Муқаддима

Пас, табиист, ки омӯзиши мошинӣ шуморо ба ҳаяҷон овардааст ва мехоҳед ба ин соҳа ҳамроҳ шавед! Шояд мехоҳед ба роботи дар хона сохтаатон «мағзи» мустақил диҳед? Онро ба шинохтани чеҳраҳо омӯзонед? Ё ёд диҳед, ки дар атроф роҳ гардад?

Ё шояд ширкати шумо миқдори зиёди додаҳо дорад: сабтҳои фаъолияти корбарон, додаҳои молиявӣ, додаҳои истеҳсолӣ, маълумоти сенсорҳои дастгоҳҳо, омори хатти доимоамалкунандаи дастгирӣ, ҳисоботи шуъбаи кадрҳо ва ғайра. Эҳтимоли зиёд дорад, ки агар медонистед дар куҷо ҷустуҷӯ кардан лозим аст, аз ин додаҳо маълумоти арзишманди пинҳонро пайдо мекардед. Бо ёрии омӯзиши мошинӣ шумо метавонед корҳои зерин ва бисёр корҳои дигарро анҷом диҳед:

• Муштариёнро ба гурӯҳҳо ҷудо карда, барои ҳар гурӯҳ беҳтарин стратегияи маркетингро муайян кунед.
• Ба ҳар муштарӣ дар асоси харидҳои муштариёни ба ӯ монанд маҳсулот тавсия диҳед.
• Муайян кунед, ки кадом амалиёти молиявӣ эҳтимол қаллобӣ мебошанд.
• Даромади соли ояндаро пешгӯӣ кунед.
• Давраҳои авҷи сарбории кориро пешгӯӣ карда, шумораи мувофиқи кормандонро пешниҳод кунед.
• Барои кумак ба муштариён чатбот созед.

Новобаста аз сабаб, шумо қарор додед, ки омӯзиши мошиниро аз худ карда, онро дар лоиҳаҳоятон истифода баред. Фикри хуб!

Ҳадаф ва равиш

Ин китоб бо чунин фарз навишта шудааст, ки шумо дар бораи омӯзиши мошинӣ қариб чизе намедонед. Ҳадафи он ба шумо омӯзондани мафҳумҳо, абзорҳо ва дарки заруриест, ки барои сохтани барномаҳои аз додаҳо омӯзанда лозиманд.

Мо усулҳои зиёдеро баррасӣ мекунем: аз содатарин ва маъмултарини онҳо, ба монанди регрессияи хаттӣ, то баъзе усулҳои омӯзиши амиқ, ки пайваста дар мусобиқаҳо ғолиб мешаванд. Барои ин мо Python — забони пешсафи илми додаҳо ва омӯзиши мошинӣ — ва инчунин фреймворкҳои Python-и дорои рамзи кушода ва омода барои истифода дар муҳити воқеиро истифода мебарем:

• Scikit-Learn истифодаи хеле осон дорад, вале бисёр алгоритмҳои омӯзиши мошиниро самаранок амалӣ мекунад. Аз ин рӯ, он нуқтаи хуби оғоз барои омӯхтани омӯзиши мошинӣ мебошад. Онро Дэвид Курнапо соли 2007 офаридааст. Баъдан рушди онро гурӯҳи муҳаққиқони Пажӯҳишгоҳи миллии таҳқиқоти информатика ва автоматикаи Фаронса — Inria — роҳбарӣ мекарданд ва вақтҳои охир ин корро Probabl.ai пеш мебарад.
• PyTorch китобхонаи пурқувват ва чандир барои омӯзиши амиқ мебошад. Он имкон медиҳад, ки навъҳои гуногуни шабакаҳои нейронӣ самаранок омӯзонида ва иҷро карда шаванд. Ҳамчунин метавонад ҳисобкуниҳоро байни якчанд GPU — воҳиди коркарди графикӣ — тақсим кунад. PyTorch (PT) дар озмоишгоҳи таҳқиқоти зеҳни сунъии Facebook — FAIR — таҳия шуда, бори аввал соли 2016 нашр гардид. Он аз Torch, фреймворки қадимтаре, ки бо забони Lua навишта шуда буд, рушд ёфтааст. Соли 2022 PyTorch ба Бунёди PyTorch, ки зери чатри Бунёди Linux фаъолият мекунад, гузаронида шуд, то рушди он бо иштироки ҷомеа пеш бурда шавад.

