የአይአይ (AI) እንዴት መማር እንደሚቻል?

የአይአይ (AI) እንዴት መማር እንደሚቻል?

የአዕምሮ ንቃት (AI) መማር እያንዳንዱ መጽሐፍ “እዚህ ጀምር” እያለ የሚጮህበት ግዙፍ ቤተ መጻሕፍት ውስጥ መግባት ሊመስል ይችላል። ግማሾቹ መደርደሪያዎች “ሂሳብ” ይላሉ፣ ይህም… መለስተኛ ባለጌ 😅

ጥቅሙ፡ ጠቃሚ ነገሮችን ለመገንባት ሁሉንም ነገር ማወቅ አያስፈልግዎትም። ምክንያታዊ መንገድ፣ ጥቂት አስተማማኝ ሀብቶች እና ለተወሰነ ጊዜ ግራ የመጋባት ፍላጎት ያስፈልግዎታል (ግራ መጋባት በመሠረቱ የመግቢያ ክፍያ ነው)።

ከዚህ ጽሑፍ በኋላ ሊያነቧቸው የሚችሏቸው ጽሑፎች፡

🔗 AI ያልተለመዱ ነገሮችን እንዴት እንደሚለይ
የማሽን መማሪያ እና ስታቲስቲክስን በመጠቀም የአኖማሊ ማወቂያ ዘዴዎችን ያብራራል።

🔗 AI ለኅብረተሰቡ ጎጂ የሆነው ለምንድን ነው?
የአርቴፊሻል ኢንተለጀንስን ሥነ ምግባራዊ፣ ማህበራዊ እና ኢኮኖሚያዊ አደጋዎችን ይመረምራል።

🔗 AI ምን ያህል ውሃ ይጠቀማል
የ AI የኃይል ፍጆታን እና የተደበቁ የውሃ አጠቃቀም ተፅእኖዎችን ይሰብራል።

🔗 የ AI የውሂብ ስብስብ ምንድነው?
የውሂብ ስብስቦችን፣ መለያ መስጠትን እና በ AI ስልጠና ውስጥ ያላቸውን ሚና ይገልጻል።

"AI" በዕለት ተዕለት አነጋገር ምን ማለት እንደሆነ በትክክል 🤷♀️

ሰዎች "AI" ብለው የሚጠሩ ሲሆን ጥቂት የተለያዩ ነገሮችን ማለት ነው፡

  • የማሽን መማሪያ (ML) - ሞዴሎች ከውሂብ እስከ ግብዓቶች እስከ ውጤቶች ድረስ ቅጦችን ይማራሉ (ለምሳሌ፣ የአይፈለጌ መልእክት መለየት፣ የዋጋ ትንበያ)። [1]

  • ጥልቅ ትምህርት (DL) - በመጠን የነርቭ አውታረ መረቦችን (ራዕይ፣ ንግግር፣ ትላልቅ የቋንቋ ሞዴሎችን) የሚጠቀም የML ንዑስ ስብስብ። [2]

  • ጀነሬቲቭ AI - ጽሑፍ፣ ምስሎችን፣ ኮድ፣ ኦዲዮ (ቻትቦቶች፣ ተባባሪ አብራሪዎች፣ የይዘት መሳሪያዎች) የሚያመርቱ ሞዴሎች። [2]

  • የማጠናከሪያ ትምህርት - በሙከራ እና በሽልማት መማር (የጨዋታ ወኪሎች፣ ሮቦቲክስ)። [1]

መጀመሪያ ላይ ፍጹም የሆነ ምርጫ ማድረግ አይጠበቅብዎትም። አርቲፊሻል ኢንተለጀንስን እንደ ሙዚየም አድርገው አይውሰዱት። ልክ እንደ ኩሽና ነው - ምግብ በማብሰል በፍጥነት ይማራሉ። አንዳንድ ጊዜ ቶስት ያቃጥላሉ። 🍞🔥

እና ውስጥ ተመሳሳይ መታወቂያዎችን እስኪያዩ ድረስ ። ክላሲክ መፍሰስ። ቀላል የቧንቧ መስመር + ንጹህ መከፋፈል አጠራጣሪ 0.99 ወደ አስተማማኝ (ዝቅተኛ!) ውጤት እና በእውነቱ አጠቃላይ የሆነ ሞዴል ቀይሮታል። [3]

