learning
1.0.0
บันทึกการทำงานที่ฉันกำลังเรียนรู้เพื่อสร้างทักษะทางวิศวกรรมซอฟต์แวร์หลักที่แข็งแกร่ง ในขณะเดียวกันก็เพิ่มพูนความรู้เกี่ยวกับเทคโนโลยีที่อยู่ติดกันวันละนิดทุกวัน
อัปเดต : เดือนละครั้ง | ประเด็น ปัจจุบัน : เจเนอเรทีฟ เอไอ
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: การเขียนโค้ด Python ที่มีประสิทธิภาพ | |
| Datacamp: การเขียนฟังก์ชั่นใน Python | |
| Datacamp: การเขียนโปรแกรมเชิงวัตถุใน Python | |
| Datacamp: การเขียนโปรแกรมเชิงวัตถุระดับกลางใน Python | |
| Datacamp: การนำเข้าข้อมูลใน Python (ตอนที่ 1) | |
| Datacamp: การนำเข้าข้อมูลใน Python (ตอนที่ 2) | |
| Datacamp: Python ระดับกลางสำหรับวิทยาศาสตร์ข้อมูล | |
| Datacamp: กล่องเครื่องมือ Python Data Science (ตอนที่ 1) | |
| Datacamp: กล่องเครื่องมือ Python Data Science (ตอนที่ 2) | |
| Datacamp: การพัฒนาแพ็คเกจ Python | |
| Datacamp: สิ่งจำเป็นของ Conda | |
| Youtube: บทช่วยสอน: Sebastian Witowski - ชุดเครื่องมือสำหรับนักพัฒนา Python ยุคใหม่ | |
| Datacamp: การทำงานกับวันที่และเวลาใน Python | |
| Datacamp: การทำงานอัตโนมัติของบรรทัดคำสั่งใน Python | |
| Datacamp: การทดสอบหน่วยสำหรับ Data Science ใน Python | |
| หนังสือ: Python 201 | |
| หนังสือ: การเขียนสำนวน Python 3 | |
| หนังสือ: การพัฒนาแบบทดสอบด้วย Python | |
| บทความ: ยูทิลิตี้บรรทัดคำสั่งมากมายของ Python | |
| บทความ: บทนำของโปรแกรมเมอร์เกี่ยวกับ Unicode | |
| บทความ: รู้เบื้องต้นเกี่ยวกับการสร้างโปรไฟล์หน่วยความจำใน Python | |
| บทความ: การทำโปรไฟล์โค้ด Python ด้วย memory_profiler | |
| บทความ: วิธีใช้ "memory_profiler" กับการใช้หน่วยความจำโปรไฟล์ด้วยรหัส Python |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| หนังสือ: อัลกอริทึม Grokking | |
| หนังสือ: The Tech Resume Inside Out | |
| Neetcode: อัลกอริทึมและโครงสร้างข้อมูลสำหรับผู้เริ่มต้น | |
| Udacity: ข้อมูลเบื้องต้นเกี่ยวกับโครงสร้างข้อมูลและอัลกอริทึม |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับเชลล์สำหรับวิทยาศาสตร์ข้อมูล | |
| Datacamp: บทนำเกี่ยวกับการเขียนสคริปต์ Bash | |
| Datacamp: การประมวลผลข้อมูลในเชลล์ | |
| MIT: ภาคการศึกษาที่หายไป | |
| Udacity: พื้นฐานบรรทัดคำสั่ง Linux | |
| Udacity: เวิร์กช็อปเชลล์ | |
| Udacity: การกำหนดค่าเว็บเซิร์ฟเวอร์ Linux |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Udacity: การควบคุมเวอร์ชันด้วย Git | |
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับ Git สำหรับวิทยาศาสตร์ข้อมูล | |
| Udacity: GitHub และการทำงานร่วมกัน | |
| Udacity: วิธีใช้ Git และ GitHub |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Udacity: ข้อมูลเบื้องต้นเกี่ยวกับฐานข้อมูลเชิงสัมพันธ์ | |
| Udacity: แนวคิดและการออกแบบระบบฐานข้อมูล | |
| Datacamp: การออกแบบฐานข้อมูล | |
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับฐานข้อมูลใน Python | |
