rasbt

🔥 Объёмные макеты UI, поиск шпионского ПО и своя LLM с нуля - находки GitHub #shorts #github Больше полезных находок каждый день - в Telegram: t.me Подборка интересных находок с GitHub за 28.10.2026: enesozturk/dimensional-drawing, interplains/Zero-Breach-Toolkit, rasbt/LLMs-from-scratch. Сохраняй, чтобы не потерять 💾 enesozturk/dimensional-drawing: enesozturk/dimensional-drawing Скилл для AI-агентов, который рисует UI-компоненты в виде объёмных иллюстраций в стиле Apple: слои с глубиной, тенями и анимацией. Пригодится дизайнерам и фронтендерам для презентаций, лендингов и документации. interplains/Zero-Breach-Toolkit: interplains/Zero-Breach-Toolkit Офлайн-набор проверок на следы известного коммерческого шпионского ПО: работает на Windows, macOS и Linux, а также с Android-телефонами и резервными копиями iPhone. Пригодится журналистам, активистам и всем, кто хочет проверить свои устройства без отправки данных в облако. rasbt/LLMs-from-scratch: rasbt/LLMs-from-scratch Пошаговый курс по созданию ChatGPT-подобной языковой модели на PyTorch с нуля: токенизатор, механизм внимания, предобучение, дообучение и инструктивная настройка. Подойдёт разработчикам, которые хотят разобраться, как устроены LLM изнутри, а не просто вызывать готовые API. #shorts #dev #github #useful #opensource гитхаб, гитхаб подборка, лучшее на гитхаб, новое гитхаб, гитхаб бесплатно, гитхаб ии, гитхаб мсп, гитхаб репы, гитхаб репозитории, лучшие репозитории, рейтинг гитхаб, github ai, best github, new github

Modelos de razonamiento: las 4 etapas de su entrenamiento Casi todos los modelos de lenguaje que usás en 2026 ya piensan antes de responder. GPT, Gemini, Qwen y los modelos de Anthropic ofrecen un modo de razonamiento que se puede activar o apagar, y esa deliberación extra es lo que separa a un chatbot que completa texto de un sistema capaz de resolver un problema matemático complejo paso a paso. Sebastian Raschka, autor de referencia en construir LLM desde cero, publicó en octubre de 2026 el libro y las clases que explican cómo se entrena uno de estos modelos de razonamiento: evaluación, escalado en tiempo de inferencia, aprendizaje por refuerzo y distillation. Este artículo usa ese trabajo como mapa técnico para explicar el proceso completo, con ejemplos propios en Python. TL;DR - Construir un razonador combina evaluación, escalado en inferencia, RL verificable y distillation hacia modelos chicos.- El escalado en tiempo de inferencia gasta más cómputo al responder, vía muestreo y voto por mayoría.- RLVR premia solo la respuesta final verificable, el método que usó DeepSeek-R1 sin etiquetar pasos intermedios.- La distillation transfiere el comportamiento de un modelo grande a uno chico con una pérdida KL entre sus salidas.- GRPO calcula la ventaja comparando respuestas entre sí, sin la red de valor separada que usa PPO. ¿Qué son los modelos de razonamiento? Los modelos de razonamiento son LLM entrenados, además del preentrenamiento estándar, para generar una cadena de pasos intermedios antes de dar la respuesta final, y para revisar o corregir esos pasos cuando detectan un error, en lugar de predecir directamente el siguiente token más probable sin deliberar. La idea no es nueva: el chain-of-thought ya existía como técnica de prompting. Lo que cambió es que ahora se entrena esa deliberación con reinforcement learning, en vez de pedirla solo con un prompt ingenioso. El modelo aprende, con la práctica, cuándo pensar más y cuándo responder directo. Por qué importa ahora La fuente de este artículo lo resume en una frase: casi todos los LLM de generación actual ya son modelos razonadores u ofrecen un modo de razonamiento activable. Lo que empezó como una especialidad para matemáticas y código generalizó a otros dominios: redacción legal, diagnóstico técnico, planificación de tareas largas. Raschka propone una analogía útil para ubicar estos modelos en el panorama de agentes de IA: el modelo razonador es el motor, y el agent harness (el software que gestiona contexto y da acceso a herramientas) es el vehículo que lo rodea. Un agente puede usar un LLM convencional, pero casi siempre elige un razonador porque resuelve mejor tareas con pasos intermedios, como reservar un viaje completo o depurar un bug real en un repositorio grande. Por eso entender cómo se entrena uno de estos modelos no es un ejercicio académico. Es la pieza que determina si el agente que programás esta semana sostiene un plan de quince pasos: o se pierde en el tercero. Cómo se evalúa un modelo de razonamiento Antes de entrenar nada hay que poder medir si el modelo mejora. La evaluación de un razonador se apoya en benchmarks con respuesta verificable: problemas de matemática tipo GSM8K o AIME, ejercicios de programación con tests automáticos tipo LiveCodeBench, acertijos lógicos con una única solución correcta. La métrica más simple es pass@1. El modelo responde una sola vez y se compara contra la respuesta correcta. Pass@k es más exigente. El modelo genera k intentos independientes y se considera un acierto si al menos uno es correcto. La diferencia entre ambas métricas revela si el modelo falla por falta de capacidad o por falta de consistencia. El verificador que decide si una respuesta es correcta es, en el fondo, una función simple. Para matemática alcanza con extraer el número final y compararlo contra la referencia: import re def grade_answer(prediction: str, reference: str) -> bool: def normalize(text): match = re.search(r"-?\d+(?:\.\d+)?", text) return match.group(0) if match else text.strip() return normalize(prediction) == normalize(reference) print(grade_answer("La respuesta es 42.", "42")) Esta función imprime True: extrae el primer número de cada cadena y compara. Es rudimentaria a propósito. El mismo verificador que usás para medir pass@1 es, como vas a ver en la siguiente sección, la pieza que se convierte en señal de recompensa para el entrenamiento con RL. Un riesgo constante es la contaminación de datos. Si el benchmark de evaluación (o algo muy parecido) estaba en el corpus de preentrenamiento, el modelo puede recordar la respuesta en vez de razonarla. Por eso los benchmarks serios rotan versiones y publican fecha de corte de sus preguntas. DeepSeek-R1 entrenó razonamiento con RL verificable antes de cualquier ajuste supervisado. Escalado en tiempo de inferencia La forma más barata de mejorar un razonador sin reentrenarlo es dejarlo pensar más. En vez de agregar parámetros, el escalado en tiempo de inferencia gasta más cómputo en el momento de responder: cadenas de razonamiento más largas, varios intentos en paralelo, o una búsqueda que explora distintos caminos antes de decidir. La técnica más simple es el muestreo múltiple con voto por mayoría, conocido como self-consistency desde el paper de Wang et al. de 2022. El