Deep Learning Fundamentals

Get the core ideas and set up right.

1. Next up

   ChatGPT's neural network: how layered processing works

   ეს გაკვეთილი განმარტავს, თუ როგორ მუშაობს ChatGPT-ის საფუძველში არსებული ნეირონული ქსელი. თქვენ გაიგებთ, რომ AI არ არის 'ხელოვნური ტვინი', არამედ მრავალსაფეხურიანი გადამუშავების სისტემა, რომელიც ღრმად ამუშავებს ინფორმაციას და არა მხოლოდ ზედაპირულად.

   3 minFreeStart
2. Weights in neural networks: how AI sets priorities

   ეს გაკვეთილი განმარტავს ნეირონული ქსელების ერთ-ერთ ფუნდამენტურ კონცეფციას — წონებს. თქვენ შეისწავლით, თუ როგორ მოქმედებს წონები AI მოდელის გადაწყვეტილების მიღებაზე, Gmail-ის სპამფილტრის მაგალითზე დაყრდნობით, და გაეცნობით მათ რეალურ გამოყენებას სხვადასხვა სფეროში.

   6 min
3. Learning from errors: how neural networks improve predictions

   ეს გაკვეთილი განმარტავს, თუ როგორ სწავლობს ნეირონული ქსელი შეცდომებზე, საკუთარი პროგნოზების რეალურ შედეგებთან შედარებით. Netflix-ის მაგალითზე განვიხილავთ, თუ როგორ იხვეწება AI მოდელი მუდმივი უკუკავშირის საფუძველზე და რატომ არის შეცდომა სწავლის განუყოფელი ნაწილი.

   3 min
4. Deep layers: how AI builds understanding from simple to complex

   ეს გაკვეთილი განმარტავს ღრმა ფენების კონცეფციას ნეირონულ ქსელებში, თუ როგორ ამუშავებენ ისინი ვიზუალურ ინფორმაციას მარტივი ნიშნებიდან რთულ კონცეფციებამდე. Google Photos-ის მაგალითზე ვნახავთ, როგორ იყენებს AI ამ პრინციპს ობიექტების, ადგილების და ადამიანების ამოსაცნობად, რაც საფუძვლად უდევს „ჭკვიან ძიებას“ და სხვა პრაქტიკულ გამოყენებებს.

   3 min
5. Nonlinear patterns: how deep learning powers Google Maps

   ამ გაკვეთილში შეისწავლით, თუ რატომ არის რეალური სამყაროს სირთულე არახაზოვანი და როგორ იყენებენ ნეირონული ქსელები არახაზოვან გარდაქმნებს ამ სირთულეების გასაშიფრად. Google Maps-ის მაგალითზე დავინახავთ, თუ როგორ შეუძლია Deep Learning-ს მრავალი ურთიერთდაკავშირებული ფაქტორის ანალიზი ზუსტი პროგნოზების გასაკეთებლად.

   3 min
6. Deep learning vs. classical models: when each approach fits

   ეს გაკვეთილი გეხმარებათ გაიგოთ, როდის არის Deep Learning-ის გამოყენება გამართლებული და როდის არა. შეისწავლით ძირითად კრიტერიუმებს, რომლებიც გავლენას ახდენს AI ტექნოლოგიის არჩევანზე, და გაარჩევთ Deep Learning-ის ძლიერ მხარეებს კლასიკური მანქანური სწავლების უპირატესობებისგან კონკრეტული ამოცანების კონტექსტში.

   3 min

Apply what you learn on real tasks.

1. CNN and image perception: the visual logic behind Midjourney

   ამ გაკვეთილში შეისწავლით Convolutional Neural Network (CNN) არქიტექტურას, რომელიც სურათებთან მუშაობის ერთ-ერთი ყველაზე ეფექტური მეთოდია. გაიგებთ, როგორ 'ხედავს' AI გამოსახულებას ნაწილებად და აერთიანებს მათ მთლიან ვიზუალურ მნიშვნელობად, Midjourney-ის მაგალითზე.

   6 min
2. Face ID and CNN: recognizing facial structure across conditions

   ამ გაკვეთილში შეისწავლით, თუ როგორ იყენებს კონვოლუციური ნეირონული ქსელი (CNN) სტრუქტურულ შაბლონებს ობიექტების ამოსაცნობად, მიუხედავად მათი მდებარეობის, კუთხისა თუ განათების ცვლილებებისა. Face ID-ის მაგალითზე გაიგებთ, თუ რატომ არის სახის ნაწილების ურთიერთგანლაგება უფრო მნიშვნელოვანი, ვიდრე ერთი კონკრეტული კადრი.