Дар ҷараёни омӯзиш мо инчунин китобхонаҳои зерини омӯзиши мошинии дорои рамзи кушодаро истифода мебарем:

• XGBoost — дар боби 6 барои амалӣ кардани усули пурқуввате бо номи тақвияти градиентӣ.
• Китобхонаҳои Hugging Face — дар бобҳои 13 ва 15 барои боргирии маҷмӯаҳои додаҳо ва моделҳои пешакӣ омӯзонидашуда, аз ҷумла моделҳои трансформерӣ. Трансформерҳо бениҳоят пурқувват ва гуногункора буда, имрӯз ҷузъи асосии қариб ҳамаи ёварони зеҳни сунъӣ мебошанд.
• Gymnasium — дар боби 19 барои омӯзиши тақвиятӣ, яъне омӯзонидани агентҳои худмухтор.

Китоб ба равиши амалӣ такя мекунад: тавассути мисолҳои мушаххаси коркунанда ва миқдори ками назария, дарки омӯзиши мошиниро тадриҷан инкишоф медиҳад.

Маслиҳат. Гарчанде метавонед ин китобро бе кушодани ноутбук хонед, ман ба шумо ҷиддан тавсия медиҳам, ки мисолҳои кодро худатон санҷед.

Мисолҳои код

Ҳамаи мисолҳои коди ин китоб дорои рамзи кушода буда, дар шакли дафтарҳои Jupyter дар ин нишонӣ дастрасанд:

Ин дафтарҳо ҳуҷҷатҳои интерактивие мебошанд, ки матн, тасвирҳо ва порчаҳои коди иҷрошавандаро дар бар мегиранд. Дар мавриди мо, код бо Python навишта шудааст.

Осонтарин ва зудтарин роҳи оғоз ин иҷро кардани дафтарҳо дар Google Colab мебошад. Ин хидмати ройгон имкон медиҳад, ки ҳар гуна дафтари Jupyter-ро бевосита онлайн, бе насб кардани чизе дар компютери худ, иҷро кунед. Барои ин танҳо браузери веб ва ҳисоби Google лозим аст.

Эзоҳ. Дар ин китоб ман фарз мекунам, ки шумо Google Colab-ро истифода мебаред. Аммо дафтарҳоро дар платформаҳои дигари онлайн, аз ҷумла Kaggle ва Binder низ санҷидаам. Агар хоҳед, метавонед онҳоро истифода баред.

Инчунин метавонед китобхонаҳо ва абзорҳои зарурӣ ё тасвири Docker-и ин китобро насб карда, дафтарҳоро бевосита дар компютери худ иҷро кунед. Дастурҳо дар ин нишонӣ оварда шудаанд:

Эзоҳ. Натиҷаҳои чопшудаи код дар китоб ҳамонҳоеанд, ки дафтарҳои муаллиф дар Colab медиҳанд. Дар компютер, системаи амалӣ ё версияҳои дигари китобхонаҳо ададҳо метавонанд каме фарқ кунанд — масалан, рақамҳои охири касрҳо ё саҳеҳӣ ба андозаи як-ду намуна. Ин хато нест.

Ин китоб барои он навишта шудааст, ки ба шумо дар анҷом додани коратон кумак кунад. Агар хоҳед, ки ғайр аз мисолҳои код муҳтавои дигари китобро низ истифода баред ва ин истифода аз доираи қоидаҳои истифодаи одилона берун бошад.

Донишҳои пешакӣ

Дар ин китоб фарз карда мешавад, ки шумо каме таҷрибаи барномасозӣ бо Python доред. Агар ҳанӯз Python-ро надонед, сомонаи ҷойи хубе барои оғоз аст. Дастури расмӣ дар Python.org низ хеле хуб мебошад.

Ҳамчунин фарз карда мешавад, ки шумо бо китобхонаҳои асосии илмии Python, махсусан NumPy, pandas ва Matplotlib, шинос ҳастед. Агар онҳоро ҳеҷ гоҳ истифода набурда бошед, хавотир нашавед: омӯхтани онҳо осон аст ва ман барои ҳар кадом дастури омӯзишӣ омода кардаам. Онҳо дар ин нишонӣ дастрасанд:

Илова бар ин, агар хоҳед пурра фаҳмед, ки алгоритмҳои омӯзиши мошинӣ чӣ гуна кор мекунанд, на танҳо чӣ гуна истифода мешаванд, бояд ҳадди ақал бо чанд мафҳуми асосии математикӣ, махсусан алгебраи хаттӣ, шинос бошед.