ጥሩ የ"AI እንዴት መማር እንደሚቻል" እቅድ ምን ያደርጋል ✅

ጥሩ እቅድ አሰልቺ የሚመስሉ ነገር ግን ወራትን የሚቆጥቡዎት ጥቂት ባህሪያት አሉት፡

  • እየተማሩ እያለ ይገንቡ (ትንንሽ ፕሮጀክቶች ቀደም ብለው፣ ትላልቅ ፕሮጀክቶችን በኋላ)።

  • የሚያስፈልገውን ዝቅተኛውን የሂሳብ ስሌት ይማሩ ፣ ከዚያም ጥልቀት ለማግኘት ወደ ኋላ ክብ ያድርጉ።

  • ምን እንዳደረክ ግለጽ (ስራህን ከጎማ ጋር አዛምድ፤ ብስጭት ያለበትን አስተሳሰብ ይፈውሳል)።

  • ለተወሰነ ጊዜ በአንድ “ኮር ስቶክ” ላይ ይጣበቅ (ፓይቶን + ጁፒተር + ስኪት-ሌርን → ከዚያም ፒቶርክ)።

  • በታዩ ሰዓቶች ሳይሆን በውጤቶች መለካት

እቅድህ ቪዲዮና ማስታወሻ ብቻ ከሆነ፣ ስለ ውሃ በማንበብ ለመዋኘት እንደመሞከር ነው።

መስመርዎን ይምረጡ (ለአሁኑ) - ሶስት የተለመዱ መንገዶች 🚦

AIን በተለያዩ "ቅርጾች" መማር ይችላሉ። የሚሰሩ ሶስት እነሆ፡

1) ተግባራዊ የግንባታ መንገድ 🛠️

ፈጣን ድሎችን እና ተነሳሽነትን ከፈለጉ በጣም ጥሩ ነው።
ትኩረት ፡ የውሂብ ስብስቦች፣ የስልጠና ሞዴሎች፣ የማጓጓዣ ማሳያዎች።
የመነሻ ግብዓቶች ፡ የጉግል ኤምኤል ክራሽ ኮርስ፣ Kaggle Learn፣ fast.ai (ከታች ባሉት ማጣቀሻዎች እና ግብዓቶች ውስጥ ያሉ አገናኞች)።

2) መሰረታዊ ነገሮች - የመጀመሪያው መንገድ 📚

ግልጽነትን እና ቲዎሪ የሚወዱ ከሆነ በጣም ጥሩ ነው።
ትኩረት ፡ ሪግሬሽን፣ አድልዎ-ልዩነት፣ ፕሮባቢሊስቲክ አስተሳሰብ፣ ማመቻቸት።
መልህቆች ፡ የስታንፎርድ CS229 ቁሳቁሶች፣ የMIT ጥልቅ ትምህርት መግቢያ። [1][2]

3) የጂን-AI መተግበሪያ ገንቢ መንገድ ✨

ረዳቶችን፣ ፍለጋዎችን፣ የስራ ፍሰቶችን፣ “ወኪል-y” ነገሮችን መገንባት ከፈለጉ በጣም ጥሩ ነው።
ትኩረት፡- ማበረታቻ፣ መልሶ ማግኘት፣ ቫልቮች፣ የመሳሪያ አጠቃቀም፣ የደህንነት መሰረታዊ ነገሮች፣ ማሰማራት።
በቅርብ የሚጠበቁ ሰነዶች ፡ የመድረክ ሰነዶች (ኤፒአይዎች)፣ የኤችኤፍ ኮርስ (መሳሪያ)።

በኋላ ላይ መስመሮችን መቀየር ይችላሉ። መጀመር ከባድው ክፍል ነው።

 

