Google'ın Üretken Yapay Zekaya Giriş Kurslarına İlişkin Dürüst Bir İnceleme

Google kısa süre önce ücretsiz Üretken Yapay Zeka'ya Giriş kurslarının bir listesini yayınladı ve en büyük soru şu: Bu heyecana değer mi?

Sanırım bunun için buradayım. Google'ın Üretken Yapay Zeka'ya Giriş öğrenme yolunu tamamladıktan sonra ( buradan kontrol edin ), işte size iki sentim.

İçindekiler

• Ders Dağılımı
  • Hedef kitle
  • Öğrenme hedefleri
  • İçerik analizi
  • Özet/Alıntı Sayfaları
• Son Karar (Değer mi?)
• Ek kaynaklar

Google'ın Üretken Yapay Zeka Öğrenme Yolu Kurs Dağılımı

Hedef kitle

Google'ın kursları, konuyla ilgili önceden teknik bilgisi olmayan öğrencilere yöneliktir veya bloglarında açıklandığı gibi, yol, satış, İK, pazarlama ve operasyon gibi rollere sahip, teknik olmayan, teknolojiye yakın kitle için tasarlanmıştır. Bu açıdan bakıldığında bu, kursun derinlemesine nasıl yapılır bilgileri sağlamadığı ancak üretken yapay zekadaki temel kavramlara harika bir giriş sağladığı anlamına gelir.

Öğrenme hedefleri

Buradaki fikir, "Peki aslında Üretken Yapay Zeka nedir?" sorusuna doğru yanıt vermektir.

Dersin vurgusu Üretken Yapay Zeka, Büyük Dil Modelleri ve Yapay Zekada etik üzerinedir. Kurs boyunca ayrıcaGoogle tarafından sağlanan yapay zeka hizmetleri ve örnek olay incelemeleri, ders tarzı videolar ve sınavların bir karışımını içeren Google'ın sorumlu yapay zeka uygulamalarını birleştirmedeki rolü hakkında da bilgi edinebileceksiniz.

İçerik analizi

Öyleyse öğrenme yolundaki materyali deşifre edelim:

• Üretken Yapay Zekaya Giriş - kurs
• Büyük Dil Modellerine Giriş - kurs
• Sorumlu Yapay Zekaya Giriş - kurs
• Üretken Yapay Zekanın Temelleri - beceri rozetli kurs
• Sorumlu Yapay Zeka: Google Cloud ile Yapay Zeka İlkelerini Uygulama - kurs

Bunu anlayın, Üretken Yapay Zeka Temelleri kursu temel olarak ilk üç dersin (Gen Yapay Zeka'ya Giriş, Yüksek Lisans'a Giriş ve Sorumlu Yapay Zeka'ya Giriş) bir derlemesidir, ancak bir test eklenmiştir. Ve olay şu; eğer kursları beceri rozeti kursundan önce tamamlayacak olsaydınız, onları tekrar yapmanıza gerek kalmazdı. Öğrenme yolunun neden bu şekilde biçimlendirildiğine dair tahminim, Üretken Yapay Zekanın Temelleri beceri rozetini denediğinizde sadece 'ileri'ye tıklamak yerine, gerçekten kurs materyallerini gözden geçirmenizi sağlamaktır.

Kursların içeriğini seçerken işte geliştirdiğim bazı yardımcı sayfalar:

Özet + Kopya Sayfaları

Üretken Yapay Zeka

“Yapay Zeka Nedir?” ile başlayarak, Bilgisayar Bilimleri'nin karmaşık görevleri yerine getirmek ve onlardan öğrenmek için insan bilişini taklit eden bir alanıdır. Yapay zeka içerisinde, çeşitli karmaşık görevleri yerine getirebilecek uyarlanabilir modeller üretmek için veriler üzerinde eğitilmiş algoritmaları kullanan Makine Öğreniminin alt alanı bulunmaktadır.

ML'de denetimli öğrenme, denetimsiz öğrenme, takviyeli öğrenme ve derin öğrenme gibi farklı türler vardır. Derin öğrenme, yapay sinir ağlarını kullanarak, sinir ağlarının hedefine ulaşmak için denetimli öğrenmeyi, denetimsiz öğrenmeyi ve yarı denetimli öğrenmeyi kullandığı daha karmaşık modeller oluşturmasına olanak tanır. Ayrımcı ve üretken olmak üzere iki tür derin öğrenme modeli vardır.

Üretken AI, metin, görüntü, ses ve sentetik veriler dahil olmak üzere çeşitli içerik türleri üretebilen bir tür Yapay Zeka teknolojisidir. Kısaca GenAI, mevcut içerikten öğrendiklerini temel alarak yeni içerik oluşturan bir yapay zeka türüdür. Eğitim adı verilen ve istatistiksel bir modelin oluşturulmasıyla sonuçlanan bir öğrenme sürecini kullanır ve bir ipucu verildiğinde beklenen yanıtın ne olabileceğini tahmin etmek için kullanılır.