Аз ҷумла, бояд донед, ки векторҳо ва матритсаҳо чистанд ва баъзе амалҳои одӣ, ба монанди ҷамъ кардани векторҳо, транспоза кардан ва зарб кардани матритсаҳо чӣ гуна иҷро мешаванд. Агар ба шиносоии кӯтоҳ бо алгебраи хаттӣ ниёз дошта бошед — он дар ҳақиқат он қадар душвор нест! — ман дар нишонии зерин дастур пешниҳод кардаам:

Дар он ҷо инчунин дастур оид ба ҳисоби дифференсиалӣ мавҷуд аст. Он метавонад барои фаҳмидани тарзи омӯзонидани шабакаҳои нейронӣ муфид бошад, аммо барои дарки мафҳумҳои муҳим комилан зарур нест.

Дар китоб гоҳ-гоҳ мафҳумҳои дигари математикӣ низ истифода мешаванд: функсияҳои нишондиҳандагӣ ва логарифмҳо, андаке назарияи эҳтимолият ва баъзе мафҳумҳои асосии омор. Вале ҳеҷ кадоми онҳо аз ҳад пешрафта нестанд. Агар дар яке аз ин мавзуъҳо ба кумак ниёз дошта бошед, ба нигаред. Он курсҳои зиёди аъло ва ройгони математикаро онлайн пешниҳод мекунад.

Нақшаи китоб

Ин китоб аз ду қисм иборат аст. Қисми I — «Асосҳои омӯзиши мошинӣ» — мавзуъҳои зеринро фаро мегирад:

• Омӯзиши мошинӣ чист, кадом масъалаҳоро ҳал мекунад ва гурӯҳҳою мафҳумҳои асосии системаҳои он кадоманд.
• Марҳилаҳои як лоиҳаи маъмулии омӯзиши мошинӣ.
• Омӯзиш тавассути мутобиқ кардани модел ба додаҳо.
• Ба ҳадди ақал расонидани функсияи хароҷот, яъне меъёри ченкунии хатогиҳои пешгӯӣ.
• Коркард, тозакунӣ ва омодасозии додаҳо.
• Интихоб ва сохтани хусусиятҳо, яъне майдонҳои додаҳо.
• Интихоби модел ва танзими гиперпараметрҳо бо истифода аз санҷиши салибӣ. Масалан, омӯзонидани вариантҳои зиёди модел ва интихоби варианте, ки дар додаҳои ҳангоми омӯзиш надидааш беҳтар кор мекунад.
• Мушкилоти омӯзиши мошинӣ, махсусан каммутобиқшавӣ ва аз ҳад мутобиқшавӣ — мувозинати байни ғараз ва парокандагӣ.
• Алгоритмҳои маъмултарини омӯзиш: регрессияи хаттӣ ва бисёрузвагӣ, регрессияи логистикӣ, усули k ҳамсояи наздиктарин, дарахтҳои қарор, ҷангалҳои тасодуфӣ ва усулҳои ансамблӣ.
• Кам кардани шумораи андозаҳои додаҳои омӯзишӣ барои мубориза бо «лаънати бисёрандозагӣ».
• Усулҳои дигари омӯзиши беназорат, аз ҷумла кластербандӣ, арзёбии зичӣ ва ошкор кардани ҳолатҳои ғайримуқаррарӣ.

Қисми II — «Шабакаҳои нейронӣ ва омӯзиши амиқ» — мавзуъҳои зеринро фаро мегирад:

• Шабакаҳои нейронӣ чистанд ва барои кадом вазифаҳо мувофиқанд.
• Сохтан ва омӯзонидани шабакаҳои амиқи нейронӣ бо PyTorch.
• Муҳимтарин меъмориҳои шабакаҳои нейронӣ:
  • шабакаҳои нейронии пешрав барои додаҳои ҷадвалӣ;
  • шабакаҳои конволютсионӣ барои биниши компютерӣ;
  • шабакаҳои бозгаштӣ ва шабакаҳои хотираи дарозмуддати кӯтоҳмуддат — LSTM — барои коркарди пайдарпайиҳо;
  • энкодерҳо ва декодерҳо, трансформерҳо, моделҳои фазои ҳолатҳо — SSM — ва меъмориҳои омехта барои коркарди забони табиӣ, биниши компютерӣ ва вазифаҳои дигар;
  • автоэнкодерҳо, шабакаҳои тавлидкунандаи рақобатӣ — GAN — ва моделҳои диффузионӣ барои омӯзиши тавлидӣ.
• Сохтани агент, масалан бот дар бозӣ, ки бо истифода аз омӯзиши тақвиятӣ тавассути озмоишу хато стратегияҳои хубро меомӯзад.
• Боркунӣ ва коркарди пешакии самараноки ҳаҷми зиёди додаҳо.

