Machine Learning Fundamentals

Get the core ideas and set up right.

1. Next up

   Machine learning: how systems learn from examples

   ეს გაკვეთილი შეგასწავლით Machine Learning-ის (ML) ფუნდამენტურ კონცეფციას — როგორ სწავლობს სისტემა მაგალითებიდან განმეორებად ნიმუშებს, ნაცვლად წინასწარ დაწერილი წესების მიღებისა. ჩვენ განვიხილავთ ამ პრინციპს Netflix-ის რეკომენდაციების სისტემისა და AI ჩათ-ასისტენტების (როგორიცაა ChatGPT) მაგალითებზე.

   9 minFreeStart
2. Classification: sorting inputs into defined categories

   ამ გაკვეთილში შეისწავლით ხელოვნური ინტელექტის ერთ-ერთ ფუნდამენტურ ამოცანას — კლასიფიკაციას. გაიგებთ, როგორ არჩევს სისტემა წინასწარ განსაზღვრულ კატეგორიებს შორის, რა როლს თამაშობს კლასების მკაფიო განსაზღვრა და როგორ მართავს კლასიფიკაციის შედეგები რეალურ ბიზნეს პროცესებს.

   6 min
3. Regression: predicting continuous values with AI

   ეს გაკვეთილი გაგაცნობთ რეგრესიის კონცეფციას ხელოვნურ ინტელექტში, რომელიც პასუხობს კითხვას „რამდენი იქნება?“. Google Maps-ის ETA-ს მაგალითზე შეისწავლით, როგორ პროგნოზირებს AI უწყვეტ მნიშვნელობებს და როგორ უნდა აღიქვათ ეს პროგნოზები ბიზნესსა და ChatGPT-თან მუშაობისას.

   9 min
4. Features: the signals AI uses to read the world

   ამ გაკვეთილში შეისწავლით, თუ როგორ აღიქვამს Machine Learning სისტემა სამყაროს სიგნალების, ანუ ნიშან-თვისებების მეშვეობით. გაეცნობით მათ ტიპებს, მნიშვნელობასა და იმას, თუ როგორ უნდა მართოთ ისინი ეფექტური AI კომუნიკაციისთვის, როგორც რეკომენდაციის სისტემებში, ისე AI ასისტენტებთან მუშაობისას.

   6 min
5. Ranking: how AI orders and prioritizes information

   ამ გაკვეთილში შეისწავლით რეიტინგის (Ranking) კონცეფციას, რომელიც AI სისტემებს ეხმარება გადაწყვიტონ, რა რიგითობით წარმოადგინონ ინფორმაცია. გაიგებთ, თუ როგორ განსხვავდება ის კლასიფიკაციისგან, რატომ არის მრავალმიზნობრივი და როგორ უნდა გამოიყენოთ ეს ცოდნა ChatGPT-სთან ეფექტური კომუნიკაციისთვის.

   6 min
6. Similarity: the foundation of AI recommendations

   ეს გაკვეთილი შეისწავლის მსგავსების ფუნდამენტურ კონცეფციას მანქანურ სწავლებაში, რომელიც საფუძვლად უდევს უამრავ AI სისტემას, დაწყებული პროდუქტის რეკომენდაციებიდან, დამთავრებული AI ასისტენტების პასუხებით. გაიგებთ, როგორ აღიქვამს AI მსგავსებას და როგორ შეგიძლიათ მისი ეფექტურად მართვა სასურველი შედეგების მისაღებად.

   6 min

Apply what you learn on real tasks.

1. Anomaly detection: identifying unusual patterns in data

   ეს გაკვეთილი გაგაცნობთ ანომალიის აღმოჩენის კონცეფციას ხელოვნურ ინტელექტში. თქვენ შეისწავლით, თუ როგორ განვასხვავოთ ნორმალური და უჩვეულო შემთხვევები მონაცემებში, გაეცნობით მის პრაქტიკულ გამოყენებას, მათ შორის ChatGPT-ის კონტექსტში, და გაიგებთ, თუ რატომ არის ეს ამოცანა განსაკუთრებით მნიშვნელოვანი ისეთ სფეროებში, როგორიცაა ფინანსები და უსაფრთხოება.

   3 min
2. Clustering: grouping similar data without predefined labels

   ამ გაკვეთილში შეისწავლით კლასტერიზაციის კონცეფციას, თუ როგორ აჯგუფებს AI მსგავს მონაცემებს წინასწარი კატეგორიების გარეშე. გაეცნობით Google Photos-ისა და ChatGPT-ის პრაქტიკულ მაგალითებს, ასევე კლასტერიზაციის მასშტაბის მნიშვნელობას და ადამიანის როლს ამ პროცესში.