modelo genera varias cadenas de razonamiento independientes para la misma pregunta y se queda con la respuesta que más veces se repite. from collections import Counter def self_consistency(answers): votes = Counter(answers) winner, count = votes.most_common(1)[0] return winner samples = ["42", "41", "42", "42", "40"] print(self_consistency(samples)) El resultado es 42: aparece tres veces sobre cinco muestras, así que gana el voto. Una variante más sofisticada es best-of-n con un verificador o un reward model aparte, que no solo cuenta votos sino que puntúa cada candidato y elige el de mejor puntaje, incluso si es minoría. Otras formas de escalar en inferencia incluyen la búsqueda en árbol (como Monte Carlo Tree Search aplicado a pasos de razonamiento) y el budget forcing: forzar al modelo a extender o cortar su cadena de pensamiento según un presupuesto de tokens fijo. Ninguna de estas técnicas cambia los pesos del modelo, por eso se las puede aplicar a cualquier razonador ya entrenado, incluso uno cerrado al que solo accedés por API. flowchart TD A["Prompt del usuario"] --> B["El modelo genera N cadenas de razonamiento"] B --> C["Verificador o voto por mayoria"] C --> D["Respuesta final"] El límite de este enfoque es económico, no técnico: cada muestra adicional cuesta tokens, y a partir de cierto punto la curva de mejora se aplana. Si la pregunta es demasiado difícil para el modelo base, ningún número de intentos la resuelve. Ahí es donde entra el entrenamiento con RL. Aprendizaje por refuerzo con recompensas verificables El escalado en inferencia no mejora al modelo, solo aprovecha mejor lo que ya sabe. Para que un razonador gane capacidad real hay que ajustar sus pesos. Ahí entra el reinforcement learning con recompensas verificables (RLVR), donde el mismo verificador que usaste para evaluar se convierte en la función de recompensa. La idea central es simple: el modelo (la política) genera una respuesta completa, el verificador la puntúa con 1 si es correcta y 0 si no, y ese puntaje empuja al modelo a aumentar la probabilidad de generar ese tipo de respuesta en el futuro. No se necesitan etiquetas humanas de "este paso intermedio está bien": solo el resultado final verificable. DeepSeek-R1 mostró en 2025 que esta receta funciona incluso sin una etapa previa de ajuste fino supervisado. La versión llamada R1-Zero se entrenó con RLVR directo sobre un modelo base y el comportamiento de razonamiento emergió solo, aunque con una redacción desordenada que mezclaba idiomas. La versión final, R1, agregó una etapa de ajuste fino antes del RL para que la salida fuera legible para humanos. El algoritmo clásico para este tipo de entrenamiento es PPO (Proximal Policy Optimization), pero PPO necesita una red de valor separada que estime qué tan buena es cada situación, lo que duplica la memoria de entrenamiento. El paper de DeepSeekMath introdujo GRPO (Group Relative Policy Optimization). En vez de una red de valor, GRPO genera un grupo de respuestas para la misma pregunta y calcula la ventaja de cada una comparándola contra el promedio del grupo. import numpy as np def grpo_advantages(rewards): rewards = np.array(rewards, dtype=float) return (rewards - rewards.mean()) / (rewards.std() + 1e-8) group_rewards = [1.0, 0.0, 1.0, 1.0, 0.0] print(np.round(grpo_advantages(group_rewards), 3)) La salida es [ 0.816 -1.225 0.816 0.816 -1.225]. Las tres respuestas correctas del grupo quedan con ventaja positiva y las dos incorrectas con ventaja negativa, normalizadas por la dispersión del propio grupo. Esa ventaja es la señal que se usa para actualizar los pesos del modelo, sin red de valor aparte. sequenceDiagram participant P as Modelo (politica) participant V as Verificador P->>V: genera respuesta candidata V-->>P: recompensa (0 o 1) Note over P,V: el gradiente ajusta los pesos del modelo > ⚠️ Ojo: un verificador mal diseñado se puede explotar. Si el checker solo busca un patrón de texto, el modelo aprende a producir ese patrón sin resolver el problema: es el reward hacking, uno de los riesgos más citados del entrenamiento con RLVR. Distillation: comprimir el razonamiento en un modelo chico Entrenar con RL es caro: necesita generar miles de respuestas, verificarlas y actualizar pesos en loop. La distillation ofrece un atajo: tomar un modelo grande ya entrenado (el teacher) y transferir su comportamiento a un modelo chico (el student), sin repetir todo el proceso de RL. Hay dos variantes típicas. La primera es puro ajuste fino supervisado: generás miles de cadenas de razonamiento con el teacher, las filtrás por corrección, y entrenás al student para que las reproduzca como texto normal. Así se construyeron varios de los modelos abiertos destilados de DeepSeek-R1, tomando un Qwen o un Llama chico como base. La segunda variante es más fina y viene del paper original de Hinton et al. de 2015. En vez de copiar solo el texto final, el student aprende a imitar la distribución completa de probabilidades del teacher sobre cada token, con una pérdida de divergencia KL. import torch import torch.nn.functional as F def distillation_loss(student_logits, teacher_logits, temperature=2.0): student_log_probs = F.log_softmax(student_logits / temperature, dim=-1) teacher_probs = F.softmax(teacher_logits / temperature, dim=-1) return F.kl_div(student_log_probs, teacher_probs, reduction="batchmean") * (temperature ** 2) student_logits = torch.tensor([[2.0, 1.0, 0.1]]) teacher_logits = torch.tensor([[3.0, 1.0, 0.1]]) print(round(distillation_loss(student_logits, teacher_logits).item(), 4)) El resultado es cercano a 0.1195. Cuanto más se parezcan las dos distribuciones, más chico es este número, y el entrenamiento empuja al student a reducirlo. La temperatura (2.0 en el ejemplo) suaviza ambas distribuciones antes de compararlas, para que el student también aprenda de las probabilidades bajas que el teacher asigna a respuestas casi correctas, no solo de la respuesta ganadora. La distillation no inventa capacidad nueva, imita la que ya existe en el teacher, así que el student nunca supera a su maestro en el dominio destilado. A cambio, corre con una fracción del costo de inferencia y de entrenamiento, lo que la vuelve atractiva para desplegar un razonador en un celular o en un servidor sin GPU dedicada. flowchart LR A["Modelo grande (teacher)"] --> B["Genera cadenas de razonamiento"] B --> C["Modelo chico (student) imita esas cadenas"] C --> D["Student conserva gran parte de la capacidad con menos parametros"] La divergencia KL de Hinton et al. data de 2015 y sigue siendo la base de la distillation moderna. Cómo empezar a experimentar Los tres ejemplos de este artículo (el verificador, el voto por mayoría y la pérdida de distillation) corren en cualquier notebook con Python, sin necesitar GPU ni un modelo grande cargado