Merge pull request #525 from suphanf/update-quiz-links

Use new links for Pre-lecture quiz and Post-lecture quiz

lessons/1-Intro/README.md

@@ -4,7 +4,7 @@
 
 > Sketchnote by [Tomomi Imura](https://twitter.com/girlie_mac)
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/1)
 
 **Artificial Intelligence** is an exciting scientific discipline that studies how we can make computers exhibit intelligent behavior, e.g. do those things that human beings are good at doing.
 
@@ -145,7 +145,7 @@ Over the past few years we have witnessed huge successes with large language mod
 
 Do a tour of the internet to determine where, in your opinion, AI is most effectively used. Is it in a Mapping app, or some speech-to-text service or a video game? Research how the system was built.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## Review & Self Study
 

lessons/1-Intro/translations/README.ja.md

@@ -4,7 +4,7 @@
 
 > Sketchnote by [Tomomi Imura](https://twitter.com/girlie_mac)
 
-## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/1)
 
 **Artificial Intelligence** is an exciting scientific discipline that studies how we can make computers exhibit intelligent behavior, e.g. do those things that human beings are good at doing.
 
@@ -139,7 +139,7 @@ Over the past few years we have witnessed huge successes with large language mod
 
 Do a tour of the internet to determine where, in your opinion, AI is most effectively used. Is it in a Mapping app, or some speech-to-text service or a video game? Research how the system was built.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## レビュー＆セルフスタディ
 

lessons/2-Symbolic/README.md

@@ -6,7 +6,7 @@
 
 The quest for artificial intelligence is based on a search for knowledge, to make sense of the world similar to how humans do. But how can you go about doing this?
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/3)
 
 In the early days of AI, the top-down approach to creating intelligent systems (discussed in the previous lesson) was popular. The idea was to extract the knowledge from people into some machine-readable form, and then use it to automatically solve problems. This approach was based on two big ideas:
 
@@ -232,7 +232,7 @@ Nowadays, AI is often considered to be a synonym for *Machine Learning* or *Neur
 
 In the Family Ontology notebook associated to this lesson, there is an opportunity to experiment with other family relations. Try to discover new connections between people in the family tree.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/4)
 
 ## Review & Self Study
 

lessons/3-NeuralNetworks/03-Perceptron/README.md

@@ -1,6 +1,6 @@
 # Introduction to Neural Networks: Perceptron
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/5)
 
 One of the first attempts to implement something similar to a modern neural network was done by Frank Rosenblatt from Cornell Aeronautical Laboratory in 1957. It was a hardware implementation called "Mark-1", designed to recognize primitive geometric figures, such as triangles, squares and circles.
 
@@ -76,7 +76,7 @@ In this lesson, you learned about a perceptron, which is a binary classification
 
 If you'd like to try to build your own perceptron, try [this lab on Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) which uses the [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste).
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/6)
 
 ## Review & Self Study
 

lessons/3-NeuralNetworks/04-OwnFramework/README.md

@@ -10,7 +10,7 @@ In this section we will extend this model into a more flexible framework, allowi
 
 We will also develop our own modular framework in Python that will allow us to construct different neural network architectures.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/7)
 
 ## Formalization of Machine Learning
 
@@ -72,7 +72,7 @@ In the accompanying notebook, you will implement your own framework for building
 
 Proceed to the [OwnFramework](OwnFramework.ipynb) notebook and work through it.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/8)
 
 ## Review & Self Study
 

lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -5,7 +5,7 @@ As we have learned already, to be able to train neural networks efficiently we n
 * To operate on tensors, eg. to multiply, add, and compute some functions such as sigmoid or softmax
 * To compute gradients of all expressions, in order to perform gradient descent optimization
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9)
 
 While the `numpy` library can do the first part, we need some mechanism to compute gradients. In [our framework](../04-OwnFramework/OwnFramework.ipynb) that we have developed in the previous section we had to manually program all derivative functions inside the `backward` method, which does backpropagation. Ideally, a framework should give us the opportunity to compute gradients of *any expression* that we can define.
 
@@ -97,7 +97,7 @@ In this lesson, you learned about the differences between the various APIs for t
 
 In the accompanying notebooks, you will find 'tasks' at the bottom; work through the notebooks and complete the tasks.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/06-IntroCV/README.md

@@ -2,7 +2,7 @@
 
 [Computer Vision](https://wikipedia.org/wiki/Computer_vision) is a discipline whose aim is to allow computers to gain high-level understanding of digital images. This is quite a broad definition, because *understanding* can mean many different things, including finding an object on a picture (**object detection**), understanding what is happening (**event detection**), describing a picture in text, or reconstructing a scene in 3D. There are also special tasks related to human images: age and emotion estimation, face detection and identification, and 3D pose estimation, to name a few.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/11)
 
 One of the simplest tasks of computer vision is **image classification**.
 
@@ -96,7 +96,7 @@ Sometimes, relatively complex tasks such as movement detection or fingertip dete
 
 Watch [this video](https://docs.microsoft.com/shows/ai-show/ai-show--2021-opencv-ai-competition--grand-prize-winners--cortic-tigers--episode-32?WT.mc_id=academic-77998-cacaste) from the AI show to learn about the Cortic Tigers project and how they built a block-based solution to democratize computer vision tasks via a robot. Do some research on other projects like this that help onboard new learners into the field.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/12)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md

@@ -50,7 +50,7 @@ In this unit, you have learned the main concept behind computer vision neural ne
 
 In the accompanying notebooks, there are notes at the bottom about how to obtain greater accuracy. Do some experiments to see if you can achieve higher accuracy.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/14)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/07-ConvNets/README.md

@@ -2,7 +2,7 @@
 
 We have seen before that neural networks are quite good at dealing with images, and even one-layer perceptron is able to recognize handwritten digits from MNIST dataset with reasonable accuracy. However, the MNIST dataset is very special, and all digits are centered inside the image, which makes the task simpler.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/13)
 
 In real life, we want to be able to recognize objects on a picture regardless of their exact location in the image. Computer vision is different from generic classification, because when we are trying to find a certain object in the picture, we are scanning the image looking for some specific **patterns** and their combinations. For example, when looking for a cat, we first may look for horizontal lines, which can form whiskers, and then certain a combination of whiskers can tell us that it is actually a picture of a cat. Relative position and presence of certain patterns is important, and not their exact position on the image.
 

lessons/4-ComputerVision/08-TransferLearning/README.md

@@ -2,7 +2,7 @@
 
 Training CNNs can take a lot of time, and a lot of data is required for that task. However, much of the time is spent learning the best low-level filters that a network can use to extract patterns from images. A natural question arises - can we use a neural network trained on one dataset and adapt it to classify different images without requiring a full training process?
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15)
 
 This approach is called **transfer learning**, because we transfer some knowledge from one neural network model to another. In transfer learning, we typically start with a pre-trained model, which has been trained on some large image dataset, such as **ImageNet**. Those models can already do a good job extracting different features from generic images, and in many cases just building a classifier on top of those extracted features can yield a good result.
 
@@ -66,7 +66,7 @@ Using transfer learning, you are able to quickly put together a classifier for a
 
 In the accompanying notebooks, there are notes at the bottom about how transfer knowledge works best with somewhat similar training data (a new type of animal, perhaps). Do some experimentation with completely new types of images to see how well or poorly your transfer knowledge models perform.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/09-Autoencoders/README.md

@@ -2,7 +2,7 @@
 
 When training CNNs, one of the problems is that we need a lot of labeled data. In the case of image classification, we need to separate images into different classes, which is a manual effort.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17)
 
 However, we might want to use raw (unlabeled) data for training CNN feature extractors, which is called **self-supervised learning**. Instead of labels, we will use training images as both network input and output. The main idea of **autoencoder** is that we will have an **encoder network** that converts input image into some **latent space** (normally it is just a vector of some smaller size), then the **decoder network**, whose goal would be to reconstruct the original image.
 
@@ -71,7 +71,7 @@ Learn more about autoencoders in these corresponding notebooks:
 * **Lossy** - the reconstructed image is not the same as the original image. The nature of loss is defined by the *loss function* used during training
 * Works on **unlabeled data**
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18)
 
 ## Conclusion
 
@@ -81,7 +81,7 @@ In this lesson, you learned about the various types of autoencoders available to
 
 In this lesson, you learned about using autoencoders for images. But they can also be used for music! Check out the Magenta project's [MusicVAE](https://magenta.tensorflow.org/music-vae) project, which uses autoencoders to learn to reconstruct music. Do some [experiments](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) with this library to see what you can create.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/10-GANs/README.md

@@ -2,7 +2,7 @@
 
 In the previous section, we learned about **generative models**: models that can generate new images similar to the ones in the training dataset. VAE was a good example of a generative model.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19)
 
 However, if we try to generate something really meaningful, like a painting at reasonable resolution, with VAE, we will see that training does not converge well. For this use case, we should learn about another architecture specifically targeted at generative models - **Generative Adversarial Networks**, or GANs.
 
@@ -75,7 +75,7 @@ The way it works is the following:
 
 ## ✍️ Example: [Style Transfer](StyleTransfer.ipynb)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/20)
 
 ## Conclusion
 

lessons/4-ComputerVision/11-ObjectDetection/README.md

@@ -2,7 +2,7 @@
 
 The image classification models we have dealt with so far took an image and produced a categorical result, such as the class 'number' in a MNIST problem. However, in many cases we do not want just to know that a picture portrays objects - we want to be able to determine their precise location. This is exactly the point of **object detection**.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21)
 
 ![Object Detection](images/Screen_Shot_2016-11-17_at_11.14.54_AM.png)
 
@@ -163,7 +163,7 @@ Read through these articles and notebooks about YOLO and try them for yourself
  * Yolo: [Keras implementation](https://github.com/experiencor/keras-yolo2), [step-by-step notebook](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb)
  * Yolo v2: [Keras implementation](https://github.com/experiencor/keras-yolo2), [step-by-step notebook](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/22)
 
 ## Review & Self Study
 

lessons/4-ComputerVision/12-Segmentation/README.md

@@ -2,7 +2,7 @@
 
 We have previously learned about Object Detection, which allows us to locate objects in the image by predicting their *bounding boxes*. However, for some tasks we do not only need bounding boxes, but also more precise object localization. This task is called  **segmentation**.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23)
 
 Segmentation can be viewed as **pixel classification**, whereas for **each** pixel of image we must predict its class (*background* being one of the classes). There are two main segmentation algorithms:
 
@@ -47,7 +47,7 @@ Open the notebooks below to learn more about different semantic segmentation arc
 * [Semantic Segmentation Pytorch](SemanticSegmentationPytorch.ipynb)
 * [Semantic Segmentation TensorFlow](SemanticSegmentationTF.ipynb)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/24)
 
 ## Conclusion
 

lessons/5-NLP/13-TextRep/README.md

@@ -1,6 +1,6 @@
 # Representing Text as Tensors
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/25)
 
 ## Text Classification
 
@@ -64,7 +64,7 @@ So far, we have studied techniques that can add frequency weight to different wo
 
 Try some other exercises using bag-of-words and different data models. You might be inspired by this [competition on Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/26)
 
 ## Review & Self Study
 

lessons/5-NLP/14-Embeddings/README.md

@@ -1,6 +1,6 @@
 # Embeddings
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/27)
 
 When training classifiers based on BoW or TF/IDF, we operated on high-dimensional bag-of-words vectors with length `vocab_size`, and we were explicitly converting from low-dimensional positional representation vectors into sparse one-hot representation. This one-hot representation, however, is not memory-efficient. In addition, each word is treated independently from each other, i.e. one-hot encoded vectors do not express any semantic similarity between words.
 
@@ -56,7 +56,7 @@ In this lesson, you discovered how to build and use embedding layers in TensorFl
 
 Word2Vec has been used for some interesting applications, including generating song lyrics and poetry. Take a look at [this article](https://www.politetype.com/blog/word2vec-color-poems) which walks through how the author used Word2Vec to generate poetry. Watch [this video by Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) as well to discover a different explanation of this technique. Then try to apply these techniques to your own text corpus, perhaps sourced from Kaggle.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/28)
 
 ## Review & Self Study
 

lessons/5-NLP/15-LanguageModeling/README.md

@@ -2,7 +2,7 @@
 
 Semantic embeddings, such as Word2Vec and GloVe, are in fact a first step towards **language modeling** - creating models that somehow *understand* (or *represent*) the nature of the language.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/29)
 
 The main idea behind language modeling is training them on unlabeled datasets in an unsupervised manner. This is important because we have huge amounts of unlabeled text available, while the amount of labeled text would always be limited by the amount of effort we can spend on labeling. Most often, we can build language models that can **predict missing words** in the text, because it is easy to mask out a random word in text and use it as a training sample.
 
