एआई रोड मैप 2026: शुरुआत से मास्टरी तक की पूरी गाइड

हाय गाइस, माय नेम इज नितेश एंड यू आर वेलकम टू अ वेरी स्पेशल वीडियो। अब वीडियो का टाइटल और थंबनेल देख के शायद आपको

ऑलरेडी समझ में आ गया होगा कि इस वीडियो में आपको क्या देखने को मिलने वाला है। बट एक बार मैं अपनी साइड से कांटेक्ट सेट

करना चाहता हूं। एक बार आई वुड लाइक टू टेल यू कि इस वीडियो के थ्रू मेरा क्या गोल है। सो मेरा गोल बहुत सिंपल है। मैं

आपके सामने एआई का एक ऐसा रोड मैप लाना चाहता हूं जो कि ऑर्गेनाइज्ड हो, वेल रिसर्च्ड हो और जीरो नॉइस वाला हो। और इस

रोड मैप के पीछे मेरा मोटिव यह है कि जो भी बिगिनर इस रोड मैप को फॉलो करें एंड टू एंड बाय द एंड ऑफ 2026 नॉट ओनली उनको एआई

अच्छे से आ जाए बट वो एआई को कंप्लीटली मास्टर कर ले। दिस इज द गोल ऑफ दिस वीडियो और ये कॉन्टेक्स्ट मैं अर्ली ऑन ही सेट

करना चाहता हूं। अब वीडियो को शुरू करते हैं। अब वीडियो की शुरुआत में मैं आपको यह बता के बोर नहीं करूंगा कि आपको एआई क्यों

सीखना चाहिए। मुझे ऐसा लगता है कि वो आपको ऑलरेडी पता है। इंस्टेड व्हाट आई विल डू इज कि पहले एक बार मैं आपको अपना व बताता

हूं कि मुझे यह वीडियो क्यों बनाना पड़ा। इसके पीछे दो प्राइमरी रीज़ंस हैं। पहला रीज़न है डिमांड। सो अभी साल शुरू हुआ है

वी आर इन फ पॉइंट पे कुछ ऐसा सेंटीमेंट है कि बहुत सारे लोग सोच रहे हैं कि उनको एआई सीखना

चाहिए और उन्होंने एआई सीखना शुरू भी किया। तो बहुत सारे जो बिगिनर्स हैं वो हमारे चैनल पर आए और उन्होंने देखा कि

हमारे चैनल पर बहुत सारा कंटेंट ऑलरेडी अवेलेबल है। बट उन्होंने हमें यह बताया कि द प्रॉब्लम इज कि जो भी कंटेंट है वो वेल

स्ट्रक्चरर्ड तरीके से डिफाइंड नहीं है। तो एज अ बिगिनर उनको ये समझ में नहीं आ रहा कि किस ऑर्डर में क्या चीजें कवर करनी

चाहिए। एंड आई कैन टोटली अंडरस्टैंड इफ यू आर अ बिगिनर द एंटायर फील्ड ऑफ़ एआई माइट सीन डोंटिंग बिकॉज़ देयर आर सो मेनी थिंग्स

टू लर्न। तो द गोल बिहाइंड दिस रोड मैप इज़ टू ऑर्गेनाइज़ दिस इनेशन इंटू अ प्रॉपर रोड मैप। सो दैट अगर कोई बिगिनर आए तो स्टेप

बाय स्टेप इस इनेशन इस रोड मैप को फॉलो करें और एआई को सीख जाए। तो दिस इज फर्स्ट मोटिव एंड द सेकंड मोटिव इज क्लेरिटी।

क्लेरिटी फॉर मसेल्फ। सो जो भी लोग रेगुलरली इस चैनल को फॉलो करते हैं उनको पता होगा कि मैंने इस साल की शुरुआत में

आप लोगों से एक प्रॉमिस किया था कि मुझे 2026 में एआई को कंप्लीटली अपने चैनल पर पढ़ाना है, कवर करना है। हर टॉपिक मुझे

आपको कवर करके देना है। अब ये करने के लिए मुझे पर्सनली पता होना चाहिए कि क्या-क्या चीजें किस ऑर्डर में पढ़ानी है। एंड दैट

इज व्हाई मैंने ये रोड मैप क्रिएट किया। नॉट ओनली दिस रोड मैप विल हेल्प यू गाइस बट इट विल आल्सो गाइड मी कि क्या चीजें

मुझे और कवर करनी है और वो किस ऑर्डर में कवर करनी है। एंड दिस इज व्हाई आई एम क्रिएटिंग दिस रोड मैप। एंड दिस इज व्हाई

आई एम क्रिएटिंग दिस वीडियो। तो आई रियली होप आपको व्हाई समझ में आ गया। अब आगे बढ़ने के पहले वीडियो को शुरू करने के

पहले रोड मैप बताने के पहले मैं आपके सामने एक छोटी सी कहानी रखना चाहता हूं। जो मेरी ही लाइफ का एक छोटा सा इंसिडेंट

है। अब आई नो आप सोच रहे होंगे कि रोड मैप बताऊं ना यार। कहानी क्यों सुना रहे हो? बट ट्रस्ट मी इस वीडियो इस रोड मैप के

कॉन्टेक्स्ट में ये कहानी बहुत इंपॉर्टेंट है। सो प्लीज एक बार थोड़े पेशेंस के साथ आप इसे सुनो। सो यह बात है 2017-1 के

आसपास की। व्हेन आई वास स्टेइंग इन कोलकाता और यह ऐसा टाइम था मेरी लाइफ का जब मैं अपनी लाइफ में बहुत सारी चीजें

ट्राई कर रहा था। मैंने एक दो स्टार्टअप आइडियाज एक्सप्लोर किए जो कि चले नहीं। मैंने फ्रीलांसिंग भी ट्राई किया बट वहां

मुझे बहुत ज्यादा क्लाइंट्स नहीं मिले। मैंने टीचिंग भी बहुत ट्राई की। मैं ऑफलाइन कॉलेजेस में जाकर पढ़ाता था। बट

अनफॉर्चुनेटली तब कोई स्टूडेंट्स मुझसे पढ़ने नहीं आते थे। तो अगर मैं समराइज करूं अपने उस फेस को, अपने लाइफ के उस फेस

को तो उस पॉइंट पे आई वास ट्राइंग आउट अ लॉट ऑफ थिंग्स बट कुछ भी काम नहीं कर रहा था। और ऐसा दो-ती सालों से चल रहा था। एंड

दैट इज व्हाई मैं धीरे-धीरे थोड़ा फ्रस्ट्रेट होने लगा। और इवेंचुअली मैंने यह डिसाइड किया कि आई शुड टेक अ ब्रेक। और

कुछ दिनों तक कुछ भी नहीं करते हैं। बैठते हैं, चीजों को सोचते हैं, समझते हैं और फिर कुछ करेंगे। और इस फेज में मैंने वो

चीजें करनी शुरू की जो मुझे एक्चुअली अच्छी लगती थी। जैसे कि वन ऑफ देम वाज़ क्रिकेट जो कि मुझे खेलना भी पसंद है,

देखना भी पसंद है। तो आई थॉट कि चलो एक काम करते हैं। अभी इफ आई रिमेंबर करेक्टली 2017 नवंबर दिसंबर का टाइम था। अ श्रीलंका

इंडिया का टेस्ट मैच हो रहा था और वो टेस्ट मैच कोलकाता में हो रहा था। तो आई थॉट कि चलो मैंने कभी स्टेडियम में जाके

मैच नहीं देखा है। आई विल गो एंड वॉच अ मैच। तो मैं पहुंच गया स्टेडियम में और मैं मैच देखने लगा। फॉर्चूनेटली सिंस इट

वाज़ अ टेस्ट मैच तो बहुत ज्यादा भीड़ नहीं थी जितना आपको इस इमेज में दिखाई दे रहा होगा। बट आई वाज़ एंजॉयंग द एक्सपीरियंस।

आई वाज़ एबल टू सी माय अ क्रिकेटर्स, हमारी टीम के जो क्रिकेटर्स आई वाज़ एबल टू सी विराट कोहली एंड अदर प्लेयर्स। तो मेरे

लिए इट वाज़ अ वेरी वेरी गुड साइड। तो आई वास वाचिंग दिस मैच एंड तभी सडनली से मेरे पीछे जिस स्टैंड में मैं बैठा हुआ था वहां

पर बहुत शोर होने लगा। मैंने पीछे मुड़ के देखा तो पता चला कि हमारे स्टैंड में ये भाई साहब आए हुए थे। आई एम प्रीटी श्योर

अगर आपने क्रिकेट फॉलो किया होगा तो आपको पता ही होगा ये कौन है। हिज नेम इज सुधीर कुमार इनको इंडियन क्रिकेट का सुपर फैन

बुलाया जाता है। ही इज ऑलमोस्ट अ सेलिब्रिटी नाउ और ही केम देयर बिकॉज़ ये हर इंडिया के मैच में आते हैं। तो मैंने

पीछे मुड़ के देखा तो सभी लोग एकदम पगला गए कि यार दिस गाय हैज़ अराइव्ड और सब लोग फिर इसके साथ फोटो खिंने चले गए और एक-एक करके

सब लोग सेल्फी ले रहे थे और मैच चल रहा था। मैं नहीं गया सेल्फी लेने। इंस्टेड मेरे दिमाग में एक बहुत ही वियर्ड थॉट आया

और थॉट कुछ ये था कि मैं ये सोचने लगा कि यार इसके आते ही लोग पागल हो के इसके पीछे क्यों चले गए? इसके साथ सेल्फी क्यों

खिंचाने लग गए? मैं भी तो यहां बैठा हूं। मेरे साथ तो किसी ने सेल्फी नहीं खिंचाई। आई नो इट्स अ वियर्ड थॉट बट मेरे दिमाग

में आया और मैंने खुद को इस बंदे के साथ कंपेयर करना शुरू कर दिया। मेरे दिमाग में ये सब थॉट्स आने लग गए कि यार अगर बात

करें पढ़ाई लिखाई की तो शायद हो सकता है मैंने इससे ज्यादा पढ़ाई लिखाई की हो। अगर बात करें स्किल्स की तो शायद मैं इससे

ज्यादा स्किल्ड हूं। आई कैन मेक वेबसाइट्स। आई कैन मेक Android एप्स। अगर बात करें टैलेंट की तो हो सकता है मैं

क्रिकेट में भी इसको बीट कर दूं। देयर इज अ चांस बट स्टिल ये बंदा ज्यादा सक्सेसफुल है इस पॉइंट पे वर्सेस मी जिसने ब्रेक ले

रखा है बिकॉज़ मेरी लाइफ में कुछ भी क्लिक नहीं कर रहा। और उस मोमेंट ऑनवर्ड्स मेरा वो मैच पूरा खराब हो गया। मैंने बीच में

ही छोड़ दिया और मैं निकल गया वहां से घर के लिए। मैं बस में बैठा था तब भी मेरे दिमाग में यही सारा थॉट आ रहा था कि यार

ऐसा क्यों है? बचपन से हमें यही पढ़ाया गया कि आप जितना पढ़ोगे अच्छे से, जितने अच्छे मार्क्स स्कोर करोगे, आपकी लाइफ

उतनी सॉर्टेड रहेगी आगे चलके। बट यहां पे मुझे दो एग्जांपल्स दिख रहे हैं। जहां पे एक बंदे ने शायद कम पढ़ाई की वो ज्यादा

सक्सेसफुल है। वर्सेस एक बंदे जिसने ज्यादा पढ़ाई की वो कम सक्सेसफुल है। और इस पर्टिकुलर थॉट ने मुझे बहुत परेशान

किया। और ट्रस्ट मी मैंने अगले दो-तीन दिन इस चीज के बारे में सोचने की कोशिश की कि व्हाट इज द रीज़न दैट दिस गाय इज मोर

सक्सेसफुल देन मी। एंड इवेंचुअली मुझे इसका आंसर मिला। एंड द आंसर वाज़ वेरी सिंपल। द आंसर वाज़ क्लेरिटी एंड फोकस। सो,

मेरी लाइफ में उस पॉइंट पे क्लेरिटी और फोकस नहीं था। आई वाज़ ट्राइंग आउट डिफरेंट थिंग्स। अगर थोड़ा भी काम नहीं कर रहा था

तो मैं छोड़ के दूसरी चीज में लग जा रहा था। मैं स्टार्टअप भी चलाने की कोशिश कर रहा था। मैं फ्रीलांसर भी बन रहा था। मैं

टीचर भी बन रहा था। एंड दैट इज व्हाई आई वास नॉट गुड एट एनी ऑफ़ देम। वेयर एज अगर बात करें सुधीर की तो उसके दिमाग में बहुत

क्लेरिटी थी कि उसको कुछ नहीं करना है। उसको इंडिया के हर मैच में जाना है बॉडी पेंट करके और उसको पैशनेटली इंडियन टीम को

चेयर करना है। और यह शायद वो पांच छ सालों से कर रहा था। एंड दैट इज व्हाई ही वाज़ वेरी फोकस्ड। और उस क्लेरिटी और उस फोकस

की वजह से ही बिकम व्हाट ही इज। अब तो वो और भी बड़ा सेलिब्रिटी बन गया है। बट वो पर्टिकुलर छोटा इंसिडेंट मेरी लाइफ में इट

बिकम अ टर्निंग पॉइंट। 2017 से अब 2026 आ गया है। पिछले 9 साल मैंने ये मंत्रा कंप्लीटली फॉलो किया है। दैट आई विल हैव

क्लेरिटी एंड आई शुड हैव फोकस। मैंने 2017 के बाद दोबारा स्टार्टअप चलाने की कोशिश नहीं की। नेवर ट्राइड फ्रीलांसिंग। एक चीज

जिसमें मैं सच में अच्छा था, मैंने उसी को पकड़ा व्हिच वास टीचिंग। और मैंने टीचिंग में भी सिर्फ एक पर्टिकुलर टॉपिक को पकड़ा

व्हिच वास मशीन लर्निंग एंड एआई। और पिछले छ आठ सालों से मैं इसी के ऊपर कंसिस्टेंटली काम कर रहा हूं। एंड ट्रस्ट

मी नाउ आई फील कि आई एम मच बेटर। जैसा मैं 2017 में था उसके कंपैरिजन में आई एम इन अ मच बेटर स्टेट राइट नाउ। अब आई नो आपके

दिमाग में क्वेश्चन आ रहा होगा कि ठीक है जो भी आप बोल रहे हो इट साउंड्स लॉजिकल बट इस वीडियो और इस ए रोड मैप के कॉन्टेक्स्ट

में ये कैसे रिलेटेड है? तो चलो अब मैं आपको ये भी बताता हूं कि कैसे ये पूरी कहानी इस रोड मैप से कनेक्टेड है। अब

रिलेशन क्या है कि एi की जो फील्ड है ना वो बहुत ही एक्साइटिंग है। बट एक्साइटिंग होने के साथ ही साथ बहुत ही वास्ट भी है।

वास्ट होने से मेरा मतलब है कि एi के अंदर बहुत सारी सब फील्ड्स एक्सिस्ट करती हैं। जैसे कि मशीन लर्निंग हुआ, डीप लर्निंग

हुआ, जनरेटिव एआई हुआ, एनएलपी एंड कंप्यूटर विज़न हुआ। और सिंस बहुत सारी सब फील्ड्स एक्सिस्ट करती हैं। हर सबफील्ड के

साथ उसका कॉरेस्पोंडिंग जॉब रोल भी एक्सिस्ट करता है। बट द प्रॉब्लम इज कि जब एक बिगिनर इस फील्ड में एआई की फील्ड में

एंटर करता है तो वो किसी एक पर्टिकुलर सब फील्ड पे फोकस ना करके किसी एक पर्टिकुलर जॉब प्रोफाइल पे फोकस ना करके पूरा का

पूरा एआई एक साथ कवर करना चाहता है। सो दैट वो किसी भी जॉब प्रोफाइल के लिए एलिजिबल हो। मतलब मैंने ऐसे स्टूडेंट से

बात की है जिन लोगों ने साथ ही साथ डेटा साइंटिस्ट बनने के लिए भी प्रिपरेशन किया। डेटा इंजीनियर बनने के लिए भी प्रिपरेशन

किया। डेटा एनालिस्ट बनने के लिए भी प्रिपरेशन किया। और इवेंचुअली ये हुआ इन इस इस तरह के स्टूडेंट्स के साथ कि

उन्होंने बहुत सारा करिकुलम पढ़ने की कोशिश की। एंड इवेंचुअली दे रियलाइज़ दैट इट इज़ इंपॉसिबल एंड विद इन फाइव टू सिक्स

मंथ्स दे हैड अ बर्न आउट एंड दे हैड टू क्विट। एंड दिस इज़ द बिगेस्ट प्रॉब्लम दैट आई हैव सीन जो बिगिनर्स फेस करते हैं इन द

फील्ड ऑफ़ एआई। द प्रॉब्लम इज़ लैक ऑफ क्लेरिटी एंड फोकस। ऑनेस्टली अगर आप एआई सीखना चाहते हो तो यहां पर भी सुधीर वाला

अप्रोच ही काम करता है कि आपको एक फील्ड पिक करनी है। एक सब फील्ड पिक करनी है। एक जॉब प्रोफाइल पिक करना है और फिर उसके

अराउंड अपना प्रिपरेशन प्लान करना है। सो दैट आप बर्न आउट ना हो। आपको जैक ऑफ ऑल ट्रेड्स नहीं बनना है। आपको मास्टर ऑफ वन

बनना है। और हमारा जो रोड मैप है ना वो एग्जैक्टली यही काम करता है। हमारा रोड मैप आपको क्लेरिटी प्रोवाइड करता है। और

हमारा रोड मैप ये एक्सपेक्ट नहीं करता कि आप सब कुछ पढ़ो। एंड दिस इज द बिगेस्ट यूएसपी ऑफ द रोड मैप दैट आई एम गोइंग टू

शेयर विद यू। अब आई नो आप सोच रहे होंगे कि ऐसा कैसे हमारे रोड मैप में क्या डिफरेंस है? तो द

बिगेस्ट डिफरेंस इज़ द डिज़ाइन ऑफ़ द रोड मैप। मैंने इस रोड मैप को दो पार्ट्स में डेवलप किया है। फर्स्ट पार्ट में मैं आपको

फाउंडेशंस के बारे में बताऊंगा। ऐसी चीजें ऐसे टॉपिक्स जो सभी को पता होना चाहिए इरिस्पेक्टिव ऑफ देयर जॉब प्रोफाइल्स। एंड

सेकंड पार्ट में मैं आपको स्पेशलाइजेशंस के बारे में बताऊंगा। जहां पर आप किसी एक सिंगल जॉब प्रोफाइल को पिक करके उसके

हिसाब से अपना प्रिपरेशन करोगे। अब आई नो आप सोच रहे होंगे कि कौन-कौन से स्पेशलाइजेशनंस हम कवर करेंगे। तो हम इस

रोड मैप में प्रिसाइजली तीन अलग स्पेशलाइजेशनंस कवर करेंगे। बट वो 90% जॉब रोल्स को कैटर करते हैं। पहला

स्पेशलाइजेशन है एमएल इंजीनियरिंग ट्रैक जहां पे आप डेटा साइंटिस्ट या फिर मशीन लर्निंग इंजीनियर बनने की कोशिश करोगे। अ

ये वो ट्रैक है जहां पर आप मशीन लर्निंग एआई में नैरो प्रॉब्लम्स को सॉल्व करते हो। स्पेसिफिक प्रॉब्लम्स किसी कंपनी की

पर्टिकुलर प्रॉब्लम को सॉल्व कर रहे हो। फॉर एग्जांपल SWGI चाह रहा है कि उनका डिलीवरी टाइम का प्रेडिक्शन थोड़ा और

एक्यूरेट हो पाए। तो दिस इज़ अ नैरो प्रॉब्लम। तो इस तरह की प्रॉब्लम्स को आप यहां पे सॉल्व करते हो। सेकंड

स्पेशलाइजेशन इज़ एलएम एलएलएम इंजीनियरिंग ट्रैक जहां पे आप ये जो बड़े लार्ज स्केल लैंग्वेज मॉडल्स हैं इनको कैसे बनाया जाता

है? इनको कैसे ट्रेन किया जाता है वो सीखते हो। सो दैट आप इन बड़ी इंजीनियरिंग टीम का पार्ट बन पाओ। एंड द थर्ड ट्रैक इज़

एआई इंजीनियरिंग ट्रैक। जहां पे आप ये सीखते हो कि इन बने हुए एलएलएम्स की हेल्प से आप कैसे इंटेलिजेंट सॉफ्टवेयर्स बना

सकते हो। एंड ट्रस्ट मी अगर आप इन तीनों में से भी किसी भी एक फील्ड को क्रैक कर लेते हो तो एआई की फील्ड में जॉब लेना