Büyük Dil Modelleri

Büyük dil modelleri iki faktörden dolayı büyük kabul edilir: çok sayıda parametreye sahip geniş bir eğitim veri kümesi üzerinde eğitilmek. Genellikle hiperparametreler olarak adlandırılan parametreler, esasen makinenin öğrendiği anılar ve bilgilerdir ve modelin sorunları çözme becerisini tanımlamak için kullanılır. Yüksek Lisanslar aynı zamanda genel amaçlıdır çünkü ortak sorunları insan dillerini kullanarak çözmeye çalışırlar.

İki tür LLM vardır: önceden eğitilmiş ve ince ayarlı, önceden eğitilmiş modeller "her şeyi" yapabilir ancak pratik sınırlamaları vardır, ince ayarlı modeller ise belirli bir nişe uyar veya belirli bir sorunu çözmeyi amaçlar. İnce ayarın pahalı olma eğiliminde olduğunu, dolayısıyla Hızlı Ayarlama gibi Parametre Açısından Verimli Ayarlama Yöntemleri (PETM) gibi daha verimli yöntemlerin mevcut olduğunu unutmamak önemlidir.

İstemleri anlamak için, bunlar esasen belirli bir yanıtı ortaya çıkarmak için bir LLM'ye verilen girdilerdir. Her zamanki yanılgı, hızlı tasarım ile hızlı mühendislik arasındadır. Bunu özetlemek gerekirse, bilgi istemi tasarımı, sistemden gerçekleştirmesi istenen belirli göreve uyarlanırken, istem mühendisliği, alana özgü bilgiyi kullanarak, istenen çıktının örneklerini sağlayarak ve anahtar kelimeleri kullanarak modelin performansını artırmak için tasarlanmıştır. Bu spesifik sistem için etkili olduğu bilinmektedir.

Google'dan AI/ML Hizmetleri

Vertex AI, temel modeller için bir model bahçesi sunar. Kullanıcının müşteri memnuniyetini tahmin etmek için bir model kullanmayı planladığı kullanım durumunu göz önünde bulundurun; Sınıflandırma Görevi türü Duyarlılık Analizi Görev Modelini kullanmayı tercih edebilirler.

PaLM API'nin MakerSuite ile entegre edilmesi, Üretken Geliştirme Döngüsünü basitleştirir. MakerSuite, farklı algoritmalar kullanarak kullanıcının verileri üzerindeki modelleri eğitmek için bir model eğitim aracı, kullanıcıların modellerini üretime dağıtmasına olanak tanıyan bir model dağıtım aracı ve modelin üretimdeki performansını izlemek için bir model izleme aracı gibi bir dizi kaynak içerir.

GenAI Studio, kullanıcıların önceden eğitilmiş modellerden oluşan bir kitaplık, modellere ince ayar yapmak için araçlar, modelleri üretime dağıtmaya yönelik araçlar ve daha fazla destek için bir topluluk forumu gibi kaynaklarla GenAI modellerini hızlı bir şekilde keşfetmesine ve özelleştirmesine olanak tanır.

GenAI App Builder, kullanıcılara sürükle ve bırak arayüzü, uygulama içeriğini düzenlemek için görsel bir düzenleyici, yerleşik bir arama motoru ve konuşmaya dayalı bir yapay zeka motoru sağlar.

Bard , esasen ChatGPT'ye benzer bir Yüksek Lisans programı olan, etkileşimli bir yapay zeka aracıdır.

Google'dan Ücretsiz Yapay Zeka Kursları - Buna Değer mi?

Evet, en basit ifadeyle öyleler. Beni tanısaydınız, yeni öğrenme fırsatlarından her zaman yararlanmanın yanında olduğumu bilirdiniz.

Ancak kursun mükemmel olmadığını unutmamak önemlidir. Belirli konular arasında bazı örtüşmeler olabilir ve bu yalnızca Google'ın yapay zeka endüstrisine katkılarına odaklanmaktadır. Ek olarak, özellikle her modülün genellikle sınav başına yalnızca 3-5 sorudan oluştuğu göz önüne alındığında, sınavlar yeterince zorlayıcı olmayabilir.

Ancak kursun tamamen ücretsiz olduğunu ve başarılarınızı sosyal medya platformlarında ve özgeçmişinizde sergilemenize olanak tanıdığını dikkate almakta fayda var. Üstelik kurs kısa ve anlaşılır olduğundan çok fazla zamanınızı almaz. Al benden, yolu bir günden kısa sürede bitirmeyi başardım 👀

Üretken Yapay Zeka Öğrenme Yolculuğunuza Google Kurslarının Ötesinde Nasıl Devam Edebilirsiniz?

Öğrenme yolculuğumuzun hiçbir zaman tek bir kaynağa bağlı kalmaması gerektiğini düşünüyorum. İşte göz atabileceğiniz diğer kurslar:

• DeepLearning.AI'dan Büyük Dil Modellerine Sahip Üretken Yapay Zeka
• Microsoft'tan Üretken Yapay Zeka'ya Giriş
• AWS'nin AWS Teknik Derinlemesine İnceleme Serisinde Üretken Yapay Zeka Temelleri
• Vektörel Konuşabiliyor musun? Yüksek Lisans Dilini ve Datastax'tan Üretken Yapay Zekayı Anlamak
• Yeni Başlayanlar İçin Büyük Dil Modellerini (LLM) PaLM API ile Kullanma Kılavuzu

Diğerleri:

• Sarılma yüz
• Tensor akışı
• LangChain