en memoria. En Linux o macOS, con Python 3.10 o más reciente instalado: python3 -m venv venv source venv/bin/activate pip install torch numpy En Windows, el único cambio es activar el entorno con venv\Scripts\activate en vez de source venv/bin/activate; el resto de los comandos es igual. Guardá cualquiera de los fragmentos de código de arriba en un archivo .py y ejecutalo con python nombre_archivo.py. Cada uno imprime exactamente la salida mostrada en su sección. Para ir más allá de estos fragmentos sueltos y construir un razonador completo, con un Qwen3 pequeño preentrenado como punto de partida, la publicación original de Raschka es la referencia más detallada: cubre desde la evaluación hasta el entrenamiento con RL en PyTorch, paso a paso. Casos de uso reales DeepSeek-R1 es el caso más citado de RLVR aplicado a gran escala, con pesos abiertos y un reporte técnico público que detalla su entrenamiento. Los modelos o1 y o3 de OpenAI popularizaron el modo de razonamiento activable en un producto comercial, aunque sin publicar el detalle de su método de entrenamiento. Qwen3, de Alibaba, permite alternar entre modo rápido y modo razonador según la complejidad de la tarea, una decisión de producto más que una limitación técnica: el mismo modelo sabe cuándo conviene pensar más. Claude, de Anthropic, ofrece algo similar con su razonamiento extendido, visible como pasos intermedios antes de la respuesta final. Estos casos muestran que los modelos de razonamiento ya se construyen con las piezas descritas arriba: evaluación verificable, escalado en inferencia y RL, con distillation para abaratar el despliegue en modelos chicos que corren en un teléfono o en un servidor sin GPU cara. Errores comunes y buenas prácticas El reward hacking es el riesgo más frecuente. Si el verificador tiene un hueco, por ejemplo acepta un formato en vez de validar el contenido, el modelo lo encuentra y lo explota durante el entrenamiento con RL, en vez de aprender a resolver el problema de fondo. El overthinking es el error simétrico: un razonador mal calibrado gasta miles de tokens deliberando sobre preguntas triviales, lo que infla el costo y la latencia sin mejorar la respuesta. Parte del ajuste fino posterior al RL busca justamente enseñarle al modelo cuándo cortar la cadena de pensamiento. La contaminación de benchmarks, mencionada arriba, también afecta el entrenamiento. Si el conjunto de RL incluye preguntas que el modelo ya memorizó en preentrenamiento, la mejora medida es ilusoria. Por eso conviene separar siempre los datos de entrenamiento de los de evaluación y rotar las preguntas de test con el tiempo. Un último gotcha de la distillation: si las cadenas de razonamiento del teacher tienen errores silenciosos, un paso intermedio mal justificado que por casualidad llega a la respuesta correcta, el student aprende a imitar también esos errores. Filtrar las trazas por corrección final no alcanza. Conviene revisar una muestra manual de los pasos intermedios antes de entrenar al student con ellas. Comparativa: escalado en inferencia, RL y distillation MétodoCuándo usarloVentajaLimitaciónEscalado en inferencia (self-consistency, best-of-n)El modelo base casi resuelve la tarea, falta exprimir más intentosNo requiere entrenar nada nuevoMás costo por respuesta; no mejora el modelo en síRL con recompensas verificables (RLVR, GRPO)Existe un verificador automático confiable (tests, checker matemático)Mejora permanente y generaliza a preguntas nuevasCaro de entrenar; riesgo de reward hackingDistillation (SFT o KL sobre trazas del teacher)Hace falta un modelo chico, barato de desplegarConserva gran parte de la capacidad a fracción del costoTope en la capacidad del teacher; requiere generar muchas trazasFine-tuning supervisado clásico sin cadena de razonamientoTarea simple, poco presupuesto de entrenamientoRápido y barato de ejecutarNo aprende a deliberar; falla ante problemas nuevos Profundizando: GRPO, PRM y el costo de la deliberación GRPO no solo ahorra la red de valor de PPO. También suele incluir un término de penalización KL contra una política de referencia, normalmente el propio modelo antes de empezar el RL, para que la política entrenada no se aleje tanto que empiece a producir texto incoherente solo para maximizar la recompensa. Otra distinción importante es entre recompensas de resultado (outcome reward models, ORM) y recompensas de proceso (process reward models, PRM). Un ORM solo mira si la respuesta final es correcta, como el verificador de este artículo. Un PRM puntúa cada paso intermedio de la cadena de razonamiento por separado, lo que da una señal más rica, pero exige etiquetar pasos individuales, algo mucho más costoso que etiquetar solo la respuesta final. El contraste entre R1-Zero y R1 ilustra el trade-off entre pureza y usabilidad. R1-Zero, entrenado con RLVR puro desde el modelo base, desarrolló razonamiento efectivo pero con una redacción que mezclaba idiomas y era difícil de leer. R1 agregó una etapa de ajuste fino antes del RL exactamente para resolver ese problema de legibilidad, sin perder la capacidad ganada con RLVR. > 💭 Clave: la capacidad de razonar no vino de agregar parámetros ni datos nuevos de preentrenamiento. Vino de una etapa de post-entrenamiento relativamente chica, pero dirigida con una señal de recompensa verificable. 📖 Resumen en Telegram: Ver resumen Tu próximo paso: tomá el ejemplo de self-consistency de este artículo, reemplazá la lista de respuestas por las de un problema propio, y probá con cuántas muestras el voto por mayoría empieza a acertar de forma consistente. Preguntas frecuentes ¿Qué diferencia a un LLM razonador de un LLM normal? El LLM razonador genera una cadena de pasos intermedios antes de la respuesta final y fue entrenado con una etapa extra, típicamente RL con recompensas verificables, para mejorar esa deliberación. Un LLM normal predice directamente el siguiente token sin ese paso explícito. ¿Los modelos de razonamiento siempre necesitan RL? No necesariamente. Se puede llegar a un comportamiento similar solo con distillation de las cadenas de otro modelo, pero el techo de capacidad queda atado al teacher. El RL completo (RLVR) es la vía que permite superar a cualquier teacher disponible. ¿Cómo se evalúa si un sistema de razonamiento realmente resuelve el problema? Con benchmarks de respuesta verificable y métricas como pass@k, que exigen acertar en al menos uno de k intentos independientes, no solo en el primero. Esto distingue capacidad real de un acierto producto del azar. ¿Qué es la distillation aplicada a un motor de razonamiento? Es entrenar un modelo chico (student) para imitar el comportamiento de uno grande (teacher), ya sea copiando sus cadenas de razonamiento como texto (SFT) o imitando su distribución completa de probabilidades con una pérdida de divergencia KL. ¿Hace falta un modelo razonador grande para empezar a experimentar? No. Los ejemplos de evaluación y self-consistency de este artículo corren en CPU con cualquier modelo chico o incluso sin modelo, como funciones de verificación puras. Solo el entrenamiento con RL o distillation a gran escala necesita GPU. Referencias - Sebastian Raschka, Build Your Own Reasoning Model: A Full Video Course: el artículo y las lecciones que inspiraron esta nota, con el código completo del entrenamiento.