የአይአይ ጥናት እንዴት እንደሚማሩ

የንፅፅር ሰንጠረዥ - ለመማር ዋና መንገዶች (በሐቀኝነት ብልሃቶች) 📋

መሳሪያ / ኮርስ ታዳሚዎች ዋጋ ለምን እንደሚሰራ (አጭር ጊዜ)
የጉግል ማሽን መማሪያ የብልሽት ኮርስ ለጀማሪዎች ፍርይ ምስላዊ + ተግባራዊ ማድረግ፤ ከመጠን በላይ ውስብስብነትን ያስወግዳል
Kaggle Learn (መግቢያ + መካከለኛ ML) ልምምድ የሚወዱ ጀማሪዎች ፍርይ የንክሻ መጠን ትምህርቶች + ፈጣን ልምምዶች
fast.ai ተግባራዊ ጥልቅ ትምህርት ግንበኞች የተወሰነ ኮድ ያላቸው ፍርይ እውነተኛ ሞዴሎችን ቀደም ብለው ያሠለጥናሉ - ልክ እንደ፣ ወዲያውኑ 😅
ዲፕ ለርኒንግ.ኤአይ ኤምኤል ስፔሻላይዜሽን የተዋቀሩ ተማሪዎች የተከፈለ በዋና የኤምኤል ፅንሰ-ሀሳቦች በኩል ግልጽ የሆነ እድገት
የDeepLearning.AI ጥልቅ የመማሪያ ዝርዝር መግለጫ የML መሰረታዊ ነገሮች ቀድሞውኑ የተከፈለ በነርቭ መረቦች ላይ ጠንካራ ጥልቀት + የስራ ፍሰቶች
የስታንፎርድ CS229 ማስታወሻዎች በቲዎሪ ላይ የተመሠረተ ፍርይ ከባድ መሰረታዊ ነገሮች ("ይህ ለምን ይሰራል")
scikit-learn የተጠቃሚ መመሪያ ML ባለሙያዎች ፍርይ ለሠንጠረዥ/መሰረታዊ መስመሮች ክላሲክ የመሳሪያ ስብስብ
የፓይቶርክ አጋዥ ስልጠናዎች ጥልቅ የመማሪያ ገንቢዎች ፍርይ ከቴነሰሮች → የስልጠና ዑደቶች ንጹህ መንገድ [4]
የፊት ማቀፍ LLM ኮርስ የNLP + LLM ገንቢዎች ፍርይ ተግባራዊ የኤልኤልኤም የሥራ ፍሰት + የስነ-ምህዳር መሳሪያዎች
NIST AI ስጋት አስተዳደር ማዕቀፍ ማንኛውም ሰው AIን የሚያሰማራ ፍርይ ቀላል፣ ጥቅም ላይ ሊውል የሚችል የአደጋ/የአስተዳደር ስካፎልዲንግ [5]

ትንሽ ማስታወሻ፡- “ዋጋ” በመስመር ላይ እንግዳ ነገር ነው። አንዳንድ ነገሮች ነፃ ናቸው ነገር ግን ትኩረት የሚጠይቁ ናቸው… ይህም አንዳንድ ጊዜ የከፋ ነው።

የሚያስፈልጉዎት ዋና ዋና ክህሎቶች ስብስብ (እና በምን ቅደም ተከተል) 🧩

ግብዎ ሳይሰምጡ የአዕምሮ ንቃትን እንዴት መማር እንደሚቻል

  1. የፓይዘን መሰረታዊ ነገሮች

  • ተግባራት፣ ዝርዝሮች/ዲክቶች፣ ቀላል ክፍሎች፣ የንባብ ፋይሎች።

  • የግድ ሊኖርዎት የሚገባ ልማድ፡- ትንንሽ ስክሪፕቶችን መጻፍ፣ ማስታወሻ ደብተሮችን ብቻ አይደለም።

  1. የውሂብ አያያዝ

  • የኑምፒ-ኢሽ አስተሳሰብ፣ የፓንዳ መሰረታዊ ነገሮች፣ ሴራ።

  • እዚህ ብዙ ጊዜ ታሳልፋለህ። ማራኪ አይደለም፣ ግን ስራው ነው።

  1. ክላሲካል ኤምኤል (ዝቅተኛ ደረጃ የተሰጠው ልዕለ ኃያል)

  • የባቡር/የሙከራ ክፍተቶች፣ መፍሰስ፣ ከመጠን በላይ መገጣጠም።

  • መስመራዊ/ሎጂስቲክ ሪግሬሽን፣ ዛፎች፣ የዘፈቀደ ደኖች፣ የግራዲየንት መጨመር።

  • መለኪያዎች፡ ትክክለኛነት፣ ትክክለኛነት/ማስታወስ፣ ROC-AUC፣ MAE/RMSE - መቼ ትርጉም እንዳለው ማወቅ። [3]

