Si të filloni me Mësimin e Thellë duke përdorur burime falas? Një udhëzues praktik

Mësimi i thellë, si një pjesë thelbësore e fushës së inteligjencës artificiale, po ndryshon jetën dhe punën tonë me një shpejtësi të paprecedentë. Nga vetë-drejtimi i makinave te diagnostikimi mjekësor dhe përpunimi i gjuhës natyrore, aplikimet e mësimit të thellë janë kudo. Megjithatë, për fillestarët, njohuritë teorike dhe operacionet praktike të mësimit të thellë mund të duken disi të frikshme. Për fat të mirë, ka shumë burime falas në internet që mund të na ndihmojnë të fillojmë lehtësisht. Ky artikull do të organizojë një udhëzues praktik për fillimin e mësimit të thellë bazuar në diskutimet në X/Twitter, duke ju ndihmuar të zotëroni gradualisht konceptet dhe aftësitë thelbësore të mësimit të thellë nga e para.

1. Kuptoni bazat e mësimit të thellë

Është thelbësore të kuptoni konceptet bazë të mësimit të thellë përpara se të hyni në praktikë. Siç thekson @@techhybrindia, AI nuk është vetëm të dhëna dhe algoritme, por gjithashtu kërkon fuqi të fortë llogaritëse. Modelet e mësimit të thellë kërkojnë sasi të mëdha të burimeve GPU ose TPU, si dhe sasi të mëdha memorie dhe aftësi të shpejta llogaritëse për t'u trajnuar. Prandaj, kuptimi i këtyre bazave harduerike është thelbësor për të kuptuar shkallën dhe kompleksitetin e mësimit të thellë.

Konceptet kryesore:

• Rrjetet nervore (Neural Networks): Baza e mësimit të thellë, duke imituar mënyrën se si lidhen neuronet e trurit të njeriut.
• Thellësia (Depth): I referohet numrit të shtresave në një rrjet nervor. Sa më shumë shtresa, aq më komplekse janë veçoritë që modeli mund të mësojë.
• Përhapja e kundërt (Backpropagation): Algoritmi thelbësor për trajnimin e rrjeteve nervore, i përdorur për të përditësuar peshat në rrjet.
• Funksionet e aktivizimit (Activation Functions): Futin jo-linearitet, duke i mundësuar rrjeteve nervore të mësojnë modele komplekse. Për shembull, ReLU, Sigmoid, Tanh etj.
• Funksionet e humbjes (Loss Functions): Matin hendekun midis rezultateve të parashikuara të modelit dhe rezultateve aktuale, të përdorura për të optimizuar parametrat e modelit. Për shembull, gabimi mesatar katror (MSE), humbja e entropisë së kryqëzuar (Cross-Entropy Loss) etj.
• Optimizuesit (Optimizers): Përdoren për të përditësuar parametrat e modelit dhe për të zvogëluar vlerën e funksionit të humbjes. Për shembull, zbritja e gradientit (Gradient Descent), Adam, SGD etj.

Burime falas për të mësuar:

• Libra:

  • @@khushabu_27, @@swapnakpanda, @@Shruti_0810 ndanë libra falas AI & ML të ofruara nga MIT, ku "Understanding Deep Learning" është një lexim shumë i mirë hyrës.
    • Understanding Deep Learning: Ky libër prezanton në mënyrë të detajuar të gjitha aspektet e mësimit të thellë, nga konceptet bazë deri te teknikat e avancuara.
    • Foundations of Machine Learning: Ky libër mbulon teorinë themelore të mësimit të makinës, e cila është shumë e dobishme për të kuptuar parimet e mësimit të thellë.
  • @@KirkDBorne rekomandoi "Why Machines Learn — The Elegant Math Behind Modern AI" dhe "Deep Learning Foundations and Concepts", të cilët mund t'ju ndihmojnë të kuptoni mësimin e thellë nga një këndvështrim matematik.

• Kurse online:

  • @@shamimai1 rekomandoi kurse falas të ofruara nga Google, si p.sh. "Understanding machine learning" dhe "Introduction to Large Language Models", të cilat mund t'ju ndihmojnë të kuptoni shpejt konceptet bazë të mësimit të thellë dhe LLM.
  • @@mehmetsongur_ ndau videot e kursit të Mësimit të Thellë të MIT, të cilat mund të shihen në Youtube. MIT Deep Learning Course## 2. Ngritja e një ambienti të thellë të të mësuarit

Për të praktikuar të mësuarit e thellë, së pari duhet të krijoni një mjedis të përshtatshëm zhvillimi. Kornizat e zakonshme të të mësuarit të thellë përfshijnë TensorFlow dhe PyTorch.