आपके लिए बहुत आसान हो जाएगा। इंस्टेड अगर आप सब कुछ कवर करने जाओगे तो इवेंचुअली आप इन तीनों में से कुछ भी नहीं सीखोगे। एंड

दिस इज द यूएसपी ऑफ़ दिस रोड मैप। अब रोड मैप शुरू करने के पहले एक डिस्क्लेमर भी मैं देना चाहूंगा। यहां पे कुछ पर्टिकुलर

जॉब प्रोफाइल्स को हम कवर नहीं कर रहे हैं। जैसे कि डेटा एनालिस्ट की जॉब प्रोफाइल एंड डेटा इंजीनियर की जॉब

प्रोफाइल। आई अग्री दैट दीज़ टू जॉब प्रोफाइल्स आर आल्सो वैरीेंट इन द फील्ड ऑफ़ एआई। बट इनको मैं थोड़ा एडजेसेंट जॉब

प्रोफाइल्स मानता हूं। यह डायरेक्ट एआई की जॉब प्रोफाइल्स नहीं है। दे आर एडजेसेंट जॉब प्रोफाइल्स जो एआई जॉब प्रोफाइल्स को

हेल्प करती है। उनके काम को फैसिलिटेट करती हैं। अगर आपके दिमाग में ये आ रहा है कि हम कौन-कौन सी एग्जैक्ट जॉब प्रोफाइल्स

को टारगेट करेंगे विथ द हेल्प ऑफ दिस रोड मैप? तो वो मैं आपके सामने रखता हूं। ये तीन सेट ऑफ जॉब प्रोफाइल्स को हम लोग

टारगेट कर रहे हैं। आपके स्क्रीन पे अभी ये जो सेट ऑफ जॉब प्रोफाइल्स हैं, इनमें से अगर आप किसी भी एक जॉब प्रोफाइल को

टारगेट कर रहे हो तो हमारा रोड मैप विल हेल्प यू अ लॉट। ठीक है? तो एक बार वीडियो पॉज कर लो और देख लो इनमें से कौन सा जॉब

प्रोफाइल है जो आप इंटरेस्टेड हो जिसके लिए और अगर उनमें से कोई भी एक आपको पसंद है या आप उसके बारे में ऑलरेडी जानते हो

और उसको पर्स्यू करना चाहते हो तो दिस इज द रोड मैप दैट यू शुड फॉलो। सो आई रियली होप मैंने इस पूरे वीडियो का अभी तक

कॉन्टेक्स्ट सही से सेट कर दिया। अब मैं आपका और टाइम नहीं लूंगा एंड नाउ वी विल एक्चुअली डाइव इंटू द रोड मैप। आई विल शो

यू द एक्चुअल रोड मैप और उसको हम लोग एक-एक करके डिस्कस करेंगे। सो दिस लेडीज एंड जेंटलमैन इज आवर एआई रोड मैप फॉर

2026। अ इसको मैंने बिल्ड किया है यूजिंग दिस प्लेटफार्म कॉल्ड रोडmapsh और इस प्लेटफार्म को यूज़ करने का रीज़न ये था कि

इस प्लेटफार्म को बनाया ही गया है रोड मैप्स क्रिएट करने के लिए तो देयर आर सम वेरी गुड फीचर्स जो मैंने यूटिलाइज भी किए

हैं। अगर मैं आपको एक क्विक ओवरव्यू दूं एक ज़ूम आउट वर्जन दिखाऊं रोड मैप का तो आपको ऑलरेडी रोड मैप का स्ट्रक्चर समझ में

आएगा। सो शुरू में जो आपको दिखाई दे रहा है एक लीनियर स्ट्रक्चर वो है फाउंडेशन वाला पार्ट जो सभी को सीखना चाहिए। और फिर

उसके बाद आप देखोगे कि हमारा रोड मैप तीन ब्रांचेस में डिवाइड हो जा रहा है। वन ब्रांच कैटरिंग टू वन ट्रैक, वन

स्पेशलाइजेशन। तो अब मैं क्या करने वाला हूं? मैं एक-एक करके इस पूरे रोड मैप को आपके सामने डिकोड करूंगा। एक इंपॉर्टेंट

चीज मैं डिकोड करने के प्रोसेस में आपको एग्जैक्ट रिसोर्सेज नहीं बताऊंगा कि कौन सा टॉपिक कहां से पढ़ना है। वो इंफॉर्मेशन

मैं आपको वीडियो के लास्ट में दूंगा। फिलहाल मेरा गोल है आपके सामने एक बहुत लॉजिकल तरीके से इस रोड मैप को प्रेजेंट

करना। सो दैट आपके दिमाग में ये आईडिया पूरी तरह से क्लिक कर जाए कि व्हाट आर द थिंग्स एंड व्हाट आर द व्हाट इज द ऑर्डर

जिसमें आपको चीजों को करना है। ठीक है? तो वो मैं सबसे पहले करके आपको दिखाता हूं। सो लेट्स स्टार्ट विद आवर रोड मैप। सो ये

रोड मैप शुरू होता है प्रीरक्वज़िट से जो सिंपली इस क्वेश्चन का आंसर देता है कि एआई की फील्ड में जॉब्स लेने के लिए आपको

पहले से क्या-क्या चीजें आनी चाहिए। तो इसमें सबसे पहली जो चीज आती है जो सबसे इंपॉर्टेंट है मेरे हिसाब से वो है

Python। Python एज़ यू नो इज़ अ प्रोग्रामिंग लैंग्वेज। और ये एक ऐसा प्रोग्रामिंग लैंग्वेज है जो एआई की

दुनिया ने कंप्लीटली अडॉप्ट कर लिया है। एआई की दुनिया में देयर इज नो सेकंड लैंग्वेज जिसके थ्रू डेवलपमेंट होती है।

पython इज द ओनली ऑप्शन। जैसे हार्डवेयर प्रोग्रामिंग के लिए सी बहुत यूज़ किया जाता है। एंटरप्राइज सॉफ्टवेयर डेवलपमेंट

के लिए जावा बहुत यूज़ किया जाता है। वेब डेवलपमेंट के लिए जावास्क्रिप्ट बहुत यूज़ किया जाता है। सिमिलरली आप ऐसे समझो कि इफ

यू वांट टू बी अ एi डेवलपर Python इज़ योर गो टू लैंग्वेज। ये आपको मास्टर करना पड़ेगा। और ये लोगों को पता चल चुका है।

दैट इज व्हाई बहुत सारे स्टूडेंट्स मुझे अप्रोच करके पूछते हैं कि सर हमें कितना पाइthon आना चाहिए? क्या हमें एक

सॉफ्टवेयर ले डेवलपर जितना पाइthon आना चाहिए या फिर हम उससे कम में भी काम चला सकते हैं। तो मैं एक काम करता हूं मैं

आपको क्विकली बताता हूं कि आपको इस पूरे रोड मैप को कवर करने के लिए कितना पाइथन सीखने की जरूरत है। सो अगर आप इस रोड मैप

को ओपन करोगे और Python के ऊपर क्लिक करोगे तो ये साइड से एक पॉपअप निकल के आएगा जहां पे मैंने सारे पॉइंटर्स बता रखे

हैं कि आपको क्या-क्या सीखना चाहिए Python में। मैं आपको एक-एक करके वॉक थ्रू देता हूं। तो सबसे पहले आपको Python के कोर

फंडामेंटल्स आने चाहिए। जैसे आप कोई भी प्रोग्रामिंग लैंग्वेज सीखते हो। बिल्कुल सिमिलरली आपको Python को भी सीखना है। द

ओनली अ गुड पार्ट इज़ कि Python इज़ लाइक वन ऑफ़ द ईज़िएस्ट लैंग्वेज लैंग्वेज टू लर्न। ठीक है? यहां पे चीजें बहुत आसान है इन

कंपैरिजन टू लेट्स से C++ या jवा। अ तो सीखना क्या-क्या है? आपको सबसे पहले Python का सिंटेक्स पता होना चाहिए। कैसे

आप पाइथन में कोड लिखते हो यहां पे इंडेंटेशन बहुत मैटर करता है। अनलाइक अदर लैंग्वेज। तो उसके साथ बिगिनर्स थोड़ा

स्ट्रगल करते हैं। तो ये कॉन्सेप्ट्स आपको पता होने चाहिए। फिर जो भी फंडामेंटल्स हैं जो किसी भी प्रोग्रामिंग लैंग्वेज में

होते हैं जैसे कि वेरिएबल्स, डेटा टाइप्स, टाइप कास्टिंग ये सब आपको पता होना चाहिए। यूजर से इनपुट कैसे लिया जाता है, कमेंट्स

कैसे लिखे जाते हैं? डॉक स्ट्रिंग्स का कांसेप्ट क्या होता है? ये सब आपको पता होना चाहिए। उसके बाद आप थोड़ा भी ज्यादा

कॉम्प्लेक्स प्रोग्राम लिख रहे हो जहां पे ब्रांचिंग की जरूरत है या लूप चलाने की जरूरत है। तो कैसे इफ एल्स लिखा जाता है?

कैसे अलग-अलग टाइप के लूप्स चलाए जाते हैं? ये आपको पता होना चाहिए। उसके बाद अपने फंक्शन अपने कोड को मॉड्यूलर कैसे

बनाओ। छोटी-छोटी चीजों के लिए अलग फंक्शन कैसे लिखो? ये आपको पता होना चाहिए। तो ये हो गए आपके पाइthन के कोर फंडामेंटल्स।

इसके बिना आप आगे कुछ भी नहीं कर सकते। उसके बाद सेकंड नंबर पे आपको Python के जो बिल्ट इन डेटा स्ट्रक्चर्स हैं उनके बारे

में आईडिया होना चाहिए। पython में जो डेटा टाइप्स बोले जाते हैं दूसरे लैंग्वेज में यहां पे उसको हम डेटा स्ट्रक्चर बोल

रहे हैं। तो Python में जो डेटा स्ट्रक्चर्स हैं दे आर वेरी-वेरी पावरफुल। और आपको कुछ बहुत पावरफुल बिल्ट इन

फंक्शनंस देते हैं जिनकी हेल्प से आप काफी कुछ विदाउट ज्यादा कोड लिखे खुद से कर सकते हो। तो जो मेन आपके डेटा स्ट्रक्चर्स

हैं वो है लिस्ट, टपल्स, सेट्स, डिक्शनरीज एंड स्ट्रिंग्स। इनमें से मैं तीन पे बहुत फोकस करने को बोलूंगा। लिस्ट हुआ और

डिक्शनरीज हुआ और स्ट्रिंग्स हुआ। ये आपको बहुत यूज़ करने को मिलेंगे और दूसरे के कोड में भी आपको ये बहुत दिखाई देगा। उसके बाद

एक बार जब आप फंडामेंटल सीख लो तो थोड़ा सा आपको पाइथनिक वे ऑफ़ कोड लिखने के ऊपर काम करना चाहिए। सो पाइथonिक वे ऑफ़ राइटिंग

कोड क्या होता है कि Python इज़ बेसिकली इस तरीके से डेवलप किया गया है Python को कि बहुत कम कोड लिख के भी आप बहुत ज्यादा

लॉजिक एक्सप्रेस कर सकते हो। तो इसी को थोड़ा पाइथनिक वे ऑफ़ राइटिंग कोड बोला जाता है। तो Python में आपको बहुत सारे इस तरह

के फंक्शनंस मिलेंगे जो काइंड ऑफ़ रैपर्स हैं अराउंड कॉम्प्लेक्स लॉजिक जैसे कि मैप रिड्यूस फिल्टर इनके थ्रू आप 10 लाइन का

कोड एक सिंगल फंक्शन कॉल पे कर सकते हो। तो इस तरह की बहुत सारी चीजें पाइथन में अवेलेबल हैं। मैं नहीं बोलूंगा कि

सीधे-सीधे आप इसको सीखो। बट ओवर टाइम आपको दूसरे का कोड पढ़-पढ़ के ये सीखना चाहिए। बिकॉज़ अगर आप इन चीजों को नहीं पढ़ोगे तो

इसके बिना भी आप कोड कर सकते हो। बट आपको ज्यादा लाइंस ऑफ कोड लिखने पड़ेंगे सेम चीज को करने के लिए। और सेकंड जब आप किसी

दूसरे एक्सपीरियंस डेवलपर का कोड पढ़ोगे तो वहां पे आप थोड़ा स्ट्रगल कर सकते हो कि ये क्या लिख दिया सामने वाले ने। ठीक है? तो

उस सेंस में दिस इज़ नॉट अप फ्रंट इंपॉर्टेंट बट ओवरटाइम आपको इसके ऊपर काम करना चाहिए। उसके बाद नेक्स्ट आता है वन

ऑफ़ द मोस्ट इंपोर्टेंट थिंग्स दैट यू हैव टू लर्न इन पाइथन। दैट इज़ ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग। सो ऑब्जेक्ट

ओरिएंटेड प्रोग्रामिंग इज़ अ वे ऑफ़ राइटिंग कोड। इट्स अ पैराडाइम। जहां पे आप सॉफ्टवेयर के अंदर रियल वर्ल्ड को मैप

करने की कोशिश करते हो विथ द कॉन्सेप्ट ऑफ क्लासेस एंड ऑब्जेक्ट्स। अगेन समथिंग जो सिर्फ पाइथन में नहीं होता। बाकी के

प्रोग्रामिंग लैंग्वेज में भी है। द गुड थिंग इज़ कि Python में जो ओपी का इंप्लीमेंटेशन है वो थोड़ा सा और स्लिम है।

तो उतनी ज्यादा चीजें आपको नहीं पढ़नी। उतने ज्यादा कांसेप्ट्स आपको नहीं पढ़ने जितना लेट्स से जावा में पढ़ना पड़ेगा। बट

स्टिल बहुतेंट है। अ जो भी आप लाइब्रेरीज़ यूज़ करोगे या खुद की लाइब्रेरीज़ कभी फ्यूचर में बनाओगे तो वहां पे आपको ये

ओपपी वाला कांसेप्ट बहुत हेल्प करता है। तो क्या-क्या पढ़ना है? क्लासेस एंड ऑब्जेक्ट्स। कंस्ट्रक्टर्स क्या होते हैं?

इंस्टेंस एंड क्लास वेरिएबल्स क्या होते हैं? जो भी टिपिकल चीज़ हैं। आप एक बार गो थ्रू करोगे आपको समझ में आ जाएगा। उसके

बाद एक और बहुत इंपॉर्टेंट चीज़ जो मैंने एज अ बिगिनर शुरू में नहीं सीखा था। बट ओवर टाइम मैंने रियलाइज़ किया कि इट इज़

वेरी वेरीरीेंट। आपको पता होना चाहिए। एंड दैट थिंग इज़ एरर हैंडलिंग। सो होता क्या है कि जब आप आगे चलके सॉफ्टवेयर लिखोगे एज

एन एआई बेस्ड सॉफ्टवेयर लिखोगे तो वहां पे ऐसे एच केसेस आएंगे जहां पे आपका कोड फट जाएगा। और कोड फटने के लिए आपको एज अ

प्रोग्रामर उसको एलगेंटली हैंडल करना पड़ता है। और वो तभी होता है जब आप प्रॉपर्ली एरर को हैंडल करो। तो एरर हैंडलिंग इज़

समथिंग जो आपको पता होना चाहिए। एंड साथ ही साथ डीबगिंग ये भी एक बहुत इंपॉर्टेंट चीज है जो आपको आना चाहिए। अगेन नॉट

समथिंग जो आपको एकदम डे वन पे सीखना चाहिए। बट ओवर टाइम आपको ये सारी चीजें आनी चाहिए। उसके बाद गोइंग फॉरवर्ड आप

बहुत सारे मॉड्यूल्स एंड पैकेजेस के साथ काम करोगे। तो कैसे वो करना है वो आपको पता होना चाहिए। हाउ टू यूज़ इंपोर्ट

स्टेटमेंट, हाउ टू क्रिएट मॉड्यूल्स एंड पैकेजेस, वर्चुअल एनवायरमेंट्स कैसे बनाए जाते हैं? डिपेंडेंसी मैनेजमेंट कैसे किया

जाता है? विथ द हेल्प ऑफ पिप या फिर अभी आपका यूवी बोल के एक नया पैकेज मैनेजर आया है। इस तरह की चीजों के साथ आपको काम करना

आना चाहिए। नेक्स्ट इज़ फाइल हैंडलिंग एंड सीरियलाइजेशन। अ ये टिपिकल सॉफ्टवेयर डेवलपमेंट में मे बी उतना यूज़फुल नहीं है।

बट ए डेवलपमेंट में इट्स सुपर यूज़फुल बिकॉज़ आप पूरे टाइम एक्सटर्नल फाइल्स के साथ काम करते हो। फॉर एग्जांपल आप अपने

कंपनी के डेटा पे फॉरकास्टिंग कर रहे हो। सम काइंड ऑफ प्रेडिक्शन कर रहे हो। तो आपको सबसे पहले कंपनी का डेटा चाहिए।

कंपनी का डेटा सीएसवी फॉर्मेट में है। तो आपको उसको पहले लोड करके पाइथन में लाना पड़ेगा। तो इसके लिए यू नीड टू अंडरस्टैंड

हाउ टू हैंडल फाइल्स। तो फाइल हैंडलिंग इज़ एब्सोलुटलीेंट। अलग-अलग टाइप की फाइल्स के साथ काम करना आपको आना चाहिए। सबसे ज्यादा

आई वुड रिकमेंड CSV एंड JSN के साथ आप काम करना सीखो। और उसके बाद अलग-अलग डायरेक्टरीज के साथ कैसे काम करना है उसके

लिए वी हैव सम मॉड्यूल्स इन Python सो ओएस इज़ वन पाथव इज़ वन इसके साथ आपको काम करना आना चाहिए। एंड यू शुड आल्सो नो हाउ टू

लॉग फाइल्स। ठीक है? तो लॉगिन का कांसेप्ट भी आपको पता होना चाहिए। तो ये हो गया आपका Python का काइंड ऑफ़ सिलेबस। इतना

आपको आना चाहिए। जिस ऑर्डर में मैंने बताया उस ऑर्डर में आप सीखो। जो चीजें मैंने बोली आप बाद में कर सकते हो। आप बाद

में करो और यू विल बी गुड टू गो। Python सीखने के बाद आपको नेक्स्ट कुछ ऐसी लाइब्रेरीज सीखनी पड़ेंगी जो आप कह सकते

हो कि एआई डेवलपमेंट के लिए बहुत ज्यादाेंट है। उनमें से जो सबसे पहली लाइब्रेरी है वो है nपाई। अ nपाई स्टैंड्स

फॉर न्यूमेरिकल पाइथन। इसकी हेल्प से आप क्या कर सकते हो कि आप Python में न्यूमेरिकल कंप्यूटिंग परफॉर्म कर सकते

हो। सो होता क्या है कि Python के जो खुद के डेटा स्ट्रक्चर्स हैं वो काइंड ऑफ थोड़े स्लो हैं। Python इन जनरली भी माना जाता

है कि थोड़ा स्लो होता है एग्जीक्यूशन के टाइम। तो इसी कमी को सॉल्व करने के लिए nपाई बोल के लाइब्रेरी आई और nपाई में आप

क्या कर सकते हो? बहुत बड़ा डेटा के साथ भी बहुत कम टाइम में ऑपरेशंस परफॉर्म कर सकते हो। स्पेशली मैथमेटिकल ऑपरेशंस। एंड

एज यू नो एi में यू हैव टू डू अ लॉट ऑफ़ मैथमेटिकल ऑपरेशंस। दैट इज़ व्हाई nपाई इज़ लाइक अ फंडामेंटल लाइब्रेरी। आगे आप इसके

जो भी लाइब्रेरीज़ पढ़ोगे एआई में वो सब की सब NPI के टॉप पे बनी हुई है। दैट इज़ व्हाई नमई को सीखना इज़ एक्सट्रीमलीेंट।

बहुत बड़ी लाइब्रेरी नहीं है। अह कुछ स्पेसिफिक फंक्शनंस हैं जो आपको पता होने चाहिए। वहां पे मैंने लिस्ट कर दिए हैं।

तो प्लीज मेक श्योर आप nपाई सबसे पहले सीख लो। एक बार nपाई सीखने के बाद नेक्स्ट आपको मूव करना चाहिए टुवर्ड्स डेटा

एनालिसिस एंड मैनपुलेशन। सो इस पॉइंट पे आपको काफी कुछ आ गया पython में और अब आप रेडी हो कि आप किसी डेटा सेट को उठाओ और

उसके ऊपर आप एनालिसिस स्टार्ट करो। और ये काम करने के लिए जो लाइब्रेरी सबसे ज्यादा अच्छी मानी जाती है वो है पंडाज़। तो पंडाज़