@@ -30,7 +30,7 @@ Continue your learning in the following notebooks:
 
 In the previous lesson we have seen that words embeddings work like magic! Now we know that training word embeddings is not a very complex task, and we should be able to train our own word embeddings for domain specific text if needed. 
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/30)
 
 ## Review & Self Study
 

lessons/5-NLP/16-RNN/README.md

@@ -1,6 +1,6 @@
 # Recurrent Neural Networks
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/31)
 
 In previous sections, we have been using rich semantic representations of text and a simple linear classifier on top of the embeddings. What this architecture does is to capture the aggregated meaning of words in a sentence, but it does not take into account the **order** of words, because the aggregation operation on top of embeddings removed this information from the original text. Because these models are unable to model word ordering, they cannot solve more complex or ambiguous tasks such as text generation or question answering.
 
@@ -75,7 +75,7 @@ Read through some literature about LSTMs and consider their applications:
 - [Show, Attend and Tell: Neural Image Caption
 Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/32)
 
 ## Review & Self Study
 

lessons/5-NLP/17-GenerativeNetworks/README.md

@@ -1,6 +1,6 @@
 # Generative networks
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/33)
 
 Recurrent Neural Networks (RNNs) and their gated cell variants such as Long Short Term Memory Cells (LSTMs) and Gated Recurrent Units (GRUs) provided a mechanism for language modeling in that they can learn word ordering and provide predictions for the next word in a sequence. This allows us to use RNNs for **generative tasks**, such as ordinary text generation, machine translation, and even image captioning.
 
@@ -62,7 +62,7 @@ Take some lessons on Microsoft Learn on this topic
 
 * Text Generation with [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/34)
 
 ## Review & Self Study
 

lessons/5-NLP/18-Transformers/README.md

@@ -1,6 +1,6 @@
 # Attention Mechanisms and Transformers
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35)
 
 One of the most important problems in the NLP domain is **machine translation**, an essential task that underlies tools such as Google Translate. In this section, we will focus on machine translation, or, more generally, on any *sequence-to-sequence* task (which is also called **sentence transduction**).
 
@@ -99,7 +99,7 @@ In this lesson you learned about Transformers and Attention Mechanisms, all esse
 
 ## 🚀 Challenge
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/36)
 
 ## Review & Self Study
 

lessons/5-NLP/19-NER/README.md

@@ -2,7 +2,7 @@
 
 Up to now, we have mostly been concentrating on one NLP task - classification. However, there are also other NLP tasks that can be accomplished with neural networks. One of those tasks is **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), which deals with recognizing specific entities within text, such as places, person names, date-time intervals, chemical formulae and so on.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/37)
 
 ## Example of Using NER
 
@@ -71,7 +71,7 @@ A NER model is a **token classification model**, which means that it can be used
 
 Complete the assignment linked below to train a named entity recognition model for medical terms, then try it on a different dataset.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/38)
 
 ## Review & Self Study
 

lessons/5-NLP/20-LangModels/README.md

@@ -2,7 +2,7 @@
 
 In all of our previous tasks, we were training a neural network to perform a certain task using labeled dataset. With large transformer models, such as BERT, we use language modelling in self-supervised fashion to build a language model, which is then specialized for specific downstream task with further domain-specific training. However, it has been demonstrated that large language models can also solve many tasks without ANY domain-specific training. A family of models capable of doing that is called **GPT**: Generative Pre-Trained Transformer.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/39)
 
 ## Text Generation and Perplexity
 
@@ -50,4 +50,4 @@ Continue your learning in the following notebooks:
 
 New general pre-trained language models do not only model language structure, but also contain vast amount of natural language. Thus, they can be effectively used to solve some NLP tasks in zero-shop or few-shot settings.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/40)

lessons/6-Other/21-GeneticAlgorithms/README.md

@@ -1,6 +1,6 @@
 # Genetic Algorithms
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41)
 
 **Genetic Algorithms** (GA) are based on an **evolutionary approach** to AI, in which methods of the evolution of a population is used to obtain an optimal solution for a given problem. They were proposed in 1975 by [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland).
 
@@ -57,7 +57,7 @@ Genetic Algorithms are used to solve many problems, including logistics and sear
 
 "Genetic algorithms are simple to implement, but their behavior is difficult to understand." [source](https://wikipedia.org/wiki/Genetic_algorithm) Do some research to find an implementation of a genetic algorithm such as solving a Sudoku puzzle, and explain how it works as a sketch or flowchart.
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/42)
 
 ## Review & Self Study
 

lessons/6-Other/22-DeepRL/README.md

@@ -2,7 +2,7 @@
 
 Reinforcement learning (RL) is seen as one of the basic machine learning paradigms, next to supervised learning and unsupervised learning. While in supervised learning we rely on the dataset with known outcomes, RL is based on **learning by doing**. For example, when we first see a computer game, we start playing, even without knowing the rules, and soon we are able to improve our skills just by the process of playing and adjusting our behavior.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/43)
 
 To perform RL, we need:
 
@@ -101,7 +101,7 @@ We have now learned how to train agents to achieve good results just by providin
 
 Explore the applications listed in the 'Other RL Tasks' section and try to implement one!
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/44)
 
 ## Review & Self Study
 

lessons/6-Other/23-MultiagentSystems/README.md

@@ -2,7 +2,7 @@
 
 One of the possible ways of achieving intelligence is so-called **emergent** (or **synergetic**) approach, which is based on the fact that the combined behavior of many relatively simple agents can result in the overall more complex (or intelligent) behavior of the system as a whole. Theoretically, this is based on the principles of [Collective Intelligence](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) and [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain), which state that higher-level systems gain some sort of added value when being properly combined from lower-level systems (so-called *principle of metasystem transition*).
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/45)
 
 The direction of **Multi-Agent Systems** has emerged in AI in 1990s as a response to growth of the Internet and distributed systems. On of the classical AI textbooks, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), focuses on the view of classical AI from the point of view of Multi-agent systems.
 
@@ -143,7 +143,7 @@ They all tend to focus on the simpler behavior of an individual agent, and achie
 
 Take this lesson to the real world and try to conceptualize a multi-agent system that can solve a problem. What, for example, would a multi-agent system need to do to optimize a school bus route? How could it work in a bakery?
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/46)
 
 ## Review & Self Study
 

translations/ar/lessons/1-Intro/README.md

@@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 > رسم توضيحي بواسطة [Tomomi Imura](https://twitter.com/girlie_mac)
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/1)
 
 **الذكاء الاصطناعي** هو مجال علمي مثير يدرس كيفية جعل أجهزة الكمبيوتر تظهر سلوكًا ذكيًا، أي القيام بالأشياء التي يجيد البشر القيام بها.
 
@@ -151,7 +151,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 قم بجولة على الإنترنت لتحديد المكان الذي تعتقد أن الذكاء الاصطناعي يُستخدم فيه بشكل أكثر فعالية. هل هو في تطبيق الخرائط، أو خدمة تحويل الكلام إلى نص، أو لعبة فيديو؟ ابحث عن كيفية بناء النظام.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/2-Symbolic/README.md

@@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 السعي وراء الذكاء الاصطناعي يعتمد على البحث عن المعرفة، لفهم العالم بطريقة مشابهة للبشر. ولكن كيف يمكن تحقيق ذلك؟
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/3)
 
 في الأيام الأولى للذكاء الاصطناعي، كان النهج العلوي لإنشاء أنظمة ذكية (الذي تمت مناقشته في الدرس السابق) شائعًا. كانت الفكرة هي استخراج المعرفة من البشر إلى شكل يمكن قراءته بواسطة الآلة، ثم استخدامها لحل المشكلات تلقائيًا. هذا النهج كان يعتمد على فكرتين رئيسيتين:
 
@@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel
 
 في دفتر أنطولوجيا العائلة المرتبط بهذه الدرس، هناك فرصة لتجربة علاقات أسرية أخرى. حاول اكتشاف روابط جديدة بين الأشخاص في شجرة العائلة.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/4)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/3-NeuralNetworks/03-Perceptron/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # مقدمة إلى الشبكات العصبية: بيرسيبترون
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/5)
 
 أحد أولى المحاولات لتطبيق شيء مشابه للشبكات العصبية الحديثة قام بها فرانك روزنبلات من مختبر كورنيل للطيران في عام 1957. كان ذلك عبارة عن تطبيق مادي يُسمى "Mark-1"، صُمم للتعرف على الأشكال الهندسية البدائية، مثل المثلثات والمربعات والدوائر.
 
@@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1):
 
 إذا كنت ترغب في محاولة بناء بيرسيبترون خاص بك، جرب [هذا المختبر على Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) الذي يستخدم [مصمم Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste).
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/6)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/README.md

@@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 سنقوم أيضًا بتطوير إطار عمل معياري خاص بنا باستخدام Python، مما يتيح لنا بناء هياكل مختلفة للشبكات العصبية.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/7)
 
 ## صياغة تعلم الآلة
 
@@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 انتقل إلى دفتر [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) واعمل عليه.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/8)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA:
 * العمل على المصفوفات (tensors)، مثل الضرب، الجمع، وحساب بعض الدوال مثل sigmoid أو softmax  
 * حساب التدرجات لجميع التعبيرات، من أجل تنفيذ تحسين الانحدار التدرجي
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/9)
 
 بينما يمكن لمكتبة `numpy` القيام بالجزء الأول، نحتاج إلى آلية لحساب التدرجات. في [الإطار الخاص بنا](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) الذي قمنا بتطويره في القسم السابق، كان علينا برمجة جميع دوال المشتقات يدويًا داخل طريقة `backward`، التي تقوم بتنفيذ الانتشار العكسي. من الناحية المثالية، يجب أن يوفر لنا الإطار فرصة لحساب التدرجات لأي تعبير يمكننا تعريفه.
 
@@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 في الدفاتر المرفقة، ستجد "مهام" في الأسفل؛ اعمل من خلال الدفاتر وأكمل المهام.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/10)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 [رؤية الحاسوب](https://wikipedia.org/wiki/Computer_vision) هي مجال يهدف إلى تمكين الحواسيب من فهم الصور الرقمية على مستوى عالٍ. هذا تعريف واسع جدًا، لأن *الفهم* يمكن أن يعني أشياء مختلفة، مثل العثور على كائن في صورة (**اكتشاف الكائنات**)، فهم ما يحدث (**اكتشاف الأحداث**)، وصف الصورة بالنص، أو إعادة بناء مشهد ثلاثي الأبعاد. هناك أيضًا مهام خاصة تتعلق بصور البشر: تقدير العمر والمشاعر، اكتشاف وتحديد الوجوه، وتقدير الوضعية ثلاثية الأبعاد، على سبيل المثال.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/11)
 
 واحدة من أبسط مهام رؤية الحاسوب هي **تصنيف الصور**.
 
@@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
 
 شاهد [هذا الفيديو](https://docs.microsoft.com/shows/ai-show/ai-show--2021-opencv-ai-competition--grand-prize-winners--cortic-tigers--episode-32?WT.mc_id=academic-77998-cacaste) من برنامج AI Show لتتعرف على مشروع Cortic Tigers وكيف قاموا ببناء حل قائم على الكتل لتبسيط مهام رؤية الحاسوب عبر روبوت. قم ببعض البحث عن مشاريع أخرى مشابهة تساعد في إدخال المتعلمين الجدد إلى هذا المجال.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/12)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md

@@ -59,7 +59,7 @@ MobileNet هي عائلة من النماذج ذات الحجم الصغير،
 
 في الدفاتر المرفقة، توجد ملاحظات في الأسفل حول كيفية تحقيق دقة أعلى. قم ببعض التجارب لترى ما إذا كان بإمكانك تحقيق دقة أعلى.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/14)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 لقد رأينا سابقًا أن الشبكات العصبية جيدة جدًا في التعامل مع الصور، وحتى الشبكة العصبية ذات الطبقة الواحدة قادرة على التعرف على الأرقام المكتوبة بخط اليد من مجموعة بيانات MNIST بدقة معقولة. ومع ذلك، فإن مجموعة بيانات MNIST مميزة جدًا، حيث يتمركز جميع الأرقام داخل الصورة، مما يجعل المهمة أسهل.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/13)
 
 في الحياة الواقعية، نريد أن نكون قادرين على التعرف على الأشياء في الصورة بغض النظر عن موقعها الدقيق داخل الصورة. رؤية الكمبيوتر تختلف عن التصنيف العام، لأنه عندما نحاول العثور على كائن معين في الصورة، فإننا نقوم بمسح الصورة بحثًا عن **أنماط** محددة وتراكيبها. على سبيل المثال، عند البحث عن قطة، قد نبدأ بالبحث عن خطوط أفقية، والتي يمكن أن تشكل الشوارب، ثم يمكن لتكوين معين من الشوارب أن يخبرنا بأنها صورة لقطة بالفعل. الموقع النسبي ووجود أنماط معينة مهم، وليس موقعها الدقيق في الصورة.
 

translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 تدريب الشبكات العصبية الالتفافية (CNNs) قد يستغرق وقتًا طويلًا، ويتطلب الكثير من البيانات. ومع ذلك، يتم قضاء معظم الوقت في تعلم أفضل المرشحات منخفضة المستوى التي يمكن للشبكة استخدامها لاستخراج الأنماط من الصور. وهنا يبرز سؤال طبيعي - هل يمكننا استخدام شبكة عصبية تم تدريبها على مجموعة بيانات واحدة وتكييفها لتصنيف صور مختلفة دون الحاجة إلى عملية تدريب كاملة؟
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/15)
 
 تُعرف هذه الطريقة بـ **التعلم بالنقل**، لأننا ننقل بعض المعرفة من نموذج شبكة عصبية إلى آخر. في التعلم بالنقل، نبدأ عادةً بنموذج مدرب مسبقًا، تم تدريبه على مجموعة بيانات صور كبيرة، مثل **ImageNet**. هذه النماذج قادرة بالفعل على استخراج ميزات مختلفة من الصور العامة، وفي كثير من الحالات، يمكن أن يؤدي بناء مصنف فوق هذه الميزات المستخرجة إلى نتائج جيدة.
 
