ImageNet சவாலுக்கு (ILSVRC) ஓர் எளிய அறிமுகம்
deep learning neural network நுட்பங்களின் பிரபல்யமும் பயன்பாடும் அதிகரித்ததற்கான வேர், பட வகைப்படுத்தல் (image classification) பணிகளில் convolutional neural networks ஐப் பயன்படுத்தியதில் ஏற்பட்ட புதுமைகளில் இருக்கிறது.
மிக முக்கியமான புதுமைகள் சிலவற்றை, ImageNet Large Scale Visual Recognition Challenge அல்லது ILSVRC க்குக் கல்வியாளர்களும் தொழில்துறைத் தலைவர்களும் சமர்ப்பித்த படைப்புகளே தந்துள்ளன. ILSVRC என்பது ImageNet எனப்படும், பொதுவில் கிடைக்கும் computer vision தரவுத்தொகுதியின் ஒரு துணைத்தொகுதி மீது உருவாக்கப்பட்ட வருடாந்த computer vision போட்டி. அதனால், இதிலுள்ள பணிகளையும், ஏன் இந்தச் சவாலையுமே, ImageNet Competition என்று பலரும் அழைப்பதுண்டு.
இந்தப் பதிவில் நீங்கள் ImageNet தரவுத்தொகுதியையும், ILSVRC யையும், இந்தப் போட்டிகளிலிருந்து உருவான பட வகைப்படுத்தலின் முக்கிய மைல்கற்களையும் கண்டறிவீர்கள்.
இந்தப் பதிவைப் படித்த பிறகு, நீங்கள் அறிந்துகொள்வது:
- ImageNet தரவுத்தொகுதி என்பது computer vision algorithms ஐ உருவாக்குவதற்காகக் கல்வியாளர்கள் வடிவமைத்த, மனிதர்கள் annotate செய்த புகைப்படங்களின் மிகப் பெரிய தொகுப்பு.
- ImageNet Large Scale Visual Recognition Challenge, அல்லது ILSVRC, என்பது ImageNet தரவுத்தொகுதியின் துணைத்தொகுதிகளைப் பயன்படுத்தும் வருடாந்தப் போட்டி; இது state-of-the-art algorithms இன் அபிவிருத்தியையும் benchmarking ஐயும் ஊக்குவிக்க வடிவமைக்கப்பட்டது.
- ILSVRC பணிகள், computer vision உம் deep learning உம் சந்திக்கும் துறையில் மைல்கல் model கட்டமைப்புகளுக்கும் நுட்பங்களுக்கும் வழிவகுத்துள்ளன.
படிப்படியான tutorials உம், எல்லா எடுத்துக்காட்டுகளுக்குமான Python மூலக் code கோப்புகளும் அடங்கிய எனது புதிய புத்தகமான Deep Learning for Computer Vision மூலம் உங்கள் project ஐ உடனே தொடங்குங்கள்.
தொடங்குவோம்.

A Gentle Introduction to ImageNet and the Large Scale Visual Recognition Challenge (ILSVRC) - படம்: Tom Hall, சில உரிமைகள் பாதுகாக்கப்பட்டவை.
மேலோட்டம்
இந்த tutorial மூன்று பகுதிகளாகப் பிரிக்கப்பட்டுள்ளது; அவை:
- ImageNet தரவுத்தொகுதி
- ImageNet Large Scale Visual Recognition Challenge
- ILSVRC இலிருந்து கிடைத்த Deep Learning மைல்கற்கள்
ImageNet தரவுத்தொகுதி
ImageNet என்பது computer vision ஆய்வுக்காக நோக்கமிடப்பட்ட, annotate செய்யப்பட்ட புகைப்படங்களின் ஒரு பெரிய தரவுத்தொகுதி.
இந்தத் தரவுத்தொகுதியை உருவாக்கியதன் இலக்கு, computer vision க்கான சிறந்த முறைகளின் ஆய்வையும் அபிவிருத்தியையும் ஊக்குவிக்கும் ஒரு வளத்தை வழங்குவதே.
படங்களின் பெரிய அளவிலான ontology ஒன்று, மேம்பட்ட, பெரிய அளவிலான உள்ளடக்க அடிப்படையிலான படத் தேடல் மற்றும் படப் புரிதல் algorithms ஐ உருவாக்குவதற்கும், அத்தகைய algorithms க்கு முக்கியமான பயிற்சித் தரவையும் benchmarking தரவையும் வழங்குவதற்கும் ஒரு தீர்க்கமான வளம் என்று நாங்கள் நம்புகிறோம்.