- Sebastian Raschka en GitHub: repositorios con el código de sus libros sobre LLM y razonamiento desde cero.- DeepSeek-AI, DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning: el paper que documenta el entrenamiento con RLVR de R1-Zero y R1.- DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models: el paper que introdujo GRPO.- Hinton, Vinyals y Dean, Distilling the Knowledge in a Neural Network: el paper original de 2015 sobre distillation con divergencia KL.- Wang et al., Self-Consistency Improves Chain of Thought Reasoning in Language Models: el paper de 2022 que formalizó el voto por mayoría entre cadenas de razonamiento. 📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

There's a note in Sebastian Raschka's LLMs-from-scratch github repository - "Recommendations for Getting the Most Out of a Technical Book". He recommends reading offline and code-free first (although chapter-by-chapter). github.com/rasbt/LLMs-from-scratch/blob/cdbd33e6d…

课程：magazine.sebastianraschka.com GitHub：rasbt/reasoning-from-scratch

@RookieRicardoR The chapter 3 bonus notebook is worth a detour: the same saved Qwen3 answers score 277/500 with the compact parser and 282/500 with the hybrid one. A useful exercise before tuning weights: inspect which answers the graders disagree on. github.com/rasbt/reasoning-from-scratch/blob/main…

@jeffrsebo @sama LLMs aren't conscious, biggest poker play of the history: rasbt/LLMs-from-scratch

Python Reference A collection of useful Python scripts, tutorials, and tips. rasbt/python_reference

I Tried 100+ GitHub Repos for AI Engineering. These 8 Are the Best I went through 100+ GitHub repos for AI engineering and kept 8. Four to learn AI engineering in the right order, and four to build with: one for your data, your model, your agents, and your evals. If you're moving into AI engineering from data science or software, these are the free resources I'd actually use: LLMs, RAG, agents, local models and evaluation, all open source and linked below. ⏱️ Chapters 00:00 100+ repos, 8 worth keeping 00:56 1. Hands-On Large Language Models 01:46 2. LLMs from Scratch 02:55 3. Hugging Face Agents Course 03:49 4. AI Engineering (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agents) 09:00 8. promptfoo (evals) 📚 Act 1: Learn Hands-On Large Language Models: HandsOnLLM/Hands-On-Large-Language-Models LLMs from Scratch: rasbt/LLMs-from-scratch Hugging Face Agents Course: huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Act 2: Build Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Also mentioned MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Watch next youtu.be youtu.be youtu.be 🤖 AI consultancy services: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [ar] جربت أكثر من 100 مستودع على GitHub لهندسة الذكاء الاصطناعي. هذه الـ 8 هي الأفضل استعرضتُ أكثر من ١٠٠ مستودع على GitHub لهندسة الذكاء الاصطناعي، واحتفظتُ بثمانية منها. أربعة منها لتعلم هندسة الذكاء الاصطناعي بالترتيب الصحيح، وأربعة للبناء عليها: واحد لبياناتك، وواحد لنموذجك، وواحد للوكلاء، وواحد للتقييم. إذا كنتَ تنتقل إلى هندسة الذكاء الاصطناعي من علوم البيانات أو البرمجيات، فهذه هي الموارد المجانية التي أنصحك باستخدامها: نماذج التعلم الموجه (LLMs)، وRAG، والوكلاء، والنماذج المحلية، والتقييم، جميعها مفتوحة المصدر وروابطها موجودة أدناه. ⏱️ الفصول 00:00 أكثر من 100 مستودع، 8 منها تستحق الاحتفاظ بها 00:56 1. نماذج لغوية كبيرة عملية 01:46 2. بناء نماذج لغوية كبيرة من الصفر 02:55 3. دورة وكلاء Hugging Face 03:49 4. هندسة الذكاء الاصطناعي (تشيب هويين) 05:01 5. Docling (البيانات) 06:20 6. Ollama (النموذج) 08:05 7. LangGraph (الوكلاء) 09:00 8. promptfoo (التقييمات) 📚 الفصل الأول: التعلم نماذج لغوية كبيرة عملية: HandsOnLLM/Hands-On-Large-Language-Models نماذج لغوية كبيرة من الصفر: rasbt/LLMs-from-scratch Hugging Face دورة الوكلاء: huggingface/agents-course هندسة الذكاء الاصطناعي (تشيب هويين): chiphuyen/aie-book 🛠️ الفصل الثاني: البناء Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ مذكور أيضًا MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 شاهد التالي youtu.be youtu.be youtu.be 🤖 خدمات استشارية في مجال الذكاء الاصطناعي: anasriad.com 💼 لينكدإن: linkedin.com 💻 جيت هاب: github.com/anesriad #هندسة_الذكاء_الاصطناعي #جيت_هاب #ماجستير_قانون [bn] AI ইঞ্জিনিয়ারিংয়ের জন্য আমি ১০০+ গিটহাব রিপো ট্রাই করেছি। সেরা ৮টি এখানে। আমি এআই ইঞ্জিনিয়ারিং-এর জন্য ১০০টিরও বেশি গিটহাব রিপোজিটরি ঘেঁটে ৮টি রেখেছি। চারটি সঠিক ক্রমে এআই ইঞ্জিনিয়ারিং শেখার জন্য, এবং চারটি তৈরির জন্য: একটি আপনার ডেটার জন্য, একটি আপনার মডেলের জন্য, একটি এজেন্টের জন্য, এবং আপনার ইভ্যালুয়েশনের জন্য। আপনি যদি ডেটা সায়েন্স বা সফটওয়্যার থেকে এআই ইঞ্জিনিয়ারিং-এ আসেন, তাহলে এই বিনামূল্যের রিসোর্সগুলো আমি ব্যবহার করার পরামর্শ দেব: এলএলএম (LLM), র‍্যাগ (RAG), এজেন্ট, লোকাল মডেল এবং ইভ্যালুয়েশন, সবগুলোই ওপেন সোর্স এবং নিচে লিঙ্ক দেওয়া আছে। ⏱️ অধ্যায়সমূহ ০০:০০ ১০০+ রিপো, ৮টি রাখার মতো ০০:৫৬ ১. হ্যান্ডস-অন লার্জ ল্যাঙ্গুয়েজ মডেলস ০১:৪৬ ২. স্ক্র্যাচ থেকে এলএলএম ০২:৫৫ ৩. হাগিং ফেস এজেন্টস কোর্স ০৩:৪৯ ৪. এআই ইঞ্জিনিয়ারিং (চিপ হুয়েন) ০৫:০১ ৫. ডকলিং (ডেটা) ০৬:২০ ৬. ওলামা (মডেল) ০৮:০৫ ৭. ল্যাংগ্রাফ (এজেন্ট) ০৯:০০ ৮. প্রম্পটফু (ইভ্যাল) 📚 পর্ব ১: শিখুন হ্যান্ডস-অন লার্জ ল্যাঙ্গুয়েজ মডেলস: HandsOnLLM/Hands-On-Large-Language-Models স্ক্র্যাচ থেকে এলএলএম: rasbt/LLMs-from-scratch হাগিং ফেস এজেন্টস কোর্স: huggingface/agents-course এআই ইঞ্জিনিয়ারিং (চিপ হুয়েন): chiphuyen/aie-book 🛠️ পর্ব ২: তৈরি করুন ডকলিং: docling-project/docling ওলামা: ollama/ollama ল্যাংগ্রাফ: langchain-ai/langgraph প্রম্পটফু: promptfoo/promptfoo ➕ আরও উল্লেখিত মার্কইটডাউন: microsoft/markitdown আনস্ট্রাকচার্ড: Unstructured-IO/unstructured ভিএলএলএম: vllm-project/vllm ক্রুএআই: crewAIInc/crewAI স্মোলাজেন্টস: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 পরবর্তী ভিডিও দেখুন youtu.be youtu.be youtu.be 🤖 এআই পরামর্শ পরিষেবা: anasriad.com 💼 লিঙ্কডইন: linkedin.com 💻 গিটহাব: github.com/anesriad #AIEngineering #GitHub #LLM [de-DE] Ich habe über 100 GitHub-Repositories für KI-Engineering getestet. Diese 8 sind die besten Ich habe über 100 GitHub-Repos für KI-Engineering durchforstet und acht behalten. Vier davon, um KI-Engineering in der richtigen Reihenfolge zu lernen, und vier, um damit zu arbeiten: jeweils eines für Daten, Modelle, Agenten und Evaluierungen. Wenn Sie von Data Science oder Softwareentwicklung ins KI-Engineering wechseln, sind dies die