@@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 في الدفاتر المرفقة، توجد ملاحظات في الأسفل حول كيفية عمل نقل المعرفة بشكل أفضل مع بيانات تدريب متشابهة إلى حد ما (نوع جديد من الحيوانات، ربما). قم ببعض التجارب مع أنواع جديدة تمامًا من الصور لترى مدى جودة أو سوء أداء نماذج نقل المعرفة الخاصة بك.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 عند تدريب الشبكات العصبية الالتفافية (CNNs)، واحدة من المشاكل هي أننا نحتاج إلى الكثير من البيانات الموصوفة. في حالة تصنيف الصور، نحتاج إلى فصل الصور إلى فئات مختلفة، وهو جهد يدوي.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/17)
 
 ومع ذلك، قد نرغب في استخدام البيانات الخام (غير الموصوفة) لتدريب مستخلصات ميزات الشبكات العصبية الالتفافية، وهو ما يسمى **التعلم الذاتي الإشراف**. بدلاً من استخدام التصنيفات، سنستخدم صور التدريب كمدخلات ومخرجات للشبكة. الفكرة الرئيسية لـ **المشفر التلقائي** هي أننا سنمتلك **شبكة مشفرة** تقوم بتحويل الصورة المدخلة إلى **فضاء كامن** (عادةً ما يكون مجرد متجه بحجم أصغر)، ثم **شبكة فك التشفير**، التي يكون هدفها إعادة بناء الصورة الأصلية.
 
@@ -80,7 +80,7 @@ VAE هو مشفر تلقائي يتعلم التنبؤ بـ *التوزيع ال
 * **فقدان البيانات** - الصورة المعاد بناؤها ليست مطابقة للصورة الأصلية. طبيعة الفقد تُحدد بواسطة *وظيفة الخسارة* المستخدمة أثناء التدريب.
 * تعمل على **البيانات غير الموصوفة**
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/18)
 
 ## الخاتمة
 
@@ -90,7 +90,7 @@ VAE هو مشفر تلقائي يتعلم التنبؤ بـ *التوزيع ال
 
 في هذا الدرس، تعلمت عن استخدام المشفرات التلقائية للصور. ولكن يمكن استخدامها أيضًا للموسيقى! تحقق من مشروع Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae)، الذي يستخدم المشفرات التلقائية لتعلم إعادة بناء الموسيقى. قم ببعض [التجارب](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) باستخدام هذه المكتبة لترى ما يمكنك إنشاؤه.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/10-GANs/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 في القسم السابق، تعلمنا عن **النماذج التوليدية**: النماذج التي يمكنها توليد صور جديدة مشابهة لتلك الموجودة في مجموعة بيانات التدريب. كان VAE مثالًا جيدًا على نموذج توليدي.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/19)
 
 ومع ذلك، إذا حاولنا توليد شيء ذو معنى حقيقي، مثل لوحة بدقة معقولة باستخدام VAE، سنلاحظ أن التدريب لا يتقارب بشكل جيد. لهذا الغرض، يجب أن نتعلم عن بنية أخرى مخصصة للنماذج التوليدية - **الشبكات التوليدية التنافسية** أو GANs.
 
@@ -84,7 +84,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ## ✍️ مثال: [نقل الأنماط](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/20)
 
 ## الخلاصة
 

translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 النماذج التي تعاملنا معها لتصنيف الصور حتى الآن كانت تأخذ صورة وتنتج نتيجة تصنيفية، مثل الفئة "رقم" في مشكلة MNIST. ومع ذلك، في العديد من الحالات، لا نريد فقط معرفة أن الصورة تحتوي على كائنات - بل نريد تحديد موقعها بدقة. وهذا هو بالضبط الهدف من **الكشف عن الكائنات**.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/21)
 
 ![الكشف عن الكائنات](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ar.png)
 
@@ -172,7 +172,7 @@ YOLO هو خوارزمية مرور واحد في الوقت الحقيقي. ا
  * YOLO: [تنفيذ Keras](https://github.com/experiencor/keras-yolo2)، [دفتر خطوة بخطوة](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb)
  * YOLO v2: [تنفيذ Keras](https://github.com/experiencor/keras-yolo2)، [دفتر خطوة بخطوة](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/22)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/4-ComputerVision/12-Segmentation/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 لقد تعلمنا سابقًا عن اكتشاف الكائنات، الذي يسمح لنا بتحديد مواقع الكائنات في الصورة من خلال التنبؤ بـ *الصناديق المحيطة*. ومع ذلك، في بعض المهام، لا نحتاج فقط إلى الصناديق المحيطة، بل نحتاج أيضًا إلى تحديد مواقع الكائنات بدقة أكبر. تُعرف هذه المهمة بـ **التقسيم**.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/23)
 
 يمكن اعتبار التقسيم على أنه **تصنيف البكسلات**، حيث يجب علينا التنبؤ بفئة **كل** بكسل في الصورة (*الخلفية* تكون واحدة من الفئات). هناك نوعان رئيسيان من خوارزميات التقسيم:
 
@@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
 * [التقسيم الدلالي باستخدام Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb)
 * [التقسيم الدلالي باستخدام TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/24)
 
 ## الخلاصة
 

translations/ar/lessons/5-NLP/13-TextRep/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # تمثيل النصوص كموترات
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/25)
 
 ## تصنيف النصوص
 
@@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 جرّب بعض التمارين الأخرى باستخدام حقيبة الكلمات ونماذج بيانات مختلفة. قد تستوحي من هذه [المسابقة على Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/26)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/14-Embeddings/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # التضمينات
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/27)
 
 عند تدريب المصنفات بناءً على BoW أو TF/IDF، كنا نعمل على متجهات حقيبة الكلمات عالية الأبعاد بطول `vocab_size`، وكنا نقوم بتحويل المتجهات التمثيلية ذات الأبعاد المنخفضة إلى تمثيل نادر باستخدام الترميز الواحد. ومع ذلك، فإن هذا التمثيل الواحد ليس فعالًا من حيث الذاكرة. بالإضافة إلى ذلك، يتم التعامل مع كل كلمة بشكل مستقل عن الأخرى، أي أن المتجهات المشفرة بالترميز الواحد لا تعبر عن أي تشابه دلالي بين الكلمات.
 
@@ -65,7 +65,7 @@ CBoW أسرع، بينما Skip-Gram أبطأ ولكنه يقوم بتمثيل
 
 تم استخدام Word2Vec في بعض التطبيقات المثيرة للاهتمام، بما في ذلك إنشاء كلمات الأغاني والشعر. ألقِ نظرة على [هذه المقالة](https://www.politetype.com/blog/word2vec-color-poems) التي تشرح كيف استخدم المؤلف Word2Vec لإنشاء الشعر. شاهد [هذا الفيديو بواسطة Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) أيضًا لاكتشاف تفسير مختلف لهذه التقنية. ثم حاول تطبيق هذه التقنيات على نصوصك الخاصة، ربما من مصادر مثل Kaggle.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/28)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/15-LanguageModeling/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 التضمينات الدلالية، مثل Word2Vec وGloVe، هي في الواقع خطوة أولى نحو **نمذجة اللغة** - إنشاء نماذج *تفهم* (أو *تمثل*) طبيعة اللغة بطريقة ما.
 
-## [اختبار قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115)
+## [اختبار قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/29)
 
 الفكرة الرئيسية وراء نمذجة اللغة هي تدريب النماذج على مجموعات بيانات غير معنونة بطريقة غير خاضعة للإشراف. هذا مهم لأن لدينا كميات هائلة من النصوص غير المعنونة المتاحة، بينما كمية النصوص المعنونة ستكون دائمًا محدودة بكمية الجهد الذي يمكننا إنفاقه على التوسيم. غالبًا ما يمكننا بناء نماذج لغة يمكنها **توقع الكلمات المفقودة** في النص، لأن إخفاء كلمة عشوائية في النص واستخدامها كعينة تدريب هو أمر سهل.
 
@@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 في الدرس السابق رأينا أن تضمينات الكلمات تعمل كالسحر! الآن نعلم أن تدريب تضمينات الكلمات ليس مهمة معقدة جدًا، ويجب أن نكون قادرين على تدريب تضميناتنا الخاصة لنصوص متخصصة إذا لزم الأمر.
 
-## [اختبار بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215)
+## [اختبار بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/30)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/16-RNN/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # الشبكات العصبية المتكررة
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/31)
 
 في الأقسام السابقة، كنا نستخدم تمثيلات دلالية غنية للنصوص ومصنف خطي بسيط فوق التضمينات. ما تفعله هذه البنية هو التقاط المعنى المجمع للكلمات في الجملة، لكنها لا تأخذ في الاعتبار **ترتيب** الكلمات، لأن عملية التجميع فوق التضمينات أزالت هذه المعلومات من النص الأصلي. وبسبب عدم قدرة هذه النماذج على نمذجة ترتيب الكلمات، فإنها لا تستطيع حل المهام الأكثر تعقيدًا أو الغموض مثل توليد النصوص أو الإجابة على الأسئلة.
 
@@ -84,7 +84,7 @@ CO_OP_TRANSLATOR_METADATA:
 - [Show, Attend and Tell: Neural Image Caption
 Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/32)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # الشبكات التوليدية
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/33)
 
 توفر الشبكات العصبية المتكررة (RNNs) وأنواعها المختلفة مثل خلايا الذاكرة طويلة المدى (LSTMs) ووحدات التكرار المغلقة (GRUs) آلية لنمذجة اللغة، حيث يمكنها تعلم ترتيب الكلمات وتقديم توقعات للكلمة التالية في تسلسل معين. يتيح لنا ذلك استخدام RNNs في **المهام التوليدية**، مثل توليد النصوص العادية، والترجمة الآلية، وحتى وصف الصور.
 
@@ -71,7 +71,7 @@ today of the second the company and a second the company ...
 
 * توليد النصوص باستخدام [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste)
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/34)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/18-Transformers/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # آليات الانتباه ونماذج المحولات
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/35)
 
 إحدى أهم المشكلات في مجال معالجة اللغة الطبيعية (NLP) هي **الترجمة الآلية**، وهي مهمة أساسية تعتمد عليها أدوات مثل Google Translate. في هذا القسم، سنركز على الترجمة الآلية، أو بشكل أعم، على أي مهمة *تحويل تسلسل إلى تسلسل* (والتي تُعرف أيضًا بـ **تحويل الجمل**).
 