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ SQL สำหรับวิทยาศาสตร์ข้อมูล | |
| Datacamp: SQL ระดับกลาง | |
| Datacamp: การเข้าร่วมข้อมูลใน PostgreSQL | |
| Udacity: SQL สำหรับการวิเคราะห์ข้อมูล | |
| Datacamp: การวิเคราะห์ข้อมูลเชิงสำรวจใน SQL | |
| Datacamp: การใช้ SQL กับปัญหาในโลกแห่งความเป็นจริง | |
| Datacamp: การวิเคราะห์ข้อมูลธุรกิจใน SQL | |
| Datacamp: การรายงานใน SQL | |
| Datacamp: การตัดสินใจที่ขับเคลื่อนด้วยข้อมูลใน SQL | |
| Datacamp: แนวคิด NoSQL | |
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ MongoDB ใน Python |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Udacity: การรับรองความถูกต้องและการอนุญาต: OAuth | |
| Udacity: HTTP และเว็บเซิร์ฟเวอร์ | |
| Udacity: การสื่อสารไคลเอนต์-เซิร์ฟเวอร์ | |
| Udacity: การออกแบบ RESTful API | |
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ API ใน Python | |
| Udacity: ระบบเครือข่ายสำหรับนักพัฒนาเว็บ |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| หนังสือ: การออกแบบระบบการเรียนรู้ของเครื่อง | |
| Neetcode: การออกแบบระบบสำหรับผู้เริ่มต้น | |
| Neetcode: สัมภาษณ์การออกแบบระบบ | |
| Datacamp: การวิเคราะห์ลูกค้าและการทดสอบ A/B ใน Python | |
| Datacamp: การทดสอบ A/B ใน Python | |
| Udacity: การทดสอบ A/B | |
| Datacamp: แนวคิด MLOps | |
| Datacamp: แนวคิดการตรวจสอบการเรียนรู้ของเครื่อง |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: รากฐานของความน่าจะเป็นใน Python | |
| Datacamp: สถิติเบื้องต้น | |
| Datacamp: สถิติเบื้องต้นใน Python | |
| Datacamp: การทดสอบสมมติฐานใน Python | |
| Datacamp: การคิดเชิงสถิติใน Python (ตอนที่ 1) | |
| Datacamp: การคิดเชิงสถิติใน Python (ตอนที่ 2) | |
| Datacamp: การออกแบบเชิงทดลองใน Python | |
| Datacamp: ฝึกคำถามสัมภาษณ์ทางสถิติใน Python | |
| edX: สถิติที่จำเป็นสำหรับการวิเคราะห์ข้อมูลโดยใช้ Excel | |
| Udacity: ข้อมูลเบื้องต้นเกี่ยวกับสถิติเชิงอนุมาน | |
| MIT 18.06 พีชคณิตเชิงเส้น ฤดูใบไม้ผลิ 2548 | |
| Udacity: Eigenvectors และ Eigenvalues | |
| Udacity: ทบทวนพีชคณิตเชิงเส้น | |
| Youtube : แก่นแท้ของพีชคณิตเชิงเส้น |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Codecademy: เรียนรู้ HTML | |
| Codecademy: สร้างเว็บไซต์ | |
| บทความ: ข้อความแสดงแทน |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Pluralsight: การวางตำแหน่ง CSS | |
| Pluralsight: ความรู้เบื้องต้นเกี่ยวกับ CSS | |
| Pluralsight: CSS: ความเฉพาะเจาะจง โมเดลกล่อง และแนวทางปฏิบัติที่ดีที่สุด | |
| Pluralsight: CSS: การใช้ Flexbox สำหรับเค้าโครง | |
| Code School: ระเบิดความมันส์ด้วย Bootstrap | |
| Pluralsight: พื้นฐาน UX | |
| Codecademy: เรียนรู้ SASS | |
| CSS สำหรับนักพัฒนา Javascript | |
| Article: สร้างภาพประกอบในการออกแบบ Figma | |
| หนังสือ: การรีแฟคเตอร์ UI | |
