chore(i18n): sync translations with latest source changes (chunk 74/148, 100 files)
This commit is contained in:
localizeflow[bot]
parent
3dcd19b725
commit
04a95bb128
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# न्यूरल नेटवर्क्सची ओळख
|
||||
|
||||
|
||||
|
||||
|
||||
जसे आपण परिचयात चर्चा केली, बुद्धिमत्ता मिळवण्याचा एक मार्ग म्हणजे **कंप्यूटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्स वापरून पाहिले, आणि अलीकडच्या वर्षांत हा दृष्टिकोन अत्यंत यशस्वी ठरला. मेंदूचे असे गणितीय मॉडेल्स **न्यूरल नेटवर्क्स** म्हणून ओळखले जातात.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
जीवशास्त्रानुसार, आपला मेंदू न्यूरल पेशींनी (न्यूरॉन्स) बनलेला असतो, ज्यामध्ये अनेक "इनपुट्स" (डेंड्राइट्स) आणि एक "आउटपुट" (अॅक्सॉन) असतो. डेंड्राइट्स आणि अॅक्सॉन्स दोन्ही विद्युत संकेत वाहून नेऊ शकतात, आणि त्यांच्यातील कनेक्शन्स — ज्यांना सायनॅप्स म्हणतात — विविध प्रकारच्या चालकतेचे प्रदर्शन करू शकतात, जे न्यूरोट्रान्समीटरद्वारे नियंत्रित केले जातात.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
वास्तविक न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)*
|
||||
|
||||
त्यामुळे, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> आणि एक आउटपुट Y, तसेच वजनांची मालिका W<sub>1</sub>, ..., W<sub>N</sub> असते. आउटपुट खालीलप्रमाणे गणना केली जाते:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.mr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.mr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
जिथे f ही काही नॉन-लिनियर **अॅक्टिवेशन फंक्शन** आहे.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
* **ब्रेल पुस्तकाच्या छायाचित्राची पूर्व-प्रक्रिया**. आम्ही थ्रेशोल्डिंग, वैशिष्ट्य शोध, परिप्रेक्ष्य रूपांतरण आणि NumPy हेरफेर कसे वापरून ब्रेल चिन्हे वेगळी करू शकतो यावर लक्ष केंद्रित करतो, जेणेकरून न्यूरल नेटवर्कद्वारे पुढील वर्गीकरण करता येईल.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> प्रतिमा [OpenCV.ipynb](OpenCV.ipynb) मधून
|
||||
|
||||
* **फ्रेम फरक वापरून व्हिडिओमध्ये हालचाल शोधणे**. जर कॅमेरा स्थिर असेल, तर कॅमेरा फीडमधील फ्रेम्स एकमेकांशी खूप समान असाव्यात. फ्रेम्स arrays म्हणून दर्शविल्या जात असल्याने, दोन अनुक्रमिक फ्रेम्ससाठी त्या arrays वजा करून आम्हाला पिक्सेल फरक मिळेल, जो स्थिर फ्रेम्ससाठी कमी असावा, आणि प्रतिमेमध्ये लक्षणीय हालचाल झाल्यावर जास्त होईल.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [OpenCV.ipynb](OpenCV.ipynb) मधून
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
- **घन ऑप्टिकल फ्लो** प्रत्येक पिक्सेलसाठी तो कुठे हलतो हे दर्शविणारा वेक्टर फील्ड गणना करतो.
|
||||
- **दुर्मिळ ऑप्टिकल फ्लो** प्रतिमेतील काही वेगळ्या वैशिष्ट्यांवर आधारित असतो (उदा. कडा), आणि फ्रेम ते फ्रेम त्यांचा मार्ग तयार करतो.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [OpenCV.ipynb](OpenCV.ipynb) मधून
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 हा एक नेटवर्क आहे ज्याने 2014 मध्ये ImageNet टॉप-5 वर्गीकरणात 92.7% अचूकता मिळवली. यामध्ये खालील स्तर रचना आहे:
|
||||
|
||||
|
||||
|
||||
|
||||
जसे तुम्ही पाहू शकता, VGG पारंपरिक पिरॅमिड आर्किटेक्चरचे अनुसरण करते, जे कन्व्होल्यूशन-पूलिंग स्तरांचा क्रम आहे.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) वरून घेतलेली आहे.
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"म्हणून, एका सामान्य CNN मध्ये अनेक कॉनव्होल्यूशन लेयर्स असतात, ज्यांच्या दरम्यान पूलिंग लेयर्स असतात जे प्रतिमेचे परिमाण कमी करतात. आपण फिल्टर्सची संख्या देखील वाढवतो, कारण पॅटर्न्स अधिक प्रगत होत जातात - आपल्याला शोधायच्या असलेल्या संभाव्य रचनांची संख्या वाढते.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"स्थानिक परिमाण कमी होणे आणि वैशिष्ट्ये/फिल्टर्सचे परिमाण वाढणे यामुळे, या आर्किटेक्चरला **पिरॅमिड आर्किटेक्चर** असेही म्हणतात.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -359,7 +359,7 @@
|
|||
"\n",
|
||||
"म्हणून, एका सामान्य CNN मध्ये अनेक कॉनव्होल्यूशन लेयर्स असतात, ज्यामध्ये प्रतिमेचे परिमाण कमी करण्यासाठी पूलिंग लेयर्स असतात. तसेच, आम्ही फिल्टर्सची संख्या वाढवतो, कारण नमुने अधिक प्रगत होत जातात - आपल्याला शोधण्यासाठी अधिक संभाव्य मनोरंजक संयोजन असतात.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"जागात्मक परिमाण कमी होणे आणि वैशिष्ट्य/फिल्टर्स परिमाण वाढणे यामुळे, या आर्किटेक्चरला **पिरॅमिड आर्किटेक्चर** असेही म्हणतात.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
पॅटर्न्स काढण्यासाठी, आपण **कॉनव्होल्यूशनल फिल्टर्स** चा उपयोग करू. तुम्हाला माहीत आहेच की, प्रतिमा 2D-मॅट्रिक्स किंवा रंग खोलीसह 3D-टेंसरद्वारे दर्शवली जाते. फिल्टर लागू करणे म्हणजे आपण तुलनेने लहान **फिल्टर कर्नल** मॅट्रिक्स घेतो, आणि मूळ प्रतिमेतील प्रत्येक पिक्सेलसाठी शेजारील बिंदूंसह भारित सरासरीची गणना करतो. आपण याला असे पाहू शकतो की एक छोटी विंडो संपूर्ण प्रतिमेवर सरकत आहे, आणि फिल्टर कर्नल मॅट्रिक्समधील वजनांनुसार सर्व पिक्सेल्स सरासरी करत आहे.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> प्रतिमा: दिमित्री सोश्निकोव्ह
|
||||
|
|
@ -38,7 +38,7 @@ CNN कसे कार्य करते यामागील महत्त
|
|||
* आपण नेटवर्क अशा प्रकारे डिझाइन करू शकतो की फिल्टर्स आपोआप प्रशिक्षित होतील
|
||||
* आपण मूळ प्रतिमेतील पॅटर्न्स शोधण्यासाठीच नव्हे तर उच्च-स्तरीय वैशिष्ट्यांमध्ये पॅटर्न्स शोधण्यासाठीही याच पद्धतीचा उपयोग करू शकतो. त्यामुळे CNN वैशिष्ट्य काढणे वैशिष्ट्यांच्या श्रेणीवर कार्य करते, कमी-स्तरीय पिक्सेल संयोजनांपासून ते प्रतिमेच्या भागांच्या उच्च-स्तरीय संयोजनांपर्यंत.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा: [हिस्लॉप-लिंच यांच्या पेपरमधून](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), त्यांच्या [संशोधनावर आधारित](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CNN कसे कार्य करते यामागील महत्त
|
|||
|
||||
उदाहरण म्हणून, VGG-16 च्या आर्किटेक्चरकडे पाहूया, ज्याने 2014 मध्ये ImageNet च्या टॉप-5 वर्गीकरणात 92.7% अचूकता मिळवली:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा: [रिसर्चगेट](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
आम्ही [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) वापरणार आहोत, ज्यामध्ये 37 वेगवेगळ्या जातींच्या कुत्र्यांच्या आणि मांजरींच्या प्रतिमा आहेत.
|
||||
|
||||
|
||||
|
||||
|
||||
डेटासेट डाउनलोड करण्यासाठी, हा कोड स्निपेट वापरा:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"आदर्श मांजर पाहण्यासाठी, आपण एका यादृच्छिक आवाजाच्या प्रतिमेसह सुरुवात करू आणि ग्रेडियंट डिसेंट ऑप्टिमायझेशन तंत्राचा वापर करून प्रतिमा समायोजित करण्याचा प्रयत्न करू, जेणेकरून नेटवर्कला मांजर ओळखता येईल.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"ही आहे आपली सुरुवातीची प्रतिमा:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras आणि PyTorch मध्ये काही सामान्य आ
|
|||
|
||||
VGG-16 नेटवर्कद्वारे मांजराच्या प्रतिमेतून काढलेली नमुना वैशिष्ट्ये येथे आहेत:
|
||||
|
||||
|
||||
|
||||
|
||||
## मांजरे विरुद्ध कुत्रे डेटासेट
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ VGG-16 नेटवर्कद्वारे मांजराच्या
|
|||
|
||||
आपण एक पद्धत वापरू शकतो, जिथे आपण एका रँडम प्रतिमेसह सुरुवात करतो आणि नंतर **ग्रेडियंट डिसेंट ऑप्टिमायझेशन** तंत्र वापरून ती प्रतिमा समायोजित करण्याचा प्रयत्न करतो, ज्यामुळे नेटवर्कला वाटते की ती मांजर आहे.
|
||||
|
||||
|
||||
|
||||
|
||||
मात्र, जर आपण असे केले, तर आपल्याला रँडम नॉइजसारखे काहीतरी मिळेल. कारण *नेटवर्कला वाटावे की इनपुट प्रतिमा मांजर आहे असे करण्याचे अनेक मार्ग आहेत*, ज्यामध्ये काही दृश्यदृष्ट्या अर्थपूर्ण नाहीत. जरी त्या प्रतिमांमध्ये मांजरीसाठी विशिष्ट नमुने असले तरी, त्यांना दृश्यदृष्ट्या वेगळे करण्यासाठी काहीही बंधन नाही.
|
||||
|
||||
परिणाम सुधारण्यासाठी, आपण लॉस फंक्शनमध्ये आणखी एक टर्म जोडू शकतो, ज्याला **व्हेरिएशन लॉस** म्हणतात. हे एक मेट्रिक आहे जे प्रतिमेचे शेजारी असलेले पिक्सेल किती समान आहेत हे दर्शवते. व्हेरिएशन लॉस कमी केल्याने प्रतिमा गुळगुळीत होते आणि नॉइज दूर होते - त्यामुळे अधिक दृश्यदृष्ट्या आकर्षक नमुने उलगडतात. येथे अशा "आदर्श" प्रतिमांचे उदाहरण आहे, ज्यांना उच्च संभाव्यतेसह मांजर आणि झेब्रा म्हणून वर्गीकृत केले जाते:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*आदर्श मांजर* | *आदर्श झेब्रा*
|
||||
|
||||
समान पद्धत वापरून तथाकथित **अड्व्हर्सेरियल हल्ले** न्यूरल नेटवर्कवर करता येतात. समजा आपण न्यूरल नेटवर्कला मूर्ख बनवायचे आहे आणि कुत्र्याला मांजरासारखे बनवायचे आहे. जर आपण कुत्र्याची प्रतिमा घेतली, जी नेटवर्कद्वारे कुत्रा म्हणून ओळखली जाते, तर आपण ती थोडीशी समायोजित करू शकतो, ग्रेडियंट डिसेंट ऑप्टिमायझेशन वापरून, जोपर्यंत नेटवर्क ती मांजर म्हणून वर्गीकृत करत नाही:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*कुत्र्याची मूळ प्रतिमा* | *कुत्र्याची प्रतिमा जी मांजर म्हणून वर्गीकृत केली जाते*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"ऑटोएनकोडरला मूळ प्रतिमेतील जास्तीत जास्त माहिती अचूक पुनर्रचना करण्यासाठी कॅप्चर करण्यासाठी प्रशिक्षण दिले जात असल्याने, नेटवर्क इनपुट प्रतिमांचे अर्थ कॅप्चर करण्यासाठी सर्वोत्तम **एम्बेडिंग** शोधण्याचा प्रयत्न करते.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> प्रतिमा [Keras ब्लॉग](https://blog.keras.io/building-autoencoders-in-keras.html) वरून\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"ऑटोएनकोडरला मूळ प्रतिमेतील जास्तीत जास्त माहिती अचूक पुनर्रचना करण्यासाठी कॅप्चर करण्यासाठी प्रशिक्षण दिले जात असल्याने, नेटवर्क इनपुट प्रतिमांचे अर्थ कॅप्चर करण्यासाठी सर्वोत्तम **एम्बेडिंग** शोधण्याचा प्रयत्न करते.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*प्रतिमा [Keras ब्लॉग](https://blog.keras.io/building-autoencoders-in-keras.html) मधून*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
आम्ही ऑटोएन्कोडरला मूळ प्रतिमेतील माहिती अचूक पुनर्रचना करण्यासाठी शक्य तितकी माहिती कॅप्चर करण्यासाठी प्रशिक्षण देत असल्याने, नेटवर्क इनपुट प्रतिमांचे सर्वोत्तम **एम्बेडिंग** शोधण्याचा प्रयत्न करते.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [Keras ब्लॉग](https://blog.keras.io/building-autoencoders-in-keras.html) मधून
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [YOLO v2 वेबसाइट](https://pjreddie.com/darknet/yolov2/) वरून
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. प्रत्येक टाइलवर इमेज क्लासिफिकेशन चालवा.
|
||||
3. ज्या टाइल्समध्ये पुरेसे उच्च सक्रियता दिसते, त्या टाइल्समध्ये संबंधित वस्तू असल्याचे मानले जाऊ शकते.
|
||||
|
||||
|
||||
|
||||
|
||||
> *प्रतिमा [व्यायाम नोटबुक](ObjectDetection-TF.ipynb) मधून*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 वर्ग
|
||||
* [COCO](http://cocodataset.org/#home) - कॉमन ऑब्जेक्ट्स इन कॉन्टेक्स्ट. 80 वर्ग, बॉक्सेस आणि सेगमेंटेशन मास्क
|
||||
|
||||
|
||||
|
||||
|
||||
## ऑब्जेक्ट डिटेक्शन मेट्रिक्स
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
इमेज क्लासिफिकेशनसाठी अल्गोरिदम किती चांगले कार्य करते हे मोजणे सोपे आहे, परंतु ऑब्जेक्ट डिटेक्शनसाठी आपल्याला वर्गाची अचूकता आणि बॉक्सच्या स्थानाची अचूकता दोन्ही मोजावी लागते. यासाठी **इंटरसेक्शन ओव्हर युनियन** (IoU) वापरले जाते, जे दोन बॉक्सेस (किंवा दोन क्षेत्रे) किती चांगले ओव्हरलॅप होतात हे मोजते.
|
||||
|
||||
|
||||
|
||||
|
||||
> *[IoU वर उत्कृष्ट ब्लॉग पोस्ट](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) मधून आकृती 2*
|
||||
|
||||
|
|
@ -97,11 +97,11 @@ $$
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) वापरते ROI क्षेत्रांची संरचना तयार करण्यासाठी, जी नंतर CNN फीचर एक्स्ट्रॅक्टर्स आणि SVM-क्लासिफायर्सद्वारे वस्तूचा वर्ग निश्चित करण्यासाठी आणि *बॉक्स* समन्वय निश्चित करण्यासाठी रेषीय रेग्रेशनद्वारे प्रक्रिया केली जाते. [अधिकृत पेपर](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *van de Sande et al. ICCV’11 मधून प्रतिमा*
|
||||
|
||||
|
||||
|
||||
|
||||
> *[या ब्लॉग](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e) मधून प्रतिमा*
|
||||
|
||||
|
|
@ -109,7 +109,7 @@ $$
|
|||
|
||||
हा दृष्टिकोन R-CNN सारखाच आहे, परंतु क्षेत्रे कॉन्व्होल्यूशन लेयर्स लागू केल्यानंतर निश्चित केली जातात.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [अधिकृत पेपर](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 मधून
|
||||
|
||||
|
|
@ -117,7 +117,7 @@ $$
|
|||
|
||||
या दृष्टिकोनाची मुख्य कल्पना म्हणजे ROIs अंदाज लावण्यासाठी न्यूरल नेटवर्क वापरणे - ज्याला *Region Proposal Network* म्हणतात. [पेपर](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [अधिकृत पेपर](https://arxiv.org/pdf/1506.01497.pdf) मधून
|
||||
|
||||
|
|
@ -129,7 +129,7 @@ $$
|
|||
2. फीचर्स **Position-Sensitive Score Map** द्वारे प्रक्रिया केली जातात. $C$ वर्गातील प्रत्येक वस्तू $k\times k$ क्षेत्रांमध्ये विभागली जाते, आणि वस्तूंचे भाग अंदाज लावण्यासाठी प्रशिक्षण दिले जाते.
|
||||
3. $k\times k$ क्षेत्रांमधील प्रत्येक भागासाठी सर्व नेटवर्क्स वस्तू वर्गांसाठी मतदान करतात, आणि जास्तीत जास्त मत असलेला वर्ग निवडला जातो.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [अधिकृत पेपर](https://arxiv.org/abs/1605.06409) मधून
|
||||
|
||||
|
|
@ -140,7 +140,7 @@ YOLO हा एक रिअलटाइम वन-पास अल्गोर
|
|||
* प्रतिमा $S\times S$ क्षेत्रांमध्ये विभागली जाते.
|
||||
* प्रत्येक क्षेत्रासाठी, **CNN** $n$ शक्य वस्तू, *बॉक्स* समन्वय आणि *कॉन्फिडन्स*=*प्रोबॅबिलिटी* * IoU अंदाज लावते.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [अधिकृत पेपर](https://arxiv.org/abs/1506.02640) मधून
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# संगणकीय दृष्टिकोन
|
||||
|
||||
|
||||
|
||||
|
||||
या विभागात आपण शिकणार आहोत:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**शब्दांची पिशवी** (BoW) वेक्टर प्रतिनिधित्व हे पारंपरिक वेक्टर प्रतिनिधित्वांपैकी सर्वात जास्त वापरले जाणारे आहे. प्रत्येक शब्द एका वेक्टर निर्देशांकाशी जोडलेला असतो, आणि वेक्टर घटक दिलेल्या दस्तऐवजात त्या शब्दाच्या उपस्थितीची संख्या दर्शवतो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **टीप**: तुम्ही BoW ला मजकूरातील स्वतंत्र शब्दांसाठी असलेल्या सर्व एक-हॉट-एन्कोडेड वेक्टरच्या बेरीजप्रमाणे देखील विचार करू शकता.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**बॅग-ऑफ-वर्ड्स** (BoW) वेक्टर प्रतिनिधित्व हे पारंपरिक वेक्टर प्रतिनिधित्वांपैकी सर्वात सोपे आणि समजण्यास सोपे आहे. प्रत्येक शब्द एका वेक्टर निर्देशांकाशी जोडलेला असतो, आणि वेक्टर घटक दिलेल्या दस्तऐवजात प्रत्येक शब्द किती वेळा आढळतो ते दर्शवतो.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: BoW चा विचार आपण मजकूरातील स्वतंत्र शब्दांसाठी एकत्रित केलेल्या सर्व वन-हॉट-एन्कोडेड वेक्टरच्या बेरीज म्हणून करू शकतो.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"आपल्या नेटवर्कमध्ये एम्बेडिंग लेयर प्रथम लेयर म्हणून वापरल्याने, आपण बॅग-ऑफ-वर्ड्स मॉडेलवरून **एम्बेडिंग बॅग** मॉडेलकडे स्विच करू शकतो, जिथे आपण प्रथम आपल्या मजकुरातील प्रत्येक शब्द संबंधित एम्बेडिंगमध्ये रूपांतरित करतो आणि नंतर त्या सर्व एम्बेडिंगवर काही एकत्रित फंक्शन गणना करतो, जसे की `sum`, `average` किंवा `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"आपले वर्गीकरणकर्ता न्यूरल नेटवर्क एम्बेडिंग लेयरने सुरू होईल, त्यानंतर एकत्रीकरण लेयर आणि त्यावर लीनियर वर्गीकरणकर्ता असेल:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"मागील आर्किटेक्चरमध्ये, सर्व अनुक्रम समान लांबीचे करण्यासाठी त्यांना पॅड करणे आवश्यक होते, जेणेकरून ते मिनीबॅचमध्ये बसतील. बदलत्या लांबीच्या अनुक्रमांचे प्रतिनिधित्व करण्याचा हा सर्वात कार्यक्षम मार्ग नाही - दुसरा दृष्टिकोन म्हणजे **ऑफसेट** व्हेक्टर वापरणे, जो एका मोठ्या व्हेक्टरमध्ये संग्रहित केलेल्या सर्व अनुक्रमांचे ऑफसेट ठेवेल.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: वरील चित्रात, आम्ही अक्षरांच्या अनुक्रमाचे प्रदर्शन केले आहे, परंतु आमच्या उदाहरणात आम्ही शब्दांच्या अनुक्रमांवर काम करत आहोत. तथापि, ऑफसेट व्हेक्टरसह अनुक्रमांचे प्रतिनिधित्व करण्याचा सामान्य तत्त्व समान राहतो.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW जलद आहे, तर स्किप-ग्राम थोडा धीमा आहे, परंतु दुर्मिळ शब्दांचे प्रतिनिधित्व करण्याचे काम अधिक चांगल्या प्रकारे करतो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News डेटासेटवर प्री-ट्रेन केलेल्या word2vec एम्बेडिंगसह प्रयोग करण्यासाठी, आपण **gensim** लायब्ररीचा वापर करू शकतो. खाली 'neural' या शब्दाशी सर्वाधिक समान शब्द शोधले आहेत:\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"आपल्या नेटवर्कमध्ये पहिल्या लेयर म्हणून एम्बेडिंग लेयर वापरल्याने, आपण बॅग-ऑफ-वर्ड्स मॉडेलऐवजी **एम्बेडिंग बॅग** मॉडेलकडे स्विच करू शकतो, जिथे आपण प्रथम आपल्या मजकुरातील प्रत्येक शब्द त्याच्या संबंधित एम्बेडिंगमध्ये रूपांतरित करतो, आणि नंतर त्या सर्व एम्बेडिंग्सवर काही एकत्रित फंक्शन (जसे की `sum`, `average` किंवा `max`) गणना करतो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"आपल्या वर्गीकरण न्यूरल नेटवर्कमध्ये खालील लेयर्स असतात:\n",
|
||||
"\n",
|
||||
|
|
@ -281,7 +281,7 @@
|
|||
"\n",
|
||||
"CBoW जलद आहे, आणि स्किप-ग्राम जरी हळू असला तरी, तो दुर्मिळ शब्दांचे प्रतिनिधित्व अधिक चांगल्या प्रकारे करतो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News डेटासेटवर प्रीट्रेन केलेल्या Word2Vec एम्बेडिंगसह प्रयोग करण्यासाठी, आपण **gensim** लायब्ररीचा वापर करू शकतो. खाली 'neural' शब्दाशी सर्वाधिक समान असलेले शब्द शोधले आहेत.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ BoW किंवा TF/IDF आधारित वर्गीकरण प्र
|
|||
|
||||
आमच्या वर्गीकरण नेटवर्कमध्ये पहिल्या लेयर म्हणून एम्बेडिंग लेयर वापरून, आपण बॅग-ऑफ-वर्ड्स मॉडेलवरून **एम्बेडिंग बॅग** मॉडेलवर स्विच करू शकतो, जिथे आपण प्रथम आमच्या मजकुरातील प्रत्येक शब्द संबंधित एम्बेडिंगमध्ये रूपांतरित करतो आणि नंतर त्या सर्व एम्बेडिंग्सवर काही एकत्रित फंक्शन गणना करतो, जसे की `sum`, `average` किंवा `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> लेखकाने तयार केलेली प्रतिमा
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ BoW किंवा TF/IDF आधारित वर्गीकरण प्र
|
|||
|
||||
CBoW जलद आहे, तर स्किप-ग्राम हळू आहे, पण दुर्मिळ शब्दांचे प्रतिनिधित्व चांगल्या प्रकारे करते.