@@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ## 🚀 التحدي
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/36)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/19-NER/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 حتى الآن، ركزنا بشكل أساسي على مهمة واحدة في معالجة اللغة الطبيعية (NLP) وهي التصنيف. ومع ذلك، هناك مهام أخرى يمكن تحقيقها باستخدام الشبكات العصبية. واحدة من هذه المهام هي **[التعرف على الكيانات المسماة](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)، والتي تتعامل مع التعرف على كيانات محددة داخل النص، مثل الأماكن، أسماء الأشخاص، فترات الزمن، الصيغ الكيميائية، وما إلى ذلك.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/37)
 
 ## مثال على استخدام NER
 
@@ -80,7 +80,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 أكمل المهمة المرتبطة أدناه لتدريب نموذج التعرف على الكيانات المسماة للمصطلحات الطبية، ثم جربه على مجموعة بيانات مختلفة.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/38)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/5-NLP/20-LangModels/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 في جميع المهام السابقة، كنا نقوم بتدريب شبكة عصبية لأداء مهمة معينة باستخدام مجموعة بيانات مرفقة بعلامات. مع النماذج الكبيرة القائمة على المحولات، مثل BERT، نستخدم نمذجة اللغة بطريقة ذاتية الإشراف لبناء نموذج لغة، يتم تخصيصه لاحقًا لمهام محددة باستخدام تدريب إضافي خاص بالمجال. ومع ذلك، فقد تم إثبات أن النماذج الكبيرة للغة يمكنها أيضًا حل العديد من المهام دون أي تدريب خاص بالمجال. عائلة النماذج القادرة على القيام بذلك تُسمى **GPT**: المحول المدرب مسبقًا التوليدي.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/39)
 
 ## توليد النصوص ومقياس الحيرة
 
@@ -58,7 +58,7 @@ GPT ليس نموذجًا واحدًا، بل هو مجموعة من النما
 
 النماذج العامة المدربة مسبقًا للغة لا تقوم فقط بنمذجة هيكل اللغة، بل تحتوي أيضًا على كمية هائلة من اللغة الطبيعية. وبالتالي، يمكن استخدامها بشكل فعال لحل بعض مهام معالجة اللغة الطبيعية في إعدادات بدون تدريب إضافي أو تدريب محدود.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/40)
 
 **إخلاء المسؤولية**:  
 تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.

translations/ar/lessons/6-Other/21-GeneticAlgorithms/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # الخوارزميات الجينية
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/41)
 
 **الخوارزميات الجينية** (GA) تعتمد على **نهج تطوري** في الذكاء الاصطناعي، حيث يتم استخدام أساليب تطور السكان للحصول على حل أمثل لمشكلة معينة. تم اقتراحها لأول مرة في عام 1975 من قبل [جون هنري هولاند](https://wikipedia.org/wiki/John_Henry_Holland).
 
@@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 "الخوارزميات الجينية سهلة التنفيذ، لكن سلوكها صعب الفهم." [المصدر](https://wikipedia.org/wiki/Genetic_algorithm) قم ببعض البحث للعثور على تنفيذ لخوارزمية جينية مثل حل لغز سودوكو، واشرح كيف تعمل باستخدام مخطط أو رسم تخطيطي.
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/42)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/6-Other/22-DeepRL/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 يُعتبر التعلم بالتعزيز (RL) أحد الأسس الرئيسية في تعلم الآلة، إلى جانب التعلم الموجّه والتعلم غير الموجّه. بينما نعتمد في التعلم الموجّه على مجموعة بيانات ذات نتائج معروفة، فإن التعلم بالتعزيز يعتمد على **التعلم من خلال التجربة**. على سبيل المثال، عندما نرى لعبة فيديو لأول مرة، نبدأ باللعب دون معرفة القواعد، وسرعان ما نتمكن من تحسين مهاراتنا فقط من خلال عملية اللعب وتعديل سلوكنا.
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/43)
 
 لتنفيذ التعلم بالتعزيز، نحتاج إلى:
 
@@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}")
 
 استكشف التطبيقات المدرجة في قسم "مهام أخرى للتعلم بالتعزيز" وحاول تنفيذ أحدها!
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/44)
 
 ## المراجعة والدراسة الذاتية
 

translations/ar/lessons/6-Other/23-MultiagentSystems/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 إحدى الطرق الممكنة لتحقيق الذكاء هي ما يُعرف بـ **النهج الناشئ** (أو **التآزري**)، والذي يعتمد على حقيقة أن السلوك المشترك للعديد من الوكلاء البسيطين نسبيًا يمكن أن يؤدي إلى سلوك أكثر تعقيدًا (أو ذكاءً) للنظام ككل. نظريًا، يعتمد هذا على مبادئ [الذكاء الجماعي](https://en.wikipedia.org/wiki/Collective_intelligence)، [النشوء](https://en.wikipedia.org/wiki/Global_brain)، و[السيبرنتيكا التطورية](https://en.wikipedia.org/wiki/Global_brain)، التي تنص على أن الأنظمة ذات المستوى الأعلى تكتسب نوعًا من القيمة المضافة عند دمجها بشكل صحيح من أنظمة ذات مستوى أدنى (ما يُعرف بـ *مبدأ الانتقال بين الأنظمة*).
 
-## [اختبار ما قبل المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123)
+## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/45)
 
 ظهر اتجاه **الأنظمة متعددة الوكلاء** في الذكاء الاصطناعي في التسعينيات كرد فعل على نمو الإنترنت والأنظمة الموزعة. يركز أحد الكتب الدراسية الكلاسيكية في الذكاء الاصطناعي، [الذكاء الاصطناعي: نهج حديث](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)، على رؤية الذكاء الاصطناعي الكلاسيكي من منظور الأنظمة متعددة الوكلاء.
 
@@ -152,7 +152,7 @@ to go [
 
 خذ هذه الدرس إلى العالم الواقعي وحاول تصور نظام متعدد الوكلاء يمكنه حل مشكلة. ماذا، على سبيل المثال، يحتاج نظام متعدد الوكلاء للقيام به لتحسين مسار حافلة مدرسية؟ كيف يمكن أن يعمل في مخبز؟
 
-## [اختبار ما بعد المحاضرة](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223)
+## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/46)
 
 ## المراجعة والدراسة الذاتية
 

translations/bg/lessons/1-Intro/README.md

@@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 > Рисунка от [Tomomi Imura](https://twitter.com/girlie_mac)
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/1)
 
 **Изкуственият интелект** е вълнуваща научна дисциплина, която изучава как можем да накараме компютрите да проявяват интелигентно поведение, например да извършват неща, в които хората са добри.
 
@@ -151,7 +151,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Направете обиколка в интернет, за да определите къде, според вас, изкуственият интелект се използва най-ефективно. Дали е в приложение за картографиране, услуга за преобразуване на реч в текст или видеоигра? Проучете как е създадена системата.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/2-Symbolic/README.md

@@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Търсенето на изкуствен интелект се основава на стремежа към знания, за да се разбере светът по начин, подобен на човешкия. Но как може да се постигне това?
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/3)
 
 В ранните дни на ИИ популярност имаше подходът отгоре-надолу за създаване на интелигентни системи (обсъден в предишния урок). Идеята беше да се извлекат знания от хората в машинно четима форма и след това да се използват за автоматично решаване на проблеми. Този подход се основаваше на две големи идеи:
 
@@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel
 
 В тетрадката за Семейна онтология, свързана с този урок, има възможност за експериментиране с други семейни взаимоотношения. Опитайте да откриете нови връзки между хората в родословното дърво.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/4)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/3-NeuralNetworks/03-Perceptron/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Въведение в невронните мрежи: Перцептрон
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/5)
 
 Един от първите опити за създаване на нещо подобно на съвременна невронна мрежа е направен от Франк Розенблат от Корнелската аеронавтична лаборатория през 1957 г. Това е хардуерна реализация, наречена "Mark-1", създадена за разпознаване на примитивни геометрични фигури като триъгълници, квадрати и кръгове.
 
@@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1):
 
 Ако искате да опитате да създадете свой собствен перцептрон, опитайте [тази лаборатория в Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), която използва [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste).
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/6)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/3-NeuralNetworks/04-OwnFramework/README.md

@@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Също така ще разработим собствен модулен фреймуърк на Python, който ще ни позволи да изграждаме различни архитектури на невронни мрежи.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/7)
 
 ## Формализация на машинното обучение
 
@@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Продължете към тетрадката [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) и я разгледайте.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/8)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA:
 * Да работим с тензори, например да умножаваме, събираме и изчисляваме функции като сигмоид или softmax
 * Да изчисляваме градиенти на всички изрази, за да извършваме оптимизация чрез градиентен спуск
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/9)
 
 Докато библиотеката `numpy` може да изпълнява първата част, ни е необходим механизъм за изчисляване на градиенти. В [нашия фреймворк](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), който разработихме в предишната секция, трябваше ръчно да програмираме всички функции за производни в метода `backward`, който извършва обратното разпространение. Идеалният фреймворк би ни предоставил възможност да изчисляваме градиенти на *всеки израз*, който можем да дефинираме.
 
@@ -106,7 +106,7 @@ Overfitting всъщност е случай на по-общ проблем в
 
 В придружаващите тетрадки ще намерите 'задачи' в края; преминете през тетрадките и изпълнете задачите.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/10)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/06-IntroCV/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 [Компютърното зрение](https://wikipedia.org/wiki/Computer_vision) е дисциплина, чиято цел е да позволи на компютрите да придобият високо ниво на разбиране на цифрови изображения. Това е доста широка дефиниция, защото *разбиране* може да означава много различни неща, включително намиране на обект на снимка (**разпознаване на обекти**), разбиране на случващото се (**разпознаване на събития**), описание на снимка с текст или реконструкция на сцена в 3D. Има и специални задачи, свързани с изображения на хора: оценка на възраст и емоции, разпознаване и идентификация на лица, както и оценка на 3D поза, за да споменем няколко.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/11)
 
 Една от най-простите задачи в компютърното зрение е **класификация на изображения**.
 
@@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
 
 Гледайте [това видео](https://docs.microsoft.com/shows/ai-show/ai-show--2021-opencv-ai-competition--grand-prize-winners--cortic-tigers--episode-32?WT.mc_id=academic-77998-cacaste) от AI шоуто, за да научите за проекта Cortic Tigers и как те са създали решение на базата на блокове, за да демократизират задачите на компютърното зрение чрез робот. Направете проучване за други подобни проекти, които помагат на нови учащи да навлязат в тази област.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/12)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md

@@ -59,7 +59,7 @@ MobileNet е семейство от модели с намален размер
 
 В придружаващите тетрадки има бележки в края за това как да постигнете по-голяма точност. Направете някои експерименти, за да видите дали можете да постигнете по-висока точност.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/14)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/07-ConvNets/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Вече видяхме, че невронните мрежи са доста добри в работата с изображения, и дори еднослоен перцептрон може да разпознава ръкописни цифри от набора данни MNIST с приемлива точност. Въпреки това, MNIST е много специален набор от данни, където всички цифри са центрирани в изображението, което прави задачата по-лесна.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/13)
 
 В реалния живот искаме да можем да разпознаваме обекти на изображение, независимо от тяхното точно местоположение. Компютърното зрение е различно от обикновената класификация, защото когато се опитваме да намерим определен обект в изображението, ние сканираме изображението, търсейки специфични **модели** и техните комбинации. Например, когато търсим котка, първо може да търсим хоризонтални линии, които могат да формират мустаци, а след това определена комбинация от мустаци може да ни подскаже, че това всъщност е изображение на котка. Относителната позиция и наличието на определени модели са важни, а не тяхното точно местоположение в изображението.
 

translations/bg/lessons/4-ComputerVision/08-TransferLearning/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Обучението на CNNs може да отнеме много време и изисква голямо количество данни. Въпреки това, голяма част от времето се отделя за научаване на най-добрите нискоуровневи филтри, които мрежата може да използва за извличане на модели от изображения. Възниква естествен въпрос - можем ли да използваме невронна мрежа, обучена върху един набор от данни, и да я адаптираме за класифициране на различни изображения, без да е необходим пълен процес на обучение?
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/15)
 
 Този подход се нарича **трансферно обучение**, защото прехвърляме част от знанията от един модел на невронна мрежа към друг. При трансферното обучение обикновено започваме с предварително обучен модел, който е обучен върху голям набор от изображения, като например **ImageNet**. Тези модели вече са добри в извличането на различни характеристики от общи изображения, и в много случаи само изграждането на класификатор върху тези извлечени характеристики може да даде добри резултати.
 
@@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 В съпътстващите ноутбуци има бележки в края за това как трансферното обучение работи най-добре с донякъде подобни тренировъчни данни (например нов вид животно). Направете експерименти с напълно нови типове изображения, за да видите колко добре или зле се представят вашите модели за трансферно обучение.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/09-Autoencoders/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 При обучението на CNNs (свързани невронни мрежи), един от проблемите е, че се нуждаем от много етикетирани данни. В случая на класификация на изображения, трябва да разделим изображенията в различни класове, което изисква ръчна работа.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/17)
 
 Въпреки това, може да искаме да използваме сурови (неетикетирани) данни за обучение на CNN за извличане на характеристики, което се нарича **самонаблюдавано обучение**. Вместо етикети, ще използваме тренировъчните изображения както като вход, така и като изход на мрежата. Основната идея на **автоенкодера** е, че ще имаме **енкодерна мрежа**, която преобразува входното изображение в някакво **латентно пространство** (обикновено това е вектор с по-малък размер), след което **декодерна мрежа**, чиято цел е да възстанови оригиналното изображение.
 
