एआय मॉडेल कसे बनवायचे. संपूर्ण पायऱ्या समजावून सांगितल्या आहेत.

एआय मॉडेल बनवणे हे ऐकायला नाट्यमय वाटते - जसे एखाद्या चित्रपटातील शास्त्रज्ञ सिंग्युलॅरिटीबद्दल बडबड करतो - जोपर्यंत तुम्ही ते प्रत्यक्षात एकदा करत नाही. मग तुमच्या लक्षात येते की हे अर्धे डेटाची साफसफाई, अर्धे किचकट प्लंबिंगचे काम आणि विचित्रपणे व्यसन लावणारे आहे. हे मार्गदर्शक एआय मॉडेल सुरुवातीपासून शेवटपर्यंत कसे बनवायचे हे : डेटाची तयारी, प्रशिक्षण, चाचणी, उपयोजन, आणि हो - कंटाळवाण्या पण अत्यावश्यक सुरक्षा तपासण्या. आम्ही सोप्या भाषेत, पण तपशिलात सखोल माहिती देऊ आणि इमोजींचाही वापर करू, कारण खरं तर, तांत्रिक लेखन कर भरण्यासारखे का वाटावे?

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय आर्बिट्रेज म्हणजे काय: या लोकप्रिय शब्दामागील सत्य
एआय आर्बिट्रेज, त्याचे धोके, संधी आणि वास्तविक जगातील परिणाम स्पष्ट करते.

🔗 एआय ट्रेनर म्हणजे काय?
एआय प्रशिक्षकाची भूमिका, कौशल्ये आणि जबाबदाऱ्यांचा समावेश आहे.

🔗 प्रतीकात्मक एआय म्हणजे काय: तुम्हाला फक्त हे माहित असणे आवश्यक आहे
प्रतीकात्मक एआय संकल्पना, इतिहास आणि व्यावहारिक अनुप्रयोगांचे विघटन करते.

एआय मॉडेल कशामुळे बनते - मूलभूत गोष्टी ✅

"चांगले" मॉडेल ते नाही जे तुमच्या डेव्हलपमेंट नोटबुकमध्ये ९९% अचूकता दाखवते आणि नंतर उत्पादनात तुम्हाला लाजवते. ते असे आहे जे:

सुव्यवस्थित मांडणी → समस्या सुस्पष्ट आहे, इनपुट/आउटपुट स्पष्ट आहेत, मेट्रिकवर एकमत आहे.
डेटा-प्रामाणिक → डेटासेट हा फिल्टर केलेल्या स्वप्नातील आवृत्तीऐवजी, खऱ्या गोंधळलेल्या जगाचे प्रतिबिंब आहे. वितरण ज्ञात, गळती रोखलेली, लेबल्स शोधण्यायोग्य.
मजबूत → स्तंभांचा क्रम बदलल्यास किंवा इनपुटमध्ये किंचित बदल झाल्यास मॉडेल कोलमडत नाही.
सारासार विचाराने केलेले मूल्यांकन → वास्तवाशी जुळणारे मापदंड, केवळ लीडरबोर्डवरील दिखावा नव्हे. ROC AUC दिसायला छान वाटतो, पण कधीकधी व्यवसायासाठी F1 किंवा कॅलिब्रेशनच महत्त्वाचे असते.
तैनात करण्यायोग्य → अनुमान काढण्याचा वेळ अंदाजे, संसाधनांचा योग्य वापर, तैनातीनंतरच्या देखरेखीचा समावेश.
जबाबदार → निष्पक्षता चाचण्या, अर्थबोधकता, गैरवापरासाठी प्रतिबंध [1].

हे करा आणि तुम्ही जवळजवळ पूर्ण केले आहे. बाकी फक्त पुनरावृत्ती आहे... आणि "आतड्यांतील भावना" चा एक छोटासा टच. 🙂

एक छोटासा अनुभव: फ्रॉड मॉडेलनुसार, एकूणच F1 (फायनान्शिअल वन) उत्कृष्ट दिसत होती. मग आम्ही भौगोलिक स्थान आणि "कार्ड सादर करणारे विरुद्ध न करणारे" यानुसार विभागणी केली. आश्चर्याची गोष्ट म्हणजे, एका गटात फॉल्स निगेटिव्ह्जमध्ये प्रचंड वाढ झाली. यातून एक धडा पक्का बसला - लवकर विभागणी करा, वारंवार विभागणी करा.

जलद सुरुवात: एआय मॉडेल बनवण्याचा सर्वात लहान मार्ग ⏱️

कार्य परिभाषित करा: वर्गीकरण, प्रतिगमन, रँकिंग, अनुक्रम लेबलिंग, निर्मिती, शिफारस.
डेटा एकत्र करा: गोळा करा, डिप्यूट करा, योग्यरित्या विभाजित करा (वेळ/अस्तित्व), त्याचे दस्तऐवजीकरण करा [1].
बेसलाइन: नेहमी लहान सुरुवात करा - लॉजिस्टिक रिग्रेशन, लहान झाड [3].
मॉडेल फॅमिली निवडा: टॅब्युलर → ग्रेडियंट बूस्टिंग; टेक्स्ट → स्मॉल ट्रान्सफॉर्मर; व्हिजन → प्रीट्रेन्ड सीएनएन किंवा बॅकबोन [3][5].
प्रशिक्षण लूप: ऑप्टिमायझर + लवकर थांबा; नुकसान आणि प्रमाणीकरण दोन्हीचा मागोवा घ्या [4].
मूल्यांकन: क्रॉस-व्हॅलिडेट करा, त्रुटींचे विश्लेषण करा, शिफ्ट अंतर्गत चाचणी करा.
पॅकेज: वजने, प्रीप्रोसेसर, एपीआय रॅपर जतन करा [2].
मॉनिटर: घड्याळाचा प्रवाह, विलंब, अचूकता क्षय [2].

कागदावर ते नीटनेटके दिसते. प्रत्यक्षात ते गोंधळलेले आहे. आणि ते ठीक आहे.

तुलना सारणी: एआय मॉडेल कसे बनवायचे यासाठी साधने 🛠️

साधन / ग्रंथालय	सर्वोत्तम साठी	किंमत	ते का काम करते (नोट्स)
सायकिट-लर्न	सारणी, बेसलाइन	मोफत - ओएसएस	स्वच्छ API, जलद प्रयोग; तरीही क्लासिक जिंकतो [3].
पायटॉर्च	सखोल शिक्षण	मोफत - ओएसएस	गतिमान, वाचनीय, प्रचंड समुदाय [4].
टेन्सरफ्लो + केरास	उत्पादन डीएल	मोफत - ओएसएस	केरास अनुकूल; टीएफ सर्व्हिंगमुळे तैनाती सुरळीत होते.
JAX + अंबाडी	संशोधन + गती	मोफत - ओएसएस	ऑटोडिफ + एक्सएलए = कामगिरी वाढवणे.
मिठी मारणारे फेस ट्रान्सफॉर्मर्स	एनएलपी, सीव्ही, ऑडिओ	मोफत - ओएसएस	पूर्वप्रशिक्षित मॉडेल्स + पाइपलाइन्स... शेफचा चुंबन [5].
एक्सजीबीओस्ट/लाइटजीबीएम	सारणीत्मक वर्चस्व	मोफत - ओएसएस	बऱ्याचदा सामान्य डेटासेटवर DL ला मागे टाकते.
फास्टएआय	मैत्रीपूर्ण डीएल	मोफत - ओएसएस	उच्च-स्तरीय, क्षमाशील डिफॉल्ट्स.
क्लाउड ऑटोएमएल (विविध)	नाही/कमी-कोड	वापर-आधारित $	ड्रॅग, ड्रॉप, डिप्लॉय; आश्चर्यकारकपणे मजबूत.
ONNX रनटाइम	अनुमान गती	मोफत - ओएसएस	ऑप्टिमाइझ्ड सर्व्हिंग, एज-फ्रेंडली.

तुम्ही पुन्हा उघडत राहणारे दस्तऐवज: scikit-learn [3], PyTorch [4], Hugging Face [5].

पायरी १ - समस्येची मांडणी एखाद्या शास्त्रज्ञासारखी करा, एखाद्या नायकासारखी नाही 🎯

कोड लिहिण्यापूर्वी, हे मोठ्याने म्हणा: हे मॉडेल कोणत्या निर्णयासाठी माहिती देईल? जर ते अस्पष्ट असेल, तर डेटासेट अधिक खराब होईल.