  1. ጥልቅ ትምህርት

  • ቴንሰርስ፣ ግሬዲየሽንስ/ባክፕሮፕ (በፅንሰ-ሀሳብ)፣ የስልጠና ዑደቶች።

  • ለምስሎች የሲኤንኤንዎች፣ ለጽሑፍ ትራንስፎርመሮች (በመጨረሻም)።

  • ጥቂት ከጫፍ እስከ ጫፍ የሚደርሱ የፓይቶርክ መሰረታዊ ነገሮች ረጅም መንገድ ይወስዳሉ። [4]

  1. ጀነሬተር AI + LLM የስራ ፍሰቶች

  • ቶኬኒዜሽን፣ ኢንክዲንግ፣ መልሶ ማግኘት-የተጨመረ ትውልድ፣ ግምገማ።

  • ማጣራት እና ማነሳሳት (እና ሁለቱንም የማያስፈልግዎ ከሆነ)።

ሊከተሏቸው የሚችሏቸው ደረጃ በደረጃ እቅድ 🗺️

ደረጃ ሀ - የመጀመሪያውን ሞዴልዎን በፍጥነት እንዲሰራ ያድርጉ (በፍጥነት) ⚡

ግብ ፡ የሆነ ነገርን አሰልጥኑ፣ ለካው፣ ያሻሽሉት።

  • የታመቀ መግቢያ (ለምሳሌ፣ የML Crash ኮርስ)፣ ከዚያም በእጅ የሚሰራ ማይክሮ ኮርስ (ለምሳሌ፣ የKaggle መግቢያ) ያድርጉ።

  • የፕሮጀክት ሀሳብ፡- በሕዝብ የውሂብ ስብስብ ላይ የቤት ዋጋዎችን፣ የደንበኛ መቆራረጥን ወይም የብድር ስጋትን መተንበይ።

ትንሽ "አሸናፊ" የማረጋገጫ ዝርዝር፦

  • ውሂብ መጫን ይችላሉ።

  • የመነሻ ሞዴልን ማሰልጠን ይችላሉ።

  • ከመጠን በላይ መጣጣምን በቀላል ቋንቋ ማስረዳት ይችላሉ።

ደረጃ ለ - በእውነተኛ የML ልምምድ ይደሰቱ 🔧

ግብ፡- በተለመዱ የውድቀት ሁነታዎች መደነቅን አቁም።

  • በመካከለኛ ደረጃ ላይ ባሉ የML ርዕሶች ላይ ይስሩ፡ የጎደሉ እሴቶች፣ መፍሰስ፣ የቧንቧ መስመሮች፣ ሲቪ።

  • ጥቂት የscikit-learn User Guide ክፍሎችን ይዝለሉ እና በትክክል ቁርጥራጮቹን ያሂዱ። [3]

  • የፕሮጀክት ሀሳብ፡- ከተቀመጠ ሞዴል + የግምገማ ሪፖርት ጋር ቀላል የሆነ ከጫፍ እስከ ጫፍ የሚሄድ መስመር።

ደረጃ ሐ - እንደ ጠንቋይ የማይሰማ ጥልቅ ትምህርት 🧙♂️

ዓላማ ፡ የነርቭ መረብን ማሰልጠን እና የስልጠና ዑደቱን መረዳት።

  • የፓይቶርክን “መሰረታዊ ነገሮችን ተማር” የሚለውን መንገድ (tensors → databases/dataloaders → training/value → saving) ይከተሉ። [4]

  • ፍጥነት እና ተግባራዊ ስሜቶችን ከፈለጉ እንደ አማራጭ ከ fast.ai ጋር ያጣምሩ።

  • የፕሮጀክት ሀሳብ ፡ የምስል ክላሲፋየር፣ የስሜት ሞዴል ወይም ትንሽ ትራንስፎርመር ጥሩ ማስተካከያ።

ደረጃ D - በትክክል የሚሰሩ የፈጠራ ችሎታ ያላቸው የ AI መተግበሪያዎች ✨

ግብ ፡ ሰዎች የሚጠቀሙበትን ነገር መገንባት።

  • ተግባራዊ የLLM ኮርስን ይከተሉ + ሻጭ ፈጣን ጅምር በማድረግ ኢንክዲንግ፣ ሰርስሮ ማውጣት እና ደህንነቱ የተጠበቀ ትውልዶችን ያግኙ።

