README.md

Memulakan Kursus ini

Kami sangat teruja untuk anda memulakan kursus ini dan melihat apa yang anda terinspirasi untuk bina dengan AI Generatif!

Untuk memastikan kejayaan anda, halaman ini menggariskan langkah-langkah penyediaan, keperluan teknikal, dan di mana untuk mendapatkan bantuan jika diperlukan.

Langkah-langkah Penyediaan

Untuk mula mengambil kursus ini, anda perlu melengkapkan langkah-langkah berikut.

1. Fork Repo ini

Fork keseluruhan repo ini ke akaun GitHub anda sendiri untuk dapat mengubah sebarang kod dan melengkapkan cabaran. Anda juga boleh bintang (🌟) repo ini untuk menemukannya dan repo berkaitan dengan lebih mudah.

2. Buat ruang kod

Untuk mengelakkan sebarang isu kebergantungan semasa menjalankan kod, kami mengesyorkan menjalankan kursus ini dalam GitHub Codespaces.

Ini boleh dibuat dengan memilih pilihan Code pada versi repo anda yang telah fork dan memilih pilihan Codespaces.

3. Menyimpan Kunci API Anda

Menjaga kunci API anda selamat dan terjamin adalah penting apabila membina sebarang jenis aplikasi. Kami mengesyorkan untuk tidak menyimpan sebarang kunci API secara langsung dalam kod anda. Komit butiran tersebut ke repositori awam boleh mengakibatkan isu keselamatan dan juga kos yang tidak diingini jika digunakan oleh pihak yang tidak bertanggungjawab. Berikut adalah panduan langkah demi langkah tentang cara membuat fail .env untuk Python dan menambah GITHUB_TOKEN:

1. Navigasi ke Direktori Projek Anda: Buka terminal atau command prompt anda dan navigasi ke direktori root projek anda di mana anda ingin membuat fail .env.

   cd path/to/your/project

2. Buat Fail .env: Gunakan editor teks pilihan anda untuk membuat fail baru bernama .env. Jika anda menggunakan command line, anda boleh gunakan touch (on Unix-based systems) or echo (pada Windows):

   Sistem berasaskan Unix:

   touch .env

   Windows:

   echo . > .env

3. Edit Fail .env: Buka fail .env dalam editor teks (contohnya, VS Code, Notepad++, atau mana-mana editor lain). Tambah baris berikut ke dalam fail, menggantikan your_github_token_here dengan token GitHub sebenar anda:

   GITHUB_TOKEN=your_github_token_here

4. Simpan Fail: Simpan perubahan dan tutup editor teks.

5. Pasang pakej python-dotenv: If you haven't already, you'll need to install the python-dotenv untuk memuatkan pembolehubah persekitaran dari fail .env ke dalam aplikasi Python anda. Anda boleh memasangnya menggunakan pip:

   pip install python-dotenv

6. Muat Pembolehubah Persekitaran dalam Skrip Python Anda: Dalam skrip Python anda, gunakan pakej python-dotenv untuk memuatkan pembolehubah persekitaran dari fail .env:

   from dotenv import load_dotenv
   import os
   
   # Load environment variables from .env file
   load_dotenv()
   
   # Access the GITHUB_TOKEN variable
   github_token = os.getenv("GITHUB_TOKEN")
   
   print(github_token)

Itu sahaja! Anda telah berjaya membuat fail .env, menambah token GitHub anda, dan memuatkannya ke dalam aplikasi Python anda.

Cara Menjalankan secara Tempatan di Komputer Anda

Untuk menjalankan kod secara tempatan di komputer anda, anda perlu mempunyai beberapa versi Python dipasang.

Untuk kemudian menggunakan repositori, anda perlu mengklonkan ia:

git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginners

Setelah anda mempunyai segalanya diperiksa, anda boleh mula!

Langkah-langkah Pilihan

Memasang Miniconda

Miniconda adalah pemasang ringan untuk memasang Conda, Python, serta beberapa pakej. Conda itu sendiri adalah pengurus pakej, yang memudahkan penyediaan dan bertukar antara persekitaran maya Python dan pakej. Ia juga berguna untuk memasang pakej yang tidak tersedia melalui pip.

You can follow the MiniConda installation guide to set it up.

With Miniconda installed, you need to clone the repository (if you haven't already)

Next, you need to create a virtual environment. To do this with Conda, go ahead and create a new environment file (environment.yml). If you are following along using Codespaces, create this within the .devcontainer directory, thus .devcontainer/environment.yml.

Teruskan dan isikan fail persekitaran anda dengan snippet di bawah:

name: <environment-name>
channels:
 - defaults
 - microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
    - azure-ai-ml

Jika anda mendapati anda mendapat ralat menggunakan conda anda boleh memasang perpustakaan AI Microsoft secara manual menggunakan perintah berikut dalam terminal.

conda install -c microsoft azure-ai-ml

Fail persekitaran menentukan kebergantungan yang kita perlukan. <environment-name> refers to the name you would like to use for your Conda environment, and <python-version> is the version of Python you would like to use, for example, 3 adalah versi utama Python terkini.

Dengan itu selesai, anda boleh teruskan dan membuat persekitaran Conda anda dengan menjalankan perintah di bawah dalam command line/terminal anda

conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4beg

Rujuk kepada panduan persekitaran Conda jika anda menghadapi sebarang isu.