इज़ वन लाइब्रेरी जिसमें आप किसी भी तरह का डेटा मैनपुलेशन, डेटा एक्सप्लोरेशन परफॉर्म कर सकते हो। आप लिटरली एक डेटा

सेट को उठा के पython में लोड करके उससे किसी भी तरह का सवाल पूछ सकते हो कि बताओ टॉप 10 रोज़ में क्या है? बॉटम 10 रोज़ में

क्या है? अ मुझे ये बताओ कि किसी पर्टिकुलर कॉलम के बेसिस पे सॉर्ट करने पे डेटा कैसा दिखाई देगा? यू अंडरस्टैंड जो

भी डेटा एनालिसिस रिलेटेड ऑपरेशंस हैं वो परफॉर्म करने के लिए पंडाज़ इज़ एक्सट्रीमली गुड। तो पंडाज़ इज़ समथिंग जिसके बिना आपको

आगे काम नहीं चलेगा। तो पंडाज़ यू हैव टू लर्न। उसके बाद आता है डेटा विजुअलाइज़ेशन। व्हिच इज़ अगेन समथिंग वेरीेंट। डेटा में

अगर कुछ पैटर्न्स हैं तो मोस्टली वो हिडन रहते हैं और वो तभी सरफेस पे आते हैं जब आप उनके अराउंड ग्राफ्स प्लॉट करते हो।

उनको विजुअली इंस्पेक्ट करते हो। और यह काम करने के लिए दो लाइब्रेरीज आई वुड रिकमेंड। वन इज़ मैट प्लॉट लिब एंड सेकंड

इज़ सीबॉन। इन दोनों की हेल्प से आप Python के थ्रू चार्ट्स बना सकते हो और किसी भी तरह का चार्ट बना सकते हो। तो किसी भी तरह

का डेटा आपके पास है। कैटेगोरिकल डेटा है, न्यूमेरिकल डेटा है, मिक्सचर है, दिस लाइब्रेरी विल हेल्प यू। इतना कुछ सीखने

के बाद आपको जो नेक्स्ट चीज़ सीखनी चाहिए वो है हाउ टू परफॉर्म इडीए यूजिंग Python? ईडीए स्टैंड्स फॉर एक्सप्लोरेटरी डेटा

एनालिसिस एंड दिस इज़ द फर्स्ट स्टेप दैट डेटा साइंटिस्ट्स डू। आपको किसी भी तरह का मॉडल बनाना है। आप उसके पहले डेटा को

समझते हो। अगर आप डेटा को ही नहीं समझोगे तो आप उसके ऊपर किसी भी तरह का प्रेडिक्टिव मॉडल नहीं बना सकते। तो ईडीए

इज़ दैट प्रोसेस जिसको यूज़ करके डेटा साइंटिस्ट डेटा एनालिस्ट डेटा को समझते हैं। तो आप ऑलरेडी Python सीख चुके हो। आप

अलग-अलग लाइब्रेरी सीख चुके हो डेटा मैनपुलेशन के लिए। तो दिस इज़ द राइट टाइम वेयर यू टेक सम डेटा फ्रॉम इंटरनेट और

उसके ऊपर आप इडीए परफॉर्म करना सीखो। ठीक है? तो ये हो गया आपका नेक्स्ट स्टेप। उसके बाद देयर आर सर्टेन अदर बिल्ट इन

पाइथन लाइब्रेरीज जो आपको काइंड ऑफ आनी चाहिए या आप उसके साथ थोड़े कंफर्टेबल होने चाहिए। ओएस मैंने ऊपर नाम लिया था। सिस्टम

लाइब्रेरी हुआ, पाथलिब हुआ, डेट टाइम एंड टाइम हुआ। स्पेशली अगर आप टाइम बेस्ड डेटा के साथ काम कर रहे हो। लॉगिंग हुआ। अगर आप

किसी भी तरह का डेवलपमेंट परफॉर्म कर रहे हो तो वहां पे लॉग्स जनरेट करना। तो दीज़ आर सम स्टैंडर्ड लाइब्रेरीज़ जो आपको बहुत

हाई आरओआई देंगी। बट अगेन मैं रिकमेंड नहीं करूंगा डे वन पे एकदम इसको सीखने को। अ जैसे-जैसे ज़रूरत पड़ती जाए आप इन

लाइब्रेरीज़ को सीखते जा सकते हो। बट मैंने यहां पे रोड मैप में मेंशन कर दिया है। उसके बाद एक और चीज़ जो आपको आनी चाहिए

स्पेशली जब आप थोड़े एडवांस स्टेजेस में हो इस रोड मैप के वो है हाउ टू डू अ सिंक्रोनस प्रोग्रामिंग यूज़ इन Python।

जनरली आप जो कोड लिखते हो Python में वो सिंक्रोनस होता है। बट जो भी प्रोडक्शन ग्रेड एप्लीकेशनेशंस आप बिल्ड करोगे

इवेंचुअली और जब आप कंपनीज़ में काम करोगे तो वहां पे आपको असंक्रोनस प्रोग्रामिंग करनी पड़ती है। जहां पे आपका एक सर्वर जो

आपने लिखा है वो एक साथ मल्टीपल क्लाइंट्स को हैंडल कर पाए। तो वहां पे असिंक्रोनस प्रोग्रामिंग बहुत हेल्प करती है। दिस इज

एन एडवांस टॉपिक अगेन समथिंग जो आपको डे वन पे नहीं भी आता है तो काम चल जाएगा। बट जैसे-जैसे आप इस रोड मैप के एंड पे

पहुंचोगे तो आपको ये टॉपिक करना चाहिए। सीखना चाहिए। बिकॉज़ आपको दूसरों के प्रोजेक्ट्स में दूसरों के कोर्स में ये

टॉपिक दिखने लग जाएगा। तो अगेन इसको आप लेटर के लिए रख सकते हो। उसके अलावा दो और लाइब्रेरीज मैं आपको रिकमेंड करूंगा जो

आपको डेफिनेटली सीखनी चाहिए। बिकॉज़ ये आपको आगे चलके बहुत देखने को मिलेगा। वन इज फास्ट एपीआई जहां पे आप पython की

हेल्प से प्रोडक्शन ग्रेड एपीआई बनाना सीखते हो। तो जब आप अपने मशीन लर्निंग मॉडल्स को एक्सपोज करोगे यूज़र्स के पास तो

वहां पे आप उनको एपीआई के थ्रू एक्सपोज करते हो। तो वो पूरा का पूरा जो कोड लिखा जाता है वो फ़ास्ट एपीआई में लिखा जाता है।

इनफैक्ट ये कंपनीज़ भी इसी लाइब्रेरी को यूज़ करती हैं प्रोडक्शन ग्रेड एप्लीकेशनेशंस बनाने के लिए। तो इन दैट

सेंस फ़ास्ट एपीआई इज़ अ वैरीेंट लाइब्रेरी। एंड सेकंड वन इज़ Pyidentich अगेन समथिंग जो बहुत यूज़ किया जाता है। Python में खुद

का कोई डेटा वैलिडेशन नहीं होता है। इस लाइब्रेरी को यूज़ किया जाता है डेटा वैलिडेशन परफॉर्म करने के लिए। तो अगेन ये

दो लाइब्रेरीज आपको डेफिनेटली सीखनी चाहिए। क्या एकदम शुरू में सीखनी चाहिए? नहीं। इसको आप बाद के लिए बचा के रखो। बट

जब भी आपको इसकी जरूरत दिखाई दे एक हफ्ते का टाइम निकाल के आप इसको सीख लो। ये बहुत इंपॉर्टेंट है। नटशेल में आप जब पाइथन की

अपनी जर्नी कंप्लीट करो तो आपको इन क्वेश्चंस को आंसर करना होगा कि क्या आप Python में क्लीन एंड रीडेबल कोड लिख पा

रहे हो? क्या आप मॉड्यूलर डिज़ाइन कर पा रहे हो एक एप्लीकेशन का? क्या आप लॉगिन एंड मॉनिटरिंग का माइंडसेट रखते हो? और

क्या आप दूसरे लोगों का कोड ईज़ली पढ़ पा रहे हो कि नहीं? अगर इन क्वेश्चंस का आंसर यस है तो यू आर ऑलरेडी रेडी और आप आगे बढ़

सकते हो इस रोड मैप में। पython के बाद जो नेक्स्ट प्रीरक्व्विजिट आपको आना चाहिए वो है सीक्वल। अ अनलाइक पython सीक्वल एi के

हर जॉब प्रोफाइल मेंेंट नहीं होता बट बहुत सारे जॉब प्रोफाइल्स के लिए बहुतेंट है। स्पेशली ऐसे जॉब प्रोफाइल्स में जहां पे

आप टेबुलर डेटा के साथ डील कर रहे हैं। बिकॉज़ आज की डेट में मेजॉरिटी ऑफ़ द कंपनीज़ अपना टेबुलर डेटा स्टोर करने के लिए

सीक्वल डेटाबेसिस यूज़ करती है। तो दैट इज़ व्हाई आपको सीक्वल के साथ काम करना आना चाहिए। एआई की फील्ड में ये एक फेमस कहावत

है कि अगर आपको सीक्वल नहीं आता तो आप अपने डेटा के लिए हमेशा किसी और पे डिपेंड करोगे। तो उस सेंस में इट इज़ वेरी

वेरीरीेंट। तो लेट मी क्विकली टेल यू कि आपको सीक्वल में कितनी चीजें आनी चाहिए और क्या-क्या टॉपिक्स आपको पढ़ने हैं? तो

सबसे पहले आपको सीक्वल के फंडामेंटल्स आने चाहिए। व्हिच स्टार्ट्स विद डेटाबेस कि डेटाबेस क्यों एक्सिस्ट करते हैं? रिलेशनल

डेटाबेस क्या है? नॉन रिलेशनल डेटाबेस क्या हैं? टेबल्स रो कॉलम्स का कांसेप्ट, कीज़ का कांसेप्ट, बेसिक सीक्वल का

सिंटेक्स। उसके बाद कैसे आप क्रड कमांड्स रन कर सकते हो। इंसर्ट, अपडेट, डिलीट। उसके बाद आप टेबल का स्कीमा कैसे बनाते हो

इसके बारे में आपको थोड़ा आईडिया होना चाहिए। इंडेक्सेस का कांसेप्ट, नॉर्मलाइजेशन, डीनॉर्मलाइजेशन का कांसेप्ट

ये सब आपको थोड़ा पता होना चाहिए ऑन अ वेरी कॉनसेप्चुअल लेवल। बहुत डीप में जाने की जरूरत नहीं है। यू नॉट गोइंग टू बिकम अ

डेटाबेस एडमिनिस्ट्रेटर। तो बस थ्योरी लेवल पे आपको पता होना चाहिए। उसके बाद जो आपका कोर क्वेरिंग होती है सीक्वल में वो

आपको पता होनी चाहिए। सेलेक्ट फ्रॉम वेयर डिस्टिंक्ट या आई एम प्रीटी श्योर। आपने शायद सुना भी होगा ऑलरेडी। उसके बाद कैसे

आप डेटा को फिल्टर करते हो बेस्ड ऑन डिफरेंट कंडीशंस कैसे आप एग्रीगेशंस परफॉर्म करते हो कैसे आप ग्रुपिंग परफॉर्म

करते हो उसके बाद कैसे आप मल्टीपल टेबल्स को ज्वॉइ करते हो ये आपको पता होना चाहिए हाउ डू यू राइट सब क्वेरीज इफ यू आर

डीलिंग वि कॉम्प्लेक्स डेटा और उसके अराउंड आपको कॉम्प्लेक्स क्वेरीज लिखनी है तो हाउ डू ब्रेक इट डाउन इंटू सब क्वेरीज

उसके बाद आता है प्रोबेबबली सबसेेंट चीज जो एज अ डेटा पर्सनल आपको पता होनी चाहिए वो है विंडो फंक्शनंस दीज़ आर लाइक स्पेशल

फंक्शंस जो डेटा एनालिसिस के लिए यूज किए जाते हैं और मल्टीपल विंडो फंक्शनंस एक्सिस्ट करते और यहां पे आपको काफी टाइम

देना है। मैंने यहां पे लिस्ट ऑफ फेमस विंडो फंक्शनंस लिख रखे हैं। बट इसके अलावा भी एक्सिस्ट करते हैं। एक बार जब आप

विंडो फंक्शन सीख जाओ उसके बाद आपको क्या करना चाहिए? अलग-अलग डेटा सेट्स टेबल्स के साथ डेटा क्लीनिंग एंड ट्रांसफॉर्मेशन के

स्टेप्स को परफॉर्म करना चाहिए जस्ट टू प्रैक्टिस योर विंडो फंक्शन स्किल्स। ठीक है? तो सुपरेंट। उसके बाद एक बार जब आप ये

बेसिक लेवल सीख जाओ। उसके बाद आपको थोड़ा परफॉर्मेंस एंड ऑप्टिमाइजेशन पे फोकस करना चाहिए। जहां पे आप ये सीखते हो कि कैसे आप

अपनी सीक्वल क्वेरीज को और ज्यादा ऑप्टिमाइज कर सकते हो कि वो और कम टाइम ले और बड़े डेटा सेट के साथ भी सही से

रिजल्ट्स दे पाए। इन चीजों के ऊपर आपको फोकस करना चाहिए। दिस इज समथिंग जो मैं आपको एकदम बिगिनर लेवल पे सजेस्ट नहीं

करूंगा। थोड़ा टाइम स्पेंड कर लिया। थोड़ा आगे बढ़ गए रोड मैप में और फिर जब जरूरत पड़ी तब आप पीछे आकर के इसको कवर कर सकते

हो। उसके बाद थोड़ा एनालिटिकल थिंकिंग विथ सीक्वल यह काइंड ऑफ़ देयर आर सर्टेन बुक्स जो मैं आपको आगे चलके बताऊंगा। उन बुक्स

के ऊपर आप थोड़ा फोकस करोगे तो वहां पे इन चीजों के बारे में बता रखा है कि हाउ डू यू हैव अ एनालिटिकल माइंडसेट टू यूज़

सीक्वल इन ऑर्डर टू सॉल्व डेटाबेस प्रॉब्लम्स। ठीक है? अलग-अलग सीक्वल डायलेक्ट्स होते हैं। उनके ऊपर भी आपको

थोड़ा कमांड होना चाहिए। जैसे पोस्ट सीक्वल है, माय सीक्वल है, सीक्वल आइट है। ये सारे के सारे डेटाबेस फॉलो तो सीक्वल

को ही करते हैं। बट थोड़ा बहुत आपको प्लस माइनस चेंजेस दिखाई देंगे इनके सीक्वल इंप्लीमेंटेशन में। तो ओवर टाइम आगे चलके

आपको कोशिश करना चाहिए जब आप प्रोजेक्ट्स चूज़ कर रहे हो तो अलग-अलग फ्लेवर वाले आप सीक्वल बेस्ड प्रोजेक्ट्स चूज़ करो जिससे

आपको अलग-अलग डायलक्ट्स का एक काइंड ऑफ एक्सपीरियंस हो जाए। उसके बाद ये अगली चीज़ बहुतेंट है। हाउ डू यू इंटीग्रेट सीक्वल

विद Python? बिकॉज़ ये आप बहुत करोगे। आपका डेटा डेटाबेस में है बट आप उसको फेच करके लाओगे Python में और फिर आगे का जो सारा

काम है वो आप Python में करोगे। तो ये जो इंटीग्रेशन है ये आपको डेफिनेटली सीखना चाहिए। जैसा मैंने बोला अलग-अलग डेटाबेस

का फ्लेवर आपको ले लेना चाहिए। और इसमें दोनों टाइप के डेटाबेस आप ऑन प्रमिस डेटाबेस और क्लाउड वेयर हाउसेस जो हैं

जैसे कि बिग क्वेरी रेड शिफ्ट स्नोफ्लेक इनका भी आपको थोड़ा सा आईडिया होना चाहिए। अगेन समथिंग जो मैं आपको शुरू में करने को

नहीं बोलूंगा बट आगे डाउन द लाइन आपको ये सीखना चाहिए। एट द एंड अगेन आपको खुद से ही क्वेश्चन पूछने है कि क्या आप इन

क्वेश्चंस को यस में आंसर कर पा रहे हो कि नहीं? आर यू एबल टू राइट रीडेबल सीक्वल क्वेरीज? आर यू एबल टू ब्रेक कॉम्प्लेक्स

क्वेरीज इनटू स्टेप्स। कमेंट्स लिखते हो कि नहीं? अलग-अलग सीक्वल वर्जनिंग आप कर पाते हो कि नहीं? एंड आर यू एबल टू डीबग

योर सीक्वल क्वेरीज इफ एनीथिंग गोस रोंग? ये चीजें आपको आनी चाहिए। ठीक है? तो दिस इज द अमाउंट ऑफ सीक्वल दैट यू हैव टू लर्न

इन ऑर्डर टू क्रैक दिस रोड मैप। पाइthन और सीक्वल के बाद जो नेक्स्ट प्रीरेक्सिजिट है वो है मैथमेटिक्स। एंड ट्रस्ट मी अ वी

कैन से दैट ये सबसे ज्यादा डरावना प्रीरक्व्विजिट है। बिकॉज़ इससे रिलेटेड मुझे सबसे ज्यादा क्वेश्चंस और डाउट्स आते

हैं स्टूडेंट की तरफ से कि क्या सर मैथमेटिक्स इंपॉर्टेंट है। और अगर इंपॉर्टेंट है तो हमें कितना मैथमेटिक्स

आना चाहिए इन ऑर्डर टू मेक अ करियर इन एआई। इफ आई कैन गिव योर शॉर्ट आंसर द आंसर वुड बी इट इज एक्सट्रीमलीेंट नॉट सेइंग कि

आपको हर चीज आनी चाहिए मैथमेटिक्स में बट देयर आर सर्टेन टॉपिक्स जो आपको बिल्कुल अच्छे तरीके से आने चाहिए। अदरवाइज आप

बहुत ज्यादा अच्छे तरीके से चीजें नहीं कर पाओगे। एकदम सिंपल अगर मैं एनालॉजी दूं तो पython सीक्वल को आप एi के वर्ल्ड में

हैंड्स और लेग्स की तरह ट्रीट कर सकते हो जिसकी हेल्प से आप मूव करोगे। चीजें परफॉर्म करोगे। बट मैथमेटिक्स विल बी योर

आई जिसके थ्रू आप चीजों को देख पाओगे। ठीक है? बहुत लोग इस टॉपिक को स्किप कर देते हैं या बहुत फोकस नहीं करते हैं और वो आगे

बढ़ जाते हैं एंड दे इवेंचुअली रियलाइज कि यार हम बहुत अच्छे तरीके से मॉडल बिल्डिंग नहीं कर पा रहे हैं या फिर अगर हमें बोला

जाए कि हमारा मॉडल का एक्यूरेसी इज़ 85% तो हम उसको 87 90% तक भी नहीं ले जा पा रहे हैं बिकॉज़ हमारे पास वो समझ नहीं है वो

मैथमेटिकल अंडरस्टैंडिंग नहीं है जो रिक्वायर्ड होता है इस तरह के काम के लिए। तो चलो मैं आपको क्विकली बताता हूं कि

किस-किस टॉपिक के ऊपर आपको फोकस करना चाहिए और किस ऑर्डर में आपको चीजें करनी चाहिए। सबसे पहले आपको लीनियर अलजेब्रा के

बारे में काफी आईडिया होना चाहिए। सो लीनियर अलजेब्रा इज ऑल अबाउट रिप्रेजेंटिंग नंबर्स इन डिफरेंट-डिफरेंट

कंस्ट्रक्ट्स। सो स्केलर्स हुए, वेक्टर्स हुए, मैट्रिसेस हुए, टेंसर्स हुए। तो डेटा साइंस एआईएमएल में आपको पूरे टाइम जो आपका

डेटा है उसको सही फॉर्म में रिप्रेजेंट करना होता है। सो दैट आप उसके ऊपर सही ऑपरेशंस लगा पाओ। वन सिंपल एग्जांपल दैट

आई कैन गिव यू इज़ कि जो एक इमेज आप देखते हो उस इमेज को आप बहुत आसानी से एक मैट्रिक्स के फॉर्म में रिप्रेजेंट कर

सकते हो। और फिर उसके ऊपर जो आप फिल्टर्स अप्लाई करते हो Instagram वगैरह पे दोज़ फिल्टर्स आर नथिंग बट मैट्रिक्स ऑपरेशंस

जो आप अपने ओरिजिनल इमेज मैट्रिक्स के ऊपर अप्लाई कर रहे हो। तो यू कैन सी कि कैसे आप डेटा को रिप्रेजेंट करते हो इन द फॉर्म