Hapat:

1. Instaloni Python: Të mësuarit e thellë përdor kryesisht gjuhën Python për zhvillim. Rekomandohet të instaloni Python 3.6 ose më të lartë.
2. Instaloni TensorFlow ose PyTorch:
   • TensorFlow:

     pip install tensorflow
     # Nëse makina juaj ka një NVIDIA GPU dhe CUDA dhe cuDNN janë instaluar tashmë, mund të instaloni versionin GPU të TensorFlow
     # pip install tensorflow-gpu
     

   • PyTorch:

     # Zgjidhni komandën e duhur të instalimit bazuar në sistemin tuaj operativ dhe versionin CUDA, për shembull:
     pip install torch torchvision torchaudio
     # Rekomandohet të vizitoni faqen zyrtare të PyTorch (https://pytorch.org/) për të marrë komandat më të fundit të instalimit
     

3. Instaloni bibliotekat e tjera të nevojshme: Për shembull, NumPy, Pandas, Matplotlib, etj.

   pip install numpy pandas matplotlib scikit-learn
   

4. Përdorni Jupyter Notebook ose Google Colab: Jupyter Notebook ofron një mjedis interaktiv programimi, i cili është shumë i përshtatshëm për eksperimente dhe të mësuar të thellë. Google Colab ofron burime falas GPU, duke ju lejuar të kryeni trajnime të thella të të mësuarit në cloud.

3. Praktikë praktike: Ndërtoni modelin tuaj të parë të të mësuarit të thellë

Të mësuarit teorik është i rëndësishëm, por më e rëndësishme është praktika praktike. Më poshtë është një shembull i thjeshtë, duke përdorur Keras (API e nivelit të lartë të TensorFlow) për të ndërtuar një model të thellë të të mësuarit për klasifikimin e imazheve:

Hapat:

1. Importo libraritë e nevojshme:

   import tensorflow as tf
   from tensorflow import keras
   from tensorflow.keras import layers
   import matplotlib.pyplot as plt
   

2. Ngarko datasetin: Përdor datasetin e integruar MNIST të Keras (imazhe të shkrimit të dorës).

   (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
   

3. Parapërpunimi i të dhënave: Normalizo të dhënat e imazheve midis 0-1.

   x_train = x_train.astype("float32") / 255.0
   x_test = x_test.astype("float32") / 255.0
   

4. Ndërto modelin: Përdor Keras Sequential API për të ndërtuar një model të thjeshtë CNN.

   model = keras.Sequential(
       [
           keras.Input(shape=(28, 28, 1)),
           layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
           layers.MaxPooling2D(pool_size=(2, 2)),
           layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
           layers.MaxPooling2D(pool_size=(2, 2)),
           layers.Flatten(),
           layers.Dropout(0.5),
           layers.Dense(10, activation="softmax"),
       ]
   )
   model.summary() # Printo strukturën e modelit
   

5. Përpilo modelin: Konfiguro optimizuesin, funksionin e humbjes dhe metrikën e vlerësimit.

   model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
   

6. Trajno modelin:

   batch_size = 128
   epochs = 10
   model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
   

7. Vlerëso modelin:

   score = model.evaluate(x_test, y_test, verbose=0)
   print("Test loss:", score[0])
   print("Test accuracy:", score[1])
   

8. Shfaq rezultatet

   # Vizualizo disa rezultate të parashikimit të setit të testit
   predictions = model.predict(x_test[:10])
   predicted_labels = [tf.argmax(prediction).numpy() for prediction in predictions]
   ```## 3. Vlerësimi i Modelit
   

Pas trajtimit të modelit, është e nevojshme të vlerësohet performanca e tij në të dhënat e testimit. Kjo mund të bëhet duke përdorur metrika të ndryshme, si saktësia, precizioni, rikthimi dhe rezultati F1.

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# Parashikoni etiketat në të dhënat e testimit
predicted_labels = model.predict(x_test)

# Llogarit saktësinë
accuracy = accuracy_score(y_test, predicted_labels)
print(f\Mësimi i thellë është një fushë plot mundësi dhe sfida. Duke shfrytëzuar burimet falas, duke ndërtuar një mjedis të përshtatshëm zhvillimi dhe duke insistuar në praktikë, ju gjithashtu mund të zotëroni konceptet dhe aftësitë thelbësore të mësimit të thellë dhe t'i aplikoni ato në probleme praktike. Shpresojmë që ky artikull t'ju ndihmojë të futeni me sukses në mësimin e thellë dhe të ecni gjithnjë e më larg në rrugën e inteligjencës artificiale!