अंदाजाचे लक्ष्य → एकच स्तंभ, एकच व्याख्या. उदाहरण: ३० दिवसांच्या आत ग्राहक सोडून जाणे?
सूक्ष्मता → प्रत्येक वापरकर्ता, प्रत्येक सत्र, प्रत्येक आयटम - यांची सरमिसळ करू नका. माहिती उघड होण्याचा धोका प्रचंड वाढतो.
मर्यादा → विलंब, मेमरी, गोपनीयता, एज विरुद्ध सर्व्हर.
यशाचे मोजमाप → एक प्राथमिक + दोन संरक्षक. असंतुलित वर्ग? AUPRC + F1 वापरा. प्रतिगमन? जेव्हा मध्यक महत्त्वाचे असतात, तेव्हा MAE हे RMSE पेक्षा सरस ठरू शकते.

लढाईतील टीप: README च्या पहिल्या पानावर हे निर्बंध + मेट्रिक लिहा. कामगिरी विरुद्ध विलंब टक्कर झाल्यावर भविष्यातील युक्तिवाद जतन करते.

पायरी २ - डेटा संकलन, साफसफाई आणि प्रत्यक्षात टिकून राहणारे विभाजन 🧹📦

डेटा हाच आदर्श आहे. तुम्हाला माहिती आहेच. तरीही, तोटे:

उत्पत्ती → ते कोठून आले, त्याची मालकी कोणाकडे आहे, कोणत्या धोरणांतर्गत [1].
लेबल्स → कडक मार्गदर्शक तत्त्वे, भाष्यकारांमधील तपासणी, लेखापरीक्षण.
डुप्लिकेशन काढून टाकणे → छुपे डुप्लिकेट मेट्रिक्स फुगवतात.
केलेले विभाजन नेहमीच अचूक नसते. पूर्वानुमानासाठी वेळेवर आधारित पद्धत वापरा आणि वापरकर्त्यांची माहिती उघड होणे टाळण्यासाठी घटकावर आधारित पद्धत वापरा.
गळती → प्रशिक्षणाच्या वेळी भविष्यात डोकावता येणार नाही.
डॉक्स → स्कीमा, कलेक्शन, बायसेस [1] सह एक त्वरित डेटा कार्ड लिहा

विधी: लक्ष्य वितरण + शीर्ष वैशिष्ट्ये कल्पना करा. तसेच अंतिम होईपर्यंत कधीही स्पर्श न होणारा चाचणी संच धरा .

पायरी ३ - पहिली पायरी: महिने वाचवणारे नम्र मॉडेल 🧪

बेसलाइन्स आकर्षक नसतात, पण त्या अपेक्षांना आधार देतात.

सारणीबद्ध → scikit-learn LogisticRegression किंवा RandomForest, नंतर XGBoost/LightGBM [3].
मजकूर → टीएफ-आयडीएफ + लिनियर क्लासिफायर. ट्रान्सफॉर्मर्सच्या आधी सत्यता पडताळणी.
दृष्टी → छोटे CNN किंवा पूर्व-प्रशिक्षित बॅकबोन, फ्रोझन लेयर्स.

जर तुमचे डीप नेट बेसलाइनपेक्षा थोडे पुढे जात असेल तर श्वास घ्या. कधीकधी सिग्नल मजबूत नसतो.

पायरी ४ - डेटाशी जुळणारा मॉडेलिंग दृष्टिकोन निवडा 🍱

सारणीबद्ध

प्रथम ग्रेडियंट बूस्टिंग - अत्यंत प्रभावी. वैशिष्ट्य अभियांत्रिकी (परस्परसंवाद, एन्कोडिंग) अजूनही महत्त्वाचे आहे.

मजकूर

हलक्या वजनाच्या फाइन-ट्यूनिंगसह प्री-ट्रेन केलेले ट्रान्सफॉर्मर्स. जर लेटन्सी महत्त्वाची असेल तर डिस्टिल्ड मॉडेल [5]. टोकनायझर्स देखील महत्त्वाचे आहेत. जलद विजयांसाठी: HF पाइपलाइन.

प्रतिमा

प्री-ट्रेन केलेले बॅकबोन + फाइन-ट्यून हेड वापरून सुरुवात करा. वास्तववादी पद्धतीने वाढवा (फ्लिप्स, क्रॉप्स, जिटर). लहान डेटासाठी, काही-शॉट किंवा रेषीय प्रोब.