— ImageNet: A Large-Scale Hierarchical Image Database, 2009.
ImageNet முகப்புப் பக்கத்தில் பதிவு செய்யப்பட்டுள்ள தரவுத்தொகுதிப் புள்ளிவிவரங்களின்படி, தரவுத்தொகுதியில் 14 மில்லியனுக்குச் சற்று அதிகமான படங்களும், 21 ஆயிரத்துக்குச் சற்று அதிகமான குழுக்கள் அல்லது வகுப்புகளும் (synsets), 1 மில்லியனுக்குச் சற்று அதிகமான, bounding box annotations உள்ள படங்களும் (உதாரணமாக, படங்களில் அடையாளம் காணப்பட்ட பொருட்களைச் சுற்றிய பெட்டிகள்) உள்ளன.
இந்தப் புகைப்படங்களை Amazon இன் Mechanical Turk போன்ற crowdsourcing தளங்களைப் பயன்படுத்தி மனிதர்கள் annotate செய்தனர்.
இந்தத் தரவுத்தொகுதியை உருவாக்கிப் பராமரிக்கும் project ஐ, Princeton, Stanford மற்றும் வேறு அமெரிக்கப் பல்கலைக்கழகங்களின் கல்வியாளர்கள் இணைந்து ஒழுங்கமைத்து நடைமுறைப்படுத்தினர்.
படங்களை உருவாக்கும் புகைப்படங்கள் இந்த project க்குச் சொந்தமானவை அல்ல; அவை பதிப்புரிமைதாரர்களுக்குச் சொந்தமானவை. அதனால் தரவுத்தொகுதி நேரடியாக விநியோகிக்கப்படுவதில்லை; தரவுத்தொகுதியில் உள்ள படங்களுக்கான URL கள் வழங்கப்படுகின்றன.
Computer Vision க்கான Deep Learning மூலம் முடிவுகள் வேண்டுமா?
இப்போதே எனது இலவச 7-நாள் மின்னஞ்சல் crash course ஐ எடுங்கள் (மாதிரி code உடன்).
பதிவு செய்ய click செய்யுங்கள்; அத்துடன் இந்தப் பாடநெறியின் இலவச PDF Ebook பதிப்பையும் பெறுங்கள்.
ImageNet Large Scale Visual Recognition Challenge (ILSVRC)
ImageNet Large Scale Visual Recognition Challenge, சுருக்கமாக ILSVRC, என்பது 2010 முதல் 2017 வரை நடத்தப்பட்ட வருடாந்தப் போட்டி; இதில் சவாலுக்கான பணிகள் ImageNet தரவுத்தொகுதியின் துணைத்தொகுதிகளைப் பயன்படுத்தின.
சிறந்த computer vision நுட்பங்களின் அபிவிருத்தியை ஊக்குவிப்பதும், அத்துடன் அதன் தற்போதைய உச்ச நிலையை benchmark செய்வதுமே இந்தச் சவாலின் இலக்கு.
இந்த வருடாந்தச் சவால் “பட வகைப்படுத்தல் (image classification)” தொடர்பான பல பணிகளில் கவனம் செலுத்துகிறது; அதில் புகைப்படத்தில் உள்ள பிரதான பொருளின் அடிப்படையில் ஒரு படத்துக்கு வகுப்பு லேபிளை ஒதுக்குவதும், புகைப்படத்துக்குள் பொருட்கள் இருக்கும் இடத்தைத் துல்லியமாகக் குறிக்கும் “பொருள் கண்டறிதல் (object detection)” உம் அடங்கும்.
ILSVRC annotations இரண்டு வகைகளில் ஒன்றுக்குள் அடங்கும்: (1) படத்தில் ஒரு பொருள் வகுப்பு இருக்கிறதா இல்லையா என்பதற்கான binary லேபிளின் பட-மட்ட annotation, […] மற்றும் (2) படத்தில் உள்ள ஒரு பொருள் நிகழ்வைச் சுற்றிய இறுக்கமான bounding box உம் வகுப்பு லேபிளும் கொண்ட பொருள்-மட்ட annotation
— ImageNet Large Scale Visual Recognition Challenge, 2015.