ऑफ मैट्रिससेस या फिर हायर डायमेंशन में टेंसर्स और फिर उन्हीं के ऊपर आपको मैनपुलेशंस परफॉर्म करने होते हैं

मैथमेटिकल मैनपुलेशन और ये सब कुछ लीनियर अलजेब्रा में होता है। एंड दैट इज़ व्हाई दिस इज़ द फर्स्ट थिंग दैट यू शुड लर्न। अ

नॉट सेइंग कि आपको बहुत डीपली कोई स्टैंडफोर्ड का कोर्स फॉलो करना चाहिए जहां पे 40-50 घंटे का कंटेंट है। उतना

डीपली आपको सीखने की जरूरत नहीं है। बहुत ही आपको टारगेटेड तैयारी करनी है। करनी चाहिए जहां पे आप एआई स्पेसिफिक चीजें

सीखो। तो यहां पे मैंने वो टॉपिक्स लिख दिए हैं जो आपको सीखने चाहिए। मैं एंड में वीडियो के आपको रिसोर्सेज भी बता दूंगा।

लीनियर अलजेब्रा सीखने के बाद जो सेकंड चीज आपको सीखनी चाहिए वो है कैलकुलस। अगेन कैलकुलस में आपको सब कुछ सीखने की जरूरत

नहीं है। आपको ज्यादा फोकस करना होता है डिफरेंशियल कैलकुलस के ऊपर। इंटीग्रल कैलकुलस मैंने नहीं देखा यूज़ होते हुए। तो

यू नीड टू लर्न अबाउट थिंग्स लाइक डेरिवेटिव्स एंड ग्रेडियंट्स, हाउ टू परफॉर्म पार्शियल डेरिवेटिव्स, चेन रूल

बहुतेंट है। ये सारी चीजें एक्चुअली डीप लर्निंग में बहुत यूज़ होती है। तो ये सब आपको आना चाहिए। द कांसेप्ट ऑफ लोकल एंड

ग्लोबल मिनीमा। ये सब आप आगे बहुत यूज़ करोगे। फिर वहीं से आपका ऑप्टिमाइजेशन के अलग-अलग कांसेप्ट्स होते हैं। ग्रेडियंट

डिसेंट एल्गोरिदम है। लर्निंग रेट कैसे काम करता है? कॉस्ट एंड लॉस फंक्शन का कांसेप्ट क्या है? ये सब आपको पता होना

चाहिए। ठीक है? तो दिस इज़ द सेकंड थिंग दैट यू हैव टू लर्न। उसके बाद आती है प्रोबेबिलिटी जो कि बहुतेंट है। बिकॉज़ अ

एआईएमएल डेटा साइंस में आप क्या कर रहे होते हो कि आप अलग-अलग डेटा डिस्ट्रीब्यूशन के साथ डील कर रहे होते

हो। तो बिफोर हैंड आपको आईडिया होना चाहिए कि व्हाट आर द डिफरेंट काइंड ऑफ़ डेटा डिस्ट्रीब्यूशन प्रोबेबिलिटी

डिस्ट्रीब्यूशन। सो दैट जब आप उनको देखो तो आप पहचान पाओ। तो यहां पे मैंने कुछ कॉमन प्रोबेबिलिटी के जो कांसेप्ट्स हैं

जैसे कि रैंडम वेरिएबल क्या होता है? प्रोबेबिलिटी डिस्ट्रीब्यूशन क्या होता है? पीएमएफ, पीडीएफ क्या होता है?

एक्सपेक्टेशंस एंड वेरियंस क्या होता है? ये सब बता रखा है। ये सब आपको सीखना चाहिए। ये बेस थ्योरम है। देयर सर्टेन

एल्गोरिदम्स जो बेस थ्योरम के ऊपर बेस्ड हैं। लाइकलीहुड एंड प्रोबेबिलिटी का कांसेप्ट। ये सब कुछ ऐसी चीजें हैं जो आप

आगे चल के बहुत सुनोगे, देखोगे। तो ये आपको पता होनी चाहिए। उसके बाद आता है स्टैटिस्टिक्स व्हिच इज़ वेरी क्लोजली

रिलेटेड टू डेटा एनालिसिस। जब आपके पास एक डेटा है तो आप उसके ऊपर कैसे डेटा एनालिसिस परफॉर्म करोगे? आपने डेटा

एनालिसिस परफॉर्म किया तो हाउ डू यू जज कि डेटा एनालिसिस सही है? आपने मॉडल बिल्ड किया तो हाउ डू यू नो कि वो पॉपुलेशन के

ऊपर भी सही बैठेगा? ये सारी चीजों की टेस्टिंग आप स्टैटिस्टिक्स में करते हो। तो यहां पे आपको दोनों तरह का

स्टैटिस्टिक्स आना चाहिए। यू यू हैव टू नो डिस्क्रिप्टिव स्टैटिस्टिक्स। यू आल्सो हैव टू नो इनफरेंशियल स्टैटिस्टिक्स। तो

ये दोनों चीजें आपको आनी चाहिए। ये भी यहां पे मेंशंड है। तो ये जो चार टॉपिक्स हैं ये आपको थोड़े अच्छे से पढ़ने होते हैं।

इसके अलावा कुछ ऐसे टॉपिक्स हैं जो बहुत स्पेसिफिक हैं टू सर्टेन एल्गोरिदम्स बट वो आपको आगे देखने को मिल सकते हैं। तो

मैं आपको एकदम शुरू में आगे के टॉपिक्स सीधे पढ़ने को नहीं बोलूंगा। ये ऐसे टॉपिक्स हैं जिनकी आपको जब जरूरत पड़े तो

आप पढ़ लेना। जैसे कि इंफॉर्मेशनेशन थ्योरी में आपको कुछ टॉपिक्स पढ़ने हैं। जैसे कि एंट्रॉपी, क्रॉस एंट्रॉपी, केएल

डायवर्जेंस। तो देयर आर सर्टेन मशीन लर्निंग एल्गोरिदम्स जो इन टॉपिक्स के ऊपर रिलाई करते हैं। अ ज्योमेट्री एंड

डिस्टेंस मेजर्स इक्विलिबडियन डिस्टेंस क्या होता है? मेन हट एंड डिस्टेंस क्या होता है? तो अगेन देयर आर सर्टेन

एल्गोरिदम्स जो इन डिस्टेंससेस को यूज़ करते हैं इंटरनली। तो आपको पता होने चाहिए मल्टीवेरिएंट डिस्ट्रीब्यूशन कैसे काम

करते हैं? अ कोवेरियंस मैट्रिक्स का क्या काम होता है? उसका क्या इंटरप्रिटेशन है? एंड लास्टली अ कॉन्सेप्ट्स लाइक मैट्रिक्स

फैक्टराइजेशन एंड डीकंपोज़शन व्हिच इज़ अगेन यूज़्ड इन सर्टेन एल्गोरिदम्स लाइक पीसी एक्सट्रा। तो दिस इज़ लाइक ऑल ऑफ़

मैथमेटिक्स दैट यू हैव टू लर्न। इसके अलावा इसके बाहर आपको जाने की जरूरत नहीं है। और इसमें भी आपको सब कुछ एकदम शुरुआत

में पढ़ने की जरूरत नहीं है। आप टारगेटेड पढ़ाई करो। उतनी ही चीजें पढ़ो जो आपको एआई की फील्ड में रिक्वायर्ड है। उसके

बाहर जाने की जरूरत नहीं है। बिकॉज़ मैंने लोगों को ये गलती करते हुए देखा है कि शुरू में ही उन्होंने खुद को दो-ती महीने

का टाइम दे दिया कि हम दो-ती महीने पूरा सिर्फ मैथमेटिक्स पे फोकस करेंगे। और मैथमेटिक्स भी वो एकदम ऐसे पढ़ रहे हैं

जैसे कोई जनरल मैथमेटिक्स की क्लास है। इंस्टेड व्हाट यू शुड डू इज़ कि आपको मैथमेटिक्स एआई के कॉन्टेक्स्ट में पढ़ना

चाहिए। तब आप उसको बेटर समझ पाओगे। डोंट वरी बाय द एंड ऑफ दिस वीडियो मैं आपको कुछ रिसोर्सेज प्रोवाइड करूंगा जिसकी हेल्प से

आप एआई के कॉन्टेक्स्ट में मैथमेटिक्स अच्छे से सीख पाओगे। द नेक्स्ट प्रीरक्व्विज इज़ सॉफ्टवेयर एसेंशियल्स। अब

आप बोलोगे कि एआई में हम सॉफ्टवेयर के चीजें क्यों पढ़ेंगे? द आंसर इज़ वेरी सिंपल। एआई डेवलपमेंट इज़ एन एडजेसेंट

फील्ड टू सॉफ्टवेयर डेवलपमेंट। इट्स नॉट कंप्लीटली डिफरेंट। अ लॉट ऑफ़ थिंग्स आर ओवरलैपिंग। दैट इज़ व्हाई आपको सॉफ्टवेयर

डेवलपमेंट के कुछ एसेंशियल जो कंस्ट्रक्ट्स हैं, जो वर्क फ्लोस हैं वो आपको पता होने चाहिए। क्या-क्या

एक्सैक्टली मैं आपको बता देता हूं। सबसेेंट चीज जो आपको पता होनी चाहिए वो है वर्जन कंट्रोल। बेसिकली आपको गिट एंड गिटब

के फंडामेंटल सॉर्टेड होने चाहिए। ठीक है? कैसे आप ब्रांचिंग मर्जिंग करते हो, कैसे पुल रिक्वेस्ट भेजते हो, कैसे कोड रिव्यूज

किए जाते हैं, कॉन्फ्लिक्ट कैसे मर्ज किया जाता है? ये सब कुछ आपको आना चाहिए। और अच्छी बात ये है कि ये सब सीखने में आपको

ज्यादा टाइम लगेगा नहीं। यू जस्ट नीड अ टू थ्री आवर का ट्यूटोरियल जहां पे आप डिटेल में एक बार चीजों को देख लो और एक-दो

सैंपल कोड रेपोजिटरीज पे काम कर लो। एंड दैट्स इट। उसके बाद आप आगे तक इस चीज का फायदा उठाते रहोगे। ठीक है? अपार्ट फ्रॉम

वर्जन कंट्रोल डेवलपमेंट एनवायरमेंट कैसे सेटअप करना है उसके ऊपर भी आपको आईडिया होना चाहिए। यू हैव टू हैव सम आईडिया

अराउंड आईडीस। उसके बाद वर्चुअल एनवायरमेंट सेटअप करना, डिपेंडेंसी मैनेजमेंट कैसे किया जाता है? एनवायरमेंट

वेरिएबल्स को कैसे हैंडल किया जाता है? प्रोजेक्ट स्ट्रक्चर कैसे सेटअप किया जाता है? और रिप्रोड्यूसेबल सेटअप्स कैसे बनाए

जाते हैं। सो दैट आप एक प्रोजेक्ट से दूसरे प्रोजेक्ट में उसको रिप्रोड्यूस कर पाओ। ये आपको पता होना चाहिए। एंड लास्टली

यू शुड नो हाउ टू वर्क विद एपीआईस एंड सर्विसेस। तो रेस्ट एपीआईस आप बहुत ज्यादा यूज़ करोगे। आपको पता होना चाहिए रेस्ट

एपीआईस क्या होती है? कैसे काम करती है? उनके साथ कैसे इंटरेक्ट करना है? अलग-अलग एचटीटीपी मेथड्स एंड स्टेटस कोड्स अगेन

बहुत कॉमन चीज है। jसon की हैंडलिंग कैसे की जाती है? एरर हैंडलिंग का क्या सीन है? रेट लिमिटिंग का क्या सीन है? ये सब कुछ

ऐसी चीजें हैं जो आपको डे इन डे आउट देखने को मिलेंगी। और इसीलिए आपको शुरू में ही इसके बारे में आईडिया हो जाना चाहिए। इफ

यू आर कमिंग फ्रॉम अ सॉफ्टवेयर बैकग्राउंड मोस्ट ऑफ द चीजें आपको ऑलरेडी पता होंगी। इफ यू आर कमिंग फ्रॉम अ नॉनटेक बैकग्राउंड

तब आपको यहां पे थोड़ा एफर्ट लगाना पड़ सकता है। जो नेक्स्ट प्रीरक्व्विजिट मैंने ऐड किया है इस रोड मैप में वो है क्लाउड

फंडामेंटल्स। अब बहुत लोग अपने रोड मैप्स में क्लाउड को एज अ फंडामेंटल एज अ प्रीरक्वज़िट ऐड नहीं करते हैं। मैंने किया

है। उसका सिंपल रीज़न यह है कि मैंने अपने एक्सपीरियंस में ये देखा है कि आपको कभी भी किसी भी टाइप का मॉडल डिप्लॉय करना है

या उसके अराउंड कोई एप्लीकेशन या एपीआई बना के डिप्लॉय करना है। तो सबसे स्ट्रेट फॉरवर्ड जो सशन रहता है वो क्लाउड ही रहता

है। या तो आप एडब्ल्यूएस यूज़ करते हो या Azure करते हो या जीसीपी करते हो। बट आपको इवेंचुअली क्लाउड पे जाना ही पड़ता है। तो

उसका थोड़ा आईडिया अगर आपको शुरू से हो तो बाद में आपको डर कम लगता है। क्योंकि मैंने अपने स्टूडेंट्स में ये चीज नोटिस

की है कि दे आर वेरी गुड अराउंड कॉनसेप्चुअल थिंग्स। बट जैसे ही मैं उनको बोलता हूं कि नाउ वी हैव मेड दिस

प्रोजेक्ट एंड अब उसको हम डिप्लॉय करेंगे। तो जैसे ही वो डिप्लॉयमेंट वर्ड सुनते हैं जैसे ही क्लाउड का नाम सुनते हैं तो एक

खौफ आ जाता है उनके मन में और मैं चाहता हूं कि वो आपके अंदर ना आए। उसके लिए थोड़ी फमिलियरिटी अगर आपके पास शुरू से

होगी तो वो बहुत अच्छी बात होगी। ठीक है? तो क्लाउड में आपको ज्यादा कुछ नहीं पढ़ना शुरू में। इनफैक्ट आप शुरू में थ्योरिटिकल

लेवल पे भी चीजें अगर देख लो तो इट वुड बी ग्रेट। जैसे कि क्लाउड के बेसिक्स क्या हैं? क्लाउड कंप्यूटिंग क्या होता है?

व्हाट आर द डिफरेंट सर्विस मॉडल्स? पब्लिक प्राइवेट हाइब्रिड क्लाउड क्या होता है? रीजंस अवेलेबिलिटी जो ज़ों्स ये सब के जो

कांसेप्ट्स हैं ये आपको थोड़े बहुत आईडिया होने चाहिए। ये लिटरली आप चैट जीपीटी पे जाके जस्ट आस्क दीज़ क्वेश्चंस और बोलो कि

एक्सप्लेन दिस इन सिंपल टर्म्स। आपको काफी आईडिया लग जाएगा। एक सिंपल चैट जीपीटी सेशन के बेसिस पे। अ कोर क्लाउड सर्विसेस

क्या-क्या है? कंप्यूट सर्विस होता है, स्टोरेज सर्विस होता है, नेटवर्किंग सर्विस होता है। ये सब के बारे में आपको

आईडिया होना चाहिए। वर्चुअल मशीनंस क्या होती हैं? कंटेनर्स क्या होते हैं? ऑटो स्केलिंग लोड बैलेंसिंग का कांसेप्ट क्या

होता है? ये सब ऐसी चीजें हैं जो सामने वाला बोलता है तो बहुत इंटेलिजेंट साउंड करता है। बट एक्चुअली दे आर वेरी सिंपल

टर्म्स जो आप भी बहुत आसानी से सीख सकते हो इवन एज अ बिगिनर। ठीक है? स्टोरेज फंडामेंटल्स हो गया, नेटवर्किंग के थोड़े

बेसिक्स हो गए। तो ये जो लिस्ट ऑफ टॉपिक्स हैं इनके साथ आप एक चैट जीपीटी सेशन कर लो बस। एंड ट्रस्ट मी दैट इज़ आल्सो सफिशिएंट।

फ्यूचर में जब आप जाके क्लाउड एक्चुअली यूज़ करोगे अपने प्रोजेक्ट्स को डिप्लॉय करने के लिए तो वहां पे आपको डर नहीं

लगेगा। बिकॉज़ आपको एक फेयर आईडिया पहले से हो चुका होगा। ठीक है? बट अगेन दिस इज़ कंप्लीटली ऑप्शनल। अगर आप थोड़ा कम टाइम

में इस रोड मैप को करना चाहते हो तो यू कैन स्किप दिस वन। और जो लास्ट प्रीरेक्विज़िट मैंने रखा है वो है एआई

कोडिंग। अब आप इसको एआई कोडिंग बोल लो या वाइब कोडिंग बोल लो या एजेंटिक कोडिंग बोल लो। इस पॉइंट पे ये सारे टर्म्स ब्लरी

हैं। और रफली एक ही चीज मीन करते हैं कि आप एआई मॉडल्स को यूज़ कर रहे हो टू यू नो राइट फास्टर कोड। मोर एफिशिएंट कोड। अब

ऑनेस्टली यहां पे मैं आपको ज्यादा नहीं बता सकता कि आपको क्या-क्या पढ़ना है। बिकॉज़ मैं खुद इस चीज में अभी एक्सपर्ट

नहीं हूं। मैं खुद इन टूल्स को एक्सप्लोर कर रहा हूं। बट जितना मैं इनको एक्सप्लोर कर रहा हूं मुझे ये तो समझ में आ रहा है

कि ये डेफिनेटली आपको ज्यादा प्रोडक्टिव बना सकते हैं। दैट इज व्हाई इसको स्किप करने की गलती मत करना। बट साथ ही साथ आप

ये गलती भी मत करना कि आप पाइथन भी नहीं सीख रहे और सीधे आप एआई कोडिंग टूल्स के ऊपर डिपेंड कर रहे हो टू डू थिंग्स। इससे

क्या होगा? आप फिलहाल छोटे-मोटे प्रोजेक्ट्स तो बना लोगे। आगे चलके जब आपको डीपर अंडरस्टैंडिंग चाहिए होगी डीबग

करने के लिए या चीजों को और ऑप्टिमाइज करने के लिए वहां पे आप एकदम फेल कर जाओगे। सो मेरा सजेशन ये रहेगा कि पहले

Python सीक्वल विदाउट किसी एआई कोडिंग टूल सीखो। और एक बार जब आप सीख जाओ उसके बाद आप एi कोडिंग टूल्स को भी डेफिनेटली अपने

वर्क फ्लो में लेके आओ। ऑप्शंस क्या-क्या हैं? आपके पास स्ट्रेट फॉरवर्ड ऑप्शंस हैं कि आप कर्सर यूज़ कर सकते हो या फिर क्लॉट

कोड यूज़ कर सकते हो या फिर आपका ओपन एi का कोडक्स है उसको भी यूज़ कर सकते हो। कोई भी एक टूल पकड़ो सबको सीखने की जरूरत नहीं है।

कोई एक टूल पकड़ के उसके साथ टाइम स्पेंड करो और वो देखो आप डेफिनेटली आपको हेल्प करेगा आपकी प्रोडक्टिविटी के साथ। तो ये

छह चीजें मुझे लगता है कि आपको करनी चाहिए जब आप एआई सीखने उतर रहे हो। दीज़ आर लाइक द कोर प्रीरक्व्विज़िट्स अकॉर्डिंग टू मी।

यहां पर आपको दो से 2 1/2 महीने लग जाएंगे। तीन भी लग सकते हैं। बट 3 मंथ्स में मैं आपको गारंटी देता हूं कि अगर आप

यहां पर टाइम अच्छा स्पेंड करते हो विदाउट थिंकिंग टू मच कि आगे क्या करना है तो ये आपको आगे बहुत हेल्प करेगा। वो एक फेमस

कोट आपने शायद सुना होगा कि अगर आपको 6 घंटे के अंदर पेड़ काटना है तो 4 घंटे आपको अपनी आरी को शार्पन करने में लगाना

चाहिए। ये बिल्कुल वही फिलॉसोफी है कि यह प्रीरक्व्विजिट्स अगर आपने सॉर्ट कर लिया तो आगे आपको बहुत आसानी रहेगी। तो प्लीज

मेक श्योर आप इसको स्किप किए बिना जल्दबाजी किए बिना अच्छे से करके आगे बढ़ो। अब प्रीरेक्विजिट्स करने के बाद जो

सबसे पहली चीज आपको करनी है इस रोड मैप में वो है मशीन लर्निंग। अब आई नो आप क्या सोच रहेगे कि सर मशीन लर्निंग तो अब