| Youtube: วิธีทำให้เว็บไซต์ของคุณไม่น่าเกลียด: UX พื้นฐานสำหรับโปรแกรมเมอร์ |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Udacity: ES6 - ปรับปรุง JavaScript แล้ว | |
| Udacity: ข้อมูลเบื้องต้นเกี่ยวกับ Javascript | |
| Udacity: เชิงวัตถุ JS 1 | |
| Udacity: เชิงวัตถุ JS 2 | |
| Udemy: ทำความเข้าใจกับ typescript | |
| Codecademy: เรียนรู้ JavaScript | |
| Codecademy: ติดตาม Jquery | |
| Pluralsight: การใช้เครื่องมือสำหรับนักพัฒนาซอฟต์แวร์ Chrome |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: ภาพรวมของอัลกอริธึมการเพิ่มประสิทธิภาพการไล่ระดับสี | |
| หนังสือ: การเรียนรู้ของเครื่องแบบลงมือปฏิบัติด้วย Scikit-Learn, Keras และ TensorFlow ฉบับพิมพ์ครั้งที่ 2 | |
| หนังสือ: ไพรเมอร์แมชชีนเลิร์นนิง | |
| หนังสือ: สร้างโครงข่ายประสาทเทียมของคุณเอง | |
| หนังสือ: Grokking Machine Learning | |
| หนังสือ: คู่มือภาพประกอบ StatQuest สำหรับการเรียนรู้ของเครื่อง | |
| Fast.ai: การเรียนรู้เชิงลึกเชิงปฏิบัติสำหรับ Coder (ตอนที่ 1) | |
| Fast.ai: การเรียนรู้เชิงลึกเชิงปฏิบัติสำหรับ Coder (ตอนที่ 2) | |
| Datacamp: วิธีการทั้งมวลใน Python | |
| Datacamp: การไล่ระดับสีขั้นสุดยอดด้วย XGBoost | |
| Datacamp: วิธีการจัดกลุ่มด้วย SciPy | |
| Datacamp: การเรียนรู้แบบไม่มีผู้ดูแลใน Python | |
| Udacity: การแบ่งส่วนและการจัดกลุ่ม | |
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ Python สำหรับวิทยาศาสตร์ข้อมูล | |
| edX: การใช้การวิเคราะห์เชิงคาดการณ์ด้วย Spark ใน Azure HDInsight | |
| Datacamp: Supervised Learning ด้วย scikit-learn | |
| Datacamp: การเรียนรู้ของเครื่องด้วยโมเดลแบบต้นไม้ใน Python | |
| Datacamp: ตัวแยกประเภทเชิงเส้นใน Python | |
| Datacamp: โครงข่ายประสาทเทียมแบบ Convolutional สำหรับการประมวลผลภาพ | |
| Datacamp: การตรวจสอบโมเดลใน Python | |
| Datacamp: การปรับแต่งไฮเปอร์พารามิเตอร์ใน Python | |
| Datacamp: การวิเคราะห์ทรัพยากรบุคคลใน Python: การทำนายการเลิกจ้างของพนักงาน | |
| Datacamp: การทำนายการเลิกใช้งานของลูกค้าใน Python | |
| Datacamp: การลดขนาดใน Python | |
| Datacamp: การประมวลผลล่วงหน้าสำหรับการเรียนรู้ของเครื่องใน Python | |
| Datacamp: ประเภทข้อมูลสำหรับวิทยาศาสตร์ข้อมูล | |
| Datacamp: การล้างข้อมูลใน Python | |
| Datacamp: วิศวกรรมฟีเจอร์สำหรับการเรียนรู้ของเครื่องใน Python | |
| Datacamp: ทำนาย CTR ด้วย Machine Learning ใน Python | |
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับแนวคิดทางการเงินโดยใช้ Python | |
| Datacamp: การตรวจจับการฉ้อโกงใน Python | |
| Karpathy: โครงข่ายประสาทเทียม: Zero to Hero | |
| บทความ: การเริ่มต้นน้ำหนักในโครงข่ายประสาทเทียม: การเดินทางจากพื้นฐานสู่ Kaiming |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| หนังสือ: การประมวลผลภาษาธรรมชาติด้วย Transformers | |
| Stanford CS224U: ความเข้าใจภาษาธรรมชาติ | ฤดูใบไม้ผลิ 2019 | |