@@ -80,7 +80,7 @@ VAE е автоенкодер, който се учи да предсказва
 * **Със загуби** - възстановеното изображение не е същото като оригиналното. Характерът на загубата се определя от *функцията за загуба*, използвана по време на обучението.
 * Работят с **неетикетирани данни**
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/18)
 
 ## Заключение
 
@@ -90,7 +90,7 @@ VAE е автоенкодер, който се учи да предсказва
 
 В този урок научихте за използването на автоенкодери за изображения. Но те могат да се използват и за музика! Разгледайте проекта Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), който използва автоенкодери за изучаване на възстановяването на музика. Направете някои [експерименти](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) с тази библиотека, за да видите какво можете да създадете.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/10-GANs/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 В предишния раздел научихме за **генеративните модели**: модели, които могат да генерират нови изображения, подобни на тези в тренировъчния набор от данни. VAE беше добър пример за генеративен модел.
 
-## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110)
+## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19)
 
 Въпреки това, ако се опитаме да генерираме нещо наистина значимо, като картина с разумна резолюция, използвайки VAE, ще видим, че обучението не се конвергира добре. За този случай трябва да научим за друга архитектура, специално насочена към генеративни модели - **Генеративни състезателни мрежи**, или GANs.
 
@@ -84,7 +84,7 @@ GANs са чудесен начин за генериране на артист
 
 ## ✍️ Пример: [Прехвърляне на стил](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
 
-## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210)
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/20)
 
 ## Заключение
 

translations/bg/lessons/4-ComputerVision/11-ObjectDetection/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Моделите за класификация на изображения, с които сме работили досега, приемат изображение и произвеждат категоричен резултат, като например клас „число“ в проблема MNIST. Въпреки това, в много случаи не искаме просто да знаем, че дадена снимка изобразява обекти - искаме да можем да определим тяхното точно местоположение. Именно това е целта на **разпознаването на обекти**.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/21)
 
 ![Разпознаване на обекти](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.bg.png)
 
@@ -172,7 +172,7 @@ YOLO е алгоритъм за разпознаване в реално вре
  * Yolo: [Keras имплементация](https://github.com/experiencor/keras-yolo2), [тетрадка стъпка по стъпка](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb)
  * Yolo v2: [Keras имплементация](https://github.com/experiencor/keras-yolo2), [тетрадка стъпка по стъпка](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb)
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/22)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/4-ComputerVision/12-Segmentation/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Вече научихме за Обектно Разпознаване, което ни позволява да локализираме обекти в изображението чрез предсказване на техните *ограничаващи кутии*. Въпреки това, за някои задачи не се нуждаем само от ограничаващи кутии, а и от по-прецизна локализация на обектите. Тази задача се нарича **сегментация**.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/23)
 
 Сегментацията може да се разглежда като **класификация на пиксели**, при която за **всеки** пиксел от изображението трябва да предскажем неговия клас (*фонът* също е един от класовете). Съществуват два основни алгоритъма за сегментация:
 
@@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
 * [Семантична сегментация с Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb)
 * [Семантична сегментация с TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/24)
 
 ## Заключение
 

translations/bg/lessons/5-NLP/13-TextRep/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Представяне на текст като тензори
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/25)
 
 ## Класификация на текст
 
@@ -73,7 +73,7 @@ BoW по същество представя кои думи се появява
 
 Опитайте други упражнения, използвайки чанта с думи и различни модели на данни. Може да се вдъхновите от това [състезание в Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words).
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/26)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/14-Embeddings/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Вграждания
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/27)
 
 При обучението на класификатори, базирани на BoW или TF/IDF, работихме с високодименсионални вектори на чанта с думи с дължина `vocab_size`, и изрично преобразувахме от нискодименсионални позиционни представителни вектори в разредени едноразрядни представителни вектори. Тази едноразрядна репрезентация обаче не е ефективна по отношение на паметта. Освен това, всяка дума се третира независимо от другите, т.е. едноразрядните кодирани вектори не изразяват никаква семантична прилика между думите.
 
@@ -65,7 +65,7 @@ CBoW е по-бърз, докато skip-gram е по-бавен, но се сп
 
 Word2Vec е използван за някои интересни приложения, включително генериране на текстове на песни и поезия. Разгледайте [тази статия](https://www.politetype.com/blog/word2vec-color-poems), която описва как авторът е използвал Word2Vec за генериране на поезия. Гледайте [това видео от Дан Шифман](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), за да откриете различно обяснение на тази техника. След това опитайте да приложите тези техники към ваш собствен текстов корпус, може би взет от Kaggle.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/28)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/15-LanguageModeling/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Семантичните вграждания, като Word2Vec и GloVe, всъщност са първа стъпка към **моделиране на език** - създаване на модели, които по някакъв начин *разбират* (или *представляват*) природата на езика.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/29)
 
 Основната идея зад моделирането на език е обучението им върху немаркирани набори от данни по неуправляем начин. Това е важно, защото разполагаме с огромни количества немаркиран текст, докато количеството маркиран текст винаги ще бъде ограничено от усилията, които можем да вложим в маркирането. Най-често можем да изградим езикови модели, които могат да **предсказват липсващи думи** в текста, защото е лесно да се скрие случайна дума в текста и да се използва като тренировъчен пример.
 
@@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 В предишния урок видяхме, че вгражданията на думи работят като магия! Сега знаем, че обучението на вграждания на думи не е много сложна задача и трябва да можем да обучим собствени вграждания на думи за текстове, специфични за дадена област, ако е необходимо.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/30)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/16-RNN/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Рекурентни невронни мрежи
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/31)
 
 В предишните секции използвахме богати семантични представяния на текст и прост линеен класификатор върху вгражданията. Тази архитектура улавя обобщеното значение на думите в изречение, но не взема предвид **реда** на думите, защото операцията по агрегиране върху вгражданията премахва тази информация от оригиналния текст. Тъй като тези модели не могат да моделират реда на думите, те не могат да решават по-сложни или двусмислени задачи като генериране на текст или отговаряне на въпроси.
 
@@ -84,7 +84,7 @@ LSTM мрежата е организирана по начин, подобен
 - [Show, Attend and Tell: Neural Image Caption
 Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf)
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/32)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/17-GenerativeNetworks/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Генеративни мрежи
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/33)
 
 Рекурентните невронни мрежи (RNNs) и техните варианти с гейт клетки, като клетки с дългосрочна памет (LSTMs) и гейт рекурентни единици (GRUs), предоставят механизъм за моделиране на език, тъй като могат да научат реда на думите и да предсказват следващата дума в последователност. Това ни позволява да използваме RNNs за **генеративни задачи**, като обикновено генериране на текст, машинен превод и дори създаване на описания на изображения.
 
@@ -71,7 +71,7 @@ today of the second the company and a second the company ...
 
 * Генериране на текст с [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste)
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/34)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/18-Transformers/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Механизми за внимание и трансформери
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/35)
 
 Един от най-важните проблеми в областта на обработката на естествен език (NLP) е **машинният превод**, основна задача, която стои в основата на инструменти като Google Translate. В този раздел ще се фокусираме върху машинния превод или, по-общо казано, върху всяка задача за *преобразуване на последователности* (която също се нарича **трансдукция на изречения**).
 
@@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ## 🚀 Предизвикателство
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/36)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/19-NER/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Досега основно се фокусирахме върху една задача в обработката на естествен език (NLP) - класификация. Въпреки това, съществуват и други задачи в NLP, които могат да бъдат изпълнени с помощта на невронни мрежи. Една от тези задачи е **[Разпознаване на именувани обекти](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), която се занимава с разпознаването на специфични обекти в текста, като например места, имена на хора, времеви интервали, химични формули и други.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/37)
 
 ## Пример за използване на NER
 
@@ -80,7 +80,7 @@ infant | O
 
 Завършете задачата, свързана по-долу, за да обучите модел за разпознаване на именувани обекти за медицински термини, след което го изпробвайте върху различен набор от данни.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/38)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/5-NLP/20-LangModels/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Във всички предишни задачи обучавахме невронна мрежа да изпълнява определена задача, използвайки етикетиран набор от данни. С големите трансформерни модели, като BERT, използваме моделиране на езика в самонаблюдаван режим, за да изградим езиков модел, който след това се специализира за конкретна задача чрез допълнително обучение в специфична област. Въпреки това е доказано, че големите езикови модели могат да решават много задачи без НИКАКВО обучение в специфична област. Семейството от модели, способни на това, се нарича **GPT**: Генеративен предварително обучен трансформер.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/39)
 
 ## Генериране на текст и перплексност
 
@@ -58,7 +58,7 @@ GPT не е един модел, а по-скоро колекция от мод
 
 Новите общи предварително обучени езикови модели не само моделират структурата на езика, но и съдържат огромно количество естествен език. Следователно, те могат ефективно да се използват за решаване на някои задачи в обработката на естествен език в условия на нулеви или малки примери.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/40)
 
 **Отказ от отговорност**:  
 Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.

translations/bg/lessons/6-Other/21-GeneticAlgorithms/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Генетични алгоритми
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/41)
 
 **Генетичните алгоритми** (GA) се базират на **еволюционен подход** към изкуствения интелект, при който методите за еволюция на популация се използват за намиране на оптимално решение за даден проблем. Те са предложени през 1975 г. от [Джон Хенри Холанд](https://wikipedia.org/wiki/John_Henry_Holland).
 
@@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 "Генетичните алгоритми са лесни за реализиране, но тяхното поведение е трудно за разбиране." [източник](https://wikipedia.org/wiki/Genetic_algorithm) Направете проучване, за да намерите реализация на генетичен алгоритъм, например за решаване на Судоку, и обяснете как работи чрез скица или блок-схема.
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/42)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/6-Other/22-DeepRL/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Обучението чрез подсилване (Reinforcement Learning, RL) се счита за един от основните парадигми в машинното обучение, наред с обучението с учител и без учител. Докато при обучението с учител разчитаме на набор от данни с известни резултати, RL се основава на **учене чрез правене**. Например, когато за първи път видим компютърна игра, започваме да играем, дори без да знаем правилата, и скоро успяваме да подобрим уменията си просто чрез процеса на игра и адаптиране на поведението си.
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/43)
 
 За да изпълним RL, ни трябват:
 
@@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}")
 
 Разгледайте приложенията, изброени в секцията „Други задачи за RL“, и опитайте да имплементирате едно от тях!
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/44)
 
 ## Преглед и самостоятелно обучение
 

translations/bg/lessons/6-Other/23-MultiagentSystems/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Един от възможните начини за постигане на интелигентност е така нареченият **емергентен** (или **синергетичен**) подход, който се основава на факта, че комбинираното поведение на много относително прости агенти може да доведе до по-сложно (или интелигентно) поведение на системата като цяло. Теоретично това се базира на принципите на [Колективната интелигентност](https://en.wikipedia.org/wiki/Collective_intelligence), [Емергентизма](https://en.wikipedia.org/wiki/Global_brain) и [Еволюционната кибернетика](https://en.wikipedia.org/wiki/Global_brain), които твърдят, че системи от по-високо ниво придобиват някаква добавена стойност, когато са правилно комбинирани от системи от по-ниско ниво (така нареченият *принцип на метасистемния преход*).
 
-## [Тест преди лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123)
+## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/45)
 
 Направлението на **мултиагентните системи** се появява в изкуствения интелект през 90-те години на миналия век като отговор на растежа на интернет и разпределените системи. Един от класическите учебници по изкуствен интелект, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), разглежда класическия изкуствен интелект от гледна точка на мултиагентните системи.
 
@@ -152,7 +152,7 @@ to go [
 
 Приложете този урок в реалния свят и се опитайте да концептуализирате мултиагентна система, която може да реши даден проблем. Как, например, би могла мултиагентна система да оптимизира маршрута на училищен автобус? Как би могла да работи в пекарна?
 
