README.md

ഒരു സെർച്ച് അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കൽ

ഈ പാഠത്തിന്റെ വീഡിയോ കാണാൻ മുകളിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക

LLM-കൾ ചാറ്റ്ബോട്ടുകളും ടെക്സ്റ്റ് ജനറേഷനും മാത്രമല്ല. Embeddings ഉപയോഗിച്ച് സെർച്ച് അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കാനും കഴിയും. Embeddings എന്നത് ഡാറ്റയുടെ സംഖ്യാത്മക പ്രതിനിധാനങ്ങളാണ്, വക്ടറുകൾ എന്നും അറിയപ്പെടുന്നു, ഡാറ്റയ്ക്ക് സെമാന്റിക് സെർച്ച് നടത്താൻ ഉപയോഗിക്കാം.

ഈ പാഠത്തിൽ, ഞങ്ങൾ നമ്മുടെ വിദ്യാഭ്യാസ സ്റ്റാർട്ടപ്പിനായി ഒരു സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാൻ പോകുന്നു. നമ്മുടെ സ്റ്റാർട്ടപ്പ് വികസന രാജ്യങ്ങളിലെ വിദ്യാർത്ഥികൾക്ക് സൗജന്യ വിദ്യാഭ്യാസം നൽകുന്ന ഒരു ലാഭരഹിത സംഘടനയാണ്. നമ്മുടെ സ്റ്റാർട്ടപ്പിന് AI പഠിക്കാൻ വിദ്യാർത്ഥികൾക്ക് ഉപയോഗിക്കാവുന്ന YouTube വീഡിയോകളുടെ വലിയ എണ്ണം ഉണ്ട്. ഒരു വിദ്യാർത്ഥി ഒരു ചോദ്യം ടൈപ്പ് ചെയ്ത് YouTube വീഡിയോ സെർച്ച് ചെയ്യാൻ കഴിയുന്ന ഒരു സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാൻ നമ്മുടെ സ്റ്റാർട്ടപ്പ് ആഗ്രഹിക്കുന്നു.

ഉദാഹരണത്തിന്, ഒരു വിദ്യാർത്ഥി 'What are Jupyter Notebooks?' അല്ലെങ്കിൽ 'What is Azure ML' എന്ന് ടൈപ്പ് ചെയ്താൽ, സെർച്ച് അപ്ലിക്കേഷൻ ചോദ്യം സംബന്ധിച്ച YouTube വീഡിയോകളുടെ പട്ടിക നൽകും, അതിനുപരി, സെർച്ച് അപ്ലിക്കേഷൻ ചോദ്യം ഉത്തരം ഉള്ള വീഡിയോയിലെ സ്ഥലത്തേക്ക് ഒരു ലിങ്കും നൽകും.

പരിചയം

ഈ പാഠത്തിൽ, നാം ചർച്ച ചെയ്യുന്നത്:

• സെമാന്റിക് സെർച്ച് vs കീവേഡ് സെർച്ച്.
• ടെക്സ്റ്റ് എംബെഡിംഗ്സ് എന്താണ്.
• ടെക്സ്റ്റ് എംബെഡിംഗ്സ് ഇൻഡക്സ് സൃഷ്ടിക്കൽ.
• ടെക്സ്റ്റ് എംബെഡിംഗ്സ് ഇൻഡക്സ് സെർച്ച് ചെയ്യൽ.

പഠന ലക്ഷ്യങ്ങൾ

ഈ പാഠം പൂർത്തിയാക്കിയ ശേഷം, നിങ്ങൾക്ക് കഴിയും:

• സെമാന്റിക് സെർച്ച്, കീവേഡ് സെർച്ച് എന്നിവയുടെ വ്യത്യാസം പറയാൻ.
• ടെക്സ്റ്റ് എംബെഡിംഗ്സ് എന്താണെന്ന് വിശദീകരിക്കാൻ.
• ഡാറ്റ സെർച്ച് ചെയ്യാൻ എംബെഡിംഗ്സ് ഉപയോഗിച്ച് ഒരു അപ്ലിക്കേഷൻ സൃഷ്ടിക്കാൻ.

സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കേണ്ടത് എന്തുകൊണ്ട്?