பெரும்பாலான ஆண்டுகளுக்கான பொதுவான சவாலுப் பணிகள் பின்வருமாறு:
- பட வகைப்படுத்தல் (Image classification): ஒரு படத்தில் உள்ள பொருட்களின் வகுப்புகளைக் கணித்தல்.
- ஒற்றைப் பொருள் இடங்காணல் (Single-object localization): பட வகைப்படுத்தல் + உள்ள ஒவ்வொரு பொருளினதும் ஓர் உதாரணத்தைச் சுற்றி bounding box வரைதல்.
- பொருள் கண்டறிதல் (Object detection): பட வகைப்படுத்தல் + உள்ள ஒவ்வொரு பொருளையும் சுற்றி bounding box வரைதல்.
அண்மைக்காலத்தில், நிலையான புகைப்படங்களுக்கான நுட்பங்களின் அபிவிருத்தியில் கிடைத்த பெரு வெற்றியைக் கருத்தில்கொண்டு, சவாலுப் பணிகள் வீடியோக்களுக்கு லேபிள் இடுதல் போன்ற மிகக் கடினமான பணிகளாக மாறிவருகின்றன.
தரவுத்தொகுதிகள் ஏறத்தாழ 1 மில்லியன் படங்களையும் 1,000 பொருள் வகுப்புகளையும் கொண்டிருந்தன. சவாலுப் பணிகளில் பயன்படுத்தப்பட்ட தரவுத்தொகுதிகள் (பணியைப் பொறுத்து) சில சமயம் மாறுபட்டன; கல்வித்துறையினரும் தொழில்துறையினரும் பரவலாகப் பங்குபற்றுவதை ஊக்குவிக்க அவை பொதுவில் வெளியிடப்பட்டன.
ஒவ்வொரு வருடாந்தச் சவாலுக்கும், annotate செய்யப்பட்ட பயிற்சித் தரவுத்தொகுதி ஒன்றும், annotate செய்யப்படாத சோதனைத் தரவுத்தொகுதி ஒன்றும் வெளியிடப்பட்டன; அந்தச் சோதனைத் தரவுக்கு annotations ஐ உருவாக்கி மதிப்பீட்டுக்காக ஒரு server க்குச் சமர்ப்பிக்க வேண்டும். வழக்கமாகப் பயிற்சித் தரவுத்தொகுதி 1 மில்லியன் படங்களைக் கொண்டிருந்தது; அதோடு validation தரவுத்தொகுதிக்கு 50,000 உம், சோதனைத் தொகுதிக்கு 150,000 உம் இருந்தன.
பொதுவில் வெளியிடப்பட்ட தரவுத்தொகுதி, கைமுறையாக annotate செய்யப்பட்ட பயிற்சிப் படங்களின் தொகுதியைக் கொண்டுள்ளது. சோதனைப் படங்களின் தொகுதியும் வெளியிடப்படுகிறது; ஆனால் அதன் கைமுறை annotations நிறுத்திவைக்கப்படுகின்றன. பங்கேற்பாளர்கள் பயிற்சிப் படங்களைக் கொண்டு தங்கள் algorithms ஐப் பயிற்றுவித்து, பின்னர் சோதனைப் படங்களைத் தானாகவே annotate செய்கிறார்கள். இந்தக் கணிக்கப்பட்ட annotations மதிப்பீட்டு server க்குச் சமர்ப்பிக்கப்படுகின்றன. மதிப்பீட்டு முடிவுகள் போட்டிக் காலத்தின் இறுதியில் வெளிப்படுத்தப்படுகின்றன
— ImageNet Large Scale Visual Recognition Challenge, 2015.
வெற்றிகரமான நுட்பங்கள் பகிரப்படுவதையும் பரவுவதையும் ஊக்குவிக்க, ஒரு computer vision மாநாட்டில் நடந்த வருடாந்தப் பயிலரங்கில் (workshop) முடிவுகள் முன்வைக்கப்பட்டன.
ஒவ்வொரு வருடாந்தச் சவாலுக்குமான தரவுத்தொகுதிகள் இன்னும் கிடைக்கின்றன; ஆனால் நீங்கள் பதிவு செய்துகொள்ள வேண்டும்.
ILSVRC இலிருந்து கிடைத்த Deep Learning மைல்கற்கள்
ILSVRC பணிகளில் வேலை செய்த ஆய்வாளர்கள் computer vision ஆய்வின் எல்லையைப் பின்தள்ளியுள்ளனர்; அவற்றை விவரிக்கும் முறைகளும் ஆய்வுக் கட்டுரைகளும் computer vision, deep learning ஆகிய துறைகளிலும், பரந்த அளவில் செயற்கை நுண்ணறிவுத் (artificial intelligence) துறையிலும் மைல்கற்களாக உள்ளன.
ILSVRC யின் முதல் ஐந்து ஆண்டுகளில் முன்னேற்றத்தின் வேகம் வியக்கத்தக்கதாக இருந்தது; computer vision துறைக்கு அதிர்ச்சியாகவும் கூட இருந்திருக்கலாம். வெற்றி பெரும்பாலும் graphical processing unit (GPU) வன்பொருளில் இயங்கிய பெரிய (ஆழமான) convolutional neural networks (CNNs) மூலமே கிடைத்தது; இது deep learning மீதான ஆர்வத்தைத் தூண்டி, அந்தத் துறைக்கு வெளியே பொதுநீரோட்டம் வரை கொண்டுசென்றது.
ILSVRC2010 இலிருந்து ILSVRC2014 வரை state-of-the-art துல்லியம் குறிப்பிடத்தக்க அளவில் மேம்பட்டுள்ளது; இது கடந்த ஐந்து ஆண்டுகளில் பெரிய அளவிலான பொருள் அடையாளம் காணலில் ஏற்பட்ட மிகப் பெரிய முன்னேற்றத்தைக் காட்டுகிறது
— ImageNet Large Scale Visual Recognition Challenge, 2015.

போட்டியின் முதல் ஐந்து ஆண்டுகளில் ILSVRC பணிகளில் ஏற்பட்ட மேம்பாட்டின் சுருக்கம். ImageNet Large Scale Visual Recognition Challenge, 2015 இலிருந்து எடுக்கப்பட்டது.
ILSVRC யில் ஆண்டுதோறும் பரவலான பங்கேற்பு இருந்தது; பல முக்கிய அபிவிருத்திகளும், ஏராளமான கல்வி வெளியீடுகளும் உருவாயின. இவ்வளவு வேலையிலிருந்து மைல்கற்களைத் தெரிவு செய்வதே ஒரு சவால்.
இருந்தாலும், பெரும்பாலும் அவற்றின் தாய்ப் பல்கலைக்கழகம், ஆய்வுக் குழு அல்லது நிறுவனத்தின் பெயரால் அழைக்கப்படும் சில நுட்பங்கள் தனித்து நிற்கின்றன; அவை deep learning உம் computer vision உம் சந்திக்கும் துறைகளில் அடிப்படைக் கூறுகளாக மாறிவிட்டன. அந்த முறைகளை விவரிக்கும் ஆய்வுக் கட்டுரைகள் கட்டாயம் வாசிக்க வேண்டியவையாகிவிட்டன; அந்த model கள் பயன்படுத்திய நுட்பங்கள், பொதுவான நுட்பங்களை நடைமுறையில் பயன்படுத்தும்போது வழிகாட்டும் heuristics ஆகிவிட்டன.
இந்தப் பகுதியில், ILSVRC யின் ஒரு பகுதியாக முன்மொழியப்பட்ட இந்த மைல்கல் நுட்பங்கள் சிலவற்றையும், அவை அறிமுகப்படுத்தப்பட்ட ஆண்டுகளையும், அவற்றை விவரிக்கும் ஆய்வுக் கட்டுரைகளையும் சிறப்பித்துக் காட்டுவோம். கவனம் பட வகைப்படுத்தல் பணிகள் மீதே இருக்கும்.
ILSVRC-2012
AlexNet (SuperVision)
University of Toronto வைச் சேர்ந்த Alex Krizhevsky மற்றும் சகாக்கள், “ImageNet Classification with Deep Convolutional Neural Networks” என்ற தலைப்பில் வெளியிட்ட தங்கள் 2012 ஆய்வுக் கட்டுரையில், ILSVRC-2010, ILSVRC-2012 பட வகைப்படுத்தல் பணிகளில் முதன்மை முடிவுகளை எட்டிய ஒரு convolutional neural network ஐ உருவாக்கினர்.
இந்த முடிவுகள் computer vision இல் deep learning மீதான ஆர்வத்தைத் தூண்டின.
… ILSVRC-2010, ILSVRC-2012 போட்டிகளில் பயன்படுத்தப்பட்ட ImageNet துணைத்தொகுதிகள் மீது இதுவரை உள்ளவற்றுள் மிகப் பெரிய convolutional neural networks ஒன்றை நாங்கள் பயிற்றுவித்தோம்; இந்தத் தரவுத்தொகுதிகளில் இதுவரை அறிவிக்கப்பட்டவற்றுள் மிக மிகச் சிறந்த முடிவுகளை அடைந்தோம்.
— ImageNet Classification with Deep Convolutional Neural Networks, 2012.
ILSVRC-2013
ZFNet (Clarifai)
Matthew Zeiler உம் Rob Fergus உம் தங்கள் 2013 ஆய்வுக் கட்டுரையான “Visualizing and Understanding Convolutional Networks” இல், பொதுவாக ZFNet என்று குறிப்பிடப்படும் AlexNet இன் ஒரு மாறுபாட்டை முன்மொழிந்தனர்; அதன் ஒரு வகை ILSVRC-2013 பட வகைப்படுத்தல் பணியில் வென்றது.
ILSVRC-2014
Inception (GoogLeNet)
Google இல் இருந்து Christian Szegedy மற்றும் சகாக்கள், inception module ஐயும் கட்டமைப்பையும் பயன்படுத்திய தங்கள் GoogLeNet model மூலம் பொருள் கண்டறிதலில் முதன்மை முடிவுகளை எட்டினர். இந்த அணுகுமுறை அவர்களின் 2014 ஆய்வுக் கட்டுரையான “Going Deeper with Convolutions” இல் விவரிக்கப்பட்டுள்ளது.
Inception எனும் குறிப்புப் பெயர் கொண்ட ஒரு ஆழமான convolutional neural network கட்டமைப்பை நாங்கள் முன்மொழிகிறோம்; ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC14) இல் வகைப்படுத்தலுக்கும் கண்டறிதலுக்கும் புதிய state of the art ஐ நிறுவியது இதுவே.
— Going Deeper with Convolutions, 2014.
VGG
Oxford Vision Geometry Group (VGG) ஐச் சேர்ந்த Karen Simonyan உம் Andrew Zisserman உம் தங்கள் VGG model மூலம் பட வகைப்படுத்தலிலும் இடம் காணலிலும் (localization) முதன்மை முடிவுகளை எட்டினர். அவர்களின் அணுகுமுறை 2015 ஆய்வுக் கட்டுரையான “Very Deep Convolutional Networks for Large-Scale Image Recognition” இல் விவரிக்கப்பட்டுள்ளது.
… ILSVRC வகைப்படுத்தல் மற்றும் localisation பணிகளில் state-of-the-art துல்லியத்தை எட்டுவதோடு மட்டுமன்றி, ஒப்பீட்டளவில் எளிமையான pipelines இன் ஒரு பகுதியாகப் பயன்படுத்தப்படும்போதும் சிறந்த செயல்திறனைத் தரும் மற்ற பட அடையாளத் தரவுத்தொகுதிகளுக்கும் பொருந்தக்கூடிய, குறிப்பிடத்தக்க அளவு துல்லியமான ConvNet கட்டமைப்புகளை நாங்கள் உருவாக்குகிறோம்
— Very Deep Convolutional Networks for Large-Scale Image Recognition, 2015.
ILSVRC-2015
ResNet (MSRA)
Microsoft Research இல் இருந்து Kaiming He மற்றும் சகாக்கள், தங்கள் 2015 ஆய்வுக் கட்டுரையான “Deep Residual Learning for Image Recognition” இல் விவரிக்கப்பட்ட Residual Network அல்லது ResNet மூலம் பொருள் கண்டறிதலிலும், localization உடன் கூடிய பொருள் கண்டறிதல் பணிகளிலும் முதன்மை முடிவுகளை எட்டினர்.
இந்த residual nets இன் ஒரு ensemble, ImageNet சோதனைத் தொகுதியில் 3.57% பிழையை அடைகிறது. இந்த முடிவு ILSVRC 2015 வகைப்படுத்தல் பணியில் முதலாம் இடத்தை வென்றது.
— Deep Residual Learning for Image Recognition, 2015.
ஒரு முக்கியமான மைல்கல்லை நான் தவறவிட்டேனா? கீழே உள்ள comments இல் எனக்குத் தெரியப்படுத்துங்கள்.
மேலும் வாசிக்க
இன்னும் ஆழமாகச் செல்ல விரும்பினால், இந்தத் தலைப்பில் மேலதிக வளங்களை இந்தப் பகுதி வழங்குகிறது.
ஆய்வுக் கட்டுரைகள் (Papers)
- ImageNet: A Large-Scale Hierarchical Image Database, 2009.
- ImageNet Large Scale Visual Recognition Challenge, 2015.
- ImageNet Classification with Deep Convolutional Neural Networks, 2012.
- Visualizing and Understanding Convolutional Networks, 2013.
- Going Deeper with Convolutions, 2014.
- Very Deep Convolutional Networks for Large-Scale Image Recognition, 2015.
- Deep Residual Learning for Image Recognition, 2015.
கட்டுரைகள் (Articles)
- ImageNet, Wikipedia.
- ImageNet முகப்புப் பக்கம் (Homepage)
- Large Scale Visual Recognition Challenge (ILSVRC) முகப்புப் பக்கம் (Homepage)
- Stanford Vision Lab
சுருக்கம்
இந்தப் பதிவில் நீங்கள் ImageNet தரவுத்தொகுதியையும், ILSVRC போட்டிகளையும், அந்தப் போட்டிகளிலிருந்து உருவான பட வகைப்படுத்தலின் முக்கிய மைல்கற்களையும் கண்டறிந்தீர்கள்.
குறிப்பாக, நீங்கள் கற்றுக்கொண்டது:
- ImageNet தரவுத்தொகுதி என்பது computer vision algorithms ஐ உருவாக்குவதற்காகக் கல்வியாளர்கள் வடிவமைத்த, மனிதர்கள் annotate செய்த புகைப்படங்களின் மிகப் பெரிய தொகுப்பு.
- ImageNet Large Scale Visual Recognition Challenge, அல்லது ILSVRC, என்பது ImageNet தரவுத்தொகுதியின் துணைத்தொகுதிகளைப் பயன்படுத்தும் வருடாந்தப் போட்டி; இது state-of-the-art algorithms இன் அபிவிருத்தியையும் benchmarking ஐயும் ஊக்குவிக்க வடிவமைக்கப்பட்டது.
- ILSVRC பணிகள், computer vision உம் deep learning உம் சந்திக்கும் துறையில் மைல்கல் model கட்டமைப்புகளுக்கும் நுட்பங்களுக்கும் வழிவகுத்துள்ளன.
உங்களுக்கு ஏதாவது கேள்விகள் உள்ளனவா? கீழே உள்ள comments இல் உங்கள் கேள்விகளைக் கேளுங்கள்; என்னால் இயன்றவரை பதில் தருகிறேன்.
இன்றே Vision க்கான Deep Learning Models ஐ உருவாக்குங்கள்!
உங்கள் சொந்த vision models ஐ நிமிடங்களில் உருவாக்குங்கள்
...சில வரி python code மட்டுமே போதும்
எனது புதிய Ebook இல் எப்படி என்று கண்டறியுங்கள்: Deep Learning for Computer Vision
இது classification, object detection (yolo மற்றும் rcnn), face recognition (vggface மற்றும் facenet), data preparation உட்பட இன்னும் பல தலைப்புகளில் சுயகற்றல் tutorials ஐ வழங்குகிறது...
இறுதியாக Deep Learning ஐ உங்கள் Vision projects க்குக் கொண்டுவாருங்கள்
கல்வியியலை விட்டுவிடுங்கள். முடிவுகள் மட்டும்.
உள்ளே என்ன இருக்கிறது என்று பாருங்கள்
இந்தத் தலைப்பில் மேலும்
- A Gentle Introduction to the Challenge of Training… (பயிற்சியின் சவாலுக்கு ஓர் எளிய அறிமுகம்…)
- A Gentle Introduction to Model Distillation (Model Distillation க்கு ஓர் எளிய அறிமுகம்)
- A Gentle Introduction to Language Model Fine-tuning (Language Model Fine-tuning க்கு ஓர் எளிய அறிமுகம்)
- A Gentle Introduction to Batch Normalization (Batch Normalization க்கு ஓர் எளிய அறிமுகம்)
- A Gentle Introduction to Bayesian Regression (Bayesian Regression க்கு ஓர் எளிய அறிமுகம்)
- A Gentle Introduction to Q-Learning (Q-Learning க்கு ஓர் எளிய அறிமுகம்)