|
||||
|
||||
|
||||
|
||||
|
||||
> [या पेपरमधून](https://arxiv.org/pdf/1301.3781.pdf) घेतलेली प्रतिमा
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **कंटिन्युअस बॅग-ऑफ-वर्ड्स** (CBoW), जिथे आपण टोकन अनुक्रमातील मध्यवर्ती टोकन $W_0$ ची भविष्यवाणी करतो $W_{-N}$, ..., $W_N$.
|
||||
* **स्किप-ग्राम**, जिथे आपण मध्यवर्ती टोकन $W_0$ पासून शेजारील टोकनांचा संच {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} ची भविष्यवाणी करतो.
|
||||
|
||||
|
||||
|
||||
|
||||
> [या पेपरमधून](https://arxiv.org/pdf/1301.3781.pdf) घेतलेली प्रतिमा
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
मजकूर अनुक्रमाचा अर्थ पकडण्यासाठी, आपल्याला एक वेगळी तंत्रिका नेटवर्क रचना वापरावी लागते, ज्याला **पुनरावृत्ती तंत्रिका नेटवर्क** किंवा RNN म्हणतात. RNN मध्ये, आपण आपले वाक्य नेटवर्कमधून एकावेळी एक चिन्ह पाठवतो, आणि नेटवर्क काही **स्थिती** तयार करते, जी आपण पुढील चिन्हासह पुन्हा नेटवर्कमध्ये पाठवतो.
|
||||
|
||||
|
||||
|
||||
|
||||
> लेखकाने तयार केलेले चित्र
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ LSTM नेटवर्क RNN प्रमाणेच आयोजित क
|
|||
|
||||
पुनरावृत्ती नेटवर्क, एकदिशात्मक किंवा द्विदिशात्मक, अनुक्रमातील विशिष्ट नमुने पकडतो आणि त्यांना स्थिती वेक्टरमध्ये संग्रहित करतो किंवा आउटपुटमध्ये पास करतो. जसे की कॉनव्होल्यूशन नेटवर्क्ससह, आपण पहिल्या स्तराद्वारे काढलेल्या कमी-स्तरीय नमुन्यांपासून उच्च-स्तरीय नमुने पकडण्यासाठी पहिल्या स्तरावर आणखी एक पुनरावृत्ती स्तर तयार करू शकतो. यामुळे **बहुस्तरीय RNN** ची संकल्पना तयार होते, ज्यामध्ये दोन किंवा अधिक पुनरावृत्ती नेटवर्क्स असतात, जिथे मागील स्तराचा आउटपुट पुढील स्तराला इनपुट म्हणून पास केला जातो.
|
||||
|
||||
|
||||
|
||||
|
||||
*चित्र [या उत्कृष्ट पोस्टमधून](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) फर्नांडो लोपेझ यांनी*
|
||||
|
||||
|
|
|
|||
|
|
@ -420,7 +420,7 @@
|
|||
"\n",
|
||||
"पुनरावृत्ती नेटवर्क, एकदिशात्मक किंवा द्विदिशात्मक, अनुक्रमातील विशिष्ट नमुने कॅप्चर करते आणि त्यांना स्टेट व्हेक्टरमध्ये साठवते किंवा आउटपुटमध्ये पास करते. जसे कॉनव्होल्यूशनल नेटवर्क्समध्ये होते, तसेच आपण पहिल्या लेयरने काढलेल्या कमी-स्तरीय नमुन्यांवर आधारित उच्च-स्तरीय नमुने कॅप्चर करण्यासाठी पहिल्या लेयरच्या वर आणखी एक पुनरावृत्ती लेयर तयार करू शकतो. यामुळे **बहुपरत RNN** ची संकल्पना तयार होते, ज्यामध्ये दोन किंवा अधिक पुनरावृत्ती नेटवर्क्स असतात, जिथे मागील लेयरचा आउटपुट पुढील लेयरला इनपुट म्हणून दिला जातो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*फर्नांडो लोपेझ यांच्या [या अप्रतिम पोस्टमधून](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) घेतलेली प्रतिमा*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"मजकूर अनुक्रमाचा अर्थ पकडण्यासाठी, आपण **पुनरावृत्ती तंत्रिका नेटवर्क** किंवा RNN नावाची तंत्रिका नेटवर्क आर्किटेक्चर वापरणार आहोत. RNN वापरताना, आपण आपले वाक्य नेटवर्कमधून एकावेळी एक टोकन पास करतो, आणि नेटवर्क काही **स्थिती** तयार करते, जी आपण पुढील टोकनसह पुन्हा नेटवर्कमध्ये पास करतो.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"टोकनच्या इनपुट अनुक्रम $X_0,\\dots,X_n$ दिल्यास, RNN तंत्रिका नेटवर्क ब्लॉक्सची एक अनुक्रम तयार करते आणि बॅकप्रोपोगेशन वापरून हे अनुक्रम एंड-टू-एंड प्रशिक्षित करते. प्रत्येक नेटवर्क ब्लॉक $(X_i,S_i)$ ही जोडी इनपुट म्हणून घेतो आणि $S_{i+1}$ परिणाम म्हणून तयार करतो. अंतिम स्थिती $S_n$ किंवा आउटपुट $Y_n$ रेषीय वर्गीकरणामध्ये जाते जेणेकरून परिणाम तयार होतो. सर्व नेटवर्क ब्लॉक्स समान वजन सामायिक करतात आणि एकाच बॅकप्रोपोगेशन पासद्वारे एंड-टू-एंड प्रशिक्षित केले जातात.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"पुनरावृत्ती नेटवर्क्स, एकदिशात्मक किंवा द्विदिशात्मक, अनुक्रमातील नमुने पकडतात आणि त्यांना स्टेट व्हेक्टरमध्ये साठवतात किंवा आउटपुट म्हणून परत करतात. जसे कॉनव्होल्यूशन नेटवर्क्समध्ये होते, तसेच आपण पहिल्या लेयरने काढलेल्या कमी स्तरातील नमुन्यांमधून उच्च स्तराचे नमुने पकडण्यासाठी पहिल्या लेयरनंतर आणखी एक पुनरावृत्ती लेयर तयार करू शकतो. यामुळे **बहुपरत RNN** ची संकल्पना तयार होते, ज्यामध्ये दोन किंवा अधिक पुनरावृत्ती नेटवर्क्स असतात, जिथे मागील लेयरचे आउटपुट पुढील लेयरला इनपुट म्हणून दिले जाते.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*फर्नांडो लोपेझ यांनी लिहिलेल्या [या अप्रतिम पोस्टमधून](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) घेतलेली प्रतिमा.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"RNNला मजकूर तयार करण्यासाठी प्रशिक्षण देण्याची पद्धत पुढीलप्रमाणे आहे. प्रत्येक चरणावर, आम्ही `nchars` लांबीचा अक्षरांचा क्रम घेऊ आणि नेटवर्कला प्रत्येक इनपुट अक्षरासाठी पुढील आउटपुट अक्षर तयार करण्यास सांगू:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"खऱ्या परिस्थितीनुसार, आपल्याला काही विशेष अक्षरे समाविष्ट करायची असू शकतात, जसे की *end-of-sequence* `<eos>`. आपल्या बाबतीत, आम्हाला फक्त अखंड मजकूर तयार करण्यासाठी नेटवर्कला प्रशिक्षण द्यायचे आहे, त्यामुळे आम्ही प्रत्येक क्रमाची लांबी `nchars` टोकन इतकी निश्चित करू. परिणामी, प्रत्येक प्रशिक्षण उदाहरणामध्ये `nchars` इनपुट्स आणि `nchars` आउटपुट्स (जे इनपुट क्रम एका चिन्हाने डावीकडे सरकवलेले असतील) असतील. मिनीबॅचमध्ये अशा अनेक क्रमांचा समावेश असेल.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -111,7 +111,7 @@
|
|||
"\n",
|
||||
"आपण RNN कसे प्रशिक्षण देणार आहोत जेणेकरून ती बातम्यांची शीर्षके तयार करू शकेल, ते पुढीलप्रमाणे आहे. प्रत्येक टप्प्यावर, आपण एक शीर्षक घेऊ, जे RNN मध्ये दिले जाईल, आणि प्रत्येक इनपुट अक्षरासाठी आपण नेटवर्कला पुढील आउटपुट अक्षर तयार करण्यास सांगू:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"आमच्या अनुक्रमाच्या शेवटच्या अक्षरासाठी, आम्ही नेटवर्कला `<eos>` टोकन तयार करण्यास सांगू.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
यामुळे खालील चित्रात दाखवलेल्या विविध न्यूरल आर्किटेक्चर्स शक्य होतात:
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा ब्लॉग पोस्ट [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) मधून [Andrej Karpaty](http://karpathy.github.io/) यांनी तयार केलेली.
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
आम्ही या RNN ला टप्प्याटप्प्याने मजकूर तयार करण्यासाठी प्रशिक्षित करू. प्रत्येक टप्प्यावर, आम्ही `nchars` लांबीचा कॅरेक्टर अनुक्रम घेऊ आणि नेटवर्कला प्रत्येक इनपुट कॅरेक्टरसाठी पुढील आउटपुट कॅरेक्टर तयार करण्यास सांगू:
|
||||
|
||||
|
||||
|
||||
|
||||
मजकूर तयार करताना (इन्फरन्स दरम्यान), आम्ही काही **प्रॉम्प्ट** पासून सुरुवात करतो, जे RNN सेल्समधून पास होते आणि त्याचा इंटरमीडिएट स्टेट तयार होतो, आणि नंतर त्या स्टेटमधून निर्मिती सुरू होते. आम्ही एकावेळी एक कॅरेक्टर तयार करतो आणि स्टेट आणि तयार केलेला कॅरेक्टर पुढील RNN सेलला पास करतो, जोपर्यंत पुरेसे कॅरेक्टर्स तयार होत नाहीत.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ RNNs वापरून, क्रम-ते-क्रम दोन पुनर
|
|||
|
||||
**लक्षवेध यंत्रणा** प्रत्येक इनपुट व्हेक्टरच्या संदर्भात्मक प्रभावाचे वजन प्रत्येक RNN च्या आउटपुट अंदाजावर देण्याचा मार्ग प्रदान करते. हे अंमलात आणण्याचा मार्ग म्हणजे इनपुट RNN च्या मध्यवर्ती स्थिती आणि आउटपुट RNN दरम्यान शॉर्टकट तयार करणे. अशा प्रकारे, आउटपुट चिन्ह y<sub>t</sub> तयार करताना, आपण सर्व इनपुट लपवलेल्या स्थिती h<sub>i</sub> विचारात घेऊ, वेगवेगळ्या वजन गुणांक α<sub>t,i</sub> सह.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मधील अॅडिटिव्ह लक्षवेध यंत्रणा असलेले एन्कोडर-डिकोडर मॉडेल, [या ब्लॉग पोस्टमधून](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) उद्धृत.
|
||||
|
||||
लक्षवेध मॅट्रिक्स {α<sub>i,j</sub>} आउटपुट क्रमातील दिलेल्या शब्दाच्या निर्मितीत विशिष्ट इनपुट शब्द किती महत्त्वाची भूमिका बजावतात हे दर्शवेल. खाली अशा मॅट्रिक्सचे उदाहरण दिले आहे:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मधील आकृती (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ RNNs वापरून, क्रम-ते-क्रम दोन पुनर
|
|||
|
||||
पुढे, आपल्याला आपल्या क्रमातील काही नमुने पकडणे आवश्यक आहे. हे करण्यासाठी, ट्रान्सफॉर्मर्स **स्व-लक्षवेध** यंत्रणा वापरतात, जी इनपुट आणि आउटपुट म्हणून समान क्रमावर लागू केलेले लक्षवेध आहे. स्व-लक्षवेध लागू केल्याने आपल्याला वाक्याच्या **संदर्भ** विचारात घेता येतो, आणि कोणते शब्द परस्पर संबंधित आहेत हे पाहता येते. उदाहरणार्थ, हे आपल्याला *it* सारख्या कोरफेरन्सद्वारे संदर्भित केलेले शब्द पाहण्यास अनुमती देते, तसेच संदर्भ विचारात घेण्यास मदत करते:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Google ब्लॉग](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) मधून प्रतिमा
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ RNNs वापरून, क्रम-ते-क्रम दोन पुनर
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) हे 12 स्तरांसाठी *BERT-base* आणि 24 स्तरांसाठी *BERT-large* असलेले एक मोठे मल्टी-लेयर ट्रान्सफॉर्मर नेटवर्क आहे. मॉडेल प्रथम मोठ्या मजकूर डेटाच्या संग्रहावर (WikiPedia + पुस्तके) असंरचित प्रशिक्षण वापरून (वाक्यातील लपवलेले शब्द अंदाज करणे) पूर्व-प्रशिक्षित केले जाते. पूर्व-प्रशिक्षणादरम्यान मॉडेल महत्त्वपूर्ण स्तरांचा भाषा समज आत्मसात करते, ज्याचा नंतर इतर डेटासेटसह सूक्ष्म-ट्यूनिंगद्वारे लाभ घेतला जाऊ शकतो. या प्रक्रियेला **ट्रान्सफर लर्निंग** म्हणतात.
|
||||
|
||||
|
||||
|
||||
|
||||
> प्रतिमा [स्रोत](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**लक्षवेधी यंत्रणा (Attention Mechanisms)** RNN च्या प्रत्येक आउटपुट अंदाजावर प्रत्येक इनपुट वेक्टरच्या संदर्भात्मक प्रभावाचे वजन करण्याचा एक मार्ग प्रदान करतात. हे अंमलात आणण्याचा मार्ग म्हणजे इनपुट RNN च्या मध्यवर्ती स्थिती आणि आउटपुट RNN यांच्यात शॉर्टकट तयार करणे. अशा प्रकारे, आउटपुट चिन्ह $y_t$ तयार करताना, आपण सर्व इनपुट लपलेल्या स्थिती $h_i$ विचारात घेऊ, वेगवेगळ्या वजन गुणांक $\\alpha_{t,i}$ सह.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मधील अॅडिटिव्ह लक्षवेधी यंत्रणेसह एन्कोडर-डिकोडर मॉडेल, [या ब्लॉग पोस्टमधून](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) उद्धृत]*\n",
|
||||
"\n",
|
||||
"लक्षवेधी मॅट्रिक्स $\\{\\alpha_{i,j}\\}$ हे दर्शवेल की आउटपुट अनुक्रमातील विशिष्ट शब्द तयार करण्यात कोणत्या इनपुट शब्दांचा किती प्रभाव आहे. खाली अशा मॅट्रिक्सचे उदाहरण दिले आहे:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (आकृती 3) मधून घेतलेली आकृती]*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) हे 12 स्तरांसाठी *BERT-base* आणि 24 स्तरांसाठी *BERT-large* असलेले खूप मोठे बहुस्तरीय ट्रान्सफॉर्मर नेटवर्क आहे. हे मॉडेल मोठ्या प्रमाणावर मजकूर डेटावर (विकिपीडिया + पुस्तके) असंरचित प्रशिक्षण (unsupervised training) वापरून आधी प्रशिक्षणित केले जाते (वाक्यातील लपवलेले शब्द ओळखणे). पूर्व-प्रशिक्षणादरम्यान मॉडेल महत्त्वपूर्ण भाषिक समज आत्मसात करते, ज्याचा नंतर इतर डेटासेट्ससह सूक्ष्म-ट्यूनिंगद्वारे उपयोग केला जाऊ शकतो. या प्रक्रियेला **स्थानांतरण शिक्षण (transfer learning)** म्हणतात.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"BERT, DistilBERT, BigBird, OpenGPT3 आणि इतर अनेक ट्रान्सफॉर्मर आर्किटेक्चर्सच्या विविध आवृत्त्या आहेत, ज्या सूक्ष्म-ट्यूनिंगसाठी वापरता येतात. [HuggingFace पॅकेज](https://github.com/huggingface/) PyTorch सह या आर्किटेक्चर्सपैकी अनेकांचे प्रशिक्षण घेण्यासाठी रिपॉझिटरी प्रदान करते.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**अटेन्शन मेकॅनिझम्स** RNN च्या प्रत्येक आउटपुट प्रेडिक्शनवर प्रत्येक इनपुट व्हेक्टरच्या संदर्भात्मक प्रभावाचे वजन करण्याचा एक मार्ग प्रदान करतात. हे अंमलात आणण्याचा मार्ग म्हणजे इनपुट RNN च्या इंटरमिजिएट स्टेट्स आणि आउटपुट RNN दरम्यान शॉर्टकट तयार करणे. अशा प्रकारे, जेव्हा आउटपुट चिन्ह $y_t$ तयार करतो, तेव्हा आपण सर्व इनपुट हिडन स्टेट्स $h_i$ विचारात घेऊ, वेगवेगळ्या वजन गुणांक $\\alpha_{t,i}$ सह.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मधील अॅडिटिव्ह अटेन्शन मेकॅनिझमसह एन्कोडर-डिकोडर मॉडेल, [या ब्लॉग पोस्टमधून](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) घेतलेले*\n",
|
||||
"\n",
|
||||
"अटेन्शन मॅट्रिक्स $\\{\\alpha_{i,j}\\}$ हे दर्शवते की आउटपुट अनुक्रमातील विशिष्ट शब्द तयार करण्यात कोणत्या इनपुट शब्दांचा किती प्रभाव आहे. खाली अशा मॅट्रिक्सचे उदाहरण दिले आहे:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) मधून घेतलेली आकृती]*\n",
|
||||
"\n",
|
||||
|
|
@ -225,7 +225,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) हा एक मोठा मल्टी लेयर ट्रान्सफॉर्मर नेटवर्क आहे ज्यामध्ये *BERT-base* साठी 12 स्तर आणि *BERT-large* साठी 24 स्तर आहेत. हा मॉडेल प्रथम मोठ्या प्रमाणावर मजकूर डेटावर (WikiPedia + पुस्तके) असुपरवाइज्ड ट्रेनिंगचा वापर करून (वाक्यातील मास्क केलेल्या शब्दांची भविष्यवाणी करणे) प्री-ट्रेन केला जातो. प्री-ट्रेनिंग दरम्यान मॉडेल महत्त्वपूर्ण भाषिक समज आत्मसात करते, ज्याचा नंतर इतर डेटासेटसह फाइन ट्यूनिंगद्वारे उपयोग केला जाऊ शकतो. या प्रक्रियेला **ट्रान्सफर लर्निंग** म्हणतात.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"BERT, DistilBERT, BigBird, OpenGPT3 आणि इतर अनेक ट्रान्सफॉर्मर आर्किटेक्चरचे प्रकार आहेत, जे फाइन ट्यून केले जाऊ शकतात.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
टोकन्स आणि वर्गांमध्ये एक-ते-एक संबंध तयार करणे आवश्यक असल्याने, आपण या चित्रातून उजव्या बाजूला असलेल्या **अनेक-ते-अनेक** न्यूरल नेटवर्क मॉडेलला प्रशिक्षण देऊ शकतो:
|
||||
|
||||
|
||||
|
||||
|
||||
> *[Andrej Karpathy](http://karpathy.github.io/) यांच्या [या ब्लॉग पोस्टमधून](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) घेतलेले चित्र. NER टोकन वर्गीकरण मॉडेल्स या चित्रातील उजव्या बाजूच्या नेटवर्क आर्किटेक्चरशी संबंधित आहेत.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# नैसर्गिक भाषा प्रक्रिया
|
||||
|
||||
|
||||
|
||||
|
||||
या विभागात, आपण **नैसर्गिक भाषा प्रक्रिया (NLP)** संबंधित कार्ये हाताळण्यासाठी न्यूरल नेटवर्क्सचा वापर कसा करायचा यावर लक्ष केंद्रित करू. अनेक NLP समस्या आहेत ज्या संगणकांनी सोडवाव्या अशी आपली इच्छा आहे:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ NetLogo ची एक उत्तम गोष्ट म्हणजे त्
|
|||
|
||||
मॉडेल उघडल्यानंतर, तुम्हाला मुख्य NetLogo स्क्रीनवर नेले जाते. येथे एक नमुना मॉडेल आहे जो मर्यादित संसाधने (गवत) दिल्यास लांडगा आणि मेंढ्यांच्या लोकसंख्येचे वर्णन करतो.