എംബെഡിംഗ്സ് ഉപയോഗിച്ച് ഡാറ്റ സെർച്ച് ചെയ്യുന്നത് എങ്ങനെ എന്നത് മനസ്സിലാക്കാൻ സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കുന്നത് സഹായിക്കും. വിദ്യാർത്ഥികൾക്ക് വിവരങ്ങൾ വേഗത്തിൽ കണ്ടെത്താൻ ഉപയോഗിക്കാവുന്ന ഒരു സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാനും നിങ്ങൾ പഠിക്കും.

ഈ പാഠത്തിൽ Microsoft AI Show YouTube ചാനലിലെ ട്രാൻസ്ക്രിപ്റ്റുകളുടെ എംബെഡിംഗ് ഇൻഡക്സ് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. AI Show ഒരു YouTube ചാനലാണ്, AIയും മെഷീൻ ലേണിംഗും പഠിപ്പിക്കുന്നത്. എംബെഡിംഗ് ഇൻഡക്സ് ഒക്ടോബർ 2023 വരെ ഉള്ള YouTube ട്രാൻസ്ക്രിപ്റ്റുകളുടെ എംബെഡിംഗ്സ് ഉൾക്കൊള്ളുന്നു. ഈ എംബെഡിംഗ് ഇൻഡക്സ് ഉപയോഗിച്ച് നമ്മുടെ സ്റ്റാർട്ടപ്പിനായി ഒരു സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കും. സെർച്ച് അപ്ലിക്കേഷൻ ചോദ്യം ഉത്തരം ഉള്ള വീഡിയോയിലെ സ്ഥലത്തേക്ക് ഒരു ലിങ്ക് നൽകും. ഇത് വിദ്യാർത്ഥികൾക്ക് ആവശ്യമായ വിവരങ്ങൾ വേഗത്തിൽ കണ്ടെത്താൻ മികച്ച മാർഗമാണ്.

താഴെ 'can you use rstudio with azure ml?' എന്ന ചോദ്യം സംബന്ധിച്ച ഒരു സെമാന്റിക് ക്വറി ഉദാഹരണമാണ്. YouTube URL നോക്കൂ, URL-ൽ ടൈംസ്റ്റാമ്പ് ഉണ്ട്, അത് ചോദ്യം ഉത്തരം ഉള്ള വീഡിയോയിലെ സ്ഥലത്തേക്ക് നിങ്ങളെ കൊണ്ടുപോകും.

സെമാന്റിക് സെർച്ച് എന്താണ്?

ഇപ്പോൾ നിങ്ങൾക്ക് സംശയമുണ്ടാകാം, സെമാന്റിക് സെർച്ച് എന്താണെന്ന്? സെമാന്റിക് സെർച്ച് ഒരു സെർച്ച് സാങ്കേതിക വിദ്യയാണ്, ഇത് ക്വറിയിലെ വാക്കുകളുടെ അർത്ഥം ഉപയോഗിച്ച് പ്രസക്തമായ ഫലങ്ങൾ നൽകുന്നു.

ഇവിടെ ഒരു സെമാന്റിക് സെർച്ച് ഉദാഹരണം. നിങ്ങൾ ഒരു കാർ വാങ്ങാൻ ആഗ്രഹിക്കുന്നുവെന്ന് കരുതുക, നിങ്ങൾ 'my dream car' എന്ന് സെർച്ച് ചെയ്യാം, സെമാന്റിക് സെർച്ച് നിങ്ങൾ കാർ സ്വപ്നം കാണുന്നില്ല, മറിച്ച് നിങ്ങളുടെ 'ആദർശ' കാർ വാങ്ങാൻ ആഗ്രഹിക്കുന്നുവെന്ന് മനസ്സിലാക്കും. സെമാന്റിക് സെർച്ച് നിങ്ങളുടെ ഉദ്ദേശ്യം മനസ്സിലാക്കി പ്രസക്തമായ ഫലങ്ങൾ നൽകും. മറുവശത്ത്, കീവേഡ് സെർച്ച് സ്വപ്നം കാണുന്ന കാർ എന്നെ literal ആയി സെർച്ച് ചെയ്ത് പലപ്പോഴും പ്രസക്തമല്ലാത്ത ഫലങ്ങൾ നൽകും.

ടെക്സ്റ്റ് എംബെഡിംഗ്സ് എന്താണ്?

