#Roadmap detail

یک بحثی توی گروه شد راجب دوره و ...
بعد یک نفر به من پیام داد که تازه وارد دانشگاه شده و رشته کامپیوتر، سوالش این بود اگر خودت ۱۸ سالت باشه و قرار باشه AI یاد بگیری چطوری پیش میری ؟


حاشیه نمیرم ولی اگر من ۱۸ سالم می‌شد، اینکارو می‌کردم :

۱- بدون تعارف اول از همه اونقدر انگلیسی می‌خوندم که مقالات و کتابها رو درک کنم.

۲- لینوکس رو یاد میگرفتم؛ RHCSA, RHCE حداقلش بود

۳- مطمئن می‌شدم Network+ رو حداقل می‌فهمم.

۴- میرفتم سراغ دوره‌های Computer Science دانشگاهای برتر.
مثلاً دوره parallel computing دانشگاه stanford که مطمئنم ۹۰٪ شما ۱ ویدئوش رو هم ندیدید.

۵- دوره‌های سیستم‌ عامل و ... رو هم احتمالاً می‌خوندم.

۶- شروع میکردم یادگیری یک زبان برنامه‌نویسی اگر سختش نکنم، پایتون (یادگیری بطور کامل)

۶- ساختمان داده و الگوریتم رو برای پایتون یاد میگرفتم.

۷- الگوریتم‌های مهم رو سعی می‌کردم پیاده‌سازی کنم و درک کنم چه اتفاقی داره میوفته

۸- پایتون رو پیشرفته تر می‌خوندم، fluent python خیلی کتاب خوبی هست برای شروع این موضوع و باه fluent python تازه شروع ماجرا هست.

۹- مباحثی مثل : async, concurrent, parallel computing رو با جزئیات می‌خوندم. طوریکه خودم بتونم ی green thread پیاده‌سازی کنم (اینکار رو کردم)

۱۰- بعد از همه اینا میرفتم سراغ جبر و آمار و احتمال

۱۱- با مفاهیم ساده Machine learning شروع می‌کردم مفاهمی مثل KNN, ... اینکه چی پشتش هست و چطوری کار می‌کنه و ....

۱۲- پکیج‌های مربوطش رو یاد می‌گرفتم مثل:
Numpy, Scikit-learn, ...

۱۳- با دوره‌های پست
https://hottg.com/pytens/1486
شروع میکردم یادگیری رو

۱۴- هر دوره و بعد از هر درس، اگر می‌دیدم اون مبحث مهم هست بدون استفاده از کتابخونه سعی می‌کردم یا روی کاغذ بنویسم چطوری محاسباتش انجام می‌شه یا (خودم کاغذ دوست نیستم) سری می‌شستم یک پیاده‌سازی ازش میکردم توی پایتون و با numpy, ... که مطمئن بشم درست فهمیدم چی درس داده شده.

۱۵- همین کار رو برای تمام دوره‌های پایه‌ای میکردم (۳تا دوره هست هر کدوم شاید نهایتاً ۱۰ تا پیاده‌سازی بخواد)

۱۶- کار با فریمورک‌ها رو یاد می‌گرفتم، پایتورچ درحال حاضر منابع بیشتری داره

۱۷- مقالاتی که پیاده‌سازی داره ولی خیلی مهم هست (انقلابی بوده)
رو شروع می‌کردم خوندن و پیاده‌سازی بعد با سورس کد منتشر شده مقایسه میکردم.

۱۸- همین روند رو برای مقالات و ایده‌های جدیدی که منتشر میشه دنبال میکردم.


اگر کسی این رو جدی بگیره، ۴ سال دوره لیسانس هست وقتی فارغ‌التحصیل میشه تمام این ۱۸ مورد رو تموم کرده.
چیزایی که قراره توی ارشد و دکتری بخونه رو پیاده‌سازی کرده و البته سواد برنامه‌نویسی‌اش هم حداقل از ۹۰٪ هم سن و سال ‌های خودش بالاتر خواهد بود.

من اگر به ۱۸ سالگی برگردم، این ۱۸ تا کار رو جوری انجام میدم که قبل از پایان دوره لیسانس همش رو تموم کرده باشم (من خیلی‌هاش رو بعد از دوره لیسانس شروع کردم، مثلاً AI رو سال آخر دوره لیسانس شروع کردم که دیگه دیر بود، دوره‌های stanford, ... رو بعد‌ها شروع کردم و ...)