   6 min
3. Sequences in deep learning: why order matters

   ეს გაკვეთილი განიხილავს მიმდევრობის კონცეფციას Deep Learning-ში, ხაზს უსვამს ელემენტების რიგის გადამწყვეტ მნიშვნელობას ტექსტში, ხმაში და დროში განლაგებულ მონაცემებში. ჩვენ შევისწავლით, თუ როგორ უმკლავდება AI ამ ამოცანებს და რა რეალური გამოყენება აქვს მას.

   3 min
4. Attention mechanism: how Google Translate weighs context

   ამ გაკვეთილში შეისწავლით ყურადღების მექანიზმის კონცეფციას Deep Learning-ში, განსაკუთრებით მიმდევრობების დამუშავებისას. გაიგებთ, თუ როგორ ეხმარება ეს მექანიზმი AI მოდელებს, დინამიკურად გაამახვილონ ყურადღება კონტექსტის ყველაზე მნიშვნელოვან ნაწილებზე, რაც აუმჯობესებს თარგმანის, შეჯამებისა და ჩატბოტების მუშაობას.

   6 min
5. Transformer architecture: the engine behind ChatGPT

   ეს გაკვეთილი შეისწავლის Transformer არქიტექტურას, რომელმაც რევოლუცია მოახდინა ტექსტურ Deep Learning-ში. გაიგებთ, როგორ აკავშირებს ის ტექსტის სხვადასხვა ნაწილს ყურადღების მექანიზმის მეშვეობით და როგორ უდევს საფუძვლად ChatGPT-ის მსგავს სისტემებს.

   6 min

Build something that is truly yours.

1. Tokens and generation: how ChatGPT builds responses step by step

   ეს გაკვეთილი განმარტავს, თუ როგორ აგებს ChatGPT პასუხებს ტოკენ-ტოკენ, ნაცვლად მთლიანი ტექსტის ერთიანად გენერირებისა. შეისწავლით ტოკენების მნიშვნელობას, Prompt-ის მცირე ცვლილებების დიდ გავლენას და ამ პროცესის რეალურ გამოყენებას.

   6 min
2. Embeddings: the hidden map behind YouTube recommendations

   ეს გაკვეთილი გიჩვენებთ, როგორ იყენებს AI ემბედინგებს მომხმარებლებისა და კონტენტის ფარული მსგავსებების აღმოსაჩენად. გაიგებთ, თუ როგორ ქმნის ეს მრავალგანზომილებიანი „გემოვნების რუკა“ პერსონალიზებულ რეკომენდაციებს ისეთ პლატფორმებზე, როგორიცაა YouTube და Spotify, სცილდება რა მარტივ კატეგორიებს.

   3 min
3. Siri's voice model: from audio signal to intent

   ეს გაკვეთილი განიხილავს, თუ როგორ ამუშავებენ AI სისტემები, როგორიცაა Siri, ადამიანის ხმას. ჩვენ შევისწავლით ხმის სიგნალის სირთულეს, Deep Learning-ის როლს ამ სირთულეებთან გამკლავებაში და იმ ორდონიან პროცესს, რომლითაც ხმოვანი ასისტენტები არა მხოლოდ ამოიცნობენ ნათქვამს, არამედ მის განზრახვასაც იგებენ.

   6 min
4. Generative models: how Midjourney creates new images

   ეს გაკვეთილი განიხილავს, თუ როგორ მუშაობს გენერაციული Deep Learning მოდელები, როგორიცაა Midjourney. ჩვენ შევისწავლით, რომ ისინი არ კოპირებენ არსებულ სურათებს, არამედ აგებენ სრულიად ახალ ვიზუალურ კომბინაციებს ნასწავლი ნიმუშებიდან. გაკვეთილი ასევე მოიცავს მათ პრაქტიკულ გამოყენებას და გავრცელებულ მცდარ წარმოდგენებს.

   6 min
5. Deep learning in business: deciding when it's worth it

   ეს გაკვეთილი განიხილავს Deep Learning-ის (ღრმა სწავლების) გამოყენების ბიზნეს-გადაწყვეტილებებს. შეისწავლით, თუ რა ფაქტორები უნდა გაითვალისწინოთ ამ მძლავრი ტექნოლოგიის დანერგვისას, როდის არის ის ყველაზე ეფექტური და როდის სჯობს უფრო მარტივი მიდგომების არჩევა.

   9 min