Қисми аввал асосан ба Scikit-Learn, қисми дуюм бошад, асосан ба PyTorch такя мекунад.

Диққат. Барои ворид шудан ба мавзуъҳои мураккаб аз ҳад шитоб накунед: омӯзиши амиқ, бешубҳа, яке аз соҳаҳои ҷолибтарини омӯзиши мошинӣ аст, аммо аввал бояд асосҳоро хуб аз худ кунед.

Ғайр аз ин, бисёр масъалаҳоро бо усулҳои содатар, аз ҷумла ҷангалҳои тасодуфӣ ва усулҳои ансамблӣ, ки дар қисми I баррасӣ мешаванд, низ хеле хуб ҳал кардан мумкин аст.

Омӯзиши амиқ бештар барои масъалаҳои мураккаб, ба монанди шинохти тасвир, шинохти нутқ ё коркарди забони табиӣ, мувофиқ аст. Он аксар вақт додаҳои зиёд, иқтидори баланди ҳисоббарорӣ ва сабрро талаб мекунад — магар он ки, чунон ки баъдтар хоҳед дид, аз шабакаи нейронии пешакӣ омӯзонидашуда истифода баред.

Агар ба мавзуи муайяне таваҷҷуҳи махсус дошта бошед ва хоҳед ҳарчи зудтар ба он бирасед, расми P-1 нишон медиҳад, ки аввал бояд кадом бобҳоро хонед ва кадомҳоро метавонед бе мушкил гузаронед.

Расми P-1. Вобастагии байни бобҳо.

Фарқиятҳои байни версияҳои TensorFlow ва PyTorch

Ман се нашри ин китобро бо TensorFlow (TF) навиштаам, ки онҳоро O’Reilly солҳои 2017, 2019 ва 2022 нашр кардааст. TF солҳои зиёд китобхонаи пешсафи омӯзиши амиқ буд. Google онро дар дохили ширкат истифода мебурд ва аз ин рӯ, он барои истифодаи васеъмиқёс дар муҳити воқеӣ беҳинасозӣ шуда буд.

Аммо PyTorch ба туфайли содагӣ, чандирӣ ва кушода буданаш тадриҷан пешсаф шуд. Ҳоло он дар мақолаҳои илмӣ ва лоиҳаҳои дорои рамзи кушода бартарӣ дорад. Ин маънои онро дорад, ки аксари моделҳои нав аввал барои PyTorch дастрас мешаванд. Дар натиҷа, саноат низ тадриҷан ба PyTorch рӯ овард.

Дар солҳои охир Google сармоягузориашро ба TensorFlow кам карда, бештар ба JAX таваҷҷуҳ намуд. JAX низ китобхонаи аълои омӯзиши амиқ аст, ки хусусиятҳои муносибро ҳам барои таҳқиқот ва ҳам барои истифода дар муҳити воқеӣ муттаҳид мекунад. Аммо дар муқоиса бо PyTorch, истифодаи он ҳанӯз чандон васеъ нест.

Маҳз барои ҳамин, ин дафъа ман PyTorch-ро интихоб кардам! Мо бо O’Reilly қарор додем, ки ин китоб нашри аввали силсилаи нави PyTorch бошад. Ин қарор имкон медиҳад, ки дар оянда силсилаи JAX ё шояд нашри нави силсилаи TF низ таҳия шавад. Вақт нишон медиҳад, ки ба кадоме аз онҳо ниёз хоҳад буд.