kostenlosen Ressourcen, die ich tatsächlich nutzen würde: LLMs, RAG, Agenten, lokale Modelle und Evaluierung – alles Open Source und unten verlinkt. ⏱️ Kapitel 00:00 Über 100 Repositories, 8 davon sind empfehlenswert 00:56 1. Praktische Übungen mit großen Sprachmodellen 01:46 2. Sprachmodelle von Grund auf 02:55 3. Kurs „Hugging Face Agents“ 03:49 4. KI-Engineering (Chip Huyen) 05:01 5. Dokumentation (Daten) 06:20 6. Ollama (Modell) 08:05 7. LangGraph (Agenten) 09:00 8. promptfoo (Evaluierungen) 📚 Akt 1: Lernen Praktische Übungen mit großen Sprachmodellen: HandsOnLLM/Hands-On-Large-Language-Models Sprachmodelle von Grund auf: rasbt/LLMs-from-scratch Kurs „Hugging Face Agents“: huggingface/agents-course KI-Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Akt 2: Entwicklung Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Ebenfalls erwähnt: MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Nächstes Video ansehen: youtu.be youtu.be youtu.be 🤖 KI-Beratung: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #KI-Engineering #GitHub #LLM [es-US] Probé más de 100 repositorios de GitHub para ingeniería de IA. Estos 8 son los mejores Revisé más de 100 repositorios de GitHub sobre ingeniería de IA y me quedé con 8. Cuatro para aprender ingeniería de IA en el orden correcto y cuatro para desarrollar: uno para tus datos, otro para tu modelo, otro para tus agentes y otro para tus evaluaciones. Si vienes de la ciencia de datos o el desarrollo de software y te estás adentrando en la ingeniería de IA, estos son los recursos gratuitos que yo usaría: LLM, RAG, agentes, modelos locales y evaluación, todos de código abierto y enlazados a continuación. ⏱️ Capítulos 00:00 Más de 100 repositorios, 8 que vale la pena conservar 00:56 1. Modelos de lenguaje prácticos a gran escala 01:46 2. Modelos de lenguaje desde cero 02:55 3. Curso de agentes Hugging Face 03:49 4. Ingeniería de IA (Chip Huyen) 05:01 5. Documentación (datos) 06:20 6. Ollama (modelo) 08:05 7. LangGraph (agentes) 09:00 8. promptfoo (evaluaciones) 📚 Acto 1: Aprende Modelos de lenguaje prácticos a gran escala: HandsOnLLM/Hands-On-Large-Language-Models Modelos de lenguaje desde cero: rasbt/LLMs-from-scratch Curso de agentes Hugging Face: huggingface/agents-course Ingeniería de IA (Chip Huyen): chiphuyen/aie-book 🛠️ Acto 2: Construcción Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ También se menciona: MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Ver a continuación youtu.be youtu.be youtu.be 🤖 Servicios de consultoría de IA: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #IngenieríaIA #GitHub #LLM [fr-FR] J'ai testé plus de 100 dépôts GitHub pour l'ingénierie IA. Voici les 8 meilleurs J'ai exploré plus de 100 dépôts GitHub dédiés à l'ingénierie de l'IA et j'en ai retenu 8. Quatre pour apprendre l'ingénierie de l'IA dans le bon ordre, et quatre pour développer : un pour vos données, un pour votre modèle, un pour vos agents et un pour vos évaluations. Si vous vous orientez vers l'ingénierie de l'IA après avoir travaillé dans les sciences des données ou le développement logiciel, voici les ressources gratuites que j'utilise personnellement : LLM, RAG, agents, modèles locaux et évaluation, tous open source et disponibles via les liens ci-dessous. ⏱️ Chapitres 00:00 Plus de 100 dépôts, dont 8 à conserver 00:56 1. Modèles de langage complexes pratiques 01:46 2. Modèles de langage complexes à partir de zéro 02:55 3. Cours sur les agents Hugging Face 03:49 4. Ingénierie IA (Chip Huyen) 05:01 5. Docling (données) 06:20 6. Ollama (modèle) 08:05 7. LangGraph (agents) 09:00 8. Promptfoo (évaluations) 📚 Acte 1 : Apprendre Modèles de langage complexes pratiques : HandsOnLLM/Hands-On-Large-Language-Models Modèles de langage complexes à partir de zéro : rasbt/LLMs-from-scratch Cours sur les agents Hugging Face : huggingface/agents-course Ingénierie IA (Chip Huyen) : chiphuyen/aie-book 🛠️ Acte 2 : Création Docling : docling-project/docling Ollama : ollama/ollama LangGraph : langchain-ai/langgraph promptfoo : promptfoo/promptfoo ➕ Également mentionnés : MarkItDown : microsoft/markitdown Unstructured : Unstructured-IO/unstructured vLLM : vllm-project/vllm CrewAI : crewAIInc/crewAI smolagents : huggingface/smolagents Opik : comet-ml/opik DeepEval : confident-ai/deepeval DSPy : stanfordnlp/dspy 📺 À voir ensuite : youtu.be youtu.be youtu.be 🤖 Services de conseil en IA : anasriad.com 💼 LinkedIn : linkedin.com 💻 GitHub : github.com/anesriad #IngénierieAI #GitHub #LLM [hi] मैंने AI इंजीनियरिंग के लिए 100+ GitHub रिपोज़ आज़माए। ये 8 सबसे बेहतरीन हैं मैंने AI इंजीनियरिंग के लिए 100 से अधिक GitHub रिपॉजिटरी देखीं और उनमें से 8 को चुना। चार AI इंजीनियरिंग को सही क्रम में सीखने के लिए, और चार निर्माण के लिए: एक आपके डेटा के लिए, एक आपके मॉडल के लिए, एक आपके एजेंट्स के लिए और एक आपके मूल्यांकन के लिए। यदि आप डेटा साइंस या सॉफ्टवेयर से AI इंजीनियरिंग में आ रहे हैं, तो ये वे निःशुल्क संसाधन हैं जिनका मैं वास्तव में उपयोग करने की सलाह दूंगा: LLM, RAG, एजेंट्स, लोकल मॉडल और मूल्यांकन, ये सभी ओपन सोर्स हैं और नीचे लिंक दिए गए हैं। ⏱️ अध्याय 00:00 100+ रिपॉजिटरी, 8 रखने लायक 00:56 1. बड़े भाषा मॉडल पर व्यावहारिक अनुभव 01:46 2. एलएलएम की शुरुआत 02:55 3. हगिंग फेस एजेंट्स कोर्स 03:49 4. एआई इंजीनियरिंग (चिप हुएन) 05:01 5. डॉकलिंग (डेटा) 06:20 6. ओलामा (मॉडल) 08:05 7. लैंगग्राफ (एजेंट) 09:00 8. प्रॉम्प्टफू (मूल्यांकन) 📚 पहला भाग: सीखें बड़े भाषा मॉडल पर व्यावहारिक अनुभव: HandsOnLLM/Hands-On-Large-Language-Models एलएलएम की शुरुआत: rasbt/LLMs-from-scratch हगिंग फेस एजेंट्स कोर्स: huggingface/agents-course एआई इंजीनियरिंग (चिप हुएन): chiphuyen/aie-book 🛠️ चरण 2: निर्माण डॉकलिंग: docling-project/docling ओलामा: ollama/ollama लैंगग्राफ: langchain-ai/langgraph प्रॉम्प्टफू: promptfoo/promptfoo ➕ अन्य उल्लेख मार्कइटडाउन: microsoft/markitdown अनस्ट्रक्चर्ड: Unstructured-IO/unstructured vLLM: vllm-project/vllm क्रूएआई: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 अगला वीडियो देखें youtu.be youtu.be youtu.be 🤖 AI परामर्श सेवाएं: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [id] Saya Mencoba 100+ Repositori GitHub untuk Rekayasa AI. 8 Ini yang Terbaik Saya menelusuri lebih dari 100 repositori GitHub untuk rekayasa AI dan hanya menyimpan 8. Empat untuk mempelajari rekayasa AI dengan urutan yang benar, dan empat untuk membangunnya: satu untuk data Anda, model Anda, agen Anda, dan evaluasi Anda. Jika Anda beralih ke rekayasa AI dari ilmu data atau perangkat lunak, ini adalah sumber daya gratis yang sebenarnya akan saya gunakan: LLM, RAG, agen, model lokal dan evaluasi, semuanya sumber terbuka dan tautannya ada di bawah. ⏱️ Bab 00:00 100+ repositori, 8 yang layak disimpan 00:56 1. Praktik Model Bahasa Besar 01:46 2. LLM dari Awal 02:55 3. Kursus Agen Wajah Berpelukan 03:49 4. Rekayasa AI (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agen) 09:00 