पुराना हो गया है। अब तो एलएलएम्स आ गए हैं। क्या अब भी मशीन लर्निंग यूज़ होती है? क्या अब भी हमें मशीन लर्निंग पढ़ना

चाहिए? तो मैं आपको ये डिटेल में एक्सप्लेन करता हूं। बट पहले एक शॉर्ट आंसर दे देता हूं कि आज की डेट में भी फॉर

सर्टेन एआई बेस्ड जॉब रोल्स मशीन लर्निंग इज़ एब्सोलुटलीेंट। और इंडस्ट्री में आज भी मशीन लर्निंग को उतना ही यूज़ किया जा रहा

है जितना पहले किया जाता था। तो मशीन लर्निंग काेंस कम नहीं हुआ है। कुछ और नई चीजें जरूर आ गई हैं जो अभी फिलहाल ज्यादा

लाइमलाइट में हैं। बट इवेंचुअली आपको दिखाई देगा कि मशीन लर्निंग कहीं जाने वाला नहीं है। मशीन लर्निंग इज एट द हार्ट

ऑफ एi इन टुडेेस एआई लैंडस्केप। ठीक है? तो सबसे पहले मैं आपको डिटेल में समझाता हूं कि क्यों आज भी मशीन लर्निंग बहुत

यूज़फुल चीज है। सो एआई में आप दो तरह के टास्क परफॉर्म करते हो। एक को हम बुलाते हैं नैरो टास्क और दूसरे को हम बुलाते हैं

जनरल टास्क। थोड़ा टाइम लेके मैं इन दोनों को समझाता हूं। सो नैरो टास्क ऐसे टास्क हैं जहां पर आप ऐसे सिस्टम्स बिल्ड करते

हो जो एक सिंगल स्पेसिफिक प्रॉब्लम को सॉल्व करते हैं। फॉर एग्जांपल अगर आप एक मॉडल बना रहे हो जो फेस डिटेक्शन करेगा तो

यह मॉडल सिर्फ इसी टास्क के लिए बनाया गया है। इसके अलावा आप इस मॉडल को किसी और टास्क के लिए इंप्लीमेंट नहीं कर सकते।

सिमिलरली ईटीए प्रेडिक्शन आप यह पता करना चाहते हो कि किसी Uber की कैब को एक ट्रिप कंप्लीट करने में कितना

टाइम लगेगा। या फिर एक और एग्जांपल हो गया स्पैम डिटेक्शन। जहां पर आप एक मेल का कंटेंट पढ़ के यह बताना चाहते हो या

प्रेडिक्ट करना चाहते हो कि वह मेल स्पैम है या नहीं। तो इन तीनों ही टास्क के लिए जो मॉडल्स आप बनाओगे वो नैरो टास्क को

सॉल्व कर रहे हैं। वो एक ही टास्क के लिए बनाए गए हैं और उसी टास्क में उसको आप इंप्लीमेंट कर सकते हो। उन मॉडल्स को आप

किसी भी दूसरी जगह इंप्लीमेंट नहीं कर सकते। इसका ठीक ऑोजिट होता है जनरल टास्क। जनरल टास्क में आप ऐसे मॉडल्स बिल्ड करते

हो जो एक से ज्यादा प्रॉब्लम्स को साथ में सॉल्व कर सकते हैं। फॉर एग्जांपल आप एक पर्सनल असिस्टेंट बना रहे हो विद द हेल्प

ऑफ सम एलएलएम। तो अब यही पर्सनल असिस्टेंट आपका कैलेंडर हैंडल कर रहा है। यही आपका मेल

हैंडल कर रहा है। यही आपका पर्सनल फाइनेंस हैंडल कर रहा है। तो यू कैन सी ये एक सिंगल मॉडल कई तरह के टास्क आपको करके दे

रहा है। आपका जो एलएलएम होता है वो खुद में कई तरह के टास्क सॉल्व कर सकता है। राइट? अगर आप चाहो तो इससे टेक्स्ट जनरेशन

करवा सकते हो। क्वेश्चन आंसरिंग करवा सकते हो। आप इससे सेंटीमेंट एनालिसिस करवा सकते हो। कई तरह के एनएलपी टास्क आपका ये मॉडल

आपको करके दे देगा। तो एआई में ये दो अलग टाइप की फिलॉसफीस एक्सिस्ट करती हैं। अब हुआ क्या है आजकल कि एलएलएम्स के आने के

बाद से ये जनरल टास्क वाली जो कैटेगरी है ये थोड़ी ज्यादा सरफेस पे आ गई है। इसको थोड़ा ज्यादा लाइमलाइट मिलने लग गया है।

इसीलिए कैंडिडेट्स को ऐसा लगता है कि भाई सिर्फ इसी के बारे में पूछा जा रहा है और कंपनीज़ को ये नैरो टास्क पे काम करने वाले

एल्गोरिदम्स और मेथोडोलॉजीस की जरूरत नहीं है। बट ऐसा नहीं है। द थिंग इज कि आज भी इंडस्ट्री में ऑलमोस्ट सभी कंपनीज़ को डे

टू डे बेसिस पर ये नैरो टास्क सॉल्व करने पड़ते हैं। अब sविg Zomato को एट एनी मोमेंट ये ईटीएफ प्रेडिक्शन मॉडल चाहिए ही

पड़ेगा। राइट? Gmail को ये स्पैम डिटेक्शन मॉडल चाहिए ही पड़ेगा। और आप ऐसा नहीं कर सकते कि नैरो टास्क को सॉल्व करने के लिए

आप एलएलएम जैसे टूल्स को यूज़ करो। बिकॉज़ एलएलएम एक ऐसा टूल है जो अलग-अलग तरह के टास्क में अच्छा है। बट किसी स्पेशलाइज़्ड

टास्क में वो किसी स्पेशलाइज़्ड मॉडल को बीट नहीं कर सकता। आज भी एक टेबुलर डाटा के ऊपर एक्सजी बूस्ट का जो परफॉर्मेंस

होगा आई डोंट थिंक कोई एलएलएम उसको बीट कर सकता है। एंड दैट इज व्हाई मशीन लर्निंग एंड डीप लर्निंग बहुत यूज़ की जाती है

एक्सटेंसिवली। इट्स जस्ट कि फिलहाल वो उतने लाइमलाइट में नहीं है। जिसकी वजह से ऐसा लग रहा है कि अब एमएलडीएल तो पुराना

हो गया और इसके बारे में कोई बात नहीं कर रहा। बट साइलेंटली जो पूरा का पूरा फाउंडेशन बिल्ड हुआ है आज के एआई का वो

इन्हीं एमएलडीएल एल्गोरिदम्स के ऊपर बिल्ड हुआ है। तो अगर आप इसको इग्नोर करके डायरेक्टली मूव कर रहे हो इस तरफ एलएलएम

वाली तरफ तो आप बहुत बड़ी गलती करोगे। एंड दैट इज़ व्हाई मेरे रोड मैप में द फर्स्ट थिंग यू हैव टू लर्न आफ्टर कंप्लीटिंग द

प्रीरक्वज़िट्स इज़ मशीन लर्निंग। तो आई रियली होप मैं आपको कन्विंस कर पाया कि आपको मशीन लर्निंग क्यों सीखनी चाहिए। अब

नाउ दैट यू आर कन्विंस्ड। मैं आपको बताता हूं कि मशीन लर्निंग में आपको क्या-क्या पढ़ना है। सो मशीन लर्निंग में सबसे पहले

आपको पढ़ना पड़ता है मशीन लर्निंग के फंडामेंटल्स के बारे में। बाय फंडामेंटल्स आई मीन ऐसी चीजें जो सारी की सारी मशीन

लर्निंग एल्गोरििदम्स का बेस फॉर्म करती हैं। मैं आपको बताता हूं एक्सक्टली आपको क्या-क्या पढ़ना पड़ेगा। सबसे पहले आपको

ये समझना पड़ेगा कि मशीन लर्निंग एक्सैक्टली है क्या? आप मशीन लर्निंग को कंपेयर करते हो विथ अदर टेक्निक्स दैट

एक्सिस्ट इन एआई। आप उसको कंपेयर करते हो ट्रेडिशनल प्रोग्रामिंग से। एंड यू गेट एन आईडिया एंड ओवरव्यू कि मशीन लर्निंग

एक्सैक्टली है क्या? सिंपलेस्ट फॉर्म में। उसके बाद आप टाइप्स ऑफ मशीन लर्निंग पढ़ते हो जहां पे आप सुपरवाइज्ड मशीन लर्निंग,

अनसपरवाइज मशीन लर्निंग, सेमी सुपरवाइज मशीन लर्निंग, रीइंफोर्समेंट लर्निंग ये सारी चीजें क्या होती इनके बारे में पढ़ते

हो। बिकॉज़ ये ऐसे टर्म्स हैं जो थ्रूउ आपको इस रोड मैप में आगे देखने को मिलेंगे। एक बार ये समझ जाने के बाद आप

मशीन लर्निंग प्रॉब्लम फॉर्मुलेशन के ऊपर जाते हो कि एक गिवन प्रॉब्लम को मशीन लर्निंग कैसे फॉर्मुलेट करता है? क्या वो

रिग्रेशन प्रॉब्लम है या फिर क्लासिफिकेशन प्रॉब्लम है। अगर क्लासिफिकेशन प्रॉब्लम है तो क्या बाइनरी क्लासिफिकेशन प्रॉब्लम

है या मल्टी क्लास क्लासिफिकेशन प्रॉब्लम है। इसके अलावा और भी कुछ प्रॉब्लम फॉर्मुलेशनंस होती हैं। जैसे क्लस्टरिंग

हुआ या फिर एनॉर्मली डिडक्शन हुआ या रिकमेंडेशन प्रॉब्लम्स हुई। तो ये आप एक ओवरव्यू लेते हो इस स्टेज पे। उसके बाद आप

थोड़े प्रैक्टिकल एस्पेक्ट पे आ जाते हो और यहां पे आप सीखते हो कि कैसे आप एक बेसिक मॉडल बिल्ड करते हो मशीन लर्निंग में। हाउ

डू यू स्प्लिट योर डेटा? व्हाई डू यू क्रिएट ट्रेंड एंड वैलिडेशन सेट्स? डेटा लीकेज का कांसेप्ट क्या है? क्रॉस

वैलिडेशन का कांसेप्ट क्या है? ये सारी चीजें आप यहां पे थ्योरिटिकल लेवल पे कवर करते हो। उसके बाद आप मॉडल के अराउंड बात

करते हो। मॉडल के पैराटर्स क्या होते हैं? हाइपर पैरामीटर्स क्या होते हैं? हाइपोथेसिस स्पेस क्या है? डिसीजन

बाउंड्रीज क्यों एक्सिस्ट करती हैं? लीनियर वर्सेस नॉन लीनियर मॉडल्स क्या होते हैं? ये सारी चीजें आप यहां पे पढ़ते

हो। फिर यू आल्सो स्टडी अबाउट लॉस फंक्शनंस इवैल्यूएशन मैट्रिक्स जिससे आपको ये पता चलता है कि किसी मशीन लर्निंग मॉडल

का परफॉर्मेंस कैसा रहा। फिर देयर इज़ वनेंट फंडामेंटल टॉपिक जो पूरे मशीन लर्निंग में आपको देखने को मिलता है वो है

बायस वेरियंस स्टेट ऑफ जहां पे आप ओवर फिटिंग और अंडर फिटिंग का कांसेप्ट पढ़ते हो और उसके अराउंड की मैथमेटिक्स पढ़ते हो।

और फाइनली आप यहां पर एक एंड टू एंड ML वर्क फ्ल्लो बना के देखते हो जिससे ये जो भी कांसेप्ट्स आपने पढ़े हैं उनको आप

प्रैक्टिकली रियलाइज करने की कोशिश करते हो। तो ये हो गया फंडामेंटल्स जो आपको पढ़ना है मशीन लर्निंग में। फंडामेंटल्स के

बाद नेक्स्ट आता है फीचर इंजीनियरिंग। फीचर्स क्या होते हैं वो मैं आपको जल्दी से बता देता हूं। मशीन लर्निंग में आप

डेटा के साथ काम करते हो। डेटा में आपके पास इनपुट कॉलम्स होते हैं और आपका टारगेट एज एन आउटपुट कॉलम्स होते हैं। और आपका

काम होता है इन इनपुट और आउटपुट कॉलम्स के बीच में एक मैथमेटिकल रिलेशनशिप निकालने का। अब ये जो इनपुट कॉलम्स हैं इनको ही हम

फीचर्स बुलाते हैं। एंड द प्रॉब्लम इज़ कि रियल वर्ल्ड डेटा में जो फीचर्स आपको मिलते हैं उनमें बहुत तरह की परेशानियां

होती हैं। और आप डायरेक्टली उसके ऊपर मशीन लर्निंग एल्गोरिदम्स अप्लाई नहीं कर सकते। तो ये जो पूरा एक्ट है जहां पे आप अपने

गिवन डेटा में जो फीचर्स हैं उनको इंप्रूव करते हो इन ऑर्डर टू इंप्रूव द मॉडलिंग परफॉर्मेंस इसी को फीचर इंजीनियरिंग

बुलाया जाता है। अब मजेदार फैक्ट ये है कि जब लोग मशीन लर्निंग के बारे में सुनते हैं तो उनको ऐसा लगता है कि मोस्टली डेटा

साइंटिस्ट लोग ज्यादातर टाइम मॉडल बिल्डिंग कर रहे होते होंगे। बट इन रियलिटी किसी भी डेटा साइंटिस्ट से जब आप

बात करो तो उनका 70 टू 80% टाइम फीचर इंजीनियरिंग में जाता है। फीचर्स को मॉडलिंग के लिए सही बनाने में जाता है।

एंड दैट इज व्हाई दिस पर्टिकुलर टॉपिक इज वेरी वेरीेंट। तो मैं आपको एक बार बताता हूं इसमें क्या-क्या आपको पढ़ना होता है।

इसमें सबसे पहले आपको समझना होता है कि फीचर इंजीनियरिंग है क्या? ठीक है? उसके बाद आप डेटा को कैसे समझते हो? न्यूमेरिकल

डेटा, कैटेगोरिकल डेटा, ऑर्डिनल डेटा, टेक्सचुअल डेटा, टेंपोरल डेटा, कंटीन्यूअस और डिस्क्रीट वेरिएबल्स क्या होते हैं?

कार्डिनलिटी क्या होता है? फीचर का डिस्ट्रीब्यूशन कैसे समझा जाता है? ये सब चीजें आप समझते हो। उसके बाद आ जाती है

अलग-अलग फीचर इंजीनियरिंग टेक्निक्स। जैसे कि हाउ डू यू हैंडल मिसिंग वैल्यूस। जैसे बहुत सारे मशीन लर्निंग एल्गोरिदम्स हैं।

दे डोंट वर्क ऑन डेटा जहां पे मिसिंग वैल्यूज़ हैं। तो हाउ डू यू फिल देम? इसके लिए पहले आपको डेटा का डिस्ट्रीब्यूशन

समझना पड़ता है और उस डिस्ट्रीब्यूशन के हिसाब से आपको वैल्यूज़ फिल करनी पड़ती हैं। वेरी इंटरेस्टिंग पार्ट। उसके बाद आता है

एनकोडिंग कैटेगोरिकल वेरिएबल्स। सिंस मोस्टली जो मैथमेटिक जो मशीन लर्निंग एल्गोरिदम्स हैं दे आर मैथमेटिकल इन नेचर।

तो वो टेक्स्चुअल या नॉन न्यूमेरिकल डेटा के ऊपर काम नहीं कर पाते हैं। तो हाउ डू यू एनकोड देम इनू नंबर्स? ये एक बहुत

इंटरेस्टिंग चीज है। देन कम्स फीचर स्केलिंग। देयर आर सर्टेन मशीन लर्निंग एल्गोरिदम्स जो ऐसे फीचर्स के साथ अच्छे

रिजल्ट्स नहीं देते जहां पे दोनों फीचर्स के में जो स्केल का डिफरेंस है वो बहुत ज्यादा है। फॉर एग्जांपल वन फीचर इज़ एज।

सेकंड फीचर इज़ सैलरी। तो एज है जीरो से 80 के बीच में और सैलरी है थाउजेंड्स में लैक्स में। तो फिर उनको सेम स्केल पे कैसे

लाया जाए? देन हैंडलिंग आउटलाइयर्स। अ दिस इज अगेन अ वेरी इंटरेस्टिंग पार्ट जहां पे आप अपने डेटा में आउटलाइयर्स को निकालते

हो और उसको ट्रीट करते हो बिकॉज़ अगर आपके डेटा में आउट्लायर्स हुए तो फिर आपका एनालिसिस और आपका मॉडलिंग दोनों गलत जा

सकता है। फीचर ट्रांसफॉर्मेशन हाउ डू यू ट्रांसफॉर्म एकिस्टिंग फीचर्स? अ आपका कोई पर्टिकुलर फीचर अ लेट्स से लॉग नॉर्मल

डिस्ट्रीब्यूशन फॉलो करता है। हाउ डू यू ब्रिंग इट टू नॉर्मल डिस्ट्रीब्यूशन? इस तरह की चीजें। अह यू आल्सो लर्न हाउ टू

क्रिएट फीचर्स आउट ऑफ़ एक्सिज़िस्टिंग फीचर्स व्हिच इज़ अगेन वेरी इंटरेस्टिंग। अह हाउ डू यू प्रोसेस डेट एंड टाइम बेस्ड

फीचर्स? अ हाउ डू यू प्रोसेस टेक्सचुअल फीचर्स? इसके ऊपर भी काफी काम होता है। फीचर सेक्शन इज समथिंग जिसके ऊपर बहुत काम

होता है। एंड लास्ट में जब आप ये सारी टेक्निक सीख जाते हो, हाउ डू यू बिल्ड अ फीचर इंजीनियरिंग पाइपलाइन? दिस इज़

वेरीेंट बिकॉज़ ओवरऑल प्रोजेक्ट के स्ट्रक्चर में आपको एक फीचर इंजीनियरिंग पाइपलाइन बनानी होती है। तो उसके ऊपर काम

करना आप सीखते हो। एंड व्हाट आर द कॉमन पेटफॉल्स जो मोस्टली डेटा साइंटिस्ट लोग जहां पे फंस जाते हैं वो क्या है? ये सब

चीजें आप यहां पे पढ़ते हो। तो अगेन मैंने हर चीज घुस के नहीं बताई आपको। बट अगेन ये रोड मैप आपके पास है। एक बार जाओ और देखो

क्या-क्या टॉपिक्स यहां पे हैं। कोई पर्टिकुलर टॉपिक अगर आपको समझ में नहीं आ रहा है, यू कैन इजीली पेस्ट इट इनू चार्ज

जीपीटी एंड गेट अ सिंपलीफाइड एक्सप्लेनेशन। ठीक है? बट मैंने आपको एक ओवरव्यू दे दिया कि फाउंडेशंस के बाद आपको

फीचर इंजीनियरिंग के ऊपर फोकस करना होता है। नेक्स्ट आपको पढ़ना है मशीन लर्निंग का सबसेेंट एस्पेक्ट, सबसे इंटरेस्टिंग

एस्पेक्ट व्हिच इज़ मशीन लर्निंग एल्गोरिदम्स। सो यहां पे मैंने उन सारे एल्गोरििदम्स का नाम लिख दिया है जो आपको

पढ़ने हैं। ट्रस्ट मी व्हेन आई से दिस इसके बाहर आपको कुछ भी नहीं पढ़ना है। और मैं आपको साथ ही साथ ये भी बता दूंगा कि

कौन से एल्गोरिदम्स आपको अप फ्रंट पढ़ लेने चाहिए और कौन से एल्गोरिदम्स को आप बाद के लिए छोड़ सकते हो। ठीक है? तो यू

स्टार्ट योर जर्नी विद लीनियर मॉडल्स जहां पे आप लीनियर रिग्रेशन, मल्टीपल लीनियर रिग्रेशन, पॉलीनोमीयल रिग्रेशन इस तरह की

चीजें पढ़ते हो। यू आल्सो स्टडी अबाउट रेगुलराइजेशन वेयर यू स्टडी अबाउट रिच रिग्रेशन, लास्ट रिग्रेशन एंड इलास्टिक

नेट रिग्रेशन। तो ये एब्सोल्यूट बेसिक्स हैं। यहीं से आप मशीन लर्निंग एल्गोरिदम्स की पढ़ाई स्टार्ट करते हो। उसके बाद आता है

क्लासिफिकेशन एल्गोरिदम्स जहां पे आप लॉजिस्टिक रिग्रेशन पढ़ते हो। व्हिच इज़ जस्ट अ फ्लेवर ऑफ़ लीनियर रिग्रेशन इन द