Агар шумо аллакай охирин версияи TensorFlow-и ин китобро хонда бошед, дар китоби нав тағйироти асосии зеринро хоҳед дид. Маълумоти бештар дар дастрас аст:

• Ҳамаи кодҳои китоб барои версияҳои навтари китобхонаҳо нав карда шуданд.
• Ҳамаи кодҳои қисми II аз TensorFlow ва Keras ба PyTorch гузаронида шуданд. Дар ҳамаи бобҳои ин қисм тағйироти назаррас ворид гардид.
• Муҳтавои махсуси TensorFlow, аз ҷумла бобҳои пешинаи 12 ва 13 ва замимаҳои пешинаи C ва D, хориҷ карда шуд.
• Акнун боби 10 ба шиносоӣ бо PyTorch бахшида шудааст.
• Ман инчунин се боби нав дар бораи трансформерҳо илова кардам:
  • Боби 15 трансформерҳоро барои коркарди забони табиӣ, аз ҷумла тарзи сохтани чатбот, баррасӣ мекунад.
  • Боби 16 трансформерҳои биноӣ ва бисёрмодалиро муаррифӣ мекунад.
  • Боби 17 якчанд усули пешрафтаро барои суръатбахшӣ ва васеъ кардани миқёси трансформерҳо баррасӣ мекунад. Ба онҳо FlashAttention, омехтаи коршиносон — MoE, мутобиқсозии ранги паст — LoRA — ва бисёр усулҳои дигар дохил мешаванд.
• Ҳамчунин се замимаи нав илова шудааст: замимаи B мефаҳмонад, ки чӣ гуна моделҳоро хурд кардан мумкин аст, то онҳо тезтар кор кунанд ва дар дастгоҳҳои хурдтар ҷой гиранд; «Рамзгузории мавқеии нисбӣ» усулҳои пешрафтаи рамзгузории мавқеиро барои трансформерҳо баррасӣ мекунад; «Моделҳои фазои ҳолатҳо — SSM» ин навъи моделҳоро муаррифӣ мекунад.
• Барои ҷой додани муҳтавои нав, боби мошинҳои векторҳои такягоҳӣ — SVM — ба шакли онлайн гузаронида шуда, замимаи C ном гирифт. Ду замимаи охирин низ дар онлайн дастрасанд. Қисме аз боби ҷойгиркунӣ ва ба кор андохтани моделҳо ба боби 10 ҳамроҳ карда шуд.

Се нашри версияи TensorFlow/Keras-и ин китоб бо номҳои кӯтоҳи homl1, homl2 ва homl3 маъруфанд. Ин китоб, ки нашри аввали версияи PyTorch мебошад, homlp ном гирифтааст. Кӯшиш кунед ин номро се бор пайи ҳам талаффуз кунед!

Эзоҳи тарҷумон. Дар нашри аслӣ боби 17 танҳо онлайн дастрас аст; дар ин китоб он ҳамчун боби 17 омадааст (ҳоло танҳо муқаддимааш тарҷума шудааст). Замимаҳо ба ин тарҷума дохил нестанд.

Эзоҳ. Аксари тағйирот нисбат ба охирин нашри TensorFlow дар қисми дуюми китоб ҷой доранд. Агар homl3-ро хонда бошед, дар қисми якум тағйироти калонро интизор нашавед: мафҳумҳои бунёдии омӯзиши мошинӣ аз соли 2022 инҷониб тағйир наёфтаанд.

Манбаъҳои дигар

Барои омӯхтани омӯзиши мошинӣ манбаъҳои аълои зиёде мавҷуданд. Масалан, курси омӯзиши мошинии Эндрю Нг дар Coursera бисёр хуб аст, гарчанде барои гузаштани он вақти зиёд лозим мешавад.

Ҳамчунин сомонаҳои ҷолиби зиёде дар бораи омӯзиши мошинӣ ҳастанд, аз ҷумла Роҳнамои корбари Scikit-Learn, ки сифати хеле баланд дорад. Шояд Dataquest низ ба шумо писанд ояд: он дарсҳои интерактивии хеле хуб пешниҳод мекунад. Илова бар ин, блогҳо ва каналҳои бешумори YouTube оид ба омӯзиши мошинӣ мавҷуданд.

Китобҳои муқаддимавии дигар низ зиёданд. Аз ҷумла:

• Ҷоэл Грас — «Data Science from Scratch» («Илми додаҳо аз сифр»), нашри 2, O’Reilly. Асосҳои омӯзиши мошиниро шарҳ медиҳад ва баъзе алгоритмҳои асосиро танҳо бо Python амалӣ мекунад — тавре аз номаш бармеояд, аз сифр.

• Стивен Марсланд — «Machine Learning: An Algorithmic Perspective» («Омӯзиши мошинӣ аз дидгоҳи алгоритмӣ»), нашри 2, Chapman & Hall. Муқаддимаи хеле хубест, ки доираи васеи мавзуъҳоро амиқ баррасӣ мекунад ва мисолҳои кодро бо Python пешниҳод менамояд. Дар ин ҷо низ алгоритмҳо аз сифр, вале бо истифода аз NumPy, сохта мешаванд.