8. promptfoo (evaluasi) 📚 Bab 1: Belajar Praktik Model Bahasa Besar: HandsOnLLM/Hands-On-Large-Language-Models LLM dari Awal: rasbt/LLMs-from-scratch Kursus Agen Wajah Berpelukan: huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Babak 2: Membangun Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Juga disebutkan MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Tonton selanjutnya youtu.be youtu.be youtu.be 🤖 Layanan konsultasi AI: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [it] Ho provato oltre 100 repository GitHub per l'ingegneria dell'IA. Queste 8 sono le migliori Ho esaminato oltre 100 repository GitHub sull'ingegneria dell'IA e ne ho tenuti 8. Quattro per imparare l'ingegneria dell'IA nel modo corretto e quattro per sviluppare: uno per i dati, uno per il modello, uno per gli agenti e uno per le valutazioni. Se state passando all'ingegneria dell'IA dalla scienza dei dati o dallo sviluppo software, queste sono le risorse gratuite che vi consiglio di utilizzare: modelli lineari lineari (LLM), grafi aciclici direzionali (RAG), agenti, modelli locali e valutazione, tutti open source e i cui link trovate qui sotto. ⏱️ Capitoli 00:00 Oltre 100 repository, 8 da conservare 00:56 1. Modelli linguistici di grandi dimensioni pratici 01:46 2. Modelli linguistici di grandi dimensioni da zero 02:55 3. Corso sugli agenti "Hugging Face" 03:49 4. Ingegneria dell'IA (Chip Huyen) 05:01 5. Docling (dati) 06:20 6. Ollama (modello) 08:05 7. LangGraph (agenti) 09:00 8. promptfoo (valutazioni) 📚 Atto 1: Impara Modelli linguistici di grandi dimensioni pratici: HandsOnLLM/Hands-On-Large-Language-Models Modelli linguistici di grandi dimensioni da zero: rasbt/LLMs-from-scratch Corso sugli agenti "Hugging Face": Italiano: huggingface/agents-course Ingegneria dell'IA (Chip Huyen): chiphuyen/aie-book 🛠️ Atto 2: Creazione Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Menzionati anche MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: Italiano: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Guarda il prossimo video youtu.be youtu.be youtu.be 🤖 Servizi di consulenza AI: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [iw] בדקתי מעל 100 מאגרי GitHub להנדסת AI. אלו ה-8 הכי טובים עברתי על יותר מ-100 מאגרים ב-GitHub להנדסת בינה מלאכותית ושמרתי 8. ארבעה כדי ללמוד הנדסת בינה מלאכותית בסדר הנכון, וארבעה כדי לבנות איתם: אחד עבור הנתונים שלך, המודל שלך, הסוכנים שלך והערכות שלך. אם אתה עובר להנדסת בינה מלאכותית ממדעי נתונים או תוכנה, אלה המשאבים החינמיים שהייתי משתמש בהם בפועל: תואר ראשון במשפטים, תואר RAG, סוכנים, מודלים מקומיים והערכה, כולם בקוד פתוח ומקושרים למטה. ⏱️ פרקים 00:00 100+ מאגרים, 8 שכדאי לשמור 00:56 1. מודלים מעשיים לשפה גדולה 01:46 2. תואר ראשון במשפטים מאפס 02:55 3. קורס סוכני פנים מחבקים 03:49 4. הנדסת בינה מלאכותית (צ'יפ הויאן) 05:01 5. תיעוד (נתונים) 06:20 6. אולמה (מודל) 08:05 7. LangGraph (סוכנים) 09:00 8. promptfoo (הערכות) 📚 פרק 1: לימוד מודלים מעשיים לשפה גדולה: HandsOnLLM/Hands-On-Large-Language-Models תואר ראשון במשפטים מאפס: rasbt/LLMs-from-scratch קורס סוכני פנים מחבקים: huggingface/agents-course הנדסת בינה מלאכותית (צ'יפ הויאן): chiphuyen/aie-book 🛠️ מערכה 2: בנייה Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ הוזכר גם MarkItDown: microsoft/markitdown לא מובנה: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents אופיק: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 צפו בהמשך youtu.be youtu.be youtu.be 🤖 שירותי ייעוץ לבינה מלאכותית: anasriad.com 💼 לינקדאין: linkedin.com 💻 גיטהאב: github.com/anesriad #הנדסתבינה מלאכותית #GitHub #LLM [ja] AIエンジニア向けGitHubリポジトリ100選を試した結果、選りすぐりの8つを紹介します AIエンジニアリング関連のGitHubリポジトリを100以上チェックし、8つを選びました。そのうち4つはAIエンジニアリングを正しい順序で学ぶためのもので、残りの4つは実際に構築するためのものです。データ、モデル、エージェント、評価のためのリポジトリがそれぞれ1つずつです。 データサイエンスやソフトウェア開発からAIエンジニアリングに移行する場合、私が実際に活用するであろう無料リソースは以下の通りです。LLM、RAG、エージェント、ローカルモデル、評価など、すべてオープンソースで、以下にリンクを掲載しています。 ⏱️ チャプター 00:00 100以上のリポジトリ、厳選8つ 00:56 1. 大規模言語モデルの実践 01:46 2. ゼロから始める大規模言語モデル 02:55 3. ハグフェイスエージェントコース 03:49 4. AIエンジニアリング（チップ・フエン） 05:01 5. Docling（データ） 06:20 6. Ollama（モデル） 08:05 7. LangGraph（エージェント） 09:00 8. promptfoo（評価） 📚 第1幕：学習 大規模言語モデルの実践：HandsOnLLM/Hands-On-Large-Language-Models ゼロから始める大規模言語モデル：rasbt/LLMs-from-scratch ハグフェイスエージェントコース： huggingface/agents-course AIエンジニアリング（Chip Huyen）：chiphuyen/aie-book 🛠️ 第2幕：構築 Docling：docling-project/docling Ollama：ollama/ollama LangGraph：langchain-ai/langgraph promptfoo：promptfoo/promptfoo ➕ その他にも言及されているもの MarkItDown：microsoft/markitdown Unstructured：Unstructured-IO/unstructured vLLM：vllm-project/vllm CrewAI：crewAIInc/crewAI smolagents： huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 次の動画を見る youtu.be youtu.be youtu.be 🤖 AIコンサルティングサービス: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIエンジニアリング #GitHub #LLM [ko] AI 엔지니어링 관련해서 100개 이상의 GitHub 저장소를 사용해 봤습니다. 그중 최고는 이 8개입니다. 저는 AI 엔지니어링 관련 GitHub 저장소 100개 이상을 살펴보고 그중 8개만 남겼습니다. 4개는 AI 엔지니어링을 올바른 순서로 학습하는 데 유용하고, 나머지 4개는 데이터, 모델, 에이전트, 평가 도구 구축에 활용할 수 있습니다. 데이터 과학이나 소프트웨어 개발에서 AI 엔지니어링으로 전향하는 경우, 제가 실제로 활용할 만한 무료 리소스는 다음과 같습니다: LLMs, RAG, 에이전트, 로컬 모델 및 평가 도구 (모두 오픈 소스이며 아래 링크 참조). ⏱️ 목차 00:00 100개 이상의 저장소 중 8개는 꼭 소장할 가치가 있습니다. 00:56 1. 대규모 언어 모델 실습 01:46 2. 처음부터 LLM 만들기 02:55 3. Hugging Face 에이전트 강좌 03:49 4. AI 엔지니어링 (Chip Huyen) 05:01 5. Docling (데이터) 06:20 6. Ollama (모델) 08:05 7. LangGraph (에이전트) 09:00 8. promptfoo (평가) 📚 1막: 학습 대규모 언어 모델 실습: HandsOnLLM/Hands-On-Large-Language-Models 처음부터 LLM 만들기: rasbt/LLMs-from-scratch Hugging Face 에이전트 강좌: huggingface/agents-course AI 엔지니어링(칩 후옌): chiphuyen/aie-book 🛠️ 2막: 구축 Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ 언급된 다른 도구들 MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 다음 영상 보기 youtu.be youtu.be youtu.be 🤖 AI 컨설팅 서비스: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AI엔지니어링 #GitHub #LLM [ml] AI എഞ്ചിനീയറിംഗിനായി ഞാൻ 100-ലധികം GitHub റിപ്പോസിറ്ററികൾ പരീക്ഷിച്ചു. ഇവ 8 എണ്ണമാണ് ഏറ്റവും മികച... AI എഞ്ചിനീയറിങ്ങിനായി ഞാൻ 100+ GitHub റിപ്പോകൾ പരിശോധിച്ചു, അതിൽ 8 എണ്ണം സൂക്ഷിച്ചു. ശരിയായ ക്രമത്തിൽ AI എഞ്ചിനീയറിങ് പഠിക്കാൻ നാലെണ്ണവും, നിങ്ങളുടെ ഡാറ്റ, നിങ്ങളുടെ മോഡൽ, നിങ്ങളുടെ ഏജന്റുമാർ, നിങ്ങളുടെ വിലയിരുത്തലുകൾ എന്നിവയ്ക്കായി നിർമ്മിക്കാൻ നാലെണ്ണവും. ഡാറ്റാ സയൻസിൽ നിന്നോ സോഫ്റ്റ്‌വെയറിൽ നിന്നോ നിങ്ങൾ AI എഞ്ചിനീയറിങ്ങിലേക്ക് മാറുകയാണെങ്കിൽ, ഞാൻ യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന സൗജന്യ ഉറവിടങ്ങൾ ഇവയാണ്: LLM-കൾ, RAG, ഏജന്റുമാർ, ലോക്കൽ മോഡലുകൾ, മൂല്യനിർണ്ണയം, എല്ലാം ഓപ്പൺ സോഴ്‌സും താഴെ ലിങ്ക് ചെയ്തിട്ടുള്ളതുമാണ്. ⏱️ അധ്യായങ്ങൾ 00:00 100+ റിപ്പോകൾ, സൂക്ഷിക്കേണ്ട 8 എണ്ണം 00:56 1. ഹാൻഡ്സ്-ഓൺ ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ 01:46 2. സ്ക്രാച്ചിൽ നിന്നുള്ള എൽഎൽഎമ്മുകൾ 02:55 3. ഹഗ്ഗിംഗ് ഫേസ് ഏജന്റ്സ് കോഴ്സ് 03:49 4. എഐ എഞ്ചിനീയറിംഗ് (ചിപ്പ് ഹ്യൂയെൻ) 05:01 5. ഡോക്ലിംഗ് (ഡാറ്റ) 06:20 6. ഒല്ലാമ (മോഡൽ) 08:05 7. ലാങ്ഗ്രാഫ് (ഏജന്റുകൾ) 09:00 8. പ്രോംപ്റ്റ്ഫൂ (evals) 📚 ആക്ട് 1: പഠിക്കുക ഹാൻഡ്സ്-ഓൺ ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ: HandsOnLLM/Hands-On-Large-Language-Models സ്ക്രാച്ചിൽ നിന്നുള്ള എൽഎൽഎമ്മുകൾ: rasbt/LLMs-from-scratch ഹഗ്ഗിംഗ് ഫേസ് ഏജന്റ്സ് കോഴ്സ്: huggingface/agents-course AI എഞ്ചിനീയറിംഗ് (Chip Huyen): chiphuyen/aie-book 🛠️ ആക്റ്റ് 2: ബിൽഡ് ഡോക്ലിംഗ്: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ ഇതും പരാമർശിച്ചിട്ടുണ്ട് MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 അടുത്തത് കാണുക youtu.be youtu.be youtu.be 🤖 AI കൺസൾട്ടൻസി സേവനങ്ങൾ: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AI എഞ്ചിനീയറിംഗ് #GitHub #LLM [nl-NL] Ik heb 100+ GitHub-repositories geprobeerd voor AI Engineering. Deze 8 zijn de beste Ik heb meer dan 100 GitHub-repositories voor AI-engineering doorgenomen en er 8 bewaard. Vier om AI-engineering in de juiste volgorde te leren, en vier om mee te bouwen: één voor je data, één voor je model, één voor je agents en één voor je evaluaties. Als je vanuit data science of software de overstap maakt naar AI-engineering, zijn dit de gratis bronnen die ik zelf zou gebruiken: LLMs, RAG, agents, lokale modellen en evaluatie, allemaal open source en hieronder gelinkt. ⏱️ Hoofdstukken 00:00 Meer dan 100 repositories, 8 de moeite waard om te bewaren 00:56 1. Praktische oefeningen met grote taalmodellen 01:46 2. LLM's vanaf nul 02:55 3. Cursus 'Hugging Face Agents' 03:49 4. AI-engineering (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agents) 09:00 8. promptfoo (evaluaties) 📚 Deel 1: Leren Praktische oefeningen met grote taalmodellen: HandsOnLLM/Hands-On-Large-Language-Models LLM's vanaf nul: rasbt/LLMs-from-scratch Cursus 'Hugging Face Agents': huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Act 2: Bouwen Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Ook genoemd MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Bekijk volgende video's youtu.be youtu.be youtu.be 🤖 AI-consultancy: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [pa] ਮੈਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ 100 ਤੋਂ ਵੱਧ GitHub ਰਿਪੋਜ਼ਿਟਰੀਆਂ ਅਜ਼ਮਾਈਆਂ। ਇਹ 8 ਸਭ ਤੋਂ ਵਧੀਆ ਹਨ ਮੈਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ 100+ GitHub ਰਿਪੋਜ਼ ਵਿੱਚੋਂ ਲੰਘਿਆ ਅਤੇ 8 ਰੱਖੇ। ਚਾਰ ਸਹੀ ਕ੍ਰਮ ਵਿੱਚ AI ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਣ ਲਈ, ਅਤੇ ਚਾਰ ਇਸ ਨਾਲ ਬਣਾਉਣ ਲਈ: ਇੱਕ ਤੁਹਾਡੇ ਡੇਟਾ, ਤੁਹਾਡੇ ਮਾਡਲ, ਤੁਹਾਡੇ ਏਜੰਟਾਂ ਅਤੇ ਤੁਹਾਡੇ ਮੁਲਾਂਕਣ ਲਈ। ਜੇਕਰ ਤੁਸੀਂ ਡੇਟਾ ਸਾਇੰਸ ਜਾਂ ਸੌਫਟਵੇਅਰ ਤੋਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਜਾ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ ਉਹ ਮੁਫਤ ਸਰੋਤ ਹਨ ਜੋ ਮੈਂ ਅਸਲ ਵਿੱਚ ਵਰਤਾਂਗਾ: LLM, RAG, ਏਜੰਟ, ਸਥਾਨਕ ਮਾਡਲ ਅਤੇ ਮੁਲਾਂਕਣ, ਸਾਰੇ ਓਪਨ ਸੋਰਸ ਅਤੇ ਹੇਠਾਂ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ। ⏱️ ਅਧਿਆਏ 00:00 100+ ਰਿਪੋ, 8 ਰੱਖਣ ਦੇ ਯੋਗ 00:56 1. ਹੈਂਡਸ-ਆਨ ਲਾਰਜ ਲੈਂਗਵੇਜ ਮਾਡਲ 01:46 2. ਸਕ੍ਰੈਚ ਤੋਂ ਐਲਐਲਐਮ 02:55 3. ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ 03:49 4. ਏਆਈ ਇੰਜੀਨੀਅਰਿੰਗ (ਚਿੱਪ ਹਿਊਯੇਨ) 05:01 5. ਡੌਕਲਿੰਗ (ਡੇਟਾ) 06:20 6. ਓਲਾਮਾ (ਮਾਡਲ) 08:05 7. ਲੈਂਗਗ੍ਰਾਫ (ਏਜੰਟ) 09:00 8. ਪ੍ਰੋਂਪਟਫੂ (ਈਵਾਲਜ਼) 📚 ਐਕਟ 1: ਸਿੱਖੋ ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ: HandsOnLLM/Hands-On-Large-Language-Models ਸਕ੍ਰੈਚ ਤੋਂ ਐਲਐਲਐਮ: rasbt/LLMs-from-scratch ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ: huggingface/agents-course AI ਇੰਜੀਨੀਅਰਿੰਗ (ਚਿੱਪ ਹੁਯੇਨ): chiphuyen/aie-book 🛠️ ਐਕਟ 2: ਬਿਲਡ ਡੌਕਲਿੰਗ: docling-project/docling ਓਲਾਮਾ: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ ਇਹ ਵੀ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ ਮਾਰਕਇਟਡਾਊਨ: microsoft/markitdown ਅਨਸਟ੍ਰਕਚਰਡ: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents ਓਪਿਕ: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 ਅੱਗੇ ਦੇਖੋ youtu.be youtu.be youtu.be 🤖 AI ਸਲਾਹਕਾਰ ਸੇਵਾਵਾਂ: anasriad.com 💼 ਲਿੰਕਡਇਨ: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [pl] Przetestowałem ponad 100 repozytoriów na GitHubie do nauki inżynierii AI. Te 8 jest najlepszych Przejrzałem ponad 100 repozytoriów GitHub dotyczących inżynierii AI i zachowałem 8. Cztery, aby nauczyć się inżynierii AI we właściwej kolejności i cztery do budowania: jedno dla danych, modelu, agentów i ewaluacji. Jeśli przechodzisz do inżynierii AI z zakresu nauki o danych lub oprogramowania, oto darmowe zasoby, z których faktycznie skorzystałbym: LLM, RAG, agenci, modele lokalne i ewaluacja – wszystkie open source i linki poniżej. ⏱️ Rozdziały 00:00 Ponad 100 repozytoriów, 8 wartych zachowania 00:56 1. Praktyczne modele językowe 01:46 2. Studia magisterskie od podstaw 02:55 3. Kurs agentów Hugging Face 03:49 4. Inżynieria AI (Chip Huyen) 05:01 5. Dokumentowanie (dane) 06:20 6. Ollama (model) 08:05 7. LangGraph (agenci) 09:00 8. promptfoo (ewaluacje) 📚 Akt 1: Nauka Praktyczne modele językowe: HandsOnLLM/Hands-On-Large-Language-Models Studia magisterskie od podstaw: rasbt/LLMs-from-scratch Kurs agentów Hugging Face: huggingface/agents-course Inżynieria AI (Chip Huyen): chiphuyen/aie-book 🛠️ Akt 2: Kompilacja Dokumentacja: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Wspomniano również MarkItDown: microsoft/markitdown Niestrukturalny: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Oglądaj Dalej youtu.be youtu.be youtu.be 🤖 Usługi konsultingowe w zakresie sztucznej inteligencji: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIengineering #GitHub #LLM [pt-BR] Testei mais de 100 repositórios do GitHub para Engenharia de IA. Estes 8 são os melhores Analisei mais de 100 repositórios do GitHub sobre engenharia de IA e selecionei 8. Quatro para aprender engenharia de IA na ordem correta e quatro para desenvolver: um para seus dados, um para seu modelo, um para seus agentes e um para suas avaliações. Se você está migrando para a engenharia de IA vindo da ciência de dados ou do software, estes são os recursos gratuitos que eu realmente usaria: LLMs, RAG, agentes, modelos locais e avaliação, todos de código aberto e com links abaixo. ⏱️ Capítulos 00:00 Mais de 100 repositórios, 8 que valem a pena manter 00:56 1. Modelos de Linguagem Grandes na Prática 01:46 2. Modelos de Linguagem Grandes do Zero 02:55 3. Curso de Agentes Hugging Face 03:49 4. Engenharia de IA (Chip Huyen) 05:01 5. Docling (dados) 06:20 6. Ollama (modelo) 08:05 7. LangGraph (agentes) 09:00 8. promptfoo (avaliações) 📚 Ato 1: Aprenda Modelos de Linguagem Grandes na Prática: HandsOnLLM/Hands-On-Large-Language-Models Modelos de Linguagem Grandes do Zero: rasbt/LLMs-from-scratch Curso de Agentes Hugging Face: Curso de Agentes: huggingface/agents-course Engenharia de IA (Chip Huyen): chiphuyen/aie-book 🛠️ Ato 2: Construir Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Também mencionado MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Assista a seguir youtu.be youtu.be youtu.be 🤖 Serviços de consultoria em IA: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #EngenhariaDeIA #GitHub #LLM [ru] Я протестировал более 100 GitHub-репозиториев по AI-инженерии. Эти 8 — лучшие Я просмотрел