वेळ मालिका

बेसलाइन्स: लॅग फीचर्स, मूव्हिंग अॅव्हरेज. जुने-शैलीचे ARIMA विरुद्ध आधुनिक बूस्टेड ट्रीज. व्हॅलिडेशनमध्ये नेहमी वेळेच्या क्रमाचा आदर करा.

नियम: एक लहान, स्थिर मॉडेल > एक ओव्हरफिट राक्षस.

पायरी ५ - प्रशिक्षणाचा लूप, पण जास्त गुंतागुंत करू नका 🔁

तुम्हाला फक्त एवढेच हवे आहे: डेटा लोडर, मॉडेल, लॉस, ऑप्टिमायझर, शेड्यूलर, लॉगिंग. झाले.

ऑप्टिमायझर्स: मोमेंटमसह ॲडम किंवा एसजीडी. अत्याधिक बदल करू नका.
बॅच आकार: थ्रॅशिंगशिवाय डिव्हाइस मेमरी जास्तीत जास्त वाढवा.
नियमितीकरण: शाळा सोडणे, वजन कमी होणे, लवकर थांबणे.
मिश्र अचूकता: प्रचंड वेग वाढ; आधुनिक फ्रेमवर्क ते सोपे करतात [4].
पुनरुत्पादकता: सीड्स सेट करा. ते तरीही हलेल. ते सामान्य आहे.

कॅनोनिकल पॅटर्नसाठी पायटॉर्च ट्यूटोरियल पहा [4].

पायरी ६ - लीडरबोर्ड पॉइंट्स नव्हे तर वास्तव प्रतिबिंबित करणारे मूल्यांकन 🧭

फक्त सरासरीच नाही तर स्लाइस तपासा:

अंशांकन → संभाव्यतांना काहीतरी अर्थ असला पाहिजे. विश्वसनीयता आलेख मदत करतात.
गोंधळाविषयीची अंतर्दृष्टी → उंबरठा वक्र, तडजोडी स्पष्ट दिसतात.
त्रुटींचे गट → प्रदेश, डिव्हाइस, भाषा, वेळ यानुसार विभागणी करा. त्रुटी ओळखा.
मजबुती → बदलांखाली चाचणी, इनपुटमध्ये व्यत्यय आणा.
मानवी सहभाग → जर लोक ते वापरत असतील, तर त्याची उपयोगिता तपासा.

एक छोटीशी गोष्ट: प्रशिक्षण आणि उत्पादन यांच्यातील युनिकोड सामान्यीकरणाच्या विसंगतीमुळे एक रिकॉल डिप आली. खर्च? ४ पूर्ण गुण.

पायरी ७ - अश्रूंशिवाय पॅकेजिंग, सर्व्हिंग आणि एमएलओपी 🚚

येथेच प्रकल्प अनेकदा अडखळतात.

कलाकृती: मॉडेल वजन, प्रीप्रोसेसर, कमिट हॅश.
Env: पिन आवृत्त्या, कंटेनराइज लीन.
इंटरफेस: /health + /predict.
लेटन्सी/थ्रूपुट: बॅच रिक्वेस्ट, वॉर्म-अप मॉडेल्स.
हार्डवेअर: क्लासिकसाठी CPU ठीक आहे; DL साठी GPU. ONNX रनटाइम वेग/पोर्टेबिलिटी वाढवतो.

संपूर्ण पाइपलाइनसाठी (CI/CD/CT, मॉनिटरिंग, रोलबॅक), Google चे MLOps डॉक्स ठोस आहेत [2].

पायरी ८ - घाबरून न जाता देखरेख, ड्रिफ्ट आणि पुन्हा प्रशिक्षण 📈🧭

मॉडेल्स क्षय पावतात. वापरकर्ते विकसित होतात. डेटा पाइपलाइन चुकीच्या पद्धतीने वागतात.

डेटा तपासणी: स्कीमा, रेंज, शून्य.
भाकित: वितरण, ड्रिफ्ट मेट्रिक्स, आउटलायर्स.
कामगिरी: लेबल्स आल्यावर, मेट्रिक्सची गणना करा.
सूचना: विलंब, त्रुटी, प्रवाह.
पुनर्प्रशिक्षण लय: ट्रिगर-आधारित > कॅलेंडर-आधारित.

लूपचे दस्तऐवजीकरण करा. विकी "आदिवासी स्मृती" ला मागे टाकते. गुगल सीटी प्लेबुक्स [2] पहा.

