ورژن 3.2 مسیر یادگیری کد زدن برای افرادی با بک گراند پزشکی :)
_____نصب پایتون آناکندا + enviroment و VS code ________________
Anaconda and virtual environment importance
VS code tour
Python environment setup
_____ مسیر کد ________________
اول دیتا آنالیست + در حین این پروژه بهتره کورس منطق کد زدن MIT هم ببینید
بعد یک پروژه آنالیز یا بازی با یک دیتا انجام بدید که تو ذهنتون ماندگار بشه. میتونید از خود datacamp پروژه هاشو انجام بدید ، از من یه کار کوچیم بگیرید. یا اگر تو خودتون میبینید، یه پروژه انجام بدید که یه پیپیرم معمولی بشه.
ادامه مسیر کد برای ماشین لرنینگ: بعد ماشین لرنینگ ببینید و بعد هم باز یه پروژه ML کوچیک انجام بدید. کلی دیتای آنلاین وجود داره که میشه باهاش کارای خفن کرد. بگردید.
_____ مسیر کانسپت ML ____________
یک پیش نیازی داره یادگرفتن این ML و مدل ها اون جبر خطی هست. من این دوتارو پیدا کردم ولی خب هر چی دیدید اوکیه.
Essence of linear algebra
Linear Algebra - Full College Course
بعد باید برید منطق پیشت ML و مدل هارو یاد بگیرید.
کورس Machine Learning for Helathcare MIT این کمتر ریاضیه
کورس ریاضی پشت مدل ها Stanford: Andrew NG این ریاضیه ولی حداقل چیزیه که باید بدونید. اگر جایی رو نفهمدید اوکیه.
یه سری ویدیو که زود میتونه کل موضوع ها رو بگه (برای روزای اول خوبه که سریع با کانسپتا آشنا بشید:
2 تا ویدیو از دوره ای که من گفتم به نام MLasMD پارت 1 و پارت 2
4 تا ویدیو making friends wiht Machine Learning (MFML) که کلا میتونید اصلا این رو به عنوان اولین کور ببینید و خیلی ویدیو خوبی هست این هم.
از اینجا به بعد خودتون میتونید یاد بگیرید. یعنی باید تو این مسیر با این سر نخا بتونید یادبگیرید که تنهایی یادبگیرید. هر چی دیدی خوبه و اصولا دیگه باید تو پروژه برید یاد بگیرید. ولی خب از اینجای خیلی چند شاخه میشه و فیلد به فیلد متفاوته و تخصصیه. من 2 شاخه ماشین ویژن و LLM رو یکم مینویسم.
___ شاخه 1: ماشین ویژن _________
من ویژن رو با انجام پروژه یاد گرفتم واسه همین خیلی سورس خاصی نمیدونم بگم. میدونم یه سری کتاب خیلی خوب هست. ولی این بینایی ماشین با OpenCV تو مکتب خونه خوب بود و الزامی. الان دیدم یک مسیر بینایی ماشین هم داره که به نظرم منطقی میاد که از صفر تا صد برید تو ویژن خیلیییی کامله.
اینارو هم حتما ببینید:
Preparing medical imaging data for machine learning
Dicom In Python
_____ مسیر LLM بازی __________
بعد از یادگرفتن کد (مسیر کد) میتونید حتی بدون دیدن ماشین لرنینگ (یعنی فقط ا دیتا آنالیست + کورس منطق کد زدن) میتونید شروع کنید به LLM بازی. میگم بازی چون اونقدر عمیق نیست اینا ، برای عمیق شدن توی LLM نزدیک 1 سال زمان میبره و فیلد گنده و سختیه. بهتره این ویدیوهای کوتاه رو ببینید که یک ایده کلی داشته باشید از کانسپتاش:
How ChatGPT Works Technically
[1hr Talk] Intro to Large Language Models
اول از همه که خود openai رو یاد بگیرید با این ویدیو یه هر چیز دیگه تو یوتیوب پیدا کردید. همیشه لازم و اغلب کافیه. برای اینکه چیزای دیگه رو یادبگیرید که چجوری میشه از این استفاده کرد این لیست رو ببینید OpenAI API Tutorials. یادتون نره prompt خیلی مهمه و این ویدیو prompt enginerring خوبه.
دو تای ماژول هستن که میان کار رو راحت میکنن ، پیشنهاد من LangChain هست. جفتشون مشابه هم هستن.
برای کار با LangChain
یا
برای کار با RAG + llama-index
بعدش برای فول پروداکشن میتونید این رو ببیینید و همزمان برای یه کاری که دوست دارید اپ درست کنید یا کد بزنید.
