዎች በጣም ተወዳዳሪ ሆነው ይቆያሉ. [5]

• የተሳሳተ አመለካከት፡ AI ሙሉ ራስን በራስ የማስተዳደር እኩል ነው።
  ዛሬ አብዛኛው ዋጋ የሚመጣው ከውሳኔ ድጋፍ እና ከፊል አውቶማቲክ ከሰዎች ጋር በ loop ውስጥ ነው። [2]

• ወጥመድ፡ ግልጽ ያልሆነ የችግር መግለጫዎች።
  የስኬት መለኪያውን በአንድ መስመር መግለጽ ካልቻላችሁ መናፍስትን ታሳድዳላችሁ።

• ወጥመድ፡ የውሂብ መብቶችን እና ግላዊነትን ችላ ማለት።
  ድርጅታዊ ፖሊሲን እና ህጋዊ መመሪያዎችን ይከተሉ; የመዋቅር ስጋት ውይይቶች ከታወቀ ማዕቀፍ ጋር። [2]

መግዛት vs ግንባታ፡ አጭር የውሳኔ መንገድ 🧭

• ፍላጎትዎ የተለመደ ከሆነ እና ጊዜ ጠባብ ከሆነ በመግዛት ይጀምሩ ፋውንዴሽን-ሞዴል ኤፒአይዎች እና የሚተዳደሩ አገልግሎቶች እጅግ በጣም አቅም ያላቸው ናቸው። በኋላ ላይ በጠባቂዎች ላይ መዝጋት፣ ሰርስሮ ማውጣት እና ግምገማ ማድረግ ይችላሉ።

• ውሂብህ ልዩ ሲሆን ወይም ስራው የአንተ ሞአት ሲሆን በድፍረት ገንባ የእርስዎን የውሂብ ቧንቧዎች እና የሞዴል ስልጠና ባለቤት ይሁኑ። በMLOps ላይ ኢንቨስት ለማድረግ ይጠብቁ።

• ድቅል የተለመደ ነው. ብዙ ቡድኖች ኤፒአይን ለቋንቋ እና ብጁ ML ለደረጃ ወይም ለአደጋ ነጥብ ያጣምሩታል። የሚሰራውን ተጠቀም። እንደ አስፈላጊነቱ ይደባለቁ እና ያጣምሩ.

ፈጣን ተደጋጋሚ ጥያቄዎች የማሽን Learning vs AI ❓ ለማራገፍ

ሁሉም AI ማሽን ይማራሉ?
አይ. አንዳንድ AI ደንቦችን, ፍለጋን ወይም እቅድን ከትንሽ እስከ ምንም ትምህርት ይጠቀማሉ. ML በቀላሉ የበላይ ነው። [3]

ሁሉም ML AI ነው?
አዎ፣ ML በ AI ጃንጥላ ውስጥ ይኖራል። አንድን ተግባር ለማከናወን ከውሂብ ከተማረ፣ በ AI ግዛት ውስጥ ነዎት። [1]

በሰነዶች ውስጥ የትኛውን ልበል፡ ማሽን መማር vs AI?
ስለ ሞዴሎች፣ ስልጠና እና ዳታ እየተናገሩ ከሆነ፣ ML ይበሉ። ስለ ተጠቃሚ ፊት ችሎታዎች እና የስርዓት ባህሪ እየተናገሩ ከሆነ AI ይበሉ። በሚጠራጠሩበት ጊዜ ልዩ ይሁኑ።

ግዙፍ የውሂብ ስብስቦች ያስፈልገኛል?
ሁልጊዜ አይደለም. ፍትሃዊ በሆነ የባህሪ ምህንድስና ወይም ብልጥ ሰርስሮ ማውጣት፣ ትናንሽ የተሰበሰቡ የውሂብ ስብስቦች ትላልቅ ጫጫታ ካላቸው -በተለይም በሰንጠረዥ ውሂብ ላይ ሊበልጡ ይችላሉ። [5]

ስለ ተጠያቂው AIስ?
ከመጀመሪያው ጀምሮ ጋግሩት. እንደ NIST AI RMF ያሉ የተዋቀሩ የአደጋ ልምዶችን ይጠቀሙ እና የስርዓት ገደቦችን ለተጠቃሚዎች ያስተላልፉ። [2]

ጥልቅ-ዳይቭ፡ ክላሲካል ML vs ጥልቅ ትምህርት vs የመሠረት ሞዴሎች 🧩

• ክላሲካል ኤም.ኤል

  • ለሠንጠረዥ መረጃ እና የተዋቀሩ የንግድ ችግሮች ምርጥ።

  • ለማሰልጠን ፈጣን፣ ለማብራራት ቀላል፣ ለማገልገል ርካሽ።

  • ብዙውን ጊዜ በሰዎች ከተፈጠሩ ባህሪያት እና የጎራ እውቀት ጋር ይጣመራሉ። [5]

• ጥልቅ ትምህርት

  • ላልተደራጁ ግብዓቶች ያበራል፡ ምስሎች፣ ኦዲዮ፣ የተፈጥሮ ቋንቋ።

  • የበለጠ ስሌት እና ጥንቃቄ የተሞላበት ማስተካከያ ያስፈልገዋል።

  • ከመጨመር፣ ከመደበኛነት እና ከአሳቢ አርክቴክቸር ጋር ተጣምሯል። [3]