| Stanford CS224N: Stanford CS224N: NLP พร้อมการเรียนรู้เชิงลึก | ฤดูหนาว 2019 | |
| CMU: Bootcamp NLP ทรัพยากรต่ำ 2020 | |
| CMU Multilingual NLP 2020 | |
| Datacamp: วิศวกรรมฟีเจอร์สำหรับ NLP ใน Python | |
| Datacamp: พื้นฐานการประมวลผลภาษาธรรมชาติใน Python | |
| Datacamp: นิพจน์ปกติใน Python | |
| Datacamp: RNN สำหรับการสร้างแบบจำลองภาษา | |
| Datacamp: การสร้างภาษาธรรมชาติใน Python | |
| Datacamp: การสร้าง Chatbots ใน Python | |
| Datacamp: การวิเคราะห์ความรู้สึกใน Python | |
| Datacamp: การแปลด้วยเครื่องใน Python | |
| บทความ: ประสิทธิผลที่ไม่สมเหตุสมผลของการจัดระเบียบ | |
| บทความ: FuzzyWuzzy: การจับคู่สตริง Fuzzy ใน Python | |
| บทความ: อธิบาย Mamba | |
| บทความ: คู่มือภาพสำหรับแบบจำลอง Mamba และอวกาศของรัฐ | |
| บทความ: พื้นฐานการหาปริมาณด้วยใบหน้ากอด |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: SolidGoldMagikarp (บวก การสร้างพร้อมท์) | |
| DeepLearning.AI: การฝึกอบรม LLM ล่วงหน้า | |
| DeepLearning.AI: โมเดลการแพร่กระจายทำงานอย่างไร | |
Karpathy: ข้อมูลเบื้องต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่ [ 1hr ] | |
Karpathy: มาสร้าง GPT Tokenizer กันเถอะ [ 2hr13m ] | |
Karpathy: มาจำลอง GPT-2 (124M) [ 4hr1m ] กันเถอะ | |
Youtube: คู่มือแฮ็กเกอร์เกี่ยวกับโมเดลภาษา [ 1hr30m ] | |
| Youtube: 5 ปีของ GPT กับ Finbarr Timbers | |
| บทความ: การสุ่มตัวอย่างสำหรับการสร้างข้อความ | |
| DeepLearning.AI: การเรียนรู้แบบเสริมกำลังจากผลตอบรับของมนุษย์ | |
Youtube: LLaMA อธิบาย: KV-Cache, การฝังตำแหน่งแบบโรตารี, RMS Norm, ความสนใจในการสืบค้นแบบกลุ่ม, SwiGLU [ 1h10m ] |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| โมเดลภาษา Transformer ที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการค้นหา - ตอนที่ 1 | |
| โมเดลภาษา Transformer ที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการค้นหา - ตอนที่ 2 | |
| โมเดลภาษา Transformer ที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการค้นหา - ตอนที่ 3 | |
| โมเดลภาษา Transformer ที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการค้นหา - ตอนที่ 4 | |
| ทำความเข้าใจกับดัชนี IVF-PQ ของ LanceDB | |
| การรวมกลุ่มกันเล็กน้อยช่วยได้มากในการแสดงเวกเตอร์หลายตัว | |
| หลักสูตรการดึงข้อมูล Fullstack | |
| บทความ: ระดับความซับซ้อน: แอปพลิเคชัน RAG | |
| บทความ: การปรับปรุง RAG ของคุณอย่างเป็นระบบ | |
| บทความ: หยุดใช้ LGTM@Few เป็นตัวชี้วัด (Better RAG) | |
| บทความ: ผลไม้แขวนต่ำสำหรับการค้นหา RAG | |
| บทความ: สิ่งที่วิศวกร AI ควรรู้เกี่ยวกับการค้นหา | |
| บทความ: การประเมินกลยุทธ์การแยกชิ้นส่วนเพื่อการดึงคืน | |
| บทความ: การฝังประโยค รู้เบื้องต้นเกี่ยวกับการฝังประโยค | |
| DeepLearning.AI: การสร้างและประเมินแอปพลิเคชัน RAG ขั้นสูง | |
| DeepLearning.AI: ฐานข้อมูลเวกเตอร์: ตั้งแต่การฝังไปจนถึงแอปพลิเคชัน | |