|
||||
|
||||
|
||||
|
||||
|
||||
> स्क्रीनशॉट - Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# आढावा
|
||||
|
||||
|
||||
|
||||
|
||||
> स्केच नोट: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ NLP कार्यांसाठी ट्रान्सफॉर्मर
|
|||
|
||||
CLIP ची मुख्य कल्पना म्हणजे टेक्स्ट प्रॉम्प्ट्सची प्रतिमा सोबत तुलना करणे आणि प्रतिमा प्रॉम्प्टशी किती चांगली जुळते हे ठरवणे.
|
||||
|
||||
|
||||
|
||||
|
||||
> *[या ब्लॉग पोस्ट](https://openai.com/blog/clip/) मधून चित्र*
|
||||
|
||||
|
|
@ -31,7 +31,7 @@ CLIP मॉडेल/लायब्ररी [OpenAI GitHub](https://github.com
|
|||
|
||||
समजा आपल्याला प्रतिमा वर्गीकृत करायच्या आहेत, जसे की मांजरी, कुत्रे आणि माणसे. अशा परिस्थितीत, आपण मॉडेलला एक प्रतिमा आणि टेक्स्ट प्रॉम्प्ट्सची मालिका देऊ शकतो: "*मांजरीचे चित्र*", "*कुत्र्याचे चित्र*", "*माणसाचे चित्र*". परिणामी 3 संभाव्यतेच्या व्हेक्टरमध्ये आपल्याला फक्त सर्वाधिक मूल्य असलेल्या निर्देशांक निवडायचा आहे.
|
||||
|
||||
|
||||
|
||||
|
||||
> *[या ब्लॉग पोस्ट](https://openai.com/blog/clip/) मधून चित्र*
|
||||
|
||||
|
|
@ -55,13 +55,13 @@ VQGAN बद्दल अधिक जाणून घेण्यासाठ
|
|||
|
||||
VQGAN आणि पारंपरिक GAN मधील एक महत्त्वाचा फरक म्हणजे पारंपरिक GAN कोणत्याही इनपुट व्हेक्टरवरून चांगली प्रतिमा तयार करू शकते, तर VQGAN कदाचित सुसंगत प्रतिमा तयार करणार नाही. त्यामुळे, प्रतिमा निर्मिती प्रक्रियेला पुढे मार्गदर्शन करणे आवश्यक आहे, आणि ते CLIP वापरून केले जाऊ शकते.
|
||||
|
||||
|
||||
|
||||
|
||||
टेक्स्ट प्रॉम्प्टशी संबंधित प्रतिमा तयार करण्यासाठी, आपण काही रँडम एन्कोडिंग व्हेक्टरसह सुरुवात करतो जो VQGAN द्वारे प्रतिमा तयार करण्यासाठी पास केला जातो. नंतर CLIP चा वापर लॉस फंक्शन तयार करण्यासाठी केला जातो जो प्रतिमा टेक्स्ट प्रॉम्प्टशी किती चांगली जुळते हे दर्शवतो. त्यानंतर उद्दिष्ट म्हणजे हा लॉस कमी करणे, बॅक प्रोपोगेशन वापरून इनपुट व्हेक्टर पॅरामीटर्स समायोजित करणे.
|
||||
|
||||
VQGAN+CLIP लागू करणारी एक उत्कृष्ट लायब्ररी [Pixray](http://github.com/pixray/pixray) आहे.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
प्रॉम्प्ट *साहित्याच्या तरुण पुरुष शिक्षकाचा जलरंग पोर्ट्रेट जवळून* वरून तयार केलेले चित्र | प्रॉम्प्ट *संगणक विज्ञानाच्या तरुण महिला शिक्षकाचा तेल पोर्ट्रेट जवळून* वरून तयार केलेले चित्र | प्रॉम्प्ट *गणिताच्या वृद्ध पुरुष शिक्षकाचा तेल पोर्ट्रेट जवळून* वरून तयार केलेले चित्र
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,19 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T00:59:02+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T12:32:54+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ms"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
|
|
@ -23,48 +23,49 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Kecerdasan Buatan untuk Pemula - Kurikulum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI Untuk Pemula - _Sketchnote oleh [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Terokai dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12-minggu, 24-pelajaran kami! Ia merangkumi pelajaran praktikal, kuiz, dan makmal. Kurikulum ini mesra-pemula dan meliputi alat seperti TensorFlow dan PyTorch, serta etika dalam AI
|
||||
Terokai dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12 minggu, 24 pelajaran kami! Ia merangkumi pelajaran praktikal, kuiz, dan makmal. Kurikulum ini mesra-pemula dan merangkumi alat seperti TensorFlow dan PyTorch, serta etika dalam AI
|
||||
|
||||
### 🌐 Sokongan Berbilang Bahasa
|
||||
|
||||
#### Disokong melalui GitHub Action (Automatik & Sentiasa Dikemaskini)
|
||||
### 🌐 Sokongan Pelbagai Bahasa
|
||||
|
||||
#### Disokong melalui GitHub Action (Automatik & Sentiasa Dikemas kini)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](./README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Jika anda ingin mempunyai terjemahan tambahan, bahasa yang disokong disenaraikan [di sini](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Sertai Komuniti
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Apa yang akan anda pelajari
|
||||
|
||||
**[Peta Minda Kursus](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Mindmap of the Course](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Dalam kurikulum ini, anda akan mempelajari:
|
||||
|
||||
* Pendekatan yang berbeza kepada Kecerdasan Buatan, termasuk pendekatan simbolik "lama yang baik" dengan **Perwakilan Pengetahuan** dan penaakulan ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Rangkaian Neural** dan **Pembelajaran Mendalam**, yang merupakan teras AI moden. Kami akan menerangkan konsep di sebalik topik penting ini menggunakan kod dalam dua rangka kerja yang paling popular - [TensorFlow](http://Tensorflow.org) dan [PyTorch](http://pytorch.org).
|
||||
* **Senibina Neural** untuk bekerja dengan imej dan teks. Kami akan merangkumi model terkini tetapi mungkin agak kurang dalam aspek state-of-the-art.
|
||||
* Pendekatan AI yang kurang popular, seperti **Algoritma Genetik** dan **Sistem Multi-Ejen**.
|
||||
* Pendekatan berbeza terhadap Kecerdasan Buatan, termasuk pendekatan simbolik "lama yang baik" dengan **Perwakilan Pengetahuan** dan penaakulan ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Rangkaian Neural** dan **Pembelajaran Mendalam**, yang merupakan teras AI moden. Kami akan menggambarkan konsep di sebalik topik penting ini menggunakan kod dalam dua rangka kerja paling popular - [TensorFlow](http://Tensorflow.org) dan [PyTorch](http://pytorch.org).
|
||||
* **Arkitektur Neural** untuk bekerja dengan imej dan teks. Kami akan membincangkan model terkini tetapi mungkin agak ketinggalan dari segi kemajuan paling mutakhir.
|
||||
* Pendekatan AI yang kurang popular, seperti **Algoritma Genetik** dan **Sistem Pelbagai Ejen**.
|
||||
|
||||
Apa yang tidak akan kami liputi dalam kurikulum ini:
|
||||
|
||||
> [Temui semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Kes perniagaan penggunaan **AI dalam Perniagaan**. Pertimbangkan untuk mengambil laluan pembelajaran [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) di Microsoft Learn, atau [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), yang dibangunkan dengan kerjasama [INSEAD](https://www.insead.edu/).
|
||||
* **Pembelajaran Mesin Klasik**, yang diterangkan dengan baik dalam [Kurikulum Pembelajaran Mesin untuk Pemula](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplikasi AI praktikal yang dibina menggunakan **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Untuk ini, kami mengesyorkan anda mulakan dengan modul Microsoft Learn untuk [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** dan lain-lain.
|
||||
* **Rangka Kerja Awan ML Terperinci**, seperti [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), atau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Pertimbangkan menggunakan laluan pembelajaran [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) dan [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **AI Perbualan** dan **Chat Bots**. Terdapat laluan pembelajaran berasingan [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), dan anda juga boleh merujuk kepada [catatan blog ini](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) untuk maklumat lanjut.
|
||||
* Kes perniagaan penggunaan **AI dalam Perniagaan**. Pertimbangkan mengikuti laluan pembelajaran [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) di Microsoft Learn, atau [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), dibangunkan dengan kerjasama [INSEAD](https://www.insead.edu/).
|
||||
* **Pembelajaran Mesin Klasik**, yang diterangkan dengan baik dalam kurikulum kami [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplikasi AI praktikal dibina menggunakan **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Untuk ini, kami mengesyorkan anda bermula dengan modul Microsoft Learn untuk [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [pemprosesan bahasa semula jadi](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** dan lain-lain.
|
||||
* Rangka Kerja Awan ML tertentu, seperti [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), atau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Pertimbangkan menggunakan laluan pembelajaran [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) dan [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **AI Perbualan** dan **Bot Sembang**. Terdapat laluan pembelajaran berasingan [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) dan anda juga boleh merujuk [pos blog ini](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) untuk maklumat lanjut.
|
||||
* **Matematik Mendalam** di sebalik pembelajaran mendalam. Untuk ini, kami mengesyorkan [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) oleh Ian Goodfellow, Yoshua Bengio dan Aaron Courville, yang juga tersedia dalam talian di [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Untuk pengenalan ringan kepada topik _AI di Awan_, anda boleh mempertimbangkan mengambil Laluan Pembelajaran [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Untuk pengenalan ringkas kepada topik _AI di Awan_ anda boleh mempertimbangkan mengambil Laluan Pembelajaran [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Kandungan
|
||||
|
||||
|
|
@ -76,93 +77,93 @@ Untuk pengenalan ringan kepada topik _AI di Awan_, anda boleh mempertimbangkan m
|
|||
| II | **AI Simbolik** |
|
||||
| 02 | [Perwakilan Pengetahuan dan Sistem Pakar](./lessons/2-Symbolic/README.md) | [Sistem Pakar](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf Konsep](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Pengenalan kepada Rangkaian Neural**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Nota Jupyter](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Makmal](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptron Berbilang Lapisan dan Mencipta Rangka Kerja Sendiri](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Nota Jupyter](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Makmal](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Buku Nota](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Makmal](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptron Berbilang Lapisan dan Mewujudkan Rangka Kerja Kita Sendiri](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Buku Nota](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Makmal](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Pengenalan kepada Rangka Kerja (PyTorch/TensorFlow) dan Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Makmal](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Penglihatan Komputer**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Terokai Penglihatan Komputer di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Pengenalan kepada Penglihatan Komputer. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Nota Jupyter](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Makmal](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Rangkaian Neural Konvolusional](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arkitektur CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Makmal](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Rangkaian Pra-latih dan Pembelajaran Pemindahan](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Petua Latihan](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Makmal](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoder dan VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Rangkaian Adversarial Generatif & Pemindahan Gaya Artistik](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| IV | [**Visi Komputer**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Terokai Visi Komputer di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Pengenalan kepada Visi Komputer. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Buku Nota](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Makmal](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Makmal](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Rangkaian Pra-latih dan Pembelajaran Pemindahan](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Makmal](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders and VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks & Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Pengesanan Objek](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Makmal](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentasi Semantik. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Pemprosesan Bahasa Semula Jadi**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Terokai Pemprosesan Bahasa Semula Jadi di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Pemprosesan Bahasa Semulajadi**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Terokai Pemprosesan Bahasa Semulajadi di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Perwakilan Teks. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Embedding perkataan semantik. Word2Vec dan GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Pemodelan Bahasa. Melatih embedding anda sendiri](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Makmal](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 14 | [Pembenaman perkataan semantik. Word2Vec dan GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Pemodelan Bahasa. Melatih pembenaman anda sendiri](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Makmal](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rangkaian Neural Berulang](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Rangkaian Berulang Generatif](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Makmal](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Pengecaman Entiti Bernama](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Makmal](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Model Bahasa Besar, Pengaturcaraan Prompt dan Tugasan Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 20 | [Model Bahasa Besar, Pengaturcaraan Petunjuk dan Tugasan Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Teknik AI Lain** || |
|
||||
| 21 | [Algoritma Genetik](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Nota Jupyter](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Pembelajaran Penguatan Mendalam](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Makmal](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 21 | [Algoritma Genetik](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Buku Nota](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Pembelajaran Pengukuhan Mendalam](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Makmal](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistem Berbilang Ejen](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika AI** | | |
|
||||
| 24 | [Etika AI dan AI Bertanggungjawab](./lessons/7-Ethics/README.md) | [Microsoft Learn: Prinsip AI Bertanggungjawab](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Etika AI dan AI Bertanggungjawab](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Tambahan** | | |
|
||||
| 25 | [Rangkaian Pelbagai Mod, CLIP dan VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Nota Jupyter](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Rangkaian Multi-Modal, CLIP dan VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Buku Nota](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Setiap pelajaran mengandungi
|
||||
|
||||
* Bahan pra-bacaan
|
||||
* Jupyter Notebooks yang boleh dijalankan, yang sering khusus kepada rangka kerja (**PyTorch** atau **TensorFlow**). Notebook yang boleh dijalankan juga mengandungi banyak bahan teori, jadi untuk memahami topik anda perlu melalui sekurang-kurangnya satu versi notebook (sama ada PyTorch atau TensorFlow).
|
||||
* Bahan bacaan awal
|
||||
* Buku Nota Jupyter yang boleh dijalankan, yang sering khusus kepada rangka kerja (**PyTorch** atau **TensorFlow**). Buku nota yang boleh dijalankan juga mengandungi banyak bahan teori, jadi untuk memahami topik anda perlu melalui sekurang-kurangnya satu versi buku nota (sama ada PyTorch atau TensorFlow).
|
||||
* **Makmal** tersedia untuk beberapa topik, yang memberi anda peluang untuk mencuba menerapkan bahan yang telah anda pelajari kepada masalah tertentu.
|
||||
* Sesetengah bahagian mengandungi pautan ke [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modul yang merangkumi topik berkaitan.
|
||||
* Beberapa bahagian mengandungi pautan kepada modul [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) yang merangkumi topik berkaitan.
|
||||
|
||||
## Mula
|
||||
|
||||
### 🎯 Baharu kepada AI? Mula Di Sini!
|
||||
### 🎯 Baru dalam AI? Mula di sini!
|
||||
|
||||
Jika anda benar-benar baharu kepada AI dan mahukan contoh cepat dan praktikal, semak [**Contoh Mesra Pemula**](./examples/README.md) kami! Ini termasuk:
|
||||
Jika anda benar-benar baru dalam AI dan mahukan contoh ringkas yang praktikal, lihat [**Contoh Mesra Pemula**](./examples/README.md)! Ini termasuk:
|
||||
|
||||
- 🌟 **Hello AI World** - Program AI pertama anda (pengenalan corak)
|
||||
- 🧠 **Rangkaian Neural Ringkas** - Bina rangkaian neural dari awal
|
||||
- 🖼️ **Pengelas Imej** - Klasifikasikan imej dengan ulasan terperinci
|
||||
- 💬 **Sentimen Teks** - Analisis teks positif/negatif
|
||||
- 🧠 **Simple Neural Network** - Bina rangkaian neural dari awal
|
||||
- 🖼️ **Image Classifier** - Mengklasifikasikan imej dengan ulasan terperinci
|
||||
- 💬 **Analisis Sentimen Teks** - Menganalisis teks positif/negatif
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
Contoh-contoh ini direka untuk membantu anda memahami konsep AI sebelum menyelami kurikulum penuh.
|
||||
|
||||
### 📚 Persediaan Kurikulum Penuh
|
||||
|
||||
- Kami telah menyediakan sebuah [pelajaran persediaan](./lessons/0-course-setup/setup.md) untuk membantu anda menyediakan persekitaran pembangunan anda. - Untuk pendidik, kami juga telah menyediakan sebuah [pelajaran persediaan kurikulum](./lessons/0-course-setup/for-teachers.md) untuk anda juga!
|
||||
- Bagaimana untuk [Menjalankan kod dalam VSCode atau Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Kami telah membuat satu [pelajaran persediaan](./lessons/0-course-setup/setup.md) untuk membantu anda menyediakan persekitaran pembangunan anda. - Untuk Pendidik, kami juga telah membuat satu [pelajaran persediaan kurikulum](./lessons/0-course-setup/for-teachers.md) untuk anda!
|
||||
- Cara untuk [Menjalankan kod dalam VSCode atau Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Ikuti langkah-langkah berikut:
|
||||
Ikuti langkah-langkah ini:
|
||||
|
||||
Fork Repositori: Click on the "Fork" button at the top-right corner of this page.
|
||||
Fork Repositori: Klik pada butang "Fork" di penjuru atas-kanan halaman ini.
|
||||
|
||||
Clone Repositori: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
Jangan lupa untuk memberikan bintang (🌟) repo ini supaya lebih mudah dicari kemudian.
|
||||
|
||||
## Berjumpa Pelajar Lain
|
||||
## Temui Pelajar Lain
|
||||
|
||||
Sertai [pelayan Discord AI rasmi kami](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) untuk berjumpa dan berjejaring dengan pelajar lain yang mengikuti kursus ini dan mendapatkan sokongan.
|
||||
Sertai [pelayan Discord rasmi AI kami](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) untuk bertemu dan berhubung dengan pelajar lain yang mengikuti kursus ini dan mendapatkan sokongan.
|
||||
|
||||
Jika anda mempunyai maklum balas produk atau soalan semasa membina lawati our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Jika anda mempunyai maklum balas produk atau soalan semasa membina lawati [Forum Pembangun Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## Kuiz
|
||||
|
||||
> **Nota tentang kuiz**: Semua kuiz terkandung dalam folder Quiz-app di etc\quiz-app, atau [Dalam Talian Di Sini](https://ff-quizzes.netlify.app/) Mereka dipautkan dari dalam pelajaran the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. Mereka sedang dilokalkan secara beransur-ansur.
|
||||
> **Catatan tentang kuiz**: Semua kuiz terkandung dalam folder Quiz-app di etc\quiz-app, atau [Dalam Talian Di Sini](https://ff-quizzes.netlify.app/) Mereka dipautkan dari dalam pelajaran; aplikasi kuiz boleh dijalankan secara tempatan atau dideploy ke Azure; ikut arahan dalam folder `quiz-app`. Mereka sedang diterjemahkan secara berperingkat.
|
||||
|
||||
## Bantuan Diperlukan
|
||||
|
||||
Adakah anda mempunyai cadangan atau menemui kesalahan ejaan atau kod? Buka isu atau buat permintaan tarik (pull request).
|
||||
Ada cadangan atau menemui kesalahan ejaan atau kod? Buka isu atau buat pull request.
|
||||
|
||||
## Ucapan Terima Kasih Khas
|
||||
|
||||
* **✍️ Pengarang Utama:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Penyunting:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **🎨 Ilustrator Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Pencipta Kuiz:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Penyumbang Teras:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Kurikulum Lain
|
||||
|
||||
Our team produces other curricula! Check out:
|
||||
Pasukan kami menghasilkan kurikulum lain! Lihat:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -171,7 +172,7 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Ejen
|
||||
### Azure / Edge / MCP / Agen
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -179,11 +180,11 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Siri AI Generatif
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Siri Generatif AI
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
|
|
@ -206,17 +207,17 @@ Our team produces other curricula! Check out:
|
|||
|
||||
## Mendapatkan Bantuan
|
||||
|
||||
Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai pelajar lain dan pembangun berpengalaman dalam perbincangan tentang MCP. Ia adalah komuniti sokongan di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.
