के पढेँ, के प्रयास गरेँ

हामीविना सुरुसामग्री पहिल्यै यहीँ छ

चार भाषामा तीन निःशुल्क सुरुवाती सामग्री छन्।

• ढाँचाउद्देश्य, पाँच स्वयंसिद्ध, आधार-तत्त्व र केन्द्र होइन क्षमताका रूपमा बुद्धि।
• वास्तुचक्र, पाँच अटल नियम, तीन पुनरावृत्ति, नोड र लिङ्क।
• विकास-अभिलेखके विश्वास गरियो, वास्तविकताले के देखायो र के बदलियो भन्ने मितिसहितका सुधार।

पढ्नुहोस्, प्रश्न गर्नुहोस् वा हामीविनै विचार कार्यान्वयन गर्नुहोस्। प्रकाशन पनि डिजाइनकै अंश हो।

अब आउने भाग बनाउँदै आफैं सिकेर यो फराकिलो क्षेत्र बुझ्न चाहनेका लागि बाटो हो। त्यसपछि हामीले प्रत्यक्ष सिकाउने कुरा आउँछ।

स्वअध्ययनआधारभूत ज्ञानदेखि आधुनिक अभ्याससम्म, बनाउँदै सिक्ने बाटो

यी चरण क्रममै गर्नुहोस्, तर बनाउँदा आवश्यक परेपछि गणित सिक्नुहोस् — पहिले नै “गणित सक्न” नपर्खनुहोस्। हरेक चरणको अन्त्यमा आफूले बुझाउन, चलाउन वा जाँच्न सक्ने केही हुनुपर्छ।

1. समग्र रूप देख्नुहोस्

   यदि Python तपाईंका लागि नयाँ हो भने, CS50P बाट सुरु गर्नुहोस्। त्यसपछि दृश्य व्याख्याको सहायताले भेक्टर, डेरिभेटिभ, gradient descent र backpropagation लाई सहज र ठोस रूपमा बुझ्नुहोस्। गणितको पुस्तकलाई प्रवेशको सर्त होइन, आवश्यक पर्दा हेर्ने सन्दर्भका रूपमा छेउमै राख्नुहोस्।

   हातमा रहने कुरा: सानो neural network ले कसरी सिक्छ भन्ने सहज भाषाको व्याख्या।
   CS50P: Python 3Blue1Brown: neural networks Linear algebra Calculus Mathematics for Machine Learning
2. सिकाइ आफ्नै हातले चलाउनुहोस्

   Karpathy को Zero to Hero मा scalar autograd engine देखि सानो character-level language model सम्म जानुहोस्। कोड आफैं टाइप गर्नुहोस्, बदल्नुहोस्, बिगार्नुहोस्।

   बनाउने कुरा: हरेक लाइन बुझेको backpropagation र सानो language model।
   Neural Networks: Zero to Hero
3. तालिमको सीप सिक्नुहोस्

   optimization, training dynamics र debugging का लागि CS231n का छानिएका नोट, lecture र assignment प्रयोग गर्नुहोस्। उदाहरणहरू visual छन्, तर सीप computer vision बाहिर पनि लागू हुन्छ।

   पत्ता लगाउने कुरा: overfitting, खराब data, अस्थिर optimization र भ्रम दिने evaluation।
   Stanford CS231n
4. आजको ecosystem प्रयोग गर्नुहोस्

   Python र आधारभूत deep learning सहज भएपछि Hugging Face LLM Course गर्नुहोस्। Model, tokenizer, dataset, fine-tuning, evaluation र पुनरुत्पादन गर्न मिल्ने काम साझा गर्न सिक्नुहोस्।

   बनाउने कुरा: मूल्याङ्कन गरिएको सानो fine-tune, model card र पुनरुत्पादनयोग्य notebook।
   Hugging Face LLM Course
5. पूरै stack तालिम दिनुहोस्

   nanochat लाई सुरुबाट अन्त्यसम्म पढ्नुहोस् र चलाउनुहोस्: tokenizer, pretraining, supervised fine-tuning, evaluation र inference। Laptop मा सानोबाट सुरु गर्नुहोस्; क्षमतायुक्त reference run multi-GPU प्रयोग हो, निःशुल्क notebook को अभ्यास होइन।

   पछ्याउने कुरा: कच्चा text देखि मापन गरिएको conversation system सम्म एउटै model।
   Karpathy को nanochat
6. पाठ्यक्रमबाट अनुसन्धान-अभ्यासतिर जानुहोस्

   अन्तिम playlist हुँदैन। मूल paper, model card र code पढ्नुहोस्; एउटा दाबी पुनरुत्पादन गर्नुहोस्; सुधार्नुअघि evaluation बनाउनुहोस्; data, स्रोत-प्रमाण, खर्च र असफलता लेख्नुहोस्। Agent का लागि स्वायत्तताअघि पहिचान, अधिकार, सीमा र फिर्ता लिने बाटो थप्नुहोस्।

   प्रकाशित गर्ने कुरा: अर्को व्यक्तिले जाँच्न, प्रश्न गर्न र पुनरुत्पादन गर्न सक्ने प्रमाण।
   पढ्ने → पुनरुत्पादन गर्ने → मूल्याङ्कन गर्ने → प्रकाशित गर्ने

खुला प्रश्न

तुलनीय क्षमता प्रयोग गरी एउटै काम व्यक्तिगत, टोली र संयुक्त समुदायमा चलाउने। के जोगियो, के फेरि लेख्नुपर्‍यो, लागत र असफलता टिप्ने। यो प्रस्तावित प्रयोग हो; नतिजा वा वेबसाइट सुधार रोक्ने पूर्वसर्त होइन।