| DeepLearning.AI: การดึงข้อมูลขั้นสูงสำหรับ AI ด้วย Chroma | |
| DeepLearning.AI: การบีบอัดแบบทันทีและการเพิ่มประสิทธิภาพแบบสอบถาม | |
DeepLearning.AI: โมเดลภาษาขนาดใหญ่พร้อมการค้นหาความหมาย [ 1hr ] | |
| DeepLearning.AI: การสร้างแอปพลิเคชันด้วยฐานข้อมูลเวกเตอร์ | |
| DeepLearning.AI: การสร้างการค้นหาหลายรูปแบบและ RAG | |
| DeepLearning.AI: กราฟความรู้สำหรับ RAG | |
| DeepLearning.AI: ฟังก์ชัน เครื่องมือ และเอเจนต์ด้วย LangChain | |
| DeepLearning.AI: การสร้าง Agentic RAG ด้วย LlamaIndex | |
| DeepLearning.AI: ระบบเอเจนต์ AI หลายตัวพร้อม CrewAI | |
| DeepLearning.AI: รูปแบบการออกแบบ AI Agentic พร้อม AutoGen | |
| DeepLearning.AI: ตัวแทน AI ใน LangGraph | |
| DeepLearning.AI: สร้างตัวแทนฐานข้อมูลของคุณเอง | |
| DeepLearning.AI: การประมวลผลข้อมูลที่ไม่มีโครงสร้างล่วงหน้าสำหรับแอปพลิเคชัน LLM | |
| DeepLearning.AI: โมเดลการฝัง: จากสถาปัตยกรรมสู่การใช้งาน | |
| Pinecone: ฐานข้อมูลเวกเตอร์ในการผลิตสำหรับวิศวกรที่มีงานยุ่ง | |
| Pinecone: การเรียกค้นรุ่น Augmented | |
| Pinecone: คู่มือ AI ของ LangChain | |
| Pinecone: วิธีการฝังสำหรับการค้นหารูปภาพ | |
| Pinecone: Faiss: คู่มือที่หายไป | |
| Pinecone: การค้นหาเวกเตอร์ในป่า | |
| Pinecone: การประมวลผลภาษาธรรมชาติสำหรับการค้นหาความหมาย | |
| Youtube: การปรับปรุงแอปพลิเคชัน RAG อย่างเป็นระบบ | |
| Youtube: กลับไปสู่พื้นฐานสำหรับ RAG กับ Jo Bergum | |
| Youtube: Beyond the Basics of Recovery for Augmenting Generation (ร่วมกับ Ben Clavié) | |
| Youtube: RAG ตั้งแต่เริ่มต้น | 0/14 |
| บทความ: LambdaMART เชิงลึก | |
| บทความ: การสร้างแนวทางด้วยโครงร่าง |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ : OpenAI Prompt Engineering | |
| บทความ: การกระตุ้นความรู้พื้นฐานและวิธีนำไปใช้อย่างมีประสิทธิผล | |
| หลักสูตรมานุษยวิทยา | |
| บทความ : Prompt Engineering(หลี่เหลียง เวง) | |
| บทความ : Prompt Engineering 201: วิธีการและชุดเครื่องมือขั้นสูง | |
| บทความ: การเพิ่มประสิทธิภาพ LLM เพื่อความถูกต้อง | |
| บทความ: ไพรเมอร์ • พร้อมวิศวกรรม | |
| บทความ: Anyscale Endpoints: โหมด JSON และคุณสมบัติการเรียกใช้ฟังก์ชัน | |
| บทความ: การสร้างข้อความที่แนะนำด้วยโมเดลภาษาขนาดใหญ่ | |
| บทความ: ทางเลือกในการมองเห็น GPT-4 | |
| DeepLearning.AI: ChatGPT พร้อมวิศวกรรมสำหรับนักพัฒนา | |
| DeepLearning.AI: วิศวกรรมที่รวดเร็วสำหรับโมเดลการมองเห็น | |
| DeepLearning.AI: วิศวกรรมที่รวดเร็วด้วย Llama 2 และ 3 | |
| Wandb: วิศวกรรม LLM: ผลลัพธ์ที่มีโครงสร้าง | |
| DeepLearning.AI: การเรียกใช้ฟังก์ชันและการดึงข้อมูลด้วย LLM | |
| ซีรี่ส์: การฉีดพร้อมท์ | |
Youtube: ภาพรวมวิศวกรรมพร้อมท์ [ 1hr4m ] | |
| Youtube: การสร้างแบบมีโครงสร้างด้วย LLM |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: รูปแบบสำหรับการสร้างระบบและผลิตภัณฑ์ที่ใช้ LLM | |
