5 คอร์สเรียนฟรี เปลี่ยนคุณจากมือใหม่สู่ผู้เชี่ยวชาญด้าน LLM อย่างเป็นระบบ

ปัจจุบันอินเทอร์เน็ตเต็มไปด้วยบทเรียนโมเดลภาษาขนาดใหญ่ (LLM) แต่ส่วนใหญ่มักเป็นการแนะนำเพียงผิวเผินหรือมีเนื้อหาที่ล้าสมัย การค้นหาคอร์สเรียนที่สามารถร้อยเรียงเป็นเส้นทางการศึกษาที่แท้จริงจึงไม่ใช่เรื่องง่าย

รายชื่อ 5 คอร์สเรียนนี้ถูกคัดสรรมาเพื่อให้คุณเรียนรู้ตามลำดับอย่างเป็นขั้นตอน เริ่มตั้งแต่การทำความเข้าใจคณิตศาสตร์เบื้องหลัง ไปจนถึงการวางโครงสร้างระบบโปรดักชัน การเจาะลึกทฤษฎีการขยายสเกล การลงมือทำ fine-tuning และจบด้วยการบริหารจัดการเอเจนต์ AI ในสเกลใหญ่ เพื่อเปลี่ยนคุณจากผู้เริ่มต้นให้กลายเป็นผู้ปฏิบัติงานจริงอย่างสมบูรณ์

Course 1: Building the Foundation with Andrej Karpathy's Neural Networks: Zero to Hero

ก่อนจะทำงานกับ LLM ได้อย่างมีประสิทธิภาพ คุณต้องเข้าใจก่อนว่าสิ่งที่อยู่ภายใต้ระบบนั้นทำงานอย่างไร ซึ่งไม่มีคอร์สไหนจะทำได้ดีไปกว่า Neural Networks: Zero to Hero โดย Andrej Karpathy ผู้ร่วมก่อตั้ง OpenAI และอดีตหัวหน้าฝ่าย AI ของ Tesla

คอร์สนี้จะพาคุณสร้างโครงข่ายประสาทเทียมด้วย Python เพียวๆ โดยไม่พึ่งพา framework ใดๆ เริ่มจากการสร้าง micrograd เพื่อเรียนรู้ backpropagation ทีละบรรทัด ไปจนถึงการสร้าง makemore และจบที่การสร้างโมเดลสถาปัตยกรรม Transformer ขนาดเท่า GPT-2 ที่ใช้งานได้จริง

สิ่งที่คุณจะได้สร้าง:

• autograd engine ที่ใช้งานได้จริงจากศูนย์
• โมเดลภาษาแบบ bigram และ multilayer perceptron (MLP)
• สถาปัตยกรรม GPT-2 ที่ฝึกฝนด้วยข้อความจริง
• BPE tokenizer ตามมาตรฐานของ OpenAI

ความรู้พื้นฐานที่จำเป็น: ทักษะ Python ที่แข็งแกร่งและความคุ้นเคยเรื่องอนุพันธ์ (derivatives)

รูปแบบ: เพลย์ลิสต์ YouTube ฟรี (9 บทเรียน) พร้อม Jupyter notebooks บน GitHub โดยคาดว่าจะใช้เวลาเขียนโค้ดประมาณ 20-30 ชั่วโมง

Course 2: Learning Production Architecture with the FSDL LLM Bootcamp

เมื่อเข้าใจกลไกการทำงานแล้ว ขั้นตอนถัดไปคือการเรียนรู้ว่าพวกมันทำงานอย่างไรในระบบจริง Full Stack LLM Bootcamp โดย Full Stack Deep Learning (FSDL) จะเข้ามาตอบโจทย์นี้

เนื้อหาครอบคลุมโครงสร้างวิศวกรรมรอบตัว LLM ตั้งแต่ prompt engineering ระดับระบบ, LLMOps, การออกแบบชุดทดสอบ, การบริหารจัดการต้นทุนเทียบกับความเร็ว (latency) ไปจนถึงการใช้ LLM-as-a-judge เพื่อประเมินผล ซึ่งจะช่วยให้คุณเห็นภาพการเชื่อมต่อชิ้นส่วนต่างๆ เข้าด้วยกันเป็นแอปพลิเคชันที่พร้อมใช้งานจริง