-## [Тест след лекцията](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223)
+## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/46)
 
 ## Преглед и самостоятелно обучение
 

translations/bn/lessons/1-Intro/README.md

@@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 > স্কেচনোট করেছেন [Tomomi Imura](https://twitter.com/girlie_mac)
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/1)
 
 **কৃত্রিম বুদ্ধিমত্তা** একটি উত্তেজনাপূর্ণ বৈজ্ঞানিক শাখা যা গবেষণা করে কীভাবে আমরা কম্পিউটারকে বুদ্ধিমান আচরণ প্রদর্শন করাতে পারি, যেমন: সেই কাজগুলো করা যা মানুষ ভালোভাবে করতে পারে।
 
@@ -133,7 +133,7 @@ AGI নিয়ে কথা বলার সময় আমাদের কোন
 
 ইন্টারনেটে ঘুরে দেখুন এবং আপনার মতে এআই সবচেয়ে কার্যকরভাবে কোথায় ব্যবহৃত হচ্ছে তা নির্ধারণ করুন। এটি কি কোনো ম্যাপিং অ্যাপে, নাকি কোনো বক্তৃতা-থেকে-লিখিত টেক্সট পরিষেবায়, অথবা কোনো ভিডিও গেমে? গবেষণা করুন, এই সিস্টেমটি কীভাবে তৈরি করা হয়েছিল।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## পুনরালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/2-Symbolic/README.md

@@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 কৃত্রিম বুদ্ধিমত্তার অনুসন্ধান মূলত জ্ঞান অর্জনের উপর ভিত্তি করে, যা মানুষের মতো পৃথিবীকে বোঝার চেষ্টা করে। কিন্তু এটি কীভাবে করা সম্ভব?
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/3)
 
 AI-এর প্রাথমিক দিনগুলোতে, বুদ্ধিমান সিস্টেম তৈরির জন্য টপ-ডাউন পদ্ধতি (পূর্ববর্তী পাঠে আলোচনা করা হয়েছে) জনপ্রিয় ছিল। ধারণাটি ছিল মানুষের কাছ থেকে জ্ঞান সংগ্রহ করে তা মেশিন-পঠনযোগ্য আকারে রূপান্তর করা এবং তারপর এটি ব্যবহার করে স্বয়ংক্রিয়ভাবে সমস্যার সমাধান করা। এই পদ্ধতি দুটি বড় ধারণার উপর ভিত্তি করে ছিল:
 
@@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel
 
 এই পাঠের সাথে সম্পর্কিত ফ্যামিলি অন্টোলজি নোটবুকে, অন্যান্য পারিবারিক সম্পর্ক নিয়ে পরীক্ষা করার সুযোগ রয়েছে। পারিবারিক গাছে নতুন সংযোগ আবিষ্কার করার চেষ্টা করুন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/4)
 
 ## পর্যালোচনা এবং স্ব-অধ্যয়ন
 

translations/bn/lessons/3-NeuralNetworks/03-Perceptron/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # নিউরাল নেটওয়ার্কের পরিচিতি: পারসেপট্রন
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/5)
 
 আধুনিক নিউরাল নেটওয়ার্কের মতো কিছু তৈরি করার প্রথম প্রচেষ্টা করেছিলেন ফ্র্যাঙ্ক রোজেনব্লাট, কর্নেল এরোনটিক্যাল ল্যাবরেটরির একজন বিজ্ঞানী, ১৯৫৭ সালে। এটি একটি হার্ডওয়্যার ইমপ্লিমেন্টেশন ছিল, যার নাম ছিল "মার্ক-১", যা প্রাথমিক জ্যামিতিক আকার যেমন ত্রিভুজ, বর্গক্ষেত্র এবং বৃত্ত চিনতে ডিজাইন করা হয়েছিল।
 
@@ -84,7 +84,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1):
 
 আপনি যদি নিজের পারসেপট্রন তৈরি করতে চান, তবে [Microsoft Learn-এর এই ল্যাবটি](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) চেষ্টা করুন, যা [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) ব্যবহার করে।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/6)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/3-NeuralNetworks/04-OwnFramework/README.md

@@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 আমরা আমাদের নিজস্ব মডুলার ফ্রেমওয়ার্কও তৈরি করব যা আমাদের বিভিন্ন নিউরাল নেটওয়ার্ক আর্কিটেকচার তৈরি করতে সাহায্য করবে।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/7)
 
 ## মেশিন লার্নিংয়ের আনুষ্ঠানিকীকরণ
 
@@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) নোটবুকে যান এবং এটি সম্পূর্ণ করুন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/8)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA:
 * টেনসরের উপর কাজ করা, যেমন গুণ, যোগ এবং কিছু ফাংশন (যেমন সিগময়েড বা সফটম্যাক্স) গণনা করা
 * সমস্ত এক্সপ্রেশনের গ্রেডিয়েন্ট গণনা করা, যাতে গ্রেডিয়েন্ট ডিজসেন্ট অপ্টিমাইজেশন করা যায়
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/9)
 
 যদিও `numpy` লাইব্রেরি প্রথম কাজটি করতে পারে, আমাদের গ্রেডিয়েন্ট গণনার জন্য একটি প্রক্রিয়া প্রয়োজন। [আমাদের ফ্রেমওয়ার্কে](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), যা আমরা আগের সেকশনে তৈরি করেছি, সেখানে `backward` মেথডের মধ্যে সমস্ত ডেরিভেটিভ ফাংশন ম্যানুয়ালি প্রোগ্রাম করতে হয়েছিল, যা ব্যাকপ্রোপাগেশন করে। আদর্শভাবে, একটি ফ্রেমওয়ার্ক আমাদের *যেকোনো এক্সপ্রেশন* এর গ্রেডিয়েন্ট গণনার সুযোগ দেবে যা আমরা সংজ্ঞায়িত করতে পারি।
 
@@ -106,7 +106,7 @@ High-level API| [Keras](../../../../../lessons/3-NeuralNetworks/05-Frameworks/In
 
 সংলগ্ন নোটবুকগুলোতে, আপনি 'টাস্ক' পাবেন; নোটবুকগুলো অনুসরণ করুন এবং টাস্কগুলো সম্পূর্ণ করুন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/10)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/06-IntroCV/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 [কম্পিউটার ভিশন](https://wikipedia.org/wiki/Computer_vision) এমন একটি শাখা যা কম্পিউটারকে ডিজিটাল ইমেজ থেকে উচ্চ-স্তরের বোঝাপড়া অর্জন করতে সক্ষম করে। এটি একটি বিস্তৃত সংজ্ঞা, কারণ *বোঝাপড়া* বিভিন্ন অর্থ বহন করতে পারে, যেমন একটি ছবিতে কোনো বস্তু খুঁজে বের করা (**অবজেক্ট ডিটেকশন**), কী ঘটছে তা বোঝা (**ইভেন্ট ডিটেকশন**), ছবিকে টেক্সটে বর্ণনা করা, অথবা ৩ডি-তে একটি দৃশ্য পুনর্গঠন করা। মানুষের ছবি সম্পর্কিত বিশেষ কিছু কাজও রয়েছে: বয়স এবং আবেগ নির্ধারণ, মুখ সনাক্তকরণ এবং শনাক্তকরণ, এবং ৩ডি পোজ নির্ধারণ, ইত্যাদি।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/11)
 
 কম্পিউটার ভিশনের অন্যতম সহজ কাজ হলো **ইমেজ ক্লাসিফিকেশন**।
 
@@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
 
 AI শো থেকে [এই ভিডিওটি](https://docs.microsoft.com/shows/ai-show/ai-show--2021-opencv-ai-competition--grand-prize-winners--cortic-tigers--episode-32?WT.mc_id=academic-77998-cacaste) দেখুন Cortic Tigers প্রকল্প সম্পর্কে জানার জন্য এবং কীভাবে তারা একটি রোবটের মাধ্যমে কম্পিউটার ভিশন কাজগুলো গণতান্ত্রিক করতে ব্লক-ভিত্তিক সমাধান তৈরি করেছে। এরকম অন্যান্য প্রকল্প নিয়ে গবেষণা করুন যা নতুন শিক্ষার্থীদের এই ক্ষেত্রে অন্তর্ভুক্ত করতে সাহায্য করে।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/12)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md

@@ -59,7 +59,7 @@ MobileNet হল ছোট আকারের মডেলের একটি
 
 সংযুক্ত নোটবুকে, নীচে উল্লেখ রয়েছে কীভাবে আরও বেশি সঠিকতা অর্জন করা যায়। কিছু পরীক্ষা-নিরীক্ষা করুন এবং দেখুন আপনি কি আরও বেশি সঠিকতা অর্জন করতে পারেন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/14)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/07-ConvNets/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 আমরা আগেই দেখেছি যে নিউরাল নেটওয়ার্ক চিত্র বিশ্লেষণে বেশ দক্ষ, এমনকি এক-স্তরের পারসেপট্রনও MNIST ডেটাসেট থেকে হাতের লেখা সংখ্যা সনাক্ত করতে সক্ষম। তবে, MNIST ডেটাসেটটি বিশেষভাবে তৈরি, যেখানে সমস্ত সংখ্যা চিত্রের কেন্দ্রে অবস্থান করে, যা কাজটিকে সহজ করে তোলে।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/13)
 
 বাস্তব জীবনে, আমরা চাই যে চিত্রে বস্তু সনাক্ত করতে পারি, তা যেখানেই থাকুক না কেন। কম্পিউটার ভিশন সাধারণ শ্রেণীবিন্যাস থেকে আলাদা, কারণ যখন আমরা চিত্রে একটি নির্দিষ্ট বস্তু খুঁজতে চাই, তখন আমরা চিত্রটি স্ক্যান করি এবং কিছু নির্দিষ্ট **প্যাটার্ন** এবং তাদের সংমিশ্রণ খুঁজে বের করি। উদাহরণস্বরূপ, একটি বিড়াল খুঁজতে গেলে, আমরা প্রথমে অনুভূমিক রেখা খুঁজতে পারি, যা গোঁফ তৈরি করতে পারে, এবং তারপর গোঁফের একটি নির্দিষ্ট সংমিশ্রণ আমাদের জানাতে পারে যে এটি আসলে একটি বিড়ালের ছবি। নির্দিষ্ট প্যাটার্নের আপেক্ষিক অবস্থান এবং উপস্থিতি গুরুত্বপূর্ণ, তবে চিত্রে তাদের সঠিক অবস্থান নয়।
 

translations/bn/lessons/4-ComputerVision/08-TransferLearning/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 সিএনএন (CNN) প্রশিক্ষণ করতে অনেক সময় লাগে এবং এর জন্য প্রচুর ডেটা প্রয়োজন। তবে, বেশিরভাগ সময় নেটওয়ার্কের জন্য সেরা লো-লেভেল ফিল্টার শেখার কাজে ব্যয় হয়, যা ইমেজ থেকে প্যাটার্ন বের করতে ব্যবহার করা যায়। একটি স্বাভাবিক প্রশ্ন উঠে - আমরা কি একটি ডেটাসেটে প্রশিক্ষিত নিউরাল নেটওয়ার্ক ব্যবহার করে সম্পূর্ণ প্রশিক্ষণ প্রক্রিয়া ছাড়াই বিভিন্ন ইমেজ শ্রেণীবদ্ধ করতে এটি মানিয়ে নিতে পারি?
 
-## [প্রি-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108)
+## [প্রি-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/15)
 
 এই পদ্ধতিকে **ট্রান্সফার লার্নিং** বলা হয়, কারণ আমরা একটি নিউরাল নেটওয়ার্ক মডেল থেকে অন্যটিতে কিছু জ্ঞান স্থানান্তর করি। ট্রান্সফার লার্নিং-এ, আমরা সাধারণত একটি প্রি-ট্রেইনড মডেল দিয়ে শুরু করি, যা **ইমেজনেট** এর মতো বড় ইমেজ ডেটাসেটে প্রশিক্ষিত হয়েছে। এই মডেলগুলো ইতিমধ্যেই সাধারণ ইমেজ থেকে বিভিন্ন বৈশিষ্ট্য বের করতে ভালো কাজ করতে পারে, এবং অনেক ক্ষেত্রে এই বৈশিষ্ট্যগুলোর উপর ভিত্তি করে একটি ক্লাসিফায়ার তৈরি করলেই ভালো ফলাফল পাওয়া যায়।
 
@@ -76,7 +76,7 @@ Keras এবং PyTorch-এ কিছু সাধারণ আর্কিট
 
 সংলগ্ন নোটবুকে, নোট রয়েছে নিচে যেখানে বলা হয়েছে ট্রান্সফার জ্ঞান সবচেয়ে ভালো কাজ করে কিছুটা মিল থাকা প্রশিক্ষণ ডেটার সাথে (সম্ভবত একটি নতুন ধরনের প্রাণী)। সম্পূর্ণ নতুন ধরনের ইমেজ নিয়ে কিছু পরীক্ষা-নিরীক্ষা করুন এবং দেখুন আপনার ট্রান্সফার জ্ঞান মডেলগুলো কতটা ভালো বা খারাপ কাজ করে।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## পর্যালোচনা এবং স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/09-Autoencoders/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 সিএনএন প্রশিক্ষণের সময়, একটি বড় সমস্যা হলো প্রচুর লেবেলযুক্ত ডেটার প্রয়োজন হয়। উদাহরণস্বরূপ, ইমেজ ক্লাসিফিকেশনের ক্ষেত্রে, আমাদের ইমেজগুলোকে বিভিন্ন শ্রেণিতে ভাগ করতে হয়, যা একটি ম্যানুয়াল প্রচেষ্টা।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/17)
 