ടെക്സ്റ്റ് എംബെഡിംഗ്സ് പ്രകൃതിഭാഷാ പ്രോസസ്സിംഗിൽ ഉപയോഗിക്കുന്ന ഒരു ടെക്സ്റ്റ് പ്രതിനിധാന സാങ്കേതിക വിദ്യയാണ്. ടെക്സ്റ്റ് എംബെഡിംഗ്സ് ടെക്സ്റ്റിന്റെ സെമാന്റിക് സംഖ്യാത്മക പ്രതിനിധാനങ്ങളാണ്. എംബെഡിംഗ്സ് ഡാറ്റയെ യന്ത്രം എളുപ്പത്തിൽ മനസ്സിലാക്കാൻ കഴിയുന്ന രീതിയിൽ പ്രതിനിധാനം ചെയ്യാൻ ഉപയോഗിക്കുന്നു. ടെക്സ്റ്റ് എംബെഡിംഗ്സ് നിർമ്മിക്കാൻ നിരവധി മോഡലുകൾ ഉണ്ട്, ഈ പാഠത്തിൽ, OpenAI എംബെഡിംഗ് മോഡൽ ഉപയോഗിച്ച് എംബെഡിംഗ്സ് സൃഷ്ടിക്കുന്നതിൽ നാം ശ്രദ്ധ കേന്ദ്രീകരിക്കും.

ഇവിടെ ഒരു ഉദാഹരണം, താഴെ ഉള്ള ടെക്സ്റ്റ് AI Show YouTube ചാനലിലെ ഒരു എപ്പിസോഡിന്റെ ട്രാൻസ്ക്രിപ്റ്റിൽ നിന്നുള്ളതാണ്:

Today we are going to learn about Azure Machine Learning.

നാം ടെക്സ്റ്റ് OpenAI എംബെഡിംഗ് API-യിലേക്ക് അയയ്ക്കും, അത് 1536 സംഖ്യകളുള്ള ഒരു എംബെഡിംഗ് (വക്ടർ) നൽകും. വക്ടറിലെ ഓരോ സംഖ്യയും ടെക്സ്റ്റിന്റെ വ്യത്യസ്ത അംശത്തെ പ്രതിനിധാനം ചെയ്യുന്നു. ലഘുവായി, വക്ടറിലെ ആദ്യത്തെ 10 സംഖ്യകൾ ഇവിടെ കാണിക്കുന്നു.

[-0.006655829958617687, 0.0026128944009542465, 0.008792596869170666, -0.02446001023054123, -0.008540431968867779, 0.022071078419685364, -0.010703742504119873, 0.003311325330287218, -0.011632772162556648, -0.02187200076878071, ...]

എംബെഡിംഗ് ഇൻഡക്സ് എങ്ങനെ സൃഷ്ടിക്കപ്പെടുന്നു?

ഈ പാഠത്തിനുള്ള എംബെഡിംഗ് ഇൻഡക്സ് പൈത്തൺ സ്ക്രിപ്റ്റുകളുടെ ഒരു പരമ്പര ഉപയോഗിച്ച് സൃഷ്ടിക്കപ്പെട്ടു. ഈ പാഠത്തിലെ 'scripts' ഫോൾഡറിൽ README ഫയലിൽ സ്ക്രിപ്റ്റുകളും നിർദ്ദേശങ്ങളും കാണാം. ഈ പാഠം പൂർത്തിയാക്കാൻ ഈ സ്ക്രിപ്റ്റുകൾ ഓടിക്കേണ്ടതില്ല, കാരണം എംബെഡിംഗ് ഇൻഡക്സ് നിങ്ങൾക്കായി നൽകിയിട്ടുണ്ട്.