|
||||
Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai rakan pelajar dan pembangun berpengalaman dalam perbincangan tentang MCP. Ini ialah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jika anda mempunyai maklum balas produk atau ralat semasa membina, lawati:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Penafian:
|
||||
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi ralat atau ketidaktepatan. Dokumen asal dalam bahasanya hendaklah dianggap sebagai sumber rujukan muktamad. Untuk maklumat yang kritikal, disyorkan supaya mendapatkan terjemahan profesional oleh penterjemah manusia. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
|
||||
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator (https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidakakuratan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber rujukan yang sah. Untuk maklumat yang kritikal, disarankan mendapatkan terjemahan profesional oleh penterjemah manusia. Kami tidak bertanggungjawab ke atas sebarang salah faham atau salah tafsiran yang timbul daripada penggunaan terjemahan ini.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Pengenalan kepada AI
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote oleh [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Pada asalnya, komputer dicipta oleh [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) untuk beroperasi pada nombor mengikut prosedur yang jelas - iaitu algoritma. Komputer moden, walaupun jauh lebih maju daripada model asal yang dicadangkan pada abad ke-19, masih mengikuti idea yang sama iaitu pengiraan terkawal. Oleh itu, adalah mungkin untuk memprogram komputer untuk melakukan sesuatu jika kita tahu urutan langkah yang tepat yang perlu dilakukan untuk mencapai matlamat tersebut.
|
||||
|
||||
|
||||
|
||||
|
||||
> Foto oleh [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Untuk maklumat lanjut, rujuk **[Artificial General Intelligence](https://en.wiki
|
|||
|
||||
Salah satu masalah apabila berurusan dengan istilah **[Kecerdasan](https://en.wikipedia.org/wiki/Intelligence)** ialah tiada definisi yang jelas untuk istilah ini. Ada yang berpendapat bahawa kecerdasan berkaitan dengan **pemikiran abstrak**, atau **kesedaran diri**, tetapi kita tidak dapat mendefinisikannya dengan tepat.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Foto](https://unsplash.com/photos/75715CVEJhI) oleh [Amber Kipp](https://unsplash.com/@sadmax) dari Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Sebaliknya, kita boleh cuba memodelkan elemen paling mudah dalam otak kita – i
|
|||
|
||||
> | Bagaimana dengan ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Bahagian Kecerdasan Buatan yang berdasarkan komputer belajar untuk menyelesaikan masalah berdasarkan beberapa data dipanggil **Pembelajaran Mesin**. Kita tidak akan mempertimbangkan pembelajaran mesin klasik dalam kursus ini - kita merujuk anda kepada kurikulum [Machine Learning for Beginners](http://aka.ms/ml-beginners) yang berasingan. |  |
|
||||
> | Bahagian Kecerdasan Buatan yang berdasarkan komputer belajar untuk menyelesaikan masalah berdasarkan beberapa data dipanggil **Pembelajaran Mesin**. Kita tidak akan mempertimbangkan pembelajaran mesin klasik dalam kursus ini - kita merujuk anda kepada kurikulum [Machine Learning for Beginners](http://aka.ms/ml-beginners) yang berasingan. |  |
|
||||
|
||||
## Sejarah Ringkas AI
|
||||
|
||||
Kecerdasan Buatan bermula sebagai satu bidang pada pertengahan abad ke-20. Pada mulanya, pendekatan penaakulan simbolik adalah pendekatan yang dominan, dan ia membawa kepada beberapa kejayaan penting, seperti sistem pakar – program komputer yang mampu bertindak sebagai pakar dalam beberapa domain masalah yang terhad. Walau bagaimanapun, tidak lama kemudian menjadi jelas bahawa pendekatan sedemikian tidak berskala dengan baik. Mengekstrak pengetahuan daripada pakar, mewakilkannya dalam komputer, dan memastikan pangkalan pengetahuan itu tepat ternyata menjadi tugas yang sangat kompleks, dan terlalu mahal untuk praktikal dalam banyak kes. Ini membawa kepada apa yang dipanggil [AI Winter](https://en.wikipedia.org/wiki/AI_winter) pada tahun 1970-an.
|
||||
|
||||
<img alt="Sejarah Ringkas AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.ms.png" width="70%"/>
|
||||
<img alt="Sejarah Ringkas AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.ms.png" width="70%"/>
|
||||
|
||||
> Imej oleh [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Begitu juga, kita boleh melihat bagaimana pendekatan terhadap mencipta “progra
|
|||
* Pembantu moden, seperti Cortana, Siri atau Google Assistant semuanya adalah sistem hibrid yang menggunakan rangkaian neural untuk menukar pertuturan kepada teks dan mengenali niat kita, dan kemudian menggunakan beberapa penaakulan atau algoritma eksplisit untuk melaksanakan tindakan yang diperlukan.
|
||||
* Pada masa depan, kita mungkin menjangkakan model berasaskan neural sepenuhnya untuk mengendalikan dialog dengan sendirinya. Keluarga GPT dan [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) rangkaian neural baru-baru ini menunjukkan kejayaan besar dalam hal ini.
|
||||
|
||||
<img alt="evolusi ujian Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.ms.png" width="70%"/>
|
||||
<img alt="evolusi ujian Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead.ms.png" width="70%"/>
|
||||
> Gambar oleh Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) oleh [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Penyelidikan AI Terkini
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"Dalam contoh ini, kita akan melaksanakan sistem berasaskan pengetahuan yang mudah untuk menentukan haiwan berdasarkan beberapa ciri fizikal. Sistem ini boleh diwakili oleh pokok AND-OR berikut (ini adalah sebahagian daripada keseluruhan pokok, kita boleh menambah lebih banyak peraturan dengan mudah):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Perwakilan Pengetahuan dan Sistem Pakar
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote oleh [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Kebiasaannya, kita tidak mentakrifkan pengetahuan secara ketat, tetapi kita meny
|
|||
|
||||
Oleh itu, masalah **perwakilan pengetahuan** adalah untuk mencari cara yang berkesan untuk mewakili pengetahuan dalam komputer dalam bentuk data, supaya ia boleh digunakan secara automatik. Ini boleh dilihat sebagai spektrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej oleh [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Sintaks Blok | Indentasi | | |
|
|||
|
||||
Salah satu kejayaan awal AI simbolik ialah **sistem pakar** - sistem komputer yang direka untuk bertindak sebagai pakar dalam domain masalah yang terhad. Ia berdasarkan **pangkalan pengetahuan** yang diekstrak daripada satu atau lebih pakar manusia, dan mengandungi **enjin inferens** yang melakukan beberapa penaakulan di atasnya.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Struktur ringkas sistem saraf manusia | Seni bina sistem berasaskan pengetahuan
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Sistem pakar dibina seperti sistem penaakulan manusia, yang mengandungi **memori
|
|||
|
||||
Sebagai contoh, mari kita pertimbangkan sistem pakar berikut untuk menentukan haiwan berdasarkan ciri fizikalnya:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej oleh [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1255,7 +1255,7 @@
|
|||
"* Kehilangan latihan yang rendah - model dapat menghampiri data latihan dengan baik kerana ia mempunyai kuasa ekspresi yang mencukupi.\n",
|
||||
"* Kehilangan validasi boleh menjadi jauh lebih tinggi daripada kehilangan latihan dan boleh mula meningkat semasa latihan - ini kerana model \"mengingati\" titik-titik latihan, dan kehilangan \"gambaran keseluruhan.\"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Dalam gambar ini, `x` mewakili data latihan, `o` - data validasi. Kiri - model linear (satu lapisan), ia menghampiri sifat data dengan baik. Kanan - model yang overfitting, model ini menghampiri data latihan dengan sempurna, tetapi tidak lagi masuk akal untuk data lain (kesalahan validasi sangat tinggi).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Overfitting adalah konsep yang sangat penting dalam pembelajaran mesin, dan sang
|
|||
|
||||
Pertimbangkan masalah berikut untuk menghampiri 5 titik (diwakili oleh `x` pada graf di bawah):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Model Linear, 2 parameter** | **Model Tidak Linear, 7 parameter**
|
||||
Ralat latihan = 5.3 | Ralat latihan = 0
|
||||
|
|
@ -79,7 +79,7 @@ Adalah sangat penting untuk mencapai keseimbangan yang betul antara kekayaan mod
|
|||
|
||||
Seperti yang anda lihat daripada graf di atas, overfitting boleh dikesan melalui ralat latihan yang sangat rendah, dan ralat validasi yang tinggi. Biasanya semasa latihan kita akan melihat kedua-dua ralat latihan dan validasi mula berkurangan, dan kemudian pada satu ketika ralat validasi mungkin berhenti berkurangan dan mula meningkat. Ini akan menjadi tanda overfitting, dan petunjuk bahawa kita mungkin perlu menghentikan latihan pada ketika ini (atau sekurang-kurangnya membuat snapshot model).
|
||||
|
||||
|
||||
|
||||
|
||||
## Cara mencegah overfitting
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Pengenalan kepada Rangkaian Neural
|
||||
|
||||
|
||||
|
||||
|
||||
Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik telah mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak seperti ini dipanggil **rangkaian neural**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ Dalam kurikulum ini, kita hanya akan memberi tumpuan kepada model rangkaian neur
|
|||
|
||||
Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel-sel neural (neuron), setiap satunya mempunyai pelbagai "input" (dendrit) dan satu "output" (akson). Kedua-dua dendrit dan akson boleh menghantar isyarat elektrik, dan sambungan di antara mereka — dikenali sebagai sinaps — boleh menunjukkan tahap kekonduksian yang berbeza-beza, yang dikawal oleh neurotransmitter.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Neuron Sebenar *([Imej](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Tiruan *(Imej oleh Penulis)*
|
||||
|
||||
Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta satu siri pemberat W<sub>1</sub>, ..., W<sub>N</sub>. Output dikira sebagai:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ms.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.ms.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
di mana f adalah beberapa **fungsi pengaktifan** bukan linear.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ Dalam [OpenCV Notebook](OpenCV.ipynb) kami, kami memberikan beberapa contoh di m
|
|||
|
||||
* **Pra-pemprosesan gambar buku Braille**. Kami memberi tumpuan kepada bagaimana kami boleh menggunakan thresholding, pengesanan ciri, transformasi perspektif dan manipulasi NumPy untuk memisahkan simbol Braille individu untuk pengelasan selanjutnya oleh rangkaian neural.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Imej dari [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Mengesan pergerakan dalam video menggunakan perbezaan bingkai**. Jika kamera tetap, maka bingkai dari suapan kamera seharusnya agak serupa antara satu sama lain. Oleh kerana bingkai diwakili sebagai array, hanya dengan menolak array tersebut untuk dua bingkai berturut-turut kita akan mendapat perbezaan piksel, yang seharusnya rendah untuk bingkai statik, dan menjadi lebih tinggi apabila terdapat pergerakan yang ketara dalam imej.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Dalam [OpenCV Notebook](OpenCV.ipynb) kami, kami memberikan beberapa contoh di m
|
|||
- **Dense Optical Flow** mengira medan vektor yang menunjukkan untuk setiap piksel ke mana ia bergerak
|
||||
- **Sparse Optical Flow** berdasarkan mengambil beberapa ciri yang jelas dalam imej (contohnya, tepi), dan membina trajektori mereka dari bingkai ke bingkai.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 adalah rangkaian yang mencapai ketepatan 92.7% dalam klasifikasi top-5 ImageNet pada tahun 2014. Ia mempunyai struktur lapisan seperti berikut:
|
||||
|
||||
|
||||
|
||||
|
||||
Seperti yang anda lihat, VGG mengikuti senibina piramid tradisional, iaitu urutan lapisan penumpuan dan pengumpulan.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -262,7 +262,7 @@
|
|||
"\n",
|
||||
"Oleh itu, dalam CNN biasa, akan terdapat beberapa lapisan pengenalan, dengan lapisan pengumpulan di antara mereka untuk mengurangkan dimensi gambar. Kita juga akan meningkatkan bilangan penapis, kerana apabila corak menjadi lebih kompleks - terdapat lebih banyak kombinasi menarik yang perlu kita cari.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Disebabkan oleh pengurangan dimensi ruang dan peningkatan dimensi ciri/penapis, seni bina ini juga dipanggil **seni bina piramid**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -360,7 +360,7 @@
|
|||
"\n",
|
||||
"Oleh itu, dalam CNN tipikal, akan terdapat beberapa lapisan convolutional, dengan lapisan pooling di antara mereka untuk mengurangkan dimensi imej. Kita juga akan meningkatkan bilangan penapis, kerana apabila corak menjadi lebih kompleks - terdapat lebih banyak kombinasi menarik yang perlu kita cari.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Disebabkan oleh pengurangan dimensi ruang dan peningkatan dimensi ciri/penapis, seni bina ini juga dipanggil **seni bina piramid**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ Dalam kehidupan sebenar, kita ingin dapat mengenali objek dalam gambar tanpa men
|
|||
|
||||
Untuk mengekstrak pola, kita akan menggunakan konsep **penapis konvolusi**. Seperti yang anda tahu, imej diwakili oleh matriks 2D, atau tensor 3D dengan kedalaman warna. Menggunakan penapis bermaksud kita mengambil matriks **kernel penapis** yang agak kecil, dan untuk setiap piksel dalam imej asal, kita mengira purata berwajaran dengan titik-titik jiran. Kita boleh melihat ini seperti tingkap kecil yang meluncur di seluruh imej, dan meratakan semua piksel mengikut berat dalam matriks kernel penapis.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Imej oleh Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Cara CNN berfungsi berdasarkan idea penting berikut:
|
|||
* Kita boleh mereka bentuk rangkaian sedemikian rupa sehingga penapis dilatih secara automatik
|
||||
* Kita boleh menggunakan pendekatan yang sama untuk mencari pola dalam ciri tahap tinggi, bukan hanya dalam imej asal. Oleh itu, pengekstrakan ciri CNN berfungsi pada hierarki ciri, bermula daripada gabungan piksel tahap rendah, sehingga gabungan tahap tinggi bahagian gambar.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [kertas kerja oleh Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), berdasarkan [penyelidikan mereka](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Kebanyakan CNN yang digunakan untuk pemprosesan imej mengikuti seni bina yang di
|
|||
|
||||
Sebagai contoh, mari kita lihat seni bina VGG-16, rangkaian yang mencapai ketepatan 92.7% dalam klasifikasi top-5 ImageNet pada tahun 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Anda perlu melatih rangkaian neural konvolusi untuk mengklasifikasikan pelbagai
|
|||
|
||||
Kita akan menggunakan [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), yang mengandungi imej 37 baka anjing dan kucing yang berbeza.
|
||||
|
||||
|
||||
|
||||
|
||||
Untuk memuat turun dataset, gunakan kod berikut:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Untuk menggambarkan kucing yang ideal, kita akan bermula dengan imej bunyi rawak, dan akan cuba menggunakan teknik pengoptimuman penurunan kecerunan untuk melaraskan imej supaya rangkaian dapat mengenali kucing.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Berikut adalah imej permulaan kita:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Kedua-dua Keras dan PyTorch mengandungi fungsi untuk memuatkan berat rangkaian n
|
|||
|
||||
Berikut adalah contoh ciri-ciri yang diekstrak daripada gambar kucing oleh rangkaian VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Dataset Kucing vs. Anjing
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Rangkaian neural pra-latih mengandungi pelbagai corak dalam "otaknya", termasuk
|
|||
|
||||
Satu pendekatan yang boleh kita ambil adalah bermula dengan imej rawak, dan kemudian cuba menggunakan teknik **pengoptimuman penurunan kecerunan** untuk menyesuaikan imej tersebut sedemikian rupa sehingga rangkaian mula berfikir bahawa ia adalah kucing.
|
||||
|
||||
|
||||
|
||||
|
||||
Walau bagaimanapun, jika kita melakukan ini, kita akan mendapat sesuatu yang sangat mirip dengan bunyi rawak. Ini kerana *terdapat banyak cara untuk membuat rangkaian berfikir imej input adalah kucing*, termasuk beberapa yang tidak masuk akal secara visual. Walaupun imej-imej tersebut mengandungi banyak corak yang tipikal untuk kucing, tiada apa yang menghalang mereka daripada menjadi jelas secara visual.
|
||||
|
||||
Untuk memperbaiki hasilnya, kita boleh menambah satu lagi istilah ke dalam fungsi kehilangan, yang dipanggil **kehilangan variasi**. Ia adalah metrik yang menunjukkan betapa serupa piksel-piksel yang bersebelahan dalam imej. Meminimumkan kehilangan variasi menjadikan imej lebih licin, dan menghilangkan bunyi - dengan itu mendedahkan corak yang lebih menarik secara visual. Berikut adalah contoh imej "ideal" seperti itu, yang diklasifikasikan sebagai kucing dan zebra dengan kebarangkalian tinggi:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Kucing Ideal* | *Zebra Ideal*
|
||||
|
||||
Pendekatan serupa boleh digunakan untuk melakukan apa yang dipanggil **serangan adversarial** pada rangkaian neural. Katakan kita ingin mengelirukan rangkaian neural dan membuat anjing kelihatan seperti kucing. Jika kita mengambil imej anjing, yang dikenali oleh rangkaian sebagai anjing, kita kemudian boleh mengubahnya sedikit menggunakan pengoptimuman penurunan kecerunan, sehingga rangkaian mula mengklasifikasikannya sebagai kucing:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Gambar asal anjing* | *Gambar anjing yang diklasifikasikan sebagai kucing*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Memandangkan kita melatih autoencoder untuk menangkap sebanyak mungkin maklumat daripada imej asal bagi tujuan pembinaan semula yang tepat, rangkaian cuba mencari **embedding** terbaik bagi imej input untuk menangkap maksudnya.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Imej daripada [blog Keras](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Oleh kerana kita melatih autoencoder untuk menangkap sebanyak mungkin maklumat daripada imej asal bagi menghasilkan pembinaan semula yang tepat, rangkaian cuba mencari **embedding** terbaik bagi imej input untuk menangkap maksudnya.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Imej daripada [blog Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Namun, kita mungkin ingin menggunakan data mentah (tidak berlabel) untuk melatih
|
|||
|
||||
Oleh kerana kita melatih autoencoder untuk menangkap sebanyak mungkin maklumat daripada imej asal bagi tujuan pembinaan semula yang tepat, rangkaian cuba mencari **embedding** terbaik bagi imej input untuk menangkap maknanya.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Model klasifikasi imej yang telah kita pelajari sebelum ini mengambil imej dan m
|
|||
|
||||
## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [laman web YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Jika kita ingin mencari seekor kucing dalam gambar, pendekatan naif untuk penges
|
|||
2. Jalankan klasifikasi imej pada setiap jubin.
|
||||
3. Jubin yang menghasilkan pengaktifan yang cukup tinggi boleh dianggap mengandungi objek yang dicari.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imej dari [Buku Latihan](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Anda mungkin akan menemui dataset berikut untuk tugas ini:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 kelas
|
||||
* [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 kelas, kotak sempadan dan topeng segmentasi
|
||||
|
||||
|
||||
|
||||
|
||||
## Metrik Pengesanan Objek
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Anda mungkin akan menemui dataset berikut untuk tugas ini:
|
|||
|
||||
Untuk klasifikasi imej, mudah untuk mengukur sejauh mana algoritma berfungsi, tetapi untuk pengesanan objek kita perlu mengukur kedua-dua ketepatan kelas dan ketepatan lokasi kotak sempadan yang diramalkan. Untuk yang terakhir, kita menggunakan **Intersection over Union** (IoU), yang mengukur sejauh mana dua kotak (atau dua kawasan arbitrari) bertindih.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Rajah 2 dari [blog post yang sangat baik tentang IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Terdapat dua kelas utama algoritma pengesanan objek:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) menggunakan [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) untuk menghasilkan struktur hierarki kawasan ROI, yang kemudian dilalui oleh pengekstrak ciri CNN dan pengklasifikasi SVM untuk menentukan kelas objek, dan regresi linear untuk menentukan koordinat *kotak sempadan*. [Kertas Rasmi](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imej dari van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imej dari [blog ini](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Terdapat dua kelas utama algoritma pengesanan objek:
|
|||
|
||||
Pendekatan ini serupa dengan R-CNN, tetapi kawasan ditentukan selepas lapisan konvolusi diterapkan.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [Kertas Rasmi](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Pendekatan ini serupa dengan R-CNN, tetapi kawasan ditentukan selepas lapisan ko
|
|||
|
||||
Idea utama pendekatan ini adalah menggunakan rangkaian neural untuk meramalkan ROI - yang dipanggil *Region Proposal Network*. [Kertas](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [kertas rasmi](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Algoritma ini lebih pantas daripada Faster R-CNN. Idea utama adalah seperti beri
|
|||
1. Ciri-ciri diproses oleh **Position-Sensitive Score Map**. Setiap objek dari $C$ kelas dibahagikan kepada $k\times k$ kawasan, dan kita melatih untuk meramalkan bahagian objek.
|
||||
1. Untuk setiap bahagian dari $k\times k$ kawasan, semua rangkaian mengundi untuk kelas objek, dan kelas objek dengan undian maksimum dipilih.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [kertas rasmi](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO adalah algoritma satu-laluan masa nyata. Idea utama adalah seperti berikut:
|
|||
* Imej dibahagikan kepada $S\times S$ kawasan.
