SciTamil Edu
தமிழ் (Tamil) Intermediate Artificial Intelligence

செயற்கை நுண்ணறிவு (AI)

அடிப்படை ப்ராம்ப்டிங்கிற்கு அப்பால்: டோக்கன்கள், ட்ரான்ஸ்ஃபார்மர், RAG, AI ஏஜென்ட்கள், Multimodal AI, வரம்புகள், மற்றும் 2026 AI நிலப்பரப்பு—ஆழமாக கற்க தயாராக இருப்பவர்களுக்கு.

Instructor Arunselvan

Joined by 1 learner

This course includes

12 lessons
7-8 Hours
Lifetime access
Certificate on completion
தமிழ் (Tamil)

About this course

இந்த இடைநிலைப் பாடம், AI chatbot-களைப் பயன்படுத்துவதற்கு அப்பால், நவீன AI அமைப்புகள் உண்மையில் எப்படி வேலை செய்கின்றன என்பதைப் பற்றியது: டோக்கன்கள் மற்றும் ட்ரான்ஸ்ஃபார்மர், பயிற்சி முறை, ப்ராம்ப்ட் எஞ்சினியரிங் நுட்பங்கள், Embeddings மற்றும் RAG, AI ஏஜென்ட்கள் மற்றும் Tool Use, Multimodal மாதிரிகள், மற்றும் இன்றைய அமைப்புகளின் உண்மையான வரம்புகள் மற்றும் நெறிமுறைகள்.

2026 இன் நடப்பு AI நிலப்பரப்பில் அடிப்படையாக—agentic AI ஏற்பு, MCP போன்ற புதிய நெறிமுறைகள், வளர்ந்துவரும் நிர்வாகம்—இந்தப் பாடம் ஏற்கனவே AI அடிப்படைகளைப் புரிந்துகொண்டு, ஆழமான, தொழில்நுட்ப மற்றும் நடைமுறை புரிதலை விரும்பும் கற்பவர்களுக்காக வடிவமைக்கப்பட்டுள்ளது.

What you'll learn

டோக்கன்கள், ட்ரான்ஸ்ஃபார்மர், self-attention ஆகியவை LLM-களை மொழியை செயலாக்க எப்படி அனுமதிக்கின்றன என்பதை விளக்குதல்

மாதிரி உருவாக்கத்தின் pretraining, fine-tuning, RLHF கட்டங்களை விவரித்தல்

Zero-shot, few-shot, chain-of-thought, சிஸ்டம் ப்ராம்ப்ட் நுட்பங்களை வேண்டுமென்றே பயன்படுத்துதல்

Embeddings, vector database, RAG AI பதில்களை வெளிப்புற அறிவில் எப்படி நிலைநிறுத்துகிறது என்பதை விளக்குதல்

AI ஏஜென்ட்கள் function calling, tool use, MCP போன்ற நெறிமுறைகளை எப்படி பயன்படுத்துகின்றன என்பதைப் புரிந்துகொள்ளுதல்

Multimodal AI திறன்களையும் இன்றைய மாதிரிகளின் உண்மையான வரம்புகளையும் அடையாளம் காணுதல்

2026 AI நிலப்பரப்பின் அடிப்படையில் நெறிமுறை மற்றும் பொறுப்புள்ள பயன்பாட்டு நடைமுறைகளைப் பயன்படுத்துதல்

Course Content

6 Modules 12 lessons
01 பாடம் 1: பெரிய மொழி மாதிரிகள் (LLM) உண்மையில் எப்படி வேலை செய்கின்றன 3 lessons

டோக்கன்கள், ட்ரான்ஸ்ஃபார்மர், மற்றும் பயிற்சி முறை

  • 1.1 உரையிலிருந்து டோக்கன் வரை: மாதிரி எப்படி படிக்கிறது
  • 1.2 பயிற்சி முறை: Pretraining, Fine-tuning, RLHF
  • பாடம் 1 - சுய மதிப்பீடு
02 பாடம் 2: இடைநிலை பயனர்களுக்கான ப்ராம்ப்ட் எஞ்சினியரிங் 3 lessons

நம்பகமான, உயர்தர வெளியீட்டுக்கான ப்ராம்ப்ட் கட்டமைப்பு

  • 2.1 Zero-Shot, Few-Shot, மற்றும் Chain-of-Thought
  • 2.2 சிஸ்டம் ப்ராம்ப்ட், Role Framing, மற்றும் மறு செம்மைப்படுத்தல்
  • பாடம் 2 - சுய மதிப்பீடு
03 பாடம் 3: Embeddings, RAG, மற்றும் Vector Search 3 lessons

AI அமைப்புகள் வெளிப்புற அறிவை எப்படி பெற்று பயன்படுத்துகின்றன

  • 3.1 Embedding என்றால் என்ன?
  • 3.2 RAG: Retrieval-Augmented Generation
  • பாடம் 3 - சுய மதிப்பீடு
04 பாடம் 4: AI ஏஜென்ட்களும் Tool Use-உம் 3 lessons

Function calling மற்றும் agentic loop மூலம் மாதிரிகள் எப்படி செயல்படுகின்றன

  • 4.1 Chatbot-இலிருந்து Agent வரை: Tool Use மற்றும் Function Calling
  • 4.2 MCP, Multi-Agent அமைப்புகள், மற்றும் தன்னாட்சி நிலைகள்
  • பாடம் 4 - சுய மதிப்பீடு
05 பாடம் 5: Multimodal AI, வரம்புகள், மற்றும் சார்பு (Bias) 3 lessons

பார்வை, ஆடியோ, பட உருவாக்கம், மற்றும் இன்றைய AI-இன் உண்மையான வரம்புகள்

  • 5.1 உரைக்கு அப்பால்: Multimodal மாதிரிகள்
  • 5.2 உண்மையான வரம்புகள்: ஹாலூசினேஷன், சார்பு, மற்றும் Context வரம்புகள்
  • பாடம் 5 - சுய மதிப்பீடு
06 பாடம் 6: 2026 AI நிலப்பரப்பு, நெறிமுறைகள், மற்றும் நடைமுறை திறன்கள் 3 lessons

இன்று AI எங்கு நிற்கிறது, நிர்வாகம், உங்கள் சொந்த AI அறிவை எப்படி வளர்ப்பது

  • 6.1 2026இல் AI-இன் நிலைமை
  • 6.2 நெறிமுறைகள், பொறுப்புள்ள பயன்பாடு, மற்றும் உங்கள் AI அறிவை வளர்த்தல்
  • இறுதி மதிப்பீடு: இடைநிலை AI