സ്ക്രിപ്റ്റുകൾ താഴെ പറയുന്ന പ്രവർത്തനങ്ങൾ നിർവഹിക്കുന്നു:

1. AI Show പ്ലേലിസ്റ്റിലെ ഓരോ YouTube വീഡിയോയുടെ ട്രാൻസ്ക്രിപ്റ്റ് ഡൗൺലോഡ് ചെയ്യുന്നു.
2. OpenAI Functions ഉപയോഗിച്ച്, YouTube ട്രാൻസ്ക്രിപ്റ്റിന്റെ ആദ്യ 3 മിനിറ്റിൽ നിന്നുള്ള സ്പീക്കർ നാമം എടുക്കാൻ ശ്രമിക്കുന്നു. ഓരോ വീഡിയോയുടെ സ്പീക്കർ നാമം embedding_index_3m.json എന്ന എംബെഡിംഗ് ഇൻഡക്സ്-ൽ സൂക്ഷിക്കുന്നു.
3. ട്രാൻസ്ക്രിപ്റ്റ് ടെക്സ്റ്റ് 3 മിനിറ്റ് ടെക്സ്റ്റ് സെഗ്മെന്റുകളായി വിഭജിക്കുന്നു. ഓരോ സെഗ്മെന്റിലും അടുത്ത സെഗ്മെന്റിൽ നിന്നുള്ള ഏകദേശം 20 വാക്കുകൾ ഓവർലാപ്പ് ചെയ്യുന്നു, ഇത് സെഗ്മെന്റിന്റെ എംബെഡിംഗ് മുറിയാതിരിക്കാൻ, സെർച്ച് കോൺടെക്സ്റ്റ് മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്നു.
4. ഓരോ ടെക്സ്റ്റ് സെഗ്മെന്റും OpenAI ചാറ്റ് API-യിലേക്ക് അയച്ച് 60 വാക്കുകളായി സംഗ്രഹിക്കുന്നു. സംഗ്രഹം embedding_index_3m.json-ൽ സൂക്ഷിക്കുന്നു.
5. അവസാനം, സെഗ്മെന്റ് ടെക്സ്റ്റ് OpenAI എംബെഡിംഗ് API-യിലേക്ക് അയയ്ക്കുന്നു. എംബെഡിംഗ് API 1536 സംഖ്യകളുള്ള ഒരു വക്ടർ നൽകുന്നു, ഇത് സെഗ്മെന്റിന്റെ സെമാന്റിക് അർത്ഥം പ്രതിനിധാനം ചെയ്യുന്നു. സെഗ്മെന്റ് OpenAI എംബെഡിംഗ് വക്ടറിനൊപ്പം embedding_index_3m.json എന്ന എംബെഡിംഗ് ഇൻഡക്സ്-ൽ സൂക്ഷിക്കുന്നു.

വക്ടർ ഡാറ്റാബേസുകൾ

പാഠം ലളിതമാക്കാൻ, എംബെഡിംഗ് ഇൻഡക്സ് embedding_index_3m.json എന്ന JSON ഫയലിൽ സൂക്ഷിച്ച് Pandas DataFrame-ലേക്ക് ലോഡ് ചെയ്യുന്നു. എന്നാൽ പ്രൊഡക്ഷനിൽ, എംബെഡിംഗ് ഇൻഡക്സ് Azure Cognitive Search, Redis, Pinecone, Weaviate പോലുള്ള വക്ടർ ഡാറ്റാബേസുകളിൽ സൂക്ഷിക്കപ്പെടും.

കോസൈൻ സമാനത മനസ്സിലാക്കൽ

നാം ടെക്സ്റ്റ് എംബെഡിംഗ്സ് പഠിച്ചു, അടുത്തത് ടെക്സ്റ്റ് എംബെഡിംഗ്സ് ഉപയോഗിച്ച് ഡാറ്റ സെർച്ച് ചെയ്യാനും പ്രത്യേകിച്ച് ഒരു ക്വറിയുമായി ഏറ്റവും സമാനമായ എംബെഡിംഗ്സ് കണ്ടെത്താൻ കോസൈൻ സമാനത ഉപയോഗിക്കാനും പഠിക്കാം.

കോസൈൻ സമാനത എന്താണ്?