|
||||
* Untuk setiap kawasan, **CNN** meramalkan $n$ objek yang mungkin, koordinat *kotak sempadan* dan *confidence*=*probability* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej dari [kertas rasmi](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Penglihatan Komputer
|
||||
|
||||
|
||||
|
||||
|
||||
Dalam bahagian ini, kita akan mempelajari tentang:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Bag of Words** (BoW) adalah representasi vektor yang paling biasa digunakan dalam kaedah tradisional. Setiap perkataan dikaitkan dengan indeks vektor, dan elemen vektor mengandungi bilangan kemunculan sesuatu perkataan dalam dokumen tertentu.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Anda juga boleh menganggap BoW sebagai jumlah semua vektor satu-hot-encoded untuk setiap perkataan individu dalam teks.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Bag-of-words** (BoW) adalah representasi vektor tradisional yang paling mudah difahami. Setiap perkataan dihubungkan dengan indeks vektor, dan elemen vektor mengandungi bilangan kemunculan setiap perkataan dalam dokumen tertentu.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Anda juga boleh menganggap BoW sebagai jumlah semua vektor satu-hot-encoded untuk setiap perkataan dalam teks.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Dengan menggunakan lapisan embedding sebagai lapisan pertama dalam rangkaian kita, kita boleh beralih daripada model bag-of-words kepada model **embedding bag**, di mana kita mula-mula menukar setiap perkataan dalam teks kita kepada embedding yang sepadan, dan kemudian mengira beberapa fungsi agregat ke atas semua embedding tersebut, seperti `sum`, `average` atau `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Rangkaian neural pengklasifikasi kita akan bermula dengan lapisan embedding, kemudian lapisan agregasi, dan pengklasifikasi linear di atasnya:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"Dalam seni bina sebelumnya, kami perlu menambah semua jujukan kepada panjang yang sama untuk dimuatkan ke dalam minibatch. Ini bukan cara yang paling efisien untuk mewakili jujukan panjang berubah - pendekatan lain adalah menggunakan vektor **offset**, yang akan menyimpan offset semua jujukan yang disimpan dalam satu vektor besar.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Nota**: Dalam gambar di atas, kami menunjukkan jujukan watak, tetapi dalam contoh kami, kami bekerja dengan jujukan perkataan. Walau bagaimanapun, prinsip umum mewakili jujukan dengan vektor offset tetap sama.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW lebih pantas, manakala skip-gram lebih perlahan, tetapi lebih baik dalam mewakili perkataan yang jarang digunakan.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Untuk mencuba embedding word2vec yang telah dilatih terlebih dahulu pada dataset Google News, kita boleh menggunakan perpustakaan **gensim**. Di bawah ini, kita mencari perkataan yang paling serupa dengan 'neural'\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Dengan menggunakan lapisan embedding sebagai lapisan pertama dalam rangkaian kita, kita boleh beralih daripada model bag-of-words kepada model **embedding bag**, di mana kita mula-mula menukar setiap perkataan dalam teks kita kepada embedding yang sepadan, dan kemudian mengira beberapa fungsi agregat ke atas semua embedding tersebut, seperti `sum`, `average` atau `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Rangkaian neural pengelasan kita terdiri daripada lapisan-lapisan berikut:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW lebih pantas, manakala skip-gram lebih perlahan tetapi lebih baik dalam mewakili perkataan yang jarang digunakan.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Untuk mencuba embedding Word2Vec yang telah dilatih terlebih dahulu pada dataset Google News, kita boleh menggunakan pustaka **gensim**. Di bawah ini, kita mencari perkataan yang paling serupa dengan 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Jadi, lapisan pembenaman akan mengambil perkataan sebagai input, dan menghasilka
|
|||
|
||||
Dengan menggunakan lapisan pembenaman sebagai lapisan pertama dalam rangkaian pengklasifikasi kita, kita boleh beralih daripada model bag-of-words kepada model **embedding bag**, di mana kita mula-mula menukar setiap perkataan dalam teks kita kepada pembenaman yang sepadan, dan kemudian mengira beberapa fungsi agregat ke atas semua pembenaman tersebut, seperti `sum`, `average` atau `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej oleh penulis
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Untuk mencapai itu, kita perlu melatih model pembenaman kita terlebih dahulu pad
|
|||
|
||||
CBoW lebih pantas, manakala skip-gram lebih perlahan tetapi lebih baik dalam mewakili perkataan yang jarang digunakan.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [kertas ini](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ Dalam contoh sebelumnya, kita menggunakan pemerangkapan semantik yang telah dila
|
|||
* **Continuous Bag-of-Words** (CBoW), di mana kita meramalkan token tengah $W_0$ dalam urutan token $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, di mana kita meramalkan satu set token berdekatan {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} daripada token tengah $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [kertas kerja ini](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Dalam bahagian sebelum ini, kita telah menggunakan representasi semantik teks ya
|
|||
|
||||
Untuk menangkap makna urutan teks, kita perlu menggunakan seni bina rangkaian neural lain, yang dipanggil **rangkaian neural berulang**, atau RNN. Dalam RNN, kita lalui ayat kita melalui rangkaian satu simbol pada satu masa, dan rangkaian menghasilkan beberapa **keadaan**, yang kemudian kita lalui semula ke rangkaian bersama simbol seterusnya.
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar oleh penulis
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Kita telah membincangkan rangkaian berulang yang beroperasi dalam satu arah, dar
|
|||
|
||||
Rangkaian berulang, sama ada satu arah atau dua arah, menangkap corak tertentu dalam urutan, dan boleh menyimpannya ke dalam vektor keadaan atau menghantarnya ke output. Seperti rangkaian konvolusi, kita boleh membina lapisan berulang lain di atas yang pertama untuk menangkap corak tahap lebih tinggi dan membina daripada corak tahap rendah yang diekstrak oleh lapisan pertama. Ini membawa kita kepada konsep **RNN berlapis** yang terdiri daripada dua atau lebih rangkaian berulang, di mana output lapisan sebelumnya dihantar ke lapisan seterusnya sebagai input.
|
||||
|
||||
|
||||
|
||||
|
||||
*Gambar daripada [post yang hebat ini](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) oleh Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Rangkaian berulang, sama ada satu hala atau dwihala, menangkap corak tertentu dalam urutan, dan boleh menyimpannya ke dalam vektor keadaan atau menghantarnya ke output. Seperti rangkaian konvolusi, kita boleh membina lapisan berulang lain di atas lapisan pertama untuk menangkap corak tahap lebih tinggi, yang dibina daripada corak tahap rendah yang diekstrak oleh lapisan pertama. Ini membawa kita kepada konsep **RNN berlapis**, yang terdiri daripada dua atau lebih rangkaian berulang, di mana output daripada lapisan sebelumnya dihantar ke lapisan seterusnya sebagai input.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Gambar daripada [post yang hebat ini](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) oleh Fernando López*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Untuk menangkap makna urutan teks, kita akan menggunakan seni bina rangkaian neural yang dipanggil **rangkaian neural berulang**, atau RNN. Apabila menggunakan RNN, kita menghantar ayat kita melalui rangkaian satu token pada satu masa, dan rangkaian menghasilkan beberapa **keadaan**, yang kemudian kita hantar semula ke rangkaian bersama token seterusnya.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Diberikan urutan input token $X_0,\\dots,X_n$, RNN mencipta urutan blok rangkaian neural, dan melatih urutan ini secara hujung ke hujung menggunakan backpropagation. Setiap blok rangkaian mengambil pasangan $(X_i,S_i)$ sebagai input, dan menghasilkan $S_{i+1}$ sebagai hasil. Keadaan akhir $S_n$ atau output $Y_n$ dimasukkan ke dalam pengelas linear untuk menghasilkan keputusan. Semua blok rangkaian berkongsi berat yang sama, dan dilatih secara hujung ke hujung menggunakan satu laluan backpropagation.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Rangkaian berulang, sama ada sehala atau dwihala, menangkap corak dalam urutan, dan menyimpannya ke dalam vektor keadaan atau mengembalikannya sebagai output. Seperti rangkaian konvolusi, kita boleh membina lapisan berulang lain selepas yang pertama untuk menangkap corak tahap lebih tinggi, yang dibina daripada corak tahap lebih rendah yang diekstrak oleh lapisan pertama. Ini membawa kita kepada konsep **RNN berlapis**, yang terdiri daripada dua atau lebih rangkaian berulang, di mana output lapisan sebelumnya dihantar ke lapisan seterusnya sebagai input.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Gambar daripada [post yang hebat ini](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) oleh Fernando López.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Cara kita akan melatih RNN untuk menghasilkan teks adalah seperti berikut. Pada setiap langkah, kita akan mengambil satu urutan watak dengan panjang `nchars`, dan meminta rangkaian untuk menghasilkan watak output seterusnya bagi setiap watak input:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Bergantung kepada senario sebenar, kita mungkin juga ingin memasukkan beberapa watak khas, seperti *end-of-sequence* `<eos>`. Dalam kes kita, kita hanya ingin melatih rangkaian untuk menghasilkan teks tanpa henti, oleh itu kita akan menetapkan saiz setiap urutan sama dengan token `nchars`. Akibatnya, setiap contoh latihan akan terdiri daripada `nchars` input dan `nchars` output (iaitu urutan input yang dialihkan satu simbol ke kiri). Minibatch akan terdiri daripada beberapa urutan seperti ini.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -113,7 +113,7 @@
|
|||
"\n",
|
||||
"Cara kita akan melatih RNN untuk menjana tajuk berita adalah seperti berikut. Pada setiap langkah, kita akan mengambil satu tajuk, yang akan dimasukkan ke dalam RNN, dan untuk setiap aksara input, kita akan meminta rangkaian untuk menjana aksara output seterusnya:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Untuk aksara terakhir dalam urutan kita, kita akan meminta rangkaian untuk menjana token `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Dalam seni bina RNN yang kita bincangkan dalam unit sebelumnya, setiap unit RNN
|
|||
|
||||
Ini membolehkan pelbagai seni bina neural yang ditunjukkan dalam gambar di bawah:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada blog post [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) oleh [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ Dalam unit ini, kita akan memberi tumpuan kepada model generatif mudah yang memb
|
|||
|
||||
Kita akan melatih RNN ini untuk menjana teks langkah demi langkah. Pada setiap langkah, kita akan mengambil urutan aksara sepanjang `nchars`, dan meminta rangkaian untuk menghasilkan aksara output seterusnya untuk setiap aksara input:
|
||||
|
||||
|
||||
|
||||
|
||||
Semasa menjana teks (semasa inferens), kita bermula dengan beberapa **prompt**, yang dilalui melalui sel RNN untuk menghasilkan keadaan perantaraannya, dan kemudian daripada keadaan ini penjanaan bermula. Kita menjana satu aksara pada satu masa, dan menghantar keadaan dan aksara yang dijana kepada sel RNN lain untuk menjana aksara seterusnya, sehingga kita menjana aksara yang mencukupi.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Dengan RNN, urutan-ke-urutan dilaksanakan oleh dua rangkaian berulang, di mana s
|
|||
|
||||
**Mekanisme Perhatian** menyediakan cara untuk memberi berat kepada kesan kontekstual setiap vektor input terhadap setiap ramalan output RNN. Cara ia dilaksanakan adalah dengan mencipta pintasan antara keadaan perantaraan RNN input dan RNN output. Dengan cara ini, apabila menghasilkan simbol output y<sub>t</sub>, kita akan mengambil kira semua keadaan tersembunyi input h<sub>i</sub>, dengan pekali berat yang berbeza α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Model encoder-decoder dengan mekanisme perhatian tambahan dalam [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), dipetik daripada [blog post ini](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Matriks perhatian {α<sub>i,j</sub>} akan mewakili tahap di mana perkataan input tertentu memainkan peranan dalam penjanaan perkataan tertentu dalam urutan output. Berikut adalah contoh matriks sedemikian:
|
||||
|
||||
|
||||
|
||||
|
||||
> Rajah daripada [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Rajah 3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Hasil yang kita peroleh dengan pemadanan kedudukan menggabungkan kedua-dua token
|
|||
|
||||
Seterusnya, kita perlu menangkap beberapa corak dalam urutan kita. Untuk melakukan ini, transformer menggunakan mekanisme **perhatian kendiri**, yang pada dasarnya adalah perhatian yang diterapkan pada urutan yang sama sebagai input dan output. Menerapkan perhatian kendiri membolehkan kita mengambil kira **konteks** dalam ayat, dan melihat perkataan mana yang saling berkaitan. Sebagai contoh, ia membolehkan kita melihat perkataan mana yang dirujuk oleh koreferensi, seperti *ia*, dan juga mengambil kira konteks:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imej daripada [Blog Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Oleh kerana setiap kedudukan input dipetakan secara bebas ke setiap kedudukan ou
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) ialah rangkaian transformer berlapis besar dengan 12 lapisan untuk *BERT-base*, dan 24 untuk *BERT-large*. Model ini mula-mula dilatih awal pada korpus teks yang besar (WikiPedia + buku) menggunakan latihan tanpa pengawasan (meramalkan perkataan yang disembunyikan dalam ayat). Semasa latihan awal, model menyerap tahap pemahaman bahasa yang ketara yang kemudiannya boleh dimanfaatkan dengan set data lain menggunakan penalaan halus. Proses ini dipanggil **pembelajaran pemindahan**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Sumber imej [di sini](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@ Dengan RNN, urutan-ke-urutan diimplementasikan oleh dua jaringan berulang, di ma
|
|||
|
||||
**Mekanisme Perhatian** menyediakan cara untuk memberikan bobot pada dampak kontekstual dari setiap vektor masukan terhadap setiap prediksi keluaran dari RNN. Cara ini diimplementasikan dengan membuat jalur pendek antara keadaan sementara dari RNN masukan dan RNN keluaran. Dengan cara ini, saat menghasilkan simbol keluaran y<sub>t</sub>, kita akan mempertimbangkan semua keadaan tersembunyi masukan h<sub>i</sub>, dengan koefisien bobot yang berbeda α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Model encoder-decoder dengan mekanisme perhatian aditif dalam [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), dikutip dari [posting blog ini](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Matriks perhatian {α<sub>i,j</sub>} akan mewakili sejauh mana kata-kata masukan tertentu berperan dalam penghasilan kata tertentu dalam urutan keluaran. Di bawah ini adalah contoh matriks semacam itu:
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar dari [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@ Hasil yang kita dapatkan dengan embedding posisi menggabungkan baik token asli m
|
|||
|
||||
Selanjutnya, kita perlu menangkap beberapa pola dalam urutan kita. Untuk melakukan ini, transformer menggunakan mekanisme **perhatian diri**, yang pada dasarnya adalah perhatian yang diterapkan pada urutan yang sama sebagai masukan dan keluaran. Menerapkan perhatian diri memungkinkan kita untuk mempertimbangkan **konteks** dalam kalimat, dan melihat kata-kata mana yang saling terkait. Misalnya, ini memungkinkan kita untuk melihat kata-kata mana yang dirujuk oleh ko-referensi, seperti *itu*, dan juga mempertimbangkan konteks:
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar dari [Blog Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -82,7 +82,7 @@ Karena setiap posisi masukan dipetakan secara independen ke setiap posisi keluar
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) adalah jaringan transformer multi-layer yang sangat besar dengan 12 lapisan untuk *BERT-base*, dan 24 untuk *BERT-large*. Model ini pertama kali dilatih pada korpus data teks yang besar (WikiPedia + buku) menggunakan pelatihan tanpa pengawasan (memprediksi kata-kata yang disembunyikan dalam kalimat). Selama pelatihan awal, model menyerap tingkat pemahaman bahasa yang signifikan yang kemudian dapat dimanfaatkan dengan dataset lain menggunakan penyempurnaan. Proses ini disebut **transfer learning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar [sumber](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mekanisme Perhatian** menyediakan cara untuk memberi pemberat kepada kesan kontekstual setiap vektor input terhadap setiap ramalan output RNN. Cara ia dilaksanakan adalah dengan mencipta pintasan antara keadaan perantaraan RNN input dan RNN output. Dengan cara ini, apabila menghasilkan simbol output $y_t$, kita akan mengambil kira semua keadaan tersembunyi input $h_i$, dengan pekali pemberat yang berbeza $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Model encoder-decoder dengan mekanisme perhatian tambahan dalam [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), dipetik daripada [catatan blog ini](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matriks perhatian $\\{\\alpha_{i,j}\\}$ akan mewakili tahap di mana perkataan input tertentu memainkan peranan dalam penjanaan perkataan tertentu dalam urutan output. Di bawah adalah contoh matriks seperti itu:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Rajah diambil daripada [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Rajah 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) ialah rangkaian transformer berlapis besar dengan 12 lapisan untuk *BERT-base*, dan 24 untuk *BERT-large*. Model ini mula-mula dilatih awal pada korpus teks yang besar (WikiPedia + buku) menggunakan latihan tanpa pengawasan (meramalkan perkataan yang disembunyikan dalam satu ayat). Semasa latihan awal, model menyerap tahap pemahaman bahasa yang signifikan yang kemudiannya boleh dimanfaatkan dengan set data lain menggunakan penalaan halus. Proses ini dipanggil **pembelajaran pemindahan**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Terdapat banyak variasi seni bina Transformer termasuk BERT, DistilBERT, BigBird, OpenGPT3 dan banyak lagi yang boleh ditala halus. Pakej [HuggingFace](https://github.com/huggingface/) menyediakan repositori untuk melatih banyak seni bina ini dengan PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mekanisme Perhatian** menyediakan cara untuk memberi pemberat kepada kesan kontekstual setiap vektor input terhadap setiap ramalan output RNN. Cara ia dilaksanakan adalah dengan mencipta jalan pintas antara keadaan perantaraan RNN input dan RNN output. Dengan cara ini, apabila menghasilkan simbol output $y_t$, kita akan mengambil kira semua keadaan tersembunyi input $h_i$, dengan pekali pemberat yang berbeza $\\alpha_{t,i}$. \n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Model encoder-decoder dengan mekanisme perhatian tambahan dalam [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), dipetik daripada [catatan blog ini](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matriks perhatian $\\{\\alpha_{i,j}\\}$ akan mewakili tahap di mana perkataan input tertentu memainkan peranan dalam penjanaan perkataan tertentu dalam urutan output. Di bawah adalah contoh matriks seperti itu:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Rajah diambil daripada [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Rajah 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -231,7 +231,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) ialah rangkaian transformer berbilang lapisan yang sangat besar dengan 12 lapisan untuk *BERT-base*, dan 24 lapisan untuk *BERT-large*. Model ini mula-mula dilatih awal menggunakan korpus teks yang besar (WikiPedia + buku) melalui latihan tanpa pengawasan (meramalkan perkataan yang disembunyikan dalam ayat). Semasa latihan awal, model ini menyerap tahap pemahaman bahasa yang signifikan yang kemudiannya boleh dimanfaatkan dengan dataset lain melalui penalaan halus. Proses ini dipanggil **pembelajaran pemindahan**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Terdapat banyak variasi seni bina Transformer termasuk BERT, DistilBERT, BigBird, OpenGPT3 dan banyak lagi yang boleh ditala halus.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Oleh kerana kita perlu membina korespondensi satu-ke-satu antara token dan kelas, kita boleh melatih model rangkaian neural **banyak-ke-banyak** paling kanan daripada gambar ini:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imej daripada [blog post ini](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) oleh [Andrej Karpathy](http://karpathy.github.io/). Model klasifikasi token NER sepadan dengan seni bina rangkaian paling kanan dalam gambar ini.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Pemprosesan Bahasa Semula Jadi
|
||||
|
||||
|
||||
|
||||
|
||||
Dalam bahagian ini, kita akan memberi tumpuan kepada penggunaan Rangkaian Neural untuk menangani tugas-tugas berkaitan dengan **Pemprosesan Bahasa Semula Jadi (NLP)**. Terdapat banyak masalah NLP yang kita mahu komputer dapat selesaikan:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Anda boleh membuka salah satu model, contohnya **Biology → Flocking**
|
|||
|
||||
Selepas membuka model, anda akan dibawa ke skrin utama NetLogo. Berikut adalah contoh model yang menerangkan populasi serigala dan kambing, dengan sumber yang terhad (rumput).
|
||||
|
||||
|
||||
|
||||
|
||||
> Tangkapan skrin oleh Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Gambaran Keseluruhan
|
||||
|
||||
|
||||
|
||||
|
||||
> Lakaran oleh [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Selepas kejayaan model transformer dalam menyelesaikan tugas NLP, seni bina yang
|
|||
|
||||
Idea utama CLIP adalah untuk membandingkan arahan teks dengan imej dan menentukan sejauh mana imej tersebut sesuai dengan arahan.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Gambar dari [catatan blog ini](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Setelah model ini dilatih awal, kita boleh memberikannya sekumpulan imej dan sek
|
|||
|
||||
Katakan kita perlu mengklasifikasikan imej antara, contohnya, kucing, anjing dan manusia. Dalam kes ini, kita boleh memberikan model imej, dan satu siri arahan teks: "*gambar seekor kucing*", "*gambar seekor anjing*", "*gambar seorang manusia*". Dalam vektor kebarangkalian yang dihasilkan, kita hanya perlu memilih indeks dengan nilai tertinggi.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Gambar dari [catatan blog ini](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Ketahui lebih lanjut tentang VQGAN di laman web [Taming Transformers](https://co
|
|||
|
||||
Salah satu perbezaan penting antara VQGAN dan GAN tradisional ialah yang terakhir boleh menghasilkan imej yang baik daripada sebarang vektor input, manakala VQGAN cenderung menghasilkan imej yang tidak koheren. Oleh itu, kita perlu membimbing proses penciptaan imej dengan lebih lanjut, dan itu boleh dilakukan menggunakan CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Untuk menghasilkan imej yang sepadan dengan arahan teks, kita bermula dengan beberapa vektor pengekodan rawak yang dihantar melalui VQGAN untuk menghasilkan imej. Kemudian CLIP digunakan untuk menghasilkan fungsi kehilangan yang menunjukkan sejauh mana imej tersebut sesuai dengan arahan teks. Matlamatnya kemudian adalah untuk meminimumkan kehilangan ini, menggunakan propagasi balik untuk menyesuaikan parameter vektor input.