   6 min
3. Learning loop: how feedback improves AI over time

   ეს გაკვეთილი განმარტავს, თუ როგორ ფუნქციონირებს Machine Learning სისტემები უწყვეტი სასწავლო ციკლის მეშვეობით. თქვენ შეისწავლით უკუკავშირის გადამწყვეტ როლს AI-ის გაუმჯობესებაში, განასხვავებთ უკუკავშირის ტიპებს და გააცნობიერებთ ადამიანის აქტიურ როლს ამ პროცესში.

   6 min
4. ML evaluation: measuring model quality with the right metrics

   ეს გაკვეთილი განიხილავს ხელოვნური ინტელექტის (AI) სისტემების შეფასების კრიტიკულ მნიშვნელობას. ჩვენ შევისწავლით, თუ რატომ არ არის საკმარისი ერთი საერთო მეტრიკა, როგორ უნდა გავითვალისწინოთ კონტექსტი და როგორ შევქმნათ ეფექტური შეფასების ჩარჩოები AI მოდელების რეალური ღირებულების გასაზომად.

   6 min
5. Cost of AI errors: false positives vs. false negatives

   ეს გაკვეთილი განიხილავს, თუ როგორ განსხვავდება ხელოვნური ინტელექტის მიერ დაშვებული შეცდომების ფასი და მნიშვნელობა სხვადასხვა კონტექსტში. თქვენ შეისწავლით ცრუ დადებითი და ცრუ უარყოფითი შეცდომების ცნებებს, მათ გავლენას AI სისტემის დიზაინსა და Prompt-ების ფორმულირებაზე, რათა უკეთ მართოთ რისკები და მიიღოთ ოპტიმალური შედეგები.

   3 min

Build something that is truly yours.

1. Overfitting: when an AI model memorizes instead of generalizing

   ეს გაკვეთილი განიხილავს ზედმეტად სწავლის (overfitting) კონცეფციას ხელოვნურ ინტელექტში, როდესაც მოდელი ზედმეტად ეჩვევა წარსულ მონაცემებს და კარგავს განზოგადების უნარს ახალ სიტუაციებში. ჩვენ შევისწავლით, თუ როგორ ვლინდება ეს პრობლემა AI სისტემებში, მათ შორის ChatGPT-ში, და როგორ შეგვიძლია მისი თავიდან აცილება ეფექტური Prompt-ინგის მეშვეობით.

   6 min
2. Data drift: keeping AI models accurate as the world changes

   ეს გაკვეთილი შეისწავლის მონაცემთა გადანაცვლების (Data Drift) კონცეფციას AI სისტემებში. გაიგებთ, თუ რატომ შეიძლება მოდელების ეფექტურობა შემცირდეს დროთა განმავლობაში გარემოს ცვლილებების გამო და როგორ ამოვიცნოთ და ვმართოთ ეს მოვლენა.

   6 min
3. Bias in AI: how training data shapes model decisions

   ეს გაკვეთილი განიხილავს, თუ როგორ შეიძლება მიკერძოება შევიდეს ხელოვნური ინტელექტის სისტემებში სასწავლო მონაცემებიდან. ჩვენ შევისწავლით მიკერძოების სხვადასხვა ფორმას, მის გავლენას AI-ის გადაწყვეტილებებზე და ეფექტურ სტრატეგიებს მის სამართავად, განსაკუთრებით დიდი ენობრივი მოდელების (LLM) გამოყენებისას.

   6 min
4. ChatGPT and Claude: probabilistic outputs and prompt control

   ეს გაკვეთილი გიხსნით, თუ როგორ მუშაობს ChatGPT-ისა და Claude-ის პასუხების გენერირება — როგორც ალბათობრივი არჩევანი და არა დეტერმინისტული ცოდნა. თქვენ შეისწავლით, თუ როგორ მოქმედებს Prompt-ის სიზუსტე და კონტექსტი შედეგზე, რაც საშუალებას მოგცემთ, უფრო ეფექტურად მართოთ AI ასისტენტებთან კომუნიკაცია.

   6 min
5. Human-in-the-Loop: balancing AI automation with human oversight

   ამ გაკვეთილში შეისწავლით, თუ როგორ უნდა დააბალანსოთ AI-ის ავტომატიზაციის შესაძლებლობები ადამიანის ზედამხედველობასთან. გაიგებთ, სად არის მიზანშეწონილი AI-ს სრული ნდობა და სად არის აუცილებელი ადამიანის ჩართულობა, რათა უზრუნველყოთ ხარისხი და უსაფრთხოება.

   6 min