डोमेन ऑफ़ क्लासिफिकेशन। के नियरेस्ट नेबर्स प्रोबेब्ली द ईज़िएस्ट मशीन लर्निंग एल्गोरिदम। नाइफ बेस्ड एंड उसके

वेरिएंट्स। वेरी इंटरेस्टिंग एल्गोरिदम प्रोबेबिलिटी बेस्ड। अ देन कम्स ट्री बेस्ड मॉडल्स जहां पे आप डिसीजन ट्री पढ़ते

हो। अह दिस इज़ लाइक द मदर ऑफ़ ऑल ट्री बेस्ड एल्गोरिदम्स। आगे आपको पढ़ना होता है रैंडम फॉरेस्ट व्हिच इज़ बेसिकली अ

कॉम्बिनेशन ऑफ़ मल्टीपल डिसीजन ट्रीज़ एंड एक्स्ट्रा ट्रीज़। ये आप बाद के लिए छोड़ सकते हो अगर कभी आगे जरूरत पड़े। अ

बूस्टिंग एल्गोरिदम्स इज़ आल्सो वेरीेंट। ये सबसे ज्यादा हाई परफॉर्मेंस एल्गोरिद्सम्स हैं मशीन लर्निंग में। तो

आपको ये तो बिल्कुल आने चाहिए। तो यू स्टार्ट विथ aटा बूस्ट जो कि अब उतना यूज़ नहीं होता है। बट स्टिल फंडामेंटल्स के

लिए आपको इसको पढ़ना चाहिए। ग्रेडियंट बूस्टिंग व्हिच इज़ लाइक अ वेरी गुड एल्गोरिदम और इसी के ऊपर आगे वाले

एल्गोरिदम्स बेस्ड हैं। XG बूस्ट मेरे हिसाब से द टॉप मशीन लर्निंग एल्गोरिदम। लाइट GBM अगेन अ वेरी स्ट्रांग कंटेंडर

एंड कैट बूस्ट फॉर कैटेगोरिकल डेटा। ये आपको तीनों पढ़ने चाहिए अप्रट। ठीक है? देन कम्स सपोर्ट वेक्टर मशीनंस। वेरी पावरफुल

एल्गोरिदम। सर्टेन सिनेरियोस में बहुत अच्छे रिजल्ट्स देता है। फिर आप आ जाते हो अनसपरवाइज लर्निंग एल्गोरिदम्स की तरफ।

अभी तक ऊपर वाले सारे सुपरवाइज थे। तो यहां पे आप पढ़ते हो के मींस फॉर क्लस्टरिंग, हायरार्कल क्लस्टरिंग एंड

डीवी स्कैन। ये तीनों आपको पढ़ने चाहिए। देन कम्स डायमेंशनलिटी रिडक्शन जिनको आप यूज़ करते हो फीचर्स को घटाने के लिए। तो

यहां पे पीसीए आपको पढ़ना चाहिए वेरीेंट इंटरव्यू के पॉइंट ऑफ व्यू से भी। कर्नल पीसी आप फिलहाल के लिए छोड़ सकते हो। अगर

जरूरत पड़े किसी इंटरव्यू में आपको लगता है तो पढ़ लो। एलडीए भी फिलहाल के लिए आप छोड़ सकते हो। टीसनी आप थ्योरेटिकल लेवल पे कवर

कर सकते हो। मैथमेटिकली काफी डेंस है। काफी डेप्थ है इस एल्गोरिदम में। तो आई वुड अवॉयड इट अप फ्रंट। आगे अगर आपके पास

टाइम हो तो आप इसको यूज़ कर सकते हो। बट इसको आप इतना पढ़ लेना कि आप इसकी हेल्प से डेटा विजुअलाइजेशन कर पाओ लोअर डायमेंशंस

में। उसके बाद एनॉर्मली डिटेक्शन जिसमें आप आइसोलेशन फॉरेस्ट, वन क्लास एसडीएम एंड लोकल आउटलाइयर फैक्टर पढ़ते हो। ये तीनों

ही आप छोड़ सकते हो। फ्यूचर में अगर आप कभी एनॉमली डिटेक्शन के ऊपर प्रोजेक्ट कर रहे हो तब आप इन एल्गोरिथम्स को पढ़ो।

प्रोबेबलिस्टिक मॉडल्स में आपको गशन मिक्सचर मॉडल्स पढ़ना है। व्हिच इज़ अगेन अ वेरी गुड एल्गोरिदम। वेरी इंटरेस्टिंग

एल्गोरिथम बट इसको ऑफर पढ़ने की जरूरत नहीं है। आगे जब जरूरत पड़े आप इसको पढ़ सकते हो। एंड लास्टली रिकमेंडेशन एंड

रैंकिंग में मैट्रिक्स फैक्टराइजेशन एंड सिंगुलर वैल्यू डीकंपोजीशन ये दोनों भी आप फिलहाल के लिए छोड़ दो। जब आगे कभी आप

रिकमेंडेशन बेस्ड कोई प्रोजेक्ट बना रहे हो या कोई रिकमेंडेशन इंजन बना रहे हो तो वहां पे आपको इन दोनों की पढ़ाई करनी पड़

सकती है और तभी आप इसको पढ़ो। ठीक है? तो दिस इज़ द लिस्ट ऑफ़ ऑल द मशीन लर्निंग एल्गोरिदम्स दैट यू हैव टू स्टडी। और

ट्रस्ट मी व्हेन आई से इन सबको मैथमेटिकली अच्छे से पढ़ने में आपको 2 से 2 1/2 महीने लग जाएंगे। इतना टाइम लग सकता है इसमें। द

नेक्स्ट थिंग दैट यू हैव टू लर्न इन मशीन लर्निंग इज एडवांस्ड कांसेप्ट्स। सो अभी तक जो भी हमने सीखा इट वास फेयरली स्ट्रेट

फॉरवर्ड बिगिनर फ्रेंडली बट देयर आर सर्टेन थिंग्स जो आपको आनी चाहिए इफ यू वांट टू बिल्ड नेक्स्ट लेवल मॉडल्स जो

प्रोडक्शन रेडी सिस्टम्स का पार्ट बनते हैं। अब अच्छी चीज ये है कि अगर आप इस पूरे सेक्शन को शुरू में कवर नहीं भी करते

हो तो चलेगा। आप बेसिक लेवल मॉडल्स बना पाओगे और उसके अराउंड सिस्टम्स भी बिल्ड कर पाओगे। बट जब आप इंटरव्यू स्टेजेस में

जा रहे हो इस रोड मैप को कंक्लूड करने जा रहे हो। आई वुड रिकमेंड आप डेफिनेटली वापस आके इस सेक्शन को कवर करो। क्या-क्या आता

है इस सेक्शन में मैं आपको बताता हूं। तो यहां पे सबसे पहले आपको हाइपर पैरामीटर ट्यूनिंग सीखना पड़ेगा। व्हाट इज द राइट

सेटिंग फॉर अ मशीन लर्निंग एल्गोरिदम जिसप वो बेस्ट आउटपुट दे रहा है, बेस्ट परफॉर्मेंस दे रहा है वो खोजना। इसमें

ग्रिड सर्च रैंडम सर्च तो बहुत ही ईजी टेक्निक्स है। ये आपको शुरू में पढ़ लेना चाहिए। बेज़ ऑप्टिमाइजेशन समथिंग जो आपको

बाद में डेफिनेटली पढ़ना चाहिए। थोड़ा कॉम्प्लेक्स है इसका मैथमेटिक्स। बट देयर आर टूल्स अवेलेबल जिसकी हेल्प से आप बहुत

आसानी से ये चीजें कर सकते हो। ठीक है? अ देन कम्स मॉडल इवैल्यूएशन एंड वैलिडेशन। क्रॉस वैलिडेशन स्ट्रेटजी, स्ट्रैटिफाइड

सैंपलिंग, टाइम सीरीज डेटा के ऊपर कैसे आप क्रॉस वैलिडेशन परफॉर्म करते हो ये सारी चीजें आपको पता होनी चाहिए। अ इंबैलेंस

डेटा को कैसे हैंडल करना है? कई बार ऐसा होता है क्लासिफिकेशन प्रॉब्लम में कि एक क्लास डोमिनेट कर जाता है दूसरे क्लास को

जिसकी वजह से मशीन लर्निंग एल्गोरिथ्म्स का जो आउटपुट है वो रिलायबल नहीं रहता है। तो उसको रिलायबल कैसे बनाया जाए? इसके लिए

बहुत तरह की टेक्निक्स एक्सिस्ट करती हैं। ये आपको पता होना चाहिए। उसके बाद ऑनसमल लर्निंग जो आपने पढ़ा मशीन लर्निंग

एल्गोरििदम्स में उसमें कुछ और एडिशनल टेक्निक्स होती हैं। ये खुद में एल्गोरििदम्स नहीं है बट एकिस्टिंग

एल्गोरिदम्स को मिक्स एंड मैच करने का तरीका है। तो यहां पे आप स्टकिंग, ब्लेंडिंग, वोटिंग, क्लासिफायर जैसी चीजें

पढ़ सकते हो। देन कम्स अ वेरीेंट थिंग इट्स कॉल्ड इंटरप्रेटेबिलिटी एंड एक्सप्लेनेबिलिटी। बेसिकली आप बिज़नेस

सिनेरियो में समझा पाओ कि आपके मशीन लर्निंग मॉडल ने कोई डिसीजन क्यों लिया। तो यहां पे आप मॉडल इंटरप्रेटेबिलिटी एंड

एक्सप्लेनेबिलिटी पढ़ते हो। देयर आर टूल्स लाइक शार्प एंड लाइम जो आपको कवर करने चाहिए। अगेन थोड़ा एडवांस स्टेजेस में ही

कवर कर रहे हो। आप इसको शुरू में कर भी लोगे तो हो सकता है कि जब आप आगे बढ़ो रोड मैप में तो इंटरव्यू स्टेजेस तक आप इसको

भूल जाओ तो इसको आप बाद के लिए रख सकते हो। मॉडल सिलेक्शन एंड कंपैरिजन इज़ आल्सो वैरीेंट। हाउ डू यू डिसाइड कि मल्टीपल

मॉडल्स जो आपने अप्लाई किए हैं एक डेटा पे किस चीज के बेसिस पे आप फाइनलाइज़ करते हो कि आउट ऑफ ऑल द पॉसिबल मॉडल्स आई विल बी

यूजिंग दिस पर्टिकुलर मॉडल इन प्रोडक्शन? ये एक बहुत डिटेल्ड स्टडी होती है। इसके बारे में भी आपको काम करना चाहिए। एंड

लास्टली हाउ डू यू स्केल मशीन लर्निंग टू ह्यूज डेटा सेट्स। ठीक है? तो बड़े डेटा सेट्स के ऊपर ट्रेनिंग कैसे होती है?

ऑनलाइन लर्निंग वाली ट्रेनिंग कैसे होती है? हाउ डू यू परफॉर्म डिस्ट्रीब्यूटेड ट्रेनिंग एंड मेमोरी वर्सेस कंप्यूटर

ट्रेड ऑक्सक्स? ये एक काइंड ऑफ मशीन लर्निंग सिस्टम डिजाइन का पार्ट है। बट इंटरव्यूज में ये बहुत पूछे जाते हैं। तो

इसके ऊपर भी आपको थोड़ा ध्यान देना पड़ेगा। ठीक है? तो ये हो गया आपका एडवांस सेक्शन मशीन लर्निंग का। एंड फाइनली ये सारी

चीजें सीखने के बाद लास्ट में आई वुड रिकमेंड दैट यू डू सम एंड टू एंड प्रोजेक्ट्स। द आईडिया बिहाइंड दिस

प्रोजेक्ट इज नॉट टू बिल्ड प्रोडक्शन ग्रेड प्रोजेक्ट्स। मतलब यह ऐसे प्रोजेक्ट्स नहीं है जो आप अपने रेज्यूुमे

में अटैच करके इंटरव्यूअर को दिखाओगे। ये प्रोजेक्ट्स मैं सिर्फ इसलिए आपको रिकमेंड कर रहा हूं सो दैट आपने अभी तक जो भी पढ़ा

मशीन लर्निंग में उसकी अंडरस्टैंडिंग को ये और कंक्रीट बनाएंगे आपके दिमाग में। ठीक है? तो यहां पे मैंने कुछ प्रोजेक्ट्स

लिस्ट डाउन कर दिए हैं कैटेगरीज़ के हिसाब से जो कि बहुत ही फेमस एंड कॉमन प्रोजेक्ट्स हैं जो आपको YouTube पे मिल

जाएंगे इंक्लूडिंग माय चैनल। ठीक है? तो वी हैव रिकमेंडेशन सिस्टम एज वन कैटेगरी। वी हैव प्रेडिक्शन एंड फॉरकास्टिंग अनदर

कैटेगरी क्लासिफिकेशन सिस्टम्स, कंप्यूटर विज़न, एनएलपी बेस्ड सिस्टम्स, एनॉमली एंड रिस्क डिटेक्शन, कस्टमर एंड बिज़नेस

इंटेलिजेंस, हेल्थ केयर एंड सोशल इंपैक्ट। और फिर कुछ क्लासिक इंटरव्यू प्रोजेक्ट्स जिनके बारे में इंटरव्यूज में सवाल पूछ

लिए जाते हैं। तो इनमें से अगर आप दो-तीन भी बना लो शुरू में तो इट वुड बी अ वेरी गुड स्टार्ट। और मैं फिर से एम्फसाइज कर

रहा हूं इस बात पे कि यह आपके फाइनल पोर्टफोलियो प्रोजेक्ट्स नहीं है। यहां पर हम एमलॉप्स जैसी टेक्निक्स इंप्लीमेंट

नहीं कर रहे हैं। यहां पे हम सिर्फ मॉडल बिल्डिंग कर रहे हैं। उसका परफॉर्मेंस इवैलुएट कर रहे हैं और मॉडल को इंप्रूव कर

रहे हैं। ठीक है? तो ये आपको करना चाहिए बट इसको इंटरव्यूअर के सामने दिखाने की जरूरत नहीं है। दिस इज़ फॉर योर ओन

अंडरस्टैंडिंग। अब मशीन लर्निंग करने के बाद अगर आप जनरली दूसरे रोड मैप्स को फॉलो करोगे तो वहां पे आपको सजेस्ट किया जाएगा

कि नेक्स्ट चीज जो आप सीखो वो होनी चाहिए डीप लर्निंग। बट मेरा रोड मैप इस मामले में थोड़ा अलग है। मैं मशीन लर्निंग के

बाद आपको एक और एडिशनल चीज सीखने की सलाह दूंगा। क्या है वो? मैं आपको बताता हूं। बट उसके पहले आपको ये समझना पड़ेगा कि

मशीन लर्निंग और डीप लर्निंग में ट्रूली डिफरेंस क्या है? सो मशीन लर्निंग इज अ सेट ऑफ़ टेक्निक्स एंड एल्गोरिदम्स

जिन्होंने टेबुलर डेटा के ऊपर बहुत अच्छा परफॉर्मेंस देना शुरू किया। एंड दैट इज व्हाई आज की डेट में भी नैरो टास्क में

जहां भी टेबुलर डेटा होता है वहां पर मशीन लर्निंग टेक्निक्स को ही इंप्लीमेंट किया जाता है। बट टेबुलर डेटा के अलावा भी देयर

आर सर्टेन डेटा मोटलिटीज़ जिनको कॉनकर करना जरूरी है रियल वर्ल्ड में। जैसे कि टेक्स्ट बहुत सारी रियल वर्ल्ड प्रॉब्लम्स

टेक्सचुअल डेटा पे बेस्ड होती हैं। वन मोर डेटा मोटलिटी जिसको कॉनकर करना बहुत जरूरी है टू सॉल्व मेनी रियल वर्ल्ड प्रॉब्लम्स

इज़ इमेज डेटा। इमेज एंड वीडियो डेटा के ऊपर भी बहुत सारे रियल वर्ल्ड प्रॉब्लम्स फॉर्मुलेट होते हैं। एंड द थर्ड वन इज

टेंपोरल डेटा। टाइम सीरीज बेस्ड डेटा जो फॉरकास्टिंग के लिए यूज किया जाता है। अब अनफॉर्चूनेटली ट्रेडिशनल मशीन लर्निंग इन

तीनों डेटा मोटलिटीज में इट वाज़ नॉट दैट ग्रेट। एंड दैट इज व्हाई जब डीप लर्निंग आया तो यह रियलाइज किया गया कि डीप

लर्निंग का जो इफेक्ट है वो इन तीन डेटा मॉडेलिटीज के ऊपर मशीन लर्निंग के कंपैरिजन में बहुत ज्यादा और बहुत पावरफुल

है। व्हिच बेसिकली मीन्स कि अगर आप इन तीन नए डेटा मॉडेलिटीज़ पे मशीन लर्निंग टेक्निक्स लगाओ वर्सेस डीप लर्निंग

टेक्निक्स लगाओ। गिवन आपके पास इनफ डेटा है। मोस्ट ऑफ़ द टाइम्स डीप लर्निंग मॉडल्स विल बीट मशीन लर्निंग मॉडल्स। बट एट द सेम

टाइम अगर आप टेबुलर डेटा के ऊपर काम करो तो टेबुलर डेटा पे आपको मशीन लर्निंग मॉडल्स जनरली गिव्स बेटर रिजल्ट्स देन डीप

लर्निंग मॉडल्स बिकॉज़ टेबुलर डेटा ऐसे भी थोड़ा कम होता है क्वांटिटी में और मशीन लर्निंग एक्सेल्स इन दोज़ सिनेरियोस तो

बहुत क्लियरली क्या हुआ ना कि दोनों ही टेक्निक्स का मार्केट बन गया इफ इट इज़ यूजुअल टेबुलर डेटा गो फॉर मशीन लर्निंग

टेक्निक्स इफ यू हैव डिफरेंट काइंड ऑफ़ डेटा मोटलिटीज़ टेक्सचुअल डेटा इमेज बेस्ड डेटा और टेंपोरल डेटा तो वहां पर डीप

लर्निंग काइंड ऑफ वर्चस्व बन गया तो अब मैं बस यह चाहता हूं कि डीप लर्निंग को पढ़ने के पहले आप इन तीनों डेटा मोटलिटीज

को भी थोड़ा सा एक्सपीरियंस करो। तो दिस इज वेयर हमारे रोड मैप में एक छोटा सा ब्रांचिंग अकर कर रहा है और मैं चाहता हूं

कि आप इन तीनों में से एटलीस्ट किसी एक डेटा मॉडलिटी को या उसके फंडामेंटल्स को समझो। ठीक है? अगर आपके पास टाइम है तो आप

दो भी सीख सकते हो। तीनों सीखना मैं रिकमेंड नहीं करूंगा। अगर आपके पास कोई ओपिनियन नहीं है तो मैं आपको सेलेक्ट करने

में हेल्प कर सकता हूं। अगर आपको जॉब पॉइंट ऑफ व्यू से देखना है तो सबसे ज्यादा जॉब्स आपको एनएलपी के डोमेन में मिलेंगे।

व्हिच इज टेक्सचुअल डेटा। ये जो पूरा एलएलएम का सिनेरियो आ गया है और ये पूरा जो एक एआई रिवॉल्यूशन आया है 2022 के बाद

से ये मोस्टली टेक्सचुअल डेटा पे बेस्ड है। ऐसा नहीं है कि इमेज डेटा पे काम नहीं हो रहा है। यू कैन सी एलएलएम्स इमेजेस भी

जनरेट कर रहे हैं। बट प्राइमरी जो यूज़ केस सॉल्व हुआ वो टेक्सचुअल डेटा के अराउंड हुआ। तो आप अगर टेक्सचुअल डेटा पे सबसे

ज्यादा फोकस करोगे तो आप अपने चांसेस भी बढ़ाओगे। सेकंड इफ यू वांट और रादर इफ यू आर इंटरेस्टेड तो आप कंप्यूटर विज़न एज एन

इमेज डेटा के डोमेन में भी काम कर सकते हो। तो दिस कैन बी योर वन एंड टू डोमेनस। ठीक है? एंड इफ यू आर वेरी टारगेटेड

टुवर्ड्स फाइनेंस तो फिर यू शुड गो विथ टाइम सीरीज वाला डेटा एपोरल डेटा। ठीक है? तो माय रिकमेंडेशन वुड बी इस पॉइंट पे जब

आप मशीन लर्निंग सीख के आए हो तो इन तीनों में से किसी एक पे फोकस करो और उसको अच्छे से सीखो और फिर आप आगे बढ़ो डीप लर्निंग

में। बिकॉज़ डीप लर्निंग में इन चीजों का फंडामेंटल्स यूज़ किया जाएगा। तो वहां पर सडनली से आपको कुछ नया ना लगे इसलिए मैं