जबाबदार एआय: निष्पक्षता, गोपनीयता, अर्थ लावण्याची क्षमता 🧩🧠

जर लोक प्रभावित झाले तर जबाबदारी पर्यायी नाही.

निष्पक्षता चाचण्या → संवेदनशील गटांमध्ये मूल्यांकन करा, तफावत असल्यास कमी करा [1].
अर्थबोधनक्षमता → सारणीबद्ध विश्लेषणासाठी SHAP, सखोल विश्लेषणासाठी गुणधर्म-निर्देश. काळजीपूर्वक हाताळा.
गोपनीयता/सुरक्षा → वैयक्तिक ओळख माहिती (PII) कमी करणे, अनामिक करणे, वैशिष्ट्ये लॉक करणे.
धोरण → अभिप्रेत आणि प्रतिबंधित वापर लिहा. यामुळे नंतर होणारा त्रास वाचतो [1].

एक छोटीशी छोटी वॉकथ्रू 🧑🍳

समजा आपण पुनरावलोकनांचे वर्गीकरण करत आहोत: सकारात्मक विरुद्ध नकारात्मक.

डेटा → पुनरावलोकने गोळा करा, डुप्लिकेट काढून टाका, वेळेनुसार विभाजित करा [1].
बेसलाइन → टीएफ-आयडीएफ + लॉजिस्टिक रिग्रेशन (स्किकिट-लर्न) [3].
अपग्रेड → हगिंग फेस असलेला छोटा प्रीट्रेन्ड ट्रान्सफॉर्मर [5].
ट्रेन → काही इपॉक्स, लवकर थांबा, F1 ट्रॅक करा [4].
मूल्यांकन → कन्फ्युजन मॅट्रिक्स, प्रिसिजन@रिकॉल, कॅलिब्रेशन.
पॅकेज → टोकनायझर + मॉडेल, FastAPI रॅपर [2].
मॉनिटर → श्रेणींनुसार बदल पहा [2].
जबाबदार बदल → PII फिल्टर करा, संवेदनशील डेटाचा आदर करा [1].

कमी लेटन्सी? मॉडेल डिस्टिल्ड करा किंवा ONNX वर एक्सपोर्ट करा.

मॉडेल्स हुशार दिसतात पण मूर्खपणा करतात अशा सामान्य चुका 🙃

गळती वैशिष्ट्ये (ट्रेनमधील घटनेनंतरचा डेटा).
चुकीचे मेट्रिक (संघाला परत बोलावण्याची काळजी असताना AUC).
लहान व्हॅल सेट (गोंगाट करणारे “ब्रेकथ्रू”).
वर्ग असमतोल दुर्लक्षित केला.
प्रीप्रोसेसिंग जुळत नाही (ट्रेन विरुद्ध सर्व्ह).
खूप लवकर अति-सानुकूलित करणे.
अडचणी विसरणे (मोबाइल अॅपमधील महाकाय मॉडेल).

ऑप्टिमायझेशन युक्त्या 🔧

अधिक स्मार्ट डेटा जोडा : कठीण नकारात्मकता, वास्तववादी वाढ.
अधिक कठोरपणे नियमित करा: शाळा सोडलेले, लहान मॉडेल.
शिकण्याच्या गतीचे वेळापत्रक (कोसाइन/पायरी).
बॅच स्वीप - मोठे नेहमीच चांगले नसते.
वेगासाठी मिश्रित अचूकता + वेक्टरायझेशन [4].
क्वांटायझेशन, स्लिम मॉडेल्ससाठी छाटणी.
कॅशे एम्बेडिंग्ज/प्री-कॉम्प्युट हेवी ऑप्स.

डेटा लेबलिंग जे फुटत नाही 🏷️

मार्गदर्शक तत्त्वे: तपशीलवार, कडा असलेल्या केसांसह.
ट्रेन लेबलर्स: कॅलिब्रेशन कार्ये, करार तपासणी.
गुणवत्ता: सोन्याचे सेट, स्पॉट चेक.
साधने: आवृत्तीकृत डेटासेट, निर्यात करण्यायोग्य स्कीमा.
नीतिमत्ता: योग्य वेतन, जबाबदार सोर्सिंग. पूर्णविराम [1].