 তবে, আমরা সিএনএন ফিচার এক্সট্রাক্টর প্রশিক্ষণের জন্য কাঁচা (লেবেলবিহীন) ডেটা ব্যবহার করতে চাইতে পারি, যাকে **স্ব-পরিচালিত শেখা** (self-supervised learning) বলা হয়। লেবেলের পরিবর্তে, আমরা প্রশিক্ষণের জন্য ইমেজগুলোকে নেটওয়ার্কের ইনপুট এবং আউটপুট উভয় হিসেবেই ব্যবহার করব। **অটোএনকোডার** এর মূল ধারণা হলো, আমরা একটি **এনকোডার নেটওয়ার্ক** ব্যবহার করব যা ইনপুট ইমেজকে কিছু **ল্যাটেন্ট স্পেস**-এ রূপান্তর করবে (সাধারণত এটি একটি ছোট আকারের ভেক্টর), তারপর একটি **ডিকোডার নেটওয়ার্ক**, যার লক্ষ্য হবে মূল ইমেজটি পুনর্গঠন করা।
 
@@ -80,7 +80,7 @@ VAE-এর একটি গুরুত্বপূর্ণ সুবিধা
 * **লসি** - পুনর্গঠিত ইমেজটি মূল ইমেজের মতো নয়। লসের প্রকৃতি নির্ধারিত হয় প্রশিক্ষণের সময় ব্যবহৃত *লস ফাংশন* দ্বারা।
 * **লেবেলবিহীন ডেটা**-তে কাজ করে
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/18)
 
 ## উপসংহার
 
@@ -90,7 +90,7 @@ VAE-এর একটি গুরুত্বপূর্ণ সুবিধা
 
 এই পাঠে, আপনি ইমেজের জন্য অটোএনকোডার ব্যবহারের কথা শিখেছেন। তবে এগুলো সঙ্গীতের জন্যও ব্যবহার করা যেতে পারে! ম্যাজেন্টা প্রকল্পের [MusicVAE](https://magenta.tensorflow.org/music-vae) প্রকল্পটি দেখুন, যা সঙ্গীত পুনর্গঠনের জন্য অটোএনকোডার ব্যবহার করে। এই লাইব্রেরি দিয়ে কিছু [পরীক্ষা](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) করুন এবং দেখুন আপনি কী তৈরি করতে পারেন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/16)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/10-GANs/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 পূর্ববর্তী অংশে আমরা **জেনারেটিভ মডেল** সম্পর্কে শিখেছি: এমন মডেল যা প্রশিক্ষণ ডেটাসেটের মতো নতুন ছবি তৈরি করতে পারে। VAE ছিল জেনারেটিভ মডেলের একটি ভালো উদাহরণ।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/19)
 
 তবে, যদি আমরা কিছু সত্যিই অর্থবহ তৈরি করতে চাই, যেমন একটি যুক্তিসঙ্গত রেজোলিউশনের পেইন্টিং, VAE ব্যবহার করে, আমরা দেখতে পাবো যে প্রশিক্ষণ ভালোভাবে কনভার্জ করে না। এই ব্যবহারের ক্ষেত্রে, আমাদের একটি নির্দিষ্ট জেনারেটিভ মডেলের জন্য লক্ষ্যযুক্ত আরেকটি আর্কিটেকচার সম্পর্কে শিখতে হবে - **জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্কস**, বা GANs।
 
@@ -84,7 +84,7 @@ GANs হলো শিল্পসম্মত ছবি তৈরি করা
 
 ## ✍️ উদাহরণ: [স্টাইল ট্রান্সফার](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/20)
 
 ## উপসংহার
 

translations/bn/lessons/4-ComputerVision/11-ObjectDetection/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 যে ইমেজ ক্লাসিফিকেশন মডেলগুলো আমরা এখন পর্যন্ত ব্যবহার করেছি, সেগুলো একটি ইমেজ নিয়ে একটি ক্যাটেগরিক্যাল ফলাফল প্রদান করত, যেমন MNIST সমস্যায় 'সংখ্যা' ক্লাস। তবে, অনেক ক্ষেত্রে আমরা শুধু জানতে চাই না যে একটি ছবি কোনো বস্তু প্রদর্শন করছে - আমরা তাদের সঠিক অবস্থান নির্ধারণ করতে চাই। **অবজেক্ট ডিটেকশন** ঠিক এই কাজটি করে।
 
-## [প্রাক-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111)
+## [প্রাক-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/21)
 
 ![অবজেক্ট ডিটেকশন](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.bn.png)
 
@@ -172,7 +172,7 @@ YOLO একটি রিয়েলটাইম ওয়ান-পাস অ
  * YOLO: [Keras ইমপ্লিমেন্টেশন](https://github.com/experiencor/keras-yolo2), [স্টেপ-বাই-স্টেপ নোটবুক](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb)
  * YOLO v2: [Keras ইমপ্লিমেন্টেশন](https://github.com/experiencor/keras-yolo2), [স্টেপ-বাই-স্টেপ নোটবুক](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb)
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/22)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/4-ComputerVision/12-Segmentation/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 আমরা পূর্বে অবজেক্ট ডিটেকশন সম্পর্কে শিখেছি, যা আমাদের *বাউন্ডিং বক্স* প্রেডিক্ট করে ছবিতে অবজেক্টের অবস্থান নির্ধারণ করতে সাহায্য করে। তবে, কিছু কাজের জন্য শুধুমাত্র বাউন্ডিং বক্স যথেষ্ট নয়, বরং আরও সুনির্দিষ্ট অবজেক্ট লোকালাইজেশন প্রয়োজন। এই কাজটিকে **সেগমেন্টেশন** বলা হয়।
 
-## [প্রাক-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112)
+## [প্রাক-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/23)
 
 সেগমেন্টেশনকে **পিক্সেল ক্লাসিফিকেশন** হিসেবে দেখা যেতে পারে, যেখানে ছবির **প্রত্যেক** পিক্সেলের জন্য তার ক্লাস (*ব্যাকগ্রাউন্ড* একটি ক্লাস হিসেবে গণ্য) প্রেডিক্ট করতে হয়। সেগমেন্টেশনের দুটি প্রধান অ্যালগরিদম রয়েছে:
 
@@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
 * [সেমান্টিক সেগমেন্টেশন পাইটর্চ](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb)
 * [সেমান্টিক সেগমেন্টেশন টেন্সরফ্লো](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/24)
 
 ## উপসংহার
 

translations/bn/lessons/5-NLP/13-TextRep/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # টেক্সটকে টেনসরে উপস্থাপন করা
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/25)
 
 ## টেক্সট শ্রেণীবিন্যাস
 
@@ -73,7 +73,7 @@ BoW-এর সমস্যা হল কিছু সাধারণ শব্
 
 ব্যাগ-অফ-ওয়ার্ডস এবং বিভিন্ন ডেটা মডেল ব্যবহার করে কিছু অন্যান্য অনুশীলন চেষ্টা করুন। আপনি এই [কাগল প্রতিযোগিতা](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) থেকে অনুপ্রাণিত হতে পারেন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/26)
 
 ## পুনরালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/14-Embeddings/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # এম্বেডিংস
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/27)
 
 BoW বা TF/IDF ভিত্তিক ক্লাসিফায়ার প্রশিক্ষণ করার সময়, আমরা উচ্চ-মাত্রার ব্যাগ-অফ-ওয়ার্ডস ভেক্টর নিয়ে কাজ করতাম যার দৈর্ঘ্য `vocab_size`, এবং আমরা স্পষ্টভাবে নিম্ন-মাত্রার পজিশনাল রিপ্রেজেন্টেশন ভেক্টর থেকে স্পার্স ওয়ান-হট রিপ্রেজেন্টেশনে রূপান্তর করতাম। তবে, এই ওয়ান-হট রিপ্রেজেন্টেশন মেমোরি-ইফিশিয়েন্ট নয়। এছাড়াও, প্রতিটি শব্দকে একে অপরের থেকে স্বাধীনভাবে বিবেচনা করা হয়, অর্থাৎ ওয়ান-হট এনকোডেড ভেক্টরগুলো শব্দগুলোর মধ্যে কোনো সেমান্টিক সাদৃশ্য প্রকাশ করে না।
 
@@ -65,7 +65,7 @@ Word2Vec প্রি-ট্রেনড এম্বেডিংস (এবং
 
 Word2Vec কিছু আকর্ষণীয় অ্যাপ্লিকেশনে ব্যবহৃত হয়েছে, যার মধ্যে রয়েছে গান এবং কবিতা তৈরি করা। [এই আর্টিকেলটি](https://www.politetype.com/blog/word2vec-color-poems) দেখুন, যেখানে লেখক Word2Vec ব্যবহার করে কবিতা তৈরি করার পদ্ধতি ব্যাখ্যা করেছেন। [ড্যান শিফম্যানের এই ভিডিওটি](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) দেখুন, যেখানে এই কৌশলটির একটি ভিন্ন ব্যাখ্যা দেওয়া হয়েছে। তারপর এই কৌশলগুলো আপনার নিজের টেক্সট কর্পাসে প্রয়োগ করার চেষ্টা করুন, যা হয়তো Kaggle থেকে সংগ্রহ করা যেতে পারে।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/28)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/15-LanguageModeling/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 সেমান্টিক এম্বেডিং, যেমন Word2Vec এবং GloVe, আসলে **ভাষা মডেলিং** এর দিকে প্রথম পদক্ষেপ - এমন মডেল তৈরি করা যা কোনোভাবে ভাষার প্রকৃতি *বোঝে* (বা *প্রতিনিধিত্ব করে*)।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/29)
 
 ভাষা মডেলিংয়ের মূল ধারণা হল তাদেরকে লেবেলবিহীন ডেটাসেটে প্রশিক্ষণ দেওয়া, যা একটি অসুপারভাইজড পদ্ধতিতে করা হয়। এটি গুরুত্বপূর্ণ কারণ আমাদের কাছে প্রচুর পরিমাণে লেবেলবিহীন টেক্সট উপলব্ধ রয়েছে, যেখানে লেবেলযুক্ত টেক্সটের পরিমাণ সবসময় সীমিত থাকবে, কারণ লেবেলিংয়ে আমরা যতটা প্রচেষ্টা করতে পারি তা দ্বারা সীমাবদ্ধ। বেশিরভাগ সময়, আমরা এমন ভাষা মডেল তৈরি করতে পারি যা **অনুপস্থিত শব্দগুলি পূর্বানুমান করতে পারে** টেক্সটে, কারণ টেক্সটে একটি র্যান্ডম শব্দ মাস্ক করা এবং এটি প্রশিক্ষণের নমুনা হিসাবে ব্যবহার করা সহজ।
 
@@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 পূর্ববর্তী পাঠে আমরা দেখেছি যে শব্দ এম্বেডিংগুলি জাদুর মতো কাজ করে! এখন আমরা জানি যে শব্দ এম্বেডিং প্রশিক্ষণ দেওয়া খুব জটিল কাজ নয়, এবং প্রয়োজনে আমরা ডোমেইন-নির্দিষ্ট টেক্সটের জন্য আমাদের নিজস্ব শব্দ এম্বেডিং প্রশিক্ষণ দিতে সক্ষম হওয়া উচিত।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/30)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/16-RNN/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # পুনরাবৃত্ত নিউরাল নেটওয়ার্ক
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/31)
 
 পূর্ববর্তী অংশগুলোতে, আমরা টেক্সটের সমৃদ্ধ সেমান্টিক উপস্থাপনাগুলি এবং এম্বেডিংয়ের উপরে একটি সাধারণ লিনিয়ার ক্লাসিফায়ার ব্যবহার করেছি। এই আর্কিটেকচারের কাজ হলো একটি বাক্যের শব্দগুলোর সম্মিলিত অর্থ ধারণ করা, কিন্তু এটি শব্দগুলোর **ক্রম** বিবেচনা করে না, কারণ এম্বেডিংয়ের উপরে অ্যাগ্রিগেশন অপারেশন মূল টেক্সট থেকে এই তথ্যটি সরিয়ে দেয়। যেহেতু এই মডেলগুলো শব্দের ক্রম মডেল করতে অক্ষম, তাই তারা টেক্সট জেনারেশন বা প্রশ্নোত্তরের মতো জটিল বা দ্ব্যর্থক কাজ সমাধান করতে পারে না।
 
@@ -84,7 +84,7 @@ LSTM সম্পর্কে কিছু সাহিত্য পড়ুন
 - [Show, Attend and Tell: Neural Image Caption
 Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf)
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/32)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/17-GenerativeNetworks/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # জেনারেটিভ নেটওয়ার্কস
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/33)
 
 Recurrent Neural Networks (RNNs) এবং তাদের গেটেড সেল ভ্যারিয়েন্ট যেমন Long Short Term Memory Cells (LSTMs) এবং Gated Recurrent Units (GRUs) ভাষা মডেলিংয়ের জন্য একটি পদ্ধতি প্রদান করে, যেখানে তারা শব্দের ক্রম শিখতে পারে এবং একটি সিকোয়েন্সে পরবর্তী শব্দের পূর্বাভাস দিতে পারে। এটি আমাদের RNNs ব্যবহার করে **জেনারেটিভ কাজ** সম্পাদন করতে দেয়, যেমন সাধারণ টেক্সট জেনারেশন, মেশিন ট্রান্সলেশন এবং এমনকি ইমেজ ক্যাপশনিং।
 
@@ -71,7 +71,7 @@ today of the second the company and a second the company ...
 