കോസൈൻ സമാനത രണ്ട് വക്ടറുകൾ തമ്മിലുള്ള സമാനതയുടെ അളവാണ്, ഇത് നെയറസ്റ്റ് നെബർ സെർച്ച് എന്നും വിളിക്കുന്നു. കോസൈൻ സമാനത സെർച്ച് നടത്താൻ, OpenAI എംബെഡിംഗ് API ഉപയോഗിച്ച് ക്വറി ടെക്സ്റ്റ് വക്ടറൈസ് ചെയ്യണം. തുടർന്ന്, ക്വറി വക്ടറും എംബെഡിംഗ് ഇൻഡക്സ്-യിലെ ഓരോ വക്ടറിനും ഇടയിൽ കോസൈൻ സമാനത കണക്കാക്കണം. ഓർക്കുക, എംബെഡിംഗ് ഇൻഡക്സ് ഓരോ YouTube ട്രാൻസ്ക്രിപ്റ്റ് ടെക്സ്റ്റ് സെഗ്മെന്റിനും ഒരു വക്ടർ ഉണ്ട്. അവസാനം, ഫലങ്ങൾ കോസൈൻ സമാനത അനുസരിച്ച് ക്രമീകരിച്ച്, ഏറ്റവും ഉയർന്ന കോസൈൻ സമാനതയുള്ള ടെക്സ്റ്റ് സെഗ്മെന്റുകൾ ക്വറിയുമായി ഏറ്റവും സമാനമാണ്.

ഗണിതശാസ്ത്രപരമായി, കോസൈൻ സമാനത മൾട്ടിഡൈമെൻഷണൽ സ്പേസിൽ പ്രൊജക്ട് ചെയ്ത രണ്ട് വക്ടറുകൾ തമ്മിലുള്ള കോണിന്റെ കോസൈൻ അളവാണ്. ഇത് പ്രയോജനകരമാണ്, കാരണം രണ്ട് ഡോക്യുമെന്റുകൾ Euclidean ദൂരത്തിൽ വളരെ അകലെയുള്ളപ്പോൾ പോലും, അവ തമ്മിലുള്ള കോണം ചെറുതായിരിക്കാം, അതിനാൽ കോസൈൻ സമാനത ഉയർന്നിരിക്കും. കോസൈൻ സമാനത സമവാക്യങ്ങൾക്കായി, Cosine similarity കാണുക.

നിങ്ങളുടെ ആദ്യ സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കൽ

ഇപ്പോൾ, എംബെഡിംഗ്സ് ഉപയോഗിച്ച് ഒരു സെർച്ച് അപ്ലിക്കേഷൻ എങ്ങനെ നിർമ്മിക്കാമെന്ന് പഠിക്കാം. സെർച്ച് അപ്ലിക്കേഷൻ വിദ്യാർത്ഥികൾക്ക് ഒരു ചോദ്യം ടൈപ്പ് ചെയ്ത് വീഡിയോ സെർച്ച് ചെയ്യാൻ അനുവദിക്കും. സെർച്ച് അപ്ലിക്കേഷൻ ചോദ്യം സംബന്ധിച്ച വീഡിയോകളുടെ പട്ടിക നൽകും. കൂടാതെ, ചോദ്യം ഉത്തരം ഉള്ള വീഡിയോയിലെ സ്ഥലത്തേക്ക് ഒരു ലിങ്കും നൽകും.

ഈ പരിഹാരം Windows 11, macOS, Ubuntu 22.04 എന്നിവയിൽ Python 3.10 അല്ലെങ്കിൽ അതിനുശേഷമുള്ള പതിപ്പുകൾ ഉപയോഗിച്ച് നിർമ്മിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്തു. Python python.org നിന്ന് ഡൗൺലോഡ് ചെയ്യാം.

അസൈൻമെന്റ് - വിദ്യാർത്ഥികൾക്ക് സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാൻ സഹായിക്കുക

ഈ പാഠത്തിന്റെ തുടക്കത്തിൽ ഞങ്ങൾ നമ്മുടെ സ്റ്റാർട്ടപ്പ് പരിചയപ്പെടുത്തി. ഇപ്പോൾ വിദ്യാർത്ഥികൾക്ക് അവരുടെ അസൈൻമെന്റുകൾക്കായി സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാൻ സഹായിക്കാനുള്ള സമയം.

ഈ അസൈൻമെന്റിൽ, നിങ്ങൾ സെർച്ച് അപ്ലിക്കേഷൻ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന Azure OpenAI സേവനങ്ങൾ സൃഷ്ടിക്കും. നിങ്ങൾക്ക് ഈ അസൈൻമെന്റ് പൂർത്തിയാക്കാൻ ഒരു Azure സബ്സ്ക്രിപ്ഷൻ വേണം.