دستاوردهای یادگیری عمیق(InTec)

دستاوردهای یادگیری عمیق(InTec)

#Roadmap detail

یک بحثی توی گروه شد راجب دوره و ...
بعد یک نفر به من پیام داد که تازه وارد دانشگاه شده و رشته کامپیوتر، سوالش این بود اگر خودت ۱۸ سالت باشه و قرار باشه AI یاد بگیری چطوری پیش میری ؟


حاشیه نمیرم ولی اگر من ۱۸ سالم می‌شد، اینکارو می‌کردم :

۱- بدون تعارف اول از همه اونقدر انگلیسی می‌خوندم که مقالات و کتابها رو درک کنم.

۲- لینوکس رو یاد میگرفتم؛ RHCSA, RHCE حداقلش بود

۳- مطمئن می‌شدم Network+ رو حداقل می‌فهمم.

۴- میرفتم سراغ دوره‌های Computer Science دانشگاهای برتر.
مثلاً دوره parallel computing دانشگاه stanford که مطمئنم ۹۰٪ شما ۱ ویدئوش رو هم ندیدید.

۵- دوره‌های سیستم‌ عامل و ... رو هم احتمالاً می‌خوندم.

۶- شروع میکردم یادگیری یک زبان برنامه‌نویسی اگر سختش نکنم، پایتون (یادگیری بطور کامل)

۶- ساختمان داده و الگوریتم رو برای پایتون یاد میگرفتم.

۷- الگوریتم‌های مهم رو سعی می‌کردم پیاده‌سازی کنم و درک کنم چه اتفاقی داره میوفته

۸- پایتون رو پیشرفته تر می‌خوندم، fluent python خیلی کتاب خوبی هست برای شروع این موضوع و باه fluent python تازه شروع ماجرا هست.

۹- مباحثی مثل : async, concurrent, parallel computing رو با جزئیات می‌خوندم. طوریکه خودم بتونم ی green thread پیاده‌سازی کنم (اینکار رو کردم)

۱۰- بعد از همه اینا میرفتم سراغ جبر و آمار و احتمال

۱۱- با مفاهیم ساده Machine learning شروع می‌کردم مفاهمی مثل KNN, ... اینکه چی پشتش هست و چطوری کار می‌کنه و ....

۱۲- پکیج‌های مربوطش رو یاد می‌گرفتم مثل:
Numpy, Scikit-learn, ...

۱۳- با دوره‌های پست
https://hottg.com/pytens/1486
شروع میکردم یادگیری رو

۱۴- هر دوره و بعد از هر درس، اگر می‌دیدم اون مبحث مهم هست بدون استفاده از کتابخونه سعی می‌کردم یا روی کاغذ بنویسم چطوری محاسباتش انجام می‌شه یا (خودم کاغذ دوست نیستم) سری می‌شستم یک پیاده‌سازی ازش میکردم توی پایتون و با numpy, ... که مطمئن بشم درست فهمیدم چی درس داده شده.

۱۵- همین کار رو برای تمام دوره‌های پایه‌ای میکردم (۳تا دوره هست هر کدوم شاید نهایتاً ۱۰ تا پیاده‌سازی بخواد)

۱۶- کار با فریمورک‌ها رو یاد می‌گرفتم، پایتورچ درحال حاضر منابع بیشتری داره

۱۷- مقالاتی که پیاده‌سازی داره ولی خیلی مهم هست (انقلابی بوده)
رو شروع می‌کردم خوندن و پیاده‌سازی بعد با سورس کد منتشر شده مقایسه میکردم.

۱۸- همین روند رو برای مقالات و ایده‌های جدیدی که منتشر میشه دنبال میکردم.


اگر کسی این رو جدی بگیره، ۴ سال دوره لیسانس هست وقتی فارغ‌التحصیل میشه تمام این ۱۸ مورد رو تموم کرده.
چیزایی که قراره توی ارشد و دکتری بخونه رو پیاده‌سازی کرده و البته سواد برنامه‌نویسی‌اش هم حداقل از ۹۰٪ هم سن و سال ‌های خودش بالاتر خواهد بود.

من اگر به ۱۸ سالگی برگردم، این ۱۸ تا کار رو جوری انجام میدم که قبل از پایان دوره لیسانس همش رو تموم کرده باشم (من خیلی‌هاش رو بعد از دوره لیسانس شروع کردم، مثلاً AI رو سال آخر دوره لیسانس شروع کردم که دیگه دیر بود، دوره‌های stanford, ... رو بعد‌ها شروع کردم و ...)

Telegram

دستاوردهای یادگیری عمیق(InTec)

#Roadmap deep learning (zero to production)

یک دوره دیگه هم به این مجموعه اضافه شد.
مخصوص اونهایی که میخوان وارد صنعت بشوند و اینبار از MIT

تجربه من نشون داده ۸۰٪ این مفاهیم و کانسپت‌ها و البته پیاده‌سازی‌هارو ۹۹٪ درصد افرادی که توی این فیلد کار می‌کنند…

hottg.com/pytens/1691

8.5K viewsedited  Mar 31 at 11:27