चाह रहा हूं कि आप यहीं पे इन चीजों को कवर अप कर लो। एंड आइडियली आगे चलके इन तीन में से दो चीजें आप पढ़ के रखो। इट

वुड बी ग्रेट। जैसे फॉर मी आई कैन टेल यू माय टॉप टू वर एनएलपी एंड कंप्यूटर विज़न। बट मैंने और बहुत सारे लोगों को देखा है

जो फाइनेंस में है। दे डू अ लॉट ऑफ़ वर्क अराउंड टेंपोरल डेटा टाइम सीरीज के अराउंड। ठीक है? तो आइली होप मैं ये सबसे

पहले क्लेरिफाई कर पाया। अब मैं आपको बताता हूं कि इन तीनों डेटा मोटलिटीज़ में फंडामेंटल्स क्लियर करने के लिए आपको

एक्जेक्टली क्या-क्या पढ़ना पड़ेगा। वी विल स्टार्ट विद टेक्सचुअल डेटा, एनएलपी। सो एनएलपी में आपको चार मेजर चीजों के ऊपर

फोकस करना होता है। टेक्स्ट प्रीपिंग, टेक्स्ट रिप्रेजेंटेशन, स्टडिंग ट्रेडिशनल मॉडल्स एंड बिल्डिंग अ

एनएलपी पाइपलाइन। मैं चारों आपके सामने एक्सप्लेन करता हूं एक-एक करके। सबसे पहले आता है टेक्स्ट प्रीपिंग। सो यहां पे आप

क्या करते हो कि आपके पास जो डेटा सेट होता है वो टेक्सचुअल डेटा सेट होता है। मतलब उसमें टेक्स्ट होता है। बट

अनफॉर्चूनेटली प्रॉब्लम क्या है कि जो रियल वर्ल्ड टेक्स्ट होते हैं ना उसमें बहुत तरह का नॉइज़ होता है। बहुत तरह की

गड़बड़ होती है। उसको आप डायरेक्टली एज़ इट इज़ मशीन लर्निंग मॉडल के पास या डीप लर्निंग मॉडल के पास नहीं भेज सकते। तो

आपको क्या करना पड़ता है? बहुत तरह का प्री प्रोसेसिंग करना पड़ता है। तो यहां पे यू हैव टू लर्न ऑल दोज़ प्री प्रोसेसिंग

टेक्निक्स। सो दैट आप किसी भी तरह के डेटा को लेके आओ और उसको क्लीन कर पाओ। ठीक है? क्या-क्या यहां पे किया जाता है? टेक्स्ट

नॉर्मलाइजेशन किया जाता है। लोअर केसिंग किया जाता है। यूनिकोड नॉर्मलाइजेशन किया जाता है। पंकुएशन हटाने की टेक्निक्स हैं।

नंबर्स को हटाने की टेक्निक्स हैं। स्पेशल कैरेक्टर्स को हटाने की टेक्निक है। वाइट स्पसेस को हैंडल करने की टेक्निक्स हैं।

स्टॉपवर्ड्स के साथ कैसे डील किया जाए? कॉन्ट्रैक्शंस को कैसे हैंडल किया जाए? टोकनाइजेशन कैसे परफॉर्म किया जाए?

स्टेमिंग एंड लेमिटाइजेशन कैसे किया जाए? इमोजीस को कैसे हैंडल करना है? यूआरएल्स को कैसे हैंडल करना है? स्पेलिंग वेरिएशंस

को कैसे हैंडल करना है? ये सब कुछ आपको यहां पे सीखना होता है। एंड ट्रस्ट मी यहां पे आप बहुत टाइम स्पेंड करते हो। सो

दिस इज़ जस्ट लाइक फीचर इंजीनियरिंग जो हमने मशीन लर्निंग में पढ़ा। यहां पे ये उससे भी थोड़ा ज्यादा डिफिकल्ट हो जाता है

बिकॉज़ यू आर डीलिंग विद टेक्स्ट। वंस यू आर डन विद क्लीनिंग योर टेक्सचुअल डेटा। द नेक्स्ट प्रॉब्लम दैट यू हैव टू सॉल्व इज़

ऑफ टेक्स्ट रिप्रेजेंटेशन। सो ये शायद आपको ऑलरेडी पता हो गया होगा कि मशीन लर्निंग मॉडल्स, डीप लर्निंग मॉडल्स आर

बेसिकली मैथमेटिकल मॉडल्स एंड दे डोंट अंडरस्टैंड टेक्स्ट। तो आपको टेक्सचुअल डेटा को किसी तरीके से नंबर्स के फॉर्म

में रिप्रेजेंट करना पड़ता है। और ऐसा करने के लिए बहुत तरह की टेक्निक्स अवेलेबल हैं। सबके अपने प्रोस एंड क्स

हैं। बट एज अ स्टूडेंट आपको सब कुछ पढ़ना पड़ेगा। ठीक है? तो देयर आर टेक्निक्स सच एज बैग ऑफ वर्ड्स, एन ग्राम्स, टीएफ, आई

डीएफ, अ बाइनरी वेक्टराइजेशन, हैशिंग टेक्निक, हाउ डू यू क्रिएट वोकैबलरी? व्हाट आर स्पार्स एंड डेंस रिप्रेजेंटेशन?

तो ये सब कुछ आपको यहां पे पढ़ना पड़ता है और ये काइंड ऑफ अभी आधा ही है। ये तो बहुत बेसिक लेवल टेक्स्ट रिप्रेजेंटेशन

टेक्निक्स है। डीप लर्निंग में और भी ज्यादा आपको पढ़ना पड़ता है। एंबेडिटिंग्स एंड ऑल। तो दिस इज़ आल्सो वेरीेंट। वंस यू

नो हाउ टू क्लीन द टेक्स्ट एंड यू आल्सो नो हाउ टू रिप्रेजेंट इट इन द फॉर्म ऑफ़ नंबर्स। देन कम्स द लास्ट स्टेज व्हेयर यू

सेंड योर टेक्सचुअल डेटा टू अ मशीन लर्निंग मॉडल और अ डीप लर्निंग मॉडल। बट सिंस अभी हमने डीप लर्निंग नहीं पढ़ा है।

तो इस पॉइंट पे आप क्या कर सकते हो कि आप मशीन लर्निंग मॉडल्स के साथ काम कर सकते हो। तो नाइफ बेस इज वन एल्गोरिदम जो

टेक्सचुअल डेटा के साथ बहुत अच्छा काम करता है। बट यू कैन आल्सो यूज़ लॉजिस्टिक रिग्रेशन एंड सपोर्ट वेक्टर मशीनंस एंड

जस्ट लाइक अदर प्रॉब्लम्स प्रॉब्लम स्टेटमेंट्स बूस्टिंग एल्गोरिदम्स यहां पे भी कई बार अच्छा रिजल्ट दे देते हैं। तो

आप ये सारी चीजें ट्राई आउट कर सकते हो। एक बार जब आप ये तीनों चीजें कर लो उसके बाद द लास्ट थिंग दैट यू आर लेफ्ट विद इज़

बिल्डिंग अ कंप्लीट एनएलपी पाइपलाइन जो एंड टू एंड पूरी चीज को सॉल्व करके देगा। तो यू नो यू अंडरस्टैंड हाउ यू फॉर्मुलेट

अ प्रॉब्लम इन एनएलपी हाउ यू डू टेक्स्ट डेटा कलेक्शन कैसे ट्रेन टेस्ट स्प्लिट किया जाता है कैसे फीचर एक्सट्रैक्शन किया

जाता है कैसे मॉडल ट्रेनिंग इवैल्यूएशन किया जाता है कैसे इनफेंस पाइपलाइन सेट की जाती है अनसीन वर्ड्स को कैसे हैंडल किया

जाता है हाउ डू यू रिप्रोड्यूस पाइपलाइन इन प्रोडक्शन और हाउ डू यू अवॉइड डेटा लीकेज दीज़ आर समेंट कांसेप्ट्स जो आपको

पढ़ने चाहिए बेसिक आईडिया इज़ कैन यू बिल्ड अ एंड टू एंड एनएलपी पाइपलाइन यही मेन आईडिया है ठीक है तो इतना कुछ आपको पढ़ना

है एंड दिस इज़ नॉट एवरीथिंग इन एनएलपी दिस इज़ जस्ट द फाउंडेशन अगर अगर आप इतना पढ़ लोगे तो गोइंग फॉरवर्ड जब आप डीप लर्निंग

में दोबारा यही कांसेप्ट्स पढ़ोगे तो यू विल फील एट होम। आपको लगेगा हां इनमें काफी चीजें मुझे ऑलरेडी समझ में आती है।

तो आपको डर कम लगेगा। यही रीज़न है इस पूरे सेक्शन का। ये पूरी चीज मैंने बनाई इसीलिए सो दैट आगे चलके जब आप इनके ऊपर दोबारा

काम करो आपको ऐसा लगे कि चलो यार मेरे फंडामेंटल्स तो क्लियर है। ठीक है? तो आईली होप मैं आपको एनएलपी में समझा पाया

कि क्या-क्या पढ़ना है। अब बात करते हैं अगले डेटा मोटलिटी की। व्हिच इज़ इमेज बेस्ड डेटा। कंप्यूटर विज़न। एनएलपी की ही

तरह कंप्यूटर विज़न में भी आपको चार मेजर चीजें कवर करनी होती हैं। उसमें से सबसे पहला है इमेज बेसिक्स। जहां पे आप ये

सीखते हो कि एट अ वेरी फाउंडेशन लेवल एक इमेज होता क्या है और आप उसके ऊपर किस तरह के बेसिक ऑपरेशंस अप्लाई कर सकते हो। सो

यहां पे आप सीखते हो कि इमेज क्या होता है? कैसे आप उसको रीड कर सकते हो? उसके ऊपर राइट कर सकते हो विथ द हेल्प ऑफ

लाइब्रेरीज लाइक ओपन सीवी? हाउ डू यू कन्वर्ट एन इमेज टू ग्रे स्केल? कैसे आप कलर स्पेस कन्वर्शन कर सकते हो? हाउ डू यू

रीसाइज इमेजज़? हाउ डू यू नॉर्मलाइज योर इमेज? हाउ डू यू पुट थ्रेशहोल्ड? ये सारे बेसिक ऑपरेशंस आप करना सीखते हो। ठीक है?

उसके बाद सेकंड जो आपको चीज सीखनी होती है वो होता है फीचर डिटेक्शन। इन अ गिवन इमेज हाउ डू यू एक्सट्रैक्ट फीचर्स जिसके ऊपर

आप मॉडल्स बिल्ड कर पाओ। जैसे कि हाउ डू यू डिटेक्ट एजेस? बिकॉज़ एजेस से ही समझ में आता है कि कोई ऑब्जेक्ट प्रेजेंट है

आपके इमेज में। तो किसी भी तरह का इमेज क्लासिफिकेशन या इमेज सेगमेंटेशन करने के लिए एज डिटेक्शन इज़ वेरी इंपॉर्टेंट। तो

देयर आर डिफरेंट-डिफरेंट अह अह एल्गोरिदम्स जो बहुत सालों से अह यूज़ किए जा रहे हैं कंप्यूटर विज़न में, वह आपको

यहां पे पढ़ने पड़ते हैं। हाउ डू यू डिटेक्ट कॉर्नर एंड कीप पॉइंट डिटेक्शन? हाउ डू यू एक्सट्रैक्ट फीचर्स आउट ऑफ एन इमेज? ये भी

एक बहुत इंपॉर्टेंट टॉपिक है। तो ये सारी चीजें आप पढ़ते हो। ठीक है? एक बार जब आप फीचर डिटेक्ट करना सीख जाते हो देन यू मूव

ऑन टू थोड़ा और सीरियस लेवल इमेज ट्रांसफॉर्मेशंस? जैसे कि हाउ डू यू परफॉर्म ज्योमेट्रिक ट्रांसफॉर्मेशंस? हाउ

डू यू स्केल एन इमेज, हाउ डू रोटेट एन इमेज? उसके बाद हाउ डू यू ब्लर एन इमेज? मॉर्फोलॉजिकल ऑपरेशंस होते हैं आपके और

इंटेंसिटी ट्रांसफॉर्मेशन बेस्ड आपके कुछ ऑपरेशंस होते हैं। तो दीज़ आर लाइक डिफरेंट-डिफरेंट ऑपरेशंस जिनकी हेल्प से

आप अपने इमेज बेस्ड डेटा को अलग-अलग पर्सपेक्टिव से समझ पाते हो, देख पाते हो, मॉडल को बता पाते हो। ठीक है? और ये सारे

फंडामेंटल सीखने के बाद आता है सबसेेंट स्टेज जहां पे आप एक एंड टू एंड कंप्यूटर विज़न पाइपलाइन बनाते हो, प्रोजेक्ट्स

बिल्ड करते हो। ठीक है? तो यहां पे यू स्टार्ट विद इमेज एक्विजिशन एंड इनपुट जहां पे आप इमेज को लोड कर रहे हो, इमेज

को रीसाइज़ कर रहे हो, कलर स्पेस कन्वर्ज़ कर रहे हो। देन यू अप्लाई सम सॉर्ट ऑफ प्री प्रोसेसिंग। इफ देयर इज नॉइस यू डू

नॉइस रिडक्शन, यू परफॉर्म नॉर्मलाइजेशन, थ्रेशहोल्डिंग देन यू एक्सट्रैक्ट फीचर्स जो आपने टेक्निक्स थोड़ी देर पहले देखी।

उसके बाद यू गो ऑन टू डू फीचर रिप्रेजेंटेशन। यहां पे भी टेक्सचुअल डेटा की तरह यू हैव टू डू सम काइंड ऑफ फीचर

रिप्रेजेंटेशन। एंड लास्ट में जब आपके पास आपके फीचर्स रेडी हैं। देन यू अप्लाई मशीन लर्निंग मॉडल्स। तो कौन-कौन से मॉडल्स

यहां पे आप अप्लाई कर सकते हो? यू कैन अप्लाई लीनियर मॉडल्स। यू कैन अप्लाई एसवीएम। एसवीएम काफी यूज़ होता है इमेज

बेस्ड डेटा के ऊपर। यू कैन आल्सो अप्लाई डिस्टेंस बेस मॉडल्स लाइक के नियरेस्ट नेबर एंड हमेशा की तरह आप यहां पे ट्री

बेस मॉडल भी अप्लाई कर सकते हो। यहां पे गशन मिक्सचर मॉडल्स भी काफी यूज़ किए जाते हैं। तो ये कुछ ऐसे एल्गोरिदम्स हैं जिनकी

हेल्प से आप कंप्यूटर विज़न में प्रॉब्लम सॉल्विंग कर सकते हो। तो दिस इज़ ऑल दैट यू हैव टू लर्न बिफोर डाइविंग इंटू डीप

लर्निंग। ठीक है? ये सब अगर आप सीख के वहां जाओगे तो आप डीप लर्निंग की बहुत सारी जो पावरफुल टेक्निक्स हैं कंप्यूटर

विज़न के डोमेन में उनको सीखने में आपको परेशानी नहीं होगी। नाउ लेट्स मूव ऑन टू द थर्ड डेटा मोटलिटी वि इज टाइम सीरीज या

फिर टेंपोरल डेटा। अब यू माइट आर्ग्यू कि टेंपोरल डेटा भी तो टेबुलर डेटा ही होता है ना। तो इसको अलग मोटलिटी क्यों बोल रहे

हैं? इसको अलग मोटलिटी सिर्फ एक सॉलिड रीज़न की वजह से बोल रहे हैं। और वो ये है कि यहां पे टाइम का कांसेप्ट होता है।

यहां पे ऑर्डर का कांसेप्ट होता है। नॉर्मल टेबुलर डेटा में आप शफलिंग भी कर दो तो डेटा सेट में कोई चेंजेस नहीं

आएंगे। आप उसको मॉडल के पास भेजो परफॉर्मेंस सिमिलर ही रहेगा। बट यहां पे यू कैन नॉट शफल द डेटा। वो ऑर्डरिंग मैटर

करता है। तो दैट इज व्हाई इसको एक अलग मोटलिटी की तरह ट्रीट किया जाता है। ये खुद में एक बहुत बड़ा डोमेन है। ठीक है? तो

टाइम सीरीज फॉरकास्टिंग में भी वी कैन रफली डिवाइड द एंटायर सिलेबस इंटू फोर पार्ट्स। द फर्स्ट वन इज़ ऑब्वियसली टाइम

सीरीज एनालिसिस। यहां पे आप कोई भी फॉरकास्टिंग नहीं करते। यहां पे आपका सिंगल गोल है टू अंडरस्टैंड टेंपोरल डेटा।

ठीक है? एंड हाउ टू डू एनालिसिस ऑन टेंपोरल डेटा। तो यहां पे आप फंडामेंटल सीखते हो लाइक व्हाट इज़ टाइम सीरीज डेटा?

टाइम इंडेक्स क्या है? फ्रीक्वेंसी क्या है? है व्हाट आर द मेन कंपोनेंट्स ऑफ़ अ टाइम सीरीज डेटा थिंग्स लाइक ट्रेंड

सीज़नालिटी साइक्लिसिटी नॉइज़ हाउ डू यू डील विद एडिटिव एंड मल्टीप्लिकेटिव सीरीज स्टेशनरिटी का कांसेप्ट ऑटो कोरिलेशन का

कांसेप्ट रोलिंग स्टैटिस्टिक्स ये सारी चीजें आप यहां पे सीखते हो ठीक है उसके बाद एक बार जब आपके फंडामेंटल्स क्लियर है

एंड यू आर एबल टू डू एनालिसिस ऑन टाइम सीरीज डेटा देन यू मूव टू क्लासिकल फॉरकास्टिंग और यहां पे आपका गोल है कि

अगर आपके पास एक टाइम सीरीज बेस्ड डेटा है जिसके ऊपर आपको एक फॉरकास्टिंग प्रॉब्लम सॉल्व करनी है हाउ कैन यू क्रिएट अ

इफेक्टिव बेसलाइन बेंच लाइन स्कोर। ठीक है? तो यहां पे देयर आर डेडिकेटेड एल्गोरिदम्स जो आप यूज़ करते हो जो इंटरनली

खुद में कैपेबल है टू अंडरस्टैंड द ऑर्डर प्रेजेंट इन द डेटा। उस तरह के मॉडल्स को आप यहां पे यूज़ करते हो। यू वर्क विथ ऑटो

रिग्रेसिव मॉडल्स। यू वर्क विथ मूविंग एवरेज मॉडल्स, अरमा, अरिमा, अरिमा ये सब ये सब नाम आपने सुने होंगे। ये सब की पढ़ाई

आप यहां पे करते हो। ठीक है? एक बार जब आपने फॉरकास्टिंग सीख लिया और आपके पास एक बेसलाइन मॉडल है, बेस लाइन मैट्रिक है,

देन यू लर्न टू डू फीचर इंजीनियरिंग जिसकी हेल्प से आप अपने बेस लाइन को इंप्रूव कर सकते हो। तो अ लॉट ऑफ़ डिफरेंट काइंड्स ऑफ़

फीचर इंजीनियरिंग वेरी डिफरेंट फ्रॉम व्हाट यू स्टडी इन मशीन लर्निंग एकज़िस्ट हियर। ये आपको पढ़ना है। अगेन दिस इज़ लाइक

वेरी स्पेसिफिक टू फाइनेंस पीपल। आई वुड नॉट रिकमेंड अनलेस यू आर टारगेटिंग द फाइनेंस फॉरकास्टिंग वाला डोमेन। आप इसको

स्किप कर सकते हो। बट स्टिल इफ यू वांट टू दीज़ आर द टॉपिक्स दैट यू हैव टू फॉलो। एंड लास्टली देयर आर इवैल्यूएशन टेक्निक्स

व्हिच इज़ अगेन डिफरेंट फ्रॉम द ट्रेडिशनल मशीन लर्निंग इवैल्यूएशन टेक्निक्स। तो यहां पे अलग-अलग आपके एरर मैट्रिक्स होते

हैं। एमएई हुआ, एमएपी हुआ। दिस इज़ लाइक दिस इज़ यूज़्ड इन अ लॉट ऑफ़ आपका एस्टिमेशन वाले जो प्रॉब्लम्स होते हैं जहां पे टाइम

एस्टिमेट करना है जैसे Uber राइड का तो उस तरह की जगहों पे यू यूज़ सच मैट्रिक्स। ठीक है? तो दिस इज़ व्हाट यू स्टडी एज़ फाउंडेशन

फॉर टाइम सीरीज बेस्ड डेटा। और आगे इसको हम लोग और डिटेल में देखेंगे। जब हम इसके ऊपर डीप लर्निंग टेक्निक्स को भी अप्लाई