  • የፕሮጀክት ሀሳብ ፡ በሰነዶችዎ ላይ የጥያቄ እና መልስ ቦት (ስብስብ → ኢሜድ → ሰርስሮ ማውጣት → መልስ ከጥቅሶች ጋር) ወይም ከመሳሪያ ጥሪዎች ጋር የደንበኛ ድጋፍ ረዳት።

የ"ሂሳብ" ክፍል - እንደ ቅመም እንጂ እንደ ሙሉ ምግብ አይደለም ይማሩት 🧂

ሂሳብ አስፈላጊ ነው፣ ነገር ግን ጊዜ የበለጠ አስፈላጊ ነው።

ለመጀመር ዝቅተኛው ተግባራዊ የሂሳብ ስሌት፡

  • መስመራዊ አልጀብራ ፡ ቬክተሮች፣ ማትሪክስ፣ የነጥብ ውጤቶች (ለመክተት ግንዛቤ)። [2]

  • ካልኩለስ፡- የመነጨ ውስጣዊ ስሜት (ቁልቁለቶች → ቅልመት)። [1]

  • ፕሮባቢሊቲ ፡ ስርጭቶች፣ ግምት፣ መሰረታዊ የቤይስ-ኢሽ አስተሳሰብ። [1]

በኋላ ላይ የበለጠ መደበኛ የሆነ የጀርባ አጥንት ከፈለጉ፣ ለመሠረታዊ ነገሮች እና ለዘመናዊ ርዕሶች የMIT መግቢያ ጥልቅ ትምህርት ማስታወሻዎችን ያንብቡ። [1][2]

ምን እያደረጉ እንደሆነ የሚያውቁ እንዲመስሉ የሚያደርጉ ፕሮጀክቶች 😄

በአሻንጉሊት የውሂብ ስብስቦች ላይ ብቻ ክላሲፋየሮችን ከገነቡ፣ እንደተጣበቁ ይሰማዎታል። እውነተኛ ስራ የሚመስሉ ፕሮጀክቶችን ይሞክሩ፦

  • መሰረታዊ-የመጀመሪያ ML ፕሮጀክት (scikit-learn): ንፁህ መረጃ → ጠንካራ የመነሻ መስመር → የስህተት ትንተና። [3]

  • LLM + retriever app: docs ingest → chunk → embed → retriever → ማጣቀሻዎችን በመጠቀም መልሶችን ያመነጫል።

  • የሞዴል ክትትል ሚኒ-ዳሽቦርድ ፡ የምዝግብ ማስታወሻዎች/ውጤቶች፤ የትራክ ተንሸራታች-ኢሽ ምልክቶች (ቀላል ስታቲስቲክስ እንኳን ይረዳሉ)።

  • ኃላፊነት የሚሰማው የAI አነስተኛ ኦዲት ፡ የሰነድ አደጋዎች፣ የጠርዝ ጉዳዮች፣ የውድቀት ተጽዕኖዎች፤ ቀላል ክብደት ያለው ማዕቀፍ ይጠቀሙ። [5]

ኃላፊነት የሚሰማው እና ተግባራዊ ማሰማራት (አዎ፣ ለነጠላ ገንቢዎችም ጭምር) 🧯

የእውነታ ማረጋገጫ፡ አስደናቂ ማሳያዎች ቀላል ናቸው፤ አስተማማኝ ስርዓቶች ግን አይደሉም።

  • አጭር "የሞዴል ካርድ" አይነት README ያስቀምጡ፡ የውሂብ ምንጮች፣ መለኪያዎች፣ የታወቁ ገደቦች፣ የዘመነ ጊዜ።

  • መሰረታዊ የመከላከያ መንገዶችን ያክሉ (የዋጋ ገደቦች፣ የግብዓት ማረጋገጫ፣ አላግባብ መጠቀምን መከታተል)።

  • ለተጠቃሚው ለሚያጋጥመው ወይም ለሚያስከትለው ማንኛውም ነገር፣ አደጋን መሰረት ያደረገ አካሄድ ይጠቀሙ፡ ጉዳቶችን ይለዩ፣ የጠርዝ ጉዳዮችን ይፈትሹ እና የሰነድ ቅነሳዎችን ያድርጉ። የNIST AI RMF ለዚህ በትክክል የተገነባ ነው። [5]