более 100 репозиториев GitHub по разработке ИИ и сохранил 8. Четыре — для изучения ИИ в правильной последовательности, и четыре — для построения модели: один для данных, один для агентов и один для оценки. Если вы переходите в разработку ИИ из области анализа данных или разработки программного обеспечения, вот бесплатные ресурсы, которые я бы действительно использовал: LLMs, RAG, агенты, локальные модели и оценка — все с открытым исходным кодом и ссылки на них ниже. ⏱️ Разделы 00:00 Более 100 репозиториев, 8 из которых стоит сохранить 00:56 1. Практическое применение больших языковых моделей 01:46 2. Создание больших языковых моделей с нуля 02:55 3. Курс по агентам «Обнимающее лицо» 03:49 4. Разработка ИИ (Чип Хуен) 05:01 5. Docling (данные) 06:20 6. Ollama (модель) 08:05 7. LangGraph (агенты) 09:00 8. promptfoo (оценки) 📚 Часть 1: Обучение Практическое применение больших языковых моделей: HandsOnLLM/Hands-On-Large-Language-Models Создание больших языковых моделей с нуля: rasbt/LLMs-from-scratch Обнимающее лицо Курс по агентам: huggingface/agents-course Инженерное дело в области ИИ (Чип Хуен): chiphuyen/aie-book 🛠️ Акт 2: Создание Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Также упоминалось MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Смотрите далее youtu.be youtu.be youtu.be 🤖 Услуги консалтинга в области ИИ: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [ta] AI இன்ஜினியரிங் க்காக 100+ GitHub களஞ்சியங்களை முயற்சித்தேன். இதோ சிறந்த 8 களஞ்சியங்கள் நான் AI பொறியியலுக்கான 100-க்கும் மேற்பட்ட GitHub ரெப்போக்களைப் பார்த்து, அவற்றில் 8-ஐத் தேர்ந்தெடுத்தேன். AI பொறியியலைச் சரியான வரிசையில் கற்றுக்கொள்வதற்கு நான்கு, மற்றும் கட்டமைப்பதற்கு நான்கு: ஒன்று உங்கள் தரவுகளுக்கும், மற்றொன்று உங்கள் மாடலுக்கும், மற்றொன்று உங்கள் ஏஜென்ட்களுக்கும், மற்றும் உங்கள் மதிப்பீடுகளுக்கும். நீங்கள் தரவு அறிவியல் அல்லது மென்பொருளிலிருந்து AI பொறியியலுக்கு மாறுகிறீர்கள் என்றால், நான் உண்மையில் பயன்படுத்தும் இலவச ஆதாரங்கள் இவைதான்: LLM-கள், RAG, ஏஜென்ட்கள், உள்ளூர் மாடல்கள் மற்றும் மதிப்பீடு, இவை அனைத்தும் திறந்த மூல மென்பொருட்கள் மற்றும் கீழே இணைக்கப்பட்டுள்ளன. ⏱️ அத்தியாயங்கள் 00:00 100+ ரெப்போக்கள், 8 வைத்திருக்கத் தகுந்தவை 00:56 1. பெரிய மொழி மாதிரிகளில் செய்முறைப் பயிற்சி 01:46 2. புதிதாக LLM-கள் 02:55 3. ஹக்கிங் ஃபேஸ் ஏஜென்ட்ஸ் பாடநெறி 03:49 4. AI பொறியியல் (சிப் ஹுயென்) 05:01 5. டாக்லிங் (தரவு) 06:20 6. ஒல்லாமா (மாடல்) 08:05 7. லாங்க்கிராஃப் (ஏஜென்ட்கள்) 09:00 8. ப்ராம்ட்ஃபூ (மதிப்பீடுகள்) 📚 பகுதி 1: கற்றல் பெரிய மொழி மாதிரிகளில் செய்முறைப் பயிற்சி: HandsOnLLM/Hands-On-Large-Language-Models புதிதாக LLM-கள்: rasbt/LLMs-from-scratch ஹக்கிங் ஃபேஸ் ஏஜென்ட்ஸ் பாடநெறி: huggingface/agents-course AI பொறியியல் (சிப் ஹுயென்): chiphuyen/aie-book 🛠️ பகுதி 2: உருவாக்குதல் டாக்லிங்: docling-project/docling ஒல்லாமா: ollama/ollama லாங்கிராஃப்: langchain-ai/langgraph ப்ராம்ட்ஃபூ: promptfoo/promptfoo ➕ மேலும் குறிப்பிடப்பட்டவை மார்க்இட்டவுன்: microsoft/markitdown அன்ஸ்ட்ரக்சர்டு: Unstructured-IO/unstructured விஎல்எல்எம்: vllm-project/vllm க்ரூஏஐ: crewAIInc/crewAI ஸ்மோலாஜென்ட்ஸ்: huggingface/smolagents ஓபிக்: comet-ml/opik டீப்ஈவால்: confident-ai/deepeval டிஎஸ்பிஒய்: stanfordnlp/dspy 📺 அடுத்துப் பார்க்கவும் youtu.be youtu.be youtu.be 🤖 செயற்கை நுண்ணறிவு ஆலோசனை சேவைகள்: anasriad.com 💼 லிங்க்ட்இன்: linkedin.com 💻 கிட்ஹப்: github.com/anesriad #செயற்கை நுண்ணறிவு பொறியியல் #கிட்ஹப் #எல்எல்எம் [te] AI ఇంజనీరింగ్ కోసం 100+ GitHub రిపోలను ప్రయత్నించాను. అందులో ఇవే ఉత్తమమైన 8 నేను AI ఇంజనీరింగ్ కోసం 100కు పైగా గిట్‌హబ్ రిపోలను పరిశీలించి, వాటిలో 8 ఉంచుకున్నాను. వాటిలో నాలుగు సరైన క్రమంలో AI ఇంజనీరింగ్ నేర్చుకోవడానికి, మిగిలిన నాలుగు నిర్మించడానికి: ఒకటి మీ డేటా కోసం, ఒకటి మీ మోడల్ కోసం, ఒకటి మీ ఏజెంట్ల కోసం, మరియు ఒకటి మీ ఎవాల్యుయేషన్ల కోసం. మీరు డేటా సైన్స్ లేదా సాఫ్ట్‌వేర్ నుండి AI ఇంజనీరింగ్‌లోకి వస్తున్నట్లయితే, నేను నిజంగా ఉపయోగించే ఉచిత వనరులు ఇవే: LLMలు, RAG, ఏజెంట్లు, లోకల్ మోడల్స్ మరియు ఎవాల్యుయేషన్, ఇవన్నీ ఓపెన్ సోర్స్ మరియు కింద లింక్ చేయబడ్డాయి. ⏱️ అధ్యాయాలు 00:00 100+ రిపోలు, ఉంచుకోవాల్సినవి 8 00:56 1. పెద్ద భాషా నమూనాలపై ఆచరణాత్మక శిక్షణ 01:46 2. మొదటి నుండి LLMలు 02:55 3. హగ్గింగ్ ఫేస్ ఏజెంట్స్ కోర్సు 03:49 4. AI ఇంజనీరింగ్ (చిప్ హుయెన్) 05:01 5. డాక్లింగ్ (డేటా) 06:20 6. ఒల్లామా (మోడల్) 08:05 7. లాంగ్‌గ్రాఫ్ (ఏజెంట్లు) 09:00 8. ప్రాంప్ట్‌ఫూ (మూల్యాంకనాలు) 📚 మొదటి భాగం: నేర్చుకోండి పెద్ద భాషా నమూనాలపై ఆచరణాత్మక శిక్షణ: HandsOnLLM/Hands-On-Large-Language-Models మొదటి నుండి LLMలు: rasbt/LLMs-from-scratch హగ్గింగ్ ఫేస్ ఏజెంట్స్ కోర్సు: huggingface/agents-course AI ఇంజనీరింగ్ (చిప్ హుయెన్): chiphuyen/aie-book 🛠️ రెండవ అంకం: నిర్మాణం డాక్లింగ్: docling-project/docling ఒల్లామా: ollama/ollama లాంగ్‌గ్రాఫ్: langchain-ai/langgraph ప్రాంప్ట్‌ఫూ: promptfoo/promptfoo ➕ ఇక్కడ కూడా ప్రస్తావించబడింది మార్క్‌ఇట్‌డౌన్: microsoft/markitdown అన్‌స్ట్రక్చర్డ్: Unstructured-IO/unstructured vLLM: vllm-project/vllm క్రూAI: crewAIInc/crewAI స్మోలాజెంట్స్: huggingface/smolagents ఓపిక్: comet-ml/opik డీప్ఈవాల్: confident-ai/deepeval డీఎస్పీవై: stanfordnlp/dspy 📺 తదుపరి చూడండి youtu.be youtu.be youtu.be 🤖 ఏఐ కన్సల్టెన్సీ సేవలు: anasriad.com 💼 లింక్డ్‌ఇన్: linkedin.com 💻 గిట్‌హబ్: github.com/anesriad #ఏఐఇంజనీరింగ్ #గిట్‌హబ్ #ఎల్‌ఎల్‌ఎం [uk] Я перевірив понад 100 GitHub-репозиторіїв для AI-інженерії. Ці 8 — найкращі Я переглянув понад 100 репозиторіїв GitHub з питань штучного інтелекту та залишив 8. Чотири для вивчення ШІ-інженерії в правильному порядку та чотири для побудови: по одному для ваших даних, вашої моделі, ваших агентів та ваших оцінок. Якщо ви переходите до ШІ-інженерії з науки про дані чи програмного забезпечення, ось безкоштовні ресурси, які я б насправді використовував: LLM, RAG, агенти, локальні моделі та оцінка, всі з відкритим вихідним кодом та посилання на які нижче. ⏱️ Розділи 00:00 100+ репозиторіїв, 8 варті того, щоб зберегти 00:56 1. Практичні моделі великих мов 01:46 2. LLM з нуля 02:55 3. Курс про агенти, що обіймають обличчя 03:49 4. Інженерія штучного інтелекту (Чіп Х'юєн) 05:01 5. Доклінг (дані) 06:20 6. Ollama (модель) 08:05 7. LangGraph (агенти) 09:00 8. promptfoo (оцінки) 📚 Акт 1: Вивчення Практичні моделі великих мов: HandsOnLLM/Hands-On-Large-Language-Models LLM з нуля: rasbt/LLMs-from-scratch Курс про агенти, що обіймають обличчя: huggingface/agents-course Інженерія штучного інтелекту (Чіп Х'юєн): chiphuyen/aie-book 🛠️ Акт 2: Збірка Доклінг: docling-project/docling Оллама: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Також згадано MarkItDown: microsoft/markitdown Неструктурований: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Опік: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Дивитися далі youtu.be youtu.be youtu.be 🤖 Консалтингові послуги зі штучного інтелекту: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #ІнженеріяШІ #GitHub #LLM

LLMs-from-scratch ⭐ 107k Code for building a GPT-like LLM from scratch in PyTorch 🔗 rasbt/LLMs-from-scratch #opensource t.co