• የመሠረት ሞዴሎች

  • በሰፊ መረጃ ላይ ቀድሞ የሰለጠነ፣ በመጠየቅ፣ በማስተካከል ወይም በማንሳት ከብዙ ስራዎች ጋር መላመድ።

  • የጥበቃ መስመሮች፣ ግምገማ እና የዋጋ ቁጥጥር ያስፈልጋቸዋል። ጥሩ ፈጣን ምህንድስና ያለው ተጨማሪ ማይል። [2][3]

ትንሽ ጉድለት ያለበት ዘይቤ፡ ክላሲካል ኤምኤል ብስክሌት ነው፣ ጥልቅ ትምህርት ሞተርሳይክል ነው፣ እና የመሠረት ሞዴሎች አንዳንድ ጊዜ እንደ ጀልባ የሚጨምር ባቡር ናቸው። ዓይናችሁን ብታፍሩ ጥሩ ነው… እና ከዚያ አይሆንም። አሁንም ጠቃሚ።

✅ ሊሰርቁት የሚችሉት የትግበራ ማረጋገጫ ዝርዝር

1. የአንድ መስመር ችግር መግለጫ ይጻፉ።

2. የመሬት እውነት እና የስኬት መለኪያዎችን ይግለጹ።

3. የእቃ ዝርዝር መረጃ ምንጮች እና የውሂብ መብቶች። [2]

4. በጣም ቀላሉ አዋጭ ሞዴል ያለው መነሻ።

5. መተግበሪያውን ከመጀመርዎ በፊት በግምገማ መንጠቆዎች መሳሪያ ያድርጉት።

6. የግብረ መልስ ምልልሶችን ያቅዱ፡ መለያ መስጠት፣ ተንሸራታች ቼኮች፣ እንደገና ማሰልጠን።

7. የሰነድ ግምቶች እና የታወቁ ገደቦች.

8. አንድ ትንሽ አብራሪ ያሂዱ፣ የመስመር ላይ መለኪያዎችን ከመስመር ውጭ ከሆኑ ድሎችዎ ጋር ያወዳድሩ።

9. በጥንቃቄ መጠን፣ ያለማቋረጥ ይቆጣጠሩ። አሰልቺውን ያክብሩ።

የማሽን መማር vs AI - የ punch ማጠቃለያ 🍿

• AI የተጠቃሚዎ ልምድ አጠቃላይ ችሎታ ነው።

• ኤምኤል የዚያን አቅም ቅንጣትን የሚያበረታታ የመማሪያ ማሽን ነው። [1]

• ስኬት ስለ ሞዴል ​​ፋሽን ያነሰ እና ስለ ጥርት ችግር መቅረጽ፣ ንፁህ ውሂብ፣ ተግባራዊ ግምገማ እና ደህንነቱ የተጠበቀ ስራዎች ነው። [2][3]

• በፍጥነት ለመንቀሳቀስ ኤፒአይዎችን ተጠቀም፣ የአንተ መንደር በሚሆንበት ጊዜ አብጅ።

• አደጋዎችን በእይታ ውስጥ ያስቀምጡ። ጥበብን ከ NIST AI RMF ተበደሩ። [2]

• ለሰዎች አስፈላጊ የሆኑ ውጤቶችን ይከታተሉ. ትክክለኛነት ብቻ አይደለም። በተለይ ከንቱ መለኪያዎች አይደሉም። [3][4]

የመጨረሻ አስተያየቶች - በጣም ረጅም፣ አላነበቡትም 🧾

የማሽን መማር vs AI ዱል አይደለም። ስፋት ነው። AI ለተጠቃሚዎች ብልህ ባህሪ ያለው አጠቃላይ ስርዓት ነው። ኤምኤል በዚያ ስርዓት ውስጥ ካለው መረጃ የሚማሩ ዘዴዎች ስብስብ ነው። በጣም ደስተኛ የሆኑት ቡድኖች ኤም ኤልን እንደ መሳሪያ፣ AI እንደ ልምድ፣ እና የምርት ተፅእኖን እንደ ብቸኛው የውጤት ሰሌዳ በትክክል ይቆጥራሉ። ሰው፣ ደህንነቱ የተጠበቀ፣ ሊለካ የሚችል እና ትንሽ ቆሻሻ ያቆዩት። እንዲሁም ያስታውሱ: ብስክሌቶች, ሞተርሳይክሎች, ባቡሮች. ለአንድ ሰከንድ ትርጉም ነበረው, አይደል? 😉

ዋቢዎች

1. ቶም ኤም ሚቼል - የማሽን መማር (የመጽሐፍ ገጽ, ትርጉም). ተጨማሪ ያንብቡ

2. NIST - AI Risk Management Framework (AI RMF 1.0) (ኦፊሴላዊ ህትመት). ተጨማሪ ያንብቡ

3. ስታንፎርድ HAI - አርቴፊሻል ኢንተለጀንስ ኢንዴክስ ሪፖርት 2025 (ኦፊሴላዊ ፒዲኤፍ)። ተጨማሪ ያንብቡ

4. Guo, Pleiss, Sun, Weinberger - በዘመናዊ የነርቭ ኔትወርኮች ማስተካከያ (PMLR/ICML 2017)። ተጨማሪ ያንብቡ

5. Grinsztajn, Oyallon, Varoquaux - ለምንድነው በዛፍ ላይ የተመሰረቱ ሞዴሎች በሰንጠረዥ መረጃ ላይ ጥልቅ ትምህርትን የሚበልጡት? (NeurIPS 2022 Datasets & Benchmarks)። ተጨማሪ ያንብቡ

በኦፊሴላዊው AI አጋዥ መደብር የቅርብ ጊዜውን AI ያግኙ

ስለ እኛ