 * [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste) দিয়ে টেক্সট জেনারেশন
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/34)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/18-Transformers/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # অ্যাটেনশন মেকানিজম এবং ট্রান্সফর্মার
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/35)
 
 NLP ডোমেইনের অন্যতম গুরুত্বপূর্ণ সমস্যা হলো **মেশিন অনুবাদ**, যা Google Translate-এর মতো টুলগুলোর ভিত্তি। এই সেকশনে, আমরা মেশিন অনুবাদ বা আরও সাধারণভাবে, *সিকোয়েন্স-টু-সিকোয়েন্স* টাস্ক (যাকে **সেন্টেন্স ট্রান্সডাকশন**ও বলা হয়) নিয়ে আলোচনা করব।
 
@@ -108,7 +108,7 @@ RNN ব্যবহার করে, সিকোয়েন্স-টু-স
 
 ## 🚀 চ্যালেঞ্জ
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/36)
 
 ## পর্যালোচনা এবং স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/19-NER/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 এখন পর্যন্ত, আমরা মূলত একটি NLP কাজ - শ্রেণীবিন্যাসের উপর মনোযোগ কেন্দ্রীভূত করেছি। তবে, নিউরাল নেটওয়ার্ক ব্যবহার করে আরও অন্যান্য NLP কাজও সম্পন্ন করা যায়। সেই কাজগুলোর মধ্যে একটি হলো **[নামযুক্ত সত্তা সনাক্তকরণ](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), যা পাঠ্যের মধ্যে নির্দিষ্ট সত্তাগুলি সনাক্ত করার সাথে সম্পর্কিত, যেমন স্থান, ব্যক্তির নাম, তারিখ-সময়, রাসায়নিক সূত্র ইত্যাদি।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/37)
 
 ## NER ব্যবহারের উদাহরণ
 
@@ -80,7 +80,7 @@ infant | O
 
 নিম্নলিখিত অ্যাসাইনমেন্ট সম্পন্ন করুন, যেখানে আপনাকে চিকিৎসা বিষয়ক শব্দের জন্য একটি নামযুক্ত সত্তা সনাক্তকরণ মডেল প্রশিক্ষণ দিতে হবে, তারপর এটি একটি ভিন্ন ডেটাসেটে চেষ্টা করুন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/38)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/5-NLP/20-LangModels/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 আমাদের পূর্ববর্তী সমস্ত কাজগুলোতে, আমরা একটি নির্দিষ্ট কাজ সম্পাদনের জন্য লেবেলযুক্ত ডেটাসেট ব্যবহার করে একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণ করছিলাম। বড় ট্রান্সফর্মার মডেলগুলোর ক্ষেত্রে, যেমন BERT, আমরা স্ব-পরিচালিত পদ্ধতিতে ভাষা মডেলিং ব্যবহার করে একটি ভাষার মডেল তৈরি করি, যা পরে নির্দিষ্ট ডাউনস্ট্রিম কাজের জন্য আরও ডোমেইন-নির্দিষ্ট প্রশিক্ষণের মাধ্যমে বিশেষায়িত হয়। তবে, এটি প্রমাণিত হয়েছে যে বড় ভাষার মডেলগুলো অনেক কাজ সম্পাদন করতে পারে কোনো ডোমেইন-নির্দিষ্ট প্রশিক্ষণ ছাড়াই। এমন মডেলের একটি পরিবারকে বলা হয় **GPT**: জেনারেটিভ প্রি-ট্রেইনড ট্রান্সফর্মার।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/39)
 
 ## টেক্সট জেনারেশন এবং পারপ্লেক্সিটি
 
@@ -58,7 +58,7 @@ GPT বিশাল পরিমাণ ডেটার উপর প্রশি
 
 নতুন সাধারণ প্রি-ট্রেইনড ভাষার মডেলগুলো শুধুমাত্র ভাষার গঠন মডেল করে না, বরং বিশাল পরিমাণ প্রাকৃতিক ভাষাও ধারণ করে। সুতরাং, সেগুলো কিছু NLP কাজকে জিরো-শট বা ফিউ-শট সেটিংসে কার্যকরভাবে সমাধান করতে ব্যবহার করা যেতে পারে।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/40)
 
 **অস্বীকৃতি**:  
 এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিক অনুবাদের চেষ্টা করি, তবে দয়া করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় থাকা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।

translations/bn/lessons/6-Other/21-GeneticAlgorithms/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # জেনেটিক অ্যালগরিদম
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/41)
 
 **জেনেটিক অ্যালগরিদম** (GA) একটি **বিবর্তনমূলক পদ্ধতির** উপর ভিত্তি করে তৈরি, যেখানে একটি সমস্যার জন্য সর্বোত্তম সমাধান খুঁজে পেতে জনসংখ্যার বিবর্তনের পদ্ধতি ব্যবহার করা হয়। এটি ১৯৭৫ সালে [জন হেনরি হল্যান্ড](https://wikipedia.org/wiki/John_Henry_Holland) প্রস্তাব করেছিলেন।
 
@@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 "জেনেটিক অ্যালগরিদম বাস্তবায়ন করা সহজ, কিন্তু এর আচরণ বোঝা কঠিন।" [উৎস](https://wikipedia.org/wiki/Genetic_algorithm) একটি জেনেটিক অ্যালগরিদমের বাস্তবায়ন যেমন একটি সুডোকু ধাঁধার সমাধান খুঁজুন এবং এটি কীভাবে কাজ করে তা একটি স্কেচ বা ফ্লোচার্ট আকারে ব্যাখ্যা করুন।
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/42)
 
 ## পর্যালোচনা ও স্ব-অধ্যয়ন
 

translations/bn/lessons/6-Other/22-DeepRL/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 রিইনফোর্সমেন্ট লার্নিং (RL) সুপারভাইজড লার্নিং এবং আনসুপারভাইজড লার্নিং-এর পাশাপাশি মেশিন লার্নিং-এর একটি মৌলিক প্যারাডাইম হিসেবে বিবেচিত হয়। যেখানে সুপারভাইজড লার্নিং পরিচিত ফলাফল সহ ডেটাসেটের উপর নির্ভর করে, RL **কাজ করে শেখার** উপর ভিত্তি করে। উদাহরণস্বরূপ, যখন আমরা প্রথমবার একটি কম্পিউটার গেম দেখি, আমরা খেলা শুরু করি, এমনকি নিয়ম না জেনেও, এবং শীঘ্রই শুধুমাত্র খেলার মাধ্যমে এবং আমাদের আচরণ সামঞ্জস্য করে আমাদের দক্ষতা উন্নত করতে সক্ষম হই।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/43)
 
 RL সম্পাদন করতে আমাদের প্রয়োজন:
 
@@ -110,7 +110,7 @@ RL অ্যালগরিদমের লক্ষ্য হলো একট
 
 'অন্যান্য RL টাস্ক' বিভাগে তালিকাভুক্ত অ্যাপ্লিকেশনগুলি অন্বেষণ করুন এবং একটি বাস্তবায়নের চেষ্টা করুন!
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/44)
 
 ## পর্যালোচনা এবং স্ব-অধ্যয়ন
 

translations/bn/lessons/6-Other/23-MultiagentSystems/README.md

@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 বুদ্ধিমত্তা অর্জনের একটি সম্ভাব্য উপায় হল তথাকথিত **উদ্ভাসিত** (বা **সমন্বিত**) পদ্ধতি, যা এই ধারণার উপর ভিত্তি করে যে অনেক তুলনামূলকভাবে সহজ এজেন্টের সম্মিলিত আচরণ পুরো সিস্টেমের সামগ্রিকভাবে আরও জটিল (বা বুদ্ধিমান) আচরণ তৈরি করতে পারে। তাত্ত্বিকভাবে, এটি [সমষ্টিগত বুদ্ধিমত্তা](https://en.wikipedia.org/wiki/Collective_intelligence), [উদ্ভাসবাদ](https://en.wikipedia.org/wiki/Global_brain) এবং [বিবর্তনীয় সাইবারনেটিক্স](https://en.wikipedia.org/wiki/Global_brain)-এর নীতির উপর ভিত্তি করে, যা বলে যে উচ্চ-স্তরের সিস্টেমগুলি নিম্ন-স্তরের সিস্টেমগুলি সঠিকভাবে একত্রিত হলে কিছু অতিরিক্ত মান অর্জন করে (*মেটাসিস্টেম ট্রানজিশনের নীতি* নামে পরিচিত)।
 
-## [পূর্ব-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123)
+## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/45)
 
 **মাল্টি-এজেন্ট সিস্টেম** এর ধারণা ১৯৯০-এর দশকে ইন্টারনেট এবং বিতরণকৃত সিস্টেমের বৃদ্ধির প্রতিক্রিয়া হিসেবে AI-এ উদ্ভূত হয়। ক্লাসিক্যাল AI-এর একটি বিখ্যাত পাঠ্যপুস্তক, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), মাল্টি-এজেন্ট সিস্টেমের দৃষ্টিকোণ থেকে ক্লাসিক্যাল AI-এর উপর আলোকপাত করে।
 
@@ -152,7 +152,7 @@ NetLogo-এর বিশ্ব নিম্নলিখিত বস্তুগ
 
 এই পাঠটি বাস্তব জগতে নিয়ে যান এবং একটি সমস্যা সমাধানের জন্য একটি মাল্টি-এজেন্ট সিস্টেম ধারণা করার চেষ্টা করুন। উদাহরণস্বরূপ, একটি মাল্টি-এজেন্ট সিস্টেম একটি স্কুল বাসের রুট অপ্টিমাইজ করতে কী করতে হবে? এটি একটি বেকারিতে কীভাবে কাজ করতে পারে?
 
-## [পোস্ট-লেকচার কুইজ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223)
+## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ai/quiz/46)
 
 ## পর্যালোচনা এবং স্ব-
 

translations/br/lessons/1-Intro/README.md

@@ -54,7 +54,7 @@ Nos últimos anos, testemunhamos grandes avanços com modelos de linguagem de gr
 
 Faça uma pesquisa na internet para determinar onde, na sua opinião, a IA é mais eficazmente utilizada. É em um aplicativo de mapeamento, em algum serviço de conversão de fala para texto ou em um videogame? Pesquise como o sistema foi construído.
 
-## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201)
+## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/2)
 
 ## Revisão e Autoestudo
 

translations/br/lessons/2-Symbolic/README.md

@@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 A busca pela inteligência artificial é baseada na procura por conhecimento, para entender o mundo de forma semelhante aos humanos. Mas como podemos fazer isso?
 
-## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102)
+## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/3)
 
 Nos primeiros dias da IA, a abordagem de cima para baixo para criar sistemas inteligentes (discutida na aula anterior) era popular. A ideia era extrair o conhecimento das pessoas em uma forma legível por máquinas e usá-lo para resolver problemas automaticamente. Essa abordagem era baseada em duas grandes ideias:
 
@@ -236,7 +236,7 @@ Hoje em dia, IA é frequentemente considerada sinônimo de *Aprendizado de Máqu
 
 No notebook Family Ontology associado a esta lição, há uma oportunidade de experimentar outras relações familiares. Tente descobrir novas conexões entre pessoas na árvore genealógica.
 
-## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202)
+## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/4)
 
 ## Revisão e Autoestudo
 

translations/br/lessons/3-NeuralNetworks/03-Perceptron/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Introdução às Redes Neurais: Perceptron
 
-## [Quiz antes da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103)
+## [Quiz antes da aula](https://ff-quizzes.netlify.app/en/ai/quiz/5)
 
 Uma das primeiras tentativas de implementar algo semelhante a uma rede neural moderna foi feita por Frank Rosenblatt, do Laboratório Aeronáutico de Cornell, em 1957. Foi uma implementação em hardware chamada "Mark-1", projetada para reconhecer figuras geométricas primitivas, como triângulos, quadrados e círculos.
 
@@ -85,7 +85,7 @@ Nesta lição, você aprendeu sobre o perceptron, que é um modelo de classifica
 
 Se você quiser tentar construir seu próprio perceptron, experimente [este laboratório no Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), que utiliza o [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste).
 
-## [Quiz após a aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203)
+## [Quiz após a aula](https://ff-quizzes.netlify.app/en/ai/quiz/6)
 
 ## Revisão e Autoestudo