तैनाती नमुने 🚀

बॅच स्कोअरिंग → रात्रीची कामे, वेअरहाऊस.
रिअल-टाइम मायक्रो सर्व्हिस → सिंक एपीआय, कॅशिंग जोडा.
स्ट्रीमिंग → घटना-आधारित, उदा., फसवणूक.
एज → कॉम्प्रेस करा, डिव्हाइसेसची चाचणी करा, ONNX/TensorRT.

रनबुक ठेवा: रोलबॅक स्टेप्स, आर्टिफॅक्ट रिस्टोअर [2].

तुमच्या वेळेला वाव देणारी संसाधने 📚

मूलभूत गोष्टी: सायकिट-लर्न वापरकर्ता मार्गदर्शक [3]
डीएल पॅटर्न: पायटॉर्च ट्यूटोरियल [4]
ट्रान्सफर लर्निंग: हगिंग फेस क्विकस्टार्ट [5]
प्रशासन/जोखीम: NIST AI RMF [1]
एमएलओपीएस: गुगल क्लाउड प्लेबुक्स [2]

वारंवार विचारले जाणारे प्रश्न 💡

GPU ची गरज आहे का? टॅब्युलरसाठी नाही. DL साठी, हो (क्लाउड रेंटल काम करते).
पुरेसा डेटा आहे का? लेबल्स आवाज येईपर्यंत जास्त डेटा चांगला आहे. लहान सुरुवात करा, पुनरावृत्ती करा.
मेट्रिक निवड? एकाच जुळणाऱ्या निर्णयाची किंमत असते. मॅट्रिक्स लिहा.
बेसलाइन वगळायची? तुम्ही वगळू शकता... अगदी त्याचप्रमाणे जसे तुम्ही सकाळचा नाश्ता वगळून नंतर पश्चात्ताप करू शकता.
ऑटोएमएल? बूटस्ट्रॅपिंगसाठी उत्तम. तरीही तुमचे स्वतःचे ऑडिट करा [2].

थोडेसे गोंधळलेले सत्य 🎬

एआय मॉडेल कसे बनवायचे हे क्लिष्ट गणितापेक्षा कौशल्यावर अधिक अवलंबून आहे: सुस्पष्ट मांडणी, स्वच्छ डेटा, मूलभूत सत्यता पडताळणी, ठोस मूल्यांकन, पुनरावृत्तीयोग्य पुनरावृत्ती. जबाबदारी वाढवा जेणेकरून भविष्यात तुम्हाला टाळता येण्याजोग्या चुका सुधाराव्या लागणार नाहीत [1][2].

खरं तर, "कंटाळवाणे" आवृत्ती - घट्ट आणि पद्धतशीर - बहुतेकदा शुक्रवारी पहाटे २ वाजता धावलेल्या आकर्षक मॉडेलपेक्षा चांगली असते. आणि जर तुमचा पहिला प्रयत्न अनाठायी वाटत असेल तर? ते सामान्य आहे. मॉडेल्स आंबट स्टार्टर्ससारखे असतात: खायला द्या, निरीक्षण करा, कधीकधी पुन्हा सुरू करा. 🥖🤷

टीएल; डीआर

फ्रेम समस्या + मेट्रिक; गळती बंद करा.
पहिला पाया; साधी साधने उत्तम.
पूर्वप्रशिक्षित मॉडेल मदत करतात - त्यांची पूजा करू नका.
स्लाइसमधून इव्हल करा; कॅलिब्रेट करा.
एमएलओपीएसची मूलतत्त्वे: आवृत्तीकरण, देखरेख, रोलबॅक.
जबाबदार एआयने काम सुरू केले, बोल्ट केलेले नाही.
पुन्हा सांगा, हसा - तुम्ही एक एआय मॉडेल तयार केले आहे. 😄

संदर्भ

एनआयएसटी — कृत्रिम बुद्धिमत्ता जोखीम व्यवस्थापन आराखडा (एआय आरएमएफ १.०). लिंक
गूगल क्लाउड — एमएलऑप्स: मशीन लर्निंगमधील सतत वितरण आणि ऑटोमेशन पाइपलाइन्स. लिंक
scikit-learn — वापरकर्ता मार्गदर्शिका. लिंक
पायटॉर्च — अधिकृत ट्यूटोरियल्स. लिंक
मिठी मारणारा चेहरा — ट्रान्सफॉर्मर्स क्विकस्टार्ट. लिंक

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल

ब्लॉगवर परत