• Себастян Рашка — «Machine Learning with PyTorch and Scikit-Learn» («Омӯзиши мошинӣ бо PyTorch ва Scikit-Learn»), нашри 1, Packt Publishing. Ин низ муқаддимаи хеле хубест ба омӯзиши мошинӣ бо истифода аз Scikit-Learn ва PyTorch.

• Франсуа Шолле — «Deep Learning with Python» («Омӯзиши амиқ бо Python»), нашри 3, Manning. Китоби бисёр амалӣ аст, ки мавзуъҳои гуногунро равшан ва мухтасар шарҳ медиҳад — ҳамон тавре ки аз муаллифи китобхонаи аълои Keras интизор шудан мумкин аст. Дар он ба мисолҳои код нисбат ба назарияи математикӣ бештар аҳаммият дода мешавад.

• Андрий Бурков — «The Hundred-Page Machine Learning Book» («Китоби садсаҳифагии омӯзиши мошинӣ»), нашри мустақил. Китоб хеле кӯтоҳ аст, аммо доираи васеи мавзуъҳоро фаро мегирад. Он мавзуъҳоро бо забони фаҳмо муаррифӣ мекунад ва ҳамзамон аз истифодаи муодилаҳои математикӣ худдорӣ намекунад.

• Ясер С. Абумустафо, Малик Магдон-Исмоил ва Ҳсуан-Тиен Лин — «Learning from Data» («Омӯзиш аз додаҳо»), AMLBook. Ба омӯзиши мошинӣ аз дидгоҳи назариявӣ бештар менигарад ва дарки амиқ медиҳад, махсусан дар масъалаи мувозинати байни ғараз ва парокандагӣ. Ба боби 4 нигаред.

• Стюарт Рассел ва Питер Норвиг — «Artificial Intelligence: A Modern Approach» («Зеҳни сунъӣ: равиши муосир»), нашри 4, Pearson. Китоби аъло ва хеле ҳаҷмнокест, ки шумораи бениҳоят зиёди мавзуъҳо, аз ҷумла омӯзиши мошиниро фаро мегирад. Он кумак мекунад, ки ҷойгоҳи омӯзиши мошиниро дар доираи васеътари зеҳни сунъӣ дарк кунед.

• Ҷереми Ҳовард ва Силвен Гуггер — «Deep Learning for Coders with fastai and PyTorch» («Омӯзиши амиқ барои барномасозон бо fastai ва PyTorch»), O’Reilly. Муқаддимаи бисёр равшан ва амалӣ ба омӯзиши амиқ бо истифода аз китобхонаҳои fastai ва PyTorch мебошад.

• Эндрю Нг — «Machine Learning Yearning». Китоби электронии ройгонест, ки омӯзиши мошиниро бо мулоҳизаҳои амиқ баррасӣ мекунад. Таваҷҷуҳи асосӣ ба ҷанбаҳои амалии сохтан ва ба кор андохтани моделҳо, аз ҷумла сифати додаҳо ва нигоҳдории дарозмуддат, равона шудааст.

• Люис Танстолл, Леандро фон Верра ва Томас Волф — «Natural Language Processing with Transformers: Building Language Applications with Hugging Face» («Коркарди забони табиӣ бо трансформерҳо: сохтани барномаҳои забонӣ бо Hugging Face»), O’Reilly. Роҳнамои аълои амалӣ барои омӯзиши амиқи трансформерҳо бо истифода аз китобхонаҳои машҳури Hugging Face мебошад.

• Ҷей Аламмар ва Маартен Гротендорст — «Hands-On Large Language Models» («Моделҳои бузурги забонӣ дар амал»). Китоби зебо мусавваршуда дар бораи моделҳои бузурги забонӣ — LLM — мебошад. Он ҳамаи донишҳои заруриро барои фаҳмидан, омӯзонидан, танзими нозук ва истифодаи LLM-ҳо дар вазифаҳои гуногун фаро мегирад.

Ниҳоят, ҳамроҳ шудан ба сомонаҳои мусобиқаҳои омӯзиши мошинӣ, ба монанди Kaggle.com, имкон медиҳад, ки малакаҳои худро дар ҳалли масъалаҳои воқеӣ машқ кунед ва аз кумаку таҷрибаи баъзе аз беҳтарин мутахассисони ин соҳа баҳра баред.