Menggunakan Visual Studio Code dengan sambungan sokongan Python

Kami mengesyorkan menggunakan editor Visual Studio Code (VS Code) dengan sambungan sokongan Python dipasang untuk kursus ini. Walau bagaimanapun, ini lebih merupakan cadangan dan bukan keperluan pasti.

Nota: Dengan membuka repositori kursus dalam VS Code, anda mempunyai pilihan untuk menyediakan projek dalam kontena. Ini disebabkan oleh direktori .devcontainer khas yang terdapat dalam repositori kursus. Lebih lanjut mengenai ini kemudian.

Nota: Setelah anda mengklon dan membuka direktori dalam VS Code, ia akan secara automatik mencadangkan anda memasang sambungan sokongan Python.

Nota: Jika VS Code mencadangkan anda membuka semula repositori dalam kontena, tolak permintaan ini untuk menggunakan versi Python yang dipasang secara tempatan.

Menggunakan Jupyter dalam Pelayar

Anda juga boleh bekerja pada projek menggunakan persekitaran Jupyter tepat dalam pelayar anda. Kedua-dua Jupyter klasik dan Jupyter Hub menyediakan persekitaran pembangunan yang cukup menyenangkan dengan ciri-ciri seperti pelengkapan automatik, penyorotan kod, dll.

Untuk memulakan Jupyter secara tempatan, pergi ke terminal/command line, navigasi ke direktori kursus, dan laksanakan:

jupyter notebook

atau

jupyterhub

Ini akan memulakan instance Jupyter dan URL untuk mengaksesnya akan ditunjukkan dalam tetingkap command line.

Setelah anda mengakses URL, anda seharusnya melihat rangka kursus dan dapat menavigasi ke sebarang fail *.ipynb file. For example, 08-building-search-applications/python/oai-solution.ipynb.

Running in a container

An alternative to setting everything up on your computer or Codespace is to use a container. The special .devcontainer folder within the course repository makes it possible for VS Code to set up the project within a container. Outside of Codespaces, this will require the installation of Docker, and quite frankly, it involves a bit of work, so we recommend this only to those with experience working with containers.

One of the best ways to keep your API keys secure when using GitHub Codespaces is by using Codespace Secrets. Please follow the Codespaces secrets management guide to learn more about this.

Lessons and Technical Requirements

The course has 6 concept lessons and 6 coding lessons.

For the coding lessons, we are using the Azure OpenAI Service. You will need access to the Azure OpenAI service and an API key to run this code. You can apply to get access by completing this application.

While you wait for your application to be processed, each coding lesson also includes a README.md di mana anda boleh melihat kod dan keluaran.

Menggunakan Perkhidmatan Azure OpenAI untuk pertama kali

Jika ini kali pertama anda bekerja dengan perkhidmatan Azure OpenAI, sila ikuti panduan tentang cara membuat dan menyebarkan sumber Perkhidmatan Azure OpenAI.

Menggunakan API OpenAI untuk pertama kali

Jika ini kali pertama anda bekerja dengan API OpenAI, sila ikuti panduan tentang cara membuat dan menggunakan Antara Muka.

Bertemu Pelajar Lain

Kami telah membuat saluran dalam pelayan Discord Komuniti AI rasmi kami untuk bertemu pelajar lain. Ini adalah cara yang baik untuk berhubung dengan usahawan, pembina, pelajar, dan sesiapa yang ingin meningkatkan dalam AI Generatif.

Pasukan projek juga akan berada di pelayan Discord ini untuk membantu mana-mana pelajar.

Menyumbang

Kursus ini adalah inisiatif sumber terbuka. Jika anda melihat kawasan untuk penambahbaikan atau isu, sila buat Permintaan Tarik atau log isu GitHub.

Pasukan projek akan menjejaki semua sumbangan. Menyumbang kepada sumber terbuka adalah cara yang luar biasa untuk membina kerjaya anda dalam AI Generatif.

Kebanyakan sumbangan memerlukan anda untuk bersetuju dengan Perjanjian Lesen Penyumbang (CLA) yang menyatakan bahawa anda mempunyai hak dan sebenarnya memberikan kami hak untuk menggunakan sumbangan anda. Untuk maklumat lanjut, lawati laman web CLA, Perjanjian Lesen Penyumbang.

Penting: apabila menterjemahkan teks dalam repo ini, sila pastikan anda tidak menggunakan terjemahan mesin. Kami akan mengesahkan terjemahan melalui komuniti, jadi sila hanya menawarkan untuk terjemahan dalam bahasa yang anda mahir.

Apabila anda menyerahkan permintaan tarik, bot CLA akan secara automatik menentukan sama ada anda perlu menyediakan CLA dan menghias PR dengan sewajarnya (contohnya, label, komen). Cukup ikuti arahan yang diberikan oleh bot. Anda hanya perlu melakukan ini sekali di semua repositori yang menggunakan CLA kami.

Projek ini telah mengadopsi Kod Tingkah Laku Sumber Terbuka Microsoft. Untuk maklumat lanjut, baca Soalan Lazim Kod Tingkah Laku atau hubungi Email opencode dengan sebarang soalan atau komen tambahan.

Mari Mulakan

Sekarang bahawa anda telah melengkapkan langkah-langkah yang diperlukan untuk melengkapkan kursus ini, mari kita mulakan dengan mendapatkan pengenalan kepada AI Generatif dan LLMs.

Penafian: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk mencapai ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat kritikal, terjemahan manusia profesional disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.