|
||||
|
||||
Pustaka hebat yang melaksanakan VQGAN+CLIP ialah [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Gambar yang dihasilkan daripada arahan *potret closeup cat air guru lelaki muda dalam bidang kesusasteraan dengan sebuah buku* | Gambar yang dihasilkan daripada arahan *potret closeup minyak guru wanita muda dalam bidang sains komputer dengan sebuah komputer* | Gambar yang dihasilkan daripada arahan *potret closeup minyak guru lelaki tua dalam bidang matematik di hadapan papan hitam*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,37 +1,37 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:42:17+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T13:28:09+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "my"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# အတုအသိပညာ (Artificial Intelligence) စတင်သူများအတွက် - သင်ရိုးအစီအစဉ်
|
||||
# စတင်သူများအတွက် အတုအမြင့် ဥာဏ်ရည် - သင်ရိုးအစီအစဉ်
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI စတင်သူများအတွက် - _Sketchnote ကို [@girlie_mac](https://twitter.com/girlie_mac) မှရေးသားထားသည်_ |
|
||||
| AI For Beginners - _Sketchnote က [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Explore the world of **အတုအသိပညာ (Artificial Intelligence)** (AI) with our 12-week, 24-lesson curriculum! It includes practical lessons, quizzes, and labs. The curriculum is beginner-friendly and covers tools like TensorFlow and PyTorch, as well as ethics in AI
|
||||
Explore the world of **Artificial Intelligence** (AI) with our 12-week, 24-lesson curriculum! It includes practical lessons, quizzes, and labs. The curriculum is beginner-friendly and covers tools like TensorFlow and PyTorch, as well as ethics in AI
|
||||
|
||||
### 🌐 ဘာသာစကားများစွာ ထောက်ပံ့မှု
|
||||
### 🌐 Multi-Language Support
|
||||
|
||||
#### GitHub Action ဖြင့် ထောက်ပံ့ထားသည် (အလိုအလျောက် & အမြဲတမ်း အပ်ဒိတ်)
|
||||
#### Supported via GitHub Action (Automated & Always Up-to-Date)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](./README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
|
@ -39,184 +39,184 @@ Explore the world of **အတုအသိပညာ (Artificial Intelligence)** (
|
|||
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## အသိုင်းအဝိုင်းတွင် ပူးပေါင်းပါ
|
||||
## Join the Community
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## သင်သင်ယူရမည့်အရာများ
|
||||
## What you will learn
|
||||
|
||||
**[သင်ရိုး၏ မိုင်းဒ်မက် (Mindmap)](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[သင်တန်း၏ မဟာမြေပုံ (Mindmap)](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
ဤ သင်ရိုးအစီအစဉ်တွင် သင်သည် အောက်ပါအရာများကို သင်ယူရပါမည်:
|
||||
In this curriculum, you will learn:
|
||||
|
||||
* အတုအသိပညာ (Artificial Intelligence) အတွက် မတူညီသော နည်းလမ်းများ၊ "good old" ဆိုသော သင်္ကေတ အခြေပြု နည်းလမ်းဖြင့် **Knowledge Representation** နှင့် reasoning ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) အပါအဝင်။
|
||||
* **Neural Networks** နှင့် **Deep Learning** — ၎င်းတို့သည် ခေတ်မီ AI ၏ အခြေခံဖြစ်သည်။ ဤအရေးကြီးသော ခေါင်းစဉ်များ၏ အယူအဆများကို အရေပုဒ်များဖြင့် မျှဝေပြီး အထင်ကြီးသော ဖရိမ်၀တ်များဖြစ်သော [TensorFlow](http://Tensorflow.org) နှင့် [PyTorch](http://pytorch.org) တို့တွင် ကုဒ်ဖြင့် ရှင်းပြသွားမည်။
|
||||
* ဓာတ်ပုံများနှင့် စာသားများကို အလုပ်လုပ်ရန် အသုံးပြုသော **Neural Architectures** များ။ မကြာသေးသော မော်ဒယ်များကို ဖော်ပြသော်လည်း နောက်ဆုံးပေါ် နည်းပညာအချို့ကို မလုံလောက်စွာ ပါရှိနိုင်သည်။
|
||||
* **Genetic Algorithms** နှင့် **Multi-Agent Systems** ကဲ့သို့ လူသိနည်းသော AI နည်းလမ်းများ။
|
||||
* Different approaches to Artificial Intelligence, including the "good old" symbolic approach with **Knowledge Representation** and reasoning ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neural Networks** and **Deep Learning**, which are at the core of modern AI. We will illustrate the concepts behind these important topics using code in two of the most popular frameworks - [TensorFlow](http://Tensorflow.org) and [PyTorch](http://pytorch.org).
|
||||
* **Neural Architectures** for working with images and text. We will cover recent models but may be a bit lacking in the state-of-the-art.
|
||||
* Less popular AI approaches, such as **Genetic Algorithms** and **Multi-Agent Systems**.
|
||||
|
||||
What we will not cover in this curriculum:
|
||||
|
||||
> [ဤ သင်တန်းအတွက် ထပ်မံ ရရှိနိုင်သော အရင်းအမြစ်များအားလုံးကို Microsoft Learn စုစည်းမှုတွင် တွေ့နိုင်ပါသည်](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [ဤသင်တန်းအတွက် ထပ်မံရရှိနိုင်သော အရင်းအမြစ်များအားလုံးကို ကျွန်ုပ်တို့၏ Microsoft Learn စုစည်းမှုတွင် တွေ့နိုင်ပါသည်](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **AI in Business** ကို အသုံးပြုသည့် စီးပွားရေးကိစ္စများ။ Microsoft Learn မှာရရှိနိုင်သည့် [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) သင်လမ်းကြောင်းကို သင်ယူရန် သို့မဟုတ် [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ကို [INSEAD](https://www.insead.edu/) နှင့် ပူးပေါင်းဖန်တီးထားသော အရင်းအမြစ်အဖြစ် ကြည့်ရန် အကြံပြုသည်။
|
||||
* **Classic Machine Learning** — ၎င်းကို ကျွန်ုပ်တို့၏ [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) တွင် ကောင်းစွာ ဖော်ပြထားသည်။
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ကို အသုံးပြု၍ တည်ဆောက်ထားသော လက်တွေ့ AI အပလီကေးရှင်းများ။ ဤအတွက် Microsoft Learn မှ [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** တို့ပါသော မော်ဂျူးများကို စတင်ယူရန် အကြံပြုသည်။
|
||||
* [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) သို့မဟုတ် [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum) ကဲ့သို့ အထူး ML Cloud Frameworks များ။ [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) နှင့် [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) သင်လမ်းကြောင်းများကို စဉ်းစားကြည့်ပါ။
|
||||
* **Conversational AI** နှင့် **Chat Bots**။ သီးခြား [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) သင်လမ်းကြောင်းတစ်ခု ရှိပြီး အသေးစိတ်အတွက် [ဒီ ဘလော့ဂ် ပို့စ်](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ကိုလည်း ရည်ညွှန်းနိုင်ပါသည်။
|
||||
* Deep learning ကို ထောက်ပံ့ရာရှိသည့် **နက်ရှိုင်းသည့် ဂဏန်းသိပ္ပံ (Deep Mathematics)**။ ဤအတွက် Ian Goodfellow, Yoshua Bengio နှင့် Aaron Courville တို့ရေးသော [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) စာအုပ်ကို အကြံပြုကာ အွန်လိုင်းတွင်လည်း [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) မှ ရနိုင်ပါသည်။
|
||||
* Business cases of using **AI in Business**. Consider taking [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) learning path on Microsoft Learn, or [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), developed in cooperation with [INSEAD](https://www.insead.edu/).
|
||||
* **Classic Machine Learning**, which is well described in our [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Practical AI applications built using **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For this, we recommend that you start with modules Microsoft Learn for [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** and others.
|
||||
* Specific ML **Cloud Frameworks**, such as [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), or [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Consider using [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) and [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) learning paths.
|
||||
* **Conversational AI** and **Chat Bots**. There is a separate [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) learning path, and you can also refer to [this blog post](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for more detail.
|
||||
* **Deep Mathematics** behind deep learning. For this, we would recommend [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) by Ian Goodfellow, Yoshua Bengio and Aaron Courville, which is also available online at [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
လေ့ကျင့်အဆင်ပြေစေရန် _AI in the Cloud_ ခေါင်းစဉ်များအတွက် သင်သည် [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path ကို စတင်ယူရန် စဉ်းစားနိုင်သည်။
|
||||
For a gentle introduction to _AI in the Cloud_ topics you may consider taking the [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path.
|
||||
|
||||
# အကြောင်းအရာများ
|
||||
# Content
|
||||
|
||||
| | သင်ခန်းစာ လင့်ခ် | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | သင်ခန်းစာလင့်ခ် | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [သင်တန်း စတင်ခြင်း (Course Setup)](./lessons/0-course-setup/setup.md) | [ဖွံ့ဖြိုးရေး ပတ်ဝန်းကျင်ကို တပ်ဆင်နည်း](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI သို့ မိတ်ဆက်**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI မိတ်ဆက်နှင့် သမိုင်း](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **သင်္ကေတ အခြေပြု AI (Symbolic AI)** |
|
||||
| 02 | [အသိ ကိုယ်စားပြုခြင်းနှင့် အထူးကျွမ်းကျင်စနစ်များ](./lessons/2-Symbolic/README.md) | [အထူးကျွမ်းကျင်စနစ်များ](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[အယူအဆ ဂရပ်](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**နယူးရယ် နက်ဝပ်များသို့ မိတ်ဆက် (Introduction to Neural Networks)**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron and Creating our own Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Intro to Frameworks (PyTorch/TensorFlow) and Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure ပေါ်တွင် ကွန်ပျူတာ မြင်ကွင်း ကို လေ့လာပါ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Intro to Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Pre-trained Networks and Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 0 | [သင်တန်း စတင်ပြင်ဆင်ခြင်း](./lessons/0-course-setup/setup.md) | [သင်၏ ဖွံ့ဖြိုးရေး ပတ်ဝန်းကျင်ကို စတင်ပြင်ဆင်နည်း](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI အကြောင်းနိဒါန်း**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI ၏ နိဒါန်းနှင့် သမိုင်းကြောင်း](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **သင်္ကေတအခြေခံ AI** |
|
||||
| 02 | [Knowledge Representation and Expert Systems](./lessons/2-Symbolic/README.md) | [Expert Systems](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Neural Networks အတွက် နိဒါန်း**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [မှတ်စု (Notebook)](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron and Creating our own Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [မှတ်စု (Notebook)](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Intro to Frameworks (PyTorch/TensorFlow) and Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure တွင် ကွန်ပျူတာမြင်မြင်မှုကို ရှာဖွေပါ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Intro to Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [မှတ်စု (Notebook)](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Pre-trained Networks and Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders and VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks & Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Object Detection](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 11 | [Object Detection](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantic Segmentation. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Natural Language Processing**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure ပေါ်တွင် သဘာဝ ဘာသာစကား ဆိုင်ရာ ဆုပေါင်းများကို လေ့လာပါ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Natural Language Processing**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure တွင် ဘာသာစကားကိုင်တွယ်ခြင်းကို ရှာဖွေပါ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Text Representation. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantic word embeddings. Word2Vec and GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Language Modeling. Training your own embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 15 | [Language Modeling. Training your own embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Large Language Models, Prompt Programming and Few-Shot Tasks](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Other AI Techniques** || |
|
||||
| 21 | [Genetic Algorithms](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [လက်တွေ့ လေ့ကျင့်ခန်း](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 21 | [Genetic Algorithms](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [မှတ်စု (Notebook)](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [လက်တွေ့လေ့ကျင့်ခန်း (Lab)](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multi-Agent Systems](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI Ethics** | | |
|
||||
| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extras** | | |
|
||||
| 25 | [Multi-Modal Networks, CLIP and VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Multi-Modal Networks, CLIP and VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [မှတ်စု (Notebook)](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## သင်ခန်းစာ တစ်ခုချင်းစီတွင် ပါဝင်သောအရာများ
|
||||
## သင်ခန်းစာတိုင်းတွင် ပါဝင်သော အရာများ
|
||||
|
||||
* ကြိုတင်ဖတ်ရှုရန် အကြောင်းအရာများ
|
||||
* အလုပ်လုပ်နိုင်သော Jupyter Notebooks များ၊ သည်များသည် အမြဲတမ်း framework (PyTorch သို့မဟုတ် TensorFlow) အသီးအသီးအလိုက် သီးခြားရေးထားသည်။ အလုပ်လုပ်နိုင်သော notebook များတွင် သီအိုရီဆိုင်ရာ အကြောင်းအရာများလည်း များစွာ ပါဝင်သောကြောင့် ခေါင်းစဉ်ကို နက်နဲစွာ နားလည်ရန်အတွက် notebook မှတစ်ခုခု (PyTorch သို့မဟုတ် TensorFlow) ကို အနည်းဆုံး တစ်ခု ဖတ်ရှုဖြတ်သန်း ရပါမည်။
|
||||
* အချို့ ခေါင်းစဉ်များအတွက် **လက်တွေ့ လေ့ကျင့်ခန်းများ** ရရှိနိုင်ပြီး သင်လေ့လာသင်ယူထားသည့် အကြောင်းအရာကို ထိတွေ့ လက်တွေ့ အသုံးချ ကြိုးစားနိုင်စေရန် အခွင့်အလမ်း ပေးသည်။
|
||||
* အချို့ အပိုင်းများတွင် နှစ်သက်စရာ ခေါင်းစဉ်များကို အခွင့်အလမ်းပေးထားသည့် [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) module များသို့ လင့်ခ်များ ပါဝင်သည်။
|
||||
* ကြိုဖတ်ရန် ပစ္စည်းများ
|
||||
* အများအားဖြင့် သတ်မှတ် Framework ( **PyTorch** သို့မဟုတ် **TensorFlow**) အတွက် သီးသန့်ဖြစ်သော အကောင်အထည်ဖော်နိုင်သည့် Jupyter မှတ်စုစာအုပ်များ (Executable Notebooks) များ။ အကောင်အထည်ဖော်နိုင်သော မှတ်စုစာအုပ်များတွင် သီအိုရီဆိုင်ရာ အချက်အလက်များစွာပါဝင်သဖြင့် ခေါင်းစဉ်ကို နက်နက်ရှိုင်းရှိုင်း နားလည်လိုပါက မှတ်စုစာအုပ်၏ ဗားရှင်းတစ်ခုအနည်းဆုံး (PyTorch သို့မဟုတ် TensorFlow) ကို ကြည့်ရှုဖတ်ရှုရန် လိုအပ်ပါသည်။
|
||||
* အချို့သော ခေါင်းစဉ်များအတွက် လက်တွေ့လေ့ကျင့်ခန်းများ (Labs) ရရှိနိုင်ပြီး ဤများက သင်လေ့လာထားသော အချက်အလက်များကို သတ်မှတ် ပြဿနာတစ်ခုတွင် လက်တွေ့စမ်းသပ်၍ အသုံးချပေးခွင့်ပေးသည်။
|
||||
* အချို့သော အပိုင်းများတွင် ဆက်စပ် ခေါင်းစဉ်များကို ဖုံးလွှမ်းထားသည့် [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) မော်ဂျူးများအတွက် လင့်ခ်များ ပါရှိသည်။
|
||||
|
||||
## စတင်ရန်
|
||||
|
||||
### 🎯 AI အသစ်ပါသလား? ဒီနေရာကနေ စတင်ပါ!
|
||||
### 🎯 AI ကို အသစ်စတင်လေ့လာနေပါသလား? ဒီနေရာကနေ စတင်ပါ!
|
||||
|
||||
သင်သည် AI အပိုင်းကို လုံးဝ အသစ်ဖြစ်ပြီး မြန်ဆန်၍ လက်တွေ့ ဥပမာများလိုချင်ပါက ကျွန်ုပ်တို့၏ [**စတင်သူများအတွက် ဥပမာများ**](./examples/README.md) ကို ကြည့်ပါ။ ၎င်းတို့တွင် ပါဝင်သည်များမှာ -
|
||||
AI ကို အကုန်လုံး အသစ်စတင် လေ့လာလိုပြီး လျင်မြန်၍ လက်တွေ့ ဥပမာများ များလိုပါက ကျွန်ုပ်တို့၏ [**Beginner-Friendly Examples**](./examples/README.md) ကို ကြည့်ပါ! ဤသူတို့တွင် ပါဝင်သည်များမှာ -
|
||||
|
||||
- 🌟 **Hello AI World** - သင့် ပထမဆုံး AI အစီအစဉ် (ပုံစံ အသိအမှတ်ပြုခြင်း)
|
||||
- 🧠 **Simple Neural Network** - အစမှစ၍ နယူးရယ်ကွန်ယက် တည်ဆောက်ခြင်း
|
||||
- 🖼️ **Image Classifier** - အသေးစိတ် မှတ်ချက်များနှင့် ပုံများကို ခွဲခြားစစ်ဆေးခြင်း
|
||||
- 💬 **စာသားခံစားချက်** - ကောင်း/ဆိုး စာသားများကို သုံးသပ်ပါ
|
||||
- 🌟 **Hello AI World** - သင်၏ ပထမဆုံး AI အစီအစဉ် (ပုံစံ အသိအမှတ်ပြုခြင်း)
|
||||
- 🧠 **Simple Neural Network** - အခြေခံမှ စ၍ neural network တစ်ခု တည်ဆောက်ခြင်း
|
||||
- 🖼️ **Image Classifier** - ဓာတ်ပုံများကို အသေးစိတ် မှတ်ချက်များနှင့် အမျိုးအစားခွဲခြင်း
|
||||
- 💬 **စာသား စိတ်ခံစားချက်** - စာသား၏ အကောင်း/အဆိုး စိတ်ခံစားချက်ကို ခွဲခြမ်းစိတ်ဖြာပါ
|
||||
|
||||
ဤဥပမာများကို သင်အပြည့်အစုံ သင်ရိုးသို့ ဝင်မည့် မတိုင်မီ AI အကြောင်းအရာများကို နားလည်ရန် အထောက်အကူပြုရန် ဒီဇိုင်းဆွဲထားပါသည်။
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 အပြည့်အစုံ သင်ရိုးညွှန်းချက် ပြင်ဆင်ခြင်း
|
||||
### 📚 အပြည့်အစုံ သင်ရိုး စီစဉ်ခြင်း
|
||||
|
||||
- ကျွန်ုပ်တို့သည် သင့်၏ development environment ကို စက်ဆင်ရန် ကူညီပေးရန် [ဆက်တင် သင်ခန်းစာ](./lessons/0-course-setup/setup.md) တစ်ခု ဖန်တီးထားသည်။ - သင်တန်းဆရာများအတွက်လည်း ကျွန်ုပ်တို့သည် [သင်ရိုးညွှန်းချက် ဆက်တင် သင်ခန်းစာ](./lessons/0-course-setup/for-teachers.md) တစ်ခု ဖန်တီးထားပါသည်!
|
||||
- VSCode သို့မဟုတ် Codepace တွင် ကုဒ်ကို မည်သို့ ပြေးဆွဲရမည်ကို ကြည့်ရန် [ဒီနေရာကိုဖတ်ပါ](./lessons/0-course-setup/how-to-run.md)
|
||||
- ကျွန်ုပ်တို့သည် သင့် ဖွံ့ဖြိုးရေး ပတ်ဝန်းကျင်ကို တပ်ဆင်ရာတွင် ကူညီရန် [ပတ်ဝန်းကျင် တပ်ဆင်ခြင်း သင်ခန်းစာ](./lessons/0-course-setup/setup.md) တစ်ခု ဖန်တီးထားပါသည်။ - ပညာသင်ကြားသူများအတွက်လည်း [သင်ရိုး စီစဉ်ခြင်း သင်ခန်းစာ](./lessons/0-course-setup/for-teachers.md) ဖန်တီးထားပါသည်!