สิ่งที่คุณจะได้เรียนรู้:

• การวางโครงสร้างแอปพลิเคชัน LLM ให้มีความน่าเชื่อถือและควบคุมต้นทุนได้
• การออกแบบระบบประเมินผลและการตรวจสอบการใช้งาน (deployment monitoring)
• แนวปฏิบัติ LLMOps และ prompt engineering เชิงปฏิบัติที่เหนือกว่าระดับพื้นฐาน

รูปแบบ: เพลย์ลิสต์ YouTube ฟรีพร้อมสไลด์ แม้จะเป็นเวอร์ชันปี 2023 ที่ API บางตัวอาจเปลี่ยนแปลงไปบ้าง แต่หลักการทางสถาปัตยกรรมยังคงทันสมัยและใช้งานได้ดี

Course 3: Going Deep on Theory with Stanford CS336

สำหรับการศึกษาเชิงวิชาการที่เข้มงวดเกี่ยวกับการออกแบบและฝึกฝนโมเดลในระดับสเกล CS336: Language Modeling from Scratch ของมหาวิทยาลัย Stanford คือทรัพยากรที่ละเอียดที่สุด

คอร์สนี้สอนโดย Percy Liang และ Tatsunori Hashimoto โดยเน้นการสร้างโมเดลขึ้นมาใหม่ตั้งแต่ต้น ครอบคลุมตั้งแต่การคัดกรองข้อมูล, การสร้าง tokenizer, การเพิ่มประสิทธิภาพการฝึก (training optimization) ไปจนถึง scaling laws และพลวัตของการปรับจูน (alignment dynamics) เพื่อให้คุณมีกระบวนการคิดเชิงระบบในระดับลึก

สิ่งที่คุณจะได้ศึกษา:

• การจัดการข้อมูลและออกแบบคลังข้อมูลสำหรับการฝึกเบื้องต้น (pre-training corpus)
• การเขียนสถาปัตยกรรม Transformer จากศูนย์
• เทคนิคการเพิ่มประสิทธิภาพการฝึก เช่น learning rate schedules และ gradient clipping
• วิธีวิทยาการประเมินผลและการออกแบบ benchmark

รูปแบบ: สไลด์บรรยาย, การบ้าน และโน้ตประกอบบนเว็บไซต์ของคอร์ส เนื่องจากเป็นเนื้อหาระดับบัณฑิตศึกษา จึงควรเตรียมตัวสำหรับความเข้มข้นที่ค่อนข้างสูง

หมายเหตุ: สามารถศึกษาเนื้อหาทฤษฎีที่คล้ายกันเพิ่มเติมได้จาก CS324 ที่ stanford-cs324.github.io ส่วน CS336 จะมีความทันสมัยและเน้นการลงมือทำมากกว่า

Course 4: Developing Fine-Tuning Skills with the Hugging Face LLM Course

เมื่อมีทฤษฎีแล้ว ก็ถึงเวลาเข้าสู่เครื่องมือที่ใช้งานจริงกับ Hugging Face LLM Course ซึ่งเป็นเส้นทางการเรียนรู้ 13 บทที่ครอบคลุมระบบนิเวศของ Hugging Face ทั้งหมด

คุณจะได้เรียนรู้การทำ supervised fine-tuning (SFT), เทคนิค LoRA ผ่านไลบรารี PEFT และบทเรียนใหม่ล่าสุดเกี่ยวกับการสร้างโมเดลการให้เหตุผล (reasoning models) ด้วยวิธี GRPO ในสไตล์ DeepSeek R1 รวมถึงการฝึกแบบ RLHF และ DPO ที่เป็นมาตรฐานอุตสาหกรรมในปัจจุบัน

สิ่งที่คุณจะได้สร้าง:

• โมเดลที่ผ่านการ fine-tuned ด้วย LoRA บนชุดข้อมูลเฉพาะ
• ชุดข้อมูลสำหรับ instruction tuning และโมเดลการให้เหตุผลด้วย GRPO
• เดโม Gradio เพื่อแสดงผลงานของคุณ

from trl import SFTTrainer
from peft import LoraConfig
 
lora_config = LoraConfig(r=16, lora_alpha=32, target_modules=["q_proj", "v_proj"])
trainer = SFTTrainer(model=model, train_dataset=dataset, peft_config=lora_config)
trainer.train()

โค้ดเพียงไม่กี่บรรทัดนี้คือหัวใจของเวิร์กโฟลว์การ fine-tuning สมัยใหม่ที่คอร์สนี้จะสอนให้คุณเข้าใจอย่างถ่องแท้

Course 5: Deploying and Orchestrating Agents with DeepLearning.AI Short Courses

ขั้นตอนสุดท้ายคือการนำโมเดลไปใช้งานและสร้างเอเจนต์ AI ที่สามารถทำงานร่วมกับเครื่องมือภายนอกได้ คอร์สสั้นจาก DeepLearning.AI จะเน้นการสอนแบบโมดูลที่เจาะจงเฉพาะประเด็นสำคัญ

คอร์สที่แนะนำคือ AI Agents in LangGraph ซึ่งสอนการสร้างเอเจนต์ที่ควบคุมได้จริง นอกจากนี้ยังมีเนื้อหาเกี่ยวกับการให้บริการโมเดลด้วย vLLM, การออกแบบระบบ RAG และ semantic routing สอนโดยผู้เชี่ยวชาญจากเจ้าของ framework โดยตรง

สิ่งที่คุณจะได้สร้าง:

• เอเจนต์ LangGraph แบบ stateful ที่มีระบบ human-in-the-loop
• ระบบ RAG ประสิทธิภาพสูงพร้อมฟังก์ชัน re-ranking
• vLLM serving endpoint ที่ปรับแต่งเพื่อความรวดเร็วและรองรับผู้ใช้จำนวนมาก

รูปแบบ: เรียนฟรีบนแพลตฟอร์ม DeepLearning.AI ในช่วงเปิดตัวแบบ beta (โปรดตรวจสอบสถานะการเข้าถึงที่หน้าเว็บไซต์)

How to Work Through This List

เส้นทางการเรียนรู้ทั้ง 5 ขั้นตอนสรุปได้ดังนี้:

คำแนะนำในการเรียน: ควรเรียนคอร์สของ Karpathy ให้จบเพื่อวางรากฐานที่แน่นหนา จากนั้นศึกษา FSDL และ CS336 เพื่อเข้าใจภาพรวมและทฤษฎี แล้วจึงลงมือทำจริงกับ Hugging Face และ DeepLearning.AI เมื่อคุณมีโปรเจกต์ที่ต้องการสร้าง

ความแตกต่างระหว่างผู้ที่ทำได้เพียงเรียกใช้ API กับผู้เชี่ยวชาญ คือประสบการณ์ในการรันวงจรการฝึกโมเดล การวิเคราะห์กราฟ loss และการแก้ไขข้อผิดพลาดในการ fine-tuning ซึ่งคอร์สเหล่านี้จะมอบประสบการณ์เหล่านั้นให้กับคุณ

Final Thoughts

การเลือกเรียนตามลำดับที่เกี่ยวเนื่องกันจะช่วยให้คุณเห็นภาพรวมที่ชัดเจน เริ่มต้นด้วยการเข้าใจกลไกภายใน เสริมด้วยทฤษฎีและระบบโปรดักชัน แล้วฝึกฝนทักษะเชิงปฏิบัติเพื่อนำไปใช้งานจริง เมื่อจบเส้นทางนี้ คุณจะมีทั้งความเข้าใจและประสบการณ์ลงมือทำจริงที่พร้อมสำหรับโปรเจกต์ LLM ระดับสูงต่อไป