از اینجا برید جلو تر باید fine-tune کردن و training این LLM هارو یادبکیرید و hugginface
_____ اکانت هایی که تو مسیر باید بخرید: ____
اکانت چت جی پی تی از نامبر لند برای پرسیدن سوالاتون و کمک گرفتن تو یادگیری (3.5 کافیه ولی اگر کار زیاد دارید 4 میارزه 2 تومن)
اکانت وی پی انی v2ray از نت شکن
اکانت دیتاکمپ از لایسنس مارکت (واقعا نمیدونم میارزه اکانت روی ایمیل خودتون یا نه :)
_____نصب پایتون آناکندا + enviroment و VS code ________________
Anaconda and virtual environment importance
VS code tour
Python environment setup
_____ مسیر کد ________________
اول دیتا آنالیست + در حین این پروژه بهتره کورس منطق کد زدن MIT هم ببینید
بعد یک پروژه آنالیز یا بازی با یک دیتا انجام بدید که تو ذهنتون ماندگار بشه. میتونید از خود datacamp پروژه هاشو انجام بدید ، از من یه کار کوچیم بگیرید. یا اگر تو خودتون میبینید، یه پروژه انجام بدید که یه پیپیرم معمولی بشه.
ادامه مسیر کد برای ماشین لرنینگ: بعد ماشین لرنینگ ببینید و بعد هم باز یه پروژه ML کوچیک انجام بدید. کلی دیتای آنلاین وجود داره که میشه باهاش کارای خفن کرد. بگردید.
_____ مسیر کانسپت ML ____________
یک پیش نیازی داره یادگرفتن این ML و مدل ها اون جبر خطی هست. من این دوتارو پیدا کردم ولی خب هر چی دیدید اوکیه.
Essence of linear algebra
Linear Algebra - Full College Course
بعد باید برید منطق پیشت ML و مدل هارو یاد بگیرید.
کورس Machine Learning for Helathcare MIT این کمتر ریاضیه
کورس ریاضی پشت مدل ها Stanford: Andrew NG این ریاضیه ولی حداقل چیزیه که باید بدونید. اگر جایی رو نفهمدید اوکیه.
یه سری ویدیو که زود میتونه کل موضوع ها رو بگه (برای روزای اول خوبه که سریع با کانسپتا آشنا بشید:
2 تا ویدیو از دوره ای که من گفتم به نام MLasMD پارت 1 و پارت 2
4 تا ویدیو making friends wiht Machine Learning (MFML) که کلا میتونید اصلا این رو به عنوان اولین کور ببینید و خیلی ویدیو خوبی هست این هم.
از اینجا به بعد خودتون میتونید یاد بگیرید. یعنی باید تو این مسیر با این سر نخا بتونید یادبگیرید که تنهایی یادبگیرید. هر چی دیدی خوبه و اصولا دیگه باید تو پروژه برید یاد بگیرید. ولی خب از اینجای خیلی چند شاخه میشه و فیلد به فیلد متفاوته و تخصصیه. من 2 شاخه ماشین ویژن و LLM رو یکم مینویسم.
___ شاخه 1: ماشین ویژن _________
من ویژن رو با انجام پروژه یاد گرفتم واسه همین خیلی سورس خاصی نمیدونم بگم. میدونم یه سری کتاب خیلی خوب هست. ولی این بینایی ماشین با OpenCV تو مکتب خونه خوب بود و الزامی. الان دیدم یک مسیر بینایی ماشین هم داره که به نظرم منطقی میاد که از صفر تا صد برید تو ویژن خیلیییی کامله.
اینارو هم حتما ببینید:
Preparing medical imaging data for machine learning
Dicom In Python
_____ مسیر LLM بازی __________
بعد از یادگرفتن کد (مسیر کد) میتونید حتی بدون دیدن ماشین لرنینگ (یعنی فقط ا دیتا آنالیست + کورس منطق کد زدن) میتونید شروع کنید به LLM بازی. میگم بازی چون اونقدر عمیق نیست اینا ، برای عمیق شدن توی LLM نزدیک 1 سال زمان میبره و فیلد گنده و سختیه. بهتره این ویدیوهای کوتاه رو ببینید که یک ایده کلی داشته باشید از کانسپتاش:
How ChatGPT Works Technically
[1hr Talk] Intro to Large Language Models
اول از همه که خود openai رو یاد بگیرید با این ویدیو یه هر چیز دیگه تو یوتیوب پیدا کردید. همیشه لازم و اغلب کافیه. برای اینکه چیزای دیگه رو یادبگیرید که چجوری میشه از این استفاده کرد این لیست رو ببینید OpenAI API Tutorials. یادتون نره prompt خیلی مهمه و این ویدیو prompt enginerring خوبه.
دو تای ماژول هستن که میان کار رو راحت میکنن ، پیشنهاد من LangChain هست. جفتشون مشابه هم هستن.
برای کار با LangChain
یا
برای کار با RAG + llama-index
بعدش برای فول پروداکشن میتونید این رو ببیینید و همزمان برای یه کاری که دوست دارید اپ درست کنید یا کد بزنید.
از اینجا برید جلو تر باید fine-tune کردن و training این LLM هارو یادبکیرید و hugginface
_____ اکانت هایی که تو مسیر باید بخرید: ____
اکانت چت جی پی تی از نامبر لند برای پرسیدن سوالاتون و کمک گرفتن تو یادگیری (3.5 کافیه ولی اگر کار زیاد دارید 4 میارزه 2 تومن)
اکانت وی پی انی v2ray از نت شکن
اکانت دیتاکمپ از لایسنس مارکت (واقعا نمیدونم میارزه اکانت روی ایمیل خودتون یا نه :)