Azure ക്ലൗഡ് ഷെൽ ആരംഭിക്കുക

1. Azure പോർട്ടലിൽ സൈൻ ഇൻ ചെയ്യുക.
2. Azure പോർട്ടലിന്റെ മുകളിൽ വലതുവശത്തുള്ള ക്ലൗഡ് ഷെൽ ഐക്കൺ തിരഞ്ഞെടുക്കുക.
3. പരിസ്ഥിതി തരം ആയി Bash തിരഞ്ഞെടുക്കുക.

ഒരു റിസോഴ്‌സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക

ഈ നിർദ്ദേശങ്ങൾക്ക്, നാം East US-ൽ "semantic-video-search" എന്ന റിസോഴ്‌സ് ഗ്രൂപ്പ് ഉപയോഗിക്കുന്നു. റിസോഴ്‌സ് ഗ്രൂപ്പിന്റെ പേര് മാറ്റാം, പക്ഷേ റിസോഴ്‌സുകളുടെ സ്ഥലം മാറ്റുമ്പോൾ, മോഡൽ ലഭ്യത പട്ടിക പരിശോധിക്കുക.

az group create --name semantic-video-search --location eastus

Azure OpenAI സർവീസ് റിസോഴ്‌സ് സൃഷ്ടിക്കുക

Azure ക്ലൗഡ് ഷെൽ നിന്ന്, താഴെ കാണുന്ന കമാൻഡ് ഓടിച്ച് Azure OpenAI സർവീസ് റിസോഴ്‌സ് സൃഷ്ടിക്കുക.

az cognitiveservices account create --name semantic-video-openai --resource-group semantic-video-search \
    --location eastus --kind OpenAI --sku s0

ഈ അപ്ലിക്കേഷനിൽ ഉപയോഗിക്കാൻ എൻഡ്‌പോയിന്റും കീകളും നേടുക

Azure ക്ലൗഡ് ഷെൽ നിന്ന്, Azure OpenAI സർവീസ് റിസോഴ്‌സിന്റെ എൻഡ്‌പോയിന്റും കീകളും നേടാൻ താഴെ കാണുന്ന കമാൻഡുകൾ ഓടിക്കുക.

az cognitiveservices account show --name semantic-video-openai \
   --resource-group  semantic-video-search | jq -r .properties.endpoint
az cognitiveservices account keys list --name semantic-video-openai \
   --resource-group semantic-video-search | jq -r .key1

OpenAI എംബെഡിംഗ് മോഡൽ ഡിപ്ലോയ് ചെയ്യുക

Azure ക്ലൗഡ് ഷെൽ നിന്ന്, OpenAI എംബെഡിംഗ് മോഡൽ ഡിപ്ലോയ് ചെയ്യാൻ താഴെ കാണുന്ന കമാൻഡ് ഓടിക്കുക.

az cognitiveservices account deployment create \
    --name semantic-video-openai \
    --resource-group  semantic-video-search \
    --deployment-name text-embedding-ada-002 \
    --model-name text-embedding-ada-002 \
    --model-version "2"  \
    --model-format OpenAI \
    --sku-capacity 100 --sku-name "Standard"

പരിഹാരം

GitHub Codespaces-ൽ solution notebook തുറന്ന് Jupyter Notebook-ലെ നിർദ്ദേശങ്ങൾ പിന്തുടരുക.

നോട്ട്‌ബുക്ക് ഓടിക്കുമ്പോൾ, നിങ്ങൾക്ക് ഒരു ക്വറി നൽകാൻ പ്രോംപ്റ്റ് ചെയ്യും. ഇൻപുട്ട് ബോക്സ് ഇങ്ങനെ കാണപ്പെടും:

മികച്ച ജോലി! നിങ്ങളുടെ പഠനം തുടരുക

ഈ പാഠം പൂർത്തിയാക്കിയ ശേഷം, നമ്മുടെ ജനറേറ്റീവ് എഐ പഠന ശേഖരം പരിശോധിച്ച് നിങ്ങളുടെ ജനറേറ്റീവ് എഐ അറിവ് മെച്ചപ്പെടുത്തുക!

പാഠം 9-ലേക്ക് പോകൂ, അവിടെ നാം ഇമേജ് ജനറേഷൻ അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്നത് കാണും!

---

അസൂയാപത്രം:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.