|
||||
- [VSCode သို့မဟုတ် Codepace တွင် ကုဒ်ကို မည်သို့ လည်ပတ်ရမည်](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
အောက်ပါ အဆင့်များကို လိုက်နာပါ -
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: ဤစာမျက်နှာ၏ ညာ-မြောက် မိုက်ခလုတ်တွင်ရှိသော "Fork" ခလုတ်ကို နှိပ်ပါ။
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
နောက်ပိုင်း၌ ရှာဖွေရန် ပိုမလွယ်ကူစေရန် ဒီ repo ကို ကြယ် (🌟) ဖြင့် အမှတ်ပေးရန် မမေ့ပါနဲ့။
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
|
||||
## အခြားသင်ယူသူများနှင့် တွေ့ဆုံခြင်း
|
||||
## Meet other Learners
|
||||
|
||||
ဤသင်တန်းကို တက်ရောက်နေသော အခြားသင်ယူသူများနဲ့ တွေ့ဆုံ၍ ကွန်ယက်ချိတ်ဆက်ရန်နှင့် ထောက်ခံမှုရယူရန် ကျွန်ုပ်တို့၏ [တရားဝင် AI Discord ဆာဗာ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ဆက်လက်ပါဝင်ပါ။
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
သင်တန်းတည်ဆောက်နေစဉ် ကုန်ပစ္စည်း တုံ့ပြန်ချက်များ သို့မဟုတ် မေးခွန်းများ ရှိပါက ကျွန်ုပ်တို့၏ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) သို့ လည်ပတ်ပါ။
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## မေးခွန်းများ
|
||||
## Quizzes
|
||||
|
||||
> **မေးခွန်းများအကြောင်း မှတ်ချက်**: မေးခွန်းများအားလုံးကို Quiz-app ဖိုလ်ဒါအတွင်း etc\quiz-app တွင် ထည့်သွင်းထားပြီး၊ သို့မဟုတ် [အွန်လိုင်းတွင် ဒီမှာ](https://ff-quizzes.netlify.app/) တွင် တွေ့နိုင်ပါသည်။ ၎င်းတို့ကို သင်ခန်းစာများထဲမှ ချိတ်ဆက်ထားထားပြီး quiz app ကို သင့်စက်ပေါ်တွင် ပြေးစေ거나 Azure သို့ တင်၍ အသုံးပြုနိုင်သည်။ `quiz-app` ဖိုလ်ဒါအတွင်းရှိ လမ်းညွှန်ချက်များကို လိုက်နာပါ။ မေးခွန်းများကို တဖြည်းဖြည်း ဘာသာပြန် ပြင်ဆင်လျက် ရှိပါသည်။
|
||||
> **မေးခွန်းများအကြောင်း မှတ်ချက်**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [အွန်လိုင်းတွင်](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## ကူညီမှု လိုအပ်သည်
|
||||
## Help Wanted
|
||||
|
||||
အကြံပြုချက်များရှိပါသလား သို့မဟုတ် သရေတွက် စာလုံးတွေအမှားများ သို့မဟုတ် ကုဒ်အမှားများကို တွေ့ရှိပါသလား။ Isssue တင်ပါ သို့မဟုတ် pull request တစ်ခု ဖန်တီးပါ။
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## အထူးကျေးဇူးတင်ရှိသည်များ
|
||||
## Special Thanks
|
||||
|
||||
* **✍️ အဓိကရေးသားသူ:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 တည်းဖြတ်သူ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote ပုံဆွဲသူ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ မေးခွန်း ဖန်တီးသူများ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 အဓိက ပံ့ပိုးပေးသူများ:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🔥 အယ်ဒီတာ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote ဖန်တီးသူ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ မေးခွန်း ဖန်တီးသူ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 အဓိက ပါဝင်ကူညီသူများ:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## အခြား သင်ရိုးညွှန်းများ
|
||||
## Other Curricula
|
||||
|
||||
ကျွန်ုပ်တို့၏ အဖွဲ့သည် အခြား သင်ရိုးညွှန်းများကိုလည်း ထုတ်လုပ်ပါသည်! ကြည့်ပါ:
|
||||
Our team produces other curricula! Check out:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generative AI စီးရီး
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Generative AI စီးရီးများ
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### အခြေခံ သင်ကြားမှု
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### အခြေခံ သင်ယူမှု
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot စီးရီး
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## အကူအညီ ရယူရန်
|
||||
## အကူအညီ ရယူခြင်း
|
||||
|
||||
AI အက်ပ်များ တည်ဆောက်ရာတွင် အတိတ်ကို မရောက်နိုင်ပါက သို့မဟုတ် မေးခွန်းများ ရှိပါက MCP အကြောင်း ဆွေးနွေးချက်များတွင် အခြား သင်ယူသူများနှင့် အတွေ့အကြုံရှိ ဖွံ့ဖြိုးသူများနှင့် တက်ရောက်ဆွေးနွေးပါ။ ဒီကွန်မြူနာတီမှာ မေးခွန်းများကို ကြိုဆိုပြီး ဗဟုသုတကို လွတ်လပ်စွာ မျှဝေကြပါသည်။
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
တည်ဆောက်နေစဉ် ထွက်ပေါ်လာသော ထုတ်ကုန် တုံ့ပြန်ချက်များ သို့မဟုတ် အမှားများရှိပါက ဤနေရာသို့ လည်ပတ်ပါ -
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
တာဝန်မခံပါကြောင်း:
|
||||
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်တော်တို့သည် မှန်ကန်မှုအတွက် ကြိုးပမ်းထားသော်လည်း အလိုအလျောက်ဘာသာပြန်ချက်များတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ရှိနိုင်ကြောင်း သတိပြုပါ။ မူလစာတမ်းကို မူလဘာသာစကားဖြင့်သာ အတည်ပြုနိုင်သည့် အရင်းအမြစ်အဖြစ် ထည့်သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူ့ဘာသာပြန်တစ်ဦးမှ ပြန်လည်စစ်ဆေးရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းကြောင့် ဖြစ်ပေါ်လာနိုင်သည့် နားမလည်မှုများ သို့မဟုတ် မှားဖော်ပြချက်များအတွက် ကျွန်တော်တို့ တာဝန်မယူပါ။
|
||||
တာဝန်မရှိကြောင်း သတိပေးချက်:
|
||||
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းမှုများ ပြုလုပ်ပါသော်လည်း အလိုအလျောက် ဘာသာပြန်ချက်များတွင် အမှားများ သို့မဟုတ္ မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း ကျေးဇူးပြု၍ သတိပြုပါ။ မူလစာတမ်းကို မူလဘာသာဖြင့်သာ ခိုင်မာသော အရင်းအမြစ်အဖြစ် ယူဆသင့်ပါသည်။ အရေးပါတဲ့ အချက်အလက်များအတွက် လူ့ပရော်ဖက်ရှင်နယ် ဘာသာပြန်သူက ဘာသာပြန်ပေးမှုကို အကြံပြုလိုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းကြောင့် ဖြစ်ပေါ်လာနိုင်သော စာလုံးအမှားများ၊ နားမလည်မှုများ သို့မဟုတ် မမှန်ကန်စွာ ဖတ်မိခြင်းများအတွက် ကျွန်ုပ်တို့ တာဝန်မယူပါ။
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# AI အကြောင်းအကျဉ်း
|
||||
|
||||
|
||||
|
||||
|
||||
> [Tomomi Imura](https://twitter.com/girlie_mac) မှ Sketchnote
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
မူလကတော့ ကွန်ပျူတာတွေကို [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) က အလွန်သေချာတဲ့ နည်းလမ်းတစ်ခုဖြင့် နံပါတ်တွေကို လုပ်ဆောင်နိုင်ဖို့ တီထွင်ခဲ့တာပါ။ ယနေ့ခေတ်ကွန်ပျူတာတွေဟာ ၁၉ ရာစုက မူလပုံစံထက် အလွန်တိုးတက်လာပြီးသားဖြစ်ပေမယ့်လည်း ထိန်းချုပ်ထားတဲ့တွက်ချက်မှုတွေကို အခြေခံထားတဲ့ အယူအဆကိုပဲ ဆက်လက်လိုက်နာနေပါတယ်။ ဒါကြောင့် ရည်မှန်းချက်ကို ရရှိဖို့ လိုအပ်တဲ့ အဆင့်ဆင့်လုပ်ဆောင်မှုတွေကို သိထားရင် ကွန်ပျူတာကို အစီအစဉ်ရေးသားပြီး လုပ်ဆောင်နိုင်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> [Vickie Soshnikova](http://twitter.com/vickievalerie) မှ ဓာတ်ပုံ
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**[Intelligence](https://en.wikipedia.org/wiki/Intelligence)** ဆိုတဲ့ စကားလုံးကို သုံးတဲ့အခါမှာ အဓိပ္ပါယ်ရှင်းလင်းမှုမရှိတာက ပြဿနာတစ်ခုဖြစ်ပါတယ်။ ဉာဏ်ရည်ဆိုတာ **အထွေထွေစဉ်းစားနိုင်စွမ်း** သို့မဟုတ် **ကိုယ့်ကိုယ်ကိုသိမြင်မှု** နဲ့ ဆက်စပ်နေတယ်လို့ ဆိုနိုင်ပေမယ့် အတိအကျ သတ်မှတ်လို့မရပါဘူး။
|
||||
|
||||
|
||||
|
||||
|
||||
> [Amber Kipp](https://unsplash.com/@sadmax) မှ [ဓာတ်ပုံ](https://unsplash.com/photos/75715CVEJhI) (Unsplash မှ)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"ဒီနမူနာမှာတော့ ရုပ်ပိုင်းဆိုင်ရာ အင်္ဂါရပ်အချို့အပေါ် မူတည်ပြီး တိရစ္ဆာန်ကို သတ်မှတ်နိုင်ရန် ရိုးရှင်းတဲ့ အသိပညာအခြေပြု စနစ်တစ်ခုကို တည်ဆောက်သွားမှာ ဖြစ်ပါတယ်။ ဒီစနစ်ကို အောက်ပါ AND-OR သစ်ပင်ဖြင့် ကိုယ်စားပြုနိုင်ပါတယ် (ဒီဟာက သစ်ပင်တစ်ခုလုံးရဲ့ အစိတ်အပိုင်းတစ်ခုသာဖြစ်ပြီး နောက်ထပ် စည်းမျဉ်းများကို လွယ်ကူစွာ ထပ်ထည့်နိုင်ပါတယ်)။\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Knowledge Representation and Expert Systems
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote by [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Symbolic AI ရဲ့ အရေးကြီးတဲ့အယူအဆတစ်
|
|||
|
||||
ဒါကြောင့် **အသိပညာကိုဖော်ပြခြင်း** ဆိုတာ စက်ထဲမှာ ဒေတာအဖြစ် အသိပညာကို ထိရောက်စွာ ဖော်ပြနိုင်တဲ့ နည်းလမ်းတစ်ခုကို ရှာဖွေဖို့ ပြဿနာဖြစ်ပါတယ်၊ အလိုအလျောက် အသုံးပြုနိုင်စေဖို့ပါ။ ဒါကို အောက်ပါအတိုင်း စက်ရုပ်နည်းလမ်းအဖြစ် မြင်နိုင်ပါတယ်-
|
||||
|
||||
|
||||
|
||||
|
||||
> Image by [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
Symbolic AI ရဲ့ အစောပိုင်းအောင်မြင်မှုတွေထဲမှာ **expert systems** လို့ခေါ်တဲ့ စနစ်တွေ ပါဝင်ပါတယ်။ ဒီစနစ်တွေက အကန့်အသတ်ရှိတဲ့ ပြဿနာဒေသတစ်ခုမှာ ကျွမ်းကျင်သူတစ်ဦးအဖြစ် လုပ်ဆောင်ဖို့ ဖန်တီးထားတဲ့ computer systems တွေဖြစ်ပါတယ်။ ဒီစနစ်တွေမှာ **knowledge base** ကို လူသားကျွမ်းကျင်သူတစ်ဦး သို့မဟုတ် အများအပြားကနေ ထုတ်ယူပြီး **inference engine** ကို အသုံးပြုပြီး reasoning လုပ်ပါတယ်။
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
လူသားရဲ့ ဦးနှောက်စနစ်ရဲ့ ရိုးရှင်းတဲ့ဖွဲ့စည်းမှု | အသိပညာအခြေခံစနစ်ရဲ့ ဖွဲ့စည်းမှု
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Expert systems တွေကို လူသားရဲ့ reasoning စနစ
|
|||
|
||||
ဥပမာအားဖြင့် အောက်ပါ expert system ကို သက်ရှိတစ်ခုရဲ့ ရုပ်ပိုင်းဆိုင်ရာလက္ခဏာအပေါ် အခြေခံပြီး သတ်မှတ်ခြင်းလုပ်ငန်းစဉ်အဖြစ် တွေးဆနိုင်ပါတယ်-
|
||||
|
||||
|
||||
|
||||
|
||||
> Image by [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1265,7 +1265,7 @@
|
|||
"* သင်ကြားမှုအရှုံး (training loss) နည်းတယ် - မော်ဒယ်မှာ အစွမ်းထက်တဲ့ ဖော်ပြနိုင်စွမ်းရှိလို့ သင်ကြားမှုဒေတာကို မှန်ကန်စွာ ခန့်မှန်းနိုင်တယ်။\n",
|
||||
"* Validation loss က training loss ထက် ပိုမြင့်တတ်တယ်၊ သင်ကြားမှုအတွင်းမှာတောင် မြင့်တက်လာတတ်တယ် - ဒီအခြေအနေက မော်ဒယ်က သင်ကြားမှုဒေတာကို \"မှတ်မိ\" သွားပြီး \"အထွေထွေသဘော\" ကို ပျောက်ဆုံးသွားတာကြောင့် ဖြစ်တယ်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> ဒီပုံမှာ `x` က သင်ကြားမှုဒေတာကို ဆိုလိုတာဖြစ်ပြီး၊ `o` က စစ်ဆေးမှုဒေတာ (validation data) ကို ဆိုလိုတယ်။ ဘယ်ဘက်မှာ - linear မော်ဒယ် (တစ်လွှာမော်ဒယ်) က ဒေတာရဲ့ သဘာဝကို ကောင်းမွန်စွာ ခန့်မှန်းနိုင်တယ်။ ညာဘက်မှာ - overfitted မော်ဒယ်က သင်ကြားမှုဒေတာကို ပြည့်စုံစွာ ခန့်မှန်းနိုင်ပေမယ့် အခြားဒေတာတွေနဲ့တော့ အဓိပ္ပာယ်မရှိတော့ဘူး (validation error အလွန်မြင့်တက်တယ်)။\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Overfitting သည် machine learning တွင် အလွန်အရေး
|
|||
|
||||
အောက်ပါ 5 dots (graph ပေါ်တွင် `x` ဖြင့် ဖော်ပြထားသည်) ကို approximation လုပ်ရန် ပြဿနာကို စဉ်းစားပါ-
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Linear model, 2 parameters** | **Non-linear model, 7 parameters**
|
||||
Training error = 5.3 | Training error = 0
|
||||
|
|
@ -79,7 +79,7 @@ Model ၏ richness (parameter အရေအတွက်) နှင့် training
|
|||
|
||||
အထက်ပါ graph မှာမြင်နိုင်သည့်အတိုင်း overfitting ကို training error အလွန်နည်းပြီး validation error အလွန်မြင့်ခြင်းဖြင့် ရှာဖွေနိုင်သည်။ Training အတွင်း training error နှင့် validation error နှစ်ခုစလုံး လျော့နည်းလာပြီး validation error သည် တစ်ချိန်တွင် လျော့နည်းမှုရပ်ပြီး မြင့်တက်လာနိုင်သည်။ ဤအချိန်သည် overfitting ဖြစ်နေသည်ဟု သက်သေပြသည်။ Training ကို ရပ်တန့်ရန် သို့မဟုတ် model ၏ snapshot ကို သိမ်းဆည်းရန် အချိန်ဖြစ်သည်။
|
||||
|
||||
|
||||
|
||||
|
||||
## How to prevent overfitting
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# နယူးရယ်နက်ဝါ့ခ်များအကြောင်း အကျဉ်းချုပ်
|
||||
|
||||
|
||||
|
||||
|
||||
ကျွန်ုပ်တို့ အကျဉ်းချုပ်တွင် ဆွေးနွေးခဲ့သည့်အတိုင်း၊ ဉာဏ်ရည်ကို ရရှိစေရန် နည်းလမ်းတစ်ခုမှာ **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဉာဏ်ရည်** တစ်ခုကို လေ့ကျင့်ခြင်းဖြစ်သည်။ ၂၀ ရာစု အလယ်ပိုင်းမှစ၍ သုတေသနပြုသူများသည် သင်္ချာမော်ဒယ်အမျိုးမျိုးကို စမ်းသပ်ခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်ကြောင်း သက်သေပြခဲ့သည်။ ဉာဏ်ရည်၏ သင်္ချာမော်ဒယ်များကို **နယူးရယ်နက်ဝါ့ခ်များ** ဟု ခေါ်သည်။
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိရှိထားသည်မှာ၊ ကျွန်ုပ်တို့၏ ဦးနှောက်သည် နယူးရွန်ဆဲလ်များ (neurons) ဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "ထည့်သွင်းမှုများ" (dendrites) အများအပြားနှင့် "ထွက်ရှိမှု" (axon) တစ်ခုရှိသည်။ Dendrites နှင့် Axons နှစ်ခုစလုံးသည် လျှပ်စစ်သံကို သယ်ဆောင်နိုင်ပြီး၊ ၎င်းတို့အကြားရှိ ဆက်သွယ်မှုများ — synapses ဟုခေါ်သည် — သည် လျှပ်စစ်သံသယ်ဆောင်နိုင်စွမ်းအမျိုးမျိုးကို ပြသနိုင်ပြီး၊ ၎င်းတို့ကို neurotransmitters များက ထိန်းညှိသည်။
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
အမှန်တကယ် နယူးရွန် *([ပုံ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia မှ)* | အတုနယူးရွန် *(ရေးသားသူမှ ပုံဆွဲသည်)*
|
||||
|
||||
ထို့ကြောင့်၊ နယူးရွန်၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်တွင် ထည့်သွင်းမှုများ X<sub>1</sub>, ..., X<sub>N</sub> နှင့် ထွက်ရှိမှု Y တို့နှင့် အလေးချိန်များ W<sub>1</sub>, ..., W<sub>N</sub> တို့ပါဝင်သည်။ ထွက်ရှိမှုကို အောက်ပါအတိုင်းတွက်ချက်သည်-
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.my.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.my.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
ဤတွင် f သည် အချို့သော မလိုက်လျောသော **activation function** ဖြစ်သည်။
|
||||
|
||||
|
|
|
|||
|
|
@ -75,14 +75,14 @@ OpenCV ကို အသုံးပြုပြီး ဗီဒီယို fram
|
|||
|
||||
* **Braille စာအုပ်ရဲ့ ဓာတ်ပုံကို Pre-processing လုပ်ခြင်း**။ thresholding, feature detection, perspective transformation နဲ့ NumPy ကို ကိုင်တွယ်ခြင်းတို့ကို အသုံးပြုပြီး Braille အက္ခရာတစ်ခုချင်းစီကို neural network နဲ့ classification လုပ်ဖို့ ခွဲထုတ်ပေးနိုင်ပါတယ်။
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> [OpenCV.ipynb](OpenCV.ipynb) မှ ပုံရိပ်
|
||||
|
||||
* **Frame difference ကို အသုံးပြုပြီး ဗီဒီယိုထဲမှာ လှုပ်ရှားမှုကို ရှာဖွေခြင်း**။ ကင်မရာက တည်နေရာမှာရှိရင် ကင်မရာ feed ရဲ့ frame တွေဟာ တူညီနေတတ်ပါတယ်။ Frame တွေကို array အနေနဲ့ ကိုယ်စားပြုထားတဲ့အတွက် frame 2 ခုကို လျော့ချက်လုပ်လိုက်ရင် pixel difference ကို ရရှိမှာဖြစ်ပြီး static frame တွေမှာ pixel difference နည်းနည်းရှိပြီး ပုံရိပ်ထဲမှာ လှုပ်ရှားမှုများလာတဲ့အခါ pixel difference ပိုများလာတတ်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> [OpenCV.ipynb](OpenCV.ipynb) မှ ပုံရိပ်
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ OpenCV ကို အသုံးပြုပြီး ဗီဒီယို fram
|
|||
- **Dense Optical Flow** က pixel တစ်ခုချင်းစီ ဘယ်နေရာကိုရွေ့လျားနေတယ်ဆိုတာကို ပြသတဲ့ vector field ကို တွက်ချက်ပေးပါတယ်။
|
||||
- **Sparse Optical Flow** က ပုံရိပ်ထဲမှာ အထူးသတ်မှတ်ချက်တွေ (ဥပမာ - အနားသတ်) ကို ရွေးပြီး frame-to-frame trajectory ကို တည်ဆောက်ပေးပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> [OpenCV.ipynb](OpenCV.ipynb) မှ ပုံရိပ်
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 သည် 2014 ခုနှစ်တွင် ImageNet top-5 classification တွင် 92.7% တိကျမှုရရှိခဲ့သော network တစ်ခုဖြစ်သည်။ ၎င်းတွင် အောက်ပါ layer အဆောက်အအုံပါရှိသည်-
|
||||
|
||||
|
||||
|
||||
|
||||
VGG သည် convolution-pooling layers များ၏ အစဉ်အတိုင်း pyramid architecture ကို လိုက်နာသည်ကို သင်တွေ့နိုင်ပါသည်။
|
||||
|
||||
|
||||
|
||||
|
||||
> [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) မှရရှိသော ပုံ
|
||||
|
||||
|
|
|
|||
|
|
@ -258,7 +258,7 @@
|
|||
"\n",
|
||||
"ထို့ကြောင့်၊ ပုံမှန် CNN တစ်ခုတွင် convolutional layer အတော်များများ ရှိပြီး၊ ၎င်းတို့အကြား dimension ကို လျှော့ချရန် pooling layer များပါဝင်လေ့ရှိသည်။ ထို့အပြင်၊ pattern များ ပိုမိုရှုပ်ထွေးလာသည့်အခါ - ရှာဖွေရမည့် စိတ်ဝင်စားဖွယ် ပုံစံပေါင်းစပ်မှုများ ပိုမိုများလာသည့်အတွက် filter များ၏ အရေအတွက်ကိုလည်း တိုးမြှင့်လေ့ရှိသည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Spatial dimensions ကို လျှော့ချခြင်းနှင့် feature/filter dimensions ကို တိုးမြှင့်ခြင်းကြောင့်၊ ဒီ architecture ကို **pyramid architecture** ဟုလည်း ခေါ်ဆိုကြသည်။\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -362,7 +362,7 @@
|
|||
"\n",
|
||||