| บทความ: สถาปัตยกรรมเกิดใหม่สำหรับแอปพลิเคชัน LLM | |
| บทความ: ทำอย่างไรให้ LLM ดำเนินไปอย่างรวดเร็ว | |
| บทความ: ในช่องทางด่วน! การถอดรหัสแบบเก็งกำไร - โมเดลขนาดใหญ่กว่า 10 เท่า ไม่มีค่าใช้จ่ายเพิ่มเติม | |
| บทความ: การประสาน Multi-GPU: การปรับขนาดของการอนุมาน LLM อย่างมีประสิทธิภาพ | |
| บทความ: ความสนใจแบบหลายแบบสอบถามคือสิ่งที่คุณต้องการ | |
| บทความ: ชุดเครื่องมือเพิ่มประสิทธิภาพการอนุมานของ Transformers | |
| DeepLearning.AI: ให้บริการ LLM อย่างมีประสิทธิภาพ | |
| DeepLearning.AI: การทดสอบอัตโนมัติสำหรับ LLMOps | |
| DeepLearning.AI: แอปพลิเคชัน Red Teaming LLM | |
| DeepLearning.AI: การประเมินและการดีบักโมเดล AI ทั่วไปโดยใช้น้ำหนักและอคติ | |
| DeepLearning.AI: คุณภาพและความปลอดภัยสำหรับแอปพลิเคชัน LLM | |
| DeepLearning.AI: LLMOps | |
| DeepLearning.AI: แอป LLM ไร้เซิร์ฟเวอร์พร้อม Amazon Bedrock | |
| DeepLearning.AI: การหาปริมาณเชิงลึก | |
| DeepLearning.AI: ข้อมูลเบื้องต้นเกี่ยวกับ AI บนอุปกรณ์ | |
| บทความ: คู่มือเชิงภาพเพื่อการวัดปริมาณ | |
| บทความ: QLoRA และการหาปริมาณ 4 บิต | |
| บทความ: การทำความเข้าใจการหาปริมาณของ AI/LLM ผ่านการแสดงภาพเชิงโต้ตอบ | |
| บทความ: ซีรี่ส์การอนุมาน LLM: 3. อธิบายแคช KV | |
| บทความ: ซีรี่ส์การอนุมาน LLM: 4. แคช KV มองให้ลึกยิ่งขึ้น | |
| บทความ: LLM Inference Series: 5. การแยกวิเคราะห์ประสิทธิภาพของโมเดล | |
| Youtube: SBTB 2023: Charles Frye โปรเซสเซอร์แบบขนาน: การเชื่อมต่อในอดีตและอนาคตระหว่าง LLM และเคอร์เนล OS | |
| บทความ: เลขคณิตอนุมานหม้อแปลง |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: สิ่งที่เราได้เรียนรู้จากหนึ่งปีของการสร้าง LLM | |
| บทความ: วิธีสร้างและใช้ข้อมูลสังเคราะห์เพื่อการปรับแต่งอย่างละเอียด | |
| บทความ: ผลิตภัณฑ์ AI ของคุณต้องการการประเมิน | |
| บทความ: การประเมิน LLM เฉพาะงานที่ทำและไม่ได้ผล | |
| บทความ: Data Flywheels สำหรับการใช้งาน LLM | |
| บทความ: LLM จากสนามเพลาะ: 10 บทเรียนเรียนรู้แบบจำลองการดำเนินงานที่ GoDaddy | |
| บทความ: การประเมินและการตรวจจับภาพหลอนสำหรับบทสรุปเชิงนามธรรม | |
| บทความ: รูปแบบ UX ที่เกิดขึ้นใหม่สำหรับแอป AI และ Copilots | |
| บทความ: คู่มือการฝึกอบรม LLM ของมือใหม่ | |
| บทความ: การผลักดันการสนับสนุนข้อมูลที่มีโครงสร้างของ ChatGPT ไปสู่ขีดจำกัด | |
| บทความ: GPTed: การใช้ GPT-3 สำหรับการตรวจสอบร้อยแก้วเชิงความหมาย | |
| บทความ: อย่ากังวลกับ LLM | |
| DeepLearning.AI: การปรับแต่งโมเดลภาษาขนาดใหญ่ | |
| DeepLearning.AI: การสร้างระบบด้วย ChatGPT API | |
| DeepLearning.AI: LangChain สำหรับการพัฒนาแอปพลิเคชัน LLM | |
| DeepLearning.AI: LangChain: แชทด้วยข้อมูลของคุณ | |
| DeepLearning.AI: การสร้างแอปพลิเคชัน AI เชิงสร้างสรรค์ด้วย Gradio | |
| DeepLearning.AI: โมเดลโอเพ่นซอร์สพร้อมใบหน้ากอด | |
| DeepLearning.AI: เริ่มต้นใช้งาน Mistral | |
| Datacamp: การพัฒนาแอปพลิเคชัน LLM ด้วย LangChain | |
| LLMOps: การสร้างด้วย LLM | |
| LLM Bootcamp - ฤดูใบไม้ผลิ 2023 | |
| Youtube: แบบสำรวจเทคนิคในการเพิ่มประสิทธิภาพ LLM ให้สูงสุด | |
| Youtube: การสร้างบล็อคสำหรับระบบและผลิตภัณฑ์ LLM: Eugene Yan | |
| Youtube: การปรับแต่งโมเดล OpenAI อย่างละเอียด - แนวทางปฏิบัติที่ดีที่สุด | |
| Youtube: หลักสูตร: LLM Fine-Tuning ด้วย Axolotl | 0/4 |
| Youtube: การปรับแต่ง LLM | 1/5 |
| Youtube: LLM ประเมินผล | 0/5 |
| Youtube: การสร้างแอปพลิเคชัน LLM | 0/8 |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Udemy: นักพัฒนาที่ผ่านการรับรอง AWS - รองปี 2018 |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: Django, HTMX และ Alpine.js: เว็บไซต์สมัยใหม่, ไม่จำเป็นต้องใส่ JavaScript |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับ Seaborn | |
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับ Matplotlib |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ MLFlow |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| เอกสาร: เริ่มสร้างด้วย Next.js |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: มูลนิธิแพนด้า | |
| Datacamp: Pandas เข้าร่วมสำหรับผู้ใช้สเปรดชีต | |
| Datacamp: จัดการ DataFrames ด้วยแพนด้า | |
| Datacamp: การรวม DataFrames กับหมีแพนด้า | |
| Datacamp: การจัดการข้อมูลกับแพนด้า | |
| Datacamp: การเพิ่มประสิทธิภาพโค้ด Python ด้วยแพนด้า | |
| Datacamp: การนำเข้าข้อมูลที่คล่องตัวด้วยแพนด้า | |
| Datacamp: วิเคราะห์แคมเปญการตลาดด้วยแพนด้า | |
| Datacamp วิเคราะห์กิจกรรมตำรวจกับแพนด้า |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| บทความ: PyTorch ภายใน | |
| บทความ: รับ PyTorch เพื่อรับ | |
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกด้วย PyTorch | |
| Datacamp: การเรียนรู้เชิงลึกระดับกลางด้วย PyTorch | |
| Datacamp: การเรียนรู้เชิงลึกสำหรับข้อความด้วย PyTorch | |
| Datacamp: การเรียนรู้เชิงลึกสำหรับรูปภาพด้วย PyTorch | |
| Deeplizard: การเขียนโปรแกรมโครงข่ายประสาทเทียม - การเรียนรู้เชิงลึกด้วย PyTorch |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Codecademy: เรียนรู้ ReactJS: ตอนที่ 1 | |
| Codecademy: เรียนรู้ ReactJS: ตอนที่ II | |
| NexxtJS: ปฏิกิริยาฐานราก |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: NLP ขั้นสูงพร้อม spaCy |
| ทรัพยากร | ความคืบหน้า |
|---|---|
| Datacamp: ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow ใน Python | |
| Datacamp: การเรียนรู้เชิงลึกใน Python | |
| Datacamp: ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกด้วย Keras | |
| Datacamp: การเรียนรู้เชิงลึกขั้นสูงด้วย Keras | |
| Deeplizard: Keras - API เครือข่ายประสาทการเรียนรู้เชิงลึกของ Python | |
| Udacity: ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow สำหรับการเรียนรู้เชิงลึก |