करना सीखेंगे। सो अभी तक आपने दो इंपॉर्टेंट चीजें कर ली है। आपने मशीन लर्निंग मास्टर कर लिया है और आपने मशीन

लर्निंग को दूसरी मोटलिटीज़ पे अप्लाई करके भी देख लिया है। अब हम आगे बढ़ेंगे अपने रोड मैप में और नेक्स्ट हम पढ़ने जा रहे

हैं एक बहुत इंपॉर्टेंट चीज जो है डीप लर्निंग। डीप लर्निंग दो रीज़ंस सेेंट है। अगर आप सिर्फ डेटा साइंस प्रोफाइल्स को

टारगेट कर रहे हो जहां पर आप नैरो टास्क सॉल्व करोगे अपनी कंपनीज़ के लिए तो वहां पे भी डीप लर्निंगेंट है। और अगर आप

एलएलएम बेस्ड कुछ भी करने जा रहे हो तो वहां पे भी डीप लर्निंग के फंडामेंटल्स बहुत ज्यादाेंट हो जाते हैं। बिकॉज़

जेएनएआई का जो इवॉल्यूशन हुआ है वो डीप लर्निंग के रास्ते पे ही हुआ है। तो इन ऑर्डर टू मास्टर जेएनएआई यू शुड आल्सो

लर्न हाउ डीप लर्निंग वर्क्स। ठीक है? तो डीप लर्निंग वाले पूरे सेक्शन को मैंने सिक्स पार्ट्स में डिवाइड किया है। उनमें

से जो सबसे पहला पार्ट है वो है फाउंडेशंस ऑफ न्यूरल नेटवर्क। ठीक है? जहां पे हम डीप लर्निंग के फंडामेंटल्स देखेंगे थ्रू

द पर्स्पेक्टिव ऑफ आर्टिफिशियल न्यूरल नेटवर्क जो कि सबसे सिंपल टाइप का न्यूरल नेटवर्क टेक्निक है। तो इसमें आपको

क्या-क्या सीखना है? सबसे पहले आपको सबसे फंडामेंटल टर्मिनोलॉजीस जो हैं डीप लर्निंग की वो आपको सीखनी है। न्यूरॉन्स

क्या होते हैं? कैसे वो बायोलॉजिकल न्यूरॉन से कनेक्टेड हैं? लेयर्स का कांसेप्ट क्या होता है? व्हाट आर वेट्स

एंड बायसेस? ये सारी चीजें आपको सबसे पहले समझनी है। उसके बाद आपको ये समझना है कि फॉरवर्ड पास का कांसेप्ट कैसे होता है और

कैसे हम फॉरवर्ड पास की हेल्प से प्रेडिक्शन करते हैं ऑन अ गिवन इनपुट। ठीक है? उसके बाद कांसेप्ट आता है एक्टिवेशन

फंक्शनंस का व्हिच इज़ वेरीेंट। यहां पे आप अलग-अलग टाइप के एक्टिवेशन फंक्शनंस स्टडी करते हो और आप ये देखते हो कि किस तरह के

सिनेरियो में आपको कौन सा एक्टिवेशन फंक्शन लगाना है। ठीक है? तो सबसे फेमस वाले हैं सिग्मॉयड एंड टैनिच बट रेल, ली

रेल और उसके जो वेरिएंट्स हैं वो भी आपको स्टडी करने हैं। एंड सेम गोज़ विद सॉफ्ट मैक्स। ठीक है? उसके बाद यू हैव टू स्टडी

व्हाट आर द डिफरेंट काइंड्स ऑफ लॉस फंक्शनंस यूज्ड इन डीप लर्निंग। सो मशीन लर्निंग से रिलेटेड ही है। एमएससी, एमएई,

क्रॉस एंट्रोपी, हिंच लॉस ये सारी चीजें आपको देखनी पड़ेंगी। ठीक है? फिर आता है प्रोबेबबली सबसेेंट डीप लर्निंग कांसेप्ट

बैक प्रेपेशन जहां पे आप ये सीखते हो कि एक न्यूरल नेटवर्क ट्रेन कैसे होता है। ठीक है? तो यहां पे आपको थोड़ा बहुत मैथ्स

जो आपने पढ़ा है पास्ट में वो यूज़ होगा। चेन रूल का इंट्यूशन आपको पता होना चाहिए। कंप्यूटेशन ग्राफ क्या होता है? ये सब

चीजें आपको पता होनी चाहिए। ग्रेडियंट कैसे फ्लो बैक करता है एक न्यूरल नेटवर्क में वो आपको पता होना चाहिए। एक बार जब आप

बैक प्रोपगेशन सीख जाओ फिर आपको सीखना है कि व्हाट आर द चैलेंजेस जिसकी वजह से आप न्यूरल नेटवर्क्स को प्रॉपर्ली ट्रेन नहीं

कर पाते। उनमें सबसे बड़ा चैलेंज है वैनिशिंग एंड एक्सप्लोडिंग ग्रेडियंट्स। ये क्यों होता है? ये आपको समझना है। अ

उसके बाद ये थोड़ी सी एडिशनल चीजें आपको और पढ़नी चाहिए। लाइक अ कैसे डीप लर्निंग यूनिवर्सल एप्रोक्सिमेशन प्रोवाइड करता

है? अ मॉडल कैपेसिटी का क्या कांसेप्ट है? डेप्थ ऑफ अ मॉडल का क्या कांसेप्ट है? विड्थ का क्या कांसेप्ट है? एंड सबसेेंट

लास्ट में आपको ये पढ़ना है कि जब आप एक डीप लर्निंग मॉडल एज एन एएनएन को ट्रेन करते हो तो वो ओवरफिट क्यों करता है?

बिकॉज़ डीप लर्निंग मॉडल्स में ओवर फिटिंग की टेंडेंसी बहुत हाई होती है। तो ऐसा क्यों होता है ये आपको सीखना है। अगर इतनी

चीजें आप सीख जाते हो तो आपके जो फंडामेंटल्स हैं वो क्लियर हो जाएंगे और फिर हम मूव करेंगे नेक्स्ट स्टेज पे। एक

बार अगर आपने फाउंडेशन सीख लिए उसके बाद नेक्स्ट चीज जो आपको सीखनी है वो है कि कैसे आप एक गिवन न्यूरल नेटवर्क को

ऑप्टिमाइज कर सकते हो। ऑप्टिमाइज करने का मतलब होता है कि कैसे आप अपने गिवन न्यूरल नेटवर्क के परफॉर्मेंस को इंप्रूव कर सकते

हो। एंड देयर आर अ लॉट ऑफ टेक्निक्स। तो यहां पे मैंने वो सारी टेक्निक्स लिख रखी हैं। तो आपको यहां पे सबसे पहले सीखना है

कि व्हाट आर द डिफरेंट वेरिएंट्स ऑफ ग्रेडियंट डिसेंट दैट यू कैन यूज़। सो बैच वर्सेस मिनी बैच वर्सेस एसजीडी। ये आपको

सीखना होता है। लर्निंग रेट का कांसेप्ट बहुत क्रिटिकल होता है डीप लर्निंग में। तो उसके बारे में आपको काफी कुछ सीखना है।

हाउ कैन यू शेड्यूल लर्निंग रेट? स्टेप डीके, cosin डीके वार्म अप कैसे किया जाता है? ये सब आपको सीखना पड़ेगा। उसके बाद

आपको अलग-अलग ऑप्टिमाइजर्स के बारे में पढ़ना है। सच एज मोमेंटम, एडग्रड, आरmएस प्रॉप, एडमम, एडमम डब्लू ये सब आपको सीखना

पड़ेगा। उसके बाद यू आल्सो हैव टू लर्न अबाउट वेट इनिशियलाइजेशन। जो इनिशियल वेट वैल्यूज़ रहती हैं उनके ऊपर भी बहुत कुछ

डिपेंड करता है। तो आप यहां पे अलग-अलग टाइप की वेट इनिशलाइजेशन टेक्निक सीखोगे। अ यू आल्सो लर्न अ कांसेप्ट कॉल्ड

ग्रेडियंट क्लिपिंग। बैच नॉर्मलाइजेशन इज़ अगेन अ वेरीेंट कॉन्सेप्ट। ड्रॉप इज़ एन इंटरेस्टिंग कॉन्सेप्ट। अ उसके बाद अर्ली

स्टॉपिंग। अगर आपका परफॉर्मेंस इंप्रूव नहीं कर रहा मल्टीपल इवॉक्स के बाद तो यू स्टॉप द ट्रेनिंग। रेगुलराइज़ेशन जैसे मशीन

लर्निंग में बहुतेंट होता है। सिमिलरली यहां पे भी बहुतेंट होता है। एंड फाइनली यू हैव टू लर्न हाउ डू यू डू हाइपर

पैरामीटर ट्यूनिंग इन डीप लर्निंग। ठीक है? तो इसके कुछ-कुछ पैकेजेस होते हैं। वो आपको सीखने पड़ेंगे। तो ये बहुत इंपॉर्टेंट

चीज़ है। ये मतलब इतनाेंट है कि ये बहुत आगे तक आपको हेल्प करेगा। लेट्स से आप कोई अपना स्माल स्केल एलएलएम भी अगर ट्रेन कर

रहे हो ना तो यही सारे कांसेप्ट्स वहां पे अप्लाई करते हैं। ठीक है? तो ये लाइक एकदम कोर है डीप लर्निंग का। डीप लर्निंग में

जो नेक्स्ट चीज आप पढ़ोगे वो है कन्वोल्यूशनल न्यूरल नेटवर्क्स। यह स्पेशल टाइप ऑफ न्यूरल नेटवर्क्स होते हैं जिनको

यूज किया जाता है इमेज बेस्ड या वीडियो बेस्ड डेटा के लिए। और इसका रीज़न ये है कि अभी तक आपने जो न्यूरल नेटवर्क्स पढ़े हैं

एएनएन वो इमेज बेस्ड या फिर वीडियो बेस्ड डेटा के ऊपर आपको उतने अच्छे रिजल्ट्स नहीं देते। और उसका मेन रीज़न ये है कि

आपका जो इमेज बेस्ड डेटा होता है वो टूD होता है और उसके अंदर स्पेशल इनेशन छुपा हुआ होता है। और एएनएस का आर्किटेक्चर ऐसा

है कि वो इस स्पेशल इनेशन को एक्सट्रैक्ट नहीं कर पाता। दैट इज व्हाई सीएनए को यूज़ किया जाता है। बिकॉज़ उनको डिजाइन ही इस

तरीके से किया गया है कि वो इमेज डेटा के ऊपर आपको बेटर रिजल्ट्स दें। तो सीएनएन में आपको क्या पढ़ना है? सबसे पहले सीएनएन

के कोर कांसेप्ट्स पढ़ने हैं। जिसमें आता है कॉन्वोल्यूशन ऑपरेशंस, फिल्टर्स एंड कर्नल्स का कांसेप्ट, स्ट्राइड एंड

पैडिंग। यू हैव टू लर्न अबाउट फीचर मैप्स, पुूलिंग ऑपरेशन, रिसेप्टिव फील्ड का इंट्यूशन आपको पता होना चाहिए। आपको ये भी

पता होना चाहिए कि सीएनएस ट्रांसलेशन इनवेरिएंट क्यों होते हैं? दिस इज़ अ वेरीेंट इंटरव्यू क्वेश्चन। इसलिए मैंने

यहां पे इसको मेंशन कर दिया है। उसके बाद एक बार जब आप सीएनएन के फंडामेंटल्स सीख लो उसके बाद कुछ एग्जिस्टिंग

आर्किटेक्चर्स हैं जो बहुत पढ़े लिखे लोगों ने ऑलरेडी बना रखा है जिनको हम काइंड ऑफ रीयूज़ करते हैं। उनके बारे में

आपको थोड़ा पता होना चाहिए। तो यहां पे थोड़े बेसिक आर्किटेक्चर्स हैं जैसे कि लेनेट हुआ, एलेक्स नेट हुआ और कुछ और बहुत

हाई-फाई आर्किटेक्चर्स भी हैं सच एज रेज़नेट, इंसेप्शन मॉड्यूल्स, आपका मोबाइल नेट बहुत एक अच्छा आर्किटेक्चर है जो

थोड़ा लो एंड डिवाइसेस के ऊपर अच्छा रन करता है। तो ये सीएनएन आर्किटेक्चर्स का आपको आईडिया होना चाहिए। उसके बाद एक बार

जब आप ये आर्किटेक्चर्स पढ़ लो उसके बाद आपको एक बहुत इंपॉर्टेंट कांसेप्ट सीखना होता है जिसको हम बोलते हैं ट्रांसफर

लर्निंग। सो ट्रांसफर लर्निंग में क्या होता है कि आप एक ऑलरेडी ट्रेंड अ सीएनएन आर्किटेक्चर को उठाते हो और उसको फाइंड

ट्यून करते हो अपने टास्क के ऊपर। ठीक है? तो आज की डेट में जो बहुत सारा सीएनएन के ऊपर काम हो रहा है वो ट्रांसफर लर्निंग के

डोमेन में ही हो रहा है। ठीक है? तो आपको ये पूरी चीज़ सीखनी होती है कि कैसे आप एक प्री ट्रेन मॉडल को लेके आते हो? कैसे

उसको आप फाइन ट्यूनिंग या फिर फीचर एक्सट्रैक्शन के लिए यूज़ करते हो। हाउ डू यू फ्रीज़ एंड अनफ्रीज़ लेयर्स? ये सारी

चीजें आपको सीखनी होती हैं। यहां पे एक और इंपॉर्टेंट कांसेप्ट होता है डेटा आर्गुमेंटेशन का। ये भी आपको सीखना होता

है। ठीक है? ये सब कुछ सीखने के बाद एक और इंपॉर्टेंट चीज जो आपको यहां पे सीखनी है वो है विज़न ट्रांसफॉर्मर्स। ये एक

कंप्लीटली अलग टाइप ऑफ़ आर्किटेक्चर है जो विज़न डेटा के ऊपर एज इन आपके इमेज बेस्ड डेटा के ऊपर बहुत अच्छे रिजल्ट्स देता है।

बट आई वुड नॉट रिकमेंड कि आप अभी इसको सीधे पढ़ो। आई वुड रिकमेंड कि पहले आप आगे जाओ इस रोड मैप में। आप ट्रांसफार्मर

आर्किटेक्चर पढ़ो और फिर वहां से पीछे आओ और फिर आप विज़न ट्रांसफार्मर्स के बारे में पढ़ो और ये सीखो कि कैसे आप विज़न

ट्रांसफार्मर को ये कंप्यूटर विज़न टास्क के ऊपर अप्लाई करते हो। ठीक है? तो ये हो गया आपका सीएनएन से रिलेटेड सारा डिस्कशन।

सो अभी तक हमने दो टाइप के न्यूरल नेटवर्क आर्किटेक्चर देख लिए। पहला हमने देखा एएनएन जो टेबुलर डेटा के ऊपर अच्छा काम

करता है और फिर हमने देखा सीएनएन जो इमेज बेस्ड डेटा के ऊपर अच्छा काम करता है। एक थर्ड जो डेटा मॉडेलिटी हमने डिस्कस की है

वो है टेक्सुअल डेटा या फिर सीक्वेंशियल डेटा। तो अब हम उसके बारे में पढ़ाई करेंगे और अब हम देखेंगे कि सीक्वेंस

मॉडल्स में आपको क्या-क्या पढ़ना है। तो सीक्वेंस मॉडल्स सीक्वेंस मॉडल्स आर अ स्पेशल टाइप ऑफ न्यूरल नेटवर्क्स जो

स्पेसिफिकली बिल्ट है अराउंड सीक्वेंस डेटा। ठीक है? तो टेक्सचुअल डेटा इसमें सबसे प्राइम एग्जांपल आता है। तो यहां पे

आपको क्या करना है? यहां पे आपको आरएनए की पूरी फैमिली पढ़नी है। रिकरेंट न्यूरल नेटवर्क। ठीक है? तो आपको सबसे पहले

सीक्वेंशियल डेटा की मॉडलिंग कैसे की जाती है? उसका इंट्यूशन होना चाहिए। बेसिकली हाउ डू यू ब्रेक डाउन टेक्स्ट इंटू

नंबर्स। वो आपको समझना है। उसके बाद यू हैव टू लर्न आरएनएस एकदम जो सबसे कोर आरएनएस आपके आर्किटेक्चर है वो आपको सीखना

है। उसके बाद उसके ऊपर एक इंप्रूवमेंट आया था जिसको हम एलएसटीएम बुलाते हैं। वो आपको सीखना है। फिर आपका आता है जीआरयू व्हिच

इज़ अगेन एन इंप्रूवमेंट वो आपको सीखना है। और फिर आपको दो कॉन्सेप्ट्स और सीखने हैं जो कि खुद में नए आर्किटेक्चर्स नहीं है।

ये बेसिकली आपका थोड़ा-थोड़ा वेरिएशन है। एकिस्टिंग आरएनएन के ऊपर। सो बायडायरेक्शनल आरएनएस जहां पे आप दोनों

डायरेक्शन से टेक्स्ट को प्रोसेस करते हो एंड डीप आरएनएस जहां पे आप एक आरएनए के ऊपर दूसरा आरएनए स्टैक अप करते हो। ठीक

है? तो ये सब आपको पढ़ना है। हालांकि ये सारी टेक्निक्स अब थोड़े काइंड ऑफ ऑब्सोल्यूट हो गए हैं। आज की डेट में कोई

प्रोडक्शन में ये टेक्निक्स यूज़ नहीं करता टेक्सचुअल डेटा के ऊपर। बट गोइंग फॉरवर्ड जो टेक्निक्स आप पढ़ोगे जो आज यूज़ होते हैं

वो इन टेक्निक्स के ऊपर बेस्ड हैं। तो ये नॉलेज आपको होनी चाहिए। सीक्वेंस मॉडल्स के बाद आपको पढ़ना होता है सीक्वेंस टू

सीक्वेंस मॉडल्स। बेसिकली ऐसे सीक्वेंस मॉडल्स जो इस तरह के टास्क के ऊपर अप्लाई किए जाते हैं जहां पे इनपुट भी एक

सीक्वेंस है और आउटपुट भी एक सीक्वेंस है। फॉर एग्जांपल अगर आप ट्रांसलेशन परफॉर्म कर रहे हो एक लैंग्वेज से दूसरे लैंग्वेज

में कन्वर्ट कर रहे हो टेक्स्ट को तो दिस इज़ अ सीक्वेंस टू सीक्वेंस टास्क या फिर एक और एग्जांपल हुआ आपका अ टेक्स्ट

समराइजेशन। आपके पास एक बड़ा सा ऐसे है आप उसको समराइज़ कर रहे तो यहां पे इनपुट भी एक सीक्वेंस है, आउटपुट भी एक सीक्वेंस

है। तो इस तरह के प्रॉब्लम्स के ऊपर थोड़े अलग टाइप के आपके आर्किटेक्चर यूज़ किए जाते हैं। जिनको हम सीक टू सीक या

सीक्वेंस टू सीक्वेंस मॉडल्स बोलते हैं। यहां पे आपको सबसे पहले सीखना होता है एनकोडर डिकोडर आर्किटेक्चर। बहुत ही

इंपॉर्टेंट है। और आगे जितनी भी चीजें आप पढ़ोगे इसमें सीक्वेंस टू सीक्वेंस वाले पूरे पार्ट में वो सब इसी के ऊपर बेस्ड

है। तो यहां पे आपको एनकोडर, डिकोडर, आर्किटेक्चर मास्टर करना होता है। बिहाइंड द सीन्स अंदर आरएन एन एन एन एन एन एन एन

एन एन एन एलएसटीएम ही यूज़ किए जाते हैं। बट इट्स जस्ट कि दो पार्ट्स में डिवाइड हो जाता है पूरा आर्किटेक्चर। वन इज़ एनकोडर

वन इज़ डिकोडर। फिर आपको सीखना है कॉन्टेक्स्ट वेक्टर का क्या बॉटल नेक है। टीचर फोर्सिंग एक बहुतेंट कांसेप्ट है।

बीम सर्च एक इंपॉर्टेंट कांसेप्ट है। ये सारी चीजें आपको पढ़नी है। उसके बाद आता है बहुत हीेंट कांसेप्ट अटेंशन मैकेनिज्म्स।

सो देयर आर डिफरेंट-डिफरेंट अटेंशन मैकेनिज्म्स। सबसे पहले आपको पढ़ना है बानाऊ अटेंशन के बारे में। उसके बाद आपको

पढ़ना है लुआंग अटेंशन के बारे में। और फिर आ जाता है इंटरव्यू पॉइंट ऑफ व्यू से सबसेेंट कॉन्सेप्ट डीप लर्निंग का व्हिच