क्या पढ़ा, क्या आज़माया

हमारे बिना शुरूसामग्री पहले से यहीं है

चार भाषाओं में तीन मुफ़्त शुरुआती सामग्री उपलब्ध हैं।

• ढाँचाउद्देश्य, पाँच स्वयंसिद्ध, आधार-तत्व और केंद्र नहीं बल्कि क्षमता के रूप में बुद्धि।
• वास्तुचक्र, पाँच अटल नियम, तीन पुनरावृत्तियाँ, नोड और लिंक।
• विकास-अभिलेखक्या माना गया, वास्तविकता ने क्या दिखाया और क्या बदला — तारीख़ सहित।

पढ़िए, चुनौती दीजिए या हमारे बिना विचारों को कार्यान्वित कीजिए। प्रकाशन भी डिज़ाइन का हिस्सा है।

अगला भाग उनके लिए है जो बनाते हुए इस विस्तृत क्षेत्र को स्वयं सीखना चाहते हैं। उसके बाद वह आता है जो हम सीधे सिखाते हैं।

स्व-अध्ययनबुनियाद से आधुनिक अभ्यास तक, बनाते हुए सीखने का रास्ता

इन चरणों को क्रम में कीजिए, लेकिन गणित तब सीखिए जब किसी निर्माण में उसकी ज़रूरत पड़े — पहले “सारा गणित पूरा” होने की प्रतीक्षा मत कीजिए। हर चरण के अंत में कुछ ऐसा हो जिसे आप समझा, चला या जाँच सकें।

1. समग्र आकार देखिए

   अगर Python आपके लिए नया है, तो CS50P से शुरू कीजिए। फिर दृश्य व्याख्याओं की मदद से vectors, derivatives, gradient descent और backpropagation को ठोस रूप में समझिए। गणित की पुस्तक को प्रवेश-शर्त नहीं, ज़रूरत पड़ने पर देखने वाला संदर्भ मानकर पास रखिए।

   साथ लेकर निकलें: छोटा neural network कैसे सीखता है, इसकी सहज भाषा में व्याख्या।
   CS50P: Python 3Blue1Brown: neural networks Linear algebra Calculus Mathematics for Machine Learning
2. सीखने की प्रक्रिया स्वयं बनाइए

   Karpathy के Zero to Hero को scalar autograd engine से छोटे character-level language model तक कीजिए। कोड स्वयं टाइप कीजिए; बदलिए; तोड़िए।

   बनाइए: हर पंक्ति समझ में आने वाला backpropagation और छोटा language model।
   Neural Networks: Zero to Hero
3. प्रशिक्षण की कारीगरी सीखिए

   optimization, training dynamics और debugging के लिए CS231n के चुने हुए notes, lectures और assignments का उपयोग कीजिए। उदाहरण vision के हैं, लेकिन यह कारीगरी computer vision से बहुत आगे लागू होती है।

   पहचानिए: overfitting, ख़राब data, अस्थिर optimization और भ्रम पैदा करने वाला evaluation।
   Stanford CS231n
4. आधुनिक ecosystem का उपयोग कीजिए

   Python और बुनियादी deep learning सहज लगने पर Hugging Face LLM Course कीजिए। Models, tokenizers, datasets, fine-tuning, evaluation और पुनरुत्पाद्य काम साझा करना सीखिए।

   बनाइए: छोटा मूल्यांकित fine-tune, model card और पुनरुत्पाद्य notebook।
   Hugging Face LLM Course
5. पूरे stack को प्रशिक्षित कीजिए

   nanochat को शुरू से अंत तक पढ़िए और चलाइए: tokenizer, pretraining, supervised fine-tuning, evaluation और inference। Laptop पर छोटे से शुरू कीजिए; सक्षम reference run multi-GPU प्रयोग है, मुफ़्त notebook का अभ्यास नहीं।

   अनुसरण कीजिए: कच्चे text से मापे गए conversation system तक एक model की पूरी यात्रा।
   Karpathy का nanochat
6. कोर्स से शोध-अभ्यास की ओर बढ़िए

   कोई अंतिम playlist नहीं है। मूल papers, model cards और code पढ़िए; एक दावे को पुनरुत्पादित कीजिए; optimization से पहले evaluation बनाइए; data, provenance, लागत और विफलताएँ दर्ज कीजिए। Agents के लिए autonomy से पहले identity, authority, limits और revocation जोड़िए।

   प्रकाशित कीजिए: ऐसा प्रमाण जिसे कोई दूसरा जाँच, चुनौती और पुनरुत्पादित कर सके।
   पढ़ें → पुनरुत्पादित करें → मूल्यांकन करें → प्रकाशित करें

खुला प्रश्न

तुलनीय क्षमताओं से एक काम व्यक्तिगत, टीम और संयुक्त समुदाय में चलाएँ। क्या बचा, क्या दोबारा लिखना पड़ा, लागत और विफलताएँ दर्ज करें। यह प्रस्तावित प्रयोग है, नतीजा या पृष्ठ संशोधन रोकने की पूर्वशर्त नहीं।