የተለመዱ ወጥመዶች (ከእነሱ ለመሸሽ) 🧨

  • የመማሪያ መዝለል - "አንድ ተጨማሪ ኮርስ ብቻ" ሙሉ ስብዕናዎ ይሆናል።

  • በጣም አስቸጋሪ ከሆነው ርዕስ ጀምሮ - ትራንስፎርመሮች ጥሩ ናቸው፣ ነገር ግን መሰረታዊ ነገሮች ኪራይ ይከፍላሉ።

  • ግምገማን ችላ ማለት - ትክክለኛነት ብቻውን ቀጥተኛ ፊት ላይ ሊወድቅ ይችላል። ለስራው ትክክለኛውን መለኪያ ይጠቀሙ። [3]

  • ነገሮችን አለመጻፍ - አጫጭር ማስታወሻዎችን ይያዙ፡ ያልተሳካው፣ የተለወጠው፣ የተሻሻለው።

  • የማሰማራት ልምምድ የለም - ቀላል የመተግበሪያ መጠቅለያ እንኳን ብዙ ያስተምራል።

  • የአደጋ አስተሳሰብን መዝለል - ከመላክዎ በፊት ሊከሰቱ ስለሚችሉ ጉዳቶች ሁለት ጥይቶችን ይፃፉ። [5]

የመጨረሻ አስተያየቶች - በጣም ረጅም ነው፣ አላነበብኩትም 😌

AIን እንዴት መማር እንደሚቻል እየጠየቁ ከሆነ ፣ በጣም ቀላሉ አሸናፊ የምግብ አሰራር ይኸውልዎት

  • በእጅ በሚሰራ የML መሰረታዊ ነገሮች (የታመቀ መግቢያ + የካግል አይነት ልምምድ) ይጀምሩ

  • እውነተኛ የML የስራ ፍሰቶችን እና መለኪያዎችን ለመማር scikit-learnን ይጠቀሙ

  • ለጥልቅ ትምህርት እና የሥልጠና ዙሮች ወደ PyTorch

  • የኤልኤልኤም ክህሎቶችን በተግባራዊ ኮርስ እና ፈጣን የኤፒአይ ጅምር ያክሉ

  • ከ3-5 ፕሮጀክቶችን ይገንቡ ፦ የውሂብ ዝግጅት፣ ሞዴሊንግ፣ ግምገማ እና ቀላል “የምርት” መጠቅለያ።

  • አደጋ/አስተዳደርን እንደ “ተከናውኗል” አካል አድርገው ይቁጠሩት

አዎ፣ አንዳንድ ጊዜ የጠፋብህ ስሜት ይሰማሃል። ያ የተለመደ ነው። የአዕምሮ ንቃት (AI) ልክ እንደ ቶስተር ማንበብን ማስተማር ነው - ሲሰራ አስደናቂ ነው፣ ሲሰራ ግን ትንሽ አስፈሪ ነው፣ እና ማንም ሰው ከሚቀበለው በላይ ብዙ ድግግሞሽ ይጠይቃል 😵💫

ማጣቀሻዎች

[1] የስታንፎርድ CS229 የትምህርት ማስታወሻዎች። (ዋና የኤምኤል መሠረታዊ ነገሮች፣ ክትትል የሚደረግበት ትምህርት፣ ፕሮባቢሊስቲክ ፍሬሚንግ)።
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191፡ የጥልቅ ትምህርት መግቢያ። (ጥልቅ ትምህርት አጠቃላይ እይታ፣ ዘመናዊ ርዕሶች LLMsን ጨምሮ)።
https://introtodeeplearning.com/

[3] scikit-learn: የሞዴል ግምገማ እና መለኪያዎች። (ትክክለኛነት፣ ትክክለኛነት/ሪካክ፣ ROC-AUC፣ ወዘተ.)።
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] የፓይቶርክ አጋዥ ስልጠናዎች - መሰረታዊ ነገሮችን ይማሩ። (ቴነሮች፣ የውሂብ ስብስቦች/የውሂብ ጫኚዎች፣ የስልጠና/የኢቫል ሉፖች)።
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] የNIST AI የአደጋ አስተዳደር ማዕቀፍ (AI RMF 1.0)። (በአደጋ ላይ የተመሰረተ፣ አስተማማኝ የAI መመሪያ)።
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

ተጨማሪ ግብዓቶች (ጠቅ ሊደረግ የሚችል)

የቅርብ ጊዜውን የ AI ኦፊሴላዊ የ AI ረዳት መደብር ያግኙ

ስለ እኛ

ወደ ጦማር ተመለስ