"ထို့ကြောင့်၊ အခြားသော CNN architecture များတွင် convolutional layer များစွာရှိပြီး၊ pooling layer များကို အကြားတွင် ထည့်သွင်းထားသည်။ ထိုကဲ့သို့ dimension များကို လျှော့ချခြင်းနှင့် filter များ၏ အရေအတွက်ကို တိုးမြှင့်ခြင်းဖြင့် pattern များသည် ပိုမိုအဆင့်မြင့်လာသည်နှင့်အမျှ - ရှာဖွေရမည့် combination များ ပိုမိုများလာသည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Spatial dimension များကို လျှော့ချခြင်းနှင့် feature/filter dimension များကို တိုးမြှင့်ခြင်းကြောင့်၊ architecture ကို **pyramid architecture** ဟုလည်း ခေါ်ဆိုပါသည်။\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Patterns တွေကို ရှာဖွေဖို့ **convolutional filters** ဆိုတဲ့ အယူအဆကို အသုံးပြုပါမယ်။ သင်သိပြီးသားဖြစ်တဲ့အတိုင်း၊ ပုံတစ်ပုံဟာ 2D-matrix, ဒါမှမဟုတ် color depth ပါတဲ့ 3D-tensor အနေနဲ့ ဖော်ပြထားပါတယ်။ Filter ကို အသုံးပြုတဲ့အခါမှာ **filter kernel** matrix လေးတစ်ခုကို ယူပြီး၊ မူရင်းပုံထဲက pixel တစ်ခုစီအတွက် အနီးအနားမှာရှိတဲ့ point တွေနဲ့ weighted average ကိုတွက်ချက်ပါတယ်။ ဒါကို ပုံတစ်ပုံလုံးကို sliding လုပ်ပြီး၊ filter kernel matrix ထဲက weight တွေအတိုင်း pixel တွေကို averaging လုပ်နေတဲ့ window လေးတစ်ခုလိုမျိုး မြင်နိုင်ပါတယ်။
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Image by Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ CNN တွေဟာ အောက်ပါ အရေးကြီးတဲ့ အ
|
|||
* Filters တွေကို အလိုအလျောက် သင်ယူနိုင်အောင် network ကို design လုပ်နိုင်တယ်
|
||||
* မူရင်းပုံထဲမှာသာမက၊ high-level features တွေထဲမှာ patterns တွေကို ရှာဖွေနိုင်ဖို့ အတူတူပုံစံကို အသုံးပြုနိုင်တယ်။ ဒါကြောင့် CNN feature extraction ဟာ low-level pixel combinations တွေကနေ စပြီး၊ ပုံရဲ့ အပိုင်းပိုင်းတွေကို ပေါင်းစပ်ထားတဲ့ higher-level features တွေထိ hierarchy အတိုင်း အလုပ်လုပ်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> Image from [a paper by Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), based on [their research](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Convolutional neural networks တွေ ဘယ်လိုအလုပ်လု
|
|||
|
||||
ဥပမာအနေနဲ့၊ VGG-16 ရဲ့ architecture ကို ကြည့်ကြမယ်၊ ဒီ network ဟာ 2014 မှာ ImageNet ရဲ့ top-5 classification မှာ 92.7% accuracy ရရှိခဲ့ပါတယ်-
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Image from [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
ကျွန်ုပ်တို့သည် [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) ကို အသုံးပြုမည်ဖြစ်ပြီး၊ ၎င်းတွင် ခွေးနှင့် ကြောင်အမျိုးအစား ၃၇ မျိုး၏ ဓာတ်ပုံများ ပါဝင်ပါသည်။
|
||||
|
||||
|
||||
|
||||
|
||||
Dataset ကို download လုပ်ရန် အောက်ပါ code snippet ကို အသုံးပြုပါ:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"ကြိုက်နှစ်သက်သောကြောင်ပုံကို ရှင်းလင်းမြင်သာစေရန်အတွက် ကျွန်ုပ်တို့ random noise ပုံတစ်ပုံကို စတင်အသုံးပြုမည်ဖြစ်ပြီး၊ gradient descent optimization နည်းလမ်းကို အသုံးပြု၍ ပုံကို ပြင်ဆင်ကာ network တစ်ခုက ကြောင်ကို အသိအမှတ်ပြုနိုင်အောင် လုပ်ဆောင်မည်ဖြစ်သည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"ဤသည်မှာ ကျွန်ုပ်တို့၏ စတင်ပုံဖြစ်သည်:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras နှင့် PyTorch တို့တွင် ImageNet ပုံမျ
|
|||
|
||||
VGG-16 network မှ ကြောင်ပုံတစ်ပုံမှ ထုတ်ယူထားသော sample feature များကို အောက်တွင် ဖော်ပြထားသည်-
|
||||
|
||||
|
||||
|
||||
|
||||
## Cats vs. Dogs Dataset
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Pre-trained neural network တွင် ၎င်း၏ *brain* အတွင်
|
|||
|
||||
တစ်ခုသော နည်းလမ်းကို အသုံးပြုနိုင်သည်မှာ random image တစ်ပုံကို စတင်ပြီး၊ **gradient descent optimization** နည်းလမ်းကို အသုံးပြု၍ ၎င်းပုံကို network သည် ၎င်းကို ကြောင်ဟု ထင်ရအောင် ပြောင်းလဲရန် ကြိုးစားခြင်းဖြစ်သည်။
|
||||
|
||||
|
||||
|
||||
|
||||
သို့သော် ဤနည်းလမ်းကို အသုံးပြုပါက random noise ကဲ့သို့သော အရာတစ်ခုကို ရရှိမည်ဖြစ်သည်။ အကြောင်းမှာ *network ကို input image ကို ကြောင်ဟု ထင်ရအောင် ပြုလုပ်ရန် နည်းလမ်းများစွာရှိသည်*၊ ၎င်းတို့အနက် visual sense မရှိသော အရာများပါဝင်သည်။ ဤပုံများတွင် ကြောင်အတွက် အထူးသက်သက် pattern များစွာပါဝင်သော်လည်း၊ visually distinctive ဖြစ်ရန် အကန့်အသတ်မရှိပါ။
|
||||
|
||||
ရလဒ်ကို တိုးတက်စေရန် loss function တွင် **variation loss** ဟုခေါ်သော term တစ်ခုကို ထည့်သွင်းနိုင်သည်။ ၎င်းသည် ပုံ၏ အနီးအနား pixel များ၏ တူညီမှုကို ပြသသော metric ဖြစ်သည်။ Variation loss ကို လျှော့ချခြင်းဖြင့် ပုံကို ပိုမိုချောမွေ့စေပြီး၊ noise ကို ဖယ်ရှားနိုင်သည် - visual pattern များကို ပိုမိုရှင်းလင်းစွာ ဖော်ပြနိုင်သည်။ အောက်တွင် ကြောင်နှင့် zebra အဖြစ် classified ဖြစ်သော "ideal" ပုံများကို ဖော်ပြထားသည်-
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ideal Cat* | *Ideal Zebra*
|
||||
|
||||
အလားတူနည်းလမ်းကို neural network တွင် **adversarial attacks** ပြုလုပ်ရန် အသုံးပြုနိုင်သည်။ ကြောင်ကဲ့သို့သော ပုံကို ဖန်တီးရန် ကြိုးစားပါက၊ ကြောင်ဟု network မှ ခွဲခြားထားသော ကြောင်ပုံကို gradient descent optimization အသုံးပြု၍ network သည် ၎င်းကို ကြောင်ဟု ထင်ရအောင် ပြောင်းလဲနိုင်သည်-
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Original picture of a dog* | *Picture of a dog classified as a cat*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Autoencoder ကို မူရင်းပုံမှ အချက်အလက်များကို အတတ်နိုင်ဆုံး ဖမ်းယူပြီး တိကျစွာ ပြန်လည်ဖန်တီးနိုင်ရန် လေ့ကျင့်နေသောကြောင့်၊ network သည် input ပုံများ၏ အဓိပ္ပာယ်ကို ဖမ်းယူနိုင်ရန် အကောင်းဆုံးသော **embedding** ကို ရှာဖွေကြိုးစားသည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> ပုံကို [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) မှ ယူဆောင်ထားသည်။\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Autoencoder ကို မူရင်းပုံရိပ်မှ အချက်အလက်များကို အတိအကျ ပြန်လည်ဖော်ထုတ်နိုင်ရန် အများဆုံး ဖမ်းယူနိုင်ရန် သင်ကြားနေသောကြောင့်၊ network သည် input ပုံရိပ်များ၏ အဓိပ္ပါယ်ကို ဖမ်းယူနိုင်ရန် အကောင်းဆုံး **embedding** ကို ရှာဖွေကြိုးစားသည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*ပုံရင်း [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) မှ*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CNN များကို လေ့ကျင့်ရာတွင် တစ်
|
|||
|
||||
Autoencoder ကို မူရင်းပုံရိပ်မှ အချက်အလက်များကို အများဆုံး ဖမ်းယူရန် လေ့ကျင့်နေသောကြောင့်၊ ကွန်ယက်သည် input ပုံရိပ်များ၏ အဓိပ္ပါယ်ကို ဖမ်းယူရန် အကောင်းဆုံး **embedding** ကို ရှာဖွေသည်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံရိပ် - [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [YOLO v2 web site](https://pjreddie.com/darknet/yolov2/) မှရယူထားသည်။
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. တစ်ခုချင်းစီ tile တွေမှာ image classification ကို run လုပ်ပါ။
|
||||
3. activation အဆင့်မြင့်တဲ့ tiles တွေကို object ရှိတယ်လို့ယူဆနိုင်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> *ပုံကို [Exercise Notebook](ObjectDetection-TF.ipynb) မှရယူထားသည်*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 classes
|
||||
* [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 classes, bounding boxes နှင့် segmentation masks
|
||||
|
||||
|
||||
|
||||
|
||||
## Object Detection Metrics
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Image classification အတွက် algorithm ရဲ့ performance ကိုတိုင်းတာရလွယ်ကူသလို၊ object detection အတွက် class ရဲ့တိကျမှုနှင့် bounding box ရဲ့တိကျမှုကိုတိုင်းတာဖို့လိုအပ်ပါတယ်။ Bounding box ရဲ့တိကျမှုကိုတိုင်းတာဖို့ **Intersection over Union** (IoU) ကိုသုံးပါတယ်၊ ဒါဟာ box နှစ်ခု (သို့မဟုတ် arbitrary areas နှစ်ခု) overlap ဖြစ်ပုံကိုတိုင်းတာပေးပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> *ပုံကို [IoU အကြောင်း blog post](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) မှရယူထားသည်*
|
||||
|
||||
|
|
@ -97,11 +97,11 @@ Object detection algorithms တွေကို broad classes နှစ်ခု
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) က [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) ကိုသုံးပြီး ROI regions တွေကို hierarchical structure အဖြစ် generate လုပ်ပါတယ်၊ အဲ့ဒီ regions တွေကို CNN feature extractors နှင့် SVM-classifiers တွေက object class ကိုသတ်မှတ်ဖို့၊ linear regression က *bounding box* coordinates ကိုသတ်မှတ်ဖို့သုံးပါတယ်။ [Official Paper](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *ပုံကို van de Sande et al. ICCV’11 မှရယူထားသည်*
|
||||
|
||||
|
||||
|
||||
|
||||
> *ပုံကို [ဒီ blog](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e) မှရယူထားသည်*
|
||||
|
||||
|
|
@ -109,7 +109,7 @@ Object detection algorithms တွေကို broad classes နှစ်ခု
|
|||
|
||||
ဒီနည်းလမ်းက R-CNN နဲ့တူပေမယ့် regions တွေကို convolution layers apply လုပ်ပြီးမှသတ်မှတ်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [Official Paper](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 မှရယူထားသည်။
|
||||
|
||||
|
|
@ -117,7 +117,7 @@ Object detection algorithms တွေကို broad classes နှစ်ခု
|
|||
|
||||
ဒီနည်းလမ်းရဲ့အဓိကအကြောင်းအရာက neural network ကိုသုံးပြီး ROIs ကို predict လုပ်တာဖြစ်ပါတယ် - *Region Proposal Network* လို့ခေါ်ပါတယ်။ [Paper](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [Official Paper](https://arxiv.org/pdf/1506.01497.pdf) မှရယူထားသည်။
|
||||
|
||||
|
|
@ -129,7 +129,7 @@ Object detection algorithms တွေကို broad classes နှစ်ခု
|
|||
2. Features တွေကို **Position-Sensitive Score Map** မှာ process လုပ်ပါ။ $C$ classes ထဲက object တစ်ခုစီကို $k\times k$ regions တွေခွဲပြီး၊ object parts တွေကို predict လုပ်ဖို့ training လုပ်ပါတယ်။
|
||||
3. $k\times k$ regions ထဲက part တစ်ခုစီအတွက် networks အားလုံးက object classes အတွက် vote လုပ်ပြီး၊ maximum vote ရတဲ့ object class ကိုရွေးချယ်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [Official Paper](https://arxiv.org/abs/1605.06409) မှရယူထားသည်။
|
||||
|
||||
|
|
@ -140,7 +140,7 @@ YOLO က realtime one-pass algorithm ဖြစ်ပါတယ်။ အဓိက
|
|||
* ပုံကို $S\times S$ regions တွေခွဲပါ။
|
||||
* Region တစ်ခုစီအတွက် **CNN** က $n$ possible objects, *bounding box* coordinates နှင့် *confidence*=*probability* * IoU ကို predict လုပ်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [Official Paper](https://arxiv.org/abs/1506.02640) မှရယူထားသည်။
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# ကွန်ပျူတာမြင်ကြည့်မှု
|
||||
|
||||
|
||||
|
||||
|
||||
ဤအပိုင်းတွင် ကျွန်ုပ်တို့ သင်ယူမည့်အကြောင်းအရာများမှာ -
|
||||
|
||||
|
|
|
|||
|
|
@ -197,7 +197,7 @@
|
|||
"\n",
|
||||
"**စကားလုံးအိတ်** (BoW) ဗက်တာကိုယ်စားပြုမှုဟာ အရင်က အသုံးများခဲ့တဲ့ ဗက်တာကိုယ်စားပြုမှုအနက် အများဆုံး အသုံးပြုတဲ့နည်းလမ်းဖြစ်ပါတယ်။ စကားလုံးတစ်လုံးချင်းစီကို ဗက်တာအညွှန်းနဲ့ ချိတ်ဆက်ထားပြီး၊ ဗက်တာအခန်းက စာရွက်တစ်ခုထဲမှာ စကားလုံးတစ်လုံးရဲ့ ဖြစ်ပေါ်မှုအရေအတွက်ကို ထည့်သွင်းထားပါတယ်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: BoW ကို စာသားထဲမှာ စကားလုံးတစ်လုံးချင်းစီအတွက် one-hot-encoded ဗက်တာတွေကို စုပေါင်းထားတဲ့အနေနဲ့လည်း စဉ်းစားနိုင်ပါတယ်။\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**စကားလုံးအထုပ်** (BoW) ဗက်တာကိုယ်စားပြုမှုသည် နားလည်ရန် အလွယ်ဆုံးသော ရိုးရာဗက်တာကိုယ်စားပြုမှုဖြစ်သည်။ စကားလုံးတစ်ခုချင်းစီကို ဗက်တာအညွှန်းနှင့် ချိတ်ဆက်ထားပြီး၊ ဗက်တာအခန်းကဏ္ဍတစ်ခုတွင် သတ်မှတ်ထားသော စာရွက်စာတမ်းအတွင်း စကားလုံးတစ်ခုချင်းစီ၏ ဖြစ်ပေါ်မှုအရေအတွက်ကို ပါဝင်ထားသည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: BoW ကို စာသားအတွင်း စကားလုံးတစ်ခုချင်းစီအတွက် တစ်ခုချင်းစီ *one-hot-encoded* ဗက်တာများ၏ စုစုပေါင်းအဖြစ်လည်း စဉ်းစားနိုင်ပါသည်။\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"ကျွန်တော်တို့ network ရဲ့ ပထမဆုံး layer အနေနဲ့ embedding layer ကို သုံးခြင်းအားဖြင့်၊ bag-of-words မှ **embedding bag** မော်ဒယ်ဆီကို ပြောင်းနိုင်ပါတယ်။ ဒီမှာ ကျွန်တော်တို့ရဲ့ စာသားထဲက စကားလုံးတစ်လုံးစီကို သက်ဆိုင်ရာ embedding ကို ပြောင်းပြီး၊ ထို embedding တွေကို `sum`၊ `average` သို့မဟုတ် `max` ကဲ့သို့သော aggregate function တစ်ခုခုကို တွက်ချက်ပေးပါမယ်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"ကျွန်တော်တို့ရဲ့ classifier neural network က embedding layer နဲ့ စပြီး၊ aggregation layer နဲ့ linear classifier ကို အပေါ်မှာ ထည့်သွင်းထားပါမယ်။\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"ယခင် အဆောက်အအုံတွင်၊ minibatch ထဲသို့ ထည့်သွင်းနိုင်ရန် အစီအစဉ်အားလုံးကို အရှည်တူအောင် pad လုပ်ရန် လိုအပ်ခဲ့သည်။ သို့သော်၊ အရှည်မတူညီသော အစီအစဉ်များကို ကိုယ်စားပြုရန်အတွက် ဤနည်းလမ်းသည် အကျိုးရှိဆုံးမဟုတ်ပါ။ အခြားနည်းလမ်းတစ်ခုမှာ **offset** vector ကို အသုံးပြုခြင်းဖြစ်ပြီး၊ ၎င်းသည် အစီအစဉ်အားလုံး၏ offsets ကို တစ်ခုတည်းသော vector အကြီးထဲတွင် သိမ်းဆည်းထားမည်ဖြစ်သည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: အထက်ပါ ပုံတွင် အက္ခရာများ၏ အစီအစဉ်ကို ပြထားသော်လည်း၊ ကျွန်ုပ်တို့၏ ဥပမာတွင် စကားလုံးများ၏ အစီအစဉ်များနှင့် အလုပ်လုပ်နေပါသည်။ သို့သော်၊ offset vector ဖြင့် အစီအစဉ်များကို ကိုယ်စားပြုခြင်း၏ အခြေခံသဘောတရားမှာ မပြောင်းလဲပါ။\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW က ပိုမြန်ပါတယ်၊ skip-gram က ပိုနှေးပေမယ့် မကြာခဏ မတွေ့ရတဲ့ စကားလုံးများကို ပိုကောင်းစွာ ဖော်ပြနိုင်ပါတယ်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News dataset ပေါ်မှာ ကြိုတင်သင်ယူထားတဲ့ word2vec embedding ကို စမ်းသပ်ဖို့၊ **gensim** library ကို အသုံးပြုနိုင်ပါတယ်။ အောက်မှာ 'neural' နဲ့ အနီးဆုံးသော စကားလုံးများကို ရှာဖွေထားပါတယ်-\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"ကျွန်တော်တို့ network ရဲ့ ပထမဆုံး layer အနေနဲ့ embedding layer ကို အသုံးပြုခြင်းအားဖြင့် bag-of-words နည်းလမ်းကနေ **embedding bag** မော်ဒယ်ဆီကို ပြောင်းနိုင်ပါတယ်။ ဒီမှာ ကျွန်တော်တို့ စာသားထဲက စကားလုံးတစ်လုံးချင်းစီကို သက်ဆိုင်ရာ embedding ကို ပြောင်းပြီး၊ အဲဒီ embedding တွေကို `sum`, `average`, `max` စတဲ့ aggregate function တစ်ခုခုနဲ့ တွက်ချက်ပေးနိုင်ပါတယ်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"ကျွန်တော်တို့ classifier neural network ရဲ့ layer တွေက အောက်ပါအတိုင်းဖြစ်ပါတယ်-\n",
|
||||
"\n",
|
||||
|
|
@ -279,7 +279,7 @@
|
|||
"\n",
|
||||
"CBoW သည် မြန်ဆန်သော်လည်း၊ skip-gram သည် နှေးကွေးသော်လည်း မကြာခဏမတွေ့ရသော စကားလုံးများကို ပိုမိုကောင်းမွန်စွာ ဖော်ပြနိုင်သည်။\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News dataset ပေါ်တွင် ကြိုတင်သင်ကြားထားသော Word2Vec embedding ကို စမ်းသပ်ရန် **gensim** library ကို အသုံးပြုနိုင်သည်။ အောက်တွင် 'neural' နှင့် နီးစပ်သော စကားလုံးများကို ရှာဖွေထားသည်။\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Embedding layer က စကားလုံးကို input အနေနဲ့
|
|||
|
||||
Embedding layer ကို classifier network ရဲ့ ပထမဆုံး layer အနေနဲ့ အသုံးပြုခြင်းအားဖြင့်၊ bag-of-words model ကနေ **embedding bag** model သို့ ပြောင်းလဲနိုင်ပါတယ်။ ဒီမှာ စကားလုံးတစ်လုံးချင်းစီကို သက်ဆိုင်ရာ embedding သို့ ပြောင်းပြီး၊ အဲဒီ embeddings အားလုံးအပေါ်မှာ `sum`, `average` သို့မဟုတ် `max` ကဲ့သို့သော aggregate function တစ်ခုခုကို တွက်ချက်ပါမယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို စာရေးသူမှ ဖန်တီးထားသည်
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Embedding layer က စကားလုံးတွေကို vector representa
|
|||
|
||||
CBoW က ပိုမြန်ပြီး၊ skip-gram က ပိုနှေးပေမယ့်၊ မကြာခဏ မတွေ့ရတဲ့ စကားလုံးတွေကို ပိုကောင်းစွာ ကိုယ်စားပြုနိုင်ပါတယ်။
|
||||
|
||||
|
||||
|
||||
|
||||
> ပုံကို [ဒီစာတမ်း](https://arxiv.org/pdf/1301.3781.pdf) မှာ ရရှိခဲ့သည်
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue