diff --git a/lessons/1-Intro/README.md b/lessons/1-Intro/README.md index 704dacd9..4816e49a 100644 --- a/lessons/1-Intro/README.md +++ b/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 diff --git a/lessons/1-Intro/translations/README.ja.md b/lessons/1-Intro/translations/README.ja.md index 7d427adc..883b95d8 100644 --- a/lessons/1-Intro/translations/README.ja.md +++ b/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 diff --git a/lessons/2-Symbolic/README.md b/lessons/2-Symbolic/README.md index 6437b4e4..41a168f7 100644 --- a/lessons/2-Symbolic/README.md +++ b/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 diff --git a/lessons/3-NeuralNetworks/03-Perceptron/README.md b/lessons/3-NeuralNetworks/03-Perceptron/README.md index 51658e78..c95b7436 100644 --- a/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/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 diff --git a/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/lessons/3-NeuralNetworks/04-OwnFramework/README.md index f649500b..7b2b617a 100644 --- a/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/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 diff --git a/lessons/3-NeuralNetworks/05-Frameworks/README.md b/lessons/3-NeuralNetworks/05-Frameworks/README.md index 7cdc2819..ee738d55 100644 --- a/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/06-IntroCV/README.md b/lessons/4-ComputerVision/06-IntroCV/README.md index d958437b..263bc313 100644 --- a/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 17d1d283..534e2465 100644 --- a/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/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 diff --git a/lessons/4-ComputerVision/07-ConvNets/README.md b/lessons/4-ComputerVision/07-ConvNets/README.md index e27ccb2b..f7f7ab97 100644 --- a/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/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. diff --git a/lessons/4-ComputerVision/08-TransferLearning/README.md b/lessons/4-ComputerVision/08-TransferLearning/README.md index 4e0f5986..44a948f0 100644 --- a/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/09-Autoencoders/README.md b/lessons/4-ComputerVision/09-Autoencoders/README.md index 572df636..4d163eac 100644 --- a/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/10-GANs/README.md b/lessons/4-ComputerVision/10-GANs/README.md index 1b13e877..5d79fe54 100644 --- a/lessons/4-ComputerVision/10-GANs/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/11-ObjectDetection/README.md b/lessons/4-ComputerVision/11-ObjectDetection/README.md index 8866a7f0..88b7027c 100644 --- a/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/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 diff --git a/lessons/4-ComputerVision/12-Segmentation/README.md b/lessons/4-ComputerVision/12-Segmentation/README.md index beb4f6c7..252be1c2 100644 --- a/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/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 diff --git a/lessons/5-NLP/13-TextRep/README.md b/lessons/5-NLP/13-TextRep/README.md index 7bd63e7c..8a6cb825 100644 --- a/lessons/5-NLP/13-TextRep/README.md +++ b/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 diff --git a/lessons/5-NLP/14-Embeddings/README.md b/lessons/5-NLP/14-Embeddings/README.md index bc37f95f..ca0fb47d 100644 --- a/lessons/5-NLP/14-Embeddings/README.md +++ b/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 diff --git a/lessons/5-NLP/15-LanguageModeling/README.md b/lessons/5-NLP/15-LanguageModeling/README.md index dc5e4a51..465f6403 100644 --- a/lessons/5-NLP/15-LanguageModeling/README.md +++ b/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 diff --git a/lessons/5-NLP/16-RNN/README.md b/lessons/5-NLP/16-RNN/README.md index db04b93f..3d33109e 100644 --- a/lessons/5-NLP/16-RNN/README.md +++ b/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 diff --git a/lessons/5-NLP/17-GenerativeNetworks/README.md b/lessons/5-NLP/17-GenerativeNetworks/README.md index f6110990..eb18534f 100644 --- a/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/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 diff --git a/lessons/5-NLP/18-Transformers/README.md b/lessons/5-NLP/18-Transformers/README.md index b552e382..fa5e339a 100644 --- a/lessons/5-NLP/18-Transformers/README.md +++ b/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 diff --git a/lessons/5-NLP/19-NER/README.md b/lessons/5-NLP/19-NER/README.md index 5cf18e92..36cd47c5 100644 --- a/lessons/5-NLP/19-NER/README.md +++ b/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 diff --git a/lessons/5-NLP/20-LangModels/README.md b/lessons/5-NLP/20-LangModels/README.md index 5acb7959..cc120b2a 100644 --- a/lessons/5-NLP/20-LangModels/README.md +++ b/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) diff --git a/lessons/6-Other/21-GeneticAlgorithms/README.md b/lessons/6-Other/21-GeneticAlgorithms/README.md index 19e063f3..d12498fc 100644 --- a/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/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 diff --git a/lessons/6-Other/22-DeepRL/README.md b/lessons/6-Other/22-DeepRL/README.md index 4c1e5a87..f4461627 100644 --- a/lessons/6-Other/22-DeepRL/README.md +++ b/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 diff --git a/lessons/6-Other/23-MultiagentSystems/README.md b/lessons/6-Other/23-MultiagentSystems/README.md index b4612110..85df82d1 100644 --- a/lessons/6-Other/23-MultiagentSystems/README.md +++ b/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 diff --git a/translations/ar/lessons/1-Intro/README.md b/translations/ar/lessons/1-Intro/README.md index c13458c7..0b3b282a 100644 --- a/translations/ar/lessons/1-Intro/README.md +++ b/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 diff --git a/translations/ar/lessons/2-Symbolic/README.md b/translations/ar/lessons/2-Symbolic/README.md index b24e29dc..6efbb818 100644 --- a/translations/ar/lessons/2-Symbolic/README.md +++ b/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 diff --git a/translations/ar/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ar/lessons/3-NeuralNetworks/03-Perceptron/README.md index baff4427..649e31d6 100644 --- a/translations/ar/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/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 diff --git a/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 7cfa0518..329eca27 100644 --- a/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/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 diff --git a/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md index 4b01250b..235b05d7 100644 --- a/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md index 64a22abc..d07fbfa3 100644 --- a/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index aa7960c6..2e926d0a 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md index aa88023b..2806e40d 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/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. diff --git a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md index 72242b10..98bb4fd9 100644 --- a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md index 21261ada..5cf04106 100644 --- a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/10-GANs/README.md b/translations/ar/lessons/4-ComputerVision/10-GANs/README.md index e6d52507..ffb188ab 100644 --- a/translations/ar/lessons/4-ComputerVision/10-GANs/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md index c5d82bc5..3c218ddb 100644 --- a/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/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 diff --git a/translations/ar/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ar/lessons/4-ComputerVision/12-Segmentation/README.md index dbf488c7..1e2d12d3 100644 --- a/translations/ar/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/13-TextRep/README.md b/translations/ar/lessons/5-NLP/13-TextRep/README.md index 8f8cc228..1673bd57 100644 --- a/translations/ar/lessons/5-NLP/13-TextRep/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/14-Embeddings/README.md b/translations/ar/lessons/5-NLP/14-Embeddings/README.md index 1871aec8..f194cc13 100644 --- a/translations/ar/lessons/5-NLP/14-Embeddings/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md index 87306ffc..ad3ea9e0 100644 --- a/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/16-RNN/README.md b/translations/ar/lessons/5-NLP/16-RNN/README.md index 068eec57..a00c831e 100644 --- a/translations/ar/lessons/5-NLP/16-RNN/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md index 06e86453..819a3189 100644 --- a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/18-Transformers/README.md b/translations/ar/lessons/5-NLP/18-Transformers/README.md index 2fe2625f..9ed9cb6f 100644 --- a/translations/ar/lessons/5-NLP/18-Transformers/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/19-NER/README.md b/translations/ar/lessons/5-NLP/19-NER/README.md index b5d9f258..a5ce9168 100644 --- a/translations/ar/lessons/5-NLP/19-NER/README.md +++ b/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 diff --git a/translations/ar/lessons/5-NLP/20-LangModels/README.md b/translations/ar/lessons/5-NLP/20-LangModels/README.md index 9a6e23c4..3e77d90c 100644 --- a/translations/ar/lessons/5-NLP/20-LangModels/README.md +++ b/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. \ No newline at end of file diff --git a/translations/ar/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ar/lessons/6-Other/21-GeneticAlgorithms/README.md index 52ca6661..3cce0619 100644 --- a/translations/ar/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/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 diff --git a/translations/ar/lessons/6-Other/22-DeepRL/README.md b/translations/ar/lessons/6-Other/22-DeepRL/README.md index fafbf34d..cc573709 100644 --- a/translations/ar/lessons/6-Other/22-DeepRL/README.md +++ b/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 diff --git a/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md index 3e06e987..246dea2e 100644 --- a/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md +++ b/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 diff --git a/translations/bg/lessons/1-Intro/README.md b/translations/bg/lessons/1-Intro/README.md index f6865a14..af408d2d 100644 --- a/translations/bg/lessons/1-Intro/README.md +++ b/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 diff --git a/translations/bg/lessons/2-Symbolic/README.md b/translations/bg/lessons/2-Symbolic/README.md index f1116441..c106ba6e 100644 --- a/translations/bg/lessons/2-Symbolic/README.md +++ b/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 diff --git a/translations/bg/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/bg/lessons/3-NeuralNetworks/03-Perceptron/README.md index c5914f4d..e1ad5ea9 100644 --- a/translations/bg/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/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 diff --git a/translations/bg/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/bg/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 097daf98..09ba34e1 100644 --- a/translations/bg/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/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 diff --git a/translations/bg/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/bg/lessons/3-NeuralNetworks/05-Frameworks/README.md index a7d356a0..286b3681 100644 --- a/translations/bg/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/bg/lessons/4-ComputerVision/06-IntroCV/README.md index e7fcd57c..0212e0b5 100644 --- a/translations/bg/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/bg/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index f59d1d87..8e8b8521 100644 --- a/translations/bg/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/bg/lessons/4-ComputerVision/07-ConvNets/README.md index 7bdf4f24..0379730f 100644 --- a/translations/bg/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/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. diff --git a/translations/bg/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/bg/lessons/4-ComputerVision/08-TransferLearning/README.md index 887fd545..e565dd3f 100644 --- a/translations/bg/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/bg/lessons/4-ComputerVision/09-Autoencoders/README.md index 3ceedf6a..7192561d 100644 --- a/translations/bg/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/10-GANs/README.md b/translations/bg/lessons/4-ComputerVision/10-GANs/README.md index 76bc3da3..8a4951e4 100644 --- a/translations/bg/lessons/4-ComputerVision/10-GANs/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/bg/lessons/4-ComputerVision/11-ObjectDetection/README.md index c878e41e..c88fe28e 100644 --- a/translations/bg/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/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 diff --git a/translations/bg/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/bg/lessons/4-ComputerVision/12-Segmentation/README.md index f72a1335..373afd58 100644 --- a/translations/bg/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/13-TextRep/README.md b/translations/bg/lessons/5-NLP/13-TextRep/README.md index 1ba64177..4d54c8e0 100644 --- a/translations/bg/lessons/5-NLP/13-TextRep/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/14-Embeddings/README.md b/translations/bg/lessons/5-NLP/14-Embeddings/README.md index 0effef2b..fb9e7997 100644 --- a/translations/bg/lessons/5-NLP/14-Embeddings/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/15-LanguageModeling/README.md b/translations/bg/lessons/5-NLP/15-LanguageModeling/README.md index 4b2dd710..d0f5cf6c 100644 --- a/translations/bg/lessons/5-NLP/15-LanguageModeling/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/16-RNN/README.md b/translations/bg/lessons/5-NLP/16-RNN/README.md index 714a613c..a3d9359c 100644 --- a/translations/bg/lessons/5-NLP/16-RNN/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/bg/lessons/5-NLP/17-GenerativeNetworks/README.md index 491c574c..0d520951 100644 --- a/translations/bg/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/18-Transformers/README.md b/translations/bg/lessons/5-NLP/18-Transformers/README.md index d4d15c89..66359aa8 100644 --- a/translations/bg/lessons/5-NLP/18-Transformers/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/19-NER/README.md b/translations/bg/lessons/5-NLP/19-NER/README.md index 50393256..6b68a3a0 100644 --- a/translations/bg/lessons/5-NLP/19-NER/README.md +++ b/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 diff --git a/translations/bg/lessons/5-NLP/20-LangModels/README.md b/translations/bg/lessons/5-NLP/20-LangModels/README.md index adca890f..e665a9a7 100644 --- a/translations/bg/lessons/5-NLP/20-LangModels/README.md +++ b/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. \ No newline at end of file diff --git a/translations/bg/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/bg/lessons/6-Other/21-GeneticAlgorithms/README.md index 9a6110ca..ff45f002 100644 --- a/translations/bg/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/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 diff --git a/translations/bg/lessons/6-Other/22-DeepRL/README.md b/translations/bg/lessons/6-Other/22-DeepRL/README.md index c8a3e0db..c8678f34 100644 --- a/translations/bg/lessons/6-Other/22-DeepRL/README.md +++ b/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 diff --git a/translations/bg/lessons/6-Other/23-MultiagentSystems/README.md b/translations/bg/lessons/6-Other/23-MultiagentSystems/README.md index a5800129..42b09db4 100644 --- a/translations/bg/lessons/6-Other/23-MultiagentSystems/README.md +++ b/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 diff --git a/translations/bn/lessons/1-Intro/README.md b/translations/bn/lessons/1-Intro/README.md index 07fc49b6..1a55ff20 100644 --- a/translations/bn/lessons/1-Intro/README.md +++ b/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 diff --git a/translations/bn/lessons/2-Symbolic/README.md b/translations/bn/lessons/2-Symbolic/README.md index 3e62fae7..20465781 100644 --- a/translations/bn/lessons/2-Symbolic/README.md +++ b/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 diff --git a/translations/bn/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/bn/lessons/3-NeuralNetworks/03-Perceptron/README.md index dfddb655..ae5ae70d 100644 --- a/translations/bn/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/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 diff --git a/translations/bn/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/bn/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 343b861c..a0e80ddc 100644 --- a/translations/bn/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/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 diff --git a/translations/bn/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/bn/lessons/3-NeuralNetworks/05-Frameworks/README.md index 25026d6e..5d3a6c64 100644 --- a/translations/bn/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/bn/lessons/4-ComputerVision/06-IntroCV/README.md index 18ea7991..ef953487 100644 --- a/translations/bn/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/bn/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index d509e03b..bc92eda1 100644 --- a/translations/bn/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/bn/lessons/4-ComputerVision/07-ConvNets/README.md index 418a23e5..e1c1f5eb 100644 --- a/translations/bn/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/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। diff --git a/translations/bn/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/bn/lessons/4-ComputerVision/08-TransferLearning/README.md index 05222e26..c1f22ae1 100644 --- a/translations/bn/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/bn/lessons/4-ComputerVision/09-Autoencoders/README.md index 7126475e..c96d6535 100644 --- a/translations/bn/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/10-GANs/README.md b/translations/bn/lessons/4-ComputerVision/10-GANs/README.md index 54ffdcfa..69e3955a 100644 --- a/translations/bn/lessons/4-ComputerVision/10-GANs/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/bn/lessons/4-ComputerVision/11-ObjectDetection/README.md index f75affb4..d29b96ba 100644 --- a/translations/bn/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/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 diff --git a/translations/bn/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/bn/lessons/4-ComputerVision/12-Segmentation/README.md index f441b2c4..21ac5356 100644 --- a/translations/bn/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/13-TextRep/README.md b/translations/bn/lessons/5-NLP/13-TextRep/README.md index ba34ea6a..44fef4fb 100644 --- a/translations/bn/lessons/5-NLP/13-TextRep/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/14-Embeddings/README.md b/translations/bn/lessons/5-NLP/14-Embeddings/README.md index 559223fd..4345fde0 100644 --- a/translations/bn/lessons/5-NLP/14-Embeddings/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/15-LanguageModeling/README.md b/translations/bn/lessons/5-NLP/15-LanguageModeling/README.md index cd1f09bb..2ea6f33c 100644 --- a/translations/bn/lessons/5-NLP/15-LanguageModeling/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/16-RNN/README.md b/translations/bn/lessons/5-NLP/16-RNN/README.md index 3860a8fa..9cdf0286 100644 --- a/translations/bn/lessons/5-NLP/16-RNN/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/bn/lessons/5-NLP/17-GenerativeNetworks/README.md index b1aa019d..ba11bce3 100644 --- a/translations/bn/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/18-Transformers/README.md b/translations/bn/lessons/5-NLP/18-Transformers/README.md index 5cf64072..6b8d2574 100644 --- a/translations/bn/lessons/5-NLP/18-Transformers/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/19-NER/README.md b/translations/bn/lessons/5-NLP/19-NER/README.md index debfa288..58655a1f 100644 --- a/translations/bn/lessons/5-NLP/19-NER/README.md +++ b/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 diff --git a/translations/bn/lessons/5-NLP/20-LangModels/README.md b/translations/bn/lessons/5-NLP/20-LangModels/README.md index 09d1c0cb..071f854d 100644 --- a/translations/bn/lessons/5-NLP/20-LangModels/README.md +++ b/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। \ No newline at end of file diff --git a/translations/bn/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/bn/lessons/6-Other/21-GeneticAlgorithms/README.md index 7757caea..56e8832f 100644 --- a/translations/bn/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/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 diff --git a/translations/bn/lessons/6-Other/22-DeepRL/README.md b/translations/bn/lessons/6-Other/22-DeepRL/README.md index a7e1a768..a6684368 100644 --- a/translations/bn/lessons/6-Other/22-DeepRL/README.md +++ b/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 diff --git a/translations/bn/lessons/6-Other/23-MultiagentSystems/README.md b/translations/bn/lessons/6-Other/23-MultiagentSystems/README.md index 27c3bcfc..58514fec 100644 --- a/translations/bn/lessons/6-Other/23-MultiagentSystems/README.md +++ b/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- diff --git a/translations/br/lessons/1-Intro/README.md b/translations/br/lessons/1-Intro/README.md index 82bd32b8..ea0a6021 100644 --- a/translations/br/lessons/1-Intro/README.md +++ b/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 diff --git a/translations/br/lessons/2-Symbolic/README.md b/translations/br/lessons/2-Symbolic/README.md index ec3dbdb2..e82b97e1 100644 --- a/translations/br/lessons/2-Symbolic/README.md +++ b/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 diff --git a/translations/br/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/br/lessons/3-NeuralNetworks/03-Perceptron/README.md index df63bc9e..ad582905 100644 --- a/translations/br/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/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 diff --git a/translations/br/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/br/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 694d079f..077c0724 100644 --- a/translations/br/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/br/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Nesta seção, vamos expandir esse modelo para um framework mais flexível, perm Também desenvolveremos nosso próprio framework modular em Python, que nos permitirá construir diferentes arquiteturas de redes neurais. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalização de Aprendizado de Máquina @@ -81,7 +81,7 @@ No notebook que acompanha, você implementará seu próprio framework para const Acesse o notebook [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) e trabalhe nele. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Revisão e Autoestudo diff --git a/translations/br/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/br/lessons/3-NeuralNetworks/05-Frameworks/README.md index 5604de91..af8298ee 100644 --- a/translations/br/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/br/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Como já aprendemos, para treinar redes neurais de forma eficiente, precisamos f * Operar com tensores, por exemplo, multiplicar, somar e calcular algumas funções como sigmoid ou softmax. * Calcular os gradientes de todas as expressões, para realizar a otimização por descida do gradiente. -## [Pré-aula: Quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pré-aula: Quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Embora a biblioteca `numpy` possa realizar a primeira parte, precisamos de algum mecanismo para calcular os gradientes. No [nosso framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) que desenvolvemos na seção anterior, tivemos que programar manualmente todas as funções derivadas dentro do método `backward`, que realiza a retropropagação. Idealmente, um framework deveria nos oferecer a possibilidade de calcular os gradientes de *qualquer expressão* que possamos definir. @@ -106,7 +106,7 @@ Nesta lição, você aprendeu sobre as diferenças entre as várias APIs dos doi Nos notebooks que acompanham esta lição, você encontrará 'tarefas' no final; trabalhe nos notebooks e complete as tarefas. -## [Pós-aula: Quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Pós-aula: Quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Revisão e Autoestudo diff --git a/translations/br/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/br/lessons/4-ComputerVision/06-IntroCV/README.md index e7e66cc1..3120c676 100644 --- a/translations/br/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/br/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Visão Computacional](https://wikipedia.org/wiki/Computer_vision) é uma disciplina cujo objetivo é permitir que computadores obtenham uma compreensão de alto nível de imagens digitais. Esta é uma definição bastante ampla, pois *compreensão* pode significar muitas coisas, incluindo encontrar um objeto em uma imagem (**detecção de objetos**), entender o que está acontecendo (**detecção de eventos**), descrever uma imagem em texto ou reconstruir uma cena em 3D. Existem também tarefas específicas relacionadas a imagens humanas: estimativa de idade e emoção, detecção e identificação de rostos, e estimativa de pose em 3D, para citar algumas. -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/11) Uma das tarefas mais simples da visão computacional é a **classificação de imagens**. @@ -105,7 +105,7 @@ Vamos fazer alguns experimentos com OpenCV explorando [OpenCV Notebook](../../.. Assista a [este vídeo](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) do AI Show para aprender sobre o projeto Cortic Tigers e como eles construíram uma solução baseada em blocos para democratizar tarefas de visão computacional via um robô. Pesquise outros projetos como este que ajudam a introduzir novos aprendizes no campo. -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Revisão e Autoestudo diff --git a/translations/br/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/br/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 5dd27112..b6dc1286 100644 --- a/translations/br/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/br/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Nesta unidade, você aprendeu o conceito principal por trás das redes neurais d Nos notebooks que acompanham esta unidade, há anotações no final sobre como obter maior precisão. Faça alguns experimentos para ver se você consegue alcançar uma precisão maior. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Revisão e Autoestudo diff --git a/translations/br/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/br/lessons/4-ComputerVision/07-ConvNets/README.md index 301d3a30..ff110907 100644 --- a/translations/br/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/br/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Já vimos anteriormente que redes neurais são bastante eficazes ao lidar com imagens, e até mesmo um perceptron de uma única camada é capaz de reconhecer dígitos manuscritos do conjunto de dados MNIST com uma precisão razoável. No entanto, o conjunto de dados MNIST é muito especial, pois todos os dígitos estão centralizados na imagem, o que torna a tarefa mais simples. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/13) Na vida real, queremos ser capazes de reconhecer objetos em uma imagem independentemente de sua localização exata. A visão computacional é diferente da classificação genérica, porque, ao tentar encontrar um determinado objeto na imagem, estamos analisando a imagem em busca de **padrões** específicos e suas combinações. Por exemplo, ao procurar por um gato, podemos primeiro buscar por linhas horizontais, que podem formar os bigodes, e então uma certa combinação de bigodes pode nos indicar que se trata de uma imagem de um gato. A posição relativa e a presença de certos padrões são importantes, e não sua posição exata na imagem. diff --git a/translations/br/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/br/lessons/4-ComputerVision/08-TransferLearning/README.md index 3bb78155..77c7f482 100644 --- a/translations/br/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/br/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Treinar redes neurais convolucionais (CNNs) pode levar muito tempo e requer uma grande quantidade de dados. No entanto, grande parte do tempo é gasto aprendendo os melhores filtros de baixo nível que uma rede pode usar para extrair padrões de imagens. Surge então uma pergunta natural: podemos usar uma rede neural treinada em um conjunto de dados e adaptá-la para classificar imagens diferentes sem precisar de um processo completo de treinamento? -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/15) Essa abordagem é chamada de **aprendizado por transferência**, porque transferimos algum conhecimento de um modelo de rede neural para outro. No aprendizado por transferência, geralmente começamos com um modelo pré-treinado, que foi treinado em um grande conjunto de dados de imagens, como o **ImageNet**. Esses modelos já conseguem extrair diferentes características de imagens genéricas, e em muitos casos, apenas construir um classificador em cima dessas características extraídas pode gerar bons resultados. @@ -76,7 +76,7 @@ Usando o aprendizado por transferência, você pode rapidamente montar um classi Nos notebooks que acompanham, há notas no final sobre como o aprendizado por transferência funciona melhor com dados de treinamento um pouco semelhantes (talvez um novo tipo de animal). Faça alguns experimentos com tipos completamente novos de imagens para ver quão bem ou mal seus modelos de aprendizado por transferência se saem. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisão e Autoestudo diff --git a/translations/br/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/br/lessons/4-ComputerVision/09-Autoencoders/README.md index 8f6ee3fc..0919eff5 100644 --- a/translations/br/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/br/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ao treinar CNNs, um dos problemas é que precisamos de muitos dados rotulados. No caso de classificação de imagens, precisamos separar as imagens em diferentes classes, o que exige esforço manual. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) No entanto, podemos querer usar dados brutos (não rotulados) para treinar extratores de características de CNN, o que é chamado de **aprendizado auto-supervisionado**. Em vez de rótulos, usaremos imagens de treinamento como entrada e saída da rede. A ideia principal do **autoencoder** é que teremos uma **rede codificadora** que converte a imagem de entrada em algum **espaço latente** (normalmente é apenas um vetor de tamanho menor), e então uma **rede decodificadora**, cujo objetivo será reconstruir a imagem original. @@ -80,7 +80,7 @@ Saiba mais sobre autoencoders nestes notebooks correspondentes: * **Com perdas** - a imagem reconstruída não é idêntica à imagem original. A natureza da perda é definida pela *função de perda* usada durante o treinamento. * Funciona com **dados não rotulados** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Conclusão @@ -90,7 +90,7 @@ Nesta lição, você aprendeu sobre os vários tipos de autoencoders disponívei Nesta lição, você aprendeu sobre o uso de autoencoders para imagens. Mas eles também podem ser usados para música! Confira o projeto [MusicVAE](https://magenta.tensorflow.org/music-vae) do Magenta, que usa autoencoders para aprender a reconstruir música. Faça alguns [experimentos](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) com esta biblioteca para ver o que você pode criar. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisão e Autoestudo diff --git a/translations/br/lessons/4-ComputerVision/10-GANs/README.md b/translations/br/lessons/4-ComputerVision/10-GANs/README.md index 03279cff..2ea249a0 100644 --- a/translations/br/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/br/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Na seção anterior, aprendemos sobre **modelos generativos**: modelos que podem gerar novas imagens semelhantes às do conjunto de dados de treinamento. O VAE foi um bom exemplo de modelo generativo. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/19) No entanto, se tentarmos gerar algo realmente significativo, como uma pintura em resolução razoável, com o VAE, veremos que o treinamento não converge bem. Para esse caso de uso, devemos aprender sobre outra arquitetura especificamente voltada para modelos generativos - as **Redes Adversárias Generativas**, ou GANs. @@ -84,7 +84,7 @@ O funcionamento é o seguinte: ## ✍️ Exemplo: [Transferência de Estilo](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Conclusão diff --git a/translations/br/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/br/lessons/4-ComputerVision/11-ObjectDetection/README.md index 35ae415d..e3a30b0f 100644 --- a/translations/br/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/br/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Os modelos de classificação de imagens que abordamos até agora tomam uma imagem e produzem um resultado categórico, como a classe 'número' em um problema MNIST. No entanto, em muitos casos, não queremos apenas saber que uma imagem retrata objetos - queremos determinar sua localização exata. Este é exatamente o objetivo da **detecção de objetos**. -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detecção de Objetos](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.br.png) @@ -172,7 +172,7 @@ Leia estes artigos e notebooks sobre YOLO e experimente por conta própria: * YOLO: [Implementação em Keras](https://github.com/experiencor/keras-yolo2), [notebook passo a passo](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Implementação em Keras](https://github.com/experiencor/keras-yolo2), [notebook passo a passo](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Revisão e Estudo Individual diff --git a/translations/br/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/br/lessons/4-ComputerVision/12-Segmentation/README.md index f9617f41..25a22cd6 100644 --- a/translations/br/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/br/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Anteriormente, aprendemos sobre Detecção de Objetos, que nos permite localizar objetos em uma imagem ao prever suas *caixas delimitadoras* (*bounding boxes*). No entanto, para algumas tarefas, não precisamos apenas das caixas delimitadoras, mas também de uma localização mais precisa dos objetos. Essa tarefa é chamada de **segmentação**. -## [Pré-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pré-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/23) A segmentação pode ser vista como uma **classificação de pixels**, onde para **cada** pixel da imagem devemos prever sua classe (*fundo* sendo uma das classes). Existem dois principais algoritmos de segmentação: @@ -56,7 +56,7 @@ Abra os notebooks abaixo para aprender mais sobre diferentes arquiteturas de seg * [Segmentação Semântica com Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentação Semântica com TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Pós-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Pós-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Conclusão diff --git a/translations/br/lessons/5-NLP/13-TextRep/README.md b/translations/br/lessons/5-NLP/13-TextRep/README.md index 31614c9d..d8fc3455 100644 --- a/translations/br/lessons/5-NLP/13-TextRep/README.md +++ b/translations/br/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representando Texto como Tensores -## [Pré-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Pré-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Classificação de Texto @@ -73,7 +73,7 @@ Até agora, estudamos técnicas que podem adicionar peso de frequência a difere Experimente outros exercícios usando bag-of-words e diferentes modelos de dados. Você pode se inspirar nesta [competição no Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Pós-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Pós-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/14-Embeddings/README.md b/translations/br/lessons/5-NLP/14-Embeddings/README.md index 1381dc65..65619d7a 100644 --- a/translations/br/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/br/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Ao treinar classificadores baseados em BoW ou TF/IDF, trabalhamos com vetores de bag-of-words de alta dimensionalidade com comprimento `vocab_size`, e estávamos convertendo explicitamente de vetores de representação posicional de baixa dimensionalidade para representações esparsas de uma única posição ativa (one-hot). No entanto, essa representação one-hot não é eficiente em termos de memória. Além disso, cada palavra é tratada de forma independente, ou seja, vetores codificados em one-hot não expressam nenhuma similaridade semântica entre palavras. @@ -65,7 +65,7 @@ Nesta lição, você descobriu como construir e usar camadas de embedding no Ten Word2Vec tem sido usado em algumas aplicações interessantes, incluindo a geração de letras de músicas e poesias. Confira [este artigo](https://www.politetype.com/blog/word2vec-color-poems), que explica como o autor usou Word2Vec para gerar poesia. Assista também [este vídeo de Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) para descobrir uma explicação diferente dessa técnica. Depois, tente aplicar essas técnicas ao seu próprio corpus de texto, talvez obtido no 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) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/15-LanguageModeling/README.md b/translations/br/lessons/5-NLP/15-LanguageModeling/README.md index 73f21dc7..bfae5254 100644 --- a/translations/br/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/br/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Embeddings semânticos, como Word2Vec e GloVe, são, na verdade, um primeiro passo em direção à **modelagem de linguagem** - criando modelos que de alguma forma *entendem* (ou *representam*) a natureza da linguagem. -## [Pré-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Pré-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/29) A ideia principal por trás da modelagem de linguagem é treiná-los em conjuntos de dados não rotulados de forma não supervisionada. Isso é importante porque temos uma enorme quantidade de texto não rotulado disponível, enquanto a quantidade de texto rotulado sempre será limitada pelo esforço necessário para rotular. Na maioria das vezes, podemos construir modelos de linguagem que conseguem **prever palavras ausentes** no texto, porque é fácil mascarar uma palavra aleatória no texto e usá-la como um exemplo de treinamento. @@ -38,7 +38,7 @@ Continue seu aprendizado nos seguintes notebooks: Na lição anterior, vimos que embeddings de palavras funcionam como mágica! Agora sabemos que treinar embeddings de palavras não é uma tarefa muito complexa, e devemos ser capazes de treinar nossos próprios embeddings para textos específicos de domínio, se necessário. -## [Pós-quiz da aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Pós-quiz da aula](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/16-RNN/README.md b/translations/br/lessons/5-NLP/16-RNN/README.md index cafa2a07..7a9bb1ab 100644 --- a/translations/br/lessons/5-NLP/16-RNN/README.md +++ b/translations/br/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes Neurais Recorrentes -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/31) Nas seções anteriores, utilizamos representações semânticas ricas de texto e um classificador linear simples sobre as embeddings. O que essa arquitetura faz é capturar o significado agregado das palavras em uma frase, mas ela não leva em conta a **ordem** das palavras, porque a operação de agregação sobre as embeddings remove essa informação do texto original. Como esses modelos não conseguem modelar a ordem das palavras, eles não podem resolver tarefas mais complexas ou ambíguas, como geração de texto ou resposta a perguntas. @@ -84,7 +84,7 @@ Leia alguns artigos sobre LSTMs e considere suas aplicações: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/br/lessons/5-NLP/17-GenerativeNetworks/README.md index 029e8224..24185b6c 100644 --- a/translations/br/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/br/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes Generativas -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/33) Redes Neurais Recorrentes (RNNs) e suas variantes com células controladas, como Long Short Term Memory Cells (LSTMs) e Gated Recurrent Units (GRUs), fornecem um mecanismo para modelagem de linguagem, pois conseguem aprender a ordem das palavras e prever a próxima palavra em uma sequência. Isso nos permite usar RNNs para **tarefas generativas**, como geração de texto comum, tradução automática e até legendagem de imagens. @@ -71,7 +71,7 @@ Faça algumas lições no Microsoft Learn sobre este tópico: * Geração de Texto com [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) -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/18-Transformers/README.md b/translations/br/lessons/5-NLP/18-Transformers/README.md index 6d75c7b4..08ca933b 100644 --- a/translations/br/lessons/5-NLP/18-Transformers/README.md +++ b/translations/br/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mecanismos de Atenção e Transformers -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/35) Um dos problemas mais importantes no domínio de NLP é a **tradução automática**, uma tarefa essencial que sustenta ferramentas como o Google Tradutor. Nesta seção, vamos focar na tradução automática ou, de forma mais geral, em qualquer tarefa de *sequência para sequência* (também chamada de **transdução de sentenças**). @@ -108,7 +108,7 @@ Nesta lição, você aprendeu sobre Transformers e Mecanismos de Atenção, ferr ## 🚀 Desafio -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/19-NER/README.md b/translations/br/lessons/5-NLP/19-NER/README.md index 955b525b..560a1706 100644 --- a/translations/br/lessons/5-NLP/19-NER/README.md +++ b/translations/br/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Até agora, temos nos concentrado principalmente em uma tarefa de PLN - classificação. No entanto, existem outras tarefas de PLN que podem ser realizadas com redes neurais. Uma dessas tarefas é o **[Reconhecimento de Entidades Nomeadas](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), que lida com o reconhecimento de entidades específicas dentro de um texto, como lugares, nomes de pessoas, intervalos de data e hora, fórmulas químicas, entre outros. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Exemplo de Uso do NER @@ -81,7 +81,7 @@ Um modelo de NER é um **modelo de classificação de tokens**, o que significa Complete a tarefa vinculada abaixo para treinar um modelo de reconhecimento de entidades nomeadas para termos médicos e, em seguida, experimente em um conjunto de dados diferente. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Revisão e Autoestudo diff --git a/translations/br/lessons/5-NLP/20-LangModels/README.md b/translations/br/lessons/5-NLP/20-LangModels/README.md index 1761e68f..8295f0db 100644 --- a/translations/br/lessons/5-NLP/20-LangModels/README.md +++ b/translations/br/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Em todas as nossas tarefas anteriores, treinamos uma rede neural para realizar uma determinada tarefa usando um conjunto de dados rotulado. Com grandes modelos de transformadores, como o BERT, utilizamos modelagem de linguagem de forma auto-supervisionada para construir um modelo de linguagem, que é então especializado para tarefas específicas com treinamento adicional em domínios específicos. No entanto, foi demonstrado que grandes modelos de linguagem também podem resolver muitas tarefas sem QUALQUER treinamento específico de domínio. Uma família de modelos capaz de fazer isso é chamada de **GPT**: Transformador Pré-Treinado Generativo. -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Geração de Texto e Perplexidade @@ -58,7 +58,7 @@ Continue seu aprendizado nos seguintes notebooks: Novos modelos de linguagem pré-treinados gerais não apenas modelam a estrutura da linguagem, mas também contêm uma vasta quantidade de linguagem natural. Assim, eles podem ser usados de forma eficaz para resolver algumas tarefas de PLN em configurações de zero-shot ou few-shot. -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Aviso Legal**: Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução. \ No newline at end of file diff --git a/translations/br/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/br/lessons/6-Other/21-GeneticAlgorithms/README.md index 7c716906..0331aa78 100644 --- a/translations/br/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/br/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritmos Genéticos -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algoritmos Genéticos** (AG) são baseados em uma abordagem **evolutiva** para IA, na qual métodos de evolução de uma população são usados para obter uma solução ótima para um determinado problema. Eles foram propostos em 1975 por [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Os Algoritmos Genéticos são usados para resolver muitos problemas, incluindo p "Algoritmos genéticos são simples de implementar, mas seu comportamento é difícil de entender." [fonte](https://wikipedia.org/wiki/Genetic_algorithm) Faça uma pesquisa para encontrar uma implementação de um algoritmo genético, como resolver um quebra-cabeça de Sudoku, e explique como ele funciona por meio de um esboço ou fluxograma. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Revisão e Autoestudo diff --git a/translations/br/lessons/6-Other/22-DeepRL/README.md b/translations/br/lessons/6-Other/22-DeepRL/README.md index 7964adf0..ef9bb1bc 100644 --- a/translations/br/lessons/6-Other/22-DeepRL/README.md +++ b/translations/br/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: O aprendizado por reforço (RL) é considerado um dos paradigmas básicos de aprendizado de máquina, ao lado do aprendizado supervisionado e não supervisionado. Enquanto no aprendizado supervisionado dependemos de um conjunto de dados com resultados conhecidos, o RL é baseado no **aprender fazendo**. Por exemplo, quando vemos um jogo de computador pela primeira vez, começamos a jogar, mesmo sem conhecer as regras, e logo conseguimos melhorar nossas habilidades apenas pelo processo de jogar e ajustar nosso comportamento. -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/43) Para realizar RL, precisamos de: @@ -110,7 +110,7 @@ Agora aprendemos como treinar agentes para alcançar bons resultados apenas forn Explore as aplicações listadas na seção 'Outras Tarefas de RL' e tente implementar uma delas! -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Revisão e Autoestudo diff --git a/translations/br/lessons/6-Other/23-MultiagentSystems/README.md b/translations/br/lessons/6-Other/23-MultiagentSystems/README.md index aab33db1..836b26ea 100644 --- a/translations/br/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/br/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Uma das formas possíveis de alcançar inteligência é a chamada abordagem **emergente** (ou **sinergética**), que se baseia no fato de que o comportamento combinado de muitos agentes relativamente simples pode resultar em um comportamento geral mais complexo (ou inteligente) do sistema como um todo. Teoricamente, isso se baseia nos princípios de [Inteligência Coletiva](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentismo](https://en.wikipedia.org/wiki/Global_brain) e [Cibernética Evolutiva](https://en.wikipedia.org/wiki/Global_brain), que afirmam que sistemas de nível superior ganham algum tipo de valor agregado quando são devidamente combinados a partir de sistemas de nível inferior (o chamado *princípio da transição de metasistema*). -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/45) A direção dos **Sistemas Multiagentes** surgiu na IA na década de 1990 como uma resposta ao crescimento da Internet e dos sistemas distribuídos. Um dos livros clássicos de IA, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), foca na visão da IA clássica do ponto de vista dos sistemas multiagentes. @@ -152,7 +152,7 @@ Eles tendem a focar no comportamento mais simples de um agente individual e alca Leve esta lição para o mundo real e tente conceituar um sistema multiagente que possa resolver um problema. O que, por exemplo, um sistema multiagente precisaria fazer para otimizar a rota de um ônibus escolar? Como ele poderia funcionar em uma padaria? -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Revisão e Autoestudo diff --git a/translations/cs/lessons/1-Intro/README.md b/translations/cs/lessons/1-Intro/README.md index 7aac6a14..f8bad641 100644 --- a/translations/cs/lessons/1-Intro/README.md +++ b/translations/cs/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ V posledních několika letech jsme byli svědky obrovských úspěchů s velký Prozkoumejte internet a určete, kde je podle vás AI nejefektivněji využívána. Je to v mapovací aplikaci, nějaké službě převodu řeči na text nebo ve videohře? Zjistěte, jak byl tento systém vytvořen. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Přehled a samostudium diff --git a/translations/cs/lessons/2-Symbolic/README.md b/translations/cs/lessons/2-Symbolic/README.md index c8667d73..7a56a46d 100644 --- a/translations/cs/lessons/2-Symbolic/README.md +++ b/translations/cs/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Hledání umělé inteligence je založeno na snaze o získání znalostí, aby bylo možné chápat svět podobně jako lidé. Ale jak toho dosáhnout? -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/3) V počátcích AI byl populární přístup shora dolů k vytváření inteligentních systémů (diskutovaný v předchozí lekci). Myšlenka spočívala v extrakci znalostí od lidí do nějaké strojově čitelné podoby, kterou by bylo možné automaticky využít k řešení problémů. Tento přístup byl založen na dvou hlavních myšlenkách: @@ -236,7 +236,7 @@ Dnes je AI často považována za synonymum pro *strojové učení* nebo *neuron V notebooku Ontologie rodiny spojeném s touto lekcí máte možnost experimentovat s dalšími rodinnými vztahy. Pokuste se objevit nové spojení mezi lidmi v rodokmenu. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Přehled a samostudium diff --git a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md index 2d2b02a5..aa750471 100644 --- a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Úvod do neuronových sítí: Perceptron -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/5) Jedním z prvních pokusů o implementaci něčeho podobného moderní neuronové síti provedl Frank Rosenblatt z Cornell Aeronautical Laboratory v roce 1957. Jednalo se o hardwarovou implementaci nazvanou "Mark-1", která byla navržena k rozpoznávání primitivních geometrických tvarů, jako jsou trojúhelníky, čtverce a kruhy. @@ -85,7 +85,7 @@ V této lekci jste se naučili o perceptronu, což je model binární klasifikac Pokud si chcete zkusit vytvořit vlastní perceptron, zkuste [tento lab na Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), který využívá [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Přehled & Samostudium diff --git a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 7203f7f8..1a7cbfb8 100644 --- a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ V této části rozšíříme tento model na flexibilnější rámec, který ná Také vyvineme vlastní modulární rámec v Pythonu, který nám umožní vytvářet různé architektury neuronových sítí. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizace strojového učení @@ -81,7 +81,7 @@ V přiloženém notebooku implementujete vlastní rámec pro vytváření a tré Pokračujte do notebooku [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) a projděte si ho. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Přehled & Samostudium diff --git a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md index a00afa72..b250d466 100644 --- a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Jak jsme se již naučili, abychom mohli efektivně trénovat neuronové sítě, * Pracovat s tensory, např. násobit, sčítat a počítat některé funkce, jako je sigmoid nebo softmax * Počítat gradienty všech výrazů, abychom mohli provádět optimalizaci pomocí gradientního sestupu -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/9) Zatímco knihovna `numpy` zvládne první část, potřebujeme nějaký mechanismus pro výpočet gradientů. V [našem frameworku](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), který jsme vytvořili v předchozí sekci, jsme museli ručně programovat všechny derivace funkcí uvnitř metody `backward`, která provádí zpětnou propagaci. Ideálně by nám framework měl umožnit počítat gradienty *jakéhokoliv výrazu*, který můžeme definovat. @@ -106,7 +106,7 @@ V této lekci jste se dozvěděli o rozdílech mezi různými API pro dva nejpop V přiložených noteboocích najdete na konci 'úkoly'; projděte si notebooky a splňte úkoly. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Přehled a samostudium diff --git a/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md index 4b0b4e1d..a0297318 100644 --- a/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Počítačové vidění](https://wikipedia.org/wiki/Computer_vision) je obor, jehož cílem je umožnit počítačům získat pokročilé porozumění digitálním obrazům. Toto je poměrně široká definice, protože *porozumění* může znamenat mnoho různých věcí, včetně nalezení objektu na obrázku (**detekce objektů**), pochopení, co se děje (**detekce událostí**), popisu obrázku textem nebo rekonstrukce scény ve 3D. Existují také speciální úkoly související s lidskými obrazy: odhad věku a emocí, detekce a identifikace obličeje, odhad 3D pozice a další. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/11) Jedním z nejjednodušších úkolů počítačového vidění je **klasifikace obrázků**. @@ -105,7 +105,7 @@ Někdy lze relativně složité úkoly, jako je detekce pohybu nebo detekce špi Podívejte se na [toto 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) z AI show, abyste se dozvěděli o projektu Cortic Tigers a o tom, jak vytvořili řešení založené na blocích pro demokratizaci úkolů počítačového vidění prostřednictvím robota. Proveďte průzkum dalších podobných projektů, které pomáhají novým studentům vstoupit do tohoto oboru. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Přehled & Samostudium diff --git a/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 30dc6987..b74ec694 100644 --- a/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ V této kapitole jste se naučili hlavní koncept za neuronovými sítěmi pro p V přiložených noteboocích jsou poznámky na konci o tom, jak dosáhnout vyšší přesnosti. Udělejte několik experimentů a zjistěte, zda můžete dosáhnout vyšší přesnosti. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Přehled & Samostudium diff --git a/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md index 6867c8a8..9bf20c99 100644 --- a/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Už jsme viděli, že neuronové sítě jsou poměrně dobré při práci s obrázky, a dokonce i jednovrstvý perceptron dokáže rozpoznat ručně psané číslice z datasetu MNIST s přiměřenou přesností. Dataset MNIST je však velmi specifický – všechna čísla jsou vycentrovaná uvnitř obrázku, což úlohu zjednodušuje. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/13) V reálném světě chceme být schopni rozpoznat objekty na obrázku bez ohledu na jejich přesnou polohu. Počítačové vidění se liší od obecné klasifikace, protože když se snažíme najít určitý objekt na obrázku, prohledáváme obraz a hledáme specifické **vzory** a jejich kombinace. Například při hledání kočky bychom mohli nejprve hledat horizontální linie, které mohou tvořit vousky, a poté určitá kombinace vousků nám může říct, že se jedná o obrázek kočky. Relativní poloha a přítomnost určitých vzorů jsou důležité, nikoli jejich přesná poloha na obrázku. diff --git a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md index 554eef92..4fc1bdaf 100644 --- a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Trénování CNN může zabrat hodně času a vyžaduje velké množství dat. Nicméně většina času je strávena učením nejlepších nízkoúrovňových filtrů, které síť může použít k extrakci vzorů z obrázků. Vyvstává přirozená otázka – můžeme použít neuronovou síť natrénovanou na jednom datasetu a přizpůsobit ji k klasifikaci jiných obrázků bez nutnosti kompletního trénovacího procesu? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Tento přístup se nazývá **transfer learning**, protože přenášíme určité znalosti z jednoho modelu neuronové sítě na jiný. V transfer learningu obvykle začínáme s předtrénovaným modelem, který byl natrénován na nějakém velkém datasetu obrázků, jako je například **ImageNet**. Tyto modely už dokážou dobře extrahovat různé rysy z obecných obrázků, a v mnoha případech stačí postavit klasifikátor na vrcholu těchto extrahovaných rysů, aby bylo dosaženo dobrého výsledku. @@ -76,7 +76,7 @@ Pomocí transfer learningu můžete rychle sestavit klasifikátor pro úlohu kla V doprovodných noteboocích jsou poznámky na konci o tom, jak transfer knowledge nejlépe funguje s poněkud podobnými trénovacími daty (například nový typ zvířete). Proveďte experimenty s úplně novými typy obrázků, abyste zjistili, jak dobře nebo špatně vaše modely transfer knowledge fungují. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Přehled & Samostudium diff --git a/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md index cbe5d7b3..43064d15 100644 --- a/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Při trénování CNN je jedním z problémů potřeba velkého množství označených dat. V případě klasifikace obrázků je nutné rozdělit obrázky do různých tříd, což vyžaduje manuální úsilí. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Můžeme však chtít použít surová (neoznačená) data pro trénování CNN extraktorů funkcí, což se nazývá **self-supervised learning**. Místo štítků použijeme trénovací obrázky jako vstup i výstup sítě. Hlavní myšlenkou **autoenkodéru** je, že budeme mít **enkodér síť**, která převede vstupní obrázek do nějakého **latentního prostoru** (obvykle je to jen vektor menší velikosti), a poté **dekodér síť**, jejímž cílem bude rekonstruovat původní obrázek. @@ -80,7 +80,7 @@ Zjistěte více o autoenkodérech v těchto odpovídajících noteboocích: * **Ztrátové** - rekonstruovaný obrázek není stejný jako původní obrázek. Povaha ztráty je definována *ztrátovou funkcí* použitou během trénování. * Fungují na **neoznačených datech** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Závěr @@ -90,7 +90,7 @@ V této lekci jste se naučili o různých typech autoenkodérů dostupných pro V této lekci jste se naučili používat autoenkodéry pro obrázky. Ale mohou být také použity pro hudbu! Podívejte se na projekt Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), který používá autoenkodéry k učení rekonstrukce hudby. Udělejte několik [experimentů](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) s touto knihovnou a zjistěte, co můžete vytvořit. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Přehled & Samostudium diff --git a/translations/cs/lessons/4-ComputerVision/10-GANs/README.md b/translations/cs/lessons/4-ComputerVision/10-GANs/README.md index b21457a5..1c4d4008 100644 --- a/translations/cs/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/cs/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: V předchozí části jsme se naučili o **generativních modelech**: modelech, které dokážou generovat nové obrázky podobné těm v trénovacím datasetu. VAE byl dobrým příkladem generativního modelu. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Nicméně, pokud se pokusíme generovat něco opravdu smysluplného, například malbu v rozumném rozlišení, pomocí VAE, zjistíme, že trénování neprobíhá dobře. Pro tento případ bychom se měli naučit o jiné architektuře, která je specificky zaměřená na generativní modely - **Generativní adversariální sítě**, neboli GANs. @@ -84,7 +84,7 @@ Jak to funguje: ## ✍️ Příklad: [Přenos stylu](../../../../../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) ## Závěr diff --git a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md index 547c2c3e..197f4216 100644 --- a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modely klasifikace obrázků, se kterými jsme se dosud zabývali, přijímaly obrázek a produkovaly kategorický výsledek, například třídu 'číslo' v problému MNIST. Nicméně v mnoha případech nechceme jen vědět, že obrázek zobrazuje objekty – chceme být schopni určit jejich přesnou polohu. To je přesně smysl **detekce objektů**. -## [Kvíz před lekcí](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detekce objektů](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.cs.png) @@ -172,7 +172,7 @@ Projděte si tyto články a notebooky o YOLO a vyzkoušejte je sami: * Yolo: [Implementace v Keras](https://github.com/experiencor/keras-yolo2), [krok za krokem notebook](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementace v Keras](https://github.com/experiencor/keras-yolo2), [krok za krokem notebook](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Kvíz po lekci](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Kvíz po lekci](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Přehled & Samostudium diff --git a/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md index bbac4104..218809b6 100644 --- a/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dříve jsme se naučili o detekci objektů, která nám umožňuje lokalizovat objekty na obrázku předpovědí jejich *ohraničujících rámečků*. Pro některé úkoly však nepotřebujeme pouze ohraničující rámečky, ale také přesnější lokalizaci objektů. Tento úkol se nazývá **segmentace**. -## [Kvíz před lekcí](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentaci lze chápat jako **klasifikaci pixelů**, kde pro **každý** pixel obrázku musíme předpovědět jeho třídu (*pozadí* je jednou z tříd). Existují dva hlavní algoritmy segmentace: @@ -56,7 +56,7 @@ Otevřete níže uvedené notebooky, abyste se dozvěděli více o různých arc * [Sémantická segmentace v Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Sémantická segmentace v TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Kvíz po lekci](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Kvíz po lekci](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Závěr diff --git a/translations/cs/lessons/5-NLP/13-TextRep/README.md b/translations/cs/lessons/5-NLP/13-TextRep/README.md index 0ab73bc3..0a8ceed9 100644 --- a/translations/cs/lessons/5-NLP/13-TextRep/README.md +++ b/translations/cs/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reprezentace textu jako tenzorů -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Klasifikace textu @@ -73,7 +73,7 @@ Doposud jsme studovali techniky, které mohou přidat váhu frekvencím různýc Vyzkoušejte další cvičení s použitím bag-of-words a různých datových modelů. Můžete se inspirovat touto [soutěží na Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Přehled a samostudium diff --git a/translations/cs/lessons/5-NLP/14-Embeddings/README.md b/translations/cs/lessons/5-NLP/14-Embeddings/README.md index 4fedda08..1c40b7d3 100644 --- a/translations/cs/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/cs/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Vnoření -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/27) Při trénování klasifikátorů založených na BoW nebo TF/IDF jsme pracovali s vysoce dimenzionálními vektory bag-of-words o délce `vocab_size` a explicitně jsme převáděli nízko-dimenzionální poziční reprezentace na řídké jednohotové reprezentace. Tato jednohotová reprezentace však není paměťově efektivní. Navíc je každé slovo považováno za nezávislé na ostatních, tj. jednohotové vektory nevyjadřují žádnou sémantickou podobnost mezi slovy. @@ -65,7 +65,7 @@ V této lekci jste se naučili, jak vytvořit a používat vrstvy vnoření v Te Word2Vec byl použit pro některé zajímavé aplikace, včetně generování textů písní a poezie. Podívejte se na [tento článek](https://www.politetype.com/blog/word2vec-color-poems), který popisuje, jak autor použil Word2Vec k generování poezie. Podívejte se také na [toto video od Dana Shiffmanna](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), kde najdete jiný výklad této techniky. Poté zkuste tyto techniky aplikovat na svůj vlastní textový korpus, možná získaný z Kaggle. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Přehled & Samostudium diff --git a/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md b/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md index 3289a358..1fa07df8 100644 --- a/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sémantické vektory, jako Word2Vec a GloVe, jsou ve skutečnosti prvním krokem k **jazykovému modelování** – vytváření modelů, které nějakým způsobem *rozumí* (nebo *reprezentují*) podstatu jazyka. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/29) Hlavní myšlenkou jazykového modelování je jejich trénování na neoznačených datových sadách neřízeným způsobem. To je důležité, protože máme k dispozici obrovské množství neoznačeného textu, zatímco množství označeného textu bude vždy omezeno úsilím, které můžeme věnovat jeho označování. Nejčastěji můžeme vytvářet jazykové modely, které dokážou **předpovídat chybějící slova** v textu, protože je snadné náhodně vynechat slovo v textu a použít ho jako trénovací vzorek. @@ -38,7 +38,7 @@ Pokračujte ve svém učení v následujících noteboocích: V předchozí lekci jsme viděli, že vektory slov fungují jako kouzlo! Nyní víme, že trénování vektorů slov není příliš složitý úkol, a měli bychom být schopni natrénovat vlastní vektory slov pro text specifický pro danou oblast, pokud to bude potřeba. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Přehled & Samostudium diff --git a/translations/cs/lessons/5-NLP/16-RNN/README.md b/translations/cs/lessons/5-NLP/16-RNN/README.md index 8c33cee2..c10b265f 100644 --- a/translations/cs/lessons/5-NLP/16-RNN/README.md +++ b/translations/cs/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurentní neuronové sítě -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/31) V předchozích sekcích jsme používali bohaté sémantické reprezentace textu a jednoduchý lineární klasifikátor nad embeddingy. Tato architektura zachycuje agregovaný význam slov ve větě, ale nezohledňuje **pořadí** slov, protože operace agregace nad embeddingy tuto informaci z původního textu odstranila. Protože tyto modely nedokážou modelovat pořadí slov, nemohou řešit složitější nebo nejednoznačné úkoly, jako je generování textu nebo odpovídání na otázky. @@ -84,7 +84,7 @@ Projděte si literaturu o LSTM a zvažte jejich aplikace: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Recenze a samostudium diff --git a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md index b0525857..7fd146eb 100644 --- a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generativní sítě -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurentní neuronové sítě (RNN) a jejich varianty s bránovými buňkami, jako jsou Long Short Term Memory Cells (LSTM) a Gated Recurrent Units (GRU), poskytují mechanismus pro modelování jazyka, protože se dokážou naučit pořadí slov a předpovídat další slovo v sekvenci. To nám umožňuje používat RNN pro **generativní úlohy**, jako je generování běžného textu, strojový překlad nebo dokonce popisování obrázků. @@ -71,7 +71,7 @@ Absolvujte některé lekce na Microsoft Learn na toto téma: * Generování textu s [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) -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Přehled a samostudium diff --git a/translations/cs/lessons/5-NLP/18-Transformers/README.md b/translations/cs/lessons/5-NLP/18-Transformers/README.md index f9e4a88c..74faf325 100644 --- a/translations/cs/lessons/5-NLP/18-Transformers/README.md +++ b/translations/cs/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mechanismy pozornosti a transformery -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/35) Jedním z nejdůležitějších problémů v oblasti NLP je **strojový překlad**, což je klíčový úkol, na kterém stojí nástroje jako Google Překladač. V této sekci se zaměříme na strojový překlad, nebo obecněji na jakýkoli úkol typu *sekvence na sekvenci* (také nazývaný **převod vět**). @@ -108,7 +108,7 @@ V této lekci jste se naučili o Transformerech a Mechanismech pozornosti, což ## 🚀 Výzva -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Přehled a samostudium diff --git a/translations/cs/lessons/5-NLP/19-NER/README.md b/translations/cs/lessons/5-NLP/19-NER/README.md index 0d7de263..ba488940 100644 --- a/translations/cs/lessons/5-NLP/19-NER/README.md +++ b/translations/cs/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Doposud jsme se většinou soustředili na jeden úkol NLP - klasifikaci. Existují však i další úkoly NLP, které lze řešit pomocí neuronových sítí. Jedním z těchto úkolů je **[rozpoznávání pojmenovaných entit](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), které se zabývá identifikací konkrétních entit v textu, jako jsou místa, jména osob, časové intervaly, chemické vzorce a podobně. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Příklad použití NER @@ -78,7 +78,7 @@ Model NER je **modelem klasifikace tokenů**, což znamená, že jej lze použí Dokončete úkol uvedený níže, abyste natrénovali model pro rozpoznávání pojmenovaných entit v lékařských termínech, a poté jej vyzkoušejte na jiném datasetu. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Přehled a samostudium diff --git a/translations/cs/lessons/5-NLP/20-LangModels/README.md b/translations/cs/lessons/5-NLP/20-LangModels/README.md index f92e5cb9..be4835e2 100644 --- a/translations/cs/lessons/5-NLP/20-LangModels/README.md +++ b/translations/cs/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ve všech našich předchozích úlohách jsme trénovali neuronovou síť, aby vykonávala určitou úlohu pomocí označeného datasetu. U velkých transformerových modelů, jako je BERT, používáme jazykové modelování v samostatně řízeném režimu k vytvoření jazykového modelu, který je následně specializován na konkrétní úlohu pomocí dalšího tréninku zaměřeného na danou doménu. Bylo však prokázáno, že velké jazykové modely dokážou řešit mnoho úloh i bez jakéhokoliv tréninku zaměřeného na konkrétní doménu. Rodina modelů schopných tohoto výkonu se nazývá **GPT**: Generative Pre-Trained Transformer. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generování textu a perplexita @@ -58,7 +58,7 @@ Pokračujte ve svém učení v následujících noteboocích: Nové obecné předtrénované jazykové modely nejen modelují strukturu jazyka, ale také obsahují obrovské množství přirozeného jazyka. Díky tomu mohou být efektivně využity k řešení některých úloh zpracování přirozeného jazyka v režimu zero-shot nebo few-shot. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Prohlášení:** Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu. \ No newline at end of file diff --git a/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md index 49c059be..360ac51b 100644 --- a/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetické algoritmy -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetické algoritmy** (GA) jsou založeny na **evolučním přístupu** k AI, při kterém se využívají metody evoluce populace k nalezení optimálního řešení daného problému. Byly navrženy v roce 1975 [Johnem Henry Hollandem](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetické algoritmy se používají k řešení mnoha problémů, včetně logi "Genetické algoritmy jsou jednoduché na implementaci, ale jejich chování je obtížné pochopit." [zdroj](https://wikipedia.org/wiki/Genetic_algorithm) Proveďte výzkum a najděte implementaci genetického algoritmu, například pro řešení Sudoku, a vysvětlete, jak funguje pomocí náčrtu nebo diagramu. -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Přehled a samostudium diff --git a/translations/cs/lessons/6-Other/22-DeepRL/README.md b/translations/cs/lessons/6-Other/22-DeepRL/README.md index d018b829..b9f0ca9b 100644 --- a/translations/cs/lessons/6-Other/22-DeepRL/README.md +++ b/translations/cs/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Posilované učení (Reinforcement Learning, RL) je považováno za jeden ze základních paradigmat strojového učení, vedle učení s učitelem a bez učitele. Zatímco učení s učitelem spoléhá na datovou sadu se známými výsledky, RL je založeno na **učení skrze činnost**. Například, když poprvé vidíme počítačovou hru, začneme ji hrát, i když neznáme pravidla, a brzy se zlepšujeme jen díky samotnému procesu hraní a přizpůsobování našeho chování. -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/43) Pro provádění RL potřebujeme: @@ -110,7 +110,7 @@ Nyní jsme se naučili, jak trénovat agenty, aby dosáhli dobrých výsledků p Prozkoumejte aplikace uvedené v sekci 'Další úkoly RL' a zkuste některou implementovat! -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Přehled a samostudium diff --git a/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md b/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md index 47b2a4f5..9c0a52d1 100644 --- a/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Jedním z možných způsobů dosažení inteligence je takzvaný **emergentní** (nebo **synergický**) přístup, který vychází z faktu, že kombinované chování mnoha relativně jednoduchých agentů může vést k celkově složitějšímu (nebo inteligentnějšímu) chování systému jako celku. Teoreticky je tento přístup založen na principech [kolektivní inteligence](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentismu](https://en.wikipedia.org/wiki/Global_brain) a [evoluční kybernetiky](https://en.wikipedia.org/wiki/Global_brain), které tvrdí, že systémy na vyšší úrovni získávají určitou přidanou hodnotu, pokud jsou správně kombinovány ze systémů na nižší úrovni (tzv. *princip přechodu metasystému*). -## [Kvíz před přednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/45) Směr **multi-agentních systémů** se objevil v oblasti AI v 90. letech jako reakce na rozvoj internetu a distribuovaných systémů. Jedna z klasických učebnic AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), se zaměřuje na pohled klasické AI z perspektivy multi-agentních systémů. @@ -152,7 +152,7 @@ Všechny se zaměřují na jednodušší chování jednotlivého agenta a dosahu Přeneste tuto lekci do reálného světa a zkuste konceptualizovat multi-agentní systém, který dokáže vyřešit problém. Co by například musel multi-agentní systém udělat, aby optimalizoval trasu školního autobusu? Jak by mohl fungovat v pekárně? -## [Kvíz po přednášce](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Přehled a samostudium diff --git a/translations/da/lessons/1-Intro/README.md b/translations/da/lessons/1-Intro/README.md index b1f3646a..d0c807df 100644 --- a/translations/da/lessons/1-Intro/README.md +++ b/translations/da/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ I løbet af de seneste år har vi været vidne til enorme succeser med store spr Tag en tur på internettet for at afgøre, hvor du mener, AI bliver brugt mest effektivt. Er det i en kortlægningsapp, en tale-til-tekst-tjeneste eller et videospil? Undersøg, hvordan systemet blev bygget. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/2-Symbolic/README.md b/translations/da/lessons/2-Symbolic/README.md index 3522be66..22009d34 100644 --- a/translations/da/lessons/2-Symbolic/README.md +++ b/translations/da/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Jagten på kunstig intelligens handler om at finde viden og forstå verden på samme måde som mennesker gør. Men hvordan kan man gøre dette? -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/3) I AI's tidlige dage var den top-down tilgang til at skabe intelligente systemer (diskuteret i den forrige lektion) populær. Ideen var at udtrække viden fra mennesker i en maskinlæsbar form og derefter bruge den til automatisk at løse problemer. Denne tilgang var baseret på to store idéer: @@ -236,7 +236,7 @@ I dag bliver AI ofte betragtet som synonymt med *Machine Learning* eller *Neural I Family Ontology-notebooken, der er tilknyttet denne lektion, er der mulighed for at eksperimentere med andre familierelationer. Prøv at opdage nye forbindelser mellem personer i familietræet. -## [Quiz efter lektionen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md index cd869ac1..bc7b370f 100644 --- a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduktion til neurale netværk: Perceptron -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/5) En af de første forsøg på at implementere noget, der minder om et moderne neuralt netværk, blev udført af Frank Rosenblatt fra Cornell Aeronautical Laboratory i 1957. Det var en hardwareimplementering kaldet "Mark-1", designet til at genkende primitive geometriske figurer, såsom trekanter, firkanter og cirkler. @@ -85,7 +85,7 @@ I denne lektion lærte du om en perceptron, som er en binær klassifikationsmode Hvis du vil prøve at bygge din egen perceptron, kan du prøve [denne lab på Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), som bruger [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 6ca426be..5fb72e96 100644 --- a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ I dette afsnit vil vi udvide denne model til en mere fleksibel ramme, der giver Vi vil også udvikle vores egen modulære ramme i Python, som giver os mulighed for at konstruere forskellige arkitekturer for neurale netværk. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisering af Maskinlæring @@ -81,7 +81,7 @@ I den medfølgende notebook vil du implementere din egen ramme for at bygge og t Gå videre til [OwnFramework](OwnFramework.ipynb) notebook og arbejd dig igennem den. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md index 4c31ec0f..9a6ef2a0 100644 --- a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Som vi allerede har lært, skal vi gøre to ting for effektivt at træne neurale * Arbejde med tensorer, f.eks. multiplicere, addere og beregne funktioner som sigmoid eller softmax * Beregne gradienter af alle udtryk for at udføre gradient descent-optimering -## [Quiz før lektionen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Quiz før lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/9) Mens `numpy`-biblioteket kan håndtere den første del, har vi brug for en mekanisme til at beregne gradienter. I [vores rammeværk](../04-OwnFramework/OwnFramework.ipynb), som vi udviklede i det forrige afsnit, var vi nødt til manuelt at programmere alle afledte funktioner i `backward`-metoden, som udfører backpropagation. Ideelt set bør et rammeværk give os mulighed for at beregne gradienter af *ethvert udtryk*, vi kan definere. @@ -106,7 +106,7 @@ I denne lektion lærte du om forskellene mellem de forskellige API'er for de to I de tilhørende notebooks finder du 'opgaver' nederst; gennemgå notebooks og fuldfør opgaverne. -## [Quiz efter lektionen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md index f01362f4..2b266b10 100644 --- a/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) er en disciplin, der har til formål at give computere en højere forståelse af digitale billeder. Dette er en ret bred definition, fordi *forståelse* kan betyde mange forskellige ting, herunder at finde et objekt på et billede (**objektdetektion**), forstå hvad der sker (**begivenhedsdetektion**), beskrive et billede med tekst eller rekonstruere en scene i 3D. Der er også særlige opgaver relateret til billeder af mennesker: alders- og følelsesvurdering, ansigtsdetektion og -identifikation samt 3D-positurvurdering, for blot at nævne nogle få. -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/11) En af de simpleste opgaver inden for computer vision er **billedklassifikation**. @@ -105,7 +105,7 @@ Nogle gange kan relativt komplekse opgaver som bevægelsesdetektion eller finger Se [denne 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) fra AI-showet for at lære om Cortic Tigers-projektet, og hvordan de byggede en blokbaseret løsning til at demokratisere computer vision-opgaver via en robot. Undersøg andre projekter som dette, der hjælper nye lærere med at komme i gang inden for feltet. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index c6408ab6..701fb4eb 100644 --- a/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ I denne enhed har du lært hovedkonceptet bag neurale netværk til computer visi I de medfølgende notebooks er der noter nederst om, hvordan man opnår større nøjagtighed. Lav nogle eksperimenter for at se, om du kan opnå højere nøjagtighed. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md index d0b6192d..328e19c2 100644 --- a/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidligere set, at neurale netværk er ret gode til at arbejde med billeder, og selv en enkeltlags perceptron kan genkende håndskrevne cifre fra MNIST-datasættet med rimelig nøjagtighed. MNIST-datasættet er dog meget specielt, da alle cifre er centreret i billedet, hvilket gør opgaven enklere. -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/13) I virkeligheden ønsker vi at kunne genkende objekter på et billede uanset deres præcise placering i billedet. Computer vision adskiller sig fra generisk klassifikation, fordi vi, når vi forsøger at finde et bestemt objekt på et billede, scanner billedet for at finde specifikke **mønstre** og deres kombinationer. For eksempel, når vi leder efter en kat, kan vi først kigge efter horisontale linjer, som kan danne knurhår, og derefter kan en bestemt kombination af knurhår fortælle os, at det faktisk er et billede af en kat. Den relative position og tilstedeværelsen af visse mønstre er vigtig, og ikke deres præcise placering på billedet. diff --git a/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md index e69689dc..b3a61403 100644 --- a/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Træning af CNN'er kan tage meget tid, og der kræves en stor mængde data til denne opgave. Meget af tiden bruges dog på at lære de bedste lavniveaufiltre, som et netværk kan bruge til at udtrække mønstre fra billeder. Et naturligt spørgsmål opstår - kan vi bruge et neuralt netværk, der er trænet på én datasæt, og tilpasse det til at klassificere forskellige billeder uden at kræve en fuld træningsproces? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Denne tilgang kaldes **transfer learning**, fordi vi overfører noget viden fra én neuralt netværksmodel til en anden. I transfer learning starter vi typisk med en forudtrænet model, som er blevet trænet på et stort billeddatasæt, såsom **ImageNet**. Disse modeller kan allerede gøre et godt stykke arbejde med at udtrække forskellige funktioner fra generiske billeder, og i mange tilfælde kan det give gode resultater blot at bygge en klassifikator oven på de udtrukne funktioner. @@ -76,7 +76,7 @@ Ved hjælp af transfer learning kan du hurtigt sammensætte en klassifikator til I de medfølgende notebooks er der noter nederst om, hvordan transfer learning fungerer bedst med nogenlunde lignende træningsdata (måske en ny type dyr). Lav nogle eksperimenter med helt nye typer billeder for at se, hvor godt eller dårligt dine transfer learning-modeller klarer sig. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md index fba8cac5..215992d6 100644 --- a/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Når man træner CNN'er, er en af udfordringerne, at vi har brug for en stor mængde mærkede data. I tilfælde af billedklassifikation skal vi adskille billeder i forskellige klasser, hvilket kræver manuel indsats. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Vi kan dog ønske at bruge rå (umærkede) data til at træne CNN-featureekstraktorer, hvilket kaldes **selv-supervised learning**. I stedet for labels bruger vi træningsbilleder som både netværksinput og output. Hovedideen med en **autoencoder** er, at vi har et **encoder-netværk**, der konverterer inputbilledet til et **latent rum** (normalt er det blot en vektor af mindre størrelse), og derefter et **decoder-netværk**, hvis mål er at rekonstruere det originale billede. @@ -80,7 +80,7 @@ Lær mere om autoencodere i disse tilhørende notebooks: * **Tabsgivende** - det rekonstruerede billede er ikke det samme som det originale billede. Naturen af tabet defineres af den *tabfunktion*, der bruges under træningen. * Fungerer på **umærkede 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) ## Konklusion @@ -90,7 +90,7 @@ I denne lektion lærte du om de forskellige typer autoencodere, der er tilgænge I denne lektion lærte du om brugen af autoencodere til billeder. Men de kan også bruges til musik! Tjek Magenta-projektets [MusicVAE](https://magenta.tensorflow.org/music-vae) projekt, som bruger autoencodere til at lære at rekonstruere musik. Lav nogle [eksperimenter](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) med dette bibliotek for at se, hvad du kan skabe. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/10-GANs/README.md b/translations/da/lessons/4-ComputerVision/10-GANs/README.md index e2a66b7f..cd2dde3a 100644 --- a/translations/da/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/da/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I den forrige sektion lærte vi om **generative modeller**: modeller, der kan generere nye billeder, der ligner dem i træningsdatasættet. VAE var et godt eksempel på en generativ 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) Men hvis vi forsøger at generere noget virkelig meningsfuldt, som et maleri i rimelig opløsning, med VAE, vil vi se, at træningen ikke konvergerer godt. Til dette formål bør vi lære om en anden arkitektur, der er specifikt rettet mod generative modeller - **Generative Adversarial Networks**, eller GANs. @@ -84,7 +84,7 @@ Sådan fungerer det: ## ✍️ Eksempel: [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) ## Konklusion diff --git a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md index d30e90d2..1c400eff 100644 --- a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: De billedklassifikationsmodeller, vi har arbejdet med indtil nu, tog et billede og producerede et kategorisk resultat, såsom klassen 'nummer' i et MNIST-problem. Men i mange tilfælde ønsker vi ikke blot at vide, at et billede viser objekter - vi vil også kunne bestemme deres præcise placering. Det er netop formålet med **objektgenkendelse**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objektgenkendelse](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.da.png) @@ -172,7 +172,7 @@ Læs disse artikler og notebooks om YOLO og prøv dem selv: * Yolo: [Keras-implementering](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-implementering](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) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md index 3b2cd2e7..332e03fe 100644 --- a/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidligere lært om Objektgenkendelse, som giver os mulighed for at lokalisere objekter i et billede ved at forudsige deres *bounding boxes*. Men til nogle opgaver har vi ikke kun brug for bounding boxes, men også mere præcis objektlokalisering. Denne opgave kaldes **segmentering**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentering kan betragtes som **pixelklassifikation**, hvor vi for **hver** pixel i billedet skal forudsige dens klasse (*baggrund* er en af klasserne). Der findes to hovedtyper af segmenteringsalgoritmer: @@ -56,7 +56,7 @@ Vi vil træne en model til at segmentere enhver nevus fra dens baggrund. * [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) ## Konklusion diff --git a/translations/da/lessons/5-NLP/13-TextRep/README.md b/translations/da/lessons/5-NLP/13-TextRep/README.md index f8e7aba2..b9c6c5b6 100644 --- a/translations/da/lessons/5-NLP/13-TextRep/README.md +++ b/translations/da/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Repræsentation af tekst som tensorer -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Tekstklassifikation @@ -73,7 +73,7 @@ Indtil videre har vi studeret teknikker, der kan tilføje frekvensvægt til fors Prøv nogle andre øvelser ved hjælp af bag-of-words og forskellige datamodeller. Du kan finde inspiration i denne [konkurrence på Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/14-Embeddings/README.md b/translations/da/lessons/5-NLP/14-Embeddings/README.md index 6f76bb88..d6bcf786 100644 --- a/translations/da/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/da/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Indlejring -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/27) Når vi træner klassifikatorer baseret på BoW eller TF/IDF, arbejder vi med høj-dimensionelle bag-of-words vektorer med længden `vocab_size`, og vi konverterer eksplicit fra lav-dimensionelle positionsrepræsentationsvektorer til sparsomme one-hot repræsentationer. Denne one-hot repræsentation er dog ikke hukommelseseffektiv. Derudover behandles hvert ord uafhængigt af hinanden, dvs. one-hot kodede vektorer udtrykker ikke nogen semantisk lighed mellem ord. @@ -65,7 +65,7 @@ I denne lektion har du opdaget, hvordan man bygger og bruger indlejringslag i Te Word2Vec er blevet brugt til nogle interessante anvendelser, herunder generering af sangtekster og poesi. Tag et kig på [denne artikel](https://www.politetype.com/blog/word2vec-color-poems), som gennemgår, hvordan forfatteren brugte Word2Vec til at generere poesi. Se også [denne video af Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) for at opdage en anden forklaring af denne teknik. Prøv derefter at anvende disse teknikker på din egen tekstkorpus, måske hentet fra Kaggle. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/15-LanguageModeling/README.md b/translations/da/lessons/5-NLP/15-LanguageModeling/README.md index 2abf10c3..1fb5914a 100644 --- a/translations/da/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/da/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantiske indlejringer, såsom Word2Vec og GloVe, er faktisk et første skridt mod **sprogsmodellering** - at skabe modeller, der på en eller anden måde *forstår* (eller *repræsenterer*) sprogets natur. -## [Quiz før lektionen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz før lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/29) Hovedideen bag sprogsmodellering er at træne dem på ulabelerede datasæt på en usuperviseret måde. Dette er vigtigt, fordi vi har enorme mængder ulabeleret tekst tilgængelig, mens mængden af labeleret tekst altid vil være begrænset af den indsats, vi kan bruge på at labelere. Oftest kan vi bygge sprogsmodeller, der kan **forudsige manglende ord** i teksten, fordi det er nemt at maskere et tilfældigt ord i teksten og bruge det som en træningsprøve. @@ -38,7 +38,7 @@ Fortsæt din læring i følgende notebooks: I den tidligere lektion har vi set, at ordindlejringer virker som magi! Nu ved vi, at træning af ordindlejringer ikke er en særlig kompleks opgave, og vi bør være i stand til at træne vores egne ordindlejringer til domænespecifik tekst, hvis det er nødvendigt. -## [Quiz efter lektionen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/16-RNN/README.md b/translations/da/lessons/5-NLP/16-RNN/README.md index 174cd55a..9a8942c8 100644 --- a/translations/da/lessons/5-NLP/16-RNN/README.md +++ b/translations/da/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurrente Neurale Netværk -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/31) I de tidligere afsnit har vi brugt rige semantiske repræsentationer af tekst og en simpel lineær klassifikator oven på embeddings. Denne arkitektur fanger den samlede betydning af ordene i en sætning, men tager ikke højde for **rækkefølgen** af ordene, fordi aggregeringsoperationen oven på embeddings fjerner denne information fra den oprindelige tekst. Da disse modeller ikke kan modellere ordens rækkefølge, kan de ikke løse mere komplekse eller tvetydige opgaver som tekstgenerering eller besvarelse af spørgsmål. @@ -84,7 +84,7 @@ Læs noget litteratur om LSTM'er og overvej deres anvendelser: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md index 27de70fa..01593304 100644 --- a/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generative netværk -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/33) Recurrent Neural Networks (RNNs) og deres gatede cellevarianter såsom Long Short Term Memory Cells (LSTMs) og Gated Recurrent Units (GRUs) giver en mekanisme til sproglig modellering, da de kan lære ords rækkefølge og give forudsigelser for det næste ord i en sekvens. Dette gør det muligt at bruge RNNs til **generative opgaver**, såsom almindelig tekstgenerering, maskinoversættelse og endda billedbeskrivelser. @@ -71,7 +71,7 @@ Tag nogle lektioner på Microsoft Learn om dette emne * Tekstgenerering med [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) -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/18-Transformers/README.md b/translations/da/lessons/5-NLP/18-Transformers/README.md index a00e9ebf..010258eb 100644 --- a/translations/da/lessons/5-NLP/18-Transformers/README.md +++ b/translations/da/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Attention Mekanismer og 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) Et af de vigtigste problemer inden for NLP er **maskinoversættelse**, en essentiel opgave, der ligger til grund for værktøjer som Google Translate. I denne sektion vil vi fokusere på maskinoversættelse, eller mere generelt på enhver *sekvens-til-sekvens* opgave (som også kaldes **sætningsomdannelse**). @@ -108,7 +108,7 @@ I denne lektion lærte du om Transformers og Attention Mekanismer, alle essentie ## 🚀 Udfordring -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/19-NER/README.md b/translations/da/lessons/5-NLP/19-NER/README.md index 78628713..3e97331c 100644 --- a/translations/da/lessons/5-NLP/19-NER/README.md +++ b/translations/da/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Indtil nu har vi primært fokuseret på én NLP-opgave - klassifikation. Der findes dog også andre NLP-opgaver, som kan løses med neurale netværk. En af disse opgaver er **[Genkendelse af navngivne enheder](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), som handler om at genkende specifikke enheder i tekst, såsom steder, personnavne, tidsintervaller, kemiske formler og så videre. -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Eksempel på brug af NER @@ -79,7 +79,7 @@ En NER-model er en **tokenklassifikationsmodel**, hvilket betyder, at den kan br Fuldfør opgaven nedenfor for at træne en model til genkendelse af medicinske enheder, og prøv den derefter på et andet datasæt. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/5-NLP/20-LangModels/README.md b/translations/da/lessons/5-NLP/20-LangModels/README.md index 1bb1251f..9afbd03e 100644 --- a/translations/da/lessons/5-NLP/20-LangModels/README.md +++ b/translations/da/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I alle vores tidligere opgaver trænede vi et neuralt netværk til at udføre en bestemt opgave ved hjælp af et mærket datasæt. Med store transformer-modeller, såsom BERT, bruger vi sprogmodellering på en selv-superviseret måde til at bygge en sprogmodel, som derefter specialiseres til en specifik downstream-opgave med yderligere domænespecifik træning. Det er dog blevet demonstreret, at store sprogmodeller også kan løse mange opgaver uden NOGEN domænespecifik træning. En familie af modeller, der kan gøre dette, kaldes **GPT**: Generative Pre-Trained Transformer. -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Tekstgenerering og perplexity @@ -58,7 +58,7 @@ Fortsæt din læring i følgende notebooks: Nye generelle forudtrænede sprogmodeller modellerer ikke kun sprogets struktur, men indeholder også en enorm mængde naturligt sprog. Derfor kan de effektivt bruges til at løse nogle NLP-opgaver i zero-shot- eller few-shot-indstillinger. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md index 81e62afa..ccc44c19 100644 --- a/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetiske Algoritmer -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetiske Algoritmer** (GA) er baseret på en **evolutionær tilgang** til AI, hvor metoder fra evolutionen af en population bruges til at finde en optimal løsning på et givet problem. De blev foreslået i 1975 af [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetiske Algoritmer bruges til at løse mange problemer, herunder logistik og s "Genetiske algoritmer er nemme at implementere, men deres adfærd er svær at forstå." [kilde](https://wikipedia.org/wiki/Genetic_algorithm) Lav noget research for at finde en implementering af en genetisk algoritme, som f.eks. løsning af et Sudoku-puslespil, og forklar, hvordan det fungerer som en skitse eller et flowdiagram. -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/6-Other/22-DeepRL/README.md b/translations/da/lessons/6-Other/22-DeepRL/README.md index aa368516..b1e52a6d 100644 --- a/translations/da/lessons/6-Other/22-DeepRL/README.md +++ b/translations/da/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Forstærkningslæring (RL) betragtes som en af de grundlæggende maskinlæringsparadigmer, ved siden af superviseret læring og usuperviseret læring. Mens vi i superviseret læring er afhængige af datasæt med kendte resultater, er RL baseret på **at lære ved at gøre**. For eksempel, når vi første gang ser et computerspil, begynder vi at spille, selv uden at kende reglerne, og snart er vi i stand til at forbedre vores færdigheder blot gennem processen med at spille og justere vores adfærd. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/43) For at udføre RL har vi brug for: @@ -110,7 +110,7 @@ Vi har nu lært, hvordan man træner agenter til at opnå gode resultater blot v Udforsk de applikationer, der er nævnt i afsnittet 'Andre RL Opgaver', og prøv at implementere en! -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Gennemgang & Selvstudie diff --git a/translations/da/lessons/6-Other/23-MultiagentSystems/README.md b/translations/da/lessons/6-Other/23-MultiagentSystems/README.md index 0c8bfe0d..c116a795 100644 --- a/translations/da/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/da/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: En af de mulige måder at opnå intelligens på er den såkaldte **emergente** (eller **synergetiske**) tilgang, som er baseret på det faktum, at den kombinerede adfærd af mange relativt simple agenter kan resultere i en mere kompleks (eller intelligent) adfærd for systemet som helhed. Teoretisk set er dette baseret på principperne om [Kollektiv Intelligens](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain) og [Evolutionær Kybernetik](https://en.wikipedia.org/wiki/Global_brain), som siger, at højere-niveau systemer opnår en form for merværdi, når de korrekt kombineres fra lavere-niveau systemer (det såkaldte *princip for metasystemovergang*). -## [Quiz før forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/45) Retningen **Multi-Agent Systemer** opstod inden for AI i 1990'erne som en reaktion på væksten af internettet og distribuerede systemer. En af de klassiske AI-lærebøger, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), fokuserer på klassisk AI set fra perspektivet af multi-agent systemer. @@ -152,7 +152,7 @@ De fokuserer alle på den enklere adfærd hos en individuel agent og opnår mere Tag denne lektion til den virkelige verden og prøv at konceptualisere et multi-agent system, der kan løse et problem. Hvad, for eksempel, ville et multi-agent system skulle gøre for at optimere en skolebusrute? Hvordan kunne det fungere i et bageri? -## [Quiz efter forelæsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Gennemgang & Selvstudie diff --git a/translations/de/lessons/1-Intro/README.md b/translations/de/lessons/1-Intro/README.md index 6d6cc591..5b941213 100644 --- a/translations/de/lessons/1-Intro/README.md +++ b/translations/de/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ In den letzten Jahren haben wir große Erfolge mit großen Sprachmodellen wie BE Machen Sie eine Internetrecherche, um herauszufinden, wo KI Ihrer Meinung nach am effektivsten eingesetzt wird. Ist es in einer Karten-App, einem Sprach-zu-Text-Dienst oder einem Videospiel? Recherchieren Sie, wie das System aufgebaut wurde. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Rückblick & Selbststudium diff --git a/translations/de/lessons/2-Symbolic/README.md b/translations/de/lessons/2-Symbolic/README.md index 4980bd59..c0f16e49 100644 --- a/translations/de/lessons/2-Symbolic/README.md +++ b/translations/de/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Die Suche nach künstlicher Intelligenz basiert auf dem Streben nach Wissen, um die Welt ähnlich wie Menschen zu verstehen. Aber wie kann man das erreichen? -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/3) In den frühen Tagen der KI war der Top-Down-Ansatz zur Erstellung intelligenter Systeme (im vorherigen Kapitel besprochen) beliebt. Die Idee war, das Wissen von Menschen in eine maschinenlesbare Form zu extrahieren und es dann zu nutzen, um Probleme automatisch zu lösen. Dieser Ansatz basierte auf zwei großen Ideen: @@ -236,7 +236,7 @@ Heutzutage wird KI oft als Synonym für *Maschinelles Lernen* oder *Neuronale Ne Im Family Ontology Notebook, das mit dieser Lektion verbunden ist, gibt es die Möglichkeit, mit anderen Familienbeziehungen zu experimentieren. Versuchen Sie, neue Verbindungen zwischen Personen im Familienstammbaum zu entdecken. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/de/lessons/3-NeuralNetworks/03-Perceptron/README.md index 456cfa4d..b2253ade 100644 --- a/translations/de/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/de/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Einführung in Neuronale Netze: Perzeptron -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/5) Einer der ersten Versuche, etwas Ähnliches wie ein modernes neuronales Netz zu implementieren, wurde 1957 von Frank Rosenblatt vom Cornell Aeronautical Laboratory unternommen. Es handelte sich um eine Hardware-Implementierung namens "Mark-1", die entwickelt wurde, um primitive geometrische Figuren wie Dreiecke, Quadrate und Kreise zu erkennen. @@ -85,7 +85,7 @@ In dieser Lektion haben Sie ein Perzeptron kennengelernt, ein Modell zur binäre Wenn Sie versuchen möchten, Ihr eigenes Perzeptron zu erstellen, probieren Sie [dieses Lab auf Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) aus, das den [Azure ML Designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) verwendet. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Rückblick & Selbststudium diff --git a/translations/de/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/de/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 939b0a51..0ebc2f5c 100644 --- a/translations/de/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/de/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ In diesem Abschnitt erweitern wir dieses Modell zu einem flexibleren Framework, Wir werden außerdem unser eigenes modulares Framework in Python entwickeln, mit dem wir verschiedene Architekturen neuronaler Netze erstellen können. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisierung des maschinellen Lernens @@ -81,7 +81,7 @@ Im begleitenden Notebook wirst du dein eigenes Framework zur Erstellung und zum Gehe zum [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) Notebook und arbeite es durch. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Rückblick & Selbststudium diff --git a/translations/de/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/de/lessons/3-NeuralNetworks/05-Frameworks/README.md index e29e1cbb..dadf653a 100644 --- a/translations/de/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/de/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Wie wir bereits gelernt haben, müssen wir zwei Dinge tun, um neuronale Netzwerk * Mit Tensoren arbeiten, z. B. multiplizieren, addieren und Funktionen wie Sigmoid oder Softmax berechnen * Gradienten aller Ausdrücke berechnen, um die Gradientenabstiegsoptimierung durchzuführen -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Während die Bibliothek `numpy` den ersten Teil übernehmen kann, benötigen wir einen Mechanismus, um Gradienten zu berechnen. In [unserem Framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), das wir im vorherigen Abschnitt entwickelt haben, mussten wir alle Ableitungsfunktionen manuell im `backward`-Methodenprogrammieren, die die Rückwärtspropagation durchführt. Idealerweise sollte ein Framework uns die Möglichkeit geben, Gradienten für *jeden Ausdruck* zu berechnen, den wir definieren können. @@ -106,7 +106,7 @@ In dieser Lektion haben Sie die Unterschiede zwischen den verschiedenen APIs der In den begleitenden Notebooks finden Sie 'Aufgaben' am Ende; arbeiten Sie die Notebooks durch und lösen Sie die Aufgaben. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/de/lessons/4-ComputerVision/06-IntroCV/README.md index 92203732..b14af16b 100644 --- a/translations/de/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/de/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) ist ein Fachgebiet, dessen Ziel es ist, Computern ein hochgradiges Verständnis digitaler Bilder zu ermöglichen. Dies ist eine recht breite Definition, da *Verständnis* viele verschiedene Dinge bedeuten kann, wie z. B. das Finden eines Objekts auf einem Bild (**Objekterkennung**), das Verstehen, was passiert (**Ereigniserkennung**), das Beschreiben eines Bildes in Text oder die Rekonstruktion einer Szene in 3D. Es gibt auch spezielle Aufgaben im Zusammenhang mit menschlichen Bildern: Alter- und Emotionserkennung, Gesichtserkennung und -identifikation sowie 3D-Pose-Schätzung, um nur einige zu nennen. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/11) Eine der einfachsten Aufgaben von Computer Vision ist die **Bildklassifikation**. @@ -105,7 +105,7 @@ Manchmal können relativ komplexe Aufgaben wie Bewegungserkennung oder Fingerspi Sehen Sie sich [dieses 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) aus der AI-Show an, um mehr über das Cortic Tigers-Projekt zu erfahren und wie sie eine blockbasierte Lösung entwickelt haben, um Computer-Vision-Aufgaben über einen Roboter zu demokratisieren. Recherchieren Sie weitere Projekte wie dieses, die neuen Lernenden den Einstieg in das Fachgebiet erleichtern. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/de/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 689ba85a..ed491468 100644 --- a/translations/de/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/de/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ In dieser Einheit haben Sie das Hauptkonzept hinter neuronalen Netzwerken für C In den begleitenden Notebooks gibt es am Ende Hinweise darauf, wie man eine höhere Genauigkeit erzielen kann. Führen Sie einige Experimente durch, um zu sehen, ob Sie eine höhere Genauigkeit erreichen können. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/de/lessons/4-ComputerVision/07-ConvNets/README.md index 8a8a308b..e06c8130 100644 --- a/translations/de/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/de/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Wir haben bereits gesehen, dass neuronale Netze recht gut mit Bildern umgehen können, und selbst ein Ein-Schicht-Perzeptron ist in der Lage, handgeschriebene Ziffern aus dem MNIST-Datensatz mit einer akzeptablen Genauigkeit zu erkennen. Der MNIST-Datensatz ist jedoch etwas Besonderes, da alle Ziffern zentriert im Bild dargestellt sind, was die Aufgabe vereinfacht. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/13) Im echten Leben möchten wir Objekte auf einem Bild unabhängig von ihrer genauen Position erkennen können. Computer Vision unterscheidet sich von generischer Klassifikation, da wir beim Versuch, ein bestimmtes Objekt auf einem Bild zu finden, das Bild nach spezifischen **Mustern** und deren Kombinationen durchsuchen. Zum Beispiel, wenn wir nach einer Katze suchen, könnten wir zunächst nach horizontalen Linien suchen, die Schnurrhaare bilden können, und dann kann eine bestimmte Kombination von Schnurrhaaren darauf hinweisen, dass es sich tatsächlich um ein Bild einer Katze handelt. Die relative Position und das Vorhandensein bestimmter Muster sind wichtig, nicht jedoch deren exakte Position im Bild. diff --git a/translations/de/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/de/lessons/4-ComputerVision/08-TransferLearning/README.md index 902b052f..b995f0f1 100644 --- a/translations/de/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/de/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Das Training von CNNs kann viel Zeit in Anspruch nehmen, und es wird eine große Menge an Daten dafür benötigt. Allerdings wird ein Großteil der Zeit darauf verwendet, die besten Low-Level-Filter zu lernen, die ein Netzwerk nutzen kann, um Muster aus Bildern zu extrahieren. Eine natürliche Frage stellt sich: Können wir ein neuronales Netzwerk, das auf einem Datensatz trainiert wurde, verwenden und anpassen, um andere Bilder zu klassifizieren, ohne den gesamten Trainingsprozess erneut durchlaufen zu müssen? -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/15) Dieser Ansatz wird als **Transfer-Learning** bezeichnet, da wir Wissen von einem neuronalen Netzwerkmodell auf ein anderes übertragen. Beim Transfer-Learning beginnen wir typischerweise mit einem vortrainierten Modell, das auf einem großen Bilddatensatz wie **ImageNet** trainiert wurde. Diese Modelle können bereits verschiedene Merkmale aus generischen Bildern gut extrahieren, und in vielen Fällen reicht es aus, einen Klassifikator auf diesen extrahierten Merkmalen aufzubauen, um gute Ergebnisse zu erzielen. @@ -76,7 +76,7 @@ Mit Transfer-Learning können Sie schnell einen Klassifikator für eine benutzer In den begleitenden Notebooks gibt es am Ende Hinweise darauf, dass Transfer-Wissen am besten mit einigermaßen ähnlichen Trainingsdaten funktioniert (zum Beispiel eine neue Tierart). Experimentieren Sie mit völlig neuen Bildtypen, um zu sehen, wie gut oder schlecht Ihre Transfer-Wissen-Modelle abschneiden. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/de/lessons/4-ComputerVision/09-Autoencoders/README.md index 77ee20f3..fd8a2ab7 100644 --- a/translations/de/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/de/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Beim Training von CNNs besteht eines der Probleme darin, dass wir viele gelabelte Daten benötigen. Im Fall der Bildklassifikation müssen wir Bilder in verschiedene Klassen unterteilen, was manuell erfolgen muss. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/17) Wir möchten jedoch möglicherweise rohe (nicht gelabelte) Daten verwenden, um CNN-Feature-Extraktoren zu trainieren, was als **selbstüberwachtes Lernen** bezeichnet wird. Anstelle von Labels verwenden wir Trainingsbilder sowohl als Netzwerkeingabe als auch als -ausgabe. Die Hauptidee des **Autoencoders** besteht darin, dass wir ein **Encoder-Netzwerk** haben, das das Eingabebild in einen **latenten Raum** umwandelt (normalerweise ist dies einfach ein Vektor mit kleinerer Größe), und dann ein **Decoder-Netzwerk**, dessen Ziel es ist, das ursprüngliche Bild zu rekonstruieren. @@ -80,7 +80,7 @@ Erfahren Sie mehr über Autoencoder in den entsprechenden Notebooks: * **Verlustbehaftet** - das rekonstruierte Bild ist nicht identisch mit dem ursprünglichen Bild. Die Art des Verlusts wird durch die *Verlustfunktion* definiert, die während des Trainings verwendet wird. * Funktioniert mit **nicht gelabelten Daten** -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Fazit @@ -90,7 +90,7 @@ In dieser Lektion haben Sie die verschiedenen Arten von Autoencodern kennengeler In dieser Lektion haben Sie gelernt, wie man Autoencoder für Bilder verwendet. Aber sie können auch für Musik verwendet werden! Schauen Sie sich das [MusicVAE](https://magenta.tensorflow.org/music-vae)-Projekt des Magenta-Projekts an, das Autoencoder verwendet, um Musik zu rekonstruieren. Machen Sie einige [Experimente](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) mit dieser Bibliothek, um zu sehen, was Sie erstellen können. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/10-GANs/README.md b/translations/de/lessons/4-ComputerVision/10-GANs/README.md index 65cad2d7..017f54c8 100644 --- a/translations/de/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/de/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Im vorherigen Abschnitt haben wir über **generative Modelle** gelernt: Modelle, die neue Bilder erzeugen können, die den Bildern im Trainingsdatensatz ähneln. VAE war ein gutes Beispiel für ein generatives Modell. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Wenn wir jedoch versuchen, etwas wirklich Bedeutungsvolles zu generieren, wie ein Gemälde in vernünftiger Auflösung, werden wir feststellen, dass das Training mit VAE nicht gut konvergiert. Für diesen Anwendungsfall sollten wir eine andere Architektur kennenlernen, die speziell auf generative Modelle ausgerichtet ist - **Generative Adversarial Networks**, oder GANs. @@ -84,7 +84,7 @@ So funktioniert es: ## ✍️ Beispiel: [Style Transfer](../../../../../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) ## Fazit diff --git a/translations/de/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/de/lessons/4-ComputerVision/11-ObjectDetection/README.md index edc9f285..8f87206e 100644 --- a/translations/de/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/de/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Die Bildklassifikationsmodelle, die wir bisher behandelt haben, nahmen ein Bild und lieferten ein kategorisches Ergebnis, wie beispielsweise die Klasse "Zahl" in einem MNIST-Problem. In vielen Fällen möchten wir jedoch nicht nur wissen, dass ein Bild Objekte darstellt – wir möchten auch deren genaue Position bestimmen können. Genau darum geht es bei der **Objekterkennung**. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objekterkennung](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -172,7 +172,7 @@ Lesen Sie diese Artikel und Notebooks über YOLO und probieren Sie sie selbst au * Yolo: [Keras-Implementierung](https://github.com/experiencor/keras-yolo2), [Schritt-für-Schritt-Notebook](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras-Implementierung](https://github.com/experiencor/keras-yolo2), [Schritt-für-Schritt-Notebook](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/de/lessons/4-ComputerVision/12-Segmentation/README.md index 41253dfb..9dedc356 100644 --- a/translations/de/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/de/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Wir haben zuvor über Objekterkennung gelernt, die es uns ermöglicht, Objekte in einem Bild durch Vorhersage ihrer *Bounding Boxes* zu lokalisieren. Für einige Aufgaben benötigen wir jedoch nicht nur Bounding Boxes, sondern auch eine präzisere Objektlokalisierung. Diese Aufgabe nennt man **Segmentierung**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentierung kann als **Pixelklassifikation** betrachtet werden, bei der für **jeden** Pixel des Bildes seine Klasse vorhergesagt werden muss (*Hintergrund* ist dabei eine der Klassen). Es gibt zwei Hauptalgorithmen für die Segmentierung: @@ -56,7 +56,7 @@ Wir werden ein Modell trainieren, um jeden Nävus vom Hintergrund zu segmentiere * [Semantische Segmentierung Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantische Segmentierung TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## Fazit diff --git a/translations/de/lessons/5-NLP/13-TextRep/README.md b/translations/de/lessons/5-NLP/13-TextRep/README.md index 93a7b0bc..d8edacbb 100644 --- a/translations/de/lessons/5-NLP/13-TextRep/README.md +++ b/translations/de/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Darstellung von Text als Tensoren -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Textklassifikation @@ -73,7 +73,7 @@ Bisher haben wir Techniken untersucht, die Frequenzgewichte für verschiedene W Probieren Sie einige andere Übungen mit Bag-of-Words und verschiedenen Datenmodellen aus. Vielleicht inspiriert Sie dieser [Wettbewerb auf Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Wiederholung & Selbststudium diff --git a/translations/de/lessons/5-NLP/14-Embeddings/README.md b/translations/de/lessons/5-NLP/14-Embeddings/README.md index d987f7c8..596fe4ab 100644 --- a/translations/de/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/de/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Einbettungen -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/27) Beim Training von Klassifikatoren basierend auf BoW oder TF/IDF arbeiteten wir mit hochdimensionalen Bag-of-Words-Vektoren der Länge `vocab_size` und konvertierten explizit von niedrigdimensionalen Positionsdarstellungsvektoren in spärliche One-Hot-Darstellungen. Diese One-Hot-Darstellung ist jedoch nicht speichereffizient. Außerdem wird jedes Wort unabhängig von den anderen behandelt, d. h. One-Hot-codierte Vektoren drücken keine semantische Ähnlichkeit zwischen Wörtern aus. @@ -65,7 +65,7 @@ In dieser Lektion hast du gelernt, wie man Einbettungsschichten in TensorFlow un Word2Vec wurde für einige interessante Anwendungen verwendet, einschließlich der Generierung von Songtexten und Gedichten. Schau dir [diesen Artikel](https://www.politetype.com/blog/word2vec-color-poems) an, der erklärt, wie der Autor Word2Vec verwendet hat, um Gedichte zu generieren. Sieh dir auch [dieses Video von Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) an, um eine andere Erklärung dieser Technik zu entdecken. Versuche dann, diese Techniken auf deinen eigenen Textkorpus anzuwenden, vielleicht aus Kaggle. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Wiederholung & Selbststudium diff --git a/translations/de/lessons/5-NLP/15-LanguageModeling/README.md b/translations/de/lessons/5-NLP/15-LanguageModeling/README.md index 698dd3ca..618e1f99 100644 --- a/translations/de/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/de/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantische Einbettungen wie Word2Vec und GloVe sind tatsächlich ein erster Schritt in Richtung **Sprachmodellierung** – Modelle zu erstellen, die die Natur der Sprache irgendwie *verstehen* (oder *repräsentieren*). -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/29) Die Hauptidee hinter der Sprachmodellierung besteht darin, Modelle auf unbeschrifteten Datensätzen in einer unüberwachten Weise zu trainieren. Das ist wichtig, da uns riesige Mengen an unbeschriftetem Text zur Verfügung stehen, während die Menge an beschriftetem Text immer durch den Aufwand begrenzt ist, den wir für die Beschriftung aufbringen können. Meistens können wir Sprachmodelle erstellen, die **fehlende Wörter** im Text vorhersagen, da es einfach ist, ein zufälliges Wort im Text auszublenden und es als Trainingsbeispiel zu verwenden. @@ -38,7 +38,7 @@ Setze dein Lernen in den folgenden Notebooks fort: In der vorherigen Lektion haben wir gesehen, dass Wort-Einbettungen wie Magie funktionieren! Jetzt wissen wir, dass das Training von Wort-Einbettungen keine sehr komplexe Aufgabe ist, und wir sollten in der Lage sein, unsere eigenen Wort-Einbettungen für textspezifische Domänen zu trainieren, falls erforderlich. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Rückblick & Selbststudium diff --git a/translations/de/lessons/5-NLP/16-RNN/README.md b/translations/de/lessons/5-NLP/16-RNN/README.md index 1064b6e2..7d22c90c 100644 --- a/translations/de/lessons/5-NLP/16-RNN/README.md +++ b/translations/de/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurrente Neuronale Netze -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/31) In den vorherigen Abschnitten haben wir reichhaltige semantische Repräsentationen von Text und einen einfachen linearen Klassifikator auf den Einbettungen verwendet. Diese Architektur erfasst die aggregierte Bedeutung der Wörter in einem Satz, berücksichtigt jedoch nicht die **Reihenfolge** der Wörter, da die Aggregationsoperation auf den Einbettungen diese Information aus dem ursprünglichen Text entfernt hat. Da diese Modelle die Wortreihenfolge nicht modellieren können, sind sie nicht in der Lage, komplexere oder mehrdeutige Aufgaben wie Textgenerierung oder Beantwortung von Fragen zu lösen. @@ -84,7 +84,7 @@ Lesen Sie einige Literatur über LSTMs und überlegen Sie sich deren Anwendungen - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Wiederholung & Selbststudium diff --git a/translations/de/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/de/lessons/5-NLP/17-GenerativeNetworks/README.md index 4755f655..10bae6cd 100644 --- a/translations/de/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/de/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generative Netzwerke -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurrente Neuronale Netzwerke (RNNs) und ihre Varianten mit Gated Cells wie Long Short Term Memory Cells (LSTMs) und Gated Recurrent Units (GRUs) bieten einen Mechanismus für Sprachmodellierung, da sie die Wortreihenfolge lernen und Vorhersagen für das nächste Wort in einer Sequenz treffen können. Dies ermöglicht es uns, RNNs für **generative Aufgaben** zu nutzen, wie z. B. die Generierung von gewöhnlichem Text, maschinelle Übersetzung und sogar Bildbeschreibungen. @@ -71,7 +71,7 @@ Nimm an einigen Lektionen auf Microsoft Learn zu diesem Thema teil: * Textgenerierung mit [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) -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Rückblick & Selbststudium diff --git a/translations/de/lessons/5-NLP/18-Transformers/README.md b/translations/de/lessons/5-NLP/18-Transformers/README.md index 8561f5eb..d1a7d1ed 100644 --- a/translations/de/lessons/5-NLP/18-Transformers/README.md +++ b/translations/de/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Aufmerksamkeitsmechanismen und Transformer -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/35) Eines der wichtigsten Probleme im Bereich der NLP ist die **maschinelle Übersetzung**, eine wesentliche Aufgabe, die Tools wie Google Translate zugrunde liegt. In diesem Abschnitt konzentrieren wir uns auf die maschinelle Übersetzung oder allgemeiner auf jede *Sequence-to-Sequence*-Aufgabe (auch **Satztransduktion** genannt). @@ -108,7 +108,7 @@ In dieser Lektion haben Sie Transformer und Aufmerksamkeitsmechanismen kennengel ## 🚀 Herausforderung -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/de/lessons/5-NLP/18-Transformers/READMEtransformers.md index 1b77c79e..d23c2660 100644 --- a/translations/de/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/de/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Aufmerksamkeitsmechanismen und Transformer -## [Vorlesungsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Vorlesungsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/35) Eines der wichtigsten Probleme im Bereich der NLP ist die **maschinelle Übersetzung**, eine grundlegende Aufgabe, die Tools wie Google Translate zugrunde liegt. In diesem Abschnitt konzentrieren wir uns auf maschinelle Übersetzung oder, allgemeiner, auf jede *Sequenz-zu-Sequenz*-Aufgabe (die auch als **Satztransduktion** bezeichnet wird). @@ -99,7 +99,7 @@ In dieser Lektion haben Sie über Transformer und Aufmerksamkeitsmechanismen gel ## 🚀 Herausforderung -## [Nachlesequiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Nachlesequiz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/5-NLP/19-NER/README.md b/translations/de/lessons/5-NLP/19-NER/README.md index 25b3dd52..e001d4dc 100644 --- a/translations/de/lessons/5-NLP/19-NER/README.md +++ b/translations/de/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Bis jetzt haben wir uns hauptsächlich auf eine NLP-Aufgabe konzentriert – die Klassifikation. Es gibt jedoch auch andere NLP-Aufgaben, die mit neuronalen Netzwerken gelöst werden können. Eine dieser Aufgaben ist die **[Erkennung benannter Entitäten](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), bei der spezifische Entitäten im Text erkannt werden, wie z. B. Orte, Personennamen, Datums- und Zeitangaben, chemische Formeln und vieles mehr. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Beispiel für die Verwendung von NER @@ -78,7 +78,7 @@ Ein NER-Modell ist ein **Token-Klassifikationsmodell**, was bedeutet, dass es zu Bearbeiten Sie die unten verlinkte Aufgabe, um ein Modell zur Erkennung benannter medizinischer Entitäten zu trainieren, und testen Sie es anschließend mit einem anderen Datensatz. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Wiederholung & Selbststudium diff --git a/translations/de/lessons/5-NLP/20-LangModels/README.md b/translations/de/lessons/5-NLP/20-LangModels/README.md index ac7dc9bc..0a1a4a24 100644 --- a/translations/de/lessons/5-NLP/20-LangModels/README.md +++ b/translations/de/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In all unseren bisherigen Aufgaben haben wir ein neuronales Netzwerk trainiert, um eine bestimmte Aufgabe mithilfe eines beschrifteten Datensatzes auszuführen. Mit großen Transformermodellen wie BERT verwenden wir Sprachmodellierung in selbstüberwachter Weise, um ein Sprachmodell zu erstellen, das anschließend durch weitere domänenspezifische Trainings für spezifische nachgelagerte Aufgaben spezialisiert wird. Es wurde jedoch gezeigt, dass große Sprachmodelle viele Aufgaben auch ohne jegliches domänenspezifisches Training lösen können. Eine Familie von Modellen, die dazu in der Lage ist, wird **GPT** genannt: Generative Pre-Trained Transformer. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Textgenerierung und Perplexität @@ -58,7 +58,7 @@ Setzen Sie Ihr Lernen in den folgenden Notebooks fort: Neue allgemeine vortrainierte Sprachmodelle modellieren nicht nur die Sprachstruktur, sondern enthalten auch eine große Menge an natürlicher Sprache. Daher können sie effektiv verwendet werden, um einige NLP-Aufgaben in Zero-Shot- oder Few-Shot-Szenarien zu lösen. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Haftungsausschluss**: Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, weisen wir darauf hin, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Nutzung dieser Übersetzung entstehen. \ No newline at end of file diff --git a/translations/de/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/de/lessons/5-NLP/20-LangModels/READMELargeLang.md index 76efd60f..b7bcb1aa 100644 --- a/translations/de/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/de/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ In all unseren vorherigen Aufgaben haben wir ein neuronales Netzwerk trainiert, um eine bestimmte Aufgabe mit einem beschrifteten Datensatz auszuführen. Bei großen Transformermodellen wie BERT nutzen wir Sprachmodellierung in selbstüberwachter Weise, um ein Sprachmodell zu erstellen, das dann für spezifische nachgelagerte Aufgaben mit weiterem domänenspezifischem Training spezialisiert wird. Es wurde jedoch gezeigt, dass große Sprachmodelle viele Aufgaben auch ohne jegliches domänenspezifisches Training lösen können. Eine Familie von Modellen, die dazu in der Lage ist, wird als **GPT** bezeichnet: Generative Pre-Trained Transformer. -## [Vorlesungsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Vorlesungsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Textgenerierung und Perplexität @@ -50,7 +50,7 @@ Setzen Sie Ihr Lernen in den folgenden Notizbüchern fort: Neue allgemeine vortrainierte Sprachmodelle modellieren nicht nur die Sprachstruktur, sondern enthalten auch eine riesige Menge an natürlicher Sprache. Daher können sie effektiv eingesetzt werden, um einige NLP-Aufgaben in Zero-Shot- oder Few-Shot-Einstellungen zu lösen. -## [Nachlesungsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Nachlesungsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Haftungsausschluss**: Dieses Dokument wurde mit maschinellen KI-Übersetzungsdiensten übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als die maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen. \ No newline at end of file diff --git a/translations/de/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/de/lessons/6-Other/21-GeneticAlgorithms/README.md index 93492915..976b02ec 100644 --- a/translations/de/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/de/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetische Algorithmen -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetische Algorithmen** (GA) basieren auf einem **evolutionären Ansatz** der KI, bei dem Methoden der Evolution einer Population genutzt werden, um eine optimale Lösung für ein gegebenes Problem zu finden. Sie wurden 1975 von [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) vorgeschlagen. @@ -66,7 +66,7 @@ Genetische Algorithmen werden verwendet, um viele Probleme zu lösen, einschlie "Genetische Algorithmen sind einfach zu implementieren, aber ihr Verhalten ist schwer zu verstehen." [Quelle](https://wikipedia.org/wiki/Genetic_algorithm) Recherchieren Sie eine Implementierung eines genetischen Algorithmus, z. B. zur Lösung eines Sudoku-Puzzles, und erklären Sie, wie er funktioniert, in Form einer Skizze oder eines Flussdiagramms. -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Wiederholung & Selbststudium diff --git a/translations/de/lessons/6-Other/22-DeepRL/README.md b/translations/de/lessons/6-Other/22-DeepRL/README.md index 3e48f671..94cf7384 100644 --- a/translations/de/lessons/6-Other/22-DeepRL/README.md +++ b/translations/de/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Reinforcement Learning (RL) wird als eines der grundlegenden Paradigmen des maschinellen Lernens angesehen, neben überwachten und unüberwachten Lernen. Während wir beim überwachten Lernen auf Datensätze mit bekannten Ergebnissen angewiesen sind, basiert RL auf dem Prinzip des **Lernens durch Handeln**. Zum Beispiel: Wenn wir ein Computerspiel zum ersten Mal sehen, beginnen wir zu spielen, auch ohne die Regeln zu kennen, und verbessern unsere Fähigkeiten allein durch das Spielen und Anpassen unseres Verhaltens. -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/43) Um RL durchzuführen, benötigen wir: @@ -110,7 +110,7 @@ Wir haben nun gelernt, wie man Agenten trainiert, um gute Ergebnisse zu erzielen Erkunden Sie die Anwendungen, die im Abschnitt "Andere RL-Aufgaben" aufgeführt sind, und versuchen Sie, eine davon umzusetzen! -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Überprüfung & Selbststudium diff --git a/translations/de/lessons/6-Other/23-MultiagentSystems/README.md b/translations/de/lessons/6-Other/23-MultiagentSystems/README.md index dcc9bec5..40767d9d 100644 --- a/translations/de/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/de/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Eine der möglichen Methoden, Intelligenz zu erreichen, ist der sogenannte **emergente** (oder **synergetische**) Ansatz, der auf der Tatsache basiert, dass das kombinierte Verhalten vieler relativ einfacher Agenten zu einem insgesamt komplexeren (oder intelligenteren) Verhalten des Systems als Ganzes führen kann. Theoretisch basiert dies auf den Prinzipien der [kollektiven Intelligenz](https://en.wikipedia.org/wiki/Collective_intelligence), des [Emergentismus](https://en.wikipedia.org/wiki/Global_brain) und der [evolutionären Kybernetik](https://en.wikipedia.org/wiki/Global_brain), die besagen, dass höherstufige Systeme einen Mehrwert erhalten, wenn sie richtig aus niedrigeren Systemen kombiniert werden (das sogenannte *Prinzip des Übergangs zu Metasystemen*). -## [Quiz vor der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/45) Die Richtung der **Multi-Agenten-Systeme** entstand in den 1990er Jahren in der KI als Reaktion auf das Wachstum des Internets und verteilter Systeme. Eines der klassischen Lehrbücher der KI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), betrachtet die klassische KI aus der Perspektive von Multi-Agenten-Systemen. @@ -152,7 +152,7 @@ Sie konzentrieren sich alle auf das einfachere Verhalten eines einzelnen Agenten Übertragen Sie diese Lektion in die reale Welt und versuchen Sie, ein Multi-Agenten-System zu konzeptualisieren, das ein Problem lösen kann. Was müsste ein Multi-Agenten-System beispielsweise tun, um eine Schulbusroute zu optimieren? Wie könnte es in einer Bäckerei funktionieren? -## [Quiz nach der Vorlesung](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Überprüfung & Selbststudium diff --git a/translations/el/lessons/1-Intro/README.md b/translations/el/lessons/1-Intro/README.md index ad9ddfa3..3a7a353d 100644 --- a/translations/el/lessons/1-Intro/README.md +++ b/translations/el/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Σκίτσο από την [Tomomi Imura](https://twitter.com/girlie_mac) -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Η Τεχνητή Νοημοσύνη** είναι ένας συναρπαστικός επιστημονικός κλάδος που μελετά πώς μπορούμε να κάνουμε τους υπολογιστές να επιδεικνύουν ευφυή συμπεριφορά, π.χ. να κάνουν πράγματα στα οποία οι άνθρωποι είναι καλοί. @@ -137,7 +137,7 @@ CO_OP_TRANSLATOR_METADATA: Κάντε μια περιήγηση στο διαδίκτυο για να προσδιορίσετε πού, κατά τη γνώμη σας, η Τεχνητή Νοημοσύνη χρησιμοποιείται πιο αποτελεσματικά. Είναι σε μια εφαρμογή χαρτογράφησης, σε κάποια υπηρεσία μετατροπής ομιλίας σε κείμενο ή σε ένα βιντεοπαιχνίδι; Ερευνήστε πώς κατασκευάστηκε το σύστημα. -## [Κουίζ μετά το μάθημα](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/2-Symbolic/README.md b/translations/el/lessons/2-Symbolic/README.md index d94d4a09..37d68cb7 100644 --- a/translations/el/lessons/2-Symbolic/README.md +++ b/translations/el/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Η αναζήτηση της τεχνητής νοημοσύνης βασίζεται στην αναζήτηση της γνώσης, ώστε να κατανοηθεί ο κόσμος με τρόπο παρόμοιο με αυτόν των ανθρώπων. Αλλά πώς μπορεί να επιτευχθεί αυτό; -## [Κουίζ πριν το μάθημα](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Κουίζ πριν το μάθημα](https://ff-quizzes.netlify.app/en/ai/quiz/3) Στις πρώτες μέρες της ΤΝ, η προσέγγιση από πάνω προς τα κάτω για τη δημιουργία ευφυών συστημάτων (που συζητήθηκε στο προηγούμενο μάθημα) ήταν δημοφιλής. Η ιδέα ήταν να εξαχθεί η γνώση από τους ανθρώπους σε κάποια μορφή αναγνώσιμη από μηχανές και στη συνέχεια να χρησιμοποιηθεί για την αυτόματη επίλυση προβλημάτων. Αυτή η προσέγγιση βασίστηκε σε δύο μεγάλες ιδέες: @@ -112,7 +112,7 @@ GROUP BY ?eyeColorLabel Στο notebook Family Ontology που συνδέεται με αυτό το μάθημα, υπάρχει η ευκαιρία να πειραματιστείτε με άλλες οικογενειακές σχέσεις. Προσπαθήστε να ανακαλύψετε νέες συνδέσεις μεταξύ ατόμων στο οικογενειακό δέντρο. -## [Κουίζ μετά το μάθημα](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/el/lessons/3-NeuralNetworks/03-Perceptron/README.md index 3ca0ed62..cf1034c5 100644 --- a/translations/el/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/el/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Εισαγωγή στα Νευρωνικά Δίκτυα: Perceptron -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/5) Μία από τις πρώτες προσπάθειες να υλοποιηθεί κάτι παρόμοιο με ένα σύγχρονο νευρωνικό δίκτυο έγινε από τον Frank Rosenblatt στο Cornell Aeronautical Laboratory το 1957. Ήταν μια υλοποίηση υλικού που ονομάστηκε "Mark-1", σχεδιασμένη να αναγνωρίζει πρωτόγονα γεωμετρικά σχήματα, όπως τρίγωνα, τετράγωνα και κύκλους. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Αν θέλετε να δοκιμάσετε να δημιουργήσετε το δικό σας perceptron, δοκιμάστε [αυτό το εργαστήριο στο Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) που χρησιμοποιεί τον [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/el/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 68921981..251de0f8 100644 --- a/translations/el/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/el/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Θα αναπτύξουμε επίσης το δικό μας αρθρωτό πλαίσιο σε Python, που θα μας επιτρέπει να κατασκευάζουμε διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων. -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Τυποποίηση της Μηχανικής Μάθησης @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: Μεταβείτε στο σημειωματάριο [OwnFramework](OwnFramework.ipynb) και δουλέψτε πάνω σε αυτό. -## [Μετα-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Μετα-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/el/lessons/3-NeuralNetworks/05-Frameworks/README.md index 955c0005..c5cbb247 100644 --- a/translations/el/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/el/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * Να δουλεύουμε με τανυστές, π.χ. να πολλαπλασιάζουμε, να προσθέτουμε και να υπολογίζουμε κάποιες συναρτήσεις όπως sigmoid ή softmax. * Να υπολογίζουμε τις παραγώγους όλων των εκφράσεων, ώστε να εκτελούμε τη βελτιστοποίηση με κατηφόρο γραμμής. -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/9) Ενώ η βιβλιοθήκη `numpy` μπορεί να κάνει το πρώτο μέρος, χρειαζόμαστε κάποιο μηχανισμό για να υπολογίζουμε παραγώγους. Στο [πλαίσιο μας](../04-OwnFramework/OwnFramework.ipynb) που αναπτύξαμε στην προηγούμενη ενότητα, έπρεπε να προγραμματίσουμε χειροκίνητα όλες τις συναρτήσεις παραγώγων μέσα στη μέθοδο `backward`, η οποία εκτελεί την οπισθοδιάδοση. Ιδανικά, ένα πλαίσιο θα πρέπει να μας δίνει τη δυνατότητα να υπολογίζουμε παραγώγους για *οποιαδήποτε έκφραση* μπορούμε να ορίσουμε. @@ -106,7 +106,7 @@ High-level API| [Keras](IntroKeras.ipynb) | *PyTorch Lightning* Στα συνοδευτικά σημειωματάρια, θα βρείτε "εργασίες" στο τέλος. Εργαστείτε μέσα από τα σημειωματάρια και ολοκληρώστε τις εργασίες. -## [Μετα-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Μετα-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/el/lessons/4-ComputerVision/06-IntroCV/README.md index 9b740808..7130aef2 100644 --- a/translations/el/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/el/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Η Υπολογιστική Όραση](https://wikipedia.org/wiki/Computer_vision) είναι ένας κλάδος που στοχεύει να επιτρέψει στους υπολογιστές να αποκτήσουν υψηλού επιπέδου κατανόηση ψηφιακών εικόνων. Αυτή είναι μια αρκετά ευρεία έννοια, καθώς η *κατανόηση* μπορεί να σημαίνει πολλά πράγματα, όπως τον εντοπισμό ενός αντικειμένου σε μια εικόνα (**ανίχνευση αντικειμένων**), την κατανόηση του τι συμβαίνει (**ανίχνευση γεγονότων**), την περιγραφή μιας εικόνας με κείμενο ή την ανακατασκευή μιας σκηνής σε 3D. Υπάρχουν επίσης ειδικές εργασίες που σχετίζονται με ανθρώπινες εικόνες: εκτίμηση ηλικίας και συναισθημάτων, ανίχνευση και αναγνώριση προσώπων, και εκτίμηση στάσης σε 3D, για να αναφέρουμε μερικές. -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/11) Μία από τις πιο απλές εργασίες της υπολογιστικής όρασης είναι η **ταξινόμηση εικόνων**. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) Παρακολουθήστε [αυτό το βίντεο](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) από το AI Show για να μάθετε για το έργο Cortic Tigers και πώς δημιούργησαν μια λύση βασισμένη σε μπλοκ για να εκδημοκρατίσουν τις εργασίες υπολογιστικής όρασης μέσω ενός ρομπότ. Κάντε έρευνα για άλλα παρόμοια έργα που βοηθούν νέους μαθητές να εισέλθουν στον τομέα. -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/el/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 9e6cc56b..b99f5389 100644 --- a/translations/el/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/el/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ CO_OP_TRANSLATOR_METADATA: Στα συνοδευτικά notebooks, υπάρχουν σημειώσεις στο κάτω μέρος σχετικά με το πώς να επιτύχετε μεγαλύτερη ακρίβεια. Κάντε μερικά πειράματα για να δείτε αν μπορείτε να πετύχετε υψηλότερη ακρίβεια. -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/el/lessons/4-ComputerVision/07-ConvNets/README.md index e8a9a7c5..ad700efd 100644 --- a/translations/el/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/el/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Έχουμε δει προηγουμένως ότι τα νευρωνικά δίκτυα είναι αρκετά καλά στην επεξεργασία εικόνων, και ακόμη και ένας απλός perceptron ενός επιπέδου μπορεί να αναγνωρίσει χειρόγραφα ψηφία από το σύνολο δεδομένων MNIST με ικανοποιητική ακρίβεια. Ωστόσο, το σύνολο δεδομένων MNIST είναι πολύ ιδιαίτερο, καθώς όλα τα ψηφία είναι κεντραρισμένα μέσα στην εικόνα, γεγονός που απλοποιεί το έργο. -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/13) Στην πραγματική ζωή, θέλουμε να μπορούμε να αναγνωρίζουμε αντικείμενα σε μια εικόνα ανεξάρτητα από την ακριβή τους θέση μέσα σε αυτή. Η υπολογιστική όραση διαφέρει από τη γενική ταξινόμηση, διότι όταν προσπαθούμε να βρούμε ένα συγκεκριμένο αντικείμενο σε μια εικόνα, σαρώνουμε την εικόνα αναζητώντας συγκεκριμένα **μοτίβα** και τους συνδυασμούς τους. Για παράδειγμα, όταν ψάχνουμε για μια γάτα, μπορεί αρχικά να αναζητήσουμε οριζόντιες γραμμές που σχηματίζουν μουστάκια, και στη συνέχεια ένας συγκεκριμένος συνδυασμός από μουστάκια μπορεί να μας υποδείξει ότι πρόκειται για εικόνα γάτας. Η σχετική θέση και η παρουσία συγκεκριμένων μοτίβων είναι σημαντική, και όχι η ακριβής τους θέση στην εικόνα. diff --git a/translations/el/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/el/lessons/4-ComputerVision/08-TransferLearning/README.md index d7989d2b..ef68b9da 100644 --- a/translations/el/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/el/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Η εκπαίδευση CNNs μπορεί να απαιτήσει πολύ χρόνο και μεγάλο όγκο δεδομένων. Ωστόσο, μεγάλο μέρος του χρόνου δαπανάται για την εκμάθηση των καλύτερων φίλτρων χαμηλού επιπέδου που μπορεί να χρησιμοποιήσει ένα δίκτυο για να εξάγει μοτίβα από εικόνες. Ένα φυσικό ερώτημα προκύπτει - μπορούμε να χρησιμοποιήσουμε ένα νευρωνικό δίκτυο που έχει εκπαιδευτεί σε ένα σύνολο δεδομένων και να το προσαρμόσουμε για να ταξινομήσει διαφορετικές εικόνες χωρίς να απαιτείται πλήρης διαδικασία εκπαίδευσης; -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Αυτή η προσέγγιση ονομάζεται **μεταφορά μάθησης**, επειδή μεταφέρουμε κάποια γνώση από ένα μοντέλο νευρωνικού δικτύου σε ένα άλλο. Στη μεταφορά μάθησης, συνήθως ξεκινάμε με ένα προεκπαιδευμένο μοντέλο, το οποίο έχει εκπαιδευτεί σε κάποιο μεγάλο σύνολο δεδομένων εικόνων, όπως το **ImageNet**. Αυτά τα μοντέλα μπορούν ήδη να εξάγουν διαφορετικά χαρακτηριστικά από γενικές εικόνες, και σε πολλές περιπτώσεις η απλή δημιουργία ενός ταξινομητή πάνω από αυτά τα εξαγόμενα χαρακτηριστικά μπορεί να δώσει καλά αποτελέσματα. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: Στα συνοδευτικά notebooks, υπάρχουν σημειώσεις στο κάτω μέρος σχετικά με το πώς η μεταφορά γνώσης λειτουργεί καλύτερα με κάπως παρόμοια δεδομένα εκπαίδευσης (ίσως ένας νέος τύπος ζώου). Κάντε πειράματα με εντελώς νέους τύπους εικόνων για να δείτε πόσο καλά ή άσχημα αποδίδουν τα μοντέλα μεταφοράς γνώσης σας. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/el/lessons/4-ComputerVision/09-Autoencoders/README.md index d5541913..dbab1d7a 100644 --- a/translations/el/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/el/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Κατά την εκπαίδευση CNNs, ένα από τα προβλήματα είναι ότι χρειαζόμαστε πολλά δεδομένα με ετικέτες. Στην περίπτωση της ταξινόμησης εικόνων, πρέπει να διαχωρίσουμε τις εικόνες σε διαφορετικές κατηγορίες, κάτι που απαιτεί χειροκίνητη προσπάθεια. -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/17) Ωστόσο, μπορεί να θέλουμε να χρησιμοποιήσουμε ακατέργαστα (χωρίς ετικέτες) δεδομένα για την εκπαίδευση εξαγωγέων χαρακτηριστικών CNN, κάτι που ονομάζεται **αυτοεπιβλεπόμενη μάθηση**. Αντί για ετικέτες, θα χρησιμοποιήσουμε εικόνες εκπαίδευσης τόσο ως είσοδο όσο και ως έξοδο του δικτύου. Η βασική ιδέα του **αυτόματου κωδικοποιητή** είναι ότι θα έχουμε ένα **δίκτυο κωδικοποιητή** που μετατρέπει την εικόνα εισόδου σε κάποιο **λανθάνοντα χώρο** (συνήθως είναι απλά ένας διάνυσμα μικρότερου μεγέθους), και στη συνέχεια το **δίκτυο αποκωδικοποιητή**, του οποίου ο στόχος είναι να ανακατασκευάσει την αρχική εικόνα. @@ -80,7 +80,7 @@ CO_OP_TRANSLATOR_METADATA: * **Με απώλειες** - η ανακατασκευασμένη εικόνα δεν είναι ίδια με την αρχική εικόνα. Η φύση της απώλειας καθορίζεται από τη *συνάρτηση απώλειας* που χρησιμοποιείται κατά την εκπαίδευση. * Λειτουργούν με **δεδομένα χωρίς ετικέτες** -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Συμπέρασμα @@ -90,7 +90,7 @@ CO_OP_TRANSLATOR_METADATA: Σε αυτό το μάθημα, μάθατε για τη χρήση αυτόματων κωδικοποιητών για εικόνες. Αλλά μπορούν επίσης να χρησιμοποιηθούν για μουσική! Δείτε το έργο [MusicVAE](https://magenta.tensorflow.org/music-vae) του Magenta, το οποίο χρησιμοποιεί αυτόματους κωδικοποιητές για να μάθει να ανακατασκευάζει μουσική. Κάντε μερικά [πειράματα](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) με αυτήν τη βιβλιοθήκη για να δείτε τι μπορείτε να δημιουργήσετε. -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/10-GANs/README.md b/translations/el/lessons/4-ComputerVision/10-GANs/README.md index 4c33e76b..f5b99183 100644 --- a/translations/el/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/el/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Στην προηγούμενη ενότητα, μάθαμε για τα **γενετικά μοντέλα**: μοντέλα που μπορούν να δημιουργήσουν νέες εικόνες παρόμοιες με αυτές του συνόλου εκπαίδευσης. Το VAE ήταν ένα καλό παράδειγμα γενετικού μοντέλου. -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/19) Ωστόσο, αν προσπαθήσουμε να δημιουργήσουμε κάτι πραγματικά ουσιαστικό, όπως έναν πίνακα σε λογική ανάλυση, με το VAE, θα δούμε ότι η εκπαίδευση δεν συγκλίνει καλά. Για αυτή την περίπτωση χρήσης, πρέπει να μάθουμε για μια άλλη αρχιτεκτονική που στοχεύει ειδικά στα γενετικά μοντέλα - τα **Γενετικά Ανταγωνιστικά Δίκτυα**, ή GANs. @@ -84,7 +84,7 @@ CO_OP_TRANSLATOR_METADATA: ## ✍️ Παράδειγμα: [Μεταφορά Στυλ](StyleTransfer.ipynb) -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Συμπέρασμα diff --git a/translations/el/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/el/lessons/4-ComputerVision/11-ObjectDetection/README.md index 57d16cd2..0b88587f 100644 --- a/translations/el/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/el/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Τα μοντέλα ταξινόμησης εικόνων που έχουμε εξετάσει μέχρι τώρα λαμβάνουν μια εικόνα και παράγουν ένα κατηγορηματικό αποτέλεσμα, όπως η κατηγορία 'αριθμός' σε ένα πρόβλημα MNIST. Ωστόσο, σε πολλές περιπτώσεις δεν θέλουμε απλώς να γνωρίζουμε ότι μια εικόνα απεικονίζει αντικείμενα - θέλουμε να μπορούμε να προσδιορίσουμε την ακριβή τους θέση. Αυτό ακριβώς είναι το νόημα της **ανίχνευσης αντικειμένων**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Ανίχνευση Αντικειμένων](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.el.png) @@ -172,7 +172,7 @@ $$ * Yolo: [Υλοποίηση Keras](https://github.com/experiencor/keras-yolo2), [σημειωματάριο βήμα-βήμα](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Υλοποίηση Keras](https://github.com/experiencor/keras-yolo2), [σημειωματάριο βήμα-βήμα](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) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/el/lessons/4-ComputerVision/12-Segmentation/README.md index f4805c10..7c64ea4a 100644 --- a/translations/el/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/el/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Έχουμε ήδη μάθει για την Ανίχνευση Αντικειμένων, η οποία μας επιτρέπει να εντοπίζουμε αντικείμενα στην εικόνα προβλέποντας τα *περιγράμματα* τους. Ωστόσο, για ορισμένες εργασίες δεν χρειαζόμαστε μόνο περιγράμματα, αλλά και πιο ακριβή εντοπισμό αντικειμένων. Αυτή η εργασία ονομάζεται **τμηματοποίηση**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Η τμηματοποίηση μπορεί να θεωρηθεί ως **ταξινόμηση εικονοστοιχείων**, όπου για **κάθε** εικονοστοιχείο της εικόνας πρέπει να προβλέψουμε την κατηγορία του (*το φόντο* είναι μία από τις κατηγορίες). Υπάρχουν δύο κύριοι αλγόριθμοι τμηματοποίησης: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [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) ## Συμπέρασμα diff --git a/translations/el/lessons/5-NLP/13-TextRep/README.md b/translations/el/lessons/5-NLP/13-TextRep/README.md index c0169765..1b67183b 100644 --- a/translations/el/lessons/5-NLP/13-TextRep/README.md +++ b/translations/el/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Αναπαράσταση Κειμένου ως Τανυστές -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Ταξινόμηση Κειμένου @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: Δοκιμάστε κάποιες άλλες ασκήσεις χρησιμοποιώντας bag-of-words και διαφορετικά μοντέλα δεδομένων. Ίσως εμπνευστείτε από αυτόν τον [διαγωνισμό στο Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Μετα-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Μετα-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/14-Embeddings/README.md b/translations/el/lessons/5-NLP/14-Embeddings/README.md index bcd9807f..30be6bf5 100644 --- a/translations/el/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/el/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Ενσωματώσεις -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/27) Όταν εκπαιδεύαμε ταξινομητές βασισμένους σε BoW ή TF/IDF, δουλεύαμε με διανύσματα υψηλής διάστασης τύπου bag-of-words με μήκος `vocab_size`, και μετατρέπαμε ρητά από διανύσματα χαμηλής διάστασης σε αραιές αναπαραστάσεις one-hot. Ωστόσο, αυτή η αναπαράσταση one-hot δεν είναι αποδοτική από άποψη μνήμης. Επιπλέον, κάθε λέξη αντιμετωπίζεται ανεξάρτητα από τις άλλες, δηλαδή τα διανύσματα one-hot δεν εκφράζουν καμία σημασιολογική ομοιότητα μεταξύ των λέξεων. @@ -65,7 +65,7 @@ CO_OP_TRANSLATOR_METADATA: Το Word2Vec έχει χρησιμοποιηθεί για μερικές ενδιαφέρουσες εφαρμογές, όπως η δημιουργία στίχων τραγουδιών και ποίησης. Ρίξτε μια ματιά σε [αυτό το άρθρο](https://www.politetype.com/blog/word2vec-color-poems) που εξηγεί πώς ο συγγραφέας χρησιμοποίησε το Word2Vec για να δημιουργήσει ποίηση. Δείτε επίσης [αυτό το βίντεο του Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) για μια διαφορετική εξήγηση αυτής της τεχνικής. Στη συνέχεια, προσπαθήστε να εφαρμόσετε αυτές τις τεχνικές στο δικό σας σώμα κειμένου, ίσως από δεδομένα που θα βρείτε στο Kaggle. -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/15-LanguageModeling/README.md b/translations/el/lessons/5-NLP/15-LanguageModeling/README.md index 8af2b679..52ef8fe3 100644 --- a/translations/el/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/el/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Οι σημασιολογικές ενσωματώσεις, όπως το Word2Vec και το GloVe, αποτελούν στην πραγματικότητα ένα πρώτο βήμα προς τη **μοντελοποίηση γλώσσας** - τη δημιουργία μοντέλων που με κάποιο τρόπο *κατανοούν* (ή *αναπαριστούν*) τη φύση της γλώσσας. -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/29) Η βασική ιδέα πίσω από τη μοντελοποίηση γλώσσας είναι η εκπαίδευση σε μη επισημασμένα σύνολα δεδομένων με μη εποπτευόμενο τρόπο. Αυτό είναι σημαντικό επειδή έχουμε τεράστιες ποσότητες μη επισημασμένου κειμένου διαθέσιμες, ενώ η ποσότητα του επισημασμένου κειμένου θα είναι πάντα περιορισμένη από την προσπάθεια που μπορούμε να αφιερώσουμε για την επισήμανση. Τις περισσότερες φορές, μπορούμε να δημιουργήσουμε μοντέλα γλώσσας που μπορούν να **προβλέψουν λέξεις που λείπουν** από το κείμενο, επειδή είναι εύκολο να αποκρύψουμε μια τυχαία λέξη από το κείμενο και να τη χρησιμοποιήσουμε ως δείγμα εκπαίδευσης. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: Στο προηγούμενο μάθημα είδαμε ότι οι ενσωματώσεις λέξεων λειτουργούν σαν μαγεία! Τώρα γνωρίζουμε ότι η εκπαίδευση ενσωματώσεων λέξεων δεν είναι μια πολύπλοκη διαδικασία, και θα πρέπει να μπορούμε να εκπαιδεύσουμε τις δικές μας ενσωματώσεις λέξεων για κείμενα συγκεκριμένου τομέα, αν χρειαστεί. -## [Μετα-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Μετα-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/16-RNN/README.md b/translations/el/lessons/5-NLP/16-RNN/README.md index f41d9f54..db14e23b 100644 --- a/translations/el/lessons/5-NLP/16-RNN/README.md +++ b/translations/el/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Επαναλαμβανόμενα Νευρωνικά Δίκτυα -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/31) Στις προηγούμενες ενότητες, χρησιμοποιούσαμε πλούσιες σημασιολογικές αναπαραστάσεις κειμένου και έναν απλό γραμμικό ταξινομητή πάνω από τα embeddings. Αυτή η αρχιτεκτονική καταγράφει τη συνολική σημασία των λέξεων σε μια πρόταση, αλλά δεν λαμβάνει υπόψη τη **σειρά** των λέξεων, επειδή η λειτουργία συσσωμάτωσης πάνω από τα embeddings αφαιρεί αυτή την πληροφορία από το αρχικό κείμενο. Επειδή αυτά τα μοντέλα δεν μπορούν να μοντελοποιήσουν τη σειρά των λέξεων, δεν μπορούν να λύσουν πιο σύνθετα ή αμφίσημα καθήκοντα, όπως η δημιουργία κειμένου ή η απάντηση σε ερωτήσεις. @@ -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) -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/el/lessons/5-NLP/17-GenerativeNetworks/README.md index bb9754e3..ef99c2fe 100644 --- a/translations/el/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/el/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Γενετικά Δίκτυα -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/33) Τα Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNNs) και οι παραλλαγές τους με πύλες, όπως τα Long Short Term Memory Cells (LSTMs) και τα Gated Recurrent Units (GRUs), παρέχουν έναν μηχανισμό για τη μοντελοποίηση γλώσσας, καθώς μπορούν να μάθουν τη σειρά των λέξεων και να προβλέψουν την επόμενη λέξη σε μια ακολουθία. Αυτό μας επιτρέπει να χρησιμοποιούμε τα RNNs για **γενετικές εργασίες**, όπως η δημιουργία κειμένου, η μηχανική μετάφραση και ακόμη και η λεζάντα εικόνων. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * Δημιουργία Κειμένου με [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) -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/18-Transformers/README.md b/translations/el/lessons/5-NLP/18-Transformers/README.md index b6a164d4..ed8a6d2b 100644 --- a/translations/el/lessons/5-NLP/18-Transformers/README.md +++ b/translations/el/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Μηχανισμοί Προσοχής και Μετασχηματιστές -## [Προ-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/35) Ένα από τα πιο σημαντικά προβλήματα στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (NLP) είναι η **μετάφραση μηχανής**, μια βασική εργασία που υποστηρίζει εργαλεία όπως το Google Translate. Σε αυτή την ενότητα, θα επικεντρωθούμε στη μετάφραση μηχανής ή, γενικότερα, σε οποιαδήποτε εργασία *ακολουθίας-προς-ακολουθία* (η οποία ονομάζεται επίσης **μετατροπή προτάσεων**). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 Πρόκληση -## [Μετά-διάλεξης κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Μετά-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/19-NER/README.md b/translations/el/lessons/5-NLP/19-NER/README.md index 63e42e0f..51a8a788 100644 --- a/translations/el/lessons/5-NLP/19-NER/README.md +++ b/translations/el/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Μέχρι τώρα, έχουμε επικεντρωθεί κυρίως σε μία εργασία NLP - την ταξινόμηση. Ωστόσο, υπάρχουν και άλλες εργασίες NLP που μπορούν να επιτευχθούν με νευρωνικά δίκτυα. Μία από αυτές τις εργασίες είναι η **[Αναγνώριση Ονομαστικών Οντοτήτων](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), η οποία ασχολείται με την αναγνώριση συγκεκριμένων οντοτήτων μέσα σε κείμενο, όπως τοποθεσίες, ονόματα ατόμων, χρονικά διαστήματα, χημικούς τύπους και άλλα. -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Παράδειγμα Χρήσης της NER @@ -79,7 +79,7 @@ Token | Tag Ολοκληρώστε την εργασία που συνδέεται παρακάτω για να εκπαιδεύσετε ένα μοντέλο αναγνώρισης ονομαστικών οντοτήτων για ιατρικούς όρους και στη συνέχεια δοκιμάστε το σε ένα διαφορετικό σύνολο δεδομένων. -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/5-NLP/20-LangModels/README.md b/translations/el/lessons/5-NLP/20-LangModels/README.md index f84ac279..6d6608f7 100644 --- a/translations/el/lessons/5-NLP/20-LangModels/README.md +++ b/translations/el/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Σε όλες τις προηγούμενες εργασίες μας, εκπαιδεύαμε ένα νευρωνικό δίκτυο για να εκτελέσει μια συγκεκριμένη εργασία χρησιμοποιώντας ένα επισημασμένο σύνολο δεδομένων. Με τα μεγάλα μοντέλα μετασχηματιστών, όπως το BERT, χρησιμοποιούμε τη μοντελοποίηση γλώσσας με αυτοεπιβλεπόμενο τρόπο για να δημιουργήσουμε ένα γλωσσικό μοντέλο, το οποίο στη συνέχεια εξειδικεύεται για συγκεκριμένες εργασίες μέσω περαιτέρω εκπαίδευσης σε δεδομένα συγκεκριμένου τομέα. Ωστόσο, έχει αποδειχθεί ότι τα μεγάλα γλωσσικά μοντέλα μπορούν επίσης να λύσουν πολλές εργασίες χωρίς ΚΑΜΙΑ εκπαίδευση σε δεδομένα συγκεκριμένου τομέα. Μια οικογένεια μοντέλων που μπορεί να το κάνει αυτό ονομάζεται **GPT**: Γενετικός Προεκπαιδευμένος Μετασχηματιστής. -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Δημιουργία Κειμένου και Περιπλοκότητα @@ -58,7 +58,7 @@ $$ Τα νέα γενικά προεκπαιδευμένα γλωσσικά μοντέλα δεν μοντελοποιούν μόνο τη δομή της γλώσσας, αλλά περιέχουν και τεράστιο όγκο φυσικής γλώσσας. Έτσι, μπορούν να χρησιμοποιηθούν αποτελεσματικά για την επίλυση ορισμένων εργασιών Επεξεργασίας Φυσικής Γλώσσας (NLP) σε συνθήκες μηδενικής ή ελάχιστης εκπαίδευσης. -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/el/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/el/lessons/6-Other/21-GeneticAlgorithms/README.md index 838efd43..28f79d83 100644 --- a/translations/el/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/el/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Γενετικοί Αλγόριθμοι -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) Οι **Γενετικοί Αλγόριθμοι** (GA) βασίζονται σε μια **εξελικτική προσέγγιση** στην Τεχνητή Νοημοσύνη, όπου χρησιμοποιούνται μέθοδοι εξέλιξης ενός πληθυσμού για την επίτευξη μιας βέλτιστης λύσης σε ένα δεδομένο πρόβλημα. Προτάθηκαν το 1975 από τον [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "Οι γενετικοί αλγόριθμοι είναι απλοί στην υλοποίηση, αλλά η συμπεριφορά τους είναι δύσκολο να κατανοηθεί." [πηγή](https://wikipedia.org/wiki/Genetic_algorithm) Κάντε κάποια έρευνα για να βρείτε μια υλοποίηση γενετικού αλγορίθμου, όπως η επίλυση ενός παζλ Sudoku, και εξηγήστε πώς λειτουργεί με τη μορφή σκίτσου ή διαγράμματος ροής. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/6-Other/22-DeepRL/README.md b/translations/el/lessons/6-Other/22-DeepRL/README.md index 42c19077..a0398f84 100644 --- a/translations/el/lessons/6-Other/22-DeepRL/README.md +++ b/translations/el/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Η ενισχυτική μάθηση (RL) θεωρείται ένα από τα βασικά παραδείγματα μηχανικής μάθησης, μαζί με την επιβλεπόμενη και τη μη επιβλεπόμενη μάθηση. Ενώ στην επιβλεπόμενη μάθηση βασιζόμαστε σε ένα σύνολο δεδομένων με γνωστά αποτελέσματα, η RL βασίζεται στη **μάθηση μέσω πράξης**. Για παράδειγμα, όταν βλέπουμε για πρώτη φορά ένα παιχνίδι στον υπολογιστή, αρχίζουμε να παίζουμε, ακόμα και αν δεν γνωρίζουμε τους κανόνες, και σύντομα βελτιώνουμε τις δεξιότητές μας απλώς μέσω της διαδικασίας του παιχνιδιού και της προσαρμογής της συμπεριφοράς μας. -## [Κουίζ πριν τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Κουίζ πριν τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/43) Για να εκτελέσουμε RL, χρειαζόμαστε: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") Εξερευνήστε τις εφαρμογές που αναφέρονται στην ενότητα "Άλλες Εργασίες RL" και προσπαθήστε να υλοποιήσετε μία! -## [Κουίζ μετά τη διάλεξη](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Κουίζ μετά τη διάλεξη](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Ανασκόπηση & Αυτομελέτη diff --git a/translations/el/lessons/6-Other/23-MultiagentSystems/README.md b/translations/el/lessons/6-Other/23-MultiagentSystems/README.md index 837bbd05..f47b9979 100644 --- a/translations/el/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/el/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ένας από τους πιθανούς τρόπους επίτευξης νοημοσύνης είναι η λεγόμενη **αναδυόμενη** (ή **συνεργιστική**) προσέγγιση, η οποία βασίζεται στο γεγονός ότι η συνδυασμένη συμπεριφορά πολλών σχετικά απλών πρακτόρων μπορεί να οδηγήσει σε συνολικά πιο σύνθετη (ή νοήμονα) συμπεριφορά του συστήματος ως σύνολο. Θεωρητικά, αυτό βασίζεται στις αρχές της [Συλλογικής Νοημοσύνης](https://en.wikipedia.org/wiki/Collective_intelligence), του [Αναδυτισμού](https://en.wikipedia.org/wiki/Global_brain) και της [Εξελικτικής Κυβερνητικής](https://en.wikipedia.org/wiki/Global_brain), οι οποίες δηλώνουν ότι τα συστήματα υψηλότερου επιπέδου αποκτούν κάποια προστιθέμενη αξία όταν συνδυάζονται σωστά από συστήματα χαμηλότερου επιπέδου (η λεγόμενη *αρχή της μετάβασης μετασυστήματος*). -## [Προ-διάλεξη κουίζ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Προ-διάλεξη κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/45) Η κατεύθυνση των **Πολυσυστημικών Πρακτορείων** εμφανίστηκε στην Τεχνητή Νοημοσύνη τη δεκαετία του 1990 ως απάντηση στην ανάπτυξη του Διαδικτύου και των κατανεμημένων συστημάτων. Ένα από τα κλασικά εγχειρίδια της Τεχνητής Νοημοσύνης, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), εστιάζει στην κλασική Τεχνητή Νοημοσύνη από την οπτική των πολυσυστημικών πρακτορείων. diff --git a/translations/en/lessons/1-Intro/README.md b/translations/en/lessons/1-Intro/README.md index 8a806404..b35dc8f2 100644 --- a/translations/en/lessons/1-Intro/README.md +++ b/translations/en/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ In recent years, we've seen significant advancements with large language models Explore the internet to identify where, in your opinion, AI is being used most effectively. Is it in a mapping application, a speech-to-text service, or a video game? Investigate how the system was developed. -## [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 diff --git a/translations/en/lessons/2-Symbolic/README.md b/translations/en/lessons/2-Symbolic/README.md index bd551991..41cdd3c5 100644 --- a/translations/en/lessons/2-Symbolic/README.md +++ b/translations/en/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ Today, AI is often equated with *Machine Learning* or *Neural Networks*. However In the Family Ontology notebook linked to this lesson, experiment with other family relationships. Try to uncover new connections between individuals 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 diff --git a/translations/en/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/en/lessons/3-NeuralNetworks/03-Perceptron/README.md index 2fa6156a..954d1e59 100644 --- a/translations/en/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/en/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 earliest attempts to create something resembling a modern neural network was made by Frank Rosenblatt from Cornell Aeronautical Laboratory in 1957. It was a hardware implementation called "Mark-1," designed to recognize basic geometric shapes like triangles, squares, and circles. @@ -85,7 +85,7 @@ In this lesson, you learned about the perceptron, a binary classification model, If you'd like to try building your own perceptron, check out [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 diff --git a/translations/en/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/en/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 8ea22127..c8e294cc 100644 --- a/translations/en/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/en/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ In this section, we will expand this model into a more versatile framework, enab We will also create our own modular framework in Python, which will allow us to design various 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) ## Formalizing Machine Learning @@ -81,7 +81,7 @@ 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 diff --git a/translations/en/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/en/lessons/3-NeuralNetworks/05-Frameworks/README.md index 42ecafd4..0209a139 100644 --- a/translations/en/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/en/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ As we’ve already learned, to efficiently train neural networks, we need to do * Perform operations on tensors, such as multiplication, addition, and computing functions like sigmoid or softmax. * Compute gradients for all expressions to enable 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 handle the first task, we need a mechanism to compute gradients. In [our framework](../04-OwnFramework/OwnFramework.ipynb) developed in the previous section, we manually programmed all derivative functions in the `backward` method for backpropagation. Ideally, a framework should allow us to compute gradients for *any expression* we define. @@ -106,7 +106,7 @@ In this lesson, you learned about the differences between the APIs of the two mo In the accompanying notebooks, you’ll 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 diff --git a/translations/en/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/en/lessons/4-ComputerVision/06-IntroCV/README.md index bc88584a..b39f28d9 100644 --- a/translations/en/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/en/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) is a field focused on enabling computers to achieve a high-level understanding of digital images. This definition is broad because *understanding* can encompass various tasks, such as identifying objects in an image (**object detection**), recognizing events (**event detection**), describing an image in text, or reconstructing a scene in 3D. There are also specialized tasks related to human images, such as estimating age and emotions, detecting and identifying faces, and estimating 3D poses, among others. -## [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 in computer vision is **image classification**. @@ -105,7 +105,7 @@ Sometimes, relatively complex tasks like motion detection or fingertip detection 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 developed a block-based solution to make computer vision tasks accessible via a robot. Research other similar projects that help introduce new learners to 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 diff --git a/translations/en/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/en/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index a71ee097..2e2e4333 100644 --- a/translations/en/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/en/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ 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 achieve greater accuracy. Try experimenting to see if you can improve the 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 diff --git a/translations/en/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/en/lessons/4-ComputerVision/08-TransferLearning/README.md index 634354cf..b7c78b21 100644 --- a/translations/en/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/en/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Training CNNs can be time-consuming and requires a significant amount of data. However, much of the time is spent learning the best low-level filters that a network can use to extract patterns from images. This raises a natural question: can we use a neural network trained on one dataset and adapt it to classify different images without undergoing 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**, as it involves transferring knowledge from one neural network model to another. In transfer learning, we typically start with a pre-trained model that has been trained on a large image dataset, such as **ImageNet**. These models are already adept at extracting various features from generic images, and in many cases, simply building a classifier on top of these extracted features can yield good results. @@ -76,7 +76,7 @@ Using transfer learning, you can quickly create a classifier for a custom object In the accompanying notebooks, there are notes at the bottom about how transfer learning works best with somewhat similar training data (e.g., a new type of animal). Experiment with completely different types of images to see how well or poorly your transfer learning 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 diff --git a/translations/en/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/en/lessons/4-ComputerVision/09-Autoencoders/README.md index 6a2630b5..89144201 100644 --- a/translations/en/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/en/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: When training CNNs, one challenge is the need for a large amount of labeled data. For example, in image classification, we must manually sort images into different categories. -## [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 can use raw (unlabeled) data to train CNN feature extractors, a method known as **self-supervised learning**. Instead of labels, training images serve as both the input and output for the network. The main concept of an **autoencoder** is to use an **encoder network** to transform the input image into a **latent space** (usually a smaller vector), followed by a **decoder network** that reconstructs the original image. @@ -80,7 +80,7 @@ Explore autoencoders further in these notebooks: * **Lossy** - The reconstructed image differs from the original image. The nature of the loss depends on 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 @@ -90,7 +90,7 @@ In this lesson, you explored different types of autoencoders available to AI pra This lesson focused on using autoencoders for images, but they can also be applied to music! Check out the Magenta project's [MusicVAE](https://magenta.tensorflow.org/music-vae), which uses autoencoders to reconstruct music. Experiment with the [library](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) 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 diff --git a/translations/en/lessons/4-ComputerVision/10-GANs/README.md b/translations/en/lessons/4-ComputerVision/10-GANs/README.md index 99d8f213..34b407fd 100644 --- a/translations/en/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/en/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In the previous section, we explored **generative models**: models capable of creating new images similar to those in the training dataset. VAE was a good example of such a 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 attempt to generate something truly meaningful, like a painting with reasonable resolution, using VAE, we’ll notice that training doesn’t converge well. For this purpose, we need to learn about another architecture specifically designed for generative models—**Generative Adversarial Networks**, or GANs. @@ -84,7 +84,7 @@ Here’s how it works: ## ✍️ 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 diff --git a/translations/en/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/en/lessons/4-ComputerVision/11-ObjectDetection/README.md index 05bc2c28..2cbcf135 100644 --- a/translations/en/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/en/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: The image classification models we have explored so far take an image and produce a categorical result, such as the class 'number' in the MNIST problem. However, in many cases, we don't just want to know that an image contains objects—we want to determine their exact location. This is the purpose 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](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.en.png) @@ -171,7 +171,7 @@ Read these articles and notebooks about YOLO and try them out: * 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 diff --git a/translations/en/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/en/lessons/4-ComputerVision/12-Segmentation/README.md index 626e16eb..3e2be829 100644 --- a/translations/en/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/en/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: We previously explored Object Detection, which helps identify objects in an image by predicting their *bounding boxes*. However, for certain tasks, bounding boxes alone aren't enough—we need more precise object localization. This task is known as **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 thought of as **pixel classification**, where we predict the class of **each** pixel in the image (*background* being one of the classes). There are two main types of segmentation algorithms: @@ -56,7 +56,7 @@ Explore the notebooks below to learn more about different semantic segmentation * [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 diff --git a/translations/en/lessons/5-NLP/13-TextRep/README.md b/translations/en/lessons/5-NLP/13-TextRep/README.md index 34fa8b28..a263d005 100644 --- a/translations/en/lessons/5-NLP/13-TextRep/README.md +++ b/translations/en/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 @@ -75,7 +75,7 @@ So far, we have explored techniques that add frequency weight to different words Try some other exercises using bag-of-words and different data models. You might find inspiration in 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 diff --git a/translations/en/lessons/5-NLP/14-Embeddings/README.md b/translations/en/lessons/5-NLP/14-Embeddings/README.md index cdeab12c..921317f0 100644 --- a/translations/en/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/en/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 using BoW or TF/IDF, we worked with high-dimensional bag-of-words vectors of length `vocab_size`, explicitly converting low-dimensional positional representation vectors into sparse one-hot representations. However, this one-hot representation is not memory-efficient. Additionally, each word is treated independently, meaning one-hot encoded vectors do not capture any semantic similarity between words. @@ -65,7 +65,7 @@ In this lesson, you learned how to build and use embedding layers in TensorFlow Word2Vec has been applied to some fascinating projects, such as generating song lyrics and poetry. Check out [this article](https://www.politetype.com/blog/word2vec-color-poems), which explains how the author used Word2Vec to create poetry. Also, watch [this video by Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) for another explanation of this technique. Then, try applying these methods 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 diff --git a/translations/en/lessons/5-NLP/15-LanguageModeling/README.md b/translations/en/lessons/5-NLP/15-LanguageModeling/README.md index 3ca70fc1..c8ac7676 100644 --- a/translations/en/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/en/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantic embeddings, such as Word2Vec and GloVe, are essentially the first step toward **language modeling**—creating models that can somehow *understand* (or *represent*) the essence of 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 core idea behind language modeling is training models on unlabeled datasets in an unsupervised way. This is crucial because there is an abundance of unlabeled text available, whereas labeled text is always limited by the effort required to annotate it. Typically, language models are designed to **predict missing words** in text, as it is straightforward to mask a random word in a sentence and use it as a training example. @@ -38,7 +38,7 @@ Expand your knowledge with the following notebooks: In the previous lesson, we discovered that word embeddings work like magic! Now we understand that training word embeddings isn’t overly complicated, and we can train our own embeddings for domain-specific text when necessary. -## [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 diff --git a/translations/en/lessons/5-NLP/16-RNN/README.md b/translations/en/lessons/5-NLP/16-RNN/README.md index 4899f785..ec837a62 100644 --- a/translations/en/lessons/5-NLP/16-RNN/README.md +++ b/translations/en/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 used rich semantic representations of text along with a simple linear classifier on top of embeddings. This architecture captures the overall meaning of words in a sentence but does not account for the **order** of words, as the aggregation operation on embeddings removes this information from the original text. Since these models cannot represent word order, they struggle with more complex or ambiguous tasks like text generation or question answering. @@ -84,7 +84,7 @@ Read some literature about LSTMs and explore 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 diff --git a/translations/en/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/en/lessons/5-NLP/17-GenerativeNetworks/README.md index 55dd930f..f4c9b36b 100644 --- a/translations/en/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/en/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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), provide a way to model language by learning word order and predicting the next word in a sequence. This makes RNNs useful for **generative tasks**, including text generation, machine translation, and even image captioning. @@ -71,7 +71,7 @@ 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 diff --git a/translations/en/lessons/5-NLP/18-Transformers/README.md b/translations/en/lessons/5-NLP/18-Transformers/README.md index 5e1c4255..856bbf21 100644 --- a/translations/en/lessons/5-NLP/18-Transformers/README.md +++ b/translations/en/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 significant challenges in the field of NLP is **machine translation**, a critical task that powers tools like Google Translate. In this section, we will focus on machine translation or, more broadly, on any *sequence-to-sequence* task (also known as **sentence transduction**). @@ -108,7 +108,7 @@ In this lesson, you learned about Transformers and Attention Mechanisms, essenti ## 🚀 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 diff --git a/translations/en/lessons/5-NLP/19-NER/README.md b/translations/en/lessons/5-NLP/19-NER/README.md index 29d28874..4adc5d42 100644 --- a/translations/en/lessons/5-NLP/19-NER/README.md +++ b/translations/en/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: So far, we have primarily focused on one NLP task—classification. However, there are other NLP tasks that can be tackled using neural networks. One such task is **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), which involves identifying specific entities in text, such as locations, person names, dates, chemical formulas, and more. -## [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 @@ -80,7 +80,7 @@ A NER model is a **token classification model**, meaning it is used to classify Complete the assignment linked below to train a named entity recognition model for medical terms, and then test 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 diff --git a/translations/en/lessons/5-NLP/20-LangModels/README.md b/translations/en/lessons/5-NLP/20-LangModels/README.md index 2d3e2cba..b12b4762 100644 --- a/translations/en/lessons/5-NLP/20-LangModels/README.md +++ b/translations/en/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In all our previous tasks, we trained a neural network to perform a specific task using a labeled dataset. With large transformer models like BERT, we use language modeling in a self-supervised manner to build a language model, which is then fine-tuned for specific downstream tasks with additional domain-specific training. However, it has been shown that large language models can also solve many tasks without ANY domain-specific training. A family of models capable of this 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 @@ -58,7 +58,7 @@ Continue your learning with the following notebooks: New general pre-trained language models not only model the structure of language but also contain a vast amount of natural language knowledge. As a result, they can be effectively used to solve some NLP tasks in zero-shot 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) --- diff --git a/translations/en/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/en/lessons/6-Other/21-GeneticAlgorithms/README.md index e2fc2fc1..86bf78ff 100644 --- a/translations/en/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/en/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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, where methods inspired by the evolution of a population are used to find an optimal solution to a given problem. They were introduced in 1975 by [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetic Algorithms are used to solve a variety of problems, including logistics "Genetic algorithms are simple to implement, but their behavior is difficult to understand." [source](https://wikipedia.org/wiki/Genetic_algorithm) Research an implementation of a genetic algorithm, such as solving a Sudoku puzzle, and explain how it works using 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 diff --git a/translations/en/lessons/6-Other/22-DeepRL/README.md b/translations/en/lessons/6-Other/22-DeepRL/README.md index 184b39e1..03a753a5 100644 --- a/translations/en/lessons/6-Other/22-DeepRL/README.md +++ b/translations/en/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Reinforcement learning (RL) is considered one of the fundamental machine learning paradigms, alongside supervised learning and unsupervised learning. While supervised learning relies on datasets with known outcomes, RL is based on **learning through experience**. For instance, when we first encounter a computer game, we start playing without knowing the rules, and over time, we improve our skills simply by playing and adjusting our actions. -## [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: @@ -110,7 +110,7 @@ We have learned how to train agents to achieve good results by providing them wi Explore the applications mentioned in the 'Other RL Tasks' section and try implementing 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 diff --git a/translations/en/lessons/6-Other/23-MultiagentSystems/README.md b/translations/en/lessons/6-Other/23-MultiagentSystems/README.md index b58385ad..c8d431dc 100644 --- a/translations/en/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/en/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: One way to achieve intelligence is through the **emergent** (or **synergetic**) approach, which relies on the idea that the combined behavior of many relatively simple agents can lead to more complex (or intelligent) behavior in the system as a whole. This concept is theoretically grounded in principles like [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). These principles suggest that higher-level systems gain added value when properly composed of lower-level systems (known as the *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 field of **Multi-Agent Systems** emerged in AI during the 1990s as a response to the growth of the Internet and distributed systems. One of the classic AI textbooks, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), explores classical AI from the perspective of Multi-Agent Systems. @@ -151,7 +151,7 @@ Multi-Agent Systems take various forms and are applied in diverse fields. They f Apply this lesson to real-world scenarios. Conceptualize a multi-agent system to solve a problem. For instance, how could a multi-agent system optimize school bus routes? Or how could it function 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 diff --git a/translations/es/lessons/1-Intro/README.md b/translations/es/lessons/1-Intro/README.md index bbf0bdc3..fc29fd97 100644 --- a/translations/es/lessons/1-Intro/README.md +++ b/translations/es/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Dibujo por [Tomomi Imura](https://twitter.com/girlie_mac) -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Inteligencia Artificial** es una disciplina científica fascinante que estudia cómo podemos hacer que las computadoras exhiban un comportamiento inteligente, es decir, que realicen aquellas cosas en las que los seres humanos somos buenos. @@ -151,7 +151,7 @@ En los últimos años hemos sido testigos de grandes éxitos con modelos de leng Haz un recorrido por internet para determinar dónde, en tu opinión, se utiliza la IA de manera más efectiva. ¿Es en una aplicación de mapas, algún servicio de conversión de voz a texto o un videojuego? Investiga cómo se construyó el sistema. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Revisión y autoestudio diff --git a/translations/es/lessons/2-Symbolic/README.md b/translations/es/lessons/2-Symbolic/README.md index a989055d..52a8601e 100644 --- a/translations/es/lessons/2-Symbolic/README.md +++ b/translations/es/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: La búsqueda de la inteligencia artificial se basa en la búsqueda de conocimiento, para entender el mundo de manera similar a como lo hacen los humanos. Pero, ¿cómo se puede lograr esto? -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/3) En los primeros días de la IA, el enfoque de arriba hacia abajo para crear sistemas inteligentes (discutido en la lección anterior) era popular. La idea era extraer el conocimiento de las personas en una forma legible por máquinas y luego usarlo para resolver problemas automáticamente. Este enfoque se basaba en dos grandes ideas: @@ -236,7 +236,7 @@ Hoy en día, la IA a menudo se considera sinónimo de *Aprendizaje Automático* En el cuaderno de la Ontología Familiar asociado a esta lección, hay una oportunidad para experimentar con otras relaciones familiares. Intenta descubrir nuevas conexiones entre las personas en el árbol genealógico. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Revisión y Autoestudio diff --git a/translations/es/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/es/lessons/3-NeuralNetworks/03-Perceptron/README.md index 29ab6592..be67fd11 100644 --- a/translations/es/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/es/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introducción a Redes Neuronales: Perceptrón -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/5) Uno de los primeros intentos de implementar algo similar a una red neuronal moderna fue realizado por Frank Rosenblatt del Laboratorio Aeronáutico de Cornell en 1957. Fue una implementación de hardware llamada "Mark-1", diseñada para reconocer figuras geométricas primitivas, como triángulos, cuadrados y círculos. @@ -85,7 +85,7 @@ En esta lección, aprendiste sobre un perceptrón, que es un modelo de clasifica Si deseas intentar construir tu propio perceptrón, prueba [este laboratorio en 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 el [diseñador de Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Repaso y Autoestudio diff --git a/translations/es/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/es/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 80b64f11..b366836a 100644 --- a/translations/es/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/es/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ En esta sección, extenderemos este modelo a un marco más flexible, permitiénd También desarrollaremos nuestro propio marco modular en Python que nos permitirá construir diferentes arquitecturas de redes neuronales. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalización del Aprendizaje Automático @@ -81,7 +81,7 @@ En el notebook adjunto, implementarás tu propio marco para construir y entrenar Continúa con el notebook [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) y trabaja en él. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Revisión y Autoestudio diff --git a/translations/es/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/es/lessons/3-NeuralNetworks/05-Frameworks/README.md index dbb010fe..d825caaa 100644 --- a/translations/es/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/es/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Como ya hemos aprendido, para entrenar redes neuronales de manera eficiente nece * Operar con tensores, por ejemplo, multiplicar, sumar y calcular funciones como sigmoid o softmax. * Calcular gradientes de todas las expresiones, para realizar la optimización por descenso de gradiente. -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/9) Aunque la biblioteca `numpy` puede realizar la primera parte, necesitamos algún mecanismo para calcular gradientes. En [nuestro framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) que desarrollamos en la sección anterior, tuvimos que programar manualmente todas las funciones derivadas dentro del método `backward`, que realiza la retropropagación. Idealmente, un framework debería permitirnos calcular los gradientes de *cualquier expresión* que podamos definir. @@ -106,7 +106,7 @@ En esta lección, aprendiste sobre las diferencias entre las diversas APIs de lo En los notebooks acompañantes, encontrarás 'tareas' al final; trabaja en los notebooks y completa las tareas. -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Revisión y autoestudio diff --git a/translations/es/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/es/lessons/4-ComputerVision/06-IntroCV/README.md index 6873235f..ee30fa51 100644 --- a/translations/es/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/es/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Visión por Computadora](https://wikipedia.org/wiki/Computer_vision) es una disciplina cuyo objetivo es permitir que las computadoras obtengan una comprensión de alto nivel de las imágenes digitales. Esta es una definición bastante amplia, ya que *comprender* puede significar muchas cosas, incluyendo encontrar un objeto en una imagen (**detección de objetos**), entender qué está sucediendo (**detección de eventos**), describir una imagen en texto o reconstruir una escena en 3D. También hay tareas especiales relacionadas con imágenes humanas: estimación de edad y emociones, detección e identificación de rostros, y estimación de poses en 3D, por nombrar algunas. -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/11) Una de las tareas más simples de la visión por computadora es la **clasificación de imágenes**. @@ -105,7 +105,7 @@ A veces, tareas relativamente complejas como la detección de movimiento o la de Mira [este 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) del AI Show para aprender sobre el proyecto Cortic Tigers y cómo construyeron una solución basada en bloques para democratizar las tareas de visión por computadora mediante un robot. Investiga otros proyectos como este que ayudan a nuevos aprendices a iniciarse en el campo. -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Revisión y Autoestudio diff --git a/translations/es/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/es/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 6ad54b92..5a28f76c 100644 --- a/translations/es/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/es/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ En esta unidad, has aprendido el concepto principal detrás de las redes neurona En los cuadernos adjuntos, hay notas al final sobre cómo obtener mayor precisión. Realiza algunos experimentos para ver si puedes lograr una mayor precisión. -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Revisión y Autoestudio diff --git a/translations/es/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/es/lessons/4-ComputerVision/07-ConvNets/README.md index 1e595d7a..56e370d7 100644 --- a/translations/es/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/es/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hemos visto anteriormente que las redes neuronales son bastante buenas para trabajar con imágenes, e incluso un perceptrón de una sola capa es capaz de reconocer dígitos escritos a mano del conjunto de datos MNIST con una precisión razonable. Sin embargo, el conjunto de datos MNIST es muy especial, ya que todos los dígitos están centrados dentro de la imagen, lo que simplifica la tarea. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/13) En la vida real, queremos ser capaces de reconocer objetos en una imagen independientemente de su ubicación exacta en la misma. La visión por computadora es diferente de la clasificación genérica, porque cuando intentamos encontrar un objeto específico en una imagen, escaneamos la imagen buscando ciertos **patrones** y sus combinaciones. Por ejemplo, al buscar un gato, primero podríamos buscar líneas horizontales que formen los bigotes, y luego una cierta combinación de bigotes podría indicarnos que, efectivamente, es una imagen de un gato. La posición relativa y la presencia de ciertos patrones son importantes, no su posición exacta en la imagen. diff --git a/translations/es/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/es/lessons/4-ComputerVision/08-TransferLearning/README.md index 8e3d0c9e..ed66e5fa 100644 --- a/translations/es/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/es/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Entrenar redes neuronales convolucionales (CNN) puede llevar mucho tiempo y requiere una gran cantidad de datos. Sin embargo, gran parte del tiempo se invierte en aprender los mejores filtros de bajo nivel que una red puede usar para extraer patrones de las imágenes. Surge una pregunta natural: ¿podemos usar una red neuronal entrenada en un conjunto de datos y adaptarla para clasificar imágenes diferentes sin necesidad de un proceso de entrenamiento completo? -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/15) Este enfoque se llama **aprendizaje por transferencia**, porque transferimos conocimiento de un modelo de red neuronal a otro. En el aprendizaje por transferencia, normalmente comenzamos con un modelo pre-entrenado, que ha sido entrenado en un gran conjunto de datos de imágenes, como **ImageNet**. Estos modelos ya son buenos extrayendo diferentes características de imágenes genéricas, y en muchos casos, simplemente construir un clasificador sobre esas características extraídas puede dar buenos resultados. @@ -76,7 +76,7 @@ Usando el aprendizaje por transferencia, puedes armar rápidamente un clasificad En los notebooks adjuntos, hay notas al final sobre cómo el conocimiento transferido funciona mejor con datos de entrenamiento algo similares (quizás un nuevo tipo de animal). Realiza experimentos con tipos completamente nuevos de imágenes para ver qué tan bien o mal funcionan tus modelos de conocimiento transferido. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisión y Autoestudio diff --git a/translations/es/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/es/lessons/4-ComputerVision/09-Autoencoders/README.md index 36daf941..febb11dd 100644 --- a/translations/es/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/es/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Al entrenar redes neuronales convolucionales (CNNs), uno de los problemas es que necesitamos una gran cantidad de datos etiquetados. En el caso de la clasificación de imágenes, necesitamos separar las imágenes en diferentes clases, lo cual requiere un esfuerzo manual. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/17) Sin embargo, podríamos querer usar datos sin procesar (no etiquetados) para entrenar extractores de características de CNN, lo que se conoce como **aprendizaje auto-supervisado**. En lugar de etiquetas, utilizaremos las imágenes de entrenamiento tanto como entrada como salida de la red. La idea principal de un **autoencoder** es que tendremos una **red codificadora** que convierte la imagen de entrada en algún **espacio latente** (normalmente es solo un vector de menor tamaño), y luego una **red decodificadora**, cuyo objetivo será reconstruir la imagen original. @@ -80,7 +80,7 @@ Aprende más sobre autoencoders en estos notebooks correspondientes: * **Con pérdida** - la imagen reconstruida no es igual a la imagen original. La naturaleza de la pérdida está definida por la *función de pérdida* utilizada durante el entrenamiento. * Funciona con **datos no etiquetados**. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Conclusión @@ -90,7 +90,7 @@ En esta lección, aprendiste sobre los diversos tipos de autoencoders disponible En esta lección, aprendiste sobre el uso de autoencoders para imágenes. ¡Pero también pueden usarse para música! Explora el proyecto [MusicVAE](https://magenta.tensorflow.org/music-vae) del proyecto Magenta, que utiliza autoencoders para aprender a reconstruir música. Realiza algunos [experimentos](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) con esta biblioteca para ver qué puedes crear. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisión y Autoestudio diff --git a/translations/es/lessons/4-ComputerVision/10-GANs/README.md b/translations/es/lessons/4-ComputerVision/10-GANs/README.md index 59aa67e5..7f83a098 100644 --- a/translations/es/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/es/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: En la sección anterior, aprendimos sobre los **modelos generativos**: modelos que pueden generar nuevas imágenes similares a las del conjunto de datos de entrenamiento. VAE fue un buen ejemplo de un modelo generativo. -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/19) Sin embargo, si intentamos generar algo realmente significativo, como una pintura con una resolución razonable, usando VAE, veremos que el entrenamiento no converge bien. Para este caso de uso, debemos aprender sobre otra arquitectura específicamente orientada a modelos generativos: las **Redes Generativas Antagónicas**, o GANs. @@ -84,7 +84,7 @@ El funcionamiento es el siguiente: ## ✍️ Ejemplo: [Transferencia de estilo](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Conclusión diff --git a/translations/es/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/es/lessons/4-ComputerVision/11-ObjectDetection/README.md index b128adb6..461fe889 100644 --- a/translations/es/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/es/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Los modelos de clasificación de imágenes que hemos visto hasta ahora toman una imagen y producen un resultado categórico, como la clase 'número' en un problema de MNIST. Sin embargo, en muchos casos no solo queremos saber que una imagen contiene objetos, sino que también queremos determinar su ubicación precisa. Esto es exactamente el objetivo de la **detección de objetos**. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detección de Objetos](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -172,7 +172,7 @@ Lee estos artículos y cuadernos sobre YOLO y pruébalos por ti mismo: * Yolo: [Implementación en Keras](https://github.com/experiencor/keras-yolo2), [cuaderno paso a paso](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementación en Keras](https://github.com/experiencor/keras-yolo2), [cuaderno paso a paso](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Revisión y Autoestudio diff --git a/translations/es/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/es/lessons/4-ComputerVision/12-Segmentation/README.md index a65d6b63..0ea56ae8 100644 --- a/translations/es/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/es/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Anteriormente hemos aprendido sobre la Detección de Objetos, que nos permite localizar objetos en una imagen prediciendo sus *cajas delimitadoras*. Sin embargo, para algunas tareas no solo necesitamos cajas delimitadoras, sino también una localización más precisa de los objetos. Esta tarea se llama **segmentación**. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/23) La segmentación puede considerarse como **clasificación de píxeles**, donde para **cada** píxel de la imagen debemos predecir su clase (*fondo* siendo una de las clases). Existen dos principales algoritmos de segmentación: @@ -56,7 +56,7 @@ Abre los siguientes notebooks para aprender más sobre diferentes arquitecturas * [Segmentación Semántica Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentación Semántica TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Conclusión diff --git a/translations/es/lessons/5-NLP/13-TextRep/README.md b/translations/es/lessons/5-NLP/13-TextRep/README.md index 10b1ef92..5c66e257 100644 --- a/translations/es/lessons/5-NLP/13-TextRep/README.md +++ b/translations/es/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representación de texto como tensores -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Clasificación de texto @@ -73,7 +73,7 @@ Hasta ahora, hemos estudiado técnicas que pueden agregar peso de frecuencia a d Prueba algunos otros ejercicios utilizando bag-of-words y diferentes modelos de datos. Podrías inspirarte en esta [competencia en Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Revisión y autoestudio diff --git a/translations/es/lessons/5-NLP/14-Embeddings/README.md b/translations/es/lessons/5-NLP/14-Embeddings/README.md index f17a872a..4fbcda79 100644 --- a/translations/es/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/es/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Cuando entrenamos clasificadores basados en BoW o TF/IDF, trabajamos con vectores de bolsa de palabras de alta dimensión con una longitud de `vocab_size`, y estábamos convirtiendo explícitamente de vectores de representación posicional de baja dimensión a representaciones dispersas de una sola posición activa (one-hot). Sin embargo, esta representación de una sola posición activa no es eficiente en términos de memoria. Además, cada palabra se trata de manera independiente, es decir, los vectores codificados en una sola posición activa no expresan ninguna similitud semántica entre palabras. @@ -65,7 +65,7 @@ En esta lección, descubriste cómo construir y usar capas de embedding en Tenso Word2Vec se ha utilizado para algunas aplicaciones interesantes, incluyendo la generación de letras de canciones y poesía. Echa un vistazo a [este artículo](https://www.politetype.com/blog/word2vec-color-poems) que explica cómo el autor utilizó Word2Vec para generar poesía. Mira [este video de Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) también para descubrir una explicación diferente de esta técnica. Luego intenta aplicar estas técnicas a tu propio corpus de texto, quizás obtenido de 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) ## Revisión y Autoestudio diff --git a/translations/es/lessons/5-NLP/15-LanguageModeling/README.md b/translations/es/lessons/5-NLP/15-LanguageModeling/README.md index 813097d4..cf28dc96 100644 --- a/translations/es/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/es/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Las incrustaciones semánticas, como Word2Vec y GloVe, son de hecho un primer paso hacia el **modelado del lenguaje**: crear modelos que de alguna manera *entiendan* (o *representen*) la naturaleza del lenguaje. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/29) La idea principal detrás del modelado del lenguaje es entrenarlos en conjuntos de datos no etiquetados de manera no supervisada. Esto es importante porque tenemos enormes cantidades de texto no etiquetado disponible, mientras que la cantidad de texto etiquetado siempre estará limitada por el esfuerzo que podamos dedicar a etiquetarlo. Muy a menudo, podemos construir modelos de lenguaje que puedan **predecir palabras faltantes** en el texto, ya que es fácil ocultar una palabra aleatoria en el texto y usarla como muestra de entrenamiento. @@ -38,7 +38,7 @@ Continúa tu aprendizaje en los siguientes cuadernos: En la lección anterior vimos que las incrustaciones de palabras funcionan como magia. ¡Ahora sabemos que entrenar incrustaciones de palabras no es una tarea muy compleja, y deberíamos ser capaces de entrenar nuestras propias incrustaciones de palabras para texto específico de un dominio si es necesario! -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Revisión y Autoestudio diff --git a/translations/es/lessons/5-NLP/16-RNN/README.md b/translations/es/lessons/5-NLP/16-RNN/README.md index 734fb5a3..ec2732fa 100644 --- a/translations/es/lessons/5-NLP/16-RNN/README.md +++ b/translations/es/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes Neuronales Recurrentes -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/31) En secciones anteriores, hemos estado utilizando representaciones semánticas ricas de texto y un clasificador lineal simple sobre las incrustaciones. Lo que hace esta arquitectura es capturar el significado agregado de las palabras en una oración, pero no toma en cuenta el **orden** de las palabras, ya que la operación de agregación sobre las incrustaciones elimina esta información del texto original. Debido a que estos modelos no pueden modelar el orden de las palabras, no pueden resolver tareas más complejas o ambiguas como la generación de texto o la respuesta a preguntas. @@ -84,7 +84,7 @@ Lee algo de literatura sobre LSTMs y considera sus aplicaciones: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Revisión y Estudio Autónomo diff --git a/translations/es/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/es/lessons/5-NLP/17-GenerativeNetworks/README.md index b175f39f..06c354d4 100644 --- a/translations/es/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/es/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes generativas -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/33) Las Redes Neuronales Recurrentes (RNNs) y sus variantes con celdas de compuerta, como las Celdas de Memoria a Largo Plazo (LSTMs) y las Unidades Recurrentes de Compuerta (GRUs), proporcionan un mecanismo para modelar el lenguaje, ya que pueden aprender el orden de las palabras y ofrecer predicciones para la siguiente palabra en una secuencia. Esto nos permite usar RNNs para **tareas generativas**, como la generación de texto ordinario, la traducción automática e incluso la generación de subtítulos para imágenes. @@ -71,7 +71,7 @@ Toma algunas lecciones en Microsoft Learn sobre este tema: * Generación de texto con [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) -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Revisión y autoestudio diff --git a/translations/es/lessons/5-NLP/18-Transformers/README.md b/translations/es/lessons/5-NLP/18-Transformers/README.md index 948405a8..7bbc1f3b 100644 --- a/translations/es/lessons/5-NLP/18-Transformers/README.md +++ b/translations/es/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mecanismos de Atención y Transformadores -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/35) Uno de los problemas más importantes en el ámbito de NLP es la **traducción automática**, una tarea esencial que sustenta herramientas como Google Translate. En esta sección, nos centraremos en la traducción automática o, más generalmente, en cualquier tarea de *secuencia a secuencia* (también llamada **transducción de oraciones**). @@ -108,7 +108,7 @@ En esta lección aprendiste sobre Transformadores y Mecanismos de Atención, her ## 🚀 Desafío -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisión y Estudio Autónomo diff --git a/translations/es/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/es/lessons/5-NLP/18-Transformers/READMEtransformers.md index cc19e528..1bea3497 100644 --- a/translations/es/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/es/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mecanismos de Atención y Transformadores -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/35) Uno de los problemas más importantes en el dominio del PLN es la **traducción automática**, una tarea esencial que subyace a herramientas como Google Translate. En esta sección, nos enfocaremos en la traducción automática, o, de manera más general, en cualquier tarea de *secuencia a secuencia* (que también se llama **transducción de oraciones**). @@ -99,7 +99,7 @@ En esta lección aprendiste sobre Transformadores y Mecanismos de Atención, her ## 🚀 Desafío -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisión y Autoestudio diff --git a/translations/es/lessons/5-NLP/19-NER/README.md b/translations/es/lessons/5-NLP/19-NER/README.md index 55e5266e..33cd3388 100644 --- a/translations/es/lessons/5-NLP/19-NER/README.md +++ b/translations/es/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hasta ahora, nos hemos concentrado principalmente en una tarea de PLN: la clasificación. Sin embargo, existen otras tareas de PLN que se pueden realizar con redes neuronales. Una de esas tareas es **[Reconocimiento de Entidades Nombradas](https://wikipedia.org/wiki/Named-entity_recognition)** (NER, por sus siglas en inglés), que se ocupa de reconocer entidades específicas dentro de un texto, como lugares, nombres de personas, intervalos de fechas y horas, fórmulas químicas, entre otros. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Ejemplo de Uso de NER @@ -80,7 +80,7 @@ Un modelo NER es un **modelo de clasificación de tokens**, lo que significa que Completa la tarea vinculada a continuación para entrenar un modelo de reconocimiento de entidades nombradas para términos médicos, y luego pruébalo en un conjunto de datos diferente. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Revisión y Autoestudio diff --git a/translations/es/lessons/5-NLP/20-LangModels/README.md b/translations/es/lessons/5-NLP/20-LangModels/README.md index cd5c557d..e1d070f1 100644 --- a/translations/es/lessons/5-NLP/20-LangModels/README.md +++ b/translations/es/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: En todas nuestras tareas anteriores, entrenábamos una red neuronal para realizar una tarea específica utilizando un conjunto de datos etiquetado. Con modelos transformadores grandes, como BERT, utilizamos el modelado de lenguaje de manera auto-supervisada para construir un modelo de lenguaje, que luego se especializa en tareas específicas con entrenamiento adicional en dominios específicos. Sin embargo, se ha demostrado que los modelos de lenguaje grandes también pueden resolver muchas tareas sin NINGÚN entrenamiento específico de dominio. Una familia de modelos capaz de hacer esto se llama **GPT**: Generative Pre-Trained Transformer. -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generación de Texto y Perplejidad @@ -58,7 +58,7 @@ Continúa tu aprendizaje en los siguientes notebooks: Los nuevos modelos de lenguaje preentrenados generales no solo modelan la estructura del lenguaje, sino que también contienen una gran cantidad de lenguaje natural. Por lo tanto, pueden ser utilizados de manera efectiva para resolver algunas tareas de procesamiento de lenguaje natural en configuraciones de cero o pocas muestras. -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Descargo de responsabilidad**: Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción. \ No newline at end of file diff --git a/translations/es/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/es/lessons/5-NLP/20-LangModels/READMELargeLang.md index 1bab906f..bbc00375 100644 --- a/translations/es/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/es/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ En todas nuestras tareas anteriores, entrenábamos una red neuronal para realizar una tarea específica utilizando un conjunto de datos etiquetados. Con modelos de transformador grandes, como BERT, utilizamos el modelado del lenguaje de manera auto-supervisada para construir un modelo de lenguaje, que luego se especializa para tareas específicas de acuerdo con un entrenamiento adicional en dominios específicos. Sin embargo, se ha demostrado que los grandes modelos de lenguaje también pueden resolver muchas tareas sin NINGÚN entrenamiento específico de dominio. Una familia de modelos capaces de hacer esto se llama **GPT**: Transformador Generativo Preentrenado. -## [Cuestionario previo a la conferencia](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Cuestionario previo a la conferencia](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generación de Texto y Perplejidad @@ -49,7 +49,7 @@ Continúa tu aprendizaje en los siguientes cuadernos: Los nuevos modelos de lenguaje preentrenados generales no solo modelan la estructura del lenguaje, sino que también contienen una gran cantidad de lenguaje natural. Por lo tanto, pueden ser utilizados de manera efectiva para resolver algunas tareas de PLN en configuraciones de cero disparos o pocos disparos. -## [Cuestionario posterior a la conferencia](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Cuestionario posterior a la conferencia](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Descargo de responsabilidad**: Este documento ha sido traducido utilizando servicios de traducción automática basados en IA. Si bien nos esforzamos por la precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o malas interpretaciones que surjan del uso de esta traducción. \ No newline at end of file diff --git a/translations/es/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/es/lessons/6-Other/21-GeneticAlgorithms/README.md index 09eb8d8e..3ac50841 100644 --- a/translations/es/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/es/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritmos Genéticos -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/41) Los **Algoritmos Genéticos** (AG) se basan en un **enfoque evolutivo** de la IA, en el que se utilizan métodos de evolución de una población para obtener una solución óptima para un problema dado. Fueron propuestos en 1975 por [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Los Algoritmos Genéticos se utilizan para resolver muchos problemas, incluidos "Los algoritmos genéticos son simples de implementar, pero su comportamiento es difícil de entender." [fuente](https://wikipedia.org/wiki/Genetic_algorithm) Investiga para encontrar una implementación de un algoritmo genético, como resolver un rompecabezas de Sudoku, y explica cómo funciona mediante un esquema o diagrama de flujo. -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Revisión y autoestudio diff --git a/translations/es/lessons/6-Other/22-DeepRL/README.md b/translations/es/lessons/6-Other/22-DeepRL/README.md index 07d54f92..1f05e09d 100644 --- a/translations/es/lessons/6-Other/22-DeepRL/README.md +++ b/translations/es/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: El aprendizaje por refuerzo (RL, por sus siglas en inglés) se considera uno de los paradigmas básicos del aprendizaje automático, junto con el aprendizaje supervisado y no supervisado. Mientras que en el aprendizaje supervisado dependemos de un conjunto de datos con resultados conocidos, el RL se basa en **aprender haciendo**. Por ejemplo, cuando vemos un videojuego por primera vez, comenzamos a jugar, incluso sin conocer las reglas, y pronto somos capaces de mejorar nuestras habilidades simplemente jugando y ajustando nuestro comportamiento. -## [Cuestionario previo a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/43) Para realizar RL, necesitamos: @@ -110,7 +110,7 @@ Ahora hemos aprendido cómo entrenar agentes para lograr buenos resultados simpl Explora las aplicaciones enumeradas en la sección 'Otras Tareas de RL' e intenta implementar una. -## [Cuestionario posterior a la lección](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Revisión y Autoestudio diff --git a/translations/es/lessons/6-Other/23-MultiagentSystems/README.md b/translations/es/lessons/6-Other/23-MultiagentSystems/README.md index 0fd89247..bc825b17 100644 --- a/translations/es/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/es/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Una de las posibles formas de lograr inteligencia es el enfoque llamado **emergente** (o **sinérgico**), que se basa en el hecho de que el comportamiento combinado de muchos agentes relativamente simples puede resultar en un comportamiento más complejo (o inteligente) del sistema en su conjunto. Teóricamente, esto se basa en los principios de [Inteligencia Colectiva](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentismo](https://en.wikipedia.org/wiki/Global_brain) y [Cibernética Evolutiva](https://en.wikipedia.org/wiki/Global_brain), que afirman que los sistemas de nivel superior obtienen algún tipo de valor añadido cuando se combinan adecuadamente a partir de sistemas de nivel inferior (el llamado *principio de transición de metasistema*). -## [Cuestionario previo a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/45) La dirección de los **Sistemas Multi-Agente** surgió en la IA en la década de 1990 como respuesta al crecimiento de Internet y los sistemas distribuidos. Uno de los libros de texto clásicos de IA, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), se centra en la visión de la IA clásica desde el punto de vista de los sistemas multi-agente. @@ -152,7 +152,7 @@ Todos tienden a centrarse en el comportamiento más simple de un agente individu Lleva esta lección al mundo real e intenta conceptualizar un sistema multi-agente que pueda resolver un problema. ¿Qué, por ejemplo, necesitaría hacer un sistema multi-agente para optimizar la ruta de un autobús escolar? ¿Cómo podría funcionar en una panadería? -## [Cuestionario posterior a la clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Cuestionario posterior a la clase](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Revisión y Estudio Personal diff --git a/translations/fa/lessons/1-Intro/README.md b/translations/fa/lessons/1-Intro/README.md index 350c1366..b022086c 100644 --- a/translations/fa/lessons/1-Intro/README.md +++ b/translations/fa/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: یک گشت و گذار در اینترنت انجام دهید تا مشخص کنید به نظر شما هوش مصنوعی در کجا به طور مؤثرتر استفاده می‌شود. آیا در یک اپلیکیشن نقشه‌برداری، یا یک سرویس تبدیل گفتار به متن، یا یک بازی ویدیویی؟ تحقیق کنید که این سیستم چگونه ساخته شده است. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/2-Symbolic/README.md b/translations/fa/lessons/2-Symbolic/README.md index bde98ab9..21390f00 100644 --- a/translations/fa/lessons/2-Symbolic/README.md +++ b/translations/fa/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: جستجوی هوش مصنوعی بر اساس یافتن دانش است، به منظور درک جهان به شیوه‌ای مشابه انسان‌ها. اما چگونه می‌توان این کار را انجام داد؟ -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/3) در روزهای اولیه هوش مصنوعی، رویکرد بالا به پایین برای ایجاد سیستم‌های هوشمند (که در درس قبلی بحث شد) محبوب بود. ایده این بود که دانش را از افراد استخراج کرده و به شکلی قابل خواندن توسط ماشین تبدیل کنیم و سپس از آن برای حل خودکار مسائل استفاده کنیم. این رویکرد بر اساس دو ایده بزرگ بود: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel در دفترچه هستی‌شناسی خانواده مرتبط با این درس، فرصتی برای آزمایش با روابط دیگر خانوادگی وجود دارد. سعی کنید ارتباطات جدیدی بین افراد در شجره‌نامه خانوادگی کشف کنید. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/fa/lessons/3-NeuralNetworks/03-Perceptron/README.md index d741c32a..7fdccab4 100644 --- a/translations/fa/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/fa/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # مقدمه‌ای بر شبکه‌های عصبی: پرسپترون -## [پیش‌زمینه آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [پیش‌زمینه آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/5) یکی از اولین تلاش‌ها برای پیاده‌سازی چیزی مشابه شبکه‌های عصبی مدرن توسط فرانک روزنبلات از آزمایشگاه هوافضای کورنل در سال ۱۹۵۷ انجام شد. این پیاده‌سازی سخت‌افزاری به نام "Mark-1" طراحی شده بود تا اشکال هندسی ابتدایی مانند مثلث، مربع و دایره را تشخیص دهد. @@ -84,7 +84,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): اگر دوست دارید پرسپترون خود را بسازید، این [آزمایش در Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) را امتحان کنید که از [طراح Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) استفاده می‌کند. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/fa/lessons/3-NeuralNetworks/04-OwnFramework/README.md index ed8a8dbf..2552c42c 100644 --- a/translations/fa/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/fa/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: همچنین چارچوب ماژولاری در پایتون توسعه خواهیم داد که به ما امکان می‌دهد معماری‌های مختلف شبکه عصبی را بسازیم. -## [پیش‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [پیش‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## فرمالیزه کردن یادگیری ماشین @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: به نوت‌بوک [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) بروید و آن را بررسی کنید. -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/fa/lessons/3-NeuralNetworks/05-Frameworks/README.md index 362b10dd..1cfc8d1f 100644 --- a/translations/fa/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/fa/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * عملیات روی تنسورها، مانند ضرب، جمع و محاسبه برخی توابع مانند سیگموید یا سافت‌مکس * محاسبه گرادیان‌های تمام عبارات، برای انجام بهینه‌سازی نزول گرادیان -## [پیش‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [پیش‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/9) در حالی که کتابخانه `numpy` می‌تواند بخش اول را انجام دهد، ما به مکانیزمی برای محاسبه گرادیان‌ها نیاز داریم. در [چارچوب خودمان](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) که در بخش قبلی توسعه دادیم، مجبور بودیم تمام توابع مشتق را به صورت دستی درون متد `backward` که پس‌انتشار را انجام می‌دهد، برنامه‌ریزی کنیم. به طور ایده‌آل، یک چارچوب باید این امکان را به ما بدهد که گرادیان‌های *هر عبارتی* که تعریف می‌کنیم را محاسبه کنیم. @@ -106,7 +106,7 @@ API سطح بالا | [Keras](../../../../../lessons/3-NeuralNetworks/05-Framewo در نوت‌بوک‌های همراه، در انتهای آن‌ها 'وظایف' را پیدا خواهید کرد؛ نوت‌بوک‌ها را مرور کرده و وظایف را کامل کنید. -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/fa/lessons/4-ComputerVision/06-IntroCV/README.md index a5d72c50..25c91de2 100644 --- a/translations/fa/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/fa/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [بینایی کامپیوتر](https://wikipedia.org/wiki/Computer_vision) شاخه‌ای از علوم است که هدف آن فراهم کردن توانایی درک تصاویر دیجیتال در سطح بالا برای کامپیوترها است. این تعریف بسیار گسترده است، زیرا *درک* می‌تواند معانی مختلفی داشته باشد، از جمله پیدا کردن یک شیء در تصویر (**تشخیص شیء**)، فهمیدن آنچه در حال رخ دادن است (**تشخیص رویداد**)، توصیف یک تصویر با متن، یا بازسازی یک صحنه در سه بعد. همچنین وظایف خاصی مرتبط با تصاویر انسانی وجود دارد: تخمین سن و احساسات، تشخیص و شناسایی چهره، و تخمین حالت سه‌بعدی، به عنوان چند مثال. -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/11) یکی از ساده‌ترین وظایف بینایی کامپیوتر **طبقه‌بندی تصویر** است. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) [این ویدئو](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) از نمایش AI را تماشا کنید تا درباره پروژه Cortic Tigers و نحوه ساخت یک راه‌حل مبتنی بر بلوک برای دموکراتیزه کردن وظایف بینایی کامپیوتر از طریق یک ربات یاد بگیرید. درباره پروژه‌های مشابهی که به تازه‌واردان کمک می‌کنند تا وارد این حوزه شوند تحقیق کنید. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/fa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 7fa2a0ec..b53ecb9f 100644 --- a/translations/fa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/fa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet خانواده‌ای از مدل‌ها با اندازه کاهش‌ در نوت‌بوک‌های همراه، یادداشت‌هایی در پایین درباره چگونگی دستیابی به دقت بیشتر وجود دارد. چند آزمایش انجام دهید تا ببینید آیا می‌توانید دقت بالاتری به دست آورید. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/fa/lessons/4-ComputerVision/07-ConvNets/README.md index 72dbd0a7..fb431819 100644 --- a/translations/fa/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/fa/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: قبلاً دیده‌ایم که شبکه‌های عصبی در پردازش تصاویر بسیار خوب عمل می‌کنند، حتی یک پرسپترون تک‌لایه قادر است اعداد دست‌نویس مجموعه داده MNIST را با دقت قابل قبولی تشخیص دهد. با این حال، مجموعه داده MNIST بسیار خاص است و همه اعداد در مرکز تصویر قرار دارند، که این کار را ساده‌تر می‌کند. -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/13) در زندگی واقعی، ما می‌خواهیم بتوانیم اشیاء را در یک تصویر تشخیص دهیم، بدون توجه به مکان دقیق آن‌ها در تصویر. بینایی کامپیوتری با طبقه‌بندی عمومی متفاوت است، زیرا وقتی سعی می‌کنیم یک شیء خاص را در تصویر پیدا کنیم، تصویر را اسکن می‌کنیم و به دنبال **الگوهای** خاص و ترکیب‌های آن‌ها می‌گردیم. برای مثال، وقتی به دنبال یک گربه هستیم، ممکن است ابتدا به دنبال خطوط افقی بگردیم که می‌توانند سبیل‌ها را تشکیل دهند، و سپس ترکیب خاصی از سبیل‌ها می‌تواند به ما بگوید که این واقعاً تصویر یک گربه است. موقعیت نسبی و حضور الگوهای خاص مهم است، نه موقعیت دقیق آن‌ها در تصویر. diff --git a/translations/fa/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/fa/lessons/4-ComputerVision/08-TransferLearning/README.md index fecdab56..d3e4c645 100644 --- a/translations/fa/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/fa/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: آموزش شبکه‌های عصبی پیچشی (CNN) می‌تواند زمان زیادی ببرد و نیازمند داده‌های زیادی باشد. با این حال، بخش عمده‌ای از زمان صرف یادگیری بهترین فیلترهای سطح پایین می‌شود که شبکه می‌تواند برای استخراج الگوها از تصاویر استفاده کند. یک سؤال طبیعی مطرح می‌شود - آیا می‌توانیم از یک شبکه عصبی که روی یک مجموعه داده آموزش دیده است استفاده کنیم و آن را برای طبقه‌بندی تصاویر مختلف بدون نیاز به فرآیند کامل آموزش تطبیق دهیم؟ -## [پیش‌زمینه درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [پیش‌زمینه درس](https://ff-quizzes.netlify.app/en/ai/quiz/15) این روش **یادگیری انتقالی** نامیده می‌شود، زیرا ما بخشی از دانش یک مدل شبکه عصبی را به مدل دیگری منتقل می‌کنیم. در یادگیری انتقالی، معمولاً با یک مدل از پیش آموزش‌دیده شروع می‌کنیم که روی یک مجموعه داده بزرگ تصویری مانند **ImageNet** آموزش دیده است. این مدل‌ها می‌توانند ویژگی‌های مختلفی را از تصاویر عمومی استخراج کنند و در بسیاری از موارد، تنها با ساخت یک طبقه‌بند بر روی این ویژگی‌های استخراج‌شده می‌توان به نتایج خوبی دست یافت. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: در نوت‌بوک‌های همراه، یادداشت‌هایی در پایین وجود دارد که توضیح می‌دهد چگونه دانش انتقالی با داده‌های آموزشی نسبتاً مشابه بهتر عمل می‌کند (شاید نوع جدیدی از حیوان). با تصاویر کاملاً جدید آزمایش کنید تا ببینید مدل‌های دانش انتقالی شما چقدر خوب یا ضعیف عمل می‌کنند. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/fa/lessons/4-ComputerVision/09-Autoencoders/README.md index 040ba4b5..1d6e6a3f 100644 --- a/translations/fa/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/fa/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: هنگام آموزش شبکه‌های عصبی کانولوشنی (CNN)، یکی از مشکلات این است که به داده‌های برچسب‌دار زیادی نیاز داریم. در مورد دسته‌بندی تصاویر، باید تصاویر را به کلاس‌های مختلف تقسیم کنیم که این کار به صورت دستی انجام می‌شود. -## [پیش‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [پیش‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/17) با این حال، ممکن است بخواهیم از داده‌های خام (بدون برچسب) برای آموزش استخراج‌کننده‌های ویژگی CNN استفاده کنیم، که به آن **یادگیری خودنظارتی** گفته می‌شود. به جای برچسب‌ها، از تصاویر آموزشی به عنوان ورودی و خروجی شبکه استفاده خواهیم کرد. ایده اصلی **خودرمزگذار** این است که یک **شبکه رمزگذار** داشته باشیم که تصویر ورودی را به یک **فضای نهان** تبدیل کند (معمولاً فقط یک بردار با اندازه کوچکتر است)، سپس یک **شبکه رمزگشا** که هدف آن بازسازی تصویر اصلی باشد. @@ -80,7 +80,7 @@ VAE نوعی خودرمزگذار است که یاد می‌گیرد *توزیع * **دارای افت کیفیت** - تصویر بازسازی شده همان تصویر اصلی نیست. ماهیت افت کیفیت توسط *تابع هزینه* استفاده شده در طول آموزش تعریف می‌شود. * کار با **داده‌های بدون برچسب** -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## نتیجه‌گیری @@ -90,7 +90,7 @@ VAE نوعی خودرمزگذار است که یاد می‌گیرد *توزیع در این درس، شما درباره استفاده از خودرمزگذارها برای تصاویر یاد گرفتید. اما آن‌ها می‌توانند برای موسیقی نیز استفاده شوند! پروژه Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae) از خودرمزگذارها برای یادگیری بازسازی موسیقی استفاده می‌کند. با این کتابخانه [آزمایش کنید](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) تا ببینید چه چیزی می‌توانید خلق کنید. -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/4-ComputerVision/10-GANs/README.md b/translations/fa/lessons/4-ComputerVision/10-GANs/README.md index 42d055fb..1b763b7e 100644 --- a/translations/fa/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/fa/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: در بخش قبلی، درباره **مدل‌های مولد** یاد گرفتیم: مدل‌هایی که می‌توانند تصاویر جدیدی مشابه تصاویر موجود در مجموعه داده آموزشی تولید کنند. VAE نمونه‌ای خوب از یک مدل مولد بود. -## [پیش‌از-درس آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [پیش‌از-درس آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/19) با این حال، اگر بخواهیم چیزی واقعاً معنادار، مانند یک نقاشی با وضوح مناسب، تولید کنیم، با استفاده از VAE متوجه می‌شویم که آموزش به خوبی همگرا نمی‌شود. برای این مورد استفاده، باید درباره معماری دیگری که به طور خاص برای مدل‌های مولد طراحی شده است یاد بگیریم - **شبکه‌های مولد تخاصمی** یا GANs. @@ -84,7 +84,7 @@ GANها راهی عالی برای تولید تصاویر هنری هستند. ## ✍️ مثال: [انتقال سبک](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [پس‌از-درس آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [پس‌از-درس آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## نتیجه‌گیری diff --git a/translations/fa/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/fa/lessons/4-ComputerVision/11-ObjectDetection/README.md index 71bee39a..afea35f8 100644 --- a/translations/fa/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/fa/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: مدل‌های دسته‌بندی تصویر که تاکنون با آن‌ها کار کرده‌ایم، یک تصویر را گرفته و یک نتیجه‌ی دسته‌بندی، مانند کلاس "عدد" در مسئله‌ی MNIST، تولید می‌کردند. اما در بسیاری از موارد، ما فقط نمی‌خواهیم بدانیم که یک تصویر اشیاء را نشان می‌دهد - بلکه می‌خواهیم مکان دقیق آن‌ها را نیز تعیین کنیم. این دقیقاً هدف **تشخیص اشیاء** است. -## [پیش‌سوالات درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [پیش‌سوالات درس](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![تشخیص اشیاء](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -171,7 +171,7 @@ YOLO یک الگوریتم یک‌مرحله‌ای بلادرنگ است. ای * YOLO: [پیاده‌سازی Keras](https://github.com/experiencor/keras-yolo2)، [دفترچه گام‌به‌گام](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [پیاده‌سازی Keras](https://github.com/experiencor/keras-yolo2)، [دفترچه گام‌به‌گام](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [پس‌سوالات درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [پس‌سوالات درس](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/fa/lessons/4-ComputerVision/12-Segmentation/README.md index f3703b40..c4ba3eba 100644 --- a/translations/fa/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/fa/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ما قبلاً درباره تشخیص اشیا یاد گرفتیم، که به ما امکان می‌دهد اشیا را در تصویر با پیش‌بینی *جعبه‌های محدودکننده* مکان‌یابی کنیم. با این حال، برای برخی وظایف، تنها جعبه‌های محدودکننده کافی نیستند و به مکان‌یابی دقیق‌تر اشیا نیاز داریم. این وظیفه **بخش‌بندی** نامیده می‌شود. -## [پرسش‌نامه پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [پرسش‌نامه پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/23) بخش‌بندی را می‌توان به عنوان **طبقه‌بندی پیکسل‌ها** در نظر گرفت، به این معنا که برای **هر** پیکسل تصویر باید کلاس آن را پیش‌بینی کنیم (*پس‌زمینه* یکی از کلاس‌ها است). دو الگوریتم اصلی برای بخش‌بندی وجود دارد: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [بخش‌بندی معنایی با Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [بخش‌بندی معنایی با TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [پرسش‌نامه پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [پرسش‌نامه پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## نتیجه‌گیری diff --git a/translations/fa/lessons/5-NLP/13-TextRep/README.md b/translations/fa/lessons/5-NLP/13-TextRep/README.md index 718ed343..a43be0a6 100644 --- a/translations/fa/lessons/5-NLP/13-TextRep/README.md +++ b/translations/fa/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # نمایش متن به صورت تنسورها -## [پیش‌ آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [پیش‌ آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## دسته‌بندی متن @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: برخی تمرین‌های دیگر را با استفاده از کیسه کلمات و مدل‌های داده مختلف امتحان کنید. ممکن است این [رقابت در Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) الهام‌بخش شما باشد. -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/5-NLP/14-Embeddings/README.md b/translations/fa/lessons/5-NLP/14-Embeddings/README.md index f95e25e0..1fbd1783 100644 --- a/translations/fa/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/fa/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # تعبیه‌ها -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/27) هنگام آموزش دسته‌بندها بر اساس BoW یا TF/IDF، ما با بردارهای کیسه کلمات با ابعاد بالا که طول آن‌ها `vocab_size` بود کار می‌کردیم و به طور صریح بردارهای نمایشی موقعیتی با ابعاد پایین را به نمایشی پراکنده و تک‌داغ تبدیل می‌کردیم. با این حال، این نمایشی تک‌داغ از نظر حافظه کارآمد نیست. علاوه بر این، هر کلمه به صورت مستقل از دیگر کلمات در نظر گرفته می‌شود، یعنی بردارهای تک‌داغ هیچ شباهت معنایی بین کلمات را بیان نمی‌کنند. @@ -65,7 +65,7 @@ CBoW سریع‌تر است، در حالی که اسکیپ‌گرام کندت Word2Vec برای برخی کاربردهای جالب مانند تولید اشعار و ترانه‌ها استفاده شده است. به [این مقاله](https://www.politetype.com/blog/word2vec-color-poems) نگاهی بیندازید که توضیح می‌دهد چگونه نویسنده از Word2Vec برای تولید شعر استفاده کرده است. همچنین [این ویدیو از دن شیفمن](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) را تماشا کنید تا توضیح متفاوتی از این تکنیک را کشف کنید. سپس سعی کنید این تکنیک‌ها را بر روی مجموعه‌ی متن خود، شاید از Kaggle، اعمال کنید. -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## مرور و مطالعه‌ی خودخوان diff --git a/translations/fa/lessons/5-NLP/15-LanguageModeling/README.md b/translations/fa/lessons/5-NLP/15-LanguageModeling/README.md index bebe735c..291b8e14 100644 --- a/translations/fa/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/fa/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: بردارهای معنایی، مانند Word2Vec و GloVe، در واقع اولین گام به سمت **مدل‌سازی زبان** هستند - ایجاد مدل‌هایی که به نوعی *ماهیت* (یا *نمایش*) زبان را درک می‌کنند. -## [پیش‌ آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [پیش‌ آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/29) ایده اصلی مدل‌سازی زبان، آموزش آن‌ها بر روی داده‌های بدون برچسب به صورت نظارت‌نشده است. این موضوع اهمیت دارد زیرا حجم زیادی از متن‌های بدون برچسب در دسترس داریم، در حالی که مقدار متن‌های برچسب‌دار همیشه به میزان تلاشی که می‌توانیم برای برچسب‌گذاری صرف کنیم محدود خواهد بود. اغلب، می‌توانیم مدل‌های زبانی بسازیم که بتوانند **کلمات گمشده** در متن را پیش‌بینی کنند، زیرا حذف تصادفی یک کلمه از متن و استفاده از آن به عنوان نمونه آموزشی کار ساده‌ای است. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: در درس قبلی دیدیم که بردارهای کلمات مانند جادو عمل می‌کنند! اکنون می‌دانیم که آموزش بردارهای کلمات کار پیچیده‌ای نیست و اگر نیاز باشد، می‌توانیم بردارهای کلمات خود را برای متون خاص یک حوزه آموزش دهیم. -## [پس‌ آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [پس‌ آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/5-NLP/16-RNN/README.md b/translations/fa/lessons/5-NLP/16-RNN/README.md index e715296c..4e9adb4e 100644 --- a/translations/fa/lessons/5-NLP/16-RNN/README.md +++ b/translations/fa/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # شبکه‌های عصبی بازگشتی -## [پیش‌زمینه: آزمون کوتاه](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [پیش‌زمینه: آزمون کوتاه](https://ff-quizzes.netlify.app/en/ai/quiz/31) در بخش‌های قبلی، ما از نمایش‌های معنایی غنی متن و یک طبقه‌بند خطی ساده بر روی تعبیه‌ها استفاده کرده‌ایم. این معماری معنای کلی کلمات در یک جمله را ثبت می‌کند، اما ترتیب کلمات را در نظر نمی‌گیرد، زیرا عملیات تجمیع بر روی تعبیه‌ها این اطلاعات را از متن اصلی حذف می‌کند. به دلیل اینکه این مدل‌ها قادر به مدل‌سازی ترتیب کلمات نیستند، نمی‌توانند وظایف پیچیده‌تر یا مبهم‌تر مانند تولید متن یا پاسخ به سوالات را حل کنند. @@ -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) -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/fa/lessons/5-NLP/17-GenerativeNetworks/README.md index f472d6c3..a02521d2 100644 --- a/translations/fa/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/fa/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # شبکه‌های مولد -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/33) شبکه‌های عصبی بازگشتی (RNNs) و انواع سلول‌های دروازه‌دار آن‌ها مانند سلول‌های حافظه بلندمدت (LSTMs) و واحدهای بازگشتی دروازه‌دار (GRUs) مکانیزمی برای مدل‌سازی زبان فراهم کردند که می‌توانند ترتیب کلمات را یاد بگیرند و پیش‌بینی‌هایی برای کلمه بعدی در یک دنباله ارائه دهند. این قابلیت به ما اجازه می‌دهد از RNNها برای **وظایف مولد** استفاده کنیم، مانند تولید متن معمولی، ترجمه ماشینی، و حتی توضیحات تصویری. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * تولید متن با [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) -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/5-NLP/18-Transformers/README.md b/translations/fa/lessons/5-NLP/18-Transformers/README.md index 3d5fd32b..a248e6d6 100644 --- a/translations/fa/lessons/5-NLP/18-Transformers/README.md +++ b/translations/fa/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # مکانیزم‌های توجه و مدل‌های ترانسفورمر -## [پیش‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [پیش‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/35) یکی از مهم‌ترین مسائل در حوزه پردازش زبان طبیعی (NLP) **ترجمه ماشینی** است، که یک وظیفه اساسی در ابزارهایی مانند Google Translate محسوب می‌شود. در این بخش، ما بر ترجمه ماشینی تمرکز خواهیم کرد، یا به طور کلی‌تر، بر هر وظیفه‌ای که به صورت *توالی به توالی* انجام می‌شود (که به آن **تبدیل جمله** نیز گفته می‌شود). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 چالش -## [پس‌آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [پس‌آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## مرور و مطالعه خودآموز diff --git a/translations/fa/lessons/5-NLP/19-NER/README.md b/translations/fa/lessons/5-NLP/19-NER/README.md index df39820e..a00194d8 100644 --- a/translations/fa/lessons/5-NLP/19-NER/README.md +++ b/translations/fa/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: تا به حال، بیشتر بر روی یک وظیفه پردازش زبان طبیعی (NLP) - طبقه‌بندی - تمرکز کرده‌ایم. با این حال، وظایف دیگری نیز در NLP وجود دارند که می‌توان با استفاده از شبکه‌های عصبی انجام داد. یکی از این وظایف **[شناسایی موجودیت‌های نام‌گذاری‌شده](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) است که به شناسایی موجودیت‌های خاص در متن می‌پردازد، مانند مکان‌ها، نام افراد، بازه‌های زمانی، فرمول‌های شیمیایی و غیره. -## [پیش‌از‌درس: آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [پیش‌از‌درس: آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## مثال استفاده از NER @@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA: تکلیف زیر را کامل کنید تا یک مدل شناسایی موجودیت‌های نام‌گذاری‌شده برای اصطلاحات پزشکی آموزش دهید، سپس آن را بر روی یک مجموعه داده متفاوت امتحان کنید. -## [پس‌از‌درس: آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [پس‌از‌درس: آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/5-NLP/20-LangModels/README.md b/translations/fa/lessons/5-NLP/20-LangModels/README.md index 03f55228..535c4124 100644 --- a/translations/fa/lessons/5-NLP/20-LangModels/README.md +++ b/translations/fa/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: در تمام وظایف قبلی، ما یک شبکه عصبی را برای انجام یک وظیفه خاص با استفاده از مجموعه داده‌های برچسب‌دار آموزش می‌دادیم. اما با مدل‌های بزرگ ترنسفورمر، مانند BERT، از مدل‌سازی زبان به صورت خودنظارتی برای ساخت یک مدل زبانی استفاده می‌کنیم که سپس با آموزش‌های خاص دامنه برای وظایف پایین‌دستی تخصصی می‌شود. با این حال، نشان داده شده است که مدل‌های زبانی بزرگ می‌توانند بسیاری از وظایف را بدون هیچ‌گونه آموزش خاص دامنه حل کنند. خانواده‌ای از مدل‌ها که قادر به انجام این کار هستند، **GPT** نامیده می‌شوند: ترنسفورمر از پیش آموزش‌دیده تولیدی. -## [پیش‌ آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [پیش‌ آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## تولید متن و پیچیدگی @@ -58,7 +58,7 @@ GPT یک مدل واحد نیست، بلکه مجموعه‌ای از مدل‌ مدل‌های زبانی عمومی از پیش آموزش‌دیده جدید نه تنها ساختار زبان را مدل‌سازی می‌کنند، بلکه حجم عظیمی از زبان طبیعی را نیز در خود دارند. بنابراین، می‌توانند به طور مؤثری برای حل برخی از وظایف پردازش زبان طبیعی در تنظیمات صفر-شات یا چند-شات استفاده شوند. -## [پس‌ آزمون](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [پس‌ آزمون](https://ff-quizzes.netlify.app/en/ai/quiz/40) **سلب مسئولیت**: این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما هیچ مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم. \ No newline at end of file diff --git a/translations/fa/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/fa/lessons/6-Other/21-GeneticAlgorithms/README.md index 232e3e0e..79a54da6 100644 --- a/translations/fa/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/fa/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # الگوریتم‌های ژنتیکی -## [پرسشنامه قبل از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [پرسشنامه قبل از درس](https://ff-quizzes.netlify.app/en/ai/quiz/41) **الگوریتم‌های ژنتیکی** (GA) بر اساس یک **رویکرد تکاملی** در هوش مصنوعی بنا شده‌اند، که در آن از روش‌های تکامل یک جمعیت برای یافتن یک راه‌حل بهینه برای یک مسئله مشخص استفاده می‌شود. این الگوریتم‌ها در سال 1975 توسط [جان هنری هالند](https://wikipedia.org/wiki/John_Henry_Holland) پیشنهاد شدند. @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "الگوریتم‌های ژنتیکی ساده پیاده‌سازی می‌شوند، اما رفتار آن‌ها دشوار است که درک شود." [منبع](https://wikipedia.org/wiki/Genetic_algorithm) تحقیقی انجام دهید و یک پیاده‌سازی از الگوریتم ژنتیکی مانند حل یک پازل سودوکو پیدا کنید و توضیح دهید که چگونه کار می‌کند، به صورت یک طرح یا نمودار جریان. -## [پرسشنامه بعد از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [پرسشنامه بعد از درس](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/6-Other/22-DeepRL/README.md b/translations/fa/lessons/6-Other/22-DeepRL/README.md index 5ed8ae06..eb73e3ca 100644 --- a/translations/fa/lessons/6-Other/22-DeepRL/README.md +++ b/translations/fa/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: یادگیری تقویتی (RL) به عنوان یکی از الگوهای اصلی یادگیری ماشین در کنار یادگیری نظارت‌شده و یادگیری بدون نظارت شناخته می‌شود. در حالی که در یادگیری نظارت‌شده به مجموعه داده‌هایی با نتایج مشخص تکیه می‌کنیم، یادگیری تقویتی بر اساس **یادگیری از طریق عمل** است. برای مثال، وقتی برای اولین بار یک بازی کامپیوتری را می‌بینیم، شروع به بازی می‌کنیم، حتی بدون دانستن قوانین، و به زودی تنها با فرآیند بازی کردن و تنظیم رفتار خود، مهارت‌هایمان را بهبود می‌بخشیم. -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/43) برای انجام یادگیری تقویتی، به موارد زیر نیاز داریم: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") برنامه‌های ذکر شده در بخش "سایر وظایف یادگیری تقویتی" را بررسی کنید و سعی کنید یکی از آن‌ها را پیاده‌سازی کنید! -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## مرور و مطالعه شخصی diff --git a/translations/fa/lessons/6-Other/23-MultiagentSystems/README.md b/translations/fa/lessons/6-Other/23-MultiagentSystems/README.md index fb62cc60..fa7ec74c 100644 --- a/translations/fa/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/fa/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: یکی از روش‌های ممکن برای دستیابی به هوش، رویکردی است که به آن **پدیدار** (یا **هم‌افزایی**) گفته می‌شود. این روش بر این اصل استوار است که رفتار ترکیبی تعداد زیادی عامل نسبتاً ساده می‌تواند منجر به رفتار کلی پیچیده‌تر (یا هوشمندانه‌تر) سیستم به‌عنوان یک کل شود. از نظر تئوری، این روش بر اصول [هوش جمعی](https://en.wikipedia.org/wiki/Collective_intelligence)، [پدیدارگرایی](https://en.wikipedia.org/wiki/Global_brain) و [سایبرنتیک تکاملی](https://en.wikipedia.org/wiki/Global_brain) استوار است که بیان می‌کنند سیستم‌های سطح بالاتر زمانی که به‌درستی از سیستم‌های سطح پایین‌تر ترکیب شوند، نوعی ارزش افزوده کسب می‌کنند (اصلی که به آن *اصل گذار به فرامجموعه* گفته می‌شود). -## [آزمون پیش از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ai/quiz/45) جهت‌گیری **سیستم‌های چندعاملی** در دهه ۱۹۹۰ در حوزه هوش مصنوعی به‌عنوان پاسخی به رشد اینترنت و سیستم‌های توزیع‌شده ظهور کرد. یکی از کتاب‌های درسی کلاسیک هوش مصنوعی، [هوش مصنوعی: رویکردی مدرن](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)، به بررسی هوش مصنوعی کلاسیک از دیدگاه سیستم‌های چندعاملی می‌پردازد. @@ -152,7 +152,7 @@ to go [ این درس را به دنیای واقعی ببرید و سعی کنید یک سیستم چندعاملی را برای حل یک مشکل مفهوم‌سازی کنید. به‌عنوان مثال، یک سیستم چندعاملی برای بهینه‌سازی مسیر اتوبوس مدرسه چه کاری باید انجام دهد؟ چگونه می‌تواند در یک نانوایی کار کند؟ -## [آزمون پس از درس](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## مرور و مطالعه شخصی diff --git a/translations/fi/lessons/1-Intro/README.md b/translations/fi/lessons/1-Intro/README.md index 48ca22e8..ee731438 100644 --- a/translations/fi/lessons/1-Intro/README.md +++ b/translations/fi/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Viime vuosina olemme nähneet suuria edistysaskeleita suurten kielimallien, kute Tutki internetiä ja päätä, missä mielestäsi tekoälyä käytetään tehokkaimmin. Onko se karttasovelluksessa, puheesta tekstiksi -palvelussa vai videopelissä? Tutki, miten järjestelmä on rakennettu. -## [Luennon jälkeinen kysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Luennon jälkeinen kysely](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/2-Symbolic/README.md b/translations/fi/lessons/2-Symbolic/README.md index 731bcd38..d3a58ef7 100644 --- a/translations/fi/lessons/2-Symbolic/README.md +++ b/translations/fi/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Tekoälyn tavoite perustuu tiedon etsintään, pyrkimykseen ymmärtää maailmaa samalla tavalla kuin ihmiset. Mutta miten tämä voidaan toteuttaa? -## [Ennakkokysely ennen luentoa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Ennakkokysely ennen luentoa](https://ff-quizzes.netlify.app/en/ai/quiz/3) Tekoälyn alkuvaiheessa suosittiin ylhäältä alas -lähestymistapaa älykkäiden järjestelmien luomisessa (käsitelty edellisessä oppitunnissa). Ajatuksena oli siirtää ihmisten tieto koneelle koneen ymmärtämässä muodossa ja käyttää sitä ongelmien automaattiseen ratkaisemiseen. Tämä lähestymistapa perustui kahteen suureen ideaan: @@ -236,7 +236,7 @@ Nykyään tekoälyä pidetään usein *koneoppimisen* tai *neuroverkkojen* synon Family Ontology -muistikirjassa, joka liittyy tähän oppituntiin, on mahdollisuus kokeilla muita perhesuhteita. Yritä löytää uusia yhteyksiä ihmisten välillä sukupuussa. -## [Luennon jälkeinen kysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Luennon jälkeinen kysely](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/fi/lessons/3-NeuralNetworks/03-Perceptron/README.md index ecfc5b32..1a3153fc 100644 --- a/translations/fi/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/fi/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Johdanto neuroverkkoihin: Perceptron -## [Ennakkovisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Ennakkovisa](https://ff-quizzes.netlify.app/en/ai/quiz/5) Yksi ensimmäisistä yrityksistä toteuttaa jotain modernin neuroverkon kaltaista tehtiin Frank Rosenblattin toimesta Cornellin ilmailulaboratoriossa vuonna 1957. Se oli laitteistototeutus nimeltä "Mark-1", joka oli suunniteltu tunnistamaan yksinkertaisia geometrisia kuvioita, kuten kolmioita, neliöitä ja ympyröitä. @@ -85,7 +85,7 @@ Tässä oppitunnissa opit perceptronista, joka on binääriluokittelumalli, ja k Jos haluat kokeilla rakentaa oman perceptronin, kokeile [tätä Microsoft Learn -laboratoriota](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), joka käyttää [Azure ML -suunnittelijaa](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Jälkivisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Jälkivisa](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/fi/lessons/3-NeuralNetworks/04-OwnFramework/README.md index ae2c8fa8..f3aed4a8 100644 --- a/translations/fi/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/fi/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Tässä osiossa laajennamme tätä mallia joustavammaksi kehykseksi, joka mahdol Kehitämme myös oman modulaarisen kehyksen Pythonissa, jonka avulla voimme rakentaa erilaisia neuroverkkorakenteita. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Koneoppimisen formalisointi @@ -81,7 +81,7 @@ Liitetyssä vihkossa toteutat oman kehyksen monikerroksisten perceptronien raken Siirry [OwnFramework](OwnFramework.ipynb) -vihkoon ja käy se läpi. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/fi/lessons/3-NeuralNetworks/05-Frameworks/README.md index cd5360cc..530c9804 100644 --- a/translations/fi/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/fi/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Kuten olemme jo oppineet, neuroverkkojen tehokkaaseen kouluttamiseen tarvitaan k * Kyky käsitellä tensoreita, esimerkiksi kertoa, laskea yhteen ja laskea joitakin funktioita, kuten sigmoid tai softmax * Kyky laskea kaikkien lausekkeiden gradientit, jotta voidaan suorittaa gradienttilaskeuman optimointi -## [Esiluentavisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Esiluentavisa](https://ff-quizzes.netlify.app/en/ai/quiz/9) Vaikka `numpy`-kirjasto pystyy suorittamaan ensimmäisen osan, tarvitsemme mekanismin gradienttien laskemiseen. [Oma kehyksemme](../04-OwnFramework/OwnFramework.ipynb), jonka kehitimme edellisessä osiossa, vaati, että kaikki derivaattafunktiot ohjelmoitiin manuaalisesti `backward`-metodissa, joka suorittaa takapropagaation. Ihanteellisesti kehys antaisi meille mahdollisuuden laskea gradientit *mille tahansa lausekkeelle*, jonka voimme määritellä. @@ -106,7 +106,7 @@ Tässä oppitunnissa opit kahden suosituimman tekoälykehyksen, TensorFlow'n ja Mukana olevissa muistikirjoissa löydät 'tehtäviä' alareunasta; käy läpi muistikirjat ja suorita tehtävät. -## [Jälkiluentavisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Jälkiluentavisa](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/fi/lessons/4-ComputerVision/06-IntroCV/README.md index 4bd2718d..05304a6d 100644 --- a/translations/fi/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/fi/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Tietokonenäkö](https://wikipedia.org/wiki/Computer_vision) on ala, jonka tavoitteena on mahdollistaa tietokoneiden korkeatasoinen ymmärrys digitaalisista kuvista. Tämä on melko laaja määritelmä, sillä *ymmärrys* voi tarkoittaa monia eri asioita, kuten objektin löytämistä kuvasta (**objektin tunnistus**), tapahtuman ymmärtämistä (**tapahtuman tunnistus**), kuvan kuvailemista tekstinä tai kohtauksen rekonstruointia 3D-muodossa. On myös erityisiä tehtäviä, jotka liittyvät ihmisten kuviin: iän ja tunteiden arviointi, kasvojen tunnistus ja identifiointi sekä 3D-asennon arviointi, muutamia mainitakseni. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/11) Yksi tietokonenäön yksinkertaisimmista tehtävistä on **kuvien luokittelu**. @@ -105,7 +105,7 @@ Joskus suhteellisen monimutkaiset tehtävät, kuten liikkeen tunnistus tai sorme Katso [tämä 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) AI Show'sta oppiaksesi Cortic Tigers -projektista ja siitä, miten he rakensivat lohkopohjaisen ratkaisun tietokonenäön tehtävien demokratisoimiseksi robotin avulla. Tee tutkimusta muista vastaavista projekteista, jotka auttavat uusia oppijoita pääsemään mukaan alalle. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/fi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 1ef115da..0a8a60c6 100644 --- a/translations/fi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/fi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Tässä osiossa opit konvoluutioverkkojen pääperiaatteet, jotka ovat tietokone Mukana olevissa muistikirjoissa on alareunassa muistiinpanoja siitä, miten saavuttaa parempi tarkkuus. Tee kokeita nähdäksesi, voitko saavuttaa korkeamman tarkkuuden. -## [Luennon jälkeinen kysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Luennon jälkeinen kysely](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/fi/lessons/4-ComputerVision/07-ConvNets/README.md index 1004c50b..ece3e16d 100644 --- a/translations/fi/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/fi/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Olemme aiemmin nähneet, että neuroverkot ovat varsin hyviä käsittelemään kuvia, ja jopa yksikerroksinen perceptron pystyy tunnistamaan käsinkirjoitettuja numeroita MNIST-datasta kohtuullisella tarkkuudella. MNIST-datasetti on kuitenkin hyvin erityinen, sillä kaikki numerot on keskitetty kuvan sisälle, mikä tekee tehtävästä yksinkertaisemman. -## [Esiluentavisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Esiluentavisa](https://ff-quizzes.netlify.app/en/ai/quiz/13) Todellisessa elämässä haluamme pystyä tunnistamaan esineitä kuvasta niiden tarkasta sijainnista riippumatta. Tietokonenäkö eroaa yleisestä luokittelusta, koska kun yritämme löytää tiettyä esinettä kuvasta, skannaamme kuvaa etsiessämme tiettyjä **kuvioita** ja niiden yhdistelmiä. Esimerkiksi, kun etsimme kissaa, voimme ensin etsiä vaakasuoria viivoja, jotka voivat muodostaa viikset, ja sitten tietty viiksien yhdistelmä voi kertoa meille, että kyseessä on kuva kissasta. Tiettyjen kuvioiden suhteellinen sijainti ja läsnäolo ovat tärkeitä, eivät niiden tarkka sijainti kuvassa. diff --git a/translations/fi/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/fi/lessons/4-ComputerVision/08-TransferLearning/README.md index 4eda0fdc..79efda09 100644 --- a/translations/fi/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/fi/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Konvoluutionaalisten neuroverkkojen (CNN) kouluttaminen voi viedä paljon aikaa, ja siihen tarvitaan runsaasti dataa. Suuri osa ajasta kuluu kuitenkin parhaiden matalan tason suodattimien oppimiseen, joita verkko voi käyttää kuvioiden tunnistamiseen kuvista. Herää luonnollinen kysymys – voimmeko käyttää yhdellä aineistolla koulutettua neuroverkkoa ja mukauttaa sen luokittelemaan erilaisia kuvia ilman, että koko koulutusprosessia tarvitaan? -## [Ennakkovisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Ennakkovisa](https://ff-quizzes.netlify.app/en/ai/quiz/15) Tätä lähestymistapaa kutsutaan **siirto-oppimiseksi**, koska siirrämme tietoa yhdestä neuroverkkon mallista toiseen. Siirto-oppimisessa aloitamme yleensä esikoulutetulla mallilla, joka on koulutettu suurella kuvadatasetillä, kuten **ImageNet**. Nämä mallit osaavat jo hyvin tunnistaa erilaisia piirteitä yleisistä kuvista, ja monissa tapauksissa pelkän luokittelijan rakentaminen näiden piirteiden päälle voi tuottaa hyviä tuloksia. @@ -76,7 +76,7 @@ Siirto-oppimisen avulla voit nopeasti rakentaa luokittelijan mukautettuun objekt Mukana olevissa muistikirjoissa on huomioita siitä, kuinka siirto-oppiminen toimii parhaiten jossain määrin samankaltaisen koulutusdatan kanssa (esimerkiksi uusi eläinlaji). Tee kokeiluja täysin uusilla kuvatyypeillä nähdäksesi, kuinka hyvin tai huonosti siirto-oppimismallisi toimivat. -## [Jälkivisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Jälkivisa](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/fi/lessons/4-ComputerVision/09-Autoencoders/README.md index 93d9ab90..f0828d09 100644 --- a/translations/fi/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/fi/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kun koulutamme CNN-verkkoja, yksi ongelmista on, että tarvitsemme paljon merkittyä dataa. Kuvien luokittelussa tämä tarkoittaa, että kuvat on jaoteltava eri luokkiin, mikä vaatii manuaalista työtä. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/17) Toisaalta voimme haluta käyttää raakadataa (ilman merkintöjä) CNN-ominaisuuksien oppimiseen, mitä kutsutaan **itseohjautuvaksi oppimiseksi**. Merkittyjen tietojen sijaan käytämme harjoituskuvia sekä verkon syötteenä että tulosteena. **Autokooderin** pääidea on, että meillä on **enkooderiverkko**, joka muuntaa syötekuvan johonkin **latenttitilaan** (yleensä pienemmän kokoiseen vektoriin), ja **dekooderiverkko**, jonka tehtävänä on rekonstruoida alkuperäinen kuva. @@ -80,7 +80,7 @@ Opi lisää autokoodereista näissä vastaavissa muistikirjoissa: * **Häviöllinen** - rekonstruoitu kuva ei ole sama kuin alkuperäinen kuva. Häviön luonne määräytyy koulutuksessa käytetyn *häviöfunktion* mukaan. * Toimii **merkitsemättömällä datalla** -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Yhteenveto @@ -90,7 +90,7 @@ Tässä oppitunnissa opit erilaisista autokooderityypeistä, joita tekoälytutki Tässä oppitunnissa opit käyttämään autokoodereita kuvien kanssa. Mutta niitä voidaan käyttää myös musiikkiin! Tutustu Magenta-projektin [MusicVAE](https://magenta.tensorflow.org/music-vae) -projektiin, joka käyttää autokoodereita musiikin rekonstruinnin oppimiseen. Tee [kokeiluja](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) tämän kirjaston kanssa nähdäksesi, mitä voit luoda. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/10-GANs/README.md b/translations/fi/lessons/4-ComputerVision/10-GANs/README.md index 8d42dd2c..6902b040 100644 --- a/translations/fi/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/fi/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Edellisessä osiossa opimme **generatiivisista malleista**: malleista, jotka voivat luoda uusia kuvia, jotka muistuttavat harjoitusaineistossa olevia kuvia. VAE oli hyvä esimerkki generatiivisesta mallista. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Jos kuitenkin yritämme luoda jotain todella merkityksellistä, kuten maalauksen kohtuullisella resoluutiolla, VAE:lla huomaamme, että koulutus ei konvergoi hyvin. Tätä käyttötapausta varten meidän tulisi oppia toinen arkkitehtuuri, joka on erityisesti suunnattu generatiivisille malleille - **Generatiiviset vastakkaisasettelumallit**, eli GANit. @@ -84,7 +84,7 @@ Näin se toimii: ## ✍️ Esimerkki: [Tyylinsiirto](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) ## Yhteenveto diff --git a/translations/fi/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/fi/lessons/4-ComputerVision/11-ObjectDetection/README.md index 64b19b0d..d5618db9 100644 --- a/translations/fi/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/fi/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kuvien luokittelumallit, joita olemme tähän mennessä käsitelleet, ottavat kuvan ja tuottavat kategorisen tuloksen, kuten luokan 'numero' MNIST-ongelmassa. Monissa tapauksissa emme kuitenkaan halua vain tietää, että kuva esittää kohteita – haluamme pystyä määrittämään niiden tarkka sijainti. Juuri tähän **kohteiden tunnistus** keskittyy. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Kohteiden Tunnistus](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.fi.png) @@ -172,7 +172,7 @@ Lue nämä artikkelit ja muistikirjat YOLO:sta ja kokeile niitä itse: * Yolo: [Keras-toteutus](https://github.com/experiencor/keras-yolo2), [askel-askeleelta muistikirja](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras-toteutus](https://github.com/experiencor/keras-yolo2), [askel-askeleelta muistikirja](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) ## Kertaus & Itseopiskelu diff --git a/translations/fi/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/fi/lessons/4-ComputerVision/12-Segmentation/README.md index 76fe8b2f..a11dc5c5 100644 --- a/translations/fi/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/fi/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Olemme aiemmin oppineet objektien tunnistamisesta, jonka avulla voimme paikantaa objektit kuvasta ennustamalla niiden *rajauslaatikot*. Joissakin tehtävissä emme kuitenkaan tarvitse pelkästään rajauslaatikoita, vaan myös tarkempaa objektien paikannusta. Tätä tehtävää kutsutaan **segmentoinniksi**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentointia voidaan pitää **pikseliluokitteluna**, jossa jokaiselle kuvan **pikselille** täytyy ennustaa sen luokka (*tausta* on yksi luokista). Segmentointialgoritmeja on kaksi päätyyppiä: @@ -56,7 +56,7 @@ Avaa alla olevat muistikirjat oppiaksesi lisää erilaisista semanttisen segment * [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) ## Yhteenveto diff --git a/translations/fi/lessons/5-NLP/13-TextRep/README.md b/translations/fi/lessons/5-NLP/13-TextRep/README.md index ec4749f0..574a04b3 100644 --- a/translations/fi/lessons/5-NLP/13-TextRep/README.md +++ b/translations/fi/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Tekstin esittäminen tensoreina -## [Ennakkovisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Ennakkovisa](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Tekstin luokittelu @@ -73,7 +73,7 @@ Tähän mennessä olemme tutkineet tekniikoita, jotka voivat lisätä painotusta Kokeile muita harjoituksia käyttäen bag-of-words-menetelmää ja erilaisia datamalleja. Voit saada inspiraatiota tästä [Kaggle-kilpailusta](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Jälkivisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Jälkivisa](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/14-Embeddings/README.md b/translations/fi/lessons/5-NLP/14-Embeddings/README.md index 6166d083..67859d4c 100644 --- a/translations/fi/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/fi/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Upotukset -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/27) Kun koulutimme luokittimia BoW:n tai TF/IDF:n perusteella, käytimme korkean ulottuvuuden bag-of-words-vektoreita, joiden pituus oli `vocab_size`, ja muunsimme eksplisiittisesti matalan ulottuvuuden paikkavektoreista harvoiksi yksiulotteisiksi vektoreiksi. Tämä yksiulotteinen esitys ei kuitenkaan ole muistin kannalta tehokas. Lisäksi jokaista sanaa käsitellään toisistaan riippumattomana, eli yksiulotteiset vektorit eivät ilmaise mitään semanttista samankaltaisuutta sanojen välillä. @@ -65,7 +65,7 @@ Tässä oppitunnissa opit rakentamaan ja käyttämään upotuskerroksia TensorFl Word2Veciä on käytetty joissakin mielenkiintoisissa sovelluksissa, kuten laululyriikan ja runouden luomisessa. Tutustu [tähän artikkeliin](https://www.politetype.com/blog/word2vec-color-poems), jossa kirjoittaja käy läpi, miten hän käytti Word2Veciä runojen luomiseen. Katso myös [tämä Dan Shiffmannin video](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), jossa selitetään tätä tekniikkaa eri tavalla. Kokeile sitten soveltaa näitä tekniikoita omaan tekstikorpukseesi, ehkä Kagglesta hankittuun. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/15-LanguageModeling/README.md b/translations/fi/lessons/5-NLP/15-LanguageModeling/README.md index 40239b43..f5d21bcf 100644 --- a/translations/fi/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/fi/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semanttiset upotukset, kuten Word2Vec ja GloVe, ovat itse asiassa ensimmäinen askel kohti **kielen mallintamista** - mallien luomista, jotka jollain tavalla *ymmärtävät* (tai *edustavat*) kielen luonnetta. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/29) Kielen mallintamisen pääidea on niiden kouluttaminen merkitsemättömillä aineistoilla valvomattomalla tavalla. Tämä on tärkeää, koska meillä on valtavia määriä merkitsemätöntä tekstiä saatavilla, kun taas merkittyä tekstiä on aina rajallisesti sen mukaan, kuinka paljon aikaa voimme käyttää sen merkitsemiseen. Useimmiten voimme rakentaa kielimalleja, jotka voivat **ennustaa puuttuvia sanoja** tekstissä, koska on helppoa peittää satunnainen sana tekstissä ja käyttää sitä harjoitusnäytteenä. @@ -38,7 +38,7 @@ Jatka oppimistasi seuraavissa vihkoissa: Edellisessä oppitunnissa näimme, että sanaupotukset toimivat kuin taikuutta! Nyt tiedämme, että sanaupotusten kouluttaminen ei ole kovin monimutkainen tehtävä, ja meidän pitäisi pystyä kouluttamaan omia sanaupotuksia erityisalojen teksteille tarvittaessa. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/16-RNN/README.md b/translations/fi/lessons/5-NLP/16-RNN/README.md index 6fe19d28..7fafb896 100644 --- a/translations/fi/lessons/5-NLP/16-RNN/README.md +++ b/translations/fi/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Toistuvat neuroverkot -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/31) Aiemmissa osioissa olemme käyttäneet tekstin semanttisia esityksiä ja yksinkertaista lineaarista luokitinta upotusten päällä. Tämä arkkitehtuuri pyrkii vangitsemaan sanojen yhdistetyn merkityksen lauseessa, mutta se ei ota huomioon sanojen **järjestystä**, koska upotusten päälle tehty yhdistämisoperaatio poistaa tämän tiedon alkuperäisestä tekstistä. Koska nämä mallit eivät pysty mallintamaan sanojen järjestystä, ne eivät voi ratkaista monimutkaisempia tai epäselvempiä tehtäviä, kuten tekstin generointia tai kysymysten vastaamista. @@ -84,7 +84,7 @@ Lue kirjallisuutta LSTM:istä ja pohdi niiden sovelluksia: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/fi/lessons/5-NLP/17-GenerativeNetworks/README.md index 18bb3373..4a54348d 100644 --- a/translations/fi/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/fi/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatiiviset verkot -## [Esiluentakysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Esiluentakysely](https://ff-quizzes.netlify.app/en/ai/quiz/33) Toistuvat neuroverkot (Recurrent Neural Networks, RNN) ja niiden porttimalliset solumuunnelmat, kuten Long Short Term Memory Cells (LSTM) ja Gated Recurrent Units (GRU), tarjoavat mekanismin kielen mallintamiseen, koska ne voivat oppia sanojen järjestyksen ja ennustaa seuraavan sanan sekvenssissä. Tämä mahdollistaa RNN:ien käytön **generatiivisissa tehtävissä**, kuten tavallisessa tekstin generoinnissa, konekäännöksessä ja jopa kuvatekstien luomisessa. @@ -71,7 +71,7 @@ Ota oppitunteja Microsoft Learn -alustalta tästä aiheesta * Tekstin generointi [PyTorchilla](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlow'lla](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste) -## [Jälkiluentakysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Jälkiluentakysely](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/18-Transformers/README.md b/translations/fi/lessons/5-NLP/18-Transformers/README.md index 4628dcce..0cf8e9ce 100644 --- a/translations/fi/lessons/5-NLP/18-Transformers/README.md +++ b/translations/fi/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Huomiomekanismit ja Transformerit -## [Ennakkovisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Ennakkovisa](https://ff-quizzes.netlify.app/en/ai/quiz/35) Yksi NLP:n tärkeimmistä ongelmista on **konekäännös**, joka on olennainen tehtävä esimerkiksi Google Kääntäjän kaltaisille työkaluille. Tässä osiossa keskitymme konekäännökseen tai yleisemmin mihin tahansa *sekvenssistä sekvenssiin* -tehtävään (jota kutsutaan myös **lauseen muunnokseksi**). @@ -108,7 +108,7 @@ Tässä oppitunnissa opit Transformereista ja Huomiomekanismeista, jotka ovat ol ## 🚀 Haaste -## [Jälkivisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Jälkivisa](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/19-NER/README.md b/translations/fi/lessons/5-NLP/19-NER/README.md index 28bdf915..6491cc48 100644 --- a/translations/fi/lessons/5-NLP/19-NER/README.md +++ b/translations/fi/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Tähän asti olemme keskittyneet pääasiassa yhteen NLP-tehtävään - luokitteluun. On kuitenkin olemassa myös muita NLP-tehtäviä, joita voidaan toteuttaa neuroverkoilla. Yksi näistä tehtävistä on **[nimettyjen entiteettien tunnistus](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), joka keskittyy tunnistamaan tekstistä tiettyjä entiteettejä, kuten paikkoja, henkilön nimiä, päivämäärä- ja aikavälejä, kemiallisia kaavoja ja niin edelleen. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Esimerkki NER:n käytöstä @@ -77,7 +77,7 @@ NER-malli on **tokeniluokittelumalli**, mikä tarkoittaa, että sitä voidaan k Suorita alla linkitetty tehtävä, jossa koulutat nimettyjen entiteettien tunnistusmallin lääketieteellisiä termejä varten, ja kokeile sitä sitten eri datasetillä. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/5-NLP/20-LangModels/README.md b/translations/fi/lessons/5-NLP/20-LangModels/README.md index f414fbe4..90a7429a 100644 --- a/translations/fi/lessons/5-NLP/20-LangModels/README.md +++ b/translations/fi/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kaikissa aiemmissa tehtävissämme olemme kouluttaneet neuroverkkoa suorittamaan tietyn tehtävän käyttäen merkittyä tietojoukkoa. Suurten transformer-mallien, kuten BERT, avulla käytämme kielen mallinnusta itseohjautuvassa muodossa rakentaaksemme kielimallin, joka sitten erikoistetaan tiettyyn jälkikäteen tehtävään lisäkoulutuksella, joka keskittyy tiettyyn alaan. On kuitenkin osoitettu, että suuret kielimallit voivat ratkaista monia tehtäviä ilman MITÄÄN alakohtaista koulutusta. Malliperhe, joka pystyy tähän, tunnetaan nimellä **GPT**: Generative Pre-Trained Transformer. -## [Ennakkokysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Tekstintuotanto ja hämmennys (perplexity) @@ -58,7 +58,7 @@ Jatka oppimista seuraavissa vihkoissa: Uudet yleiset esikoulutetut kielimallit eivät ainoastaan mallinna kielen rakennetta, vaan sisältävät myös valtavan määrän luonnollista kieltä. Näin ollen niitä voidaan tehokkaasti käyttää joidenkin NLP-tehtävien ratkaisemiseen nolla- tai vähäisellä koulutuksella. -## [Jälkikysely](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Jälkikysely](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/fi/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/fi/lessons/6-Other/21-GeneticAlgorithms/README.md index 3fca48a0..52ab30d8 100644 --- a/translations/fi/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/fi/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Geneettiset algoritmit -## [Ennakkovisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Ennakkovisa](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Geneettiset algoritmit** (GA) perustuvat **evolutionääriseen lähestymistapaan** tekoälyssä, jossa populaation evoluutiomenetelmiä käytetään optimaalisen ratkaisun löytämiseksi tiettyyn ongelmaan. Ne esiteltiin vuonna 1975 [John Henry Hollandin](https://wikipedia.org/wiki/John_Henry_Holland) toimesta. @@ -66,7 +66,7 @@ Geneettisiä algoritmeja käytetään monien ongelmien ratkaisemiseen, mukaan lu "Geneettiset algoritmit ovat yksinkertaisia toteuttaa, mutta niiden käyttäytymistä on vaikea ymmärtää." [lähde](https://wikipedia.org/wiki/Genetic_algorithm) Tee tutkimusta löytääksesi geneettisen algoritmin toteutuksen, kuten Sudoku-pulman ratkaisemisen, ja selitä, miten se toimii luonnoksena tai vuokaaviona. -## [Jälkivisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Jälkivisa](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/6-Other/22-DeepRL/README.md b/translations/fi/lessons/6-Other/22-DeepRL/README.md index 17d75016..6ee8e180 100644 --- a/translations/fi/lessons/6-Other/22-DeepRL/README.md +++ b/translations/fi/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vahvistusoppiminen (RL) nähdään yhtenä koneoppimisen perusparadigmoista, yhdessä ohjatun oppimisen ja ohjaamattoman oppimisen kanssa. Siinä missä ohjatussa oppimisessa tukeudumme tunnettuja tuloksia sisältävään aineistoon, RL perustuu **oppimiseen tekemällä**. Esimerkiksi, kun näemme ensimmäistä kertaa tietokonepelin, alamme pelata sitä, vaikka emme tiedä sääntöjä, ja pian pystymme parantamaan taitojamme pelkästään pelaamisen ja käyttäytymisen säätämisen kautta. -## [Esiluentavisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Esiluentavisa](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL:n suorittamiseen tarvitsemme: @@ -110,7 +110,7 @@ Olemme nyt oppineet kouluttamaan agentteja saavuttamaan hyviä tuloksia pelkäst Tutustu "Muut RL-tehtävät" -osiossa lueteltuihin sovelluksiin ja yritä toteuttaa yksi niistä! -## [Jälkiluentavisa](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Jälkiluentavisa](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Kertaus ja itseopiskelu diff --git a/translations/fi/lessons/6-Other/23-MultiagentSystems/README.md b/translations/fi/lessons/6-Other/23-MultiagentSystems/README.md index 80354367..16708c34 100644 --- a/translations/fi/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/fi/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Yksi mahdollinen tapa saavuttaa älykkyyttä on niin sanottu **emergentti** (tai **synergeettinen**) lähestymistapa, joka perustuu siihen, että monien suhteellisen yksinkertaisten agenttien yhdistetty käyttäytyminen voi johtaa järjestelmän kokonaisvaltaisesti monimutkaisempaan (tai älykkäämpään) käyttäytymiseen. Teoreettisesti tämä perustuu [kollektiivisen älykkyyden](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentismin](https://en.wikipedia.org/wiki/Global_brain) ja [evolutionaarisen kybernetiikan](https://en.wikipedia.org/wiki/Global_brain) periaatteisiin, jotka väittävät, että korkeamman tason järjestelmät saavat jonkinlaista lisäarvoa, kun ne yhdistetään asianmukaisesti alemman tason järjestelmistä (niin sanottu *metajärjestelmäsiirtymän periaate*). -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/45) **Multi-Agent Systems** -suuntaus syntyi tekoälyssä 1990-luvulla vastauksena internetin ja hajautettujen järjestelmien kasvuun. Yksi klassisista tekoälyoppikirjoista, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), tarkastelee klassista tekoälyä monen agentin järjestelmien näkökulmasta. @@ -152,7 +152,7 @@ Ne keskittyvät yleensä yksittäisen agentin yksinkertaisempaan käyttäytymise Vie tämä oppitunti todelliseen maailmaan ja yritä hahmottaa monen agentin järjestelmä, joka voi ratkaista ongelman. Mitä esimerkiksi monen agentin järjestelmän pitäisi tehdä optimoidakseen koulubussireitin? Miten se voisi toimia leipomossa? -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Kertaus ja itseopiskelu diff --git a/translations/fr/lessons/1-Intro/README.md b/translations/fr/lessons/1-Intro/README.md index e5dd6ad4..3cc773be 100644 --- a/translations/fr/lessons/1-Intro/README.md +++ b/translations/fr/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Sketchnote par [Tomomi Imura](https://twitter.com/girlie_mac) -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/1) **L'intelligence artificielle** est une discipline scientifique fascinante qui étudie comment rendre les ordinateurs capables de comportements intelligents, c'est-à-dire de réaliser des tâches que les humains maîtrisent bien. @@ -151,7 +151,7 @@ Au cours des dernières années, nous avons assisté à de grands succès avec l Faites un tour sur internet pour déterminer, selon vous, où l'IA est utilisée de manière la plus efficace. Est-ce dans une application de cartographie, un service de reconnaissance vocale ou un jeu vidéo ? Recherchez comment le système a été conçu. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Révision et étude personnelle diff --git a/translations/fr/lessons/2-Symbolic/README.md b/translations/fr/lessons/2-Symbolic/README.md index 6fcec938..1816d43b 100644 --- a/translations/fr/lessons/2-Symbolic/README.md +++ b/translations/fr/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: La quête de l'intelligence artificielle repose sur une recherche de connaissances, pour comprendre le monde de manière similaire aux humains. Mais comment peut-on s'y prendre pour y parvenir ? -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/3) Aux débuts de l'IA, l'approche descendante pour créer des systèmes intelligents (discutée dans la leçon précédente) était populaire. L'idée était d'extraire les connaissances des humains dans un format lisible par une machine, puis de les utiliser pour résoudre automatiquement des problèmes. Cette approche reposait sur deux grandes idées : @@ -236,7 +236,7 @@ De nos jours, l'IA est souvent considérée comme un synonyme de *Machine Learni Dans le notebook Family Ontology associé à cette leçon, il y a une opportunité d'expérimenter avec d'autres relations familiales. Essayez de découvrir de nouvelles connexions entre les personnes de l'arbre généalogique. -## [Quiz post-cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz post-cours](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/fr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 6615a896..20ebf012 100644 --- a/translations/fr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/fr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduction aux réseaux neuronaux : Perceptron -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/5) L'une des premières tentatives pour mettre en œuvre quelque chose de similaire à un réseau neuronal moderne a été réalisée par Frank Rosenblatt du Cornell Aeronautical Laboratory en 1957. Il s'agissait d'une implémentation matérielle appelée "Mark-1", conçue pour reconnaître des figures géométriques primitives, telles que des triangles, des carrés et des cercles. @@ -85,7 +85,7 @@ Dans cette leçon, vous avez appris ce qu'est un perceptron, un modèle de class Si vous souhaitez essayer de construire votre propre perceptron, essayez [ce laboratoire sur Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) qui utilise le [concepteur Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/fr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index f0b63f31..8a5146ee 100644 --- a/translations/fr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/fr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Dans cette section, nous allons étendre ce modèle à un cadre plus flexible, n Nous développerons également notre propre cadre modulaire en Python, qui nous permettra de construire différentes architectures de réseaux neuronaux. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisation de l'apprentissage automatique @@ -81,7 +81,7 @@ Dans le notebook associé, vous allez implémenter votre propre cadre pour const Passez au notebook [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) et travaillez dessus. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/fr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 9d9c4136..c21abfc4 100644 --- a/translations/fr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/fr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Comme nous l'avons déjà appris, pour entraîner efficacement des réseaux de n * Travailler sur des tenseurs, par exemple pour multiplier, additionner et calculer certaines fonctions comme sigmoid ou softmax. * Calculer les gradients de toutes les expressions, afin d'effectuer l'optimisation par descente de gradient. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/9) Bien que la bibliothèque `numpy` puisse gérer la première partie, nous avons besoin d'un mécanisme pour calculer les gradients. Dans [notre framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) que nous avons développé dans la section précédente, nous avons dû programmer manuellement toutes les fonctions dérivées dans la méthode `backward`, qui effectue la rétropropagation. Idéalement, un framework devrait nous permettre de calculer les gradients de *n'importe quelle expression* que nous pouvons définir. @@ -106,7 +106,7 @@ Dans cette leçon, vous avez appris les différences entre les diverses APIs des Dans les notebooks associés, vous trouverez des "tâches" en bas ; parcourez les notebooks et complétez les tâches. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/fr/lessons/4-ComputerVision/06-IntroCV/README.md index 321abfb9..962e7492 100644 --- a/translations/fr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/fr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [La vision par ordinateur](https://wikipedia.org/wiki/Computer_vision) est une discipline dont le but est de permettre aux ordinateurs de comprendre les images numériques à un niveau élevé. Cette définition est assez large, car *comprendre* peut signifier de nombreuses choses, notamment trouver un objet sur une image (**détection d'objet**), comprendre ce qui se passe (**détection d'événements**), décrire une image en texte ou reconstruire une scène en 3D. Il existe également des tâches spécifiques liées aux images humaines : estimation de l'âge et des émotions, détection et identification de visages, et estimation de la pose en 3D, pour n'en citer que quelques-unes. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/11) L'une des tâches les plus simples de la vision par ordinateur est **la classification d'images**. @@ -105,7 +105,7 @@ Parfois, des tâches relativement complexes telles que la détection de mouvemen Regardez [cette vidéo](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) de l'AI Show pour en apprendre davantage sur le projet Cortic Tigers et comment ils ont construit une solution basée sur des blocs pour démocratiser les tâches de vision par ordinateur via un robot. Faites des recherches sur d'autres projets similaires qui aident à initier de nouveaux apprenants dans ce domaine. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/fr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 97626030..bf01a03d 100644 --- a/translations/fr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/fr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Dans cette unité, vous avez appris le concept principal derrière les réseaux Dans les notebooks associés, il y a des notes en bas sur la façon d'obtenir une meilleure précision. Faites quelques expériences pour voir si vous pouvez atteindre une précision plus élevée. -## [Quiz post-cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz post-cours](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/fr/lessons/4-ComputerVision/07-ConvNets/README.md index e253e3b7..42a10fa7 100644 --- a/translations/fr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/fr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nous avons vu précédemment que les réseaux de neurones sont assez performants pour traiter des images, et même un perceptron à une seule couche est capable de reconnaître des chiffres manuscrits du jeu de données MNIST avec une précision raisonnable. Cependant, le jeu de données MNIST est très particulier, car tous les chiffres y sont centrés dans l'image, ce qui simplifie la tâche. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/13) Dans la vie réelle, nous souhaitons pouvoir reconnaître des objets sur une image, peu importe leur emplacement exact. La vision par ordinateur diffère de la classification générique, car lorsque nous cherchons un objet spécifique dans une image, nous analysons celle-ci à la recherche de certains **motifs** et de leurs combinaisons. Par exemple, en cherchant un chat, nous pouvons d'abord repérer des lignes horizontales qui pourraient former des moustaches, puis une certaine combinaison de moustaches peut nous indiquer qu'il s'agit effectivement d'une image de chat. La position relative et la présence de certains motifs sont importantes, mais pas leur emplacement exact dans l'image. diff --git a/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md index 7e1891f8..0de3e1b2 100644 --- a/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: L'entraînement des CNN peut prendre beaucoup de temps, et une grande quantité de données est nécessaire pour cette tâche. Cependant, une grande partie du temps est consacrée à l'apprentissage des meilleurs filtres de bas niveau qu'un réseau peut utiliser pour extraire des motifs à partir d'images. Une question naturelle se pose : peut-on utiliser un réseau neuronal entraîné sur un ensemble de données et l'adapter pour classer des images différentes sans nécessiter un processus d'entraînement complet ? -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/15) Cette approche est appelée **apprentissage par transfert**, car nous transférons une partie des connaissances d'un modèle de réseau neuronal à un autre. Dans l'apprentissage par transfert, nous commençons généralement par un modèle pré-entraîné, qui a été entraîné sur un grand ensemble de données d'images, comme **ImageNet**. Ces modèles sont déjà capables d'extraire efficacement différentes caractéristiques d'images génériques, et dans de nombreux cas, construire simplement un classificateur sur ces caractéristiques extraites peut donner de bons résultats. @@ -76,7 +76,7 @@ Grâce à l'apprentissage par transfert, vous pouvez rapidement créer un classi Dans les notebooks associés, des notes en bas expliquent que l'apprentissage par transfert fonctionne mieux avec des données d'entraînement quelque peu similaires (un nouveau type d'animal, par exemple). Faites des expérimentations avec des types d'images complètement nouveaux pour voir à quel point vos modèles d'apprentissage par transfert fonctionnent bien ou mal. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md index 92fcb6e7..19148500 100644 --- a/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Lors de l'entraînement des CNN, l'un des problèmes est que nous avons besoin de beaucoup de données étiquetées. Dans le cas de la classification d'images, nous devons séparer les images en différentes classes, ce qui demande un effort manuel. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/17) Cependant, nous pourrions vouloir utiliser des données brutes (non étiquetées) pour entraîner des extracteurs de caractéristiques CNN, ce que l'on appelle **l'apprentissage auto-supervisé**. Au lieu d'utiliser des étiquettes, nous utilisons les images d'entraînement à la fois comme entrée et sortie du réseau. L'idée principale de l'**autoencodeur** est d'avoir un **réseau encodeur** qui convertit l'image d'entrée en un certain **espace latent** (généralement un vecteur de taille réduite), puis un **réseau décodeur**, dont l'objectif est de reconstruire l'image originale. @@ -80,7 +80,7 @@ Apprenez-en davantage sur les autoencodeurs dans ces notebooks correspondants : * **Avec perte** - l'image reconstruite n'est pas identique à l'image originale. La nature de la perte est définie par la *fonction de perte* utilisée pendant l'entraînement. * Fonctionne sur des données **non étiquetées** -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Conclusion @@ -90,7 +90,7 @@ Dans cette leçon, vous avez appris les différents types d'autoencodeurs dispon Dans cette leçon, vous avez appris à utiliser les autoencodeurs pour les images. Mais ils peuvent également être utilisés pour la musique ! Consultez le projet [MusicVAE](https://magenta.tensorflow.org/music-vae) du projet Magenta, qui utilise des autoencodeurs pour apprendre à reconstruire de la musique. Faites quelques [expériences](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) avec cette bibliothèque pour voir ce que vous pouvez créer. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/4-ComputerVision/10-GANs/README.md b/translations/fr/lessons/4-ComputerVision/10-GANs/README.md index 4915c05e..9a60be5b 100644 --- a/translations/fr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/fr/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dans la section précédente, nous avons appris sur les **modèles génératifs** : des modèles capables de générer de nouvelles images similaires à celles du jeu de données d'entraînement. Le VAE était un bon exemple de modèle génératif. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/19) Cependant, si nous essayons de générer quelque chose de vraiment significatif, comme une peinture avec une résolution raisonnable, avec un VAE, nous constaterons que l'entraînement ne converge pas bien. Pour ce cas d'utilisation, nous devrions nous intéresser à une autre architecture spécifiquement conçue pour les modèles génératifs - les **Réseaux Adversaires Génératifs**, ou GANs. @@ -84,7 +84,7 @@ Voici comment cela fonctionne : ## ✍️ Exemple : [Transfert de style](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Conclusion diff --git a/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md index a320d7e4..bd7460dc 100644 --- a/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Les modèles de classification d'images que nous avons étudiés jusqu'à présent prenaient une image et produisaient un résultat catégoriel, comme la classe 'nombre' dans un problème MNIST. Cependant, dans de nombreux cas, nous ne voulons pas seulement savoir qu'une image représente des objets - nous voulons également pouvoir déterminer leur emplacement précis. C'est précisément l'objectif de la **détection d'objets**. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Détection d'Objets](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.fr.png) @@ -172,7 +172,7 @@ Lisez ces articles et cahiers sur YOLO et essayez-les par vous-même : * YOLO : [Implémentation Keras](https://github.com/experiencor/keras-yolo2), [cahier étape par étape](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2 : [Implémentation Keras](https://github.com/experiencor/keras-yolo2), [cahier étape par étape](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Révision & Étude Personnelle diff --git a/translations/fr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/fr/lessons/4-ComputerVision/12-Segmentation/README.md index 94069309..f90c0024 100644 --- a/translations/fr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/fr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nous avons précédemment appris la détection d'objets, qui nous permet de localiser des objets dans une image en prédisant leurs *boîtes englobantes*. Cependant, pour certaines tâches, nous avons besoin d'une localisation d'objets plus précise que les simples boîtes englobantes. Cette tâche s'appelle **segmentation**. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/23) La segmentation peut être vue comme une **classification de pixels**, où pour **chaque** pixel de l'image, nous devons prédire sa classe (*le fond* étant l'une des classes). Il existe deux principaux algorithmes de segmentation : @@ -56,7 +56,7 @@ Ouvrez les notebooks ci-dessous pour en apprendre davantage sur différentes arc * [Segmentation sémantique avec Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentation sémantique avec TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Conclusion diff --git a/translations/fr/lessons/5-NLP/13-TextRep/README.md b/translations/fr/lessons/5-NLP/13-TextRep/README.md index 2b59f8db..1a73ac86 100644 --- a/translations/fr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/fr/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Représenter le texte sous forme de tenseurs -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Classification de texte @@ -73,7 +73,7 @@ Jusqu'à présent, nous avons étudié des techniques qui peuvent ajouter un poi Essayez d'autres exercices en utilisant le sac de mots et différents modèles de données. Vous pourriez être inspiré par cette [compétition sur Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/14-Embeddings/README.md b/translations/fr/lessons/5-NLP/14-Embeddings/README.md index 2b2c70d4..8e106b48 100644 --- a/translations/fr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/fr/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Intégrations -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/27) Lors de l'entraînement de classificateurs basés sur BoW ou TF/IDF, nous travaillions avec des vecteurs bag-of-words de haute dimension de longueur `vocab_size`, et nous convertissions explicitement des vecteurs de représentation positionnelle de basse dimension en une représentation sparse one-hot. Cependant, cette représentation one-hot n'est pas efficace en termes de mémoire. De plus, chaque mot est traité indépendamment des autres, c'est-à-dire que les vecteurs encodés en one-hot n'expriment aucune similarité sémantique entre les mots. @@ -65,7 +65,7 @@ Dans cette leçon, vous avez découvert comment construire et utiliser des couch Word2Vec a été utilisé pour des applications intéressantes, notamment la génération de paroles de chansons et de poésie. Consultez [cet article](https://www.politetype.com/blog/word2vec-color-poems) qui explique comment l'auteur a utilisé Word2Vec pour générer de la poésie. Regardez également [cette vidéo de Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) pour découvrir une autre explication de cette technique. Ensuite, essayez d'appliquer ces techniques à votre propre corpus de texte, peut-être issu de Kaggle. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md index 2ee7feb0..bb7a4353 100644 --- a/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Les embeddings sémantiques, tels que Word2Vec et GloVe, sont en réalité une première étape vers la **modélisation du langage** - créer des modèles qui *comprennent* (ou *représentent*) d'une certaine manière la nature du langage. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/29) L'idée principale derrière la modélisation du langage est de les entraîner sur des ensembles de données non étiquetés de manière non supervisée. Cela est important car nous disposons de grandes quantités de texte non étiqueté, tandis que la quantité de texte étiqueté sera toujours limitée par l'effort nécessaire pour l'étiquetage. Le plus souvent, nous pouvons construire des modèles de langage capables de **prédire les mots manquants** dans le texte, car il est facile de masquer un mot aléatoire dans le texte et de l'utiliser comme échantillon d'entraînement. @@ -38,7 +38,7 @@ Poursuivez votre apprentissage avec les notebooks suivants : Dans la leçon précédente, nous avons vu que les embeddings de mots fonctionnent comme par magie ! Nous savons maintenant que l'entraînement des embeddings de mots n'est pas une tâche très complexe, et nous devrions être capables d'entraîner nos propres embeddings de mots pour du texte spécifique à un domaine si nécessaire. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/16-RNN/README.md b/translations/fr/lessons/5-NLP/16-RNN/README.md index dc0bd087..27fc7411 100644 --- a/translations/fr/lessons/5-NLP/16-RNN/README.md +++ b/translations/fr/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Réseaux Neuronaux Récurrents -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/31) Dans les sections précédentes, nous avons utilisé des représentations sémantiques riches de texte et un simple classificateur linéaire au-dessus des embeddings. Cette architecture capture le sens global des mots dans une phrase, mais elle ne prend pas en compte l'**ordre** des mots, car l'opération d'agrégation sur les embeddings supprime cette information du texte original. Étant donné que ces modèles ne peuvent pas modéliser l'ordre des mots, ils ne peuvent pas résoudre des tâches plus complexes ou ambiguës comme la génération de texte ou la réponse à des questions. @@ -84,7 +84,7 @@ Lisez quelques articles sur les LSTM et réfléchissez à leurs applications : - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md index 570c1b61..670ceac2 100644 --- a/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Réseaux génératifs -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/33) Les réseaux neuronaux récurrents (RNN) et leurs variantes à cellules à portes, comme les cellules Long Short Term Memory (LSTM) et les Gated Recurrent Units (GRU), offrent un mécanisme pour la modélisation du langage, car ils peuvent apprendre l'ordre des mots et prédire le mot suivant dans une séquence. Cela nous permet d'utiliser les RNN pour des **tâches génératives**, telles que la génération de texte ordinaire, la traduction automatique et même la génération de légendes pour des images. @@ -71,7 +71,7 @@ Suivez des leçons sur Microsoft Learn sur ce sujet : * Génération de texte avec [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) -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/18-Transformers/README.md b/translations/fr/lessons/5-NLP/18-Transformers/README.md index bddd35b4..afedf0b9 100644 --- a/translations/fr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/fr/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mécanismes d'Attention et Transformers -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/35) L'un des problèmes les plus importants dans le domaine du NLP est **la traduction automatique**, une tâche essentielle qui sous-tend des outils tels que Google Traduction. Dans cette section, nous nous concentrerons sur la traduction automatique, ou, plus généralement, sur toute tâche de *séquence à séquence* (également appelée **transduction de phrase**). @@ -108,7 +108,7 @@ Dans cette leçon, vous avez appris les Transformers et les Mécanismes d'Attent ## 🚀 Défi -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Révision & Étude Autonome diff --git a/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md index 1af03bc0..a0b54fa7 100644 --- a/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mécanismes d'Attention et Transformateurs -## [Quiz pré-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz pré-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/35) L'un des problèmes les plus importants dans le domaine du NLP est la **traduction automatique**, une tâche essentielle qui sous-tend des outils tels que Google Translate. Dans cette section, nous allons nous concentrer sur la traduction automatique, ou, plus généralement, sur toute tâche de *séquence à séquence* (qui est également appelée **transduction de phrases**). @@ -99,7 +99,7 @@ Dans cette leçon, vous avez appris sur les Transformateurs et les Mécanismes d ## 🚀 Défi -## [Quiz post-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz post-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revue & Auto-étude diff --git a/translations/fr/lessons/5-NLP/19-NER/README.md b/translations/fr/lessons/5-NLP/19-NER/README.md index 659aab47..e35ce3bc 100644 --- a/translations/fr/lessons/5-NLP/19-NER/README.md +++ b/translations/fr/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Jusqu'à présent, nous nous sommes principalement concentrés sur une tâche de traitement du langage naturel (NLP) : la classification. Cependant, il existe d'autres tâches NLP qui peuvent être accomplies avec des réseaux neuronaux. L'une de ces tâches est la **[reconnaissance d'entités nommées](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), qui consiste à identifier des entités spécifiques dans un texte, comme des lieux, des noms de personnes, des intervalles de temps, des formules chimiques, etc. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Exemple d'utilisation de la NER @@ -82,7 +82,7 @@ Un modèle NER est un **modèle de classification de tokens**, ce qui signifie q Réalisez l'exercice ci-dessous pour entraîner un modèle de reconnaissance d'entités nommées pour des termes médicaux, puis testez-le sur un autre jeu de données. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Révision et auto-apprentissage diff --git a/translations/fr/lessons/5-NLP/20-LangModels/README.md b/translations/fr/lessons/5-NLP/20-LangModels/README.md index c40123d9..a935576d 100644 --- a/translations/fr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/fr/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dans toutes nos tâches précédentes, nous entraînions un réseau neuronal pour accomplir une tâche spécifique en utilisant un ensemble de données étiquetées. Avec les grands modèles transformateurs, tels que BERT, nous utilisons la modélisation linguistique de manière auto-supervisée pour construire un modèle de langage, qui est ensuite spécialisé pour des tâches spécifiques grâce à un entraînement supplémentaire adapté au domaine. Cependant, il a été démontré que les grands modèles de langage peuvent également résoudre de nombreuses tâches sans AUCUN entraînement spécifique au domaine. Une famille de modèles capables de faire cela est appelée **GPT** : Transformateur Génératif Pré-entraîné. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Génération de Texte et Perplexité @@ -58,7 +58,7 @@ Poursuivez votre apprentissage dans les notebooks suivants : Les nouveaux modèles de langage pré-entraînés généraux ne modélisent pas seulement la structure du langage, mais contiennent également une immense quantité de langage naturel. Ainsi, ils peuvent être utilisés efficacement pour résoudre certaines tâches de traitement du langage naturel dans des contextes zéro-shot ou few-shot. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Avertissement** : Ce document a été traduit à l'aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction. \ No newline at end of file diff --git a/translations/fr/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/fr/lessons/5-NLP/20-LangModels/READMELargeLang.md index 883b2c85..fb0e96f9 100644 --- a/translations/fr/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/fr/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Dans toutes nos tâches précédentes, nous avons entraîné un réseau de neurones pour effectuer une tâche spécifique en utilisant un ensemble de données étiquetées. Avec de grands modèles de transformateurs, tels que BERT, nous utilisons la modélisation du langage de manière auto-supervisée pour construire un modèle de langage, qui est ensuite spécialisé pour une tâche spécifique en aval grâce à un entraînement supplémentaire spécifique au domaine. Cependant, il a été démontré que de grands modèles de langage peuvent également résoudre de nombreuses tâches sans AUCUN entraînement spécifique au domaine. Une famille de modèles capables de le faire est appelée **GPT** : Transformateur Génératif Pré-entrainé. -## [Quiz pré-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz pré-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Génération de Texte et Perplexité @@ -50,7 +50,7 @@ Continuez votre apprentissage dans les notebooks suivants : Les nouveaux modèles de langage pré-entraînés généraux ne modélisent pas seulement la structure du langage, mais contiennent également une vaste quantité de langage naturel. Ainsi, ils peuvent être utilisés efficacement pour résoudre certaines tâches de traitement du langage naturel dans des contextes zéro-shot ou few-shot. -## [Quiz post-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz post-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Avertissement** : Ce document a été traduit à l'aide de services de traduction automatique basés sur l'IA. Bien que nous nous efforçons d'assurer l'exactitude, veuillez noter que les traductions automatiques peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source autoritaire. Pour des informations critiques, une traduction humaine professionnelle est recommandée. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction. \ No newline at end of file diff --git a/translations/fr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/fr/lessons/6-Other/21-GeneticAlgorithms/README.md index e25bc759..390bcbd1 100644 --- a/translations/fr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/fr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algorithmes Génétiques -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/41) Les **algorithmes génétiques** (AG) reposent sur une **approche évolutive** de l'IA, dans laquelle les méthodes d'évolution d'une population sont utilisées pour obtenir une solution optimale à un problème donné. Ils ont été proposés en 1975 par [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Les algorithmes génétiques sont utilisés pour résoudre de nombreux problème "Les algorithmes génétiques sont simples à implémenter, mais leur comportement est difficile à comprendre." [source](https://wikipedia.org/wiki/Genetic_algorithm) Faites des recherches pour trouver une implémentation d'un algorithme génétique, comme pour résoudre un puzzle Sudoku, et expliquez son fonctionnement sous forme de croquis ou de diagramme de flux. -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Révision & Auto-apprentissage diff --git a/translations/fr/lessons/6-Other/22-DeepRL/README.md b/translations/fr/lessons/6-Other/22-DeepRL/README.md index 9c4b094e..136fda1c 100644 --- a/translations/fr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/fr/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: L'apprentissage par renforcement (RL) est considéré comme l'un des paradigmes fondamentaux de l'apprentissage automatique, aux côtés de l'apprentissage supervisé et non supervisé. Alors que dans l'apprentissage supervisé, nous nous appuyons sur un ensemble de données avec des résultats connus, le RL repose sur **l'apprentissage par l'expérience**. Par exemple, lorsque nous découvrons un jeu vidéo pour la première fois, nous commençons à jouer, même sans connaître les règles, et nous améliorons rapidement nos compétences simplement en jouant et en ajustant notre comportement. -## [Quiz avant le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/43) Pour effectuer du RL, nous avons besoin de : @@ -110,7 +110,7 @@ Nous avons maintenant appris à entraîner des agents pour obtenir de bons résu Explorez les applications listées dans la section "Autres tâches en RL" et essayez d'en implémenter une ! -## [Quiz après le cours](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz après le cours](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Révision et Auto-Étude diff --git a/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md index 24d70d95..33259f8f 100644 --- a/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Une des façons possibles d'atteindre l'intelligence est l'approche dite **émergente** (ou **synergétique**), qui repose sur le fait que le comportement combiné de nombreux agents relativement simples peut aboutir à un comportement global plus complexe (ou intelligent) du système dans son ensemble. Théoriquement, cela repose sur les principes de l'[Intelligence Collective](https://fr.wikipedia.org/wiki/Intelligence_collective), de l'[Émergentisme](https://fr.wikipedia.org/wiki/Cerveau_global) et de la [Cybernétique Évolutionnaire](https://fr.wikipedia.org/wiki/Cerveau_global), qui affirment que les systèmes de niveau supérieur acquièrent une certaine valeur ajoutée lorsqu'ils sont correctement combinés à partir de systèmes de niveau inférieur (le *principe de transition méta-systémique*). -## [Quiz pré-lecture](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz pré-lecture](https://ff-quizzes.netlify.app/en/ai/quiz/45) La direction des **Systèmes Multi-Agents** a émergé dans l'IA dans les années 1990 en réponse à la croissance d'Internet et des systèmes distribués. L'un des manuels classiques de l'IA, [Artificial Intelligence: A Modern Approach](https://fr.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), se concentre sur la vision de l'IA classique du point de vue des systèmes multi-agents. @@ -152,7 +152,7 @@ Ils tendent tous à se concentrer sur le comportement plus simple d'un agent ind Appliquez cette leçon au monde réel et essayez de conceptualiser un système multi-agents qui pourrait résoudre un problème. Que devrait faire, par exemple, un système multi-agents pour optimiser un itinéraire de bus scolaire ? Comment pourrait-il fonctionner dans une boulangerie ? -## [Quiz post-lecture](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz post-lecture](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Révision & Auto-apprentissage diff --git a/translations/he/lessons/1-Intro/README.md b/translations/he/lessons/1-Intro/README.md index ab520fc6..0358cb02 100644 --- a/translations/he/lessons/1-Intro/README.md +++ b/translations/he/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: עשו סיור באינטרנט כדי לקבוע היכן, לדעתכם, נעשה השימוש היעיל ביותר ב-AI. האם זה באפליקציית מיפוי, שירות המרה מדיבור לטקסט, או אולי במשחק וידאו? חקרו כיצד המערכת נבנתה. -## [חידון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [חידון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/2-Symbolic/README.md b/translations/he/lessons/2-Symbolic/README.md index 767b3201..bb2df1b9 100644 --- a/translations/he/lessons/2-Symbolic/README.md +++ b/translations/he/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: החיפוש אחר בינה מלאכותית מבוסס על חיפוש ידע, כדי להבין את העולם באופן דומה לאופן שבו בני אדם עושים זאת. אבל איך ניתן לעשות זאת? -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/3) בימיה הראשונים של הבינה המלאכותית, הגישה מלמעלה-למטה ליצירת מערכות חכמות (שנדונה בשיעור הקודם) הייתה פופולרית. הרעיון היה להוציא את הידע מבני אדם לצורה שניתנת לקריאה על ידי מכונה, ואז להשתמש בו לפתרון בעיות באופן אוטומטי. גישה זו התבססה על שני רעיונות מרכזיים: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel במחברת אונטולוגיית המשפחה הקשורה לשיעור זה, יש הזדמנות להתנסות בקשרי משפחה נוספים. נסו לגלות קשרים חדשים בין אנשים בעץ המשפחה. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/he/lessons/3-NeuralNetworks/03-Perceptron/README.md index 86bb2f9c..3d091adc 100644 --- a/translations/he/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/he/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # מבוא לרשתות נוירונים: פרספטרון -## [שאלון לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/5) אחת הניסיונות הראשונים ליישם משהו דומה לרשת נוירונים מודרנית נעשתה על ידי פרנק רוזנבלט ממעבדת האווירונאוטיקה של קורנל בשנת 1957. זה היה יישום חומרה שנקרא "Mark-1", שתוכנן לזהות צורות גיאומטריות פשוטות, כמו משולשים, ריבועים ועיגולים. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): אם תרצו לנסות לבנות פרספטרון משלכם, נסו [את המעבדה הזו ב-Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) שמשתמשת ב-[Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [שאלון אחרי השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [שאלון אחרי השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/README.md index bf04d152..a66ed434 100644 --- a/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: בנוסף, נפתח מסגרת מודולרית משלנו ב-Python שתאפשר לנו לבנות ארכיטקטורות שונות של רשתות נוירונים. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## פורמליזציה של למידת מכונה @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: המשיכו ל-[OwnFramework](OwnFramework.ipynb) ועבדו עליה. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md index 4b5519d8..c765415d 100644 --- a/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * לעבוד עם טנסורים, למשל להכפיל, להוסיף ולחשב פונקציות כמו סיגמואיד או סופטמקס. * לחשב גרדיאנטים של כל הביטויים, כדי לבצע אופטימיזציה באמצעות ירידת גרדיאנט. -## [מבחן לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [מבחן לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/9) בעוד שספריית `numpy` יכולה לבצע את החלק הראשון, אנו זקוקים למנגנון שיחשב גרדיאנטים. במסגרת [שלנו](../04-OwnFramework/OwnFramework.ipynb) שפיתחנו בסעיף הקודם, היינו צריכים לתכנת ידנית את כל פונקציות הנגזרות בתוך המתודה `backward`, שמבצעת את תהליך הבקפרופגציה. באופן אידיאלי, מסגרת צריכה לאפשר לנו לחשב גרדיאנטים של *כל ביטוי* שנוכל להגדיר. @@ -106,7 +106,7 @@ API ברמה גבוהה | [Keras](IntroKeras.ipynb) | *PyTorch Lightning* במחברות המצורפות, תמצאו 'משימות' בתחתית; עברו על המחברות והשלימו את המשימות. -## [מבחן אחרי השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [מבחן אחרי השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md index 5b0b7d84..1033685a 100644 --- a/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [ראייה ממוחשבת](https://wikipedia.org/wiki/Computer_vision) היא תחום שמטרתו לאפשר למחשבים להבין ברמה גבוהה תמונות דיגיטליות. זו הגדרה רחבה למדי, מכיוון ש*הבנה* יכולה להתבטא בדרכים רבות, כמו זיהוי אובייקט בתמונה (**זיהוי אובייקטים**), הבנת מה שמתרחש (**זיהוי אירועים**), תיאור תמונה בטקסט, או שחזור סצנה בתלת-ממד. ישנן גם משימות מיוחדות הקשורות לתמונות של בני אדם: הערכת גיל ורגשות, זיהוי פנים וזיהוי זהות, והערכת תנוחה בתלת-ממד, לדוגמה. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/11) אחת המשימות הפשוטות ביותר בראייה ממוחשבת היא **סיווג תמונות**. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) צפו ב-[סרטון הזה](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) מתוך AI Show כדי ללמוד על פרויקט Cortic Tigers וכיצד הם בנו פתרון מבוסס בלוקים להנגשת משימות ראייה ממוחשבת באמצעות רובוט. בצעו מחקר על פרויקטים נוספים כמו זה שמסייעים למתחילים להיכנס לתחום. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 83f40571..e5261bda 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet היא משפחת מודלים בגודל מופחת, המתאימה במחברות המצורפות, יש הערות בתחתית על איך להשיג דיוק גבוה יותר. בצעו ניסויים כדי לראות אם תוכלו להשיג דיוק גבוה יותר. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md index 0e102a1d..d6e088ed 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ראינו בעבר שרשתות עצביות טובות מאוד בעיבוד תמונות, ואפילו פרספטון בעל שכבה אחת מסוגל לזהות ספרות כתובות ביד מתוך מאגר הנתונים MNIST בדיוק סביר. עם זאת, מאגר הנתונים MNIST הוא מיוחד מאוד, וכל הספרות ממורכזות בתוך התמונה, מה שמפשט את המשימה. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/13) בחיים האמיתיים, אנחנו רוצים להיות מסוגלים לזהות אובייקטים בתמונה ללא קשר למיקומם המדויק בתמונה. ראייה ממוחשבת שונה מסיווג כללי, כי כשאנחנו מנסים למצוא אובייקט מסוים בתמונה, אנחנו סורקים את התמונה ומחפשים **תבניות** מסוימות ושילוביהן. לדוגמה, כשמחפשים חתול, אולי נתחיל בחיפוש קווים אופקיים שיכולים ליצור שפם, ואז שילוב מסוים של שפם יכול להצביע על כך שמדובר בתמונה של חתול. המיקום היחסי והנוכחות של תבניות מסוימות חשובים, ולא המיקום המדויק שלהן בתמונה. diff --git a/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md index eb00a9ba..223fe97c 100644 --- a/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: אימון רשתות CNN יכול לקחת זמן רב, ונדרש לכך הרבה נתונים. עם זאת, חלק גדול מהזמן מושקע בלמידת הפילטרים הבסיסיים שהרשת יכולה להשתמש בהם כדי לחלץ תבניות מתמונות. עולה שאלה טבעית - האם ניתן להשתמש ברשת נוירונים שאומנה על מערך נתונים אחד ולהתאים אותה לסיווג תמונות שונות מבלי לבצע תהליך אימון מלא? -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/15) גישה זו נקראת **למידת העברה**, מכיוון שאנחנו מעבירים ידע ממודל רשת נוירונים אחד לאחר. בלמידת העברה, בדרך כלל מתחילים עם מודל מאומן מראש, שאומן על מערך נתונים גדול של תמונות, כמו **ImageNet**. מודלים אלו כבר יודעים לחלץ תכונות שונות מתמונות כלליות, וברוב המקרים בניית מסווג על גבי התכונות שהופקו יכולה להניב תוצאות טובות. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: במחברות המצורפות, יש הערות בתחתית על כך שלמידת העברה עובדת בצורה הטובה ביותר עם נתוני אימון דומים במידה מסוימת (סוג חדש של בעל חיים, אולי). בצעו ניסויים עם סוגים חדשים לחלוטין של תמונות כדי לראות עד כמה מודלי למידת ההעברה שלכם מצליחים או לא מצליחים. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md index 72a60799..29172efd 100644 --- a/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: בעת אימון רשתות CNN, אחת הבעיות היא הצורך בכמות גדולה של נתונים מתויגים. במקרה של סיווג תמונות, יש להפריד תמונות לקבוצות שונות, מה שדורש מאמץ ידני. -## [שאלון לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/17) עם זאת, ייתכן שנרצה להשתמש בנתונים גולמיים (לא מתויגים) כדי לאמן CNN לחילוץ מאפיינים, מה שנקרא **למידה עצמית-מונחית**. במקום תוויות, נשתמש בתמונות אימון הן כקלט והן כפלט של הרשת. הרעיון המרכזי של **אוטואנקודר** הוא שיהיה לנו **רשת מקודדת** שממירה תמונת קלט למרחב **לטנטי** (בדרך כלל וקטור בגודל קטן יותר), ואז **רשת מפענחת**, שמטרתה לשחזר את התמונה המקורית. @@ -80,7 +80,7 @@ VAE הוא אוטואנקודר שלומד לחזות *התפלגות סטטיס * **מאבדים מידע** - התמונה המשוחזרת אינה זהה לתמונה המקורית. אופי האובדן מוגדר על ידי *פונקציית הפסד* שנעשה בה שימוש במהלך האימון. * עובדים עם **נתונים לא מתויגים** -## [שאלון לאחר השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [שאלון לאחר השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## סיכום @@ -90,7 +90,7 @@ VAE הוא אוטואנקודר שלומד לחזות *התפלגות סטטיס בשיעור זה, למדתם על שימוש באוטואנקודרים לתמונות. אך ניתן להשתמש בהם גם למוזיקה! בדקו את פרויקט Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), שמשתמש באוטואנקודרים כדי ללמוד לשחזר מוזיקה. ערכו [ניסויים](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) עם הספרייה הזו כדי לראות מה תוכלו ליצור. -## [שאלון לאחר השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [שאלון לאחר השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/4-ComputerVision/10-GANs/README.md b/translations/he/lessons/4-ComputerVision/10-GANs/README.md index eb4ebece..47fc2f2a 100644 --- a/translations/he/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/he/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: בפרק הקודם למדנו על **מודלים גנרטיביים**: מודלים שיכולים ליצור תמונות חדשות הדומות לאלו שבמערך הנתונים של האימון. VAE היה דוגמה טובה למודל גנרטיבי. -## [שאלון לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/19) עם זאת, אם ננסה ליצור משהו באמת משמעותי, כמו ציור ברזולוציה סבירה, באמצעות VAE, נראה שהאימון לא מתכנס היטב. לשימוש כזה, כדאי ללמוד על ארכיטקטורה אחרת שמיועדת במיוחד למודלים גנרטיביים - **רשתות גנרטיביות מתחרות**, או GANs. @@ -84,7 +84,7 @@ GANs הם דרך מצוינת לייצר תמונות אמנותיות. טכני ## ✍️ דוגמה: [העברת סגנון](StyleTransfer.ipynb) -## [שאלון אחרי השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [שאלון אחרי השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## סיכום diff --git a/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md index 24a90375..9dcdd967 100644 --- a/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: מודלי סיווג תמונות שעסקנו בהם עד כה לקחו תמונה והפיקו תוצאה קטגורית, כמו הקטגוריה 'מספר' בבעיה של MNIST. עם זאת, במקרים רבים אנחנו לא רוצים רק לדעת שתמונה מציגה אובייקטים - אנחנו רוצים להיות מסוגלים לקבוע את המיקום המדויק שלהם. זה בדיוק הנושא של **זיהוי אובייקטים**. -## [מבחן מקדים להרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [מבחן מקדים להרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![זיהוי אובייקטים](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.he.png) @@ -172,7 +172,7 @@ YOLO הוא אלגוריתם מעבר יחיד בזמן אמת. הרעיון ה * YOLO: [מימוש ב-Keras](https://github.com/experiencor/keras-yolo2), [מחברת שלב-אחר-שלב](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [מימוש ב-Keras](https://github.com/experiencor/keras-yolo2), [מחברת שלב-אחר-שלב](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [מבחן לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [מבחן לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/he/lessons/4-ComputerVision/12-Segmentation/README.md index 17a726e7..9561753b 100644 --- a/translations/he/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/he/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: למדנו בעבר על זיהוי אובייקטים, שמאפשר לנו לאתר אובייקטים בתמונה על ידי חיזוי *תיבות גבול* (bounding boxes). עם זאת, עבור משימות מסוימות אנחנו לא זקוקים רק לתיבות גבול, אלא גם למיקום מדויק יותר של האובייקט. משימה זו נקראת **חלוקה** (Segmentation). -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/23) ניתן לראות חלוקה כ**סיווג פיקסלים**, כאשר עבור **כל** פיקסל בתמונה עלינו לחזות את הקטגוריה שלו (*רקע* הוא אחת הקטגוריות). קיימים שני סוגים עיקריים של אלגוריתמי חלוקה: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [חלוקה סמנטית ב-PyTorch](SemanticSegmentationPytorch.ipynb) * [חלוקה סמנטית ב-TensorFlow](SemanticSegmentationTF.ipynb) -## [שאלון אחרי ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [שאלון אחרי ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## סיכום diff --git a/translations/he/lessons/5-NLP/13-TextRep/README.md b/translations/he/lessons/5-NLP/13-TextRep/README.md index b273f15c..53de2fec 100644 --- a/translations/he/lessons/5-NLP/13-TextRep/README.md +++ b/translations/he/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ייצוג טקסט כטנסורים -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## סיווג טקסט @@ -73,7 +73,7 @@ BoW למעשה מייצג אילו מילים מופיעות בטקסט ובאי נסו תרגילים נוספים באמצעות bag-of-words ומודלים שונים של נתונים. ייתכן שתמצאו השראה בתחרות הזו ב-[Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [שאלון אחרי ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [שאלון אחרי ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/5-NLP/14-Embeddings/README.md b/translations/he/lessons/5-NLP/14-Embeddings/README.md index de4a18d8..b453a55a 100644 --- a/translations/he/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/he/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # הטמעות -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/27) כאשר אימנו מסווגים המבוססים על BoW או TF/IDF, עבדנו עם וקטורי שקי מילים בעלי ממד גבוה באורך `vocab_size`, והמרנו באופן מפורש מווקטורי ייצוג מיקום בעלי ממד נמוך לייצוג דל של אחד-חם. עם זאת, ייצוג אחד-חם אינו יעיל מבחינת זיכרון. בנוסף, כל מילה מטופלת באופן עצמאי, כלומר וקטורי אחד-חם אינם מבטאים שום דמיון סמנטי בין מילים. @@ -65,7 +65,7 @@ CBoW מהיר יותר, בעוד שסקיפ-גרם איטי יותר, אך עו Word2Vec שימש ליישומים מעניינים, כולל יצירת שירי פואטיקה. עיינו ב[מאמר הזה](https://www.politetype.com/blog/word2vec-color-poems) שמסביר כיצד המחבר השתמש ב-Word2Vec ליצירת פואטיקה. צפו גם ב[סרטון הזה של דן שיפמן](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) כדי לגלות הסבר שונה על הטכניקה הזו. לאחר מכן נסו ליישם את הטכניקות הללו על קורפוס הטקסט שלכם, אולי ממקור כמו Kaggle. -## [שאלון אחרי ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [שאלון אחרי ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/5-NLP/15-LanguageModeling/README.md b/translations/he/lessons/5-NLP/15-LanguageModeling/README.md index 4c73fcfb..8d4650c6 100644 --- a/translations/he/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/he/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: הטמעות סמנטיות, כמו Word2Vec ו-GloVe, הן למעשה צעד ראשון לקראת **מודלים לשוניים** - יצירת מודלים שמסוגלים *להבין* (או *לייצג*) את טבע השפה. -## [שאלון לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/29) הרעיון המרכזי מאחורי מודלים לשוניים הוא לאמן אותם על מערכי נתונים לא מתויגים בצורה לא מפוקחת. זה חשוב מכיוון שיש לנו כמויות עצומות של טקסט לא מתויג, בעוד שכמות הטקסט המתויג תמיד תהיה מוגבלת על ידי המאמץ שנוכל להשקיע בתיוג. לרוב, ניתן לבנות מודלים לשוניים שיכולים **לחזות מילים חסרות** בטקסט, מכיוון שקל להסתיר מילה אקראית בטקסט ולהשתמש בה כדוגמת אימון. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: בשיעור הקודם ראינו שהטמעות מילים פועלות כמו קסם! עכשיו אנחנו יודעים שאימון הטמעות מילים הוא לא משימה מורכבת במיוחד, ואנחנו יכולים לאמן הטמעות משלנו לטקסטים ייעודיים אם נדרש. -## [שאלון אחרי השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [שאלון אחרי השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/5-NLP/16-RNN/README.md b/translations/he/lessons/5-NLP/16-RNN/README.md index 27796ff5..1babebbe 100644 --- a/translations/he/lessons/5-NLP/16-RNN/README.md +++ b/translations/he/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # רשתות עצביות חוזרות -## [מבחן מקדים להרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [מבחן מקדים להרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/31) בקטעים הקודמים השתמשנו בייצוגים סמנטיים עשירים של טקסט ובמסווג ליניארי פשוט מעל ההטמעות. מה שהארכיטקטורה הזו עושה הוא לתפוס את המשמעות המצטברת של מילים במשפט, אך היא אינה מתחשבת ב**סדר** המילים, מכיוון שפעולת האגרגציה מעל ההטמעות הסירה את המידע הזה מהטקסט המקורי. מכיוון שמודלים אלו אינם מסוגלים לדמות את סדר המילים, הם אינם יכולים לפתור משימות מורכבות או עמומות יותר כמו יצירת טקסט או מענה על שאלות. @@ -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) -## [מבחן לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [מבחן לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md index 72e96537..b19d1e63 100644 --- a/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # רשתות גנרטיביות -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/33) רשתות עצביות חוזרות (RNNs) וגרסאות התאים שלהן כמו תאי זיכרון ארוך-קצר (LSTMs) ויחידות חוזרות עם שערים (GRUs) מספקות מנגנון למידול שפה בכך שהן יכולות ללמוד את סדר המילים ולספק תחזיות למילה הבאה ברצף. זה מאפשר לנו להשתמש ב-RNNs למשימות **גנרטיביות**, כמו יצירת טקסט רגיל, תרגום מכונה ואפילו יצירת כיתוב לתמונות. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * יצירת טקסט עם [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) -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/5-NLP/18-Transformers/README.md b/translations/he/lessons/5-NLP/18-Transformers/README.md index c83af389..b9389c02 100644 --- a/translations/he/lessons/5-NLP/18-Transformers/README.md +++ b/translations/he/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # מנגנוני קשב ומודלים של טרנספורמרים -## [שאלון לפני השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/35) אחת הבעיות החשובות ביותר בתחום עיבוד השפה הטבעית (NLP) היא **תרגום מכונה**, משימה חיונית שעומדת בבסיס כלים כמו Google Translate. בחלק זה נתמקד בתרגום מכונה, או באופן כללי יותר, בכל משימה של *רצף-לרצף* (המכונה גם **שינוי משפטים**). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 אתגר -## [שאלון לאחר השיעור](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [שאלון לאחר השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/5-NLP/19-NER/README.md b/translations/he/lessons/5-NLP/19-NER/README.md index 121d5f43..50792971 100644 --- a/translations/he/lessons/5-NLP/19-NER/README.md +++ b/translations/he/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: עד כה, התמקדנו בעיקר במשימה אחת של עיבוד שפה טבעית (NLP) - סיווג. עם זאת, ישנן משימות נוספות שניתן לבצע באמצעות רשתות עצביות. אחת מהמשימות הללו היא **[זיהוי ישויות בשם](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), שעוסקת בזיהוי ישויות ספציפיות בתוך טקסט, כמו מקומות, שמות של אנשים, טווחי זמן, נוסחאות כימיות ועוד. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## דוגמה לשימוש ב-NER @@ -80,7 +80,7 @@ infant | O השלימו את המשימה המקושרת למטה כדי לאמן מודל לזיהוי ישויות בשם עבור מונחים רפואיים, ולאחר מכן נסו אותו על מערך נתונים שונה. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## סקירה ולמידה עצמית diff --git a/translations/he/lessons/5-NLP/20-LangModels/README.md b/translations/he/lessons/5-NLP/20-LangModels/README.md index 1ac1c13e..da91e604 100644 --- a/translations/he/lessons/5-NLP/20-LangModels/README.md +++ b/translations/he/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: בכל המשימות הקודמות שלנו, אימנו רשת עצבית לבצע משימה מסוימת באמצעות מערך נתונים מתויג. עם מודלים גדולים מבוססי טרנספורמר, כמו BERT, אנו משתמשים במידול שפה באופן מונחה עצמי כדי לבנות מודל שפה, אשר לאחר מכן מתמחה למשימות ספציפיות באמצעות אימון נוסף בתחום מסוים. עם זאת, הוכח שמודלים גדולים של שפה יכולים גם לפתור משימות רבות ללא כל אימון ספציפי לתחום. משפחת מודלים המסוגלת לעשות זאת נקראת **GPT**: Generative Pre-Trained Transformer. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## יצירת טקסט ומדד Perplexity @@ -58,7 +58,7 @@ GPT אינו מודל יחיד, אלא אוסף של מודלים שפותחו מודלים חדשים של שפה מאומנים מראש לא רק ממדלים את מבנה השפה, אלא גם מכילים כמות עצומה של שפה טבעית. לכן, ניתן להשתמש בהם ביעילות כדי לפתור משימות NLP מסוימות במצבים של אפס או מעט דוגמאות. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/he/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/he/lessons/6-Other/21-GeneticAlgorithms/README.md index f20d4bda..90723c7f 100644 --- a/translations/he/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/he/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # אלגוריתמים גנטיים -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/41) **אלגוריתמים גנטיים** (GA) מבוססים על **גישה אבולוציונית** לבינה מלאכותית, שבה נעשה שימוש בשיטות אבולוציה של אוכלוסייה כדי להגיע לפתרון אופטימלי לבעיה נתונה. הם הוצעו לראשונה בשנת 1975 על ידי [ג'ון הנרי הולנד](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "אלגוריתמים גנטיים פשוטים ליישום, אך התנהגותם קשה להבנה." [מקור](https://wikipedia.org/wiki/Genetic_algorithm) בצע מחקר כדי למצוא יישום של אלגוריתם גנטי, כמו פתרון חידת סודוקו, והסבר כיצד הוא עובד באמצעות סקיצה או תרשים זרימה. -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/6-Other/22-DeepRL/README.md b/translations/he/lessons/6-Other/22-DeepRL/README.md index 6bbbd053..83983667 100644 --- a/translations/he/lessons/6-Other/22-DeepRL/README.md +++ b/translations/he/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: למידה חיזוקית (RL) נחשבת לאחד מהפרדיגמות הבסיסיות של למידת מכונה, לצד למידה מונחית ולמידה בלתי מונחית. בעוד שבלמידה מונחית אנו מסתמכים על מערך נתונים עם תוצאות ידועות מראש, בלמידה חיזוקית הבסיס הוא **למידה מתוך עשייה**. לדוגמה, כשאנו רואים לראשונה משחק מחשב, אנו מתחילים לשחק בו, גם מבלי לדעת את החוקים, ועד מהרה אנו משפרים את יכולותינו רק מתוך תהליך המשחק והתאמת ההתנהגות שלנו. -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/43) כדי לבצע למידה חיזוקית, אנו זקוקים ל: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") חקור את היישומים המפורטים בסעיף 'משימות RL אחרות' ונסה ליישם אחד מהם! -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## סקירה ולימוד עצמי diff --git a/translations/he/lessons/6-Other/23-MultiagentSystems/README.md b/translations/he/lessons/6-Other/23-MultiagentSystems/README.md index 8157a9e0..42617c22 100644 --- a/translations/he/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/he/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: אחת הדרכים האפשריות להשגת אינטליגנציה היא הגישה המכונה **מתהווה** (או **סינרגטית**), המבוססת על העובדה שהתנהגות משולבת של סוכנים פשוטים יחסית יכולה להוביל להתנהגות מורכבת יותר (או אינטליגנטית) של המערכת כולה. באופן תיאורטי, הדבר מבוסס על עקרונות של [אינטליגנציה קולקטיבית](https://en.wikipedia.org/wiki/Collective_intelligence), [מתהוות](https://en.wikipedia.org/wiki/Global_brain) ו[סייברנטיקה אבולוציונית](https://en.wikipedia.org/wiki/Global_brain), אשר טוענים שמערכות ברמה גבוהה יותר משיגות ערך מוסף כלשהו כאשר הן משולבות בצורה נכונה ממערכות ברמה נמוכה יותר (העיקרון המכונה *מעבר למטאסיסטם*). -## [שאלון לפני ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/45) תחום **מערכות רב-סוכנים** התפתח ב-AI בשנות ה-90 כתגובה לצמיחת האינטרנט ומערכות מבוזרות. אחד מספרי הלימוד הקלאסיים ב-AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), מתמקד בנקודת המבט של AI קלאסי מנקודת מבט של מערכות רב-סוכנים. @@ -152,7 +152,7 @@ to go [ קחו את השיעור הזה לעולם האמיתי ונסו להגות מערכת רב-סוכנים שיכולה לפתור בעיה. מה, למשל, מערכת רב-סוכנים תצטרך לעשות כדי לייעל מסלול של אוטובוס בית ספר? כיצד היא יכולה לעבוד במאפייה? -## [שאלון לאחר ההרצאה](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [שאלון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## סקירה ולימוד עצמי diff --git a/translations/hi/lessons/1-Intro/README.md b/translations/hi/lessons/1-Intro/README.md index e5fe59c1..cd11f2af 100644 --- a/translations/hi/lessons/1-Intro/README.md +++ b/translations/hi/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: इंटरनेट पर एक यात्रा करें और यह निर्धारित करें कि, आपकी राय में, एआई का सबसे प्रभावी उपयोग कहां हो रहा है। क्या यह किसी मैपिंग ऐप में है, या किसी स्पीच-टू-टेक्स्ट सेवा में, या किसी वीडियो गेम में? शोध करें कि यह प्रणाली कैसे बनाई गई थी। -## [पाठ के बाद का क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [पाठ के बाद का क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/2-Symbolic/README.md b/translations/hi/lessons/2-Symbolic/README.md index 2063c76e..12a92d25 100644 --- a/translations/hi/lessons/2-Symbolic/README.md +++ b/translations/hi/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ Microsoft Research द्वारा ऐसा ही एक प्रयास इस पाठ से संबंधित Family Ontology नोटबुक में, अन्य पारिवारिक संबंधों के साथ प्रयोग करने का अवसर है। परिवार के पेड़ में लोगों के बीच नए कनेक्शन खोजने का प्रयास करें। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/hi/lessons/3-NeuralNetworks/03-Perceptron/README.md index e477f080..18708399 100644 --- a/translations/hi/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # न्यूरल नेटवर्क का परिचय: परसेप्ट्रॉन -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/5) आधुनिक न्यूरल नेटवर्क जैसा कुछ बनाने का पहला प्रयास 1957 में कॉर्नेल एरोनॉटिकल लैबोरेटरी के फ्रैंक रोसेनब्लाट द्वारा किया गया था। यह एक हार्डवेयर इम्प्लीमेंटेशन था जिसे "मार्क-1" कहा गया, और इसे त्रिभुज, वर्ग और वृत्त जैसे आदिम ज्यामितीय आकृतियों को पहचानने के लिए डिज़ाइन किया गया था। @@ -84,7 +84,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): यदि आप अपना खुद का परसेप्ट्रॉन बनाना चाहते हैं, तो [Microsoft Learn पर इस लैब](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) को आज़माएं, जो [Azure ML डिज़ाइनर](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) का उपयोग करता है। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/hi/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 40627092..73460ceb 100644 --- a/translations/hi/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: हम Python में अपना खुद का मॉड्यूलर ढांचा भी विकसित करेंगे, जो हमें विभिन्न न्यूरल नेटवर्क आर्किटेक्चर बनाने की अनुमति देगा। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## मशीन लर्निंग का औपचारिककरण @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) नोटबुक पर जाएं और इसे पूरा करें। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md index 16d113fb..451b5e51 100644 --- a/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * टेन्सर्स पर ऑपरेट करना, जैसे कि उन्हें गुणा करना, जोड़ना, और कुछ फंक्शन्स जैसे सिग्मॉइड या सॉफ्टमैक्स को गणना करना। * सभी एक्सप्रेशन्स के ग्रेडिएंट्स की गणना करना, ताकि ग्रेडिएंट डिसेंट ऑप्टिमाइजेशन किया जा सके। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/9) हालांकि `numpy` लाइब्रेरी पहला काम कर सकती है, हमें ग्रेडिएंट्स की गणना के लिए एक मैकेनिज्म की आवश्यकता होती है। [हमारे फ्रेमवर्क](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) में, जिसे हमने पिछले सेक्शन में विकसित किया था, हमें `backward` मेथड के अंदर सभी डेरिवेटिव फंक्शन्स को मैन्युअली प्रोग्राम करना पड़ा, जो बैकप्रोपेगेशन करता है। आदर्श रूप से, एक फ्रेमवर्क हमें *किसी भी एक्सप्रेशन* के ग्रेडिएंट्स की गणना करने का अवसर देना चाहिए जिसे हम परिभाषित कर सकते हैं। @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: संबंधित नोटबुक्स में, आपको नीचे 'टास्क्स' मिलेंगे; नोटबुक्स के माध्यम से काम करें और टास्क्स को पूरा करें। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md index 86a283f5..940040be 100644 --- a/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [कंप्यूटर विज़न](https://wikipedia.org/wiki/Computer_vision) एक ऐसा क्षेत्र है जिसका उद्देश्य कंप्यूटर को डिजिटल छवियों की उच्च-स्तरीय समझ प्रदान करना है। यह एक व्यापक परिभाषा है, क्योंकि *समझना* कई चीजों का मतलब हो सकता है, जैसे किसी तस्वीर में वस्तु ढूंढना (**वस्तु पहचान**), यह समझना कि क्या हो रहा है (**घटना पहचान**), किसी तस्वीर का पाठ में वर्णन करना, या 3D में दृश्य को पुनर्निर्मित करना। मानव छवियों से संबंधित विशेष कार्य भी हैं: उम्र और भावना का अनुमान लगाना, चेहरा पहचान और पहचान, और 3D पोज़ का अनुमान लगाना, आदि। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/11) कंप्यूटर विज़न का सबसे सरल कार्यों में से एक है **छवि वर्गीकरण**। @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) AI शो से [यह वीडियो](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) देखें ताकि Cortic Tigers प्रोजेक्ट और उन्होंने कैसे एक रोबोट के माध्यम से कंप्यूटर विज़न कार्यों को लोकतांत्रिक बनाने के लिए ब्लॉक-आधारित समाधान बनाया, इसके बारे में जानें। इस तरह के अन्य प्रोजेक्ट्स पर शोध करें जो नए शिक्षार्थियों को इस क्षेत्र में शामिल करने में मदद करते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 8f58403d..ccd79dc1 100644 --- a/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet छोटे आकार के मॉडल्स का एक प साथ में दिए गए नोटबुक्स में, नीचे अधिक सटीकता प्राप्त करने के तरीकों के बारे में नोट्स दिए गए हैं। कुछ प्रयोग करें और देखें कि क्या आप उच्च सटीकता प्राप्त कर सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md index b88303b7..cace041e 100644 --- a/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हमने पहले देखा है कि न्यूरल नेटवर्क्स इमेजेस के साथ काम करने में काफी अच्छे होते हैं, और यहां तक कि एक-लेयर परसेप्ट्रॉन भी MNIST डेटासेट से हस्तलिखित अंकों को पहचानने में उचित सटीकता के साथ सक्षम है। हालांकि, MNIST डेटासेट बहुत खास है, और सभी अंक इमेज के केंद्र में होते हैं, जिससे यह कार्य सरल हो जाता है। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/13) वास्तविक जीवन में, हम चाहते हैं कि हम इमेज में किसी वस्तु को उसकी सटीक स्थिति की परवाह किए बिना पहचान सकें। कंप्यूटर विज़न सामान्य वर्गीकरण से अलग है, क्योंकि जब हम इमेज में किसी विशेष वस्तु को खोजने की कोशिश कर रहे होते हैं, तो हम इमेज को स्कैन करते हैं और कुछ विशिष्ट **पैटर्न्स** और उनके संयोजनों को ढूंढते हैं। उदाहरण के लिए, जब हम बिल्ली को खोज रहे होते हैं, तो हम पहले क्षैतिज रेखाओं को देख सकते हैं, जो मूंछें बना सकती हैं, और फिर मूंछों के एक निश्चित संयोजन से हमें पता चल सकता है कि यह वास्तव में एक बिल्ली की तस्वीर है। कुछ पैटर्न्स की सापेक्ष स्थिति और उपस्थिति महत्वपूर्ण होती है, न कि उनकी इमेज में सटीक स्थिति। diff --git a/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md index 5185c9ed..9c31fa06 100644 --- a/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNNs को ट्रेन करना बहुत समय ले सकता है, और इसके लिए बहुत सारे डेटा की आवश्यकता होती है। हालांकि, अधिकांश समय नेटवर्क को उन सर्वोत्तम लो-लेवल फिल्टर्स को सीखने में लगता है, जो इमेज से पैटर्न निकालने में मदद करते हैं। एक स्वाभाविक सवाल उठता है - क्या हम एक डेटासेट पर ट्रेन किए गए न्यूरल नेटवर्क का उपयोग करके इसे अलग-अलग इमेज को वर्गीकृत करने के लिए अनुकूलित कर सकते हैं, बिना पूरे ट्रेनिंग प्रक्रिया की आवश्यकता के? -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/15) इस दृष्टिकोण को **ट्रांसफर लर्निंग** कहा जाता है, क्योंकि हम एक न्यूरल नेटवर्क मॉडल से दूसरे में कुछ ज्ञान ट्रांसफर करते हैं। ट्रांसफर लर्निंग में, हम आमतौर पर एक प्री-ट्रेंड मॉडल से शुरू करते हैं, जिसे किसी बड़े इमेज डेटासेट, जैसे **ImageNet**, पर ट्रेन किया गया होता है। ये मॉडल पहले से ही सामान्य इमेज से विभिन्न फीचर्स निकालने में अच्छा काम कर सकते हैं, और कई मामलों में उन निकाले गए फीचर्स के ऊपर एक क्लासिफायर बनाना अच्छे परिणाम दे सकता है। @@ -76,7 +76,7 @@ Keras और PyTorch दोनों में कुछ सामान्य संबंधित नोटबुक्स में, नीचे नोट्स हैं कि ट्रांसफर ज्ञान समान ट्रेनिंग डेटा (शायद एक नए प्रकार के जानवर) के साथ सबसे अच्छा काम करता है। पूरी तरह से नए प्रकार की इमेज के साथ कुछ प्रयोग करें यह देखने के लिए कि आपके ट्रांसफर ज्ञान मॉडल कितनी अच्छी या खराब प्रदर्शन करते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md index 70944fa8..1c0524a0 100644 --- a/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: जब हम CNNs को ट्रेन करते हैं, तो एक समस्या यह होती है कि हमें बहुत सारे लेबल वाले डेटा की आवश्यकता होती है। इमेज क्लासिफिकेशन के मामले में, हमें इमेज को अलग-अलग क्लास में विभाजित करना होता है, जो एक मैनुअल प्रक्रिया है। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/17) हालांकि, हम कच्चे (अनलेबल्ड) डेटा का उपयोग CNN फीचर एक्सट्रैक्टर्स को ट्रेन करने के लिए करना चाह सकते हैं, जिसे **सेल्फ-सुपरवाइज्ड लर्निंग** कहा जाता है। लेबल्स के बजाय, हम ट्रेनिंग इमेज को नेटवर्क इनपुट और आउटपुट दोनों के रूप में उपयोग करेंगे। **ऑटोएन्कोडर** का मुख्य विचार यह है कि हमारे पास एक **एन्कोडर नेटवर्क** होगा जो इनपुट इमेज को किसी **लेटेंट स्पेस** (आमतौर पर यह एक छोटे आकार का वेक्टर होता है) में बदल देगा, और फिर एक **डिकोडर नेटवर्क** होगा, जिसका लक्ष्य मूल इमेज को पुनर्निर्मित करना होगा। @@ -80,7 +80,7 @@ VAEs का एक महत्वपूर्ण लाभ यह है कि * **लॉसी** - पुनर्निर्मित इमेज मूल इमेज के समान नहीं होती। लॉस की प्रकृति उस *लॉस फंक्शन* द्वारा परिभाषित होती है जिसका उपयोग ट्रेनिंग के दौरान किया गया है। * **अनलेबल्ड डेटा** पर काम करता है -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## निष्कर्ष @@ -90,7 +90,7 @@ VAEs का एक महत्वपूर्ण लाभ यह है कि इस पाठ में, आपने इमेज के लिए ऑटोएन्कोडर्स का उपयोग करना सीखा। लेकिन इन्हें संगीत के लिए भी उपयोग किया जा सकता है! मैजेंटा प्रोजेक्ट के [MusicVAE](https://magenta.tensorflow.org/music-vae) प्रोजेक्ट को देखें, जो संगीत को पुनर्निर्मित करना सीखने के लिए ऑटोएन्कोडर्स का उपयोग करता है। इस लाइब्रेरी के साथ कुछ [प्रयोग](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) करें और देखें कि आप क्या बना सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/10-GANs/README.md b/translations/hi/lessons/4-ComputerVision/10-GANs/README.md index 404cbe60..52dc52d5 100644 --- a/translations/hi/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/hi/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: पिछले सेक्शन में, हमने **जनरेटिव मॉडल्स** के बारे में सीखा: ऐसे मॉडल्स जो ट्रेनिंग डेटा सेट में मौजूद इमेजेज़ के समान नई इमेजेज़ जनरेट कर सकते हैं। VAE इसका एक अच्छा उदाहरण था। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/19) हालांकि, अगर हम कुछ वास्तव में अर्थपूर्ण जनरेट करने की कोशिश करें, जैसे कि एक पेंटिंग उचित रिज़ॉल्यूशन पर, तो VAE के साथ ट्रेनिंग अच्छी तरह से कन्वर्ज नहीं होती। इस उपयोग के लिए, हमें एक और आर्किटेक्चर के बारे में सीखना चाहिए जो विशेष रूप से जनरेटिव मॉडल्स के लिए डिज़ाइन किया गया है - **जनरेटिव एडवर्सेरियल नेटवर्क्स**, या GANs। @@ -84,7 +84,7 @@ GANs कलात्मक इमेजेज़ जनरेट करने ## ✍️ उदाहरण: [स्टाइल ट्रांसफर](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## निष्कर्ष diff --git a/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md index 9e6fba6c..4a7778ee 100644 --- a/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: अब तक हमने जिन इमेज क्लासिफिकेशन मॉडल्स का उपयोग किया है, वे एक इमेज लेते हैं और एक श्रेणीबद्ध परिणाम उत्पन्न करते हैं, जैसे कि MNIST समस्या में 'संख्या' वर्ग। हालांकि, कई मामलों में हमें केवल यह जानना नहीं होता कि तस्वीर में वस्तुएं हैं - बल्कि हम उनकी सटीक स्थिति का निर्धारण करना चाहते हैं। यही **वस्तु पहचान** का उद्देश्य है। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![वस्तु पहचान](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -171,7 +171,7 @@ YOLO एक रीयलटाइम वन-पास एल्गोरिद * YOLO: [Keras इम्प्लीमेंटेशन](https://github.com/experiencor/keras-yolo2), [स्टेप-बाय-स्टेप नोटबुक](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras इम्प्लीमेंटेशन](https://github.com/experiencor/keras-yolo2), [स्टेप-बाय-स्टेप नोटबुक](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/hi/lessons/4-ComputerVision/12-Segmentation/README.md index 729070a1..7d0918ba 100644 --- a/translations/hi/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/hi/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हमने पहले ऑब्जेक्ट डिटेक्शन के बारे में सीखा था, जो हमें *बाउंडिंग बॉक्सेस* की भविष्यवाणी करके इमेज में ऑब्जेक्ट्स को लोकेट करने की अनुमति देता है। हालांकि, कुछ कार्यों के लिए हमें केवल बाउंडिंग बॉक्सेस की आवश्यकता नहीं होती, बल्कि ऑब्जेक्ट्स का अधिक सटीक स्थानीयकरण चाहिए। इस कार्य को **विभाजन (Segmentation)** कहा जाता है। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) विभाजन को **पिक्सल वर्गीकरण** के रूप में देखा जा सकता है, जहां इमेज के **प्रत्येक** पिक्सल के लिए हमें उसका वर्ग (*पृष्ठभूमि* भी एक वर्ग है) की भविष्यवाणी करनी होती है। विभाजन के दो मुख्य प्रकार हैं: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [सामान्य विभाजन PyTorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [सामान्य विभाजन TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## निष्कर्ष diff --git a/translations/hi/lessons/5-NLP/13-TextRep/README.md b/translations/hi/lessons/5-NLP/13-TextRep/README.md index 4d452755..0d244169 100644 --- a/translations/hi/lessons/5-NLP/13-TextRep/README.md +++ b/translations/hi/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # टेक्स्ट को टेन्सर्स के रूप में प्रस्तुत करना -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## टेक्स्ट वर्गीकरण @@ -73,7 +73,7 @@ BoW की समस्या यह है कि कुछ सामान् बैग-ऑफ-वर्ड्स और विभिन्न डेटा मॉडल का उपयोग करके कुछ अन्य अभ्यास आज़माएं। आप इस [Kaggle प्रतियोगिता](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) से प्रेरित हो सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/14-Embeddings/README.md b/translations/hi/lessons/5-NLP/14-Embeddings/README.md index cb69f831..c8dc1965 100644 --- a/translations/hi/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hi/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # एम्बेडिंग्स -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/27) जब हमने BoW या TF/IDF आधारित क्लासिफायर को ट्रेन किया, तो हम उच्च-आयामी बैग-ऑफ-वर्ड्स वेक्टर पर काम कर रहे थे, जिनकी लंबाई `vocab_size` होती है, और हम निम्न-आयामी पोज़िशनल रिप्रेज़ेंटेशन वेक्टर को स्पष्ट रूप से स्पार्स वन-हॉट रिप्रेज़ेंटेशन में बदल रहे थे। हालांकि, यह वन-हॉट रिप्रेज़ेंटेशन मेमोरी-एफिशिएंट नहीं है। इसके अलावा, प्रत्येक शब्द को एक-दूसरे से स्वतंत्र रूप से ट्रीट किया जाता है, यानी वन-हॉट एनकोडेड वेक्टर शब्दों के बीच किसी भी सेमांटिक समानता को व्यक्त नहीं करते। @@ -65,7 +65,7 @@ Word2Vec प्री-ट्रेंड एम्बेडिंग्स (औ Word2Vec का उपयोग कुछ दिलचस्प अनुप्रयोगों के लिए किया गया है, जैसे गाने के बोल और कविता उत्पन्न करना। [इस लेख](https://www.politetype.com/blog/word2vec-color-poems) को देखें, जिसमें लेखक ने Word2Vec का उपयोग करके कविता उत्पन्न करने की प्रक्रिया को समझाया है। [डैन शिफमैन का यह वीडियो](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) भी देखें, जिसमें इस तकनीक की एक अलग व्याख्या दी गई है। फिर इन तकनीकों को अपने टेक्स्ट कॉर्पस पर लागू करने का प्रयास करें, जिसे आप शायद Kaggle से प्राप्त कर सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md index 3542defd..3ea0677f 100644 --- a/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: सामान्य एम्बेडिंग्स, जैसे Word2Vec और GloVe, वास्तव में **भाषा मॉडलिंग** की दिशा में पहला कदम हैं - ऐसे मॉडल बनाना जो किसी तरह भाषा की प्रकृति को *समझते* (या *प्रतिनिधित्व करते*) हैं। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/29) भाषा मॉडलिंग के पीछे मुख्य विचार यह है कि इन्हें बिना लेबल वाले डेटा सेट्स पर असुपरवाइज्ड तरीके से प्रशिक्षित किया जाए। यह इसलिए महत्वपूर्ण है क्योंकि हमारे पास बिना लेबल वाले टेक्स्ट की बहुत बड़ी मात्रा उपलब्ध है, जबकि लेबल वाले टेक्स्ट की मात्रा हमेशा सीमित होगी, क्योंकि लेबलिंग में काफी प्रयास लगता है। अक्सर, हम ऐसे भाषा मॉडल बना सकते हैं जो **टेक्स्ट में गायब शब्दों की भविष्यवाणी** कर सकें, क्योंकि टेक्स्ट में किसी रैंडम शब्द को छिपाना और उसे एक प्रशिक्षण नमूने के रूप में उपयोग करना आसान है। @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: पिछले पाठ में हमने देखा कि शब्द एम्बेडिंग्स जादू की तरह काम करते हैं! अब हम जानते हैं कि शब्द एम्बेडिंग्स का प्रशिक्षण कोई बहुत जटिल कार्य नहीं है, और यदि आवश्यकता हो तो हम डोमेन-विशिष्ट टेक्स्ट के लिए अपने स्वयं के शब्द एम्बेडिंग्स प्रशिक्षित कर सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/16-RNN/README.md b/translations/hi/lessons/5-NLP/16-RNN/README.md index 38d7a375..66e20c55 100644 --- a/translations/hi/lessons/5-NLP/16-RNN/README.md +++ b/translations/hi/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # पुनरावर्ती न्यूरल नेटवर्क्स -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/31) पिछले सेक्शन्स में, हमने टेक्स्ट के समृद्ध सेमांटिक रिप्रेजेंटेशन और एम्बेडिंग्स के ऊपर एक साधारण लीनियर क्लासिफायर का उपयोग किया है। यह आर्किटेक्चर वाक्य में शब्दों के समग्र अर्थ को कैप्चर करता है, लेकिन यह शब्दों के **क्रम** को ध्यान में नहीं रखता है, क्योंकि एम्बेडिंग्स के ऊपर की एग्रीगेशन प्रक्रिया ने मूल टेक्स्ट से यह जानकारी हटा दी है। चूंकि ये मॉडल शब्दों के क्रम को मॉडल करने में असमर्थ हैं, वे टेक्स्ट जनरेशन या प्रश्न उत्तर जैसे अधिक जटिल या अस्पष्ट कार्यों को हल नहीं कर सकते। @@ -84,7 +84,7 @@ LSTMs के बारे में कुछ साहित्य पढ़े - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md index 04dc3553..c095ea55 100644 --- a/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जनरेटिव नेटवर्क्स -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/33) रिकरंट न्यूरल नेटवर्क्स (RNNs) और उनके गेटेड सेल वेरिएंट्स जैसे लॉन्ग शॉर्ट टर्म मेमोरी सेल्स (LSTMs) और गेटेड रिक्रंट यूनिट्स (GRUs) ने भाषा मॉडलिंग के लिए एक तंत्र प्रदान किया है, क्योंकि वे शब्दों के क्रम को सीख सकते हैं और अनुक्रम में अगले शब्द की भविष्यवाणी कर सकते हैं। यह हमें RNNs का उपयोग **जनरेटिव कार्यों** के लिए करने की अनुमति देता है, जैसे सामान्य टेक्स्ट जनरेशन, मशीन ट्रांसलेशन, और यहां तक कि इमेज कैप्शनिंग। @@ -71,7 +71,7 @@ Microsoft Learn पर इस विषय पर कुछ पाठ लें: * [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) के साथ टेक्स्ट जनरेशन -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/18-Transformers/README.md b/translations/hi/lessons/5-NLP/18-Transformers/README.md index dad908e7..7ffbf395 100644 --- a/translations/hi/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hi/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ध्यान तंत्र और ट्रांसफॉर्मर्स -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP क्षेत्र में सबसे महत्वपूर्ण समस्याओं में से एक है **मशीन अनुवाद**, जो Google Translate जैसे टूल्स के लिए एक आवश्यक कार्य है। इस खंड में, हम मशीन अनुवाद पर ध्यान केंद्रित करेंगे, या सामान्य रूप से, किसी भी *सीक्वेंस-टू-सीक्वेंस* कार्य (जिसे **वाक्य ट्रांसडक्शन** भी कहा जाता है) पर चर्चा करेंगे। @@ -108,7 +108,7 @@ RNNs के साथ, सीक्वेंस-टू-सीक्वेंस ## 🚀 चुनौती -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md index c3ad87ee..5c1d4a18 100644 --- a/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # ध्यान तंत्र और ट्रांसफार्मर -## [प्री-लेचर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [प्री-लेचर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP क्षेत्र में सबसे महत्वपूर्ण समस्याओं में से एक है **मशीन अनुवाद**, जो ऐसे उपकरणों के लिए एक आवश्यक कार्य है जैसे कि Google Translate। इस अनुभाग में, हम मशीन अनुवाद पर ध्यान केंद्रित करेंगे, या, सामान्य रूप से, किसी भी *क्रम-से-क्रम* कार्य पर (जिसे **वाक्य ट्रांसडक्सन** भी कहा जाता है)। @@ -99,7 +99,7 @@ RNNs के साथ, क्रम-से-क्रम को दो आवर ## 🚀 चुनौती -## [पोस्ट-लेचर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [पोस्ट-लेचर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## समीक्षा और आत्म अध्ययन diff --git a/translations/hi/lessons/5-NLP/19-NER/README.md b/translations/hi/lessons/5-NLP/19-NER/README.md index e3be4f33..4ddc2668 100644 --- a/translations/hi/lessons/5-NLP/19-NER/README.md +++ b/translations/hi/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: अब तक, हमने मुख्य रूप से एक NLP कार्य - वर्गीकरण (classification) पर ध्यान केंद्रित किया है। हालांकि, तंत्रिका नेटवर्क (neural networks) का उपयोग करके अन्य NLP कार्य भी किए जा सकते हैं। उनमें से एक कार्य है **[नामित इकाई पहचान](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), जो पाठ में विशिष्ट इकाइयों को पहचानने से संबंधित है, जैसे स्थान, व्यक्ति के नाम, तिथि-समय अंतराल, रासायनिक सूत्र आदि। -## [पाठ-पूर्व क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [पाठ-पूर्व क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER का उपयोग करने का उदाहरण @@ -80,7 +80,7 @@ infant | O नीचे दिए गए असाइनमेंट को पूरा करें, जिसमें चिकित्सा शब्दों के लिए एक नामित इकाई पहचान मॉडल को प्रशिक्षित करना है, और फिर इसे एक अलग डेटासेट पर आज़माएं। -## [पाठ-पर्यंत क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [पाठ-पर्यंत क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/5-NLP/20-LangModels/README.md b/translations/hi/lessons/5-NLP/20-LangModels/README.md index 6c0f84ab..1e316314 100644 --- a/translations/hi/lessons/5-NLP/20-LangModels/README.md +++ b/translations/hi/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हमने अब तक के सभी कार्यों में, एक न्यूरल नेटवर्क को एक निश्चित कार्य करने के लिए लेबल्ड डेटा सेट का उपयोग करके प्रशिक्षित किया। बड़े ट्रांसफॉर्मर मॉडल, जैसे कि BERT, में हम भाषा मॉडलिंग को सेल्फ-सुपरवाइज्ड तरीके से उपयोग करते हैं ताकि एक भाषा मॉडल बनाया जा सके, जिसे फिर विशेष डोमेन-विशिष्ट प्रशिक्षण के साथ किसी विशेष डाउनस्ट्रीम कार्य के लिए अनुकूलित किया जाता है। हालांकि, यह साबित हो चुका है कि बड़े भाषा मॉडल कई कार्य बिना किसी डोमेन-विशिष्ट प्रशिक्षण के भी हल कर सकते हैं। ऐसे मॉडलों के परिवार को **GPT**: जनरेटिव प्री-ट्रेंड ट्रांसफॉर्मर कहा जाता है। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## टेक्स्ट जनरेशन और परप्लेक्सिटी @@ -58,7 +58,7 @@ GPT-3 और GPT-4 मॉडल [Microsoft Azure से एक कॉग्न नए सामान्य प्री-ट्रेंड भाषा मॉडल केवल भाषा संरचना को मॉडल नहीं करते, बल्कि प्राकृतिक भाषा की विशाल मात्रा भी समाहित करते हैं। इस प्रकार, वे कुछ NLP कार्यों को ज़ीरो-शॉट या फ्यू-शॉट सेटिंग्स में प्रभावी ढंग से हल करने के लिए उपयोग किए जा सकते हैं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/40) **अस्वीकरण**: यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं। \ No newline at end of file diff --git a/translations/hi/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/hi/lessons/5-NLP/20-LangModels/READMELargeLang.md index 34156631..79052fed 100644 --- a/translations/hi/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/hi/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ हमारे सभी पिछले कार्यों में, हम एक न्यूरल नेटवर्क को एक निश्चित कार्य करने के लिए लेबल किए गए डेटा सेट का उपयोग करके प्रशिक्षित कर रहे थे। बड़े ट्रांसफार्मर मॉडलों, जैसे कि BERT, के साथ, हम एक भाषा मॉडल बनाने के लिए आत्म-निगरानी तरीके से भाषा मॉडलिंग का उपयोग करते हैं, जिसे फिर विशेष डाउनस्ट्रीम कार्य के लिए आगे के डोमेन-विशिष्ट प्रशिक्षण के साथ विशेषीकृत किया जाता है। हालाँकि, यह प्रदर्शित किया गया है कि बड़े भाषा मॉडल बिना किसी डोमेन-विशिष्ट प्रशिक्षण के भी कई कार्यों को हल कर सकते हैं। ऐसे कार्य करने में सक्षम मॉडलों का एक परिवार **GPT** कहलाता है: जनरेटिव प्री-ट्रेंड ट्रांसफार्मर। -## [प्री-व्याख्यान क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [प्री-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## पाठ उत्पन्न करना और पेरीप्लेक्सिटी @@ -49,7 +49,7 @@ GPT-3 और GPT-4 मॉडल [Microsoft Azure से एक संज्ञ नए सामान्य पूर्व-प्रशिक्षित भाषा मॉडल न केवल भाषा संरचना को मॉडल करते हैं, बल्कि प्राकृतिक भाषा की विशाल मात्रा भी समाहित करते हैं। इसलिए, उन्हें शून्य-शॉप या कुछ-शॉट सेटिंग्स में कुछ NLP कार्यों को हल करने के लिए प्रभावी ढंग से उपयोग किया जा सकता है। -## [पोस्ट-व्याख्यान क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [पोस्ट-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/40) **अस्वीकृति**: यह दस्तावेज़ मशीन-आधारित एआई अनुवाद सेवाओं का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या असंगतताएँ हो सकती हैं। मूल दस्तावेज़ को उसकी मूल भाषा में प्राधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं। \ No newline at end of file diff --git a/translations/hi/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/hi/lessons/6-Other/21-GeneticAlgorithms/README.md index f1d0e302..8d736d91 100644 --- a/translations/hi/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/hi/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जेनेटिक एल्गोरिदम -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/41) **जेनेटिक एल्गोरिदम** (GA) एक **विकासवादी दृष्टिकोण** पर आधारित हैं, जिसमें किसी समस्या के लिए एक आदर्श समाधान प्राप्त करने के लिए जनसंख्या के विकास की विधियों का उपयोग किया जाता है। इन्हें 1975 में [जॉन हेनरी हॉलैंड](https://wikipedia.org/wiki/John_Henry_Holland) द्वारा प्रस्तावित किया गया था। @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "जेनेटिक एल्गोरिदम को लागू करना आसान है, लेकिन उनके व्यवहार को समझना कठिन है।" [स्रोत](https://wikipedia.org/wiki/Genetic_algorithm) एक शोध करें और जेनेटिक एल्गोरिदम के किसी कार्यान्वयन को खोजें, जैसे कि सुडोकू पहेली को हल करना, और इसे स्केच या फ्लोचार्ट के रूप में समझाएं। -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/6-Other/22-DeepRL/README.md b/translations/hi/lessons/6-Other/22-DeepRL/README.md index b4c24647..2e2620c2 100644 --- a/translations/hi/lessons/6-Other/22-DeepRL/README.md +++ b/translations/hi/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: रिइनफोर्समेंट लर्निंग (RL) को मशीन लर्निंग के तीन मुख्य पैरेडाइम्स में से एक माना जाता है, जिसमें सुपरवाइज्ड लर्निंग और अनसुपरवाइज्ड लर्निंग भी शामिल हैं। जहां सुपरवाइज्ड लर्निंग में हमें ज्ञात परिणामों वाले डेटा सेट पर निर्भर रहना पड़ता है, वहीं RL **करके सीखने** पर आधारित है। उदाहरण के लिए, जब हम पहली बार कोई कंप्यूटर गेम देखते हैं, तो हम इसे खेलना शुरू कर देते हैं, भले ही हमें नियमों का पता न हो। जल्द ही, हम केवल खेलने और अपने व्यवहार को समायोजित करने की प्रक्रिया के माध्यम से अपने कौशल में सुधार करने में सक्षम हो जाते हैं। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL करने के लिए हमें चाहिए: @@ -110,7 +110,7 @@ RL एल्गोरिदम का लक्ष्य एक मॉडल - 'अन्य RL टास्क' सेक्शन में सूचीबद्ध एप्लिकेशन का पता लगाएं और एक को लागू करने का प्रयास करें! -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md index 73382788..7d47785c 100644 --- a/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: बुद्धिमत्ता प्राप्त करने के संभावित तरीकों में से एक है **उभरता हुआ** (या **सिनर्जेटिक**) दृष्टिकोण, जो इस तथ्य पर आधारित है कि कई अपेक्षाकृत सरल एजेंट्स का संयुक्त व्यवहार पूरे सिस्टम के अधिक जटिल (या बुद्धिमान) व्यवहार का परिणाम हो सकता है। सैद्धांतिक रूप से, यह [सामूहिक बुद्धिमत्ता](https://en.wikipedia.org/wiki/Collective_intelligence), [उभरतावाद](https://en.wikipedia.org/wiki/Global_brain) और [विकासवादी साइबरनेटिक्स](https://en.wikipedia.org/wiki/Global_brain) के सिद्धांतों पर आधारित है, जो कहते हैं कि उच्च-स्तरीय सिस्टम्स को कुछ अतिरिक्त मूल्य प्राप्त होता है जब उन्हें निम्न-स्तरीय सिस्टम्स से सही तरीके से जोड़ा जाता है (जिसे *मेटासिस्टम ट्रांजिशन का सिद्धांत* कहा जाता है)। -## [प्री-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/45) **मल्टी-एजेंट सिस्टम्स** का क्षेत्र 1990 के दशक में इंटरनेट और वितरित सिस्टम्स के विकास के जवाब में AI में उभरा। [आर्टिफिशियल इंटेलिजेंस: ए मॉडर्न अप्रोच](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) जैसे क्लासिकल AI पाठ्यपुस्तकों में मल्टी-एजेंट सिस्टम्स के दृष्टिकोण से क्लासिकल AI को देखा गया है। @@ -152,7 +152,7 @@ to go [ इस पाठ को वास्तविक दुनिया में ले जाएं और एक समस्या को हल करने के लिए मल्टी-एजेंट सिस्टम को अवधारित करने का प्रयास करें। उदाहरण के लिए, एक स्कूल बस मार्ग को अनुकूलित करने के लिए मल्टी-एजेंट सिस्टम को क्या करना होगा? यह एक बेकरी में कैसे काम कर सकता है? -## [पोस्ट-लेक्चर क्विज़](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## समीक्षा और स्व-अध्ययन diff --git a/translations/hk/lessons/1-Intro/README.md b/translations/hk/lessons/1-Intro/README.md index dee45907..090cf860 100644 --- a/translations/hk/lessons/1-Intro/README.md +++ b/translations/hk/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/1) **人工智能** 是一門令人興奮的科學學科，研究如何讓電腦表現出智能行為，例如執行人類擅長的事情。 @@ -151,7 +151,7 @@ CO_OP_TRANSLATOR_METADATA: 在互聯網上進行探索，判斷在你看來人工智能在哪些領域最有效地被使用。是地圖應用程式、語音轉文字服務還是某款電子遊戲？研究該系統是如何構建的。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 回顧與自學 diff --git a/translations/hk/lessons/2-Symbolic/README.md b/translations/hk/lessons/2-Symbolic/README.md index 2a23e9f8..37e7a2a4 100644 --- a/translations/hk/lessons/2-Symbolic/README.md +++ b/translations/hk/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 人工智能的探索基於對知識的追求，目的是像人類一樣理解世界。但要如何實現這一目標呢？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/3) 在人工智能的早期，採用自上而下的方法來創建智能系統（在上一課中討論過）非常流行。這種方法的核心思想是將人類的知識提取為機器可讀的形式，然後用它來自動解決問題。這種方法基於兩個重要的概念： @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel 在與本課程相關的家庭本體論筆記本中，有機會嘗試其他家庭關係。試著發現家譜中人物之間的新聯繫。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 回顧與自學 diff --git a/translations/hk/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/hk/lessons/3-NeuralNetworks/03-Perceptron/README.md index 79cff4bd..9aebc1f7 100644 --- a/translations/hk/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 神經網絡簡介：感知器 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/5) 1957年，康奈爾航空實驗室的Frank Rosenblatt首次嘗試實現類似現代神經網絡的模型。他設計了一個名為"Mark-1"的硬件系統，用於識別基本幾何圖形，例如三角形、正方形和圓形。 @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 如果你想嘗試自己構建感知器，可以參考[Microsoft Learn上的這個實驗](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)，它使用了[Azure ML設計器](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 回顧與自學 diff --git a/translations/hk/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/hk/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 66e11157..c31e7726 100644 --- a/translations/hk/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 我們還將在 Python 中開發自己的模塊化框架，讓我們能夠構建不同的神經網絡架構。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 機器學習的形式化 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: 前往 [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) 筆記本並完成其中的內容。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 回顧與自學 diff --git a/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md index 26ca883a..aded56ba 100644 --- a/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * 操作張量，例如進行乘法、加法，並計算一些函數如 sigmoid 或 softmax * 計算所有表達式的梯度，以便進行梯度下降優化 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/9) 雖然 `numpy` 庫可以完成第一部分，但我們需要某種機制來計算梯度。在[我們的框架](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)中，我們在上一節中開發的框架需要手動在 `backward` 方法中編寫所有導數函數，該方法負責反向傳播。理想情況下，一個框架應該讓我們能夠計算我們定義的*任何表達式*的梯度。 @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 在配套的筆記本中，你會發現一些「任務」在底部；請完成這些筆記本中的任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 回顧與自學 diff --git a/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md index 5b673713..7b15fe8c 100644 --- a/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [電腦視覺](https://wikipedia.org/wiki/Computer_vision) 是一個學科，其目標是讓電腦能夠對數碼圖像進行高層次的理解。這是一個相當廣泛的定義，因為*理解*可以意味著很多不同的事情，包括在圖片中找到物體（**物體檢測**）、理解發生了什麼（**事件檢測**）、用文字描述圖片，或者重建3D場景。還有一些與人類圖像相關的特殊任務，例如年齡和情緒估算、人臉檢測與識別，以及3D姿態估算等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/11) 電腦視覺最簡單的任務之一是**圖像分類**。 @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) 觀看 [這段視頻](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)，了解 Cortic Tigers 項目以及他們如何通過機器人構建基於積木的解決方案來普及電腦視覺任務。研究其他類似的項目，了解它們如何幫助新學習者進入這個領域。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 回顧與自學 diff --git a/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index ad619379..a6b5bb9e 100644 --- a/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet 是一系列縮小尺寸的模型，適合移動設備使用。如果 在附帶的筆記本中，底部有關於如何獲得更高準確率的筆記。進行一些實驗，看看你是否能達到更高的準確率。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 回顧與自學 diff --git a/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md index a1516505..bf7a7485 100644 --- a/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前已經看到，神經網絡在處理圖像方面表現得相當不錯，即使是一層的感知機也能以合理的準確率識別 MNIST 數據集中的手寫數字。然而，MNIST 數據集非常特殊，所有的數字都被集中在圖像的中心，這使得任務變得更簡單。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/13) 在現實生活中，我們希望能夠識別圖片中的物體，而不需要考慮它們在圖像中的具體位置。計算機視覺與一般的分類任務不同，因為當我們試圖在圖片中找到某個特定物體時，我們是在掃描圖像，尋找一些特定的**模式**及其組合。例如，當尋找一隻貓時，我們可能會先尋找水平線條，這些線條可能形成貓鬚，然後某些貓鬚的組合可以告訴我們這確實是一張貓的圖片。某些模式的相對位置和存在是重要的，而不是它們在圖像中的精確位置。 diff --git a/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md index 285fa242..8c16125b 100644 --- a/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 訓練 CNN 需要花費大量時間，並且需要大量數據。然而，大部分時間都花在學習網絡用於從圖像中提取模式的最佳低層過濾器上。一個自然的問題是：我們是否可以使用在一個數據集上訓練好的神經網絡，並將其適配於分類不同的圖像，而不需要完整的訓練過程？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/15) 這種方法被稱為**遷移學習**，因為我們將某些知識從一個神經網絡模型轉移到另一個模型。在遷移學習中，我們通常從一個預訓練模型開始，該模型已經在一些大型圖像數據集（例如 **ImageNet**）上進行了訓練。這些模型已經能夠很好地從通用圖像中提取不同的特徵，在許多情況下，只需在這些提取的特徵之上構建一個分類器就能取得不錯的結果。 @@ -76,7 +76,7 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見 在附帶的筆記本中，底部有關於遷移知識如何在某些相似的訓練數據（例如新的動物類型）上效果最佳的筆記。嘗試使用完全新類型的圖像進行實驗，看看你的遷移知識模型表現得有多好或多差。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md index 4e6773a9..1182b20c 100644 --- a/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在訓練 CNN 時，其中一個問題是我們需要大量的標籤數據。在圖像分類的情況下，我們需要將圖像分成不同的類別，這是一項手動工作。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/17) 然而，我們可能希望使用原始（未標籤）數據來訓練 CNN 特徵提取器，這被稱為**自監督學習**。取代標籤，我們將使用訓練圖像作為網絡的輸入和輸出。**自動編碼器**的主要概念是，我們將有一個**編碼器網絡**，將輸入圖像轉換為某種**潛在空間**（通常只是某種較小尺寸的向量），然後是**解碼器網絡**，其目標是重建原始圖像。 @@ -80,7 +80,7 @@ VAE 的一個重要優勢是它使我們能夠相對容易地生成新圖像， * **有損** - 重建的圖像與原始圖像不同。損失的性質由訓練期間使用的*損失函數*定義。 * 適用於**未標籤數據** -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 結論 @@ -90,7 +90,7 @@ VAE 的一個重要優勢是它使我們能夠相對容易地生成新圖像， 在本課中，您學習了如何使用自動編碼器處理圖像。但它們也可以用於音樂！查看 Magenta 項目的 [MusicVAE](https://magenta.tensorflow.org/music-vae) 項目，它使用自動編碼器學習重建音樂。使用此庫進行一些[實驗](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)，看看您能創造出什麼。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/hk/lessons/4-ComputerVision/10-GANs/README.md b/translations/hk/lessons/4-ComputerVision/10-GANs/README.md index 9b6071b4..2da7eeab 100644 --- a/translations/hk/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/hk/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一節中，我們學習了**生成模型**：能夠生成與訓練數據集中的圖像相似的新圖像的模型。VAE 是生成模型的一個不錯的例子。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/19) 然而，如果我們嘗試生成一些真正有意義的東西，比如一幅解析度合理的畫作，使用 VAE 進行訓練時可能會發現收斂效果不佳。針對這種情況，我們需要了解另一種專門針對生成模型的架構——**生成對抗網絡**，簡稱 GAN。 @@ -84,7 +84,7 @@ GAN 是生成藝術圖像的絕佳方式。另一種有趣的技術是所謂的* ## ✍️ 示例：[風格遷移](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## 結論 diff --git a/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md index 71b48c5d..e927c052 100644 --- a/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前處理的影像分類模型，會接收一張圖片並產生一個分類結果，例如在 MNIST 問題中分類為「數字」的類別。然而，在許多情況下，我們不僅僅想知道圖片中有什麼物件，還希望能夠確定它們的精確位置。這正是**物件偵測**的目的。 -## [課前小測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [課前小測驗](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![物件偵測](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.hk.png) @@ -171,7 +171,7 @@ YOLO 是一種實時單次通過的演算法。主要想法如下： * YOLO: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [課後小測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [課後小測驗](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 複習與自學 diff --git a/translations/hk/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/hk/lessons/4-ComputerVision/12-Segmentation/README.md index 03463bff..0302dcea 100644 --- a/translations/hk/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/hk/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前學過物件偵測，這讓我們能夠透過預測物件的*邊界框*來定位影像中的物件。然而，對於某些任務來說，我們不僅需要邊界框，還需要更精確的物件定位。這項任務被稱為**分割**。 -## [課前小測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [課前小測驗](https://ff-quizzes.netlify.app/en/ai/quiz/23) 分割可以被視為**像素分類**，也就是說，我們需要為影像中的**每一個**像素預測其類別（*背景*也是其中一個類別）。主要有兩種分割演算法： @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [語義分割 Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [語義分割 TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [課後小測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [課後小測驗](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## 總結 diff --git a/translations/hk/lessons/5-NLP/13-TextRep/README.md b/translations/hk/lessons/5-NLP/13-TextRep/README.md index a8402f2b..abaa80bc 100644 --- a/translations/hk/lessons/5-NLP/13-TextRep/README.md +++ b/translations/hk/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 將文字表示為張量 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## 文字分類 @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: 嘗試使用詞袋模型和不同的數據模型進行其他練習。你可以參考這個 [Kaggle 比賽](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) 獲得靈感。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/14-Embeddings/README.md b/translations/hk/lessons/5-NLP/14-Embeddings/README.md index 5013ce4e..383792e2 100644 --- a/translations/hk/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hk/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 嵌入 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/27) 在基於 BoW 或 TF/IDF 訓練分類器時，我們使用的是高維度的詞袋向量，其長度為 `vocab_size`，並且我們明確地將低維度的位置信息向量轉換為稀疏的單熱編碼表示。然而，這種單熱編碼表示並不具備記憶效率。此外，每個詞都被獨立地處理，換句話說，單熱編碼向量無法表達詞與詞之間的語義相似性。 @@ -65,7 +65,7 @@ Word2Vec 預訓練嵌入（以及其他類似模型，例如 GloVe）也可以 Word2Vec 已被用於一些有趣的應用，包括生成歌曲歌詞和詩歌。查看 [這篇文章](https://www.politetype.com/blog/word2vec-color-poems)，了解作者如何使用 Word2Vec 生成詩歌。還可以觀看 [Dan Shiffmann 的這段視頻](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)，了解該技術的另一種解釋。然後嘗試將這些技術應用於你自己的文本語料庫，或許可以從 Kaggle 獲取數據。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md index ffcb8452..60a2026d 100644 --- a/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 語義嵌入（例如 Word2Vec 和 GloVe）實際上是邁向**語言建模**的第一步——創建某種*理解*（或*表示*）語言特性的模型。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/29) 語言建模的核心概念是以無監督的方式在未標籤的數據集上進行訓練。這一點非常重要，因為我們擁有大量未標籤的文本，而標籤文本的數量則始終受限於我們能投入的標籤工作量。通常，我們可以構建能夠**預測文本中缺失單詞**的語言模型，因為隨機遮蔽文本中的某個單詞並將其作為訓練樣本是一件相對簡單的事情。 @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一課中，我們看到詞嵌入的效果就像魔法一樣！現在我們知道，訓練詞嵌入並不是一件非常複雜的事情，如果需要，我們應該能夠為特定領域的文本訓練自己的詞嵌入。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/16-RNN/README.md b/translations/hk/lessons/5-NLP/16-RNN/README.md index bb15c9c8..986e2a3b 100644 --- a/translations/hk/lessons/5-NLP/16-RNN/README.md +++ b/translations/hk/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 循環神經網絡 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/31) 在之前的章節中，我們使用了豐富的文本語義表示以及嵌入層上的簡單線性分類器。這種架構能夠捕捉句子中詞語的聚合意義，但它並未考慮詞語的**順序**，因為嵌入層上的聚合操作已經移除了原始文本中的這些信息。由於這些模型無法建模詞語的順序，因此它們無法解決更複雜或模糊的任務，例如文本生成或問題回答。 @@ -84,7 +84,7 @@ LSTM 網絡的組織方式與 RNN 類似，但有兩個狀態會從層到層傳 - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md index befa6974..7a1d2edd 100644 --- a/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 生成式網絡 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/33) 循環神經網絡（RNNs）及其門控單元變體，例如長短期記憶單元（LSTMs）和門控循環單元（GRUs），提供了一種語言建模的機制，因為它們能夠學習單詞的排序並對序列中的下一個單詞進行預測。這使得我們可以使用 RNNs 進行**生成任務**，例如普通文本生成、機器翻譯，甚至是圖像描述。 @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * 使用 [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) 進行文本生成 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/18-Transformers/README.md b/translations/hk/lessons/5-NLP/18-Transformers/README.md index e23895cb..955c4850 100644 --- a/translations/hk/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hk/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 注意機制與Transformer -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/35) 自然語言處理（NLP）領域中最重要的問題之一是**機器翻譯**，這是一項支撐工具（如Google翻譯）的核心任務。在本節中，我們將專注於機器翻譯，或者更廣泛地說，任何*序列到序列*的任務（也稱為**句子轉換**）。 @@ -108,7 +108,7 @@ Transformer的核心思想之一是避免RNN的序列特性，並創建一個在 ## 🚀 挑戰 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 複習與自學 diff --git a/translations/hk/lessons/5-NLP/19-NER/README.md b/translations/hk/lessons/5-NLP/19-NER/README.md index 545701ae..8702c639 100644 --- a/translations/hk/lessons/5-NLP/19-NER/README.md +++ b/translations/hk/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 到目前為止，我們主要集中於一個自然語言處理（NLP）任務——分類。然而，還有其他可以通過神經網絡完成的 NLP 任務。其中一個任務是 **[命名實體識別](https://wikipedia.org/wiki/Named-entity_recognition)**（NER），它負責識別文本中的特定實體，例如地點、人名、日期時間範圍、化學公式等等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## 使用 NER 的例子 @@ -80,7 +80,7 @@ NER 模型是一個**標記分類模型**，這意味著它可以用於執行標 完成以下連結的作業，訓練一個醫學術語的命名實體識別模型，然後嘗試在不同的數據集上使用它。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 回顧與自學 diff --git a/translations/hk/lessons/5-NLP/20-LangModels/README.md b/translations/hk/lessons/5-NLP/20-LangModels/README.md index 0b94c379..ae8ff579 100644 --- a/translations/hk/lessons/5-NLP/20-LangModels/README.md +++ b/translations/hk/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在之前的所有任務中，我們使用標註數據集訓練神經網絡來完成特定任務。對於大型 Transformer 模型，例如 BERT，我們使用自監督的方式進行語言建模來構建語言模型，然後通過進一步的特定領域訓練使其專門化以完成特定的下游任務。然而，研究表明，大型語言模型也能在沒有任何特定領域訓練的情況下解決許多任務。能夠做到這一點的一系列模型被稱為 **GPT**：生成式預訓練 Transformer。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 文本生成與困惑度 @@ -58,7 +58,7 @@ GPT-3 和 GPT-4 模型可通過 [Microsoft Azure 的認知服務](https://azure. 新的通用預訓練語言模型不僅能建模語言結構，還包含大量自然語言。因此，它們可以在零樣本或少樣本設置中有效地解決一些 NLP 任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免責聲明**： 本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。如涉及關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋概不負責。 \ No newline at end of file diff --git a/translations/hk/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/hk/lessons/6-Other/21-GeneticAlgorithms/README.md index f8b70f03..d86fe42b 100644 --- a/translations/hk/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/hk/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 遺傳算法 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/41) **遺傳算法**（Genetic Algorithms, GA）基於一種**進化式方法**來解決人工智能問題，通過模擬群體進化的方式來尋找給定問題的最佳解。這一方法由 [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) 在1975年提出。 @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: 「遺傳算法易於實現，但其行為難以理解。」[來源](https://wikipedia.org/wiki/Genetic_algorithm) 請進行一些研究，找到一個遺傳算法的實現，例如解數獨問題，並用草圖或流程圖解釋其工作原理。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 回顧與自學 diff --git a/translations/hk/lessons/6-Other/22-DeepRL/README.md b/translations/hk/lessons/6-Other/22-DeepRL/README.md index d31b00ed..75d067ce 100644 --- a/translations/hk/lessons/6-Other/22-DeepRL/README.md +++ b/translations/hk/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 強化學習（Reinforcement Learning, RL）被視為與監督學習和非監督學習並列的基本機器學習範式之一。在監督學習中，我們依賴於已知結果的數據集，而強化學習則基於**透過實踐學習**。例如，當我們第一次接觸一款電腦遊戲時，即使不知道規則，我們也會開始玩，並通過遊玩和調整行為逐漸提升技能。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/43) 進行強化學習需要以下幾點： @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") 探索「其他強化學習任務」部分列出的應用，並嘗試實現其中一個！ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 回顧與自學 diff --git a/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md index 04a51aa6..9e9d0f77 100644 --- a/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 實現智能的一種可能方法是所謂的**湧現**（或**協同**）方法，這基於一個事實：許多相對簡單的代理的組合行為可以導致整個系統的更複雜（或更智能）的行為。理論上，這基於[集體智慧](https://en.wikipedia.org/wiki/Collective_intelligence)、[湧現主義](https://en.wikipedia.org/wiki/Global_brain)和[進化控制論](https://en.wikipedia.org/wiki/Global_brain)的原則，這些原則指出，當低層系統被適當地組合成高層系統時，會產生某種附加價值（即所謂的*超系統轉換原則*）。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/45) **多代理系統**的方向在1990年代因互聯網和分佈式系統的增長而在人工智能領域中湧現。經典的人工智能教科書之一[《人工智能：現代方法》](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)從多代理系統的角度探討了經典人工智能的觀點。 @@ -152,7 +152,7 @@ NetLogo的世界由以下對象組成： 將本課程應用於現實世界，嘗試構思一個可以解決問題的多代理系統。例如，多代理系統需要做什麼才能優化校車路線？它如何在麵包店中運作？ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## 回顧與自學 diff --git a/translations/hr/lessons/1-Intro/README.md b/translations/hr/lessons/1-Intro/README.md index 0364173d..7ac3c06e 100644 --- a/translations/hr/lessons/1-Intro/README.md +++ b/translations/hr/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Tijekom posljednjih nekoliko godina svjedočili smo velikim uspjesima s velikim Provedite istraživanje na internetu kako biste utvrdili gdje se, prema vašem mišljenju, umjetna inteligencija najefikasnije koristi. Je li to u aplikaciji za mapiranje, nekoj usluzi za pretvaranje govora u tekst ili videoigri? Istražite kako je sustav izgrađen. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/2-Symbolic/README.md b/translations/hr/lessons/2-Symbolic/README.md index bd32e50b..6dca047a 100644 --- a/translations/hr/lessons/2-Symbolic/README.md +++ b/translations/hr/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Potraga za umjetnom inteligencijom temelji se na traženju znanja kako bi se svijet razumio na način sličan ljudskom. Ali kako to postići? -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/3) U ranim danima razvoja umjetne inteligencije, popularan je bio pristup "odozgo prema dolje" za stvaranje inteligentnih sustava (o kojem smo govorili u prethodnoj lekciji). Ideja je bila izvući znanje od ljudi u oblik koji računalo može čitati, a zatim ga koristiti za automatsko rješavanje problema. Ovaj pristup temelji se na dva velika koncepta: @@ -236,7 +236,7 @@ Danas se AI često smatra sinonimom za *strojno učenje* ili *neuronske mreže*. U bilježnici Ontologija obitelji povezanoj s ovom lekcijom, postoji prilika za eksperimentiranje s drugim obiteljskim odnosima. Pokušajte otkriti nove veze između ljudi u obiteljskom stablu. -## [Post-predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Post-predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/hr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 3635f514..781cf728 100644 --- a/translations/hr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/hr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Uvod u neuronske mreže: Perceptron -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/5) Jedan od prvih pokušaja implementacije nečega sličnog modernoj neuronskoj mreži napravio je Frank Rosenblatt iz Cornell Aeronautical Laboratory 1957. godine. Bila je to hardverska implementacija nazvana "Mark-1", dizajnirana za prepoznavanje primitivnih geometrijskih oblika, poput trokuta, kvadrata i krugova. @@ -85,7 +85,7 @@ U ovoj lekciji naučili ste o perceptronu, koji je model za binarnu klasifikacij Ako želite pokušati izraditi vlastiti perceptron, isprobajte [ovu radionicu na Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) koja koristi [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/hr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 9d002fd5..4141e629 100644 --- a/translations/hr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/hr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ U ovom dijelu proširit ćemo ovaj model u fleksibilniji okvir koji nam omoguću Također ćemo razviti vlastiti modularni okvir u Pythonu koji će nam omogućiti konstrukciju različitih arhitektura neuronskih mreža. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizacija strojnog učenja @@ -81,7 +81,7 @@ U pratećoj bilježnici implementirat ćete vlastiti okvir za izgradnju i trenir Prijeđite na bilježnicu [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) i prođite kroz nju. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 38b5b556..048361e2 100644 --- a/translations/hr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Kao što smo već naučili, da bismo učinkovito trenirali neuronske mreže, mor * Raditi s tenzorima, npr. množiti, zbrajati i izračunavati funkcije poput sigmoid ili softmax * Izračunati gradijente svih izraza kako bismo mogli provesti optimizaciju gradijentnog spuštanja -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Iako biblioteka `numpy` može obaviti prvi dio, potrebna nam je neka metoda za izračunavanje gradijenata. U [našem okviru](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) koji smo razvili u prethodnom dijelu morali smo ručno programirati sve funkcije derivacija unutar metode `backward`, koja provodi povratnu propagaciju. Idealno, okvir bi nam trebao omogućiti izračunavanje gradijenata *bilo kojeg izraza* koji možemo definirati. @@ -106,7 +106,7 @@ U ovoj lekciji naučili ste o razlikama između različitih API-ja za dva najpop U pratećim bilježnicama pronaći ćete 'zadaci' na dnu; prođite kroz bilježnice i dovršite zadatke. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hr/lessons/4-ComputerVision/06-IntroCV/README.md index a8e46a72..e67abe2d 100644 --- a/translations/hr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Računalni vid](https://wikipedia.org/wiki/Computer_vision) je disciplina čiji je cilj omogućiti računalima da steknu visok nivo razumijevanja digitalnih slika. Ovo je prilično široka definicija jer *razumijevanje* može značiti mnogo različitih stvari, uključujući pronalaženje objekta na slici (**detekcija objekata**), razumijevanje što se događa (**detekcija događaja**), opisivanje slike tekstom ili rekonstrukciju scene u 3D. Postoje i posebni zadaci vezani za slike ljudi: procjena dobi i emocija, detekcija i identifikacija lica te procjena 3D poze, da spomenemo samo neke. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/11) Jedan od najjednostavnijih zadataka računalnog vida je **klasifikacija slika**. @@ -105,7 +105,7 @@ Ponekad se relativno složeni zadaci poput detekcije kretanja ili detekcije vrho Pogledajte [ovaj 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) iz AI showa kako biste saznali više o projektu Cortic Tigers i kako su izgradili rješenje temeljeno na blokovima za demokratizaciju zadataka računalnog vida putem robota. Istražite druge slične projekte koji pomažu novim učenicima da se uključe u ovo područje. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 672b45ba..7f0630dd 100644 --- a/translations/hr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ U ovoj jedinici ste naučili glavne koncepte iza neuronskih mreža za računalni U pratećim bilježnicama postoje bilješke na dnu o tome kako postići veću točnost. Napravite nekoliko eksperimenata kako biste vidjeli možete li postići veću točnost. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hr/lessons/4-ComputerVision/07-ConvNets/README.md index 7d88ef16..bcd8a3e9 100644 --- a/translations/hr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Već smo vidjeli da su neuronske mreže prilično dobre u obradi slika, pa čak i perceptron s jednim slojem može prepoznati rukom pisane znamenke iz MNIST skupa podataka s razumnom točnošću. Međutim, MNIST skup podataka je vrlo specifičan, jer su sve znamenke centrirane unutar slike, što zadatak čini jednostavnijim. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/13) U stvarnom životu želimo biti sposobni prepoznati objekte na slici bez obzira na njihovu točnu lokaciju unutar slike. Računalni vid razlikuje se od generičke klasifikacije, jer kada pokušavamo pronaći određeni objekt na slici, skeniramo sliku tražeći specifične **uzorke** i njihove kombinacije. Na primjer, kada tražimo mačku, prvo možemo tražiti horizontalne linije koje mogu oblikovati brkove, a zatim određena kombinacija brkova može ukazati na to da je riječ o slici mačke. Relativni položaj i prisutnost određenih uzoraka su važni, a ne njihova točna pozicija na slici. diff --git a/translations/hr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hr/lessons/4-ComputerVision/08-TransferLearning/README.md index 6d165c35..2570dca2 100644 --- a/translations/hr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Treniranje CNN-a može zahtijevati puno vremena i veliku količinu podataka. Međutim, većina vremena troši se na učenje najboljih niskorazinskih filtera koje mreža može koristiti za izdvajanje uzoraka iz slika. Postavlja se prirodno pitanje - možemo li koristiti neuronsku mrežu treniranu na jednom skupu podataka i prilagoditi je za klasifikaciju različitih slika bez potrebe za potpunim procesom treniranja? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Ovaj pristup naziva se **prijenos učenja**, jer prenosimo dio znanja iz jednog modela neuronske mreže u drugi. Kod prijenosa učenja obično počinjemo s predtreniranim modelom, koji je treniran na nekom velikom skupu slika, poput **ImageNet**. Ti modeli već dobro obavljaju posao izdvajanja različitih značajki iz generičkih slika, a u mnogim slučajevima samo izgradnja klasifikatora na temelju tih izdvojenih značajki može dati dobre rezultate. @@ -76,7 +76,7 @@ Koristeći prijenos učenja, možete brzo sastaviti klasifikator za zadatak klas U pripadajućim bilježnicama postoje bilješke na dnu o tome kako prijenos znanja najbolje funkcionira s donekle sličnim podacima za treniranje (možda nova vrsta životinje). Eksperimentirajte s potpuno novim vrstama slika kako biste vidjeli koliko dobro ili loše vaši modeli prijenosa znanja funkcioniraju. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hr/lessons/4-ComputerVision/09-Autoencoders/README.md index 1aa46fae..917ebe15 100644 --- a/translations/hr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Prilikom treniranja CNN-ova, jedan od problema je što nam treba puno označenih podataka. U slučaju klasifikacije slika, moramo razdvojiti slike u različite klase, što zahtijeva ručni rad. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/17) Međutim, možda bismo željeli koristiti sirove (neoznačene) podatke za treniranje CNN ekstraktora značajki, što se naziva **samostalno učenje**. Umjesto oznaka, koristit ćemo slike za treniranje kao ulaz i izlaz mreže. Glavna ideja **autoenkodera** je da imamo **enkodersku mrežu** koja pretvara ulaznu sliku u neki **latentni prostor** (obično je to vektor manje dimenzije), a zatim **dekodersku mrežu**, čiji je cilj rekonstruirati izvornu sliku. @@ -80,7 +80,7 @@ Saznajte više o autoenkoderima u ovim odgovarajućim bilježnicama: * **Gubitak informacija** - rekonstruirana slika nije ista kao izvorna slika. Priroda gubitka definirana je *funkcijom gubitka* korištenom tijekom treniranja. * Radi na **neoznačenim podacima** -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Zaključak @@ -90,7 +90,7 @@ U ovoj lekciji naučili ste o različitim vrstama autoenkodera dostupnih AI znan U ovoj lekciji naučili ste o korištenju autoenkodera za slike. Ali oni se također mogu koristiti za glazbu! Pogledajte projekt Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), koji koristi autoenkodere za učenje rekonstrukcije glazbe. Napravite nekoliko [eksperimenata](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) s ovom bibliotekom kako biste vidjeli što možete stvoriti. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/10-GANs/README.md b/translations/hr/lessons/4-ComputerVision/10-GANs/README.md index 9936882c..991b696f 100644 --- a/translations/hr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/hr/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: U prethodnom dijelu naučili smo o **generativnim modelima**: modelima koji mogu generirati nove slike slične onima iz skupa za treniranje. VAE je bio dobar primjer generativnog modela. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Međutim, ako pokušamo generirati nešto zaista značajno, poput slike visoke rezolucije, s VAE-om, vidjet ćemo da treniranje ne konvergira dobro. Za ovaj slučaj trebali bismo naučiti o drugoj arhitekturi koja je posebno usmjerena na generativne modele - **Generativne suparničke mreže**, ili GAN-ove. @@ -84,7 +84,7 @@ Kako to funkcionira: ## ✍️ Primjer: [Prijenos stila](../../../../../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) ## Zaključak diff --git a/translations/hr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hr/lessons/4-ComputerVision/11-ObjectDetection/README.md index d4ce2b31..138ad1c8 100644 --- a/translations/hr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modeli za klasifikaciju slika koje smo dosad obrađivali uzimaju sliku i daju kategorijski rezultat, poput klase 'broj' u MNIST problemu. Međutim, u mnogim slučajevima ne želimo samo znati da slika prikazuje objekte - želimo odrediti njihovu točnu lokaciju. Upravo je to svrha **detekcije objekata**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detekcija objekata](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.hr.png) @@ -172,7 +172,7 @@ Pročitajte ove članke i vježbenice o YOLO-u i isprobajte ih sami: * Yolo: [Keras implementacija](https://github.com/experiencor/keras-yolo2), [vježbenica korak-po-korak](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras implementacija](https://github.com/experiencor/keras-yolo2), [vježbenica korak-po-korak](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) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/hr/lessons/4-ComputerVision/12-Segmentation/README.md index 21c3a51c..1b39636c 100644 --- a/translations/hr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/hr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ranije smo učili o Detekciji objekata, koja nam omogućuje lociranje objekata na slici predviđanjem njihovih *bounding boxova*. Međutim, za neke zadatke ne trebamo samo bounding boxove, već i precizniju lokalizaciju objekata. Taj zadatak zove se **segmentacija**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentacija se može promatrati kao **klasifikacija piksela**, gdje za **svaki** piksel slike moramo predvidjeti njegovu klasu (*pozadina* je jedna od klasa). Postoje dva glavna algoritma za segmentaciju: @@ -56,7 +56,7 @@ Otvorite dolje navedene bilježnice kako biste saznali više o različitim arhit * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## Zaključak diff --git a/translations/hr/lessons/5-NLP/13-TextRep/README.md b/translations/hr/lessons/5-NLP/13-TextRep/README.md index e6b37821..a2a138c7 100644 --- a/translations/hr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/hr/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Predstavljanje teksta kao tenzora -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Klasifikacija teksta @@ -73,7 +73,7 @@ Do sada smo proučavali tehnike koje mogu dodati težinu frekvencijama različit Isprobajte neke druge vježbe koristeći bag-of-words i različite modele podataka. Možete se inspirirati ovim [natjecanjem na Kaggleu](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/14-Embeddings/README.md b/translations/hr/lessons/5-NLP/14-Embeddings/README.md index 814275a3..521444cd 100644 --- a/translations/hr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hr/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Ugrađivanja -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/27) Kada smo trenirali klasifikatore temeljene na BoW ili TF/IDF, radili smo s vektorima vreće riječi visoke dimenzionalnosti duljine `vocab_size`, te smo eksplicitno pretvarali vektore s niskodimenzionalnim pozicijskim prikazom u rijetke one-hot prikaze. Međutim, ovaj one-hot prikaz nije memorijski učinkovit. Osim toga, svaka se riječ tretira neovisno o drugima, tj. one-hot kodirani vektori ne izražavaju nikakvu semantičku sličnost između riječi. @@ -65,7 +65,7 @@ U ovoj lekciji otkrili ste kako izgraditi i koristiti slojeve za ugrađivanje u Word2Vec je korišten za neke zanimljive primjene, uključujući generiranje stihova pjesama i poezije. Pogledajte [ovaj članak](https://www.politetype.com/blog/word2vec-color-poems) koji objašnjava kako je autor koristio Word2Vec za generiranje poezije. Pogledajte i [ovaj video Dana Shiffmanna](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) kako biste otkrili drugačije objašnjenje ove tehnike. Zatim pokušajte primijeniti ove tehnike na vlastiti tekstualni korpus, možda preuzet s Kaggla. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hr/lessons/5-NLP/15-LanguageModeling/README.md index cc0b1104..03c6237e 100644 --- a/translations/hr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hr/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantičke ugrađene reprezentacije, poput Word2Vec i GloVe, zapravo su prvi korak prema **modeliranju jezika** - stvaranju modela koji na neki način *razumiju* (ili *predstavljaju*) prirodu jezika. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/29) Glavna ideja modeliranja jezika je treniranje na nepodacima bez oznaka na nesuperviziran način. Ovo je važno jer imamo ogromne količine teksta bez oznaka, dok bi količina teksta s oznakama uvijek bila ograničena trudom koji možemo uložiti u označavanje. Najčešće možemo izgraditi modele jezika koji mogu **predvidjeti nedostajuće riječi** u tekstu, jer je lako sakriti nasumičnu riječ u tekstu i koristiti je kao uzorak za treniranje. @@ -38,7 +38,7 @@ Nastavite učiti kroz sljedeće bilježnice: U prethodnoj lekciji vidjeli smo da ugrađene reprezentacije riječi djeluju poput magije! Sada znamo da treniranje ugrađenih reprezentacija riječi nije vrlo složen zadatak, i trebali bismo biti u mogućnosti trenirati vlastite ugrađene reprezentacije za tekst specifičan za određeno područje ako je potrebno. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/16-RNN/README.md b/translations/hr/lessons/5-NLP/16-RNN/README.md index 1a6cee0c..f22df7dc 100644 --- a/translations/hr/lessons/5-NLP/16-RNN/README.md +++ b/translations/hr/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurentne neuronske mreže -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/31) U prethodnim odjeljcima koristili smo bogate semantičke reprezentacije teksta i jednostavan linearni klasifikator na vrhu ugrađenih vektora. Ova arhitektura hvata agregirano značenje riječi u rečenici, ali ne uzima u obzir **redoslijed** riječi, jer operacija agregacije na vrhu ugrađenih vektora uklanja ovu informaciju iz izvornog teksta. Budući da ovi modeli ne mogu modelirati redoslijed riječi, nisu sposobni riješiti složenije ili dvosmislene zadatke poput generiranja teksta ili odgovaranja na pitanja. @@ -84,7 +84,7 @@ Pročitajte literaturu o LSTM-ovima i razmotrite njihove primjene: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hr/lessons/5-NLP/17-GenerativeNetworks/README.md index 3c6dbfc1..9700dc23 100644 --- a/translations/hr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generativne mreže -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurentne neuronske mreže (RNN) i njihove varijante s kontroliranim ćelijama, poput ćelija za dugoročno kratkoročno pamćenje (LSTM) i kontroliranih rekurentnih jedinica (GRU), omogućile su modeliranje jezika jer mogu naučiti redoslijed riječi i pružiti predviđanja za sljedeću riječ u nizu. To nam omogućuje korištenje RNN-a za **generativne zadatke**, poput generiranja običnog teksta, strojnog prevođenja, pa čak i opisivanja slika. @@ -71,7 +71,7 @@ Proučite neke lekcije na Microsoft Learn o ovoj temi * Generiranje teksta s [PyTorchom](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/6-generative-networks/?WT.mc_id=academic-77998-cacaste)/[TensorFlowom](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-tensorflow/5-generative-networks/?WT.mc_id=academic-77998-cacaste) -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/18-Transformers/README.md b/translations/hr/lessons/5-NLP/18-Transformers/README.md index 2f5f651a..5ef0c74a 100644 --- a/translations/hr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hr/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mehanizmi pažnje i Transformeri -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/35) Jedan od najvažnijih problema u području obrade prirodnog jezika (NLP) je **strojno prevođenje**, ključni zadatak koji stoji iza alata poput Google Prevoditelja. U ovom ćemo se dijelu fokusirati na strojno prevođenje ili, općenitije, na bilo koji zadatak *sekvenca-u-sekvencu* (koji se također naziva **transdukcija rečenica**). @@ -108,7 +108,7 @@ U ovoj lekciji naučili ste o Transformerima i mehanizmima pažnje, ključnim al ## 🚀 Izazov -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/19-NER/README.md b/translations/hr/lessons/5-NLP/19-NER/README.md index 331aacad..ed1559f2 100644 --- a/translations/hr/lessons/5-NLP/19-NER/README.md +++ b/translations/hr/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Do sada smo se uglavnom fokusirali na jedan NLP zadatak - klasifikaciju. Međutim, postoje i drugi NLP zadaci koji se mogu ostvariti pomoću neuronskih mreža. Jedan od tih zadataka je **[Prepoznavanje imenovanih entiteta](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), koji se bavi prepoznavanjem specifičnih entiteta unutar teksta, poput mjesta, imena osoba, vremenskih intervala, kemijskih formula i slično. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Primjer korištenja NER-a @@ -78,7 +78,7 @@ NER model je **model za klasifikaciju tokena**, što znači da se može koristit Dovršite zadatak povezan ispod kako biste trenirali model za prepoznavanje imenovanih entiteta za medicinske termine, a zatim ga isprobajte na drugom skupu podataka. -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/5-NLP/20-LangModels/README.md b/translations/hr/lessons/5-NLP/20-LangModels/README.md index d02d85c9..992ee8e3 100644 --- a/translations/hr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/hr/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: U svim našim prethodnim zadacima trenirali smo neuronsku mrežu da obavlja određeni zadatak koristeći označeni skup podataka. Kod velikih transformacijskih modela, poput BERT-a, koristimo modeliranje jezika u samonadziranom načinu kako bismo izgradili jezični model, koji se zatim specijalizira za specifične zadatke uz dodatnu obuku specifičnu za domenu. Međutim, pokazalo se da veliki jezični modeli mogu riješiti mnoge zadatke i bez ikakve obuke specifične za domenu. Obitelj modela sposobnih za to naziva se **GPT**: Generativni unaprijed trenirani transformator. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generiranje teksta i Perpleksnost @@ -58,7 +58,7 @@ Nastavite učiti kroz sljedeće bilježnice: Novi opći unaprijed trenirani jezični modeli ne modeliraju samo strukturu jezika, već sadrže i ogromnu količinu prirodnog jezika. Stoga se mogu učinkovito koristiti za rješavanje nekih NLP zadataka u zero-shot ili few-shot postavkama. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Odricanje od odgovornosti**: Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/hr/lessons/6-Other/21-GeneticAlgorithms/README.md index 04a4028b..817c64ca 100644 --- a/translations/hr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/hr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetski algoritmi -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetski algoritmi** (GA) temelje se na **evolucijskom pristupu** umjetnoj inteligenciji, gdje se metode evolucije populacije koriste za pronalaženje optimalnog rješenja za određeni problem. Predložio ih je 1975. godine [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetski algoritmi koriste se za rješavanje mnogih problema, uključujući logi "Genetski algoritmi su jednostavni za implementaciju, ali njihovo ponašanje je teško razumjeti." [izvor](https://wikipedia.org/wiki/Genetic_algorithm) Provedite istraživanje kako biste pronašli implementaciju genetskog algoritma, poput rješavanja Sudoku zagonetke, i objasnite kako funkcionira kao skica ili dijagram toka. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/6-Other/22-DeepRL/README.md b/translations/hr/lessons/6-Other/22-DeepRL/README.md index bd334069..450cfffc 100644 --- a/translations/hr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/hr/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pojačano učenje (RL) smatra se jednim od osnovnih paradigmi strojnog učenja, uz nadzirano učenje i nenadzirano učenje. Dok se u nadziranom učenju oslanjamo na skup podataka s poznatim ishodima, RL se temelji na **učenju kroz rad**. Na primjer, kada prvi put vidimo računalnu igru, počinjemo igrati, čak i bez poznavanja pravila, i ubrzo poboljšavamo svoje vještine samo kroz proces igranja i prilagođavanja ponašanja. -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/43) Za provođenje RL-a potrebni su nam: @@ -110,7 +110,7 @@ Sada smo naučili kako trenirati agente da postignu dobre rezultate samo pružan Istražite primjene navedene u odjeljku 'Ostali RL zadaci' i pokušajte implementirati jednu! -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Pregled i samostalno učenje diff --git a/translations/hr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hr/lessons/6-Other/23-MultiagentSystems/README.md index 59bbb68e..5dbaf705 100644 --- a/translations/hr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hr/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Jedan od mogućih načina postizanja inteligencije je takozvani **emergentni** (ili **sinergijski**) pristup, koji se temelji na činjenici da kombinirano ponašanje mnogih relativno jednostavnih agenata može rezultirati ukupno složenijim (ili inteligentnijim) ponašanjem sustava u cjelini. Teoretski, ovo se temelji na principima [Kolektivne inteligencije](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentizma](https://en.wikipedia.org/wiki/Global_brain) i [Evolucijske kibernetike](https://en.wikipedia.org/wiki/Global_brain), koji tvrde da sustavi višeg nivoa dobivaju neku vrstu dodane vrijednosti kada se pravilno kombiniraju iz sustava nižeg nivoa (tzv. *princip prijelaza metasustava*). -## [Kviz prije predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Kviz prije predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/45) Smjer **Višestrukih agentskih sustava** pojavio se u AI-u 1990-ih kao odgovor na rast Interneta i distribuiranih sustava. Jedan od klasičnih udžbenika o AI-u, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), fokusira se na pogled klasičnog AI-a iz perspektive višestrukih agentskih sustava. @@ -152,7 +152,7 @@ Svi oni teže fokusiranju na jednostavnije ponašanje pojedinog agenta i postiza Primijenite ovu lekciju u stvarnom svijetu i pokušajte konceptualizirati višestruki agentski sustav koji može riješiti problem. Što bi, na primjer, višestruki agentski sustav trebao učiniti kako bi optimizirao rutu školskog autobusa? Kako bi mogao funkcionirati u pekarnici? -## [Kviz nakon predavanja](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Pregled i samostalno učenje diff --git a/translations/hu/lessons/1-Intro/README.md b/translations/hu/lessons/1-Intro/README.md index 91be2434..9675d428 100644 --- a/translations/hu/lessons/1-Intro/README.md +++ b/translations/hu/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Sketchnote készítette: [Tomomi Imura](https://twitter.com/girlie_mac) -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Mesterséges Intelligencia** egy izgalmas tudományág, amely azt vizsgálja, hogyan lehet számítógépeket intelligens viselkedésre bírni, például olyan dolgokra, amelyekben az emberek jók. @@ -143,7 +143,7 @@ Az elmúlt néhány évben hatalmas sikereket láthattunk a nagy nyelvi modellek Tegyél egy internetes körutat, hogy meghatározd, véleményed szerint hol használják az AI-t a leghatékonyabban. Egy térképező alkalmazásban, egy beszéd-szöveg szolgáltatásban vagy egy videojátékban? Kutasd fel, hogyan építették fel a rendszert. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Áttekintés és Önálló Tanulás diff --git a/translations/hu/lessons/2-Symbolic/README.md b/translations/hu/lessons/2-Symbolic/README.md index de05e42f..ac72ce0b 100644 --- a/translations/hu/lessons/2-Symbolic/README.md +++ b/translations/hu/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Az emberi intelligencia mesterséges megvalósításának célja a világ megértése, hasonlóan ahhoz, ahogyan az emberek teszik. De hogyan lehet ezt elérni? -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/3) Az AI korai időszakában népszerű volt az intelligens rendszerek létrehozásának felülről lefelé irányuló megközelítése (az előző leckében tárgyaltak szerint). Az ötlet az volt, hogy az emberek tudását gép által olvasható formába kell átültetni, majd ezt automatikusan problémák megoldására használni. Ez a megközelítés két nagy elképzelésen alapult: @@ -236,7 +236,7 @@ Manapság az AI-t gyakran a *gépi tanulás* vagy *neurális hálózatok* szinon A leckéhez kapcsolódó Family Ontology notebookban lehetőség van más családi kapcsolatokkal kísérletezni. Próbálj meg új kapcsolatokat felfedezni az emberek között a családfában. -## [Utólagos kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Utólagos kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md index 2baa4fd3..a920e183 100644 --- a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Bevezetés a neurális hálózatokba: Perceptron -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/5) Az egyik első próbálkozás egy modern neurális hálózathoz hasonló rendszer megvalósítására Frank Rosenblatt nevéhez fűződik, aki 1957-ben a Cornell Aeronautical Laboratory-nál dolgozott. Ez egy hardveres megvalósítás volt, amelyet "Mark-1"-nek neveztek, és amelyet egyszerű geometriai alakzatok, például háromszögek, négyzetek és körök felismerésére terveztek. @@ -85,7 +85,7 @@ Ebben a leckében megismerkedtél a perceptronnal, amely egy bináris osztályoz Ha szeretnéd kipróbálni egy saját perceptron létrehozását, próbáld ki [ezt a labort a Microsoft Learn oldalon](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), amely az [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) használatát mutatja be. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 76668a9b..0b1b50b9 100644 --- a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Ebben a részben kiterjesztjük ezt a modellt egy rugalmasabb keretrendszerré, Ezenkívül kifejlesztünk egy saját moduláris keretrendszert Pythonban, amely lehetővé teszi számunkra különböző neurális hálózati architektúrák létrehozását. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## A gépi tanulás formalizálása @@ -81,7 +81,7 @@ A mellékelt notebookban megvalósítod saját keretrendszeredet többrétegű p Haladj tovább az [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) notebookhoz, és dolgozd át. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md index 8d7b3e1a..ce70f429 100644 --- a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Ahogy már megtanultuk, a neurális hálózatok hatékony tanításához két do * Tensorokon kell műveleteket végezni, például szorzás, összeadás, valamint bizonyos függvények, mint a sigmoid vagy softmax kiszámítása * Az összes kifejezés gradiensét ki kell számítani, hogy gradient descent optimalizációt végezhessünk -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Míg a `numpy` könyvtár képes az első részre, szükségünk van egy mechanizmusra a gradiens számításához. Az [általunk fejlesztett keretrendszerben](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), amelyet az előző szekcióban készítettünk, manuálisan kellett programoznunk az összes derivált függvényt a `backward` metódusban, amely a visszaterjesztést végzi. Ideális esetben egy keretrendszer lehetőséget kellene adjon arra, hogy *bármilyen kifejezés* gradiensét kiszámítsuk, amit definiálni tudunk. @@ -106,7 +106,7 @@ Ebben a leckében megtanultad a két legnépszerűbb AI keretrendszer, a TensorF Az accompanying jegyzetfüzetekben 'feladatokat' találsz az alján; dolgozd át a jegyzetfüzeteket, és végezd el a feladatokat. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md index f9d5a6f3..500662f7 100644 --- a/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: A [Számítógépes Látás](https://wikipedia.org/wiki/Computer_vision) egy olyan tudományág, amelynek célja, hogy a számítógépek magas szintű megértést szerezzenek digitális képekből. Ez egy meglehetősen tág meghatározás, mivel a *megértés* sok mindent jelenthet, például egy objektum megtalálását egy képen (**objektumdetektálás**), annak megértését, hogy mi történik (**eseménydetektálás**), egy kép szöveges leírását, vagy egy jelenet 3D-s rekonstrukcióját. Vannak speciális feladatok is, amelyek az emberi képekkel kapcsolatosak: életkor- és érzelemfelismerés, arcfelismerés és azonosítás, valamint 3D testtartás becslés, hogy csak néhányat említsünk. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/11) A számítógépes látás egyik legegyszerűbb feladata a **képosztályozás**. @@ -105,7 +105,7 @@ Néha viszonylag összetett feladatok, mint például mozgásérzékelés vagy u Nézd meg [ezt a videót](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) az AI Show-ból, hogy megismerd a Cortic Tigers projektet, és hogyan építettek egy blokk-alapú megoldást a számítógépes látási feladatok demokratizálására egy robot segítségével. Kutass más hasonló projekteket, amelyek segítenek az új tanulók bevonásában a területre. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Áttekintés és Önálló Tanulás diff --git a/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index b1af3bfe..3ff1da3d 100644 --- a/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Ebben az egységben megismerte a számítógépes látás neurális hálózatain A mellékelt jegyzetfüzetekben vannak megjegyzések az alján arról, hogyan lehet nagyobb pontosságot elérni. Végezzen kísérleteket, hogy megnézze, el tud-e érni magasabb pontosságot. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md index 0ec76887..2cbaa491 100644 --- a/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Korábban láttuk, hogy a neurális hálók elég jól kezelik a képeket, és még egy egyrétegű perceptron is képes az MNIST adathalmazon található kézzel írt számjegyeket elfogadható pontossággal felismerni. Azonban az MNIST adathalmaz különleges, mivel az összes számjegy középre van igazítva a képen, ami egyszerűbbé teszi a feladatot. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/13) A való életben azt szeretnénk, hogy képesek legyünk felismerni tárgyakat egy képen, függetlenül azok pontos helyzetétől a képen belül. A számítógépes látás különbözik az általános osztályozástól, mert amikor egy adott tárgyat keresünk a képen, a képet pásztázzuk, hogy bizonyos **mintázatokat** és azok kombinációit keressük. Például, ha egy macskát keresünk, először vízszintes vonalakat kereshetünk, amelyek bajuszokat alkothatnak, majd bizonyos bajuszkombinációk alapján megállapíthatjuk, hogy valóban egy macska képe van előttünk. A mintázatok relatív helyzete és jelenléte fontos, nem pedig azok pontos helyzete a képen. diff --git a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md index 44976a91..cb53b73b 100644 --- a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: A CNN-ek tanítása sok időt vehet igénybe, és ehhez nagy mennyiségű adat szükséges. Az idő nagy részét azonban azzal töltjük, hogy megtanuljuk azokat az alacsony szintű szűrőket, amelyeket a hálózat használhat a minták kinyerésére a képekből. Felmerül egy természetes kérdés: használhatunk-e egy másik adathalmazon betanított neurális hálózatot, és adaptálhatjuk-e azt különböző képek osztályozására anélkül, hogy teljes tanítási folyamatra lenne szükség? -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Ezt a megközelítést **transzfer tanulásnak** nevezzük, mivel egy neurális hálózati modellből átvisszük a tudást egy másikba. A transzfer tanulás során általában egy előre betanított modellel kezdünk, amelyet egy nagy képadathalmazon, például az **ImageNet**-en tanítottak. Ezek a modellek már jó eredményeket érhetnek el különböző jellemzők kinyerésében általános képekből, és sok esetben elegendő egy osztályozót építeni ezekre a kinyert jellemzőkre, hogy jó eredményt érjünk el. @@ -76,7 +76,7 @@ A transzfer tanulás segítségével gyorsan összeállíthat egy osztályozót A kísérő notebookokban vannak megjegyzések az alján arról, hogy a transzfer tudás legjobban hasonló tanítási adatokkal működik (például egy új állatfajta). Kísérletezzen teljesen új típusú képekkel, hogy lássa, mennyire jól vagy rosszul teljesítenek a transzfer tudás modellek. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md index f48070b0..1050fcf5 100644 --- a/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Amikor CNN-eket tanítunk, az egyik probléma az, hogy sok címkézett adatra van szükségünk. Képklasszifikáció esetén például manuálisan kell az egyes képeket különböző osztályokba sorolni. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Azonban előfordulhat, hogy nyers (címkézetlen) adatokat szeretnénk használni a CNN jellemzők kinyerésére, amit **önfelügyelt tanulásnak** nevezünk. Címkék helyett a tanítóképeket használjuk hálózati bemenetként és kimenetként is. Az **autoenkóder** fő ötlete az, hogy lesz egy **enkóder hálózat**, amely a bemeneti képet valamilyen **rejtett térbe** alakítja (általában egy kisebb méretű vektor), majd egy **dekóder hálózat**, amelynek célja az eredeti kép rekonstruálása. @@ -80,7 +80,7 @@ További információ az autoenkóderekről az alábbi jegyzetekben található: * **Veszteséges** - a rekonstruált kép nem ugyanaz, mint az eredeti kép. A veszteség jellege a tanítás során használt *veszteségfüggvénytől* függ. * **Címkézetlen adatokkal működik** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Összegzés @@ -90,7 +90,7 @@ Ebben a leckében megismerkedtél az autoenkóderek különböző típusaival, a Ebben a leckében megtanultad, hogyan használhatók az autoenkóderek képekhez. De zenéhez is használhatók! Nézd meg a Magenta projekt [MusicVAE](https://magenta.tensorflow.org/music-vae) projektjét, amely autoenkódereket használ a zene rekonstruálásának megtanulására. Végezzen néhány [kísérletet](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) ezzel a könyvtárral, hogy lássa, mit tud létrehozni. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/4-ComputerVision/10-GANs/README.md b/translations/hu/lessons/4-ComputerVision/10-GANs/README.md index fe75ca25..538a7751 100644 --- a/translations/hu/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/hu/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Az előző részben megismerkedtünk a **generatív modellekkel**: olyan modellekkel, amelyek képesek új képeket generálni, amelyek hasonlóak a tanító adathalmazban lévőkhöz. A VAE egy jó példa volt a generatív modellre. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Azonban, ha valami igazán jelentős dolgot szeretnénk generálni, például egy festményt megfelelő felbontásban, a VAE-vel azt tapasztaljuk, hogy a tanítás nem konvergál jól. Ehhez az esethez meg kell ismerkednünk egy másik architektúrával, amelyet kifejezetten generatív modellekhez terveztek - **Generatív Adverzális Hálózatokkal**, vagy GAN-ekkel. @@ -84,7 +84,7 @@ A működése a következő: ## ✍️ Példa: [Stílusátvitel](../../../../../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) ## Összegzés diff --git a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md index aaf91d14..18c57d56 100644 --- a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Az eddig tárgyalt képosztályozási modellek egy képet vettek alapul, és egy kategóriát eredményeztek, például az 'szám' osztályt egy MNIST problémában. Azonban sok esetben nem elég tudni, hogy egy kép tárgyakat ábrázol - szeretnénk meghatározni azok pontos helyét is. Ez az **objektumfelismerés** lényege. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objektumfelismerés](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.hu.png) @@ -172,7 +172,7 @@ Olvasd el ezeket a cikkeket és jegyzetfüzeteket a YOLO-ról, és próbáld ki * Yolo: [Keras implementáció](https://github.com/experiencor/keras-yolo2), [lépésről lépésre jegyzetfüzet](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras implementáció](https://github.com/experiencor/keras-yolo2), [lépésről lépésre jegyzetfüzet](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md index c0159980..adf55766 100644 --- a/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Korábban már tanultunk az objektumfelismerésről, amely lehetővé teszi számunkra, hogy az objektumokat az *határoló dobozok* előrejelzésével lokalizáljuk a képen. Azonban bizonyos feladatokhoz nemcsak határoló dobozokra van szükségünk, hanem pontosabb objektum lokalizációra is. Ezt a feladatot **szegmentációnak** nevezzük. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) A szegmentációt tekinthetjük **pixelek osztályozásának**, ahol a kép **minden egyes** pixeléről meg kell jósolnunk az osztályát (*háttér* is egy osztály). Két fő szegmentációs algoritmus létezik: @@ -56,7 +56,7 @@ Nyisd meg az alábbi notebookokat, hogy többet megtudj a különböző szemanti * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## Összegzés diff --git a/translations/hu/lessons/5-NLP/13-TextRep/README.md b/translations/hu/lessons/5-NLP/13-TextRep/README.md index 56632772..fba0f6d2 100644 --- a/translations/hu/lessons/5-NLP/13-TextRep/README.md +++ b/translations/hu/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Szöveg ábrázolása tenzorokként -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Szövegklasszifikáció @@ -73,7 +73,7 @@ Eddig olyan technikákat tanulmányoztunk, amelyek súlyt adnak a különböző Próbálj ki más gyakorlatokat a bag-of-words és különböző adatmodellek használatával. Inspirációt meríthetsz ebből a [Kaggle versenyből](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/5-NLP/14-Embeddings/README.md b/translations/hu/lessons/5-NLP/14-Embeddings/README.md index 5a086382..d35d7ba3 100644 --- a/translations/hu/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hu/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Beágyazások -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/27) Amikor BoW vagy TF/IDF alapú osztályozókat tanítottunk, magas dimenziós szavak zsákja vektorokkal dolgoztunk, amelyek hossza `vocab_size`, és kifejezetten alacsony dimenziós pozíciós reprezentációs vektorokat alakítottunk át ritka egyhot reprezentációvá. Ez az egyhot reprezentáció azonban nem memóriahatékony. Ezenkívül minden szót egymástól függetlenül kezelünk, azaz az egyhot kódolt vektorok nem fejeznek ki semmilyen szemantikai hasonlóságot a szavak között. @@ -65,7 +65,7 @@ Ebben a leckében felfedezted, hogyan lehet beágyazási rétegeket építeni é A Word2Vec-et néhány érdekes alkalmazásra használták, például dalok szövegének és költészet generálására. Nézd meg [ezt a cikket](https://www.politetype.com/blog/word2vec-color-poems), amely bemutatja, hogyan használta a szerző a Word2Vec-et költészet generálására. Nézd meg [Dan Shiffmann videóját](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) is, hogy felfedezz egy másik magyarázatot erre a technikára. Ezután próbáld meg alkalmazni ezeket a technikákat saját szövegkorpuszodra, amelyet például Kaggle-ről szerezhetsz be. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md index ec2203f3..973f5bab 100644 --- a/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: A szemantikus beágyazások, mint például a Word2Vec és a GloVe, valójában az első lépést jelentik a **nyelvi modellezés** felé – olyan modellek létrehozása felé, amelyek valamilyen módon *megértik* (vagy *reprezentálják*) a nyelv természetét. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/29) A nyelvi modellezés fő gondolata az, hogy címkézetlen adathalmazokon tanítsuk őket felügyelet nélküli módon. Ez azért fontos, mert hatalmas mennyiségű címkézetlen szöveg áll rendelkezésünkre, míg a címkézett szövegek mennyiségét mindig korlátozza az a munka, amit a címkézésre fordíthatunk. Leggyakrabban olyan nyelvi modelleket építhetünk, amelyek képesek **hiányzó szavakat megjósolni** a szövegben, mivel egyszerűen ki lehet takarni egy véletlenszerű szót a szövegben, és azt használni tanítómintaként. @@ -38,7 +38,7 @@ Folytasd a tanulást az alábbi jegyzetfüzetekben: Az előző leckében láttuk, hogy a szóbeágyazások szinte varázslatosan működnek! Most már tudjuk, hogy a szóbeágyazások tanítása nem egy túl bonyolult feladat, és képesek lehetünk saját szóbeágyazásokat tanítani specifikus szakterületi szövegekhez, ha szükséges. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Áttekintés és Önálló Tanulás diff --git a/translations/hu/lessons/5-NLP/16-RNN/README.md b/translations/hu/lessons/5-NLP/16-RNN/README.md index a5396159..dbffbb5a 100644 --- a/translations/hu/lessons/5-NLP/16-RNN/README.md +++ b/translations/hu/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurrens Neurális Hálózatok -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/31) Az előző szakaszokban gazdag szemantikai reprezentációkat használtunk a szövegekhez, valamint egy egyszerű lineáris osztályozót az embeddingek tetején. Ez az architektúra a mondatokban szereplő szavak összesített jelentését ragadja meg, de nem veszi figyelembe a szavak **sorrendjét**, mivel az embeddingek tetején végzett aggregációs művelet eltávolította ezt az információt az eredeti szövegből. Mivel ezek a modellek nem képesek a szavak sorrendjét modellezni, nem tudnak megoldani összetettebb vagy kétértelmű feladatokat, mint például szöveg generálása vagy kérdés megválaszolása. @@ -84,7 +84,7 @@ Olvass el néhány irodalmat az LSTM-ekről, és gondold át az alkalmazásaikat - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md index cb9beb86..c812e35c 100644 --- a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatív hálózatok -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/33) A Rekurrens Neurális Hálózatok (RNN-ek) és azok kapuzott cellaváltozatai, mint például a Long Short Term Memory Cells (LSTM-ek) és a Gated Recurrent Units (GRU-k), lehetőséget biztosítanak a nyelvi modellezésre, mivel képesek megtanulni a szavak sorrendjét, és előre jelezni a következő szót egy sorozatban. Ez lehetővé teszi, hogy az RNN-eket **generatív feladatokra** használjuk, például egyszerű szöveggenerálásra, gépi fordításra, sőt akár képaláírások készítésére is. @@ -71,7 +71,7 @@ Vegyél részt néhány Microsoft Learn leckén ebben a témában: * Szöveggenerálás [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) segítségével -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/5-NLP/18-Transformers/README.md b/translations/hu/lessons/5-NLP/18-Transformers/README.md index 22505a3b..35d47694 100644 --- a/translations/hu/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hu/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Figyelem Mechanizmusok és Transzformerek -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/35) Az NLP terület egyik legfontosabb problémája a **gépi fordítás**, amely alapvető feladat olyan eszközök mögött, mint a Google Translate. Ebben a részben a gépi fordításra, vagy általánosabban bármilyen *sorról-sorra* feladatra (amit **mondattranszdukciónak** is neveznek) fogunk összpontosítani. @@ -108,7 +108,7 @@ Ebben a leckében megismerkedtél a Transzformerekkel és Figyelem Mechanizmusok ## 🚀 Kihívás -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Áttekintés és Önálló Tanulás diff --git a/translations/hu/lessons/5-NLP/19-NER/README.md b/translations/hu/lessons/5-NLP/19-NER/README.md index 14b6a6c5..10e3f213 100644 --- a/translations/hu/lessons/5-NLP/19-NER/README.md +++ b/translations/hu/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Eddig főként egy NLP feladatra, a klasszifikációra koncentráltunk. Azonban léteznek más NLP feladatok is, amelyeket neurális hálózatokkal meg lehet oldani. Az egyik ilyen feladat a **[Névjegy Felismerés](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), amely a szövegben található konkrét entitások, például helyek, személynevek, dátum-idő intervallumok, kémiai képletek stb. felismerésével foglalkozik. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Példa a NER használatára @@ -79,7 +79,7 @@ A NER modell egy **token klasszifikációs modell**, ami azt jelenti, hogy token Teljesítsd az alábbi feladathoz kapcsolódó kihívást, amelyben egy orvosi kifejezéseket felismerő modellt kell tanítanod, majd próbáld ki egy másik adathalmazon. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/5-NLP/20-LangModels/README.md b/translations/hu/lessons/5-NLP/20-LangModels/README.md index 18aeebe3..97fcf7bb 100644 --- a/translations/hu/lessons/5-NLP/20-LangModels/README.md +++ b/translations/hu/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Az eddigi feladataink során egy neurális hálót tanítottunk be egy adott feladat elvégzésére címkézett adathalmaz segítségével. Nagy transzformer modellek, mint például a BERT esetében, önfelügyelt nyelvi modellezést használunk egy nyelvi modell létrehozásához, amelyet aztán további, specifikus területekre irányuló képzéssel specializálunk konkrét feladatokra. Azonban bebizonyosodott, hogy a nagy nyelvi modellek számos feladatot képesek megoldani bármiféle területspecifikus képzés nélkül is. Az ilyen modellek családját **GPT**-nek, azaz Generatív Előre Trénelt Transzformernek nevezzük. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Szöveg Generálás és Perplexitás @@ -58,7 +58,7 @@ Folytasd a tanulást az alábbi notebookokban: Az új általános előre trénelt nyelvi modellek nemcsak a nyelvi struktúrát modellezik, hanem hatalmas mennyiségű természetes nyelvet is tartalmaznak. Ezért hatékonyan használhatók bizonyos NLP feladatok megoldására nulla vagy kevés tanítással. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Felelősség kizárása**: Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet. \ No newline at end of file diff --git a/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md index f8ae73c1..89aa3a79 100644 --- a/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetikus Algoritmusok -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/41) A **Genetikus Algoritmusok** (GA) egy **evolúciós megközelítésen** alapulnak a mesterséges intelligenciában, amely során egy populáció evolúciós módszereit használjuk egy adott probléma optimális megoldásának megtalálására. Az ötletet 1975-ben [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) javasolta. @@ -66,7 +66,7 @@ A Genetikus Algoritmusokat számos probléma megoldására használják, beleér "A genetikus algoritmusok egyszerűen megvalósíthatók, de a viselkedésük nehezen érthető." [forrás](https://wikipedia.org/wiki/Genetic_algorithm) Kutass utána egy genetikus algoritmus megvalósításának, például egy Sudoku rejtvény megoldásának, és magyarázd el, hogyan működik, akár vázlatként, akár folyamatábraként. -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Áttekintés és Önálló Tanulás diff --git a/translations/hu/lessons/6-Other/22-DeepRL/README.md b/translations/hu/lessons/6-Other/22-DeepRL/README.md index 20005948..7faa7c72 100644 --- a/translations/hu/lessons/6-Other/22-DeepRL/README.md +++ b/translations/hu/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: A megerősítéses tanulás (RL) az egyik alapvető gépi tanulási paradigma, a felügyelt tanulás és a nem felügyelt tanulás mellett. Míg a felügyelt tanulásnál ismert kimenetekkel rendelkező adathalmazra támaszkodunk, az RL a **cselekvés általi tanuláson** alapul. Például, amikor először látunk egy számítógépes játékot, elkezdünk játszani, még akkor is, ha nem ismerjük a szabályokat, és hamarosan képesek vagyunk javítani a képességeinken pusztán azáltal, hogy játszunk és alkalmazkodunk a viselkedésünkhöz. -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/43) Az RL végrehajtásához szükségünk van: @@ -110,7 +110,7 @@ Most megtanultuk, hogyan képezzünk ügynököket, hogy jó eredményeket érje Fedezze fel az 'Egyéb RL feladatok' szakaszban felsorolt alkalmazásokat, és próbáljon meg egyet megvalósítani! -## [Előadás utáni kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Áttekintés és önálló tanulás diff --git a/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md index 9db40b7c..b5c8cf0b 100644 --- a/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Az intelligencia elérésének egyik lehetséges módja az úgynevezett **emergens** (vagy **szinergikus**) megközelítés, amely azon az elven alapul, hogy sok viszonylag egyszerű ügynök együttes viselkedése a rendszer egészének összetettebb (vagy intelligensebb) viselkedését eredményezheti. Elméletileg ez a [Kollektív intelligencia](https://en.wikipedia.org/wiki/Collective_intelligence), az [Emergentizmus](https://en.wikipedia.org/wiki/Global_brain) és az [Evolúciós kibernetika](https://en.wikipedia.org/wiki/Global_brain) elvein alapul, amelyek szerint a magasabb szintű rendszerek valamilyen hozzáadott értéket nyernek, ha megfelelően kombinálják őket alacsonyabb szintű rendszerekből (az úgynevezett *metarendszer-átmenet elve*). -## [Előadás előtti kvíz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/45) A **többügynökös rendszerek** iránya az 1990-es években jelent meg a mesterséges intelligencia területén, válaszul az internet és az elosztott rendszerek növekedésére. Az egyik klasszikus mesterséges intelligencia tankönyv, az [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), a klasszikus mesterséges intelligencia szemléletét a többügynökös rendszerek nézőpontjából vizsgálja. diff --git a/translations/id/lessons/1-Intro/README.md b/translations/id/lessons/1-Intro/README.md index f9b9d600..86ddb7f3 100644 --- a/translations/id/lessons/1-Intro/README.md +++ b/translations/id/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Selama beberapa tahun terakhir, kita telah menyaksikan keberhasilan besar dengan Lakukan penelusuran di internet untuk menentukan, menurut pendapat Anda, di mana AI paling efektif digunakan. Apakah itu di aplikasi peta, layanan pengubah ucapan ke teks, atau video game? Teliti bagaimana sistem tersebut dibangun. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/2-Symbolic/README.md b/translations/id/lessons/2-Symbolic/README.md index 83b0afbc..d89e50b0 100644 --- a/translations/id/lessons/2-Symbolic/README.md +++ b/translations/id/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ Saat ini, AI sering dianggap sebagai sinonim untuk *Machine Learning* atau *Neur Dalam notebook Ontologi Keluarga yang terkait dengan pelajaran ini, ada kesempatan untuk bereksperimen dengan hubungan keluarga lainnya. Cobalah untuk menemukan koneksi baru antara orang-orang dalam pohon keluarga. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/id/lessons/3-NeuralNetworks/03-Perceptron/README.md index b518c036..008ed9a6 100644 --- a/translations/id/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/id/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Pengantar Jaringan Saraf: Perceptron -## [Kuis Pra-Pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Kuis Pra-Pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/5) Salah satu upaya pertama untuk mengimplementasikan sesuatu yang mirip dengan jaringan saraf modern dilakukan oleh Frank Rosenblatt dari Cornell Aeronautical Laboratory pada tahun 1957. Ini adalah implementasi perangkat keras yang disebut "Mark-1", dirancang untuk mengenali bentuk geometris sederhana, seperti segitiga, persegi, dan lingkaran. @@ -84,7 +84,7 @@ Dalam pelajaran ini, Anda telah mempelajari tentang perceptron, yang merupakan m Jika Anda ingin mencoba membangun perceptron Anda sendiri, coba [lab ini di Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) yang menggunakan [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kuis Pasca-Pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kuis Pasca-Pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/id/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 98b7cae8..26d8e5a9 100644 --- a/translations/id/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/id/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Pada bagian ini, kita akan memperluas model ini ke dalam kerangka kerja yang leb Kita juga akan mengembangkan kerangka kerja modular kita sendiri dalam Python yang memungkinkan kita untuk membangun berbagai arsitektur jaringan neural. -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisasi Pembelajaran Mesin @@ -81,7 +81,7 @@ Dalam notebook yang menyertai, Anda akan mengimplementasikan kerangka kerja Anda Lanjutkan ke notebook [OwnFramework](OwnFramework.ipynb) dan kerjakan. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/id/lessons/3-NeuralNetworks/05-Frameworks/README.md index d2a4e4ab..216ece96 100644 --- a/translations/id/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/id/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Seperti yang telah kita pelajari, untuk dapat melatih jaringan saraf secara efis * Mengoperasikan tensor, misalnya mengalikan, menjumlahkan, dan menghitung beberapa fungsi seperti sigmoid atau softmax * Menghitung gradien dari semua ekspresi, untuk melakukan optimasi penurunan gradien -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/9) Meskipun pustaka `numpy` dapat melakukan bagian pertama, kita memerlukan mekanisme untuk menghitung gradien. Dalam [kerangka kerja kita](../04-OwnFramework/OwnFramework.ipynb) yang telah kita kembangkan di bagian sebelumnya, kita harus memprogram semua fungsi turunan secara manual di dalam metode `backward`, yang melakukan backpropagation. Idealnya, sebuah kerangka kerja harus memberi kita kesempatan untuk menghitung gradien dari *ekspresi apa pun* yang dapat kita definisikan. @@ -106,7 +106,7 @@ Dalam pelajaran ini, Anda telah mempelajari perbedaan antara berbagai API untuk Dalam notebook yang menyertai, Anda akan menemukan 'tugas' di bagian bawah; kerjakan notebook tersebut dan selesaikan tugasnya. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/id/lessons/4-ComputerVision/06-IntroCV/README.md index f97b48d1..bdb718d5 100644 --- a/translations/id/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/id/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) adalah sebuah disiplin ilmu yang bertujuan untuk memungkinkan komputer memahami gambar digital pada tingkat yang lebih tinggi. Definisi ini cukup luas, karena *memahami* dapat berarti banyak hal, termasuk menemukan objek dalam gambar (**deteksi objek**), memahami apa yang sedang terjadi (**deteksi peristiwa**), mendeskripsikan gambar dalam bentuk teks, atau merekonstruksi sebuah adegan dalam 3D. Ada juga tugas-tugas khusus yang berkaitan dengan gambar manusia: estimasi usia dan emosi, deteksi dan identifikasi wajah, serta estimasi pose 3D, untuk beberapa contoh. -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/11) Salah satu tugas paling sederhana dalam computer vision adalah **klasifikasi gambar**. @@ -105,7 +105,7 @@ Terkadang, tugas yang relatif kompleks seperti deteksi gerakan atau deteksi ujun Tonton [video ini](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) dari AI show untuk mempelajari tentang proyek Cortic Tigers dan bagaimana mereka membangun solusi berbasis blok untuk mendemokratisasi tugas computer vision melalui robot. Lakukan penelitian tentang proyek lain seperti ini yang membantu pemula masuk ke bidang ini. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/id/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 8df7bff3..964aafaf 100644 --- a/translations/id/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/id/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Dalam unit ini, Anda telah mempelajari konsep utama di balik jaringan saraf visi Dalam notebook yang menyertai, terdapat catatan di bagian bawah tentang cara mendapatkan akurasi yang lebih tinggi. Lakukan beberapa eksperimen untuk melihat apakah Anda dapat mencapai akurasi yang lebih tinggi. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/id/lessons/4-ComputerVision/07-ConvNets/README.md index c49cfecf..5b67762d 100644 --- a/translations/id/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/id/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kita telah melihat sebelumnya bahwa jaringan saraf cukup baik dalam menangani gambar, bahkan perceptron satu lapis mampu mengenali angka tulisan tangan dari dataset MNIST dengan akurasi yang cukup baik. Namun, dataset MNIST sangatlah spesial, karena semua angka di dalamnya sudah dipusatkan di tengah gambar, sehingga tugasnya menjadi lebih sederhana. -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/13) Dalam kehidupan nyata, kita ingin dapat mengenali objek dalam gambar tanpa peduli lokasi pastinya di dalam gambar. Penglihatan komputer berbeda dari klasifikasi umum, karena ketika kita mencoba menemukan objek tertentu dalam gambar, kita memindai gambar untuk mencari **pola** tertentu dan kombinasinya. Sebagai contoh, ketika mencari kucing, kita mungkin pertama-tama mencari garis horizontal yang dapat membentuk kumis, dan kemudian kombinasi tertentu dari kumis tersebut dapat memberi tahu kita bahwa itu sebenarnya adalah gambar kucing. Posisi relatif dan keberadaan pola tertentu penting, bukan posisi pastinya di dalam gambar. diff --git a/translations/id/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/id/lessons/4-ComputerVision/08-TransferLearning/README.md index f086b35d..728790d1 100644 --- a/translations/id/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/id/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Melatih CNN dapat memakan banyak waktu, dan membutuhkan banyak data untuk melakukannya. Namun, sebagian besar waktu dihabiskan untuk mempelajari filter tingkat rendah terbaik yang dapat digunakan jaringan untuk mengekstrak pola dari gambar. Pertanyaan alami muncul - bisakah kita menggunakan jaringan neural yang telah dilatih pada satu dataset dan menyesuaikannya untuk mengklasifikasikan gambar yang berbeda tanpa memerlukan proses pelatihan penuh? -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/15) Pendekatan ini disebut **transfer learning**, karena kita mentransfer sebagian pengetahuan dari satu model jaringan neural ke model lainnya. Dalam transfer learning, kita biasanya memulai dengan model pra-latih, yang telah dilatih pada dataset gambar besar, seperti **ImageNet**. Model-model tersebut sudah cukup baik dalam mengekstrak berbagai fitur dari gambar umum, dan dalam banyak kasus, hanya dengan membangun pengklasifikasi di atas fitur-fitur yang diekstrak tersebut dapat memberikan hasil yang baik. @@ -76,7 +76,7 @@ Dengan menggunakan transfer learning, Anda dapat dengan cepat membuat pengklasif Dalam notebook yang menyertai, terdapat catatan di bagian bawah tentang bagaimana transfer knowledge bekerja paling baik dengan data pelatihan yang agak mirip (mungkin jenis hewan baru). Lakukan beberapa eksperimen dengan jenis gambar yang benar-benar baru untuk melihat seberapa baik atau buruk model transfer knowledge Anda bekerja. -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/id/lessons/4-ComputerVision/09-Autoencoders/README.md index 2ab81ad1..5c143f43 100644 --- a/translations/id/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/id/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Saat melatih CNN, salah satu masalahnya adalah kita membutuhkan banyak data yang diberi label. Dalam kasus klasifikasi gambar, kita perlu memisahkan gambar ke dalam berbagai kelas, yang merupakan pekerjaan manual. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Namun, kita mungkin ingin menggunakan data mentah (tanpa label) untuk melatih ekstraktor fitur CNN, yang disebut **pembelajaran mandiri**. Alih-alih menggunakan label, kita akan menggunakan gambar pelatihan sebagai input dan output jaringan. Ide utama dari **autoencoder** adalah kita akan memiliki **encoder network** yang mengubah gambar input menjadi **latent space** (biasanya hanya berupa vektor dengan ukuran lebih kecil), lalu **decoder network**, yang bertujuan untuk merekonstruksi gambar asli. @@ -80,7 +80,7 @@ Pelajari lebih lanjut tentang autoencoders dalam notebook berikut: * **Lossy** - gambar yang direkonstruksi tidak sama dengan gambar asli. Sifat loss ditentukan oleh *fungsi loss* yang digunakan selama pelatihan. * Bekerja pada **data tanpa label** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Kesimpulan @@ -90,7 +90,7 @@ Dalam pelajaran ini, Anda belajar tentang berbagai jenis autoencoders yang terse Dalam pelajaran ini, Anda belajar tentang penggunaan autoencoders untuk gambar. Tetapi mereka juga dapat digunakan untuk musik! Lihat proyek Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), yang menggunakan autoencoders untuk belajar merekonstruksi musik. Lakukan beberapa [eksperimen](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) dengan pustaka ini untuk melihat apa yang dapat Anda buat. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/10-GANs/README.md b/translations/id/lessons/4-ComputerVision/10-GANs/README.md index ca697459..fce810fd 100644 --- a/translations/id/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/id/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Di bagian sebelumnya, kita telah mempelajari tentang **model generatif**: model yang dapat menghasilkan gambar baru yang mirip dengan yang ada di dataset pelatihan. VAE adalah contoh yang baik dari model generatif. -## [Kuis sebelum pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Kuis sebelum pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/19) Namun, jika kita mencoba menghasilkan sesuatu yang benar-benar bermakna, seperti lukisan dengan resolusi yang wajar, menggunakan VAE, kita akan melihat bahwa pelatihannya tidak berjalan dengan baik. Untuk kasus ini, kita perlu mempelajari arsitektur lain yang secara khusus ditujukan untuk model generatif - **Generative Adversarial Networks**, atau GANs. @@ -84,7 +84,7 @@ Cara kerjanya adalah sebagai berikut: ## ✍️ Contoh: [Style Transfer](StyleTransfer.ipynb) -## [Kuis setelah pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Kuis setelah pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Kesimpulan diff --git a/translations/id/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/id/lessons/4-ComputerVision/11-ObjectDetection/README.md index fb29d1d5..bff590e8 100644 --- a/translations/id/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/id/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Model klasifikasi gambar yang telah kita bahas sejauh ini mengambil sebuah gambar dan menghasilkan hasil kategoris, seperti kelas 'angka' dalam masalah MNIST. Namun, dalam banyak kasus, kita tidak hanya ingin mengetahui bahwa sebuah gambar menggambarkan objek - kita ingin dapat menentukan lokasi tepatnya. Inilah tujuan dari **deteksi objek**. -## [Kuis sebelum pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Kuis sebelum pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Deteksi Objek](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.id.png) @@ -172,7 +172,7 @@ Baca artikel dan notebook tentang YOLO ini dan coba sendiri: * Yolo: [Implementasi Keras](https://github.com/experiencor/keras-yolo2), [notebook langkah-demi-langkah](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementasi Keras](https://github.com/experiencor/keras-yolo2), [notebook langkah-demi-langkah](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Kuis setelah pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Kuis setelah pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/id/lessons/4-ComputerVision/12-Segmentation/README.md index 2e627697..1528e19b 100644 --- a/translations/id/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/id/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kita sebelumnya telah mempelajari tentang Deteksi Objek, yang memungkinkan kita untuk menemukan objek dalam gambar dengan memprediksi *bounding boxes*. Namun, untuk beberapa tugas, kita tidak hanya membutuhkan bounding boxes, tetapi juga pelokalan objek yang lebih presisi. Tugas ini disebut **segmentasi**. -## [Kuis sebelum pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Kuis sebelum pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentasi dapat dilihat sebagai **klasifikasi piksel**, di mana untuk **setiap** piksel dalam gambar kita harus memprediksi kelasnya (*background* menjadi salah satu kelas). Ada dua algoritma utama untuk segmentasi: @@ -56,7 +56,7 @@ Buka notebook di bawah ini untuk mempelajari lebih lanjut tentang berbagai arsit * [Segmentasi Semantik Pytorch](SemanticSegmentationPytorch.ipynb) * [Segmentasi Semantik TensorFlow](SemanticSegmentationTF.ipynb) -## [Kuis setelah pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Kuis setelah pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Kesimpulan diff --git a/translations/id/lessons/5-NLP/13-TextRep/README.md b/translations/id/lessons/5-NLP/13-TextRep/README.md index 47a1e25f..6318e6bc 100644 --- a/translations/id/lessons/5-NLP/13-TextRep/README.md +++ b/translations/id/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representasi Teks sebagai Tensor -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Klasifikasi Teks @@ -73,7 +73,7 @@ Sejauh ini, kita telah mempelajari teknik-teknik yang dapat menambahkan bobot fr Cobalah beberapa latihan lain menggunakan bag-of-words dan model data yang berbeda. Anda mungkin terinspirasi oleh [kompetisi ini di Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/14-Embeddings/README.md b/translations/id/lessons/5-NLP/14-Embeddings/README.md index bee20fb1..3ad25804 100644 --- a/translations/id/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/id/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Embeddings -## [Kuis Pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Kuis Pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/27) Saat melatih classifier berdasarkan BoW atau TF/IDF, kita bekerja dengan vektor bag-of-words berdimensi tinggi dengan panjang `vocab_size`, dan secara eksplisit mengonversi dari vektor representasi posisi berdimensi rendah menjadi representasi one-hot yang jarang. Namun, representasi one-hot ini tidak efisien dalam penggunaan memori. Selain itu, setiap kata diperlakukan secara independen satu sama lain, yaitu vektor one-hot tidak mengekspresikan kesamaan semantik antara kata-kata. @@ -65,7 +65,7 @@ Dalam pelajaran ini, Anda mempelajari cara membangun dan menggunakan lapisan emb Word2Vec telah digunakan untuk beberapa aplikasi menarik, termasuk menghasilkan lirik lagu dan puisi. Lihat [artikel ini](https://www.politetype.com/blog/word2vec-color-poems) yang menjelaskan bagaimana penulis menggunakan Word2Vec untuk menghasilkan puisi. Tonton juga [video ini oleh Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) untuk menemukan penjelasan berbeda tentang teknik ini. Kemudian coba terapkan teknik-teknik ini pada korpus teks Anda sendiri, mungkin bersumber dari Kaggle. -## [Kuis Pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kuis Pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/15-LanguageModeling/README.md b/translations/id/lessons/5-NLP/15-LanguageModeling/README.md index 1fd38004..5c20b11a 100644 --- a/translations/id/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/id/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Embedding semantik, seperti Word2Vec dan GloVe, sebenarnya adalah langkah awal menuju **pemodelan bahasa** - menciptakan model yang dapat *memahami* (atau *merepresentasikan*) sifat bahasa. -## [Kuis sebelum pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Kuis sebelum pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/29) Ide utama di balik pemodelan bahasa adalah melatihnya pada dataset tanpa label secara tidak diawasi. Hal ini penting karena kita memiliki jumlah teks tanpa label yang sangat besar, sementara jumlah teks berlabel selalu terbatas oleh upaya yang dapat kita lakukan untuk memberi label. Sebagian besar waktu, kita dapat membangun model bahasa yang dapat **memprediksi kata yang hilang** dalam teks, karena mudah untuk menyembunyikan kata acak dalam teks dan menggunakannya sebagai sampel pelatihan. @@ -38,7 +38,7 @@ Lanjutkan pembelajaran Anda melalui notebook berikut: Dalam pelajaran sebelumnya, kita telah melihat bahwa embedding kata bekerja seperti sihir! Sekarang kita tahu bahwa melatih embedding kata bukanlah tugas yang sangat kompleks, dan kita seharusnya dapat melatih embedding kata kita sendiri untuk teks spesifik domain jika diperlukan. -## [Kuis setelah pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Kuis setelah pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/16-RNN/README.md b/translations/id/lessons/5-NLP/16-RNN/README.md index 6e451d0e..67e1fbc9 100644 --- a/translations/id/lessons/5-NLP/16-RNN/README.md +++ b/translations/id/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Jaringan Syaraf Rekuren -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/31) Pada bagian sebelumnya, kita telah menggunakan representasi semantik teks yang kaya dan pengklasifikasi linear sederhana di atas embedding. Arsitektur ini menangkap makna agregat dari kata-kata dalam sebuah kalimat, tetapi tidak memperhitungkan **urutan** kata, karena operasi agregasi pada embedding menghilangkan informasi ini dari teks asli. Karena model ini tidak mampu memodelkan urutan kata, mereka tidak dapat menyelesaikan tugas yang lebih kompleks atau ambigu seperti pembuatan teks atau menjawab pertanyaan. @@ -84,7 +84,7 @@ Baca beberapa literatur tentang LSTM dan pertimbangkan aplikasinya: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/id/lessons/5-NLP/17-GenerativeNetworks/README.md index 81f7e71b..b56caa18 100644 --- a/translations/id/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/id/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Jaringan Generatif -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/33) Recurrent Neural Networks (RNNs) dan varian sel ber-gate seperti Long Short Term Memory Cells (LSTMs) dan Gated Recurrent Units (GRUs) menyediakan mekanisme untuk pemodelan bahasa karena mereka dapat mempelajari urutan kata dan memberikan prediksi untuk kata berikutnya dalam sebuah rangkaian. Hal ini memungkinkan kita menggunakan RNN untuk **tugas generatif**, seperti pembuatan teks biasa, penerjemahan mesin, dan bahkan pembuatan keterangan gambar. @@ -71,7 +71,7 @@ Ikuti beberapa pelajaran di Microsoft Learn tentang topik ini * Pembuatan Teks dengan [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) -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/18-Transformers/README.md b/translations/id/lessons/5-NLP/18-Transformers/README.md index cd607365..ec73959d 100644 --- a/translations/id/lessons/5-NLP/18-Transformers/README.md +++ b/translations/id/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mekanisme Perhatian dan Transformer -## [Kuis Pra-Pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kuis Pra-Pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/35) Salah satu masalah paling penting dalam domain NLP adalah **penerjemahan mesin**, sebuah tugas esensial yang mendasari alat seperti Google Translate. Dalam bagian ini, kita akan fokus pada penerjemahan mesin, atau lebih umum lagi, pada tugas *sequence-to-sequence* (yang juga disebut **transduksi kalimat**). @@ -108,7 +108,7 @@ Dalam pelajaran ini, Anda telah mempelajari tentang Transformer dan Mekanisme Pe ## 🚀 Tantangan -## [Kuis Pasca-Pelajaran](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kuis Pasca-Pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/19-NER/README.md b/translations/id/lessons/5-NLP/19-NER/README.md index 1c86e09f..6961d447 100644 --- a/translations/id/lessons/5-NLP/19-NER/README.md +++ b/translations/id/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hingga saat ini, kita sebagian besar telah berfokus pada satu tugas NLP - klasifikasi. Namun, ada juga tugas-tugas NLP lainnya yang dapat diselesaikan dengan jaringan saraf. Salah satu tugas tersebut adalah **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), yang bertujuan mengenali entitas tertentu dalam teks, seperti lokasi, nama orang, rentang waktu, rumus kimia, dan sebagainya. -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Contoh Penggunaan NER @@ -80,7 +80,7 @@ Model NER adalah **model klasifikasi token**, yang berarti dapat digunakan untuk Selesaikan tugas yang ditautkan di bawah ini untuk melatih model pengenalan entitas bernama untuk istilah medis, lalu coba pada dataset yang berbeda. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/5-NLP/20-LangModels/README.md b/translations/id/lessons/5-NLP/20-LangModels/README.md index 678b3b88..3dbbae46 100644 --- a/translations/id/lessons/5-NLP/20-LangModels/README.md +++ b/translations/id/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dalam semua tugas sebelumnya, kita melatih jaringan neural untuk melakukan tugas tertentu menggunakan dataset berlabel. Dengan model transformer besar, seperti BERT, kita menggunakan pemodelan bahasa secara self-supervised untuk membangun model bahasa, yang kemudian disesuaikan untuk tugas spesifik dengan pelatihan lebih lanjut yang berfokus pada domain tertentu. Namun, telah terbukti bahwa model bahasa besar juga dapat menyelesaikan banyak tugas tanpa pelatihan spesifik domain. Keluarga model yang mampu melakukan hal tersebut disebut **GPT**: Generative Pre-Trained Transformer. -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generasi Teks dan Perplexity @@ -58,7 +58,7 @@ Lanjutkan pembelajaran Anda di notebook berikut: Model bahasa umum yang telah dilatih sebelumnya tidak hanya memodelkan struktur bahasa, tetapi juga mengandung sejumlah besar bahasa alami. Oleh karena itu, model ini dapat digunakan secara efektif untuk menyelesaikan beberapa tugas NLP dalam pengaturan zero-shot atau few-shot. -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/id/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/id/lessons/6-Other/21-GeneticAlgorithms/README.md index b4c3c43e..1f838682 100644 --- a/translations/id/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/id/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritma Genetika -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algoritma Genetika** (GA) didasarkan pada pendekatan **evolusioner** dalam AI, di mana metode evolusi populasi digunakan untuk mendapatkan solusi optimal untuk suatu masalah tertentu. Algoritma ini diusulkan pada tahun 1975 oleh [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Algoritma Genetika digunakan untuk menyelesaikan banyak masalah, termasuk logist "Algoritma genetika mudah diimplementasikan, tetapi perilakunya sulit dipahami." [sumber](https://wikipedia.org/wiki/Genetic_algorithm) Lakukan penelitian untuk menemukan implementasi algoritma genetika seperti menyelesaikan teka-teki Sudoku, dan jelaskan cara kerjanya dalam bentuk sketsa atau diagram alur. -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/6-Other/22-DeepRL/README.md b/translations/id/lessons/6-Other/22-DeepRL/README.md index 6b334a36..efc60b30 100644 --- a/translations/id/lessons/6-Other/22-DeepRL/README.md +++ b/translations/id/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pembelajaran penguatan (Reinforcement Learning atau RL) dianggap sebagai salah satu paradigma dasar dalam pembelajaran mesin, selain pembelajaran terawasi (supervised learning) dan pembelajaran tanpa pengawasan (unsupervised learning). Dalam pembelajaran terawasi, kita bergantung pada dataset dengan hasil yang sudah diketahui, sedangkan RL didasarkan pada **belajar dengan melakukan**. Sebagai contoh, ketika kita pertama kali melihat sebuah permainan komputer, kita mulai bermain meskipun tanpa mengetahui aturan, dan segera kita dapat meningkatkan kemampuan kita hanya melalui proses bermain dan menyesuaikan perilaku. -## [Kuis sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/43) Untuk melakukan RL, kita membutuhkan: @@ -110,7 +110,7 @@ Kita telah belajar bagaimana melatih agen untuk mencapai hasil yang baik hanya d Jelajahi aplikasi yang tercantum di bagian 'Tugas RL Lainnya' dan coba implementasikan salah satunya! -## [Kuis setelah kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Tinjauan & Studi Mandiri diff --git a/translations/id/lessons/6-Other/23-MultiagentSystems/README.md b/translations/id/lessons/6-Other/23-MultiagentSystems/README.md index a3e3da9e..0cc0d3d6 100644 --- a/translations/id/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/id/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Salah satu cara untuk mencapai kecerdasan adalah pendekatan yang disebut **emergent** (atau **sinergis**), yang didasarkan pada fakta bahwa perilaku gabungan dari banyak agen yang relatif sederhana dapat menghasilkan perilaku sistem secara keseluruhan yang lebih kompleks (atau cerdas). Secara teori, ini didasarkan pada prinsip [Kecerdasan Kolektif](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain), dan [Sibernetika Evolusioner](https://en.wikipedia.org/wiki/Global_brain), yang menyatakan bahwa sistem tingkat tinggi memperoleh semacam nilai tambah ketika dikombinasikan dengan benar dari sistem tingkat rendah (disebut *prinsip transisi metasistem*). -## [Kuis Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Kuis Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/45) Arah **Sistem Multi-Agen** muncul dalam AI pada tahun 1990-an sebagai respons terhadap pertumbuhan Internet dan sistem terdistribusi. Salah satu buku teks AI klasik, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), berfokus pada pandangan AI klasik dari sudut pandang sistem multi-agen. @@ -152,7 +152,7 @@ Semua cenderung berfokus pada perilaku sederhana agen individu, dan mencapai per Bawa pelajaran ini ke dunia nyata dan coba konseptualisasikan sistem multi-agen yang dapat menyelesaikan masalah. Apa, misalnya, yang perlu dilakukan sistem multi-agen untuk mengoptimalkan rute bus sekolah? Bagaimana sistem ini dapat bekerja di sebuah toko roti? -## [Kuis Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kuis Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Tinjauan & Studi Mandiri diff --git a/translations/it/lessons/1-Intro/README.md b/translations/it/lessons/1-Intro/README.md index f0c77193..add5fc9d 100644 --- a/translations/it/lessons/1-Intro/README.md +++ b/translations/it/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Negli ultimi anni abbiamo assistito a enormi successi con i modelli linguistici Fai un giro su internet per determinare dove, secondo te, l'AI viene utilizzata in modo più efficace. È in un'app di mappatura, in un servizio di riconoscimento vocale o in un videogioco? Ricerca come è stato costruito il sistema. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/2-Symbolic/README.md b/translations/it/lessons/2-Symbolic/README.md index 8d5e1b7a..0125bc93 100644 --- a/translations/it/lessons/2-Symbolic/README.md +++ b/translations/it/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ Oggi, l'AI è spesso considerata sinonimo di *Machine Learning* o *Reti Neurali* Nel notebook sull'Ontologia Familiare associato a questa lezione, c'è l'opportunità di sperimentare altre relazioni familiari. Prova a scoprire nuove connessioni tra le persone nell'albero genealogico. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/it/lessons/3-NeuralNetworks/03-Perceptron/README.md index b72798f3..ee47e804 100644 --- a/translations/it/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/it/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduzione alle Reti Neurali: Perceptron -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/5) Uno dei primi tentativi di implementare qualcosa di simile a una rete neurale moderna fu realizzato da Frank Rosenblatt del Cornell Aeronautical Laboratory nel 1957. Si trattava di un'implementazione hardware chiamata "Mark-1", progettata per riconoscere figure geometriche primitive, come triangoli, quadrati e cerchi. @@ -85,7 +85,7 @@ In questa lezione, hai appreso cos'è un perceptron, un modello di classificazio Se vuoi provare a costruire il tuo perceptron, prova [questo laboratorio su Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) che utilizza il [designer di Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/it/lessons/3-NeuralNetworks/04-OwnFramework/README.md index cfe1f407..f69dc858 100644 --- a/translations/it/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/it/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ In questa sezione estenderemo questo modello in un framework più flessibile, ch Svilupperemo anche un framework modulare in Python che ci consentirà di costruire diverse architetture di reti neurali. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizzazione del Machine Learning @@ -81,7 +81,7 @@ Nel notebook allegato, implementerai il tuo framework per costruire e addestrare Procedi al notebook [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) e segui le istruzioni. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/it/lessons/3-NeuralNetworks/05-Frameworks/README.md index e4ccafff..93afd744 100644 --- a/translations/it/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/it/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Come abbiamo già appreso, per addestrare reti neurali in modo efficiente dobbia * Operare sui tensori, ad esempio moltiplicare, sommare e calcolare alcune funzioni come sigmoid o softmax. * Calcolare i gradienti di tutte le espressioni, per eseguire l'ottimizzazione tramite discesa del gradiente. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/9) Mentre la libreria `numpy` può occuparsi della prima parte, abbiamo bisogno di un meccanismo per calcolare i gradienti. Nel [nostro framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) che abbiamo sviluppato nella sezione precedente, abbiamo dovuto programmare manualmente tutte le funzioni derivate all'interno del metodo `backward`, che esegue la retropropagazione. Idealmente, un framework dovrebbe offrirci la possibilità di calcolare i gradienti di *qualsiasi espressione* che possiamo definire. @@ -106,7 +106,7 @@ In questa lezione, hai appreso le differenze tra le varie API dei due framework Nei notebook allegati, troverai dei 'compiti' alla fine; lavora attraverso i notebook e completa i compiti. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/it/lessons/4-ComputerVision/06-IntroCV/README.md index fb1eda77..1428f7ec 100644 --- a/translations/it/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/it/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) è una disciplina il cui obiettivo è permettere ai computer di ottenere una comprensione di alto livello delle immagini digitali. Questa è una definizione piuttosto ampia, poiché *comprensione* può significare molte cose, tra cui trovare un oggetto in un'immagine (**rilevamento di oggetti**), capire cosa sta accadendo (**rilevamento di eventi**), descrivere un'immagine in testo o ricostruire una scena in 3D. Ci sono anche compiti specifici legati alle immagini umane: stima dell'età e delle emozioni, rilevamento e identificazione del volto, e stima della posa in 3D, solo per citarne alcuni. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/11) Uno dei compiti più semplici della visione artificiale è la **classificazione delle immagini**. @@ -105,7 +105,7 @@ A volte, compiti relativamente complessi come il rilevamento del movimento o il Guarda [questo 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) dello show AI per conoscere il progetto Cortic Tigers e come hanno costruito una soluzione basata su blocchi per democratizzare i compiti di visione artificiale tramite un robot. Fai qualche ricerca su altri progetti simili che aiutano i nuovi studenti ad avvicinarsi al campo. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Revisione e studio autonomo diff --git a/translations/it/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/it/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 090c438a..f30d7845 100644 --- a/translations/it/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/it/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ In questa unità, hai appreso il concetto principale alla base delle reti neural Nei notebook allegati, ci sono note in fondo su come ottenere una maggiore accuratezza. Fai alcuni esperimenti per vedere se riesci a raggiungere una maggiore accuratezza. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/it/lessons/4-ComputerVision/07-ConvNets/README.md index 59cd543c..71e6e1c2 100644 --- a/translations/it/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/it/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Abbiamo visto in precedenza che le reti neurali sono piuttosto efficaci nel trattare le immagini, e persino un percettrone a un solo strato è in grado di riconoscere le cifre scritte a mano del dataset MNIST con una precisione ragionevole. Tuttavia, il dataset MNIST è molto particolare: tutte le cifre sono centrate all'interno dell'immagine, il che rende il compito più semplice. -## [Quiz preliminare alla lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz preliminare alla lezione](https://ff-quizzes.netlify.app/en/ai/quiz/13) Nella vita reale, vogliamo essere in grado di riconoscere oggetti in un'immagine indipendentemente dalla loro posizione esatta. La visione artificiale è diversa dalla classificazione generica, perché quando cerchiamo di individuare un certo oggetto in un'immagine, stiamo scansionando l'immagine alla ricerca di specifici **schemi** e delle loro combinazioni. Ad esempio, cercando un gatto, potremmo iniziare cercando linee orizzontali che possono formare i baffi, e poi una certa combinazione di baffi potrebbe indicarci che si tratta effettivamente di un'immagine di un gatto. La posizione relativa e la presenza di certi schemi sono importanti, non la loro posizione esatta nell'immagine. diff --git a/translations/it/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/it/lessons/4-ComputerVision/08-TransferLearning/README.md index cda48479..edf4d745 100644 --- a/translations/it/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/it/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Addestrare le CNN può richiedere molto tempo e una grande quantità di dati. Tuttavia, gran parte del tempo viene speso per imparare i migliori filtri di basso livello che una rete può utilizzare per estrarre schemi dalle immagini. Sorge una domanda naturale: possiamo utilizzare una rete neurale addestrata su un dataset e adattarla per classificare immagini diverse senza dover eseguire un processo di addestramento completo? -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/15) Questo approccio è chiamato **apprendimento per trasferimento**, perché trasferiamo alcune conoscenze da un modello di rete neurale a un altro. Nell'apprendimento per trasferimento, di solito si parte da un modello pre-addestrato, che è stato addestrato su un grande dataset di immagini, come **ImageNet**. Questi modelli sono già in grado di estrarre diverse caratteristiche da immagini generiche e, in molti casi, costruire un classificatore sopra queste caratteristiche estratte può portare a buoni risultati. @@ -76,7 +76,7 @@ Utilizzando l'apprendimento per trasferimento, puoi rapidamente mettere insieme Nei notebook allegati, ci sono note in fondo su come l'apprendimento per trasferimento funzioni meglio con dati di addestramento relativamente simili (ad esempio, un nuovo tipo di animale). Fai qualche esperimento con tipi di immagini completamente nuovi per vedere quanto bene o male i tuoi modelli di apprendimento per trasferimento funzionano. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/it/lessons/4-ComputerVision/09-Autoencoders/README.md index a4e81291..edaeae19 100644 --- a/translations/it/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/it/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Quando si addestrano le CNN, uno dei problemi è che abbiamo bisogno di molti dati etichettati. Nel caso della classificazione delle immagini, dobbiamo separare le immagini in diverse classi, il che richiede un lavoro manuale. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/17) Tuttavia, potremmo voler utilizzare dati grezzi (non etichettati) per addestrare gli estrattori di caratteristiche delle CNN, il che viene chiamato **apprendimento auto-supervisionato**. Invece delle etichette, utilizzeremo le immagini di addestramento sia come input che come output della rete. L'idea principale dell'**autoencoder** è che avremo una **rete encoder** che converte l'immagine di input in uno **spazio latente** (normalmente è solo un vettore di dimensioni ridotte), e poi una **rete decoder**, il cui obiettivo sarà ricostruire l'immagine originale. @@ -80,7 +80,7 @@ Scopri di più sugli autoencoder in questi notebook corrispondenti: * **Con perdita** - l'immagine ricostruita non è identica all'immagine originale. La natura della perdita è definita dalla *funzione di perdita* utilizzata durante l'addestramento. * Funziona su **dati non etichettati** -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Conclusione @@ -90,7 +90,7 @@ In questa lezione, hai imparato i vari tipi di autoencoder disponibili per lo sc In questa lezione, hai imparato a utilizzare gli autoencoder per le immagini. Ma possono essere utilizzati anche per la musica! Dai un'occhiata al progetto [MusicVAE](https://magenta.tensorflow.org/music-vae) del progetto Magenta, che utilizza gli autoencoder per imparare a ricostruire la musica. Fai alcuni [esperimenti](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) con questa libreria per vedere cosa puoi creare. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisione & Studio Autonomo diff --git a/translations/it/lessons/4-ComputerVision/10-GANs/README.md b/translations/it/lessons/4-ComputerVision/10-GANs/README.md index 02d8f910..65772497 100644 --- a/translations/it/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/it/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nella sezione precedente, abbiamo imparato a conoscere i **modelli generativi**: modelli in grado di generare nuove immagini simili a quelle presenti nel dataset di addestramento. Un esempio di modello generativo è il VAE. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/19) Tuttavia, se proviamo a generare qualcosa di veramente significativo, come un dipinto ad alta risoluzione, utilizzando un VAE, noteremo che l'addestramento non converge bene. Per questo caso d'uso, dobbiamo imparare un'altra architettura specificamente progettata per i modelli generativi: le **Reti Generative Avversarie**, o GAN. @@ -84,7 +84,7 @@ Il funzionamento è il seguente: ## ✍️ Esempio: [Trasferimento di Stile](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Conclusione diff --git a/translations/it/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/it/lessons/4-ComputerVision/11-ObjectDetection/README.md index 15f44dba..d7f70140 100644 --- a/translations/it/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/it/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I modelli di classificazione delle immagini che abbiamo trattato finora prendevano un'immagine e producevano un risultato categorico, come la classe 'numero' in un problema MNIST. Tuttavia, in molti casi non vogliamo solo sapere che un'immagine ritrae degli oggetti, ma desideriamo anche determinare la loro posizione precisa. Questo è esattamente l'obiettivo del **rilevamento degli oggetti**. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Rilevamento degli Oggetti](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.it.png) @@ -172,7 +172,7 @@ Leggi questi articoli e notebook su YOLO e prova a utilizzarli tu stesso: * YOLO: [Implementazione Keras](https://github.com/experiencor/keras-yolo2), [notebook passo-passo](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Implementazione Keras](https://github.com/experiencor/keras-yolo2), [notebook passo-passo](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/it/lessons/4-ComputerVision/12-Segmentation/README.md index a842f580..a32292ab 100644 --- a/translations/it/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/it/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Abbiamo già imparato a conoscere il Rilevamento degli Oggetti, che ci permette di individuare gli oggetti in un'immagine prevedendo i loro *bounding box*. Tuttavia, per alcuni compiti non ci bastano solo i bounding box, ma abbiamo bisogno di una localizzazione più precisa degli oggetti. Questo compito si chiama **segmentazione**. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/23) La segmentazione può essere vista come una **classificazione dei pixel**, in cui per **ogni** pixel dell'immagine dobbiamo prevedere la sua classe (*sfondo* essendo una delle classi). Esistono due principali algoritmi di segmentazione: @@ -56,7 +56,7 @@ Apri i notebook qui sotto per saperne di più sulle diverse architetture di segm * [Segmentazione Semantica Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentazione Semantica TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Conclusione diff --git a/translations/it/lessons/5-NLP/13-TextRep/README.md b/translations/it/lessons/5-NLP/13-TextRep/README.md index a7c76923..b5047e2c 100644 --- a/translations/it/lessons/5-NLP/13-TextRep/README.md +++ b/translations/it/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rappresentare il Testo come Tensors -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Classificazione del Testo @@ -73,7 +73,7 @@ Finora, abbiamo studiato tecniche che possono aggiungere peso di frequenza a div Prova altri esercizi utilizzando bag-of-words e diversi modelli di dati. Potresti trovare ispirazione in questa [competizione su Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Revisione & Studio Autonomo diff --git a/translations/it/lessons/5-NLP/14-Embeddings/README.md b/translations/it/lessons/5-NLP/14-Embeddings/README.md index aaa01dfa..65ac1a76 100644 --- a/translations/it/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/it/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Incorporazioni -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/27) Quando si addestrano classificatori basati su BoW o TF/IDF, lavoravamo su vettori sparsi ad alta dimensionalità con lunghezza `vocab_size`, convertendo esplicitamente da vettori di rappresentazione posizionale a bassa dimensionalità a rappresentazioni one-hot sparse. Tuttavia, questa rappresentazione one-hot non è efficiente in termini di memoria. Inoltre, ogni parola viene trattata in modo indipendente dalle altre, cioè i vettori one-hot codificati non esprimono alcuna somiglianza semantica tra le parole. @@ -65,7 +65,7 @@ In questa lezione, hai scoperto come costruire e utilizzare i livelli di incorpo Word2Vec è stato utilizzato per alcune applicazioni interessanti, tra cui la generazione di testi poetici e di canzoni. Dai un'occhiata a [questo articolo](https://www.politetype.com/blog/word2vec-color-poems) che spiega come l'autore ha utilizzato Word2Vec per generare poesie. Guarda anche [questo video di Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) per scoprire un'altra spiegazione di questa tecnica. Poi prova ad applicare queste tecniche al tuo corpus di testo, magari preso da Kaggle. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/5-NLP/15-LanguageModeling/README.md b/translations/it/lessons/5-NLP/15-LanguageModeling/README.md index 9dc29bcb..8c4f56b9 100644 --- a/translations/it/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/it/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Gli embedding semantici, come Word2Vec e GloVe, rappresentano in realtà un primo passo verso la **modellazione del linguaggio** - la creazione di modelli che in qualche modo *comprendono* (o *rappresentano*) la natura del linguaggio. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/29) L'idea principale della modellazione del linguaggio è allenare i modelli su dataset non etichettati in modo non supervisionato. Questo è importante perché abbiamo a disposizione enormi quantità di testo non etichettato, mentre la quantità di testo etichettato sarà sempre limitata dall'impegno necessario per etichettarlo. Molto spesso, possiamo costruire modelli di linguaggio che possono **predire parole mancanti** nel testo, poiché è facile oscurare una parola casuale nel testo e usarla come campione di allenamento. @@ -38,7 +38,7 @@ Continua il tuo apprendimento nei seguenti notebook: Nella lezione precedente abbiamo visto che gli embedding delle parole funzionano come per magia! Ora sappiamo che allenare gli embedding delle parole non è un compito molto complesso e dovremmo essere in grado di allenare i nostri embedding per testi specifici di dominio, se necessario. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Revisione e studio autonomo diff --git a/translations/it/lessons/5-NLP/16-RNN/README.md b/translations/it/lessons/5-NLP/16-RNN/README.md index 5fddf200..8c09f8ea 100644 --- a/translations/it/lessons/5-NLP/16-RNN/README.md +++ b/translations/it/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reti Neurali Ricorrenti -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/31) Nelle sezioni precedenti, abbiamo utilizzato rappresentazioni semantiche ricche del testo e un semplice classificatore lineare sopra gli embeddings. Questa architettura cattura il significato aggregato delle parole in una frase, ma non tiene conto dell'**ordine** delle parole, poiché l'operazione di aggregazione sugli embeddings elimina questa informazione dal testo originale. Poiché questi modelli non sono in grado di modellare l'ordine delle parole, non possono risolvere compiti più complessi o ambigui come la generazione di testo o la risposta a domande. @@ -84,7 +84,7 @@ Leggi alcune pubblicazioni sulle LSTM e considera le loro applicazioni: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/it/lessons/5-NLP/17-GenerativeNetworks/README.md index 66940033..30d90398 100644 --- a/translations/it/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/it/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reti generative -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/33) Le Reti Neurali Ricorrenti (RNN) e le loro varianti con celle gated, come le celle Long Short Term Memory (LSTM) e le Gated Recurrent Units (GRU), offrono un meccanismo per il modellamento del linguaggio, poiché possono apprendere l'ordine delle parole e fornire previsioni per la parola successiva in una sequenza. Questo ci permette di utilizzare le RNN per **compiti generativi**, come la generazione di testo ordinario, la traduzione automatica e persino la descrizione di immagini. @@ -71,7 +71,7 @@ Segui alcune lezioni su Microsoft Learn su questo argomento * Generazione di testo con [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) -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Revisione e studio autonomo diff --git a/translations/it/lessons/5-NLP/18-Transformers/README.md b/translations/it/lessons/5-NLP/18-Transformers/README.md index 5656380e..b7738510 100644 --- a/translations/it/lessons/5-NLP/18-Transformers/README.md +++ b/translations/it/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Meccanismi di Attenzione e Trasformatori -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/35) Uno dei problemi più importanti nel campo dell'elaborazione del linguaggio naturale (NLP) è la **traduzione automatica**, un compito essenziale alla base di strumenti come Google Translate. In questa sezione ci concentreremo sulla traduzione automatica o, più in generale, su qualsiasi compito di *sequence-to-sequence* (chiamato anche **trasduzione di frasi**). @@ -108,7 +108,7 @@ In questa lezione hai appreso dei Transformer e dei Meccanismi di Attenzione, st ## 🚀 Sfida -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/it/lessons/5-NLP/18-Transformers/READMEtransformers.md index 5bcd92c7..fb0c82de 100644 --- a/translations/it/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/it/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mécanismes d'Attention et Transformateurs -## [Quiz pré-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz pré-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/35) L'un des problèmes les plus importants dans le domaine du traitement du langage naturel (NLP) est **la traduction automatique**, une tâche essentielle qui sous-tend des outils tels que Google Translate. Dans cette section, nous nous concentrerons sur la traduction automatique, ou, plus généralement, sur toute tâche *séquence-à-séquence* (également appelée **transduction de phrases**). @@ -99,7 +99,7 @@ Dans cette leçon, vous avez appris sur les Transformateurs et les Mécanismes d ## 🚀 Défi -## [Quiz post-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz post-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Révision et Auto-étude diff --git a/translations/it/lessons/5-NLP/19-NER/README.md b/translations/it/lessons/5-NLP/19-NER/README.md index a703ada5..81431c9f 100644 --- a/translations/it/lessons/5-NLP/19-NER/README.md +++ b/translations/it/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Fino ad ora, ci siamo concentrati principalmente su un compito di elaborazione del linguaggio naturale (NLP) - la classificazione. Tuttavia, ci sono anche altri compiti NLP che possono essere affrontati con le reti neurali. Uno di questi compiti è il **[Riconoscimento delle Entità Nominate](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), che si occupa di riconoscere entità specifiche all'interno di un testo, come luoghi, nomi di persone, intervalli di date e orari, formule chimiche e così via. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Esempio di utilizzo del NER @@ -81,7 +81,7 @@ Un modello NER è un **modello di classificazione dei token**, il che significa Completa l'esercizio collegato qui sotto per addestrare un modello di riconoscimento delle entità nominate per termini medici, quindi provalo su un dataset diverso. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Revisione e studio autonomo diff --git a/translations/it/lessons/5-NLP/20-LangModels/README.md b/translations/it/lessons/5-NLP/20-LangModels/README.md index 0b1b2b1d..f524e2ae 100644 --- a/translations/it/lessons/5-NLP/20-LangModels/README.md +++ b/translations/it/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In tutti i nostri compiti precedenti, abbiamo addestrato una rete neurale per svolgere un determinato compito utilizzando un dataset etichettato. Con i grandi modelli transformer, come BERT, utilizziamo il modellamento del linguaggio in modalità auto-supervisionata per costruire un modello di linguaggio, che viene poi specializzato per compiti specifici downstream con ulteriore addestramento specifico per il dominio. Tuttavia, è stato dimostrato che i grandi modelli di linguaggio possono anche risolvere molti compiti senza ALCUN addestramento specifico per il dominio. Una famiglia di modelli in grado di fare ciò è chiamata **GPT**: Generative Pre-Trained Transformer. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generazione di Testo e Perplessità @@ -58,7 +58,7 @@ Continua il tuo apprendimento nei seguenti notebook: I nuovi modelli di linguaggio pre-addestrati generali non solo modellano la struttura del linguaggio, ma contengono anche una vasta quantità di linguaggio naturale. Pertanto, possono essere utilizzati efficacemente per risolvere alcuni compiti di NLP in modalità zero-shot o few-shot. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Disclaimer (Avvertenza)**: Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di tenere presente che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione. \ No newline at end of file diff --git a/translations/it/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/it/lessons/5-NLP/20-LangModels/READMELargeLang.md index 042548f3..45cf0db7 100644 --- a/translations/it/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/it/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Dans toutes nos tâches précédentes, nous avons entraîné un réseau de neurones pour accomplir une tâche spécifique en utilisant un ensemble de données étiquetées. Avec de grands modèles transformateurs, tels que BERT, nous utilisons la modélisation du langage de manière auto-supervisée pour construire un modèle linguistique, qui est ensuite spécialisé pour une tâche en aval spécifique grâce à un entraînement supplémentaire spécifique au domaine. Cependant, il a été démontré que les grands modèles de langage peuvent également résoudre de nombreuses tâches sans AUCUN entraînement spécifique au domaine. Une famille de modèles capables de le faire est appelée **GPT** : Transformateur Génératif Pré-entrainé. -## [Quiz pré-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz pré-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Génération de Texte et Perplexité @@ -50,7 +50,7 @@ Poursuivez votre apprentissage dans les notebooks suivants : Les nouveaux modèles de langage pré-entraînés en général ne modélisent pas seulement la structure du langage, mais contiennent également une vaste quantité de langage naturel. Ainsi, ils peuvent être utilisés efficacement pour résoudre certaines tâches de traitement du langage naturel dans des contextes zéro-shot ou few-shot. -## [Quiz post-conférence](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz post-conférence](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Disclaimer**: This document has been translated using machine-based AI translation services. While we strive for accuracy, please be aware that automated translations may contain errors or inaccuracies. The original document in its native language should be considered the authoritative source. For critical information, professional human translation is recommended. We are not liable for any misunderstandings or misinterpretations arising from the use of this translation. \ No newline at end of file diff --git a/translations/it/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/it/lessons/6-Other/21-GeneticAlgorithms/README.md index 199d594b..a9d7639f 100644 --- a/translations/it/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/it/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritmi Genetici -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/41) Gli **Algoritmi Genetici** (GA) si basano su un **approccio evolutivo** all'IA, in cui vengono utilizzati metodi di evoluzione di una popolazione per ottenere una soluzione ottimale a un determinato problema. Furono proposti nel 1975 da [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Gli Algoritmi Genetici vengono utilizzati per risolvere molti problemi, inclusi "Gli algoritmi genetici sono semplici da implementare, ma il loro comportamento è difficile da comprendere." [fonte](https://wikipedia.org/wiki/Genetic_algorithm) Fai una ricerca per trovare un'implementazione di un algoritmo genetico, come la risoluzione di un puzzle di Sudoku, e spiega come funziona attraverso uno schema o un diagramma di flusso. -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/6-Other/22-DeepRL/README.md b/translations/it/lessons/6-Other/22-DeepRL/README.md index 58bbbaae..bc913e78 100644 --- a/translations/it/lessons/6-Other/22-DeepRL/README.md +++ b/translations/it/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: L'apprendimento per rinforzo (RL) è considerato uno dei paradigmi fondamentali del machine learning, accanto all'apprendimento supervisionato e non supervisionato. Mentre nell'apprendimento supervisionato ci basiamo su un dataset con risultati noti, l'RL si basa sull'**imparare facendo**. Ad esempio, quando vediamo per la prima volta un videogioco, iniziamo a giocare anche senza conoscere le regole, e presto miglioriamo le nostre abilità semplicemente giocando e adattando il nostro comportamento. -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/43) Per eseguire l'RL, abbiamo bisogno di: @@ -110,7 +110,7 @@ Abbiamo ora imparato come addestrare agenti per ottenere buoni risultati semplic Esplora le applicazioni elencate nella sezione "Altri Compiti di RL" e prova a implementarne una! -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Revisione e Studio Autonomo diff --git a/translations/it/lessons/6-Other/23-MultiagentSystems/README.md b/translations/it/lessons/6-Other/23-MultiagentSystems/README.md index e933a77b..b2a6289b 100644 --- a/translations/it/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/it/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Uno dei modi possibili per raggiungere l'intelligenza è il cosiddetto approccio **emergente** (o **sinergico**), basato sul fatto che il comportamento combinato di molti agenti relativamente semplici può portare a un comportamento complessivo più complesso (o intelligente) del sistema nel suo insieme. Teoricamente, ciò si basa sui principi dell'[Intelligenza Collettiva](https://en.wikipedia.org/wiki/Collective_intelligence), dell'[Emergentismo](https://en.wikipedia.org/wiki/Global_brain) e della [Cibernetica Evolutiva](https://en.wikipedia.org/wiki/Global_brain), che affermano che i sistemi di livello superiore acquisiscono un certo valore aggiunto quando vengono opportunamente combinati da sistemi di livello inferiore (il cosiddetto *principio della transizione del metasistema*). -## [Quiz pre-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/45) La direzione dei **Sistemi Multi-Agente** è emersa nell'IA negli anni '90 come risposta alla crescita di Internet e dei sistemi distribuiti. Uno dei classici libri di testo sull'IA, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), si concentra sulla visione dell'IA classica dal punto di vista dei sistemi multi-agente. @@ -152,7 +152,7 @@ Tendono tutti a concentrarsi sul comportamento più semplice di un singolo agent Porta questa lezione nel mondo reale e prova a concettualizzare un sistema multi-agente che possa risolvere un problema. Cosa, ad esempio, dovrebbe fare un sistema multi-agente per ottimizzare il percorso di uno scuolabus? Come potrebbe funzionare in una panetteria? -## [Quiz post-lezione](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Revisione e Studio Autonomo diff --git a/translations/ja/lessons/1-Intro/README.md b/translations/ja/lessons/1-Intro/README.md index f696f177..e437b8d5 100644 --- a/translations/ja/lessons/1-Intro/README.md +++ b/translations/ja/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: インターネットを調査して、AIが最も効果的に使用されていると思う分野を特定してください。それは地図アプリでしょうか、それとも音声認識サービスやビデオゲームでしょうか？そのシステムがどのように構築されたのかを調べてみましょう。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 復習と自主学習 diff --git a/translations/ja/lessons/2-Symbolic/README.md b/translations/ja/lessons/2-Symbolic/README.md index c5717ad8..5152c1d5 100644 --- a/translations/ja/lessons/2-Symbolic/README.md +++ b/translations/ja/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 人工知能の探求は、世界を人間のように理解するための知識の探求に基づいています。しかし、これをどのように実現するのでしょうか？ -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/3) AIの初期には、インテリジェントシステムを作成するためのトップダウンアプローチ（前回のレッスンで説明）が主流でした。このアイデアは、人々から知識を抽出して機械が読み取れる形式に変換し、それを使って自動的に問題を解決するというものでした。このアプローチは、以下の2つの大きなアイデアに基づいています： @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel このレッスンに関連するFamily Ontologyノートブックでは、他の家族関係を試す機会があります。家系図内の人々の間に新しいつながりを発見してみてください。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 復習と自己学習 diff --git a/translations/ja/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ja/lessons/3-NeuralNetworks/03-Perceptron/README.md index 5e0b6c11..26a045d7 100644 --- a/translations/ja/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ja/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ニューラルネットワーク入門: パーセプトロン -## [講義前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [講義前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/5) 現代のニューラルネットワークに似たものを初めて実装しようとした試みの一つは、1957年にコーネル航空研究所のフランク・ローゼンブラットによって行われました。それは「Mark-1」と呼ばれるハードウェア実装で、三角形、四角形、円などの基本的な幾何学的図形を認識するよう設計されていました。 @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 自分でパーセプトロンを構築してみたい場合は、[Microsoft Learnのこのラボ](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)を試してみてください。このラボでは[Azure MLデザイナー](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)を使用します。 -## [講義後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [講義後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 復習と自己学習 diff --git a/translations/ja/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ja/lessons/3-NeuralNetworks/04-OwnFramework/README.md index b1ae3497..b49ceb74 100644 --- a/translations/ja/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ja/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: また、Pythonで独自のモジュール型フレームワークを開発し、さまざまなニューラルネットワークアーキテクチャを構築できるようにします。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 機械学習の形式化 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)ノートブックに進み、作業を進めてください。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 復習と自己学習 diff --git a/translations/ja/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ja/lessons/3-NeuralNetworks/05-Frameworks/README.md index e04bed3f..70620b0d 100644 --- a/translations/ja/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ja/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * テンソルを操作すること（例：乗算、加算、シグモイドやソフトマックスなどの関数を計算すること） * 勾配降下法による最適化を行うために、すべての式の勾配を計算すること -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy`ライブラリは最初の部分を実行できますが、勾配を計算する仕組みが必要です。[前のセクション](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)で開発したフレームワークでは、`backward`メソッド内で逆伝播を行うためにすべての微分関数を手動でプログラムする必要がありました。理想的には、フレームワークは定義可能な*任意の式*の勾配を計算する機能を提供すべきです。 @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 付属のノートブックには「タスク」が記載されています。ノートブックを進めてタスクを完了してください。 -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ja/lessons/4-ComputerVision/06-IntroCV/README.md index 4e760b32..17512c31 100644 --- a/translations/ja/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ja/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [コンピュータビジョン](https://wikipedia.org/wiki/Computer_vision)は、コンピュータがデジタル画像を高レベルで理解できるようにすることを目的とした分野です。この定義は非常に広範であり、「理解する」ということは、画像内の物体を見つける（**物体検出**）、何が起きているかを理解する（**イベント検出**）、画像をテキストで説明する、または3Dでシーンを再構築するなど、さまざまな意味を持ちます。人間の画像に関連する特別なタスクもあり、例えば年齢や感情の推定、顔の検出と識別、3Dポーズ推定などがあります。 -## [講義前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [講義前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/11) コンピュータビジョンの最も基本的なタスクの一つは、**画像分類**です。 @@ -105,7 +105,7 @@ OpenCVを使用してビデオをフレームごとに読み込むことも可 AIショーの[このビデオ](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)を視聴して、Cortic Tigersプロジェクトについて学び、彼らがロボットを通じてコンピュータビジョンタスクを民主化するブロックベースのソリューションをどのように構築したかを確認してください。この分野への新しい学習者を導入するのに役立つ他のプロジェクトについても調査してみてください。 -## [講義後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [講義後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ja/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index d4600bd1..cc5d1d81 100644 --- a/translations/ja/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ja/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNetは、モバイルデバイスに適した小型のモデルファミ 付属のノートブックには、精度を向上させる方法についてのメモがあります。いくつかの実験を行い、より高い精度を達成できるか試してみてください。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ja/lessons/4-ComputerVision/07-ConvNets/README.md index f1f43a39..6849cfe4 100644 --- a/translations/ja/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ja/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: これまでに、ニューラルネットワークが画像処理に非常に優れていることを見てきました。たとえ1層のパーセプトロンであっても、MNISTデータセットの手書き数字をある程度の精度で認識できることが分かっています。しかし、MNISTデータセットは非常に特殊で、すべての数字が画像の中心に配置されているため、タスクが簡単になっています。 -## [講義前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [講義前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/13) 現実世界では、画像内の正確な位置に関係なく、写真の中の物体を認識できることが求められます。コンピュータビジョンは一般的な分類とは異なります。なぜなら、写真の中で特定の物体を見つけようとする際、特定の**パターン**やその組み合わせを探すために画像をスキャンするからです。例えば、猫を探す場合、まず水平線を探してヒゲを形成し、その後、特定のヒゲの組み合わせが実際に猫の写真であることを示すかもしれません。特定のパターンの相対的な位置や存在が重要であり、画像上の正確な位置はそれほど重要ではありません。 diff --git a/translations/ja/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ja/lessons/4-ComputerVision/08-TransferLearning/README.md index 112c6ee2..801c18a2 100644 --- a/translations/ja/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ja/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNNのトレーニングには多くの時間がかかり、膨大なデータが必要です。しかし、ネットワークが画像からパターンを抽出するために使用する最適な低レベルフィルターを学習することに多くの時間が費やされています。そこで自然に生じる疑問は、あるデータセットでトレーニングされたニューラルネットワークを使用して、完全なトレーニングプロセスを必要とせずに異なる画像を分類することができるかどうかです。 -## [事前講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [事前講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/15) このアプローチは**転移学習**と呼ばれます。これは、あるニューラルネットワークモデルから別のモデルへ知識を転移することを意味します。転移学習では、通常、**ImageNet**のような大規模な画像データセットでトレーニングされた事前学習済みモデルから始めます。これらのモデルはすでに一般的な画像からさまざまな特徴を抽出するのに優れており、多くの場合、それらの抽出された特徴の上に分類器を構築するだけで良い結果が得られます。 @@ -76,7 +76,7 @@ KerasとPyTorchには、一般的なアーキテクチャの事前学習済み 付属のノートブックには、転移学習が類似したトレーニングデータ（新しい種類の動物など）で最も効果的に機能するというメモがあります。完全に新しい種類の画像で実験を行い、転移学習モデルがどれほど良く、または悪く機能するかを確認してください。 -## [講義後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [講義後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ja/lessons/4-ComputerVision/09-Autoencoders/README.md index 23d85943..5ecc8892 100644 --- a/translations/ja/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ja/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNNをトレーニングする際の問題の一つは、大量のラベル付きデータが必要になることです。画像分類の場合、画像を異なるクラスに分ける必要があり、これは手作業で行う必要があります。 -## [事前講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [事前講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/17) しかし、CNNの特徴抽出器をトレーニングする際に、生データ（ラベルなしデータ）を使用したい場合があります。これを**自己教師あり学習**と呼びます。ラベルの代わりに、トレーニング画像をネットワークの入力と出力の両方として使用します。**オートエンコーダー**の主なアイデアは、入力画像を**潜在空間**（通常は小さなサイズのベクトル）に変換する**エンコーダーネットワーク**を持ち、その後、元の画像を再構築することを目指す**デコーダーネットワーク**を使用することです。 @@ -80,7 +80,7 @@ VAEの重要な利点の一つは、潜在ベクトルをサンプリングす * **損失あり** - 再構築された画像は元の画像と同じではありません。損失の性質はトレーニング中に使用される*損失関数*によって定義されます。 * **ラベルなしデータ**で動作します。 -## [事後講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [事後講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 結論 @@ -90,7 +90,7 @@ VAEの重要な利点の一つは、潜在ベクトルをサンプリングす このレッスンでは、画像にオートエンコーダーを使用する方法について学びました。しかし、音楽にも使用できます！Magentaプロジェクトの[MusicVAE](https://magenta.tensorflow.org/music-vae)プロジェクトをチェックしてみてください。このプロジェクトでは、オートエンコーダーを使用して音楽を再構築する方法を学習します。このライブラリを使用して[実験](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)を行い、何が作れるか試してみてください。 -## [事後講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [事後講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/10-GANs/README.md b/translations/ja/lessons/4-ComputerVision/10-GANs/README.md index 219c2c9d..3eadbbc5 100644 --- a/translations/ja/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ja/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 前のセクションでは、**生成モデル**について学びました。これは、トレーニングデータセットに似た新しい画像を生成できるモデルです。VAEは生成モデルの良い例でした。 -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/19) しかし、VAEを使って合理的な解像度の絵画のような本当に意味のあるものを生成しようとすると、トレーニングがうまく収束しないことがわかります。このようなケースでは、生成モデルに特化した別のアーキテクチャである**敵対的生成ネットワーク (Generative Adversarial Networks, GANs)** を学ぶ必要があります。 @@ -84,7 +84,7 @@ GANは芸術的な画像を生成するのに優れた方法です。もう1つ ## ✍️ 例: [スタイル転送](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## 結論 diff --git a/translations/ja/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ja/lessons/4-ComputerVision/11-ObjectDetection/README.md index 3eb9d38c..1d27fd0d 100644 --- a/translations/ja/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ja/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: これまで扱ってきた画像分類モデルは、画像を入力として受け取り、MNIST問題における「数字」クラスのようなカテゴリカルな結果を出力していました。しかし、多くの場合、画像に物体が写っていることを知るだけでなく、その正確な位置を特定したいと考えます。それがまさに**オブジェクト検出**の目的です。 -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![オブジェクト検出](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ja.png) @@ -171,7 +171,7 @@ YOLOはリアルタイムのワンパスアルゴリズムです。主なアイ * YOLO: [Keras 実装](https://github.com/experiencor/keras-yolo2), [ステップバイステップノートブック](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras 実装](https://github.com/experiencor/keras-yolo2), [ステップバイステップノートブック](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 復習と自己学習 diff --git a/translations/ja/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ja/lessons/4-ComputerVision/12-Segmentation/README.md index 026c3e02..19d0f8c0 100644 --- a/translations/ja/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ja/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 以前、物体検出について学びました。物体検出では、画像内の物体を特定し、その*バウンディングボックス*を予測することで位置を特定します。しかし、いくつかのタスクではバウンディングボックスだけでなく、より正確な物体の位置情報が必要です。このタスクは**セグメンテーション**と呼ばれます。 -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/23) セグメンテーションは**ピクセル分類**として見ることができます。画像の**各**ピクセルについて、そのクラス（*背景*もクラスの一つ）を予測する必要があります。セグメンテーションには主に2つのアルゴリズムがあります： @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## 結論 diff --git a/translations/ja/lessons/5-NLP/13-TextRep/README.md b/translations/ja/lessons/5-NLP/13-TextRep/README.md index ac3129de..e9fbc0cf 100644 --- a/translations/ja/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ja/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # テキストをテンソルとして表現する -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## テキスト分類 @@ -73,7 +73,7 @@ BoWはテキスト内にどの単語がどの程度出現するかを表し、 Bag-of-Wordsや異なるデータモデルを使用した他の演習を試してみてください。この[Kaggleのコンペティション](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words)からインスピレーションを得るかもしれません。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/14-Embeddings/README.md b/translations/ja/lessons/5-NLP/14-Embeddings/README.md index c736367a..fba3b3df 100644 --- a/translations/ja/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ja/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 埋め込み -## [事前講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [事前講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/27) BoWやTF/IDFに基づく分類器をトレーニングする際、高次元の`vocab_size`長のバッグオブワードベクトルを操作し、低次元の位置表現ベクトルからスパースなワンホット表現に明示的に変換していました。しかし、このワンホット表現はメモリ効率が良くありません。また、各単語は互いに独立して扱われ、ワンホットエンコードされたベクトルは単語間の意味的な類似性を表現しません。 @@ -65,7 +65,7 @@ Word2Vecのような従来の事前トレーニング済み埋め込み表現の Word2Vecは、歌詞や詩の生成など、興味深いアプリケーションに使用されています。[この記事](https://www.politetype.com/blog/word2vec-color-poems)では、著者がWord2Vecを使用して詩を生成する方法を説明しています。また、[Dan Shiffmannによるこの動画](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)も視聴して、この技術の別の説明を発見してください。その後、Kaggleなどから取得した独自のテキストコーパスにこれらの技術を適用してみてください。 -## [事後講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [事後講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ja/lessons/5-NLP/15-LanguageModeling/README.md index e1ef6dfe..65b345c4 100644 --- a/translations/ja/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ja/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Word2VecやGloVeのようなセマンティック埋め込みは、実際には**言語モデリング**への第一歩です。これは、言語の性質を何らかの形で*理解*（または*表現*）するモデルを作成することを意味します。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/29) 言語モデリングの主なアイデアは、ラベル付けされていないデータセットを教師なしで学習させることです。これは、ラベル付けされていないテキストが膨大に存在する一方で、ラベル付けされたテキストの量はラベル付けに費やせる労力によって常に制限されるため、重要です。多くの場合、テキスト内の**欠損している単語を予測する**言語モデルを構築できます。これは、テキスト内のランダムな単語をマスクして学習サンプルとして使用するのが簡単だからです。 @@ -38,7 +38,7 @@ Word2VecやGloVeのようなセマンティック埋め込みは、実際には* 前回のレッスンでは、単語埋め込みがまるで魔法のように機能することを学びました！今回の内容で、単語埋め込みの学習がそれほど複雑な作業ではないことが分かりました。必要に応じて、特定の分野のテキストに特化した単語埋め込みを自分で学習させることも可能です。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/16-RNN/README.md b/translations/ja/lessons/5-NLP/16-RNN/README.md index 05436f75..a2d8a33e 100644 --- a/translations/ja/lessons/5-NLP/16-RNN/README.md +++ b/translations/ja/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # リカレントニューラルネットワーク (RNN) -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/31) これまでのセクションでは、テキストのリッチなセマンティック表現と、その上に単純な線形分類器を使用してきました。このアーキテクチャは、文中の単語の集約された意味を捉えることができますが、埋め込みの上で行われる集約操作によって元のテキストからこの情報が失われるため、単語の**順序**を考慮することはできません。このため、これらのモデルは単語の順序をモデル化することができず、テキスト生成や質問応答のようなより複雑または曖昧なタスクを解くことができません。 @@ -84,7 +84,7 @@ LSTMに関する文献を読み、その応用について考えてみてくだ - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ja/lessons/5-NLP/17-GenerativeNetworks/README.md index 5832c58d..98591d93 100644 --- a/translations/ja/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ja/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 生成ネットワーク -## [事前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [事前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/33) リカレントニューラルネットワーク（RNN）とそのゲート付きセルのバリエーション（Long Short Term Memory Cells（LSTM）やGated Recurrent Units（GRU）など）は、単語の順序を学習し、シーケンス内の次の単語を予測することで、言語モデリングのメカニズムを提供します。これにより、RNNを使用して、通常のテキスト生成、機械翻訳、さらには画像キャプション生成といった**生成タスク**を実行することが可能になります。 @@ -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)を使ったテキスト生成 -## [事後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [事後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/18-Transformers/README.md b/translations/ja/lessons/5-NLP/18-Transformers/README.md index f2e52658..518acffd 100644 --- a/translations/ja/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ja/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 注意メカニズムとトランスフォーマー -## [事前講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [事前講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP分野で最も重要な問題の1つは**機械翻訳**であり、Google翻訳のようなツールの基盤となる重要なタスクです。このセクションでは、機械翻訳、またはより一般的には*シーケンス間変換*タスク（**文変換**とも呼ばれる）に焦点を当てます。 @@ -108,7 +108,7 @@ RNNを使用すると、シーケンス間変換は2つのリカレントネッ ## 🚀 チャレンジ -## [事後講義クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [事後講義クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## レビューと自己学習 diff --git a/translations/ja/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/ja/lessons/5-NLP/18-Transformers/READMEtransformers.md index 30de0746..a76dd5fc 100644 --- a/translations/ja/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/ja/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # 注意機構とトランスフォーマー -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP分野で最も重要な問題の一つは、**機械翻訳**であり、これはGoogle翻訳などのツールの基盤となる重要なタスクです。このセクションでは、機械翻訳、またはより一般的には*シーケンスからシーケンス*のタスク（これは**文の変換**とも呼ばれます）に焦点を当てます。 @@ -99,7 +99,7 @@ RNNを使用したシーケンスからシーケンスの実装は、二つの ## 🚀 チャレンジ -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## レビュー & 自習 diff --git a/translations/ja/lessons/5-NLP/19-NER/README.md b/translations/ja/lessons/5-NLP/19-NER/README.md index dc405330..98b10197 100644 --- a/translations/ja/lessons/5-NLP/19-NER/README.md +++ b/translations/ja/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: これまでのところ、主に1つのNLPタスク、つまり分類に集中してきました。しかし、ニューラルネットワークを使用して達成できる他のNLPタスクも存在します。その1つが**[固有表現認識](https://wikipedia.org/wiki/Named-entity_recognition)**（NER）で、これはテキスト内の特定のエンティティ（場所、人名、日時、化学式など）を認識することを扱います。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NERの使用例 @@ -79,7 +79,7 @@ NERモデルは**トークン分類モデル**であり、トークン分類を 以下の課題を完了して、医療用語の固有表現認識モデルをトレーニングし、別のデータセットで試してみてください。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 復習と自己学習 diff --git a/translations/ja/lessons/5-NLP/20-LangModels/README.md b/translations/ja/lessons/5-NLP/20-LangModels/README.md index a91b50a8..d59f7ff8 100644 --- a/translations/ja/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ja/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: これまでのタスクでは、ラベル付きデータセットを使用して特定のタスクを実行するニューラルネットワークを訓練してきました。BERTのような大規模なトランスフォーマーモデルでは、自己教師あり学習を用いて言語モデルを構築し、その後、特定の下流タスクに特化したドメイン固有の訓練を行います。しかし、大規模言語モデルはドメイン固有の訓練を一切行わなくても多くのタスクを解決できることが示されています。このようなモデル群は**GPT**（Generative Pre-Trained Transformer）と呼ばれます。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## テキスト生成とパープレキシティ @@ -58,7 +58,7 @@ GPTは膨大なデータで訓練されており、言語やコードを理解 新しい一般的な事前学習済み言語モデルは、言語構造をモデル化するだけでなく、膨大な自然言語を含んでいます。そのため、ゼロショットまたは少数ショット設定でいくつかのNLPタスクを効果的に解決することができます。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免責事項**: この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。元の言語で記載された文書が公式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤認について、当方は一切の責任を負いません。 \ No newline at end of file diff --git a/translations/ja/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/ja/lessons/5-NLP/20-LangModels/READMELargeLang.md index d656d68c..7d84aeec 100644 --- a/translations/ja/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/ja/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ これまでのすべてのタスクでは、ラベル付きデータセットを使用して特定のタスクを実行するためにニューラルネットワークを訓練していました。BERTのような大規模トランスフォーマーモデルでは、自己教師あり方式で言語モデルを構築し、その後、特定のドメインに特化したトレーニングを行って特定の下流タスクに特化させます。しかし、大規模言語モデルは、ANYドメイン特化型のトレーニングなしで多くのタスクを解決できることが示されています。そのようなモデルのファミリーは**GPT**（Generative Pre-Trained Transformer）と呼ばれています。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## テキスト生成とパープレキシティ @@ -49,7 +49,7 @@ GPTは膨大なデータ量で言語とコードを理解するように訓練 新しい一般的な事前学習済み言語モデルは、言語構造をモデル化するだけでなく、大量の自然言語も含んでいます。したがって、これらはゼロショットまたは少数ショットの設定でいくつかのNLPタスクを効果的に解決するために使用できます。 -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免責事項**: この文書は、機械ベースのAI翻訳サービスを使用して翻訳されました。正確性を追求していますが、自動翻訳には誤りや不正確さが含まれる可能性があることにご注意ください。原文はその言語での権威ある情報源と見なされるべきです。重要な情報については、専門の人間による翻訳をお勧めします。この翻訳の使用に起因する誤解や誤解釈について、当社は一切の責任を負いません。 \ No newline at end of file diff --git a/translations/ja/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ja/lessons/6-Other/21-GeneticAlgorithms/README.md index cedd1450..7fbf2d53 100644 --- a/translations/ja/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ja/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 遺伝的アルゴリズム -## [講義前クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [講義前クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/41) **遺伝的アルゴリズム**（GA）は、AIにおける**進化的アプローチ**に基づいており、集団の進化の方法を利用して、特定の問題に対する最適解を得る手法です。1975年に[ジョン・ヘンリー・ホランド](https://wikipedia.org/wiki/John_Henry_Holland)によって提案されました。 @@ -67,7 +67,7 @@ CO_OP_TRANSLATOR_METADATA: 「遺伝的アルゴリズムは実装が簡単だが、その挙動を理解するのは難しい。」[出典](https://wikipedia.org/wiki/Genetic_algorithm) 遺伝的アルゴリズムの実装例（例えば数独パズルの解法）を調査し、それがどのように機能するかをスケッチやフローチャートで説明してください。 -## [講義後クイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [講義後クイズ](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 復習と自己学習 diff --git a/translations/ja/lessons/6-Other/22-DeepRL/README.md b/translations/ja/lessons/6-Other/22-DeepRL/README.md index 535b8c3e..b690af92 100644 --- a/translations/ja/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ja/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 強化学習（RL）は、教師あり学習や教師なし学習と並ぶ基本的な機械学習のパラダイムの一つとされています。教師あり学習では既知の結果を持つデータセットに依存しますが、RLは**実際に行動することで学ぶ**ことに基づいています。例えば、初めてコンピュータゲームを見たとき、ルールを知らなくてもプレイを始め、プレイしながら行動を調整することでスキルを向上させることができます。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/43) RLを行うためには以下が必要です： @@ -110,7 +110,7 @@ RLアルゴリズムの目標は、モデル、つまり**ポリシー**πをト 「その他のRLタスク」セクションに記載されているアプリケーションを探索し、1つを実装してみてください！ -## [講義後のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [講義後のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 復習と自己学習 diff --git a/translations/ja/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ja/lessons/6-Other/23-MultiagentSystems/README.md index d795378e..c0e342f1 100644 --- a/translations/ja/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ja/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 知能を実現する方法の一つとして、**創発的**（または**相乗的**）アプローチがあります。このアプローチは、多くの比較的単純なエージェントの結合された行動が、システム全体としてより複雑（または知的）な行動を生み出す可能性があるという事実に基づいています。理論的には、これは[集合知](https://en.wikipedia.org/wiki/Collective_intelligence)、[創発主義](https://en.wikipedia.org/wiki/Global_brain)、および[進化的サイバネティクス](https://en.wikipedia.org/wiki/Global_brain)の原則に基づいており、これらは、低レベルのシステムを適切に組み合わせることで高レベルのシステムが何らかの付加価値を得る（いわゆる*メタシステム移行の原則*）と述べています。 -## [講義前のクイズ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ai/quiz/45) **マルチエージェントシステム**の方向性は、1990年代にインターネットと分散システムの成長に応じてAIの分野で登場しました。古典的なAIの教科書の一つである[Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)は、マルチエージェントシステムの観点から古典的なAIを捉えています。 diff --git a/translations/ko/lessons/1-Intro/README.md b/translations/ko/lessons/1-Intro/README.md index 4b2a6e36..59409df9 100644 --- a/translations/ko/lessons/1-Intro/README.md +++ b/translations/ko/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: 인터넷을 탐색하며 AI가 가장 효과적으로 사용되고 있다고 생각되는 분야를 찾아보세요. 지도 앱, 음성-텍스트 변환 서비스, 비디오 게임 중 어디일까요? 해당 시스템이 어떻게 구축되었는지 조사해보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/2-Symbolic/README.md b/translations/ko/lessons/2-Symbolic/README.md index 2783b5f5..0590c665 100644 --- a/translations/ko/lessons/2-Symbolic/README.md +++ b/translations/ko/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 인공지능을 추구하는 과정은 인간처럼 세상을 이해하기 위한 지식을 탐구하는 데 기반을 둡니다. 하지만 이를 어떻게 구현할 수 있을까요? -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI 초기에는 지능형 시스템을 만드는 데 있어 상향식 접근법(이전 강의에서 논의됨)이 인기가 있었습니다. 사람들로부터 지식을 추출하여 기계가 읽을 수 있는 형태로 변환한 뒤, 이를 사용해 자동으로 문제를 해결하는 방식이었습니다. 이 접근법은 두 가지 주요 아이디어에 기반을 두고 있습니다: @@ -236,7 +236,7 @@ Microsoft Research에서 시도한 한 사례는 [Microsoft Concept Graph](https 이 강의와 관련된 Family Ontology 노트북에서 다른 가족 관계를 실험할 기회가 있습니다. 가족 트리에서 사람들 간의 새로운 연결을 발견해 보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ko/lessons/3-NeuralNetworks/03-Perceptron/README.md index 360c7a8a..3512af60 100644 --- a/translations/ko/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ko/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 신경망 소개: 퍼셉트론 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/5) 현대 신경망과 유사한 것을 구현하려는 최초의 시도 중 하나는 1957년 Cornell Aeronautical Laboratory의 Frank Rosenblatt에 의해 이루어졌습니다. 이는 "Mark-1"이라는 하드웨어 구현으로, 삼각형, 사각형, 원과 같은 기본적인 기하학적 도형을 인식하도록 설계되었습니다. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 직접 퍼셉트론을 만들어 보고 싶다면 [Microsoft Learn의 실습](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)을 시도해 보세요. 이 실습에서는 [Azure ML 디자이너](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)를 사용합니다. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ko/lessons/3-NeuralNetworks/04-OwnFramework/README.md index b2c80dad..33cbf93c 100644 --- a/translations/ko/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ko/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 또한, 다양한 신경망 아키텍처를 구성할 수 있는 Python 기반의 모듈형 프레임워크를 개발할 것입니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 머신러닝의 공식화 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) 노트북으로 이동하여 작업을 진행하세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ko/lessons/3-NeuralNetworks/05-Frameworks/README.md index 4a8b0b8b..c0890e9b 100644 --- a/translations/ko/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ko/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * 텐서를 다루는 작업, 예를 들어 곱셈, 덧셈, 그리고 sigmoid나 softmax 같은 함수 계산 * 모든 표현식의 기울기를 계산하여 경사 하강법 최적화를 수행 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy` 라이브러리가 첫 번째 작업을 수행할 수 있지만, 기울기를 계산할 메커니즘이 필요합니다. 이전 섹션에서 개발한 [우리의 프레임워크](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)에서는 `backward` 메서드 내부에서 모든 미분 함수를 수동으로 프로그래밍해야 했습니다. 이 메서드는 역전파를 수행합니다. 이상적으로는 프레임워크가 우리가 정의할 수 있는 *어떤 표현식*의 기울기를 계산할 수 있는 기능을 제공해야 합니다. @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 첨부된 노트북에서 '작업' 섹션을 찾을 수 있습니다. 노트북을 학습하고 작업을 완료하세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ko/lessons/4-ComputerVision/06-IntroCV/README.md index e3e178dd..aab84dbf 100644 --- a/translations/ko/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ko/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [컴퓨터 비전](https://wikipedia.org/wiki/Computer_vision)은 디지털 이미지를 통해 컴퓨터가 고수준의 이해를 할 수 있도록 하는 것을 목표로 하는 학문입니다. 이는 매우 광범위한 정의인데, *이해*라는 것이 사진에서 객체를 찾는 것(**객체 탐지**), 무슨 일이 일어나고 있는지 이해하는 것(**이벤트 탐지**), 사진을 텍스트로 설명하는 것, 또는 3D로 장면을 재구성하는 것 등 다양한 의미를 가질 수 있기 때문입니다. 또한 인간 이미지를 다루는 특별한 작업들도 있습니다: 나이와 감정 추정, 얼굴 탐지 및 식별, 3D 자세 추정 등이 그 예입니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/11) 컴퓨터 비전의 가장 간단한 작업 중 하나는 **이미지 분류**입니다. @@ -105,7 +105,7 @@ OpenCV를 사용하여 비디오를 프레임 단위로 로드할 수도 있습 AI 쇼의 [이 비디오](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)를 시청하여 Cortic Tigers 프로젝트와 로봇을 통해 컴퓨터 비전 작업을 민주화하는 블록 기반 솔루션을 구축한 방법을 알아보세요. 이와 유사하게 새로운 학습자를 컴퓨터 비전 분야로 유도하는 다른 프로젝트를 조사해 보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ko/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 7cf10003..5ef9305b 100644 --- a/translations/ko/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ko/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet은 크기가 작아 모바일 기기에 적합한 모델 계열입니 첨부된 노트북의 하단에는 더 높은 정확도를 얻는 방법에 대한 메모가 있습니다. 실험을 통해 더 높은 정확도를 달성할 수 있는지 확인해 보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ko/lessons/4-ComputerVision/07-ConvNets/README.md index f4a9cefe..9ff867b2 100644 --- a/translations/ko/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ko/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이전에 신경망이 이미지를 처리하는 데 매우 효과적이라는 것을 살펴보았습니다. 심지어 단일 계층 퍼셉트론도 MNIST 데이터셋의 손글씨 숫자를 상당히 높은 정확도로 인식할 수 있습니다. 하지만 MNIST 데이터셋은 매우 특별하며, 모든 숫자가 이미지 중앙에 위치해 있어 작업이 더 간단해집니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/13) 실제 상황에서는 이미지 내에서 객체의 정확한 위치와 상관없이 객체를 인식할 수 있어야 합니다. 컴퓨터 비전은 일반적인 분류와는 다릅니다. 특정 객체를 이미지에서 찾으려 할 때, 우리는 특정 **패턴**과 그 조합을 찾기 위해 이미지를 스캔합니다. 예를 들어, 고양이를 찾으려 할 때, 먼저 수평선을 찾아 수염을 형성할 수 있고, 그런 다음 특정 수염 조합이 실제로 고양이 사진임을 알려줄 수 있습니다. 특정 패턴의 상대적 위치와 존재는 중요하지만, 이미지 내에서의 정확한 위치는 중요하지 않습니다. diff --git a/translations/ko/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ko/lessons/4-ComputerVision/08-TransferLearning/README.md index 70a623b5..ac273a34 100644 --- a/translations/ko/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ko/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN을 훈련시키는 데는 많은 시간이 걸리며, 이를 위해 많은 데이터가 필요합니다. 하지만 대부분의 시간은 네트워크가 이미지를 통해 패턴을 추출할 수 있는 최적의 저수준 필터를 학습하는 데 소비됩니다. 여기서 자연스럽게 이런 질문이 떠오릅니다. 한 데이터셋에서 훈련된 신경망을 사용하여 완전한 훈련 과정 없이 다른 이미지를 분류하도록 적응시킬 수 있을까요? -## [사전 강의 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [사전 강의 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/15) 이 접근법은 **전이 학습**이라고 불리며, 한 신경망 모델에서 다른 모델로 지식을 전이하는 것을 의미합니다. 전이 학습에서는 일반적으로 **ImageNet**과 같은 대규모 이미지 데이터셋에서 훈련된 사전 학습 모델을 시작점으로 사용합니다. 이러한 모델은 이미 일반적인 이미지에서 다양한 특징을 추출하는 데 능숙하며, 많은 경우 이러한 추출된 특징 위에 분류기를 구축하는 것만으로도 좋은 결과를 얻을 수 있습니다. @@ -76,7 +76,7 @@ Keras와 PyTorch는 대부분 ImageNet 이미지로 훈련된 일반적인 아 동반 노트북의 하단에는 전이 학습이 어느 정도 유사한 훈련 데이터(예: 새로운 종류의 동물)와 가장 잘 작동한다는 내용이 있습니다. 완전히 새로운 유형의 이미지를 사용하여 실험을 진행하며 전이 학습 모델이 얼마나 잘 또는 못 작동하는지 확인해보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ko/lessons/4-ComputerVision/09-Autoencoders/README.md index 74b6705f..f3da1cae 100644 --- a/translations/ko/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ko/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN(합성곱 신경망)을 훈련할 때, 문제 중 하나는 많은 양의 라벨링된 데이터가 필요하다는 점입니다. 이미지 분류의 경우, 이미지를 서로 다른 클래스에 나누는 작업이 필요하며, 이는 수작업으로 이루어집니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/17) 하지만, CNN 특징 추출기를 훈련하기 위해 라벨이 없는 원시 데이터(비라벨링 데이터)를 사용하고 싶을 수도 있습니다. 이를 **자기 지도 학습(self-supervised learning)**이라고 합니다. 라벨 대신, 훈련 이미지를 네트워크의 입력과 출력으로 사용합니다. **오토인코더(autoencoder)**의 주요 아이디어는 입력 이미지를 **잠재 공간(latent space)**으로 변환하는 **인코더 네트워크**와, 원본 이미지를 재구성하는 것을 목표로 하는 **디코더 네트워크**를 사용하는 것입니다. @@ -80,7 +80,7 @@ VAE의 중요한 장점 중 하나는 잠재 벡터를 샘플링할 분포를 * **손실 발생** - 재구성된 이미지는 원본 이미지와 동일하지 않습니다. 손실의 성격은 훈련 중 사용된 *손실 함수*에 의해 정의됩니다. * **비라벨링 데이터**에서 작동 -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 결론 @@ -90,7 +90,7 @@ VAE의 중요한 장점 중 하나는 잠재 벡터를 샘플링할 분포를 이 강의에서는 이미지에 오토인코더를 사용하는 방법을 배웠습니다. 하지만 오토인코더는 음악에도 사용할 수 있습니다! Magenta 프로젝트의 [MusicVAE](https://magenta.tensorflow.org/music-vae)를 확인해보세요. 이 프로젝트는 오토인코더를 사용하여 음악을 재구성하는 방법을 학습합니다. 이 라이브러리를 사용하여 [실험](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)을 진행하며 무엇을 만들 수 있는지 확인해보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/10-GANs/README.md b/translations/ko/lessons/4-ComputerVision/10-GANs/README.md index 8ae52317..5350d8ff 100644 --- a/translations/ko/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ko/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이전 섹션에서는 **생성 모델**에 대해 배웠습니다. 생성 모델은 학습 데이터셋에 있는 이미지와 유사한 새로운 이미지를 생성할 수 있는 모델입니다. VAE는 생성 모델의 좋은 예시였습니다. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) 하지만 VAE를 사용하여 합리적인 해상도의 그림과 같이 정말 의미 있는 것을 생성하려고 하면 학습이 잘 수렴하지 않는다는 것을 알게 됩니다. 이러한 경우에는 생성 모델에 특화된 또 다른 아키텍처인 **생성적 적대 신경망(GAN)**에 대해 배워야 합니다. @@ -84,7 +84,7 @@ GAN은 예술적인 이미지를 생성하는 훌륭한 방법입니다. 또 다 ## ✍️ 예제: [스타일 전이](../../../../../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) ## 결론 diff --git a/translations/ko/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ko/lessons/4-ComputerVision/11-ObjectDetection/README.md index 3ee7dcaf..2d17be9c 100644 --- a/translations/ko/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ko/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 지금까지 다룬 이미지 분류 모델은 이미지를 입력받아 MNIST 문제에서 '숫자'와 같은 범주형 결과를 출력했습니다. 하지만 많은 경우, 단순히 사진에 객체가 있다는 것을 아는 것만으로는 충분하지 않습니다. 우리는 객체의 정확한 위치를 파악하고 싶어합니다. 이것이 바로 **객체 탐지**의 핵심입니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![객체 탐지](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ko.png) @@ -171,7 +171,7 @@ YOLO에 대한 다음 글과 노트북을 읽고 직접 시도해 보세요: * YOLO: [Keras 구현](https://github.com/experiencor/keras-yolo2), [단계별 노트북](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras 구현](https://github.com/experiencor/keras-yolo2), [단계별 노트북](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ko/lessons/4-ComputerVision/12-Segmentation/README.md index eebe64c0..591e8b96 100644 --- a/translations/ko/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ko/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이전에 우리는 객체 감지(Object Detection)에 대해 배웠습니다. 객체 감지는 이미지에서 객체의 *바운딩 박스*를 예측하여 위치를 찾을 수 있게 해줍니다. 하지만 일부 작업에서는 바운딩 박스뿐만 아니라 더 정밀한 객체 위치 정보가 필요합니다. 이러한 작업을 **세그멘테이션(Segmentation)**이라고 합니다. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) 세그멘테이션은 **픽셀 분류**로 볼 수 있습니다. 이미지의 **각** 픽셀에 대해 해당 픽셀이 속하는 클래스를 예측해야 합니다 (*배경*도 클래스 중 하나로 포함됩니다). 주요 세그멘테이션 알고리즘은 두 가지가 있습니다: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## 결론 diff --git a/translations/ko/lessons/5-NLP/13-TextRep/README.md b/translations/ko/lessons/5-NLP/13-TextRep/README.md index 6cd9774d..b5d5ac39 100644 --- a/translations/ko/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ko/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 텍스트를 텐서로 표현하기 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## 텍스트 분류 @@ -73,7 +73,7 @@ BoW의 문제는 *and*, *is*와 같은 일반적인 단어가 대부분의 텍 Bag-of-Words와 다양한 데이터 모델을 사용하여 다른 연습을 시도해 보세요. 이 [Kaggle 대회](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words)에서 영감을 받을 수 있습니다. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/14-Embeddings/README.md b/translations/ko/lessons/5-NLP/14-Embeddings/README.md index 4d8c3843..7cf34d0c 100644 --- a/translations/ko/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ko/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 임베딩 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/27) BoW 또는 TF/IDF 기반의 분류기를 학습시킬 때, 우리는 `vocab_size` 길이의 고차원 bag-of-words 벡터를 사용했으며, 저차원 위치 표현 벡터를 희소한 원-핫 표현으로 명시적으로 변환했습니다. 하지만 이 원-핫 표현은 메모리 효율적이지 않습니다. 게다가 각 단어는 서로 독립적으로 처리되며, 원-핫 인코딩된 벡터는 단어 간의 의미적 유사성을 표현하지 못합니다. @@ -65,7 +65,7 @@ Word2Vec와 같은 전통적인 사전 학습 임베딩 표현의 주요 한계 Word2Vec는 노래 가사와 시를 생성하는 등 흥미로운 응용 프로그램에 사용되었습니다. [이 글](https://www.politetype.com/blog/word2vec-color-poems)을 읽어보세요. 작성자가 Word2Vec를 사용해 시를 생성하는 과정을 설명합니다. 또한 [Dan Shiffmann의 이 영상](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)을 시청하여 이 기술에 대한 다른 설명을 확인하세요. 그런 다음 Kaggle에서 텍스트 코퍼스를 가져와 자신의 텍스트 코퍼스에 이 기술을 적용해 보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ko/lessons/5-NLP/15-LanguageModeling/README.md index c64fc534..367058a0 100644 --- a/translations/ko/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ko/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Word2Vec와 GloVe와 같은 의미 임베딩은 사실 **언어 모델링**을 향한 첫걸음입니다. 이는 언어의 본질을 *이해*하거나 (*표현*)하는 모델을 만드는 것을 목표로 합니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/29) 언어 모델링의 주요 아이디어는 비지도 학습 방식으로 라벨이 없는 데이터셋을 학습시키는 것입니다. 이는 라벨이 없는 텍스트는 방대한 양이 존재하는 반면, 라벨이 있는 텍스트는 라벨링에 필요한 노력의 한계로 인해 항상 제한적일 수밖에 없기 때문에 중요합니다. 대부분의 경우, 텍스트에서 **누락된 단어를 예측**할 수 있는 언어 모델을 구축할 수 있습니다. 이는 텍스트에서 임의의 단어를 마스킹 처리하고 이를 학습 샘플로 사용하는 것이 쉽기 때문입니다. @@ -38,7 +38,7 @@ Word2Vec와 GloVe와 같은 의미 임베딩은 사실 **언어 모델링**을 이전 강의에서 단어 임베딩이 마치 마법처럼 작동한다는 것을 확인했습니다! 이제 단어 임베딩 학습이 매우 복잡한 작업이 아니라는 것을 알게 되었으며, 필요하다면 특정 도메인 텍스트를 위한 자체 단어 임베딩을 학습시킬 수 있을 것입니다. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/16-RNN/README.md b/translations/ko/lessons/5-NLP/16-RNN/README.md index 6a10f6ce..1ffe6b58 100644 --- a/translations/ko/lessons/5-NLP/16-RNN/README.md +++ b/translations/ko/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 순환 신경망 (Recurrent Neural Networks) -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/31) 이전 섹션에서는 텍스트의 풍부한 의미 표현과 임베딩 위에 간단한 선형 분류기를 사용했습니다. 이 아키텍처는 문장에서 단어의 집합적인 의미를 포착하지만, 임베딩 위의 집계 작업이 원본 텍스트에서 이 정보를 제거했기 때문에 단어의 **순서**를 고려하지 않습니다. 이러한 모델은 단어 순서를 모델링할 수 없기 때문에 텍스트 생성이나 질문 응답과 같은 더 복잡하거나 모호한 작업을 해결할 수 없습니다. @@ -84,7 +84,7 @@ LSTM에 대한 문헌을 읽고 그 응용 사례를 고려해보세요: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ko/lessons/5-NLP/17-GenerativeNetworks/README.md index 989a5717..8ad412fd 100644 --- a/translations/ko/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ko/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 생성 네트워크 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/33) 순환 신경망(RNN)과 Long Short Term Memory Cells(LSTM), Gated Recurrent Units(GRU)와 같은 게이트 셀 변형은 단어 순서를 학습하고 시퀀스에서 다음 단어를 예측할 수 있는 언어 모델링 메커니즘을 제공합니다. 이를 통해 RNN을 **생성 작업**에 사용할 수 있으며, 일반적인 텍스트 생성, 기계 번역, 이미지 캡션 생성 등 다양한 작업에 활용할 수 있습니다. @@ -71,7 +71,7 @@ Microsoft Learn에서 이 주제에 대한 강의를 들어보세요: * [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)를 활용한 텍스트 생성 -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/18-Transformers/README.md b/translations/ko/lessons/5-NLP/18-Transformers/README.md index 44ca6bab..34033fdc 100644 --- a/translations/ko/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ko/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 어텐션 메커니즘과 트랜스포머 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP 분야에서 가장 중요한 문제 중 하나는 **기계 번역**으로, Google Translate와 같은 도구의 핵심 과제입니다. 이 섹션에서는 기계 번역, 더 일반적으로는 **문장 변환**이라고도 불리는 *시퀀스-투-시퀀스* 작업에 대해 집중적으로 다룰 것입니다. @@ -108,7 +108,7 @@ RNN을 사용하면 시퀀스-투-시퀀스 작업은 두 개의 순환 네트 ## 🚀 도전 과제 -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/ko/lessons/5-NLP/18-Transformers/READMEtransformers.md index ed347581..49abe240 100644 --- a/translations/ko/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/ko/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # 주의 메커니즘과 트랜스포머 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/35) 자연어 처리(NLP) 분야에서 가장 중요한 문제 중 하나는 **기계 번역**으로, Google Translate와 같은 도구의 기초가 되는 필수 작업입니다. 이 섹션에서는 기계 번역, 또는 더 일반적으로는 모든 *시퀀스-투-시퀀스* 작업(이 작업은 **문장 전이**라고도 불림)에 초점을 맞출 것입니다. @@ -99,7 +99,7 @@ RNN을 사용하면 시퀀스-투-시퀀스는 두 개의 순환 네트워크로 ## 🚀 도전 -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 복습 및 자습 diff --git a/translations/ko/lessons/5-NLP/19-NER/README.md b/translations/ko/lessons/5-NLP/19-NER/README.md index 762cb637..c1771fce 100644 --- a/translations/ko/lessons/5-NLP/19-NER/README.md +++ b/translations/ko/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 지금까지 우리는 주로 하나의 NLP 작업인 분류에 집중해 왔습니다. 하지만 신경망을 사용하여 수행할 수 있는 다른 NLP 작업도 있습니다. 그 중 하나가 **[개체명 인식](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)으로, 텍스트 내에서 장소, 사람 이름, 날짜-시간 간격, 화학식 등 특정 개체를 인식하는 작업을 다룹니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER 사용 예시 @@ -79,7 +79,7 @@ NER 모델은 **토큰 분류 모델**로, 토큰 분류를 수행하는 데 사 아래 링크된 과제를 완료하여 의료 용어를 위한 개체명 인식 모델을 훈련한 후, 다른 데이터셋에서 이를 시도해 보세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/5-NLP/20-LangModels/README.md b/translations/ko/lessons/5-NLP/20-LangModels/README.md index 47664f43..622f6991 100644 --- a/translations/ko/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ko/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이전의 모든 작업에서는 레이블이 지정된 데이터셋을 사용하여 특정 작업을 수행하도록 신경망을 훈련했습니다. BERT와 같은 대형 트랜스포머 모델에서는 자기 지도 학습 방식으로 언어 모델링을 사용하여 언어 모델을 구축한 후, 추가적인 도메인 특화 훈련을 통해 특정 다운스트림 작업에 최적화합니다. 그러나 대형 언어 모델이 도메인 특화 훈련 없이도 많은 작업을 해결할 수 있다는 것이 입증되었습니다. 이러한 작업을 수행할 수 있는 모델 계열을 **GPT**(Generative Pre-Trained Transformer)라고 합니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 텍스트 생성과 퍼플렉시티 @@ -59,7 +59,7 @@ GPT는 방대한 데이터로 언어와 코드를 이해하도록 훈련되었 새로운 일반 사전 학습 언어 모델은 단순히 언어 구조를 모델링하는 것뿐만 아니라 방대한 자연어를 포함하고 있습니다. 따라서 일부 NLP 작업을 제로샷 또는 퓨샷 설정에서 효과적으로 해결할 수 있습니다. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/40) **면책 조항**: 이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다. \ No newline at end of file diff --git a/translations/ko/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/ko/lessons/5-NLP/20-LangModels/READMELargeLang.md index ab69eb52..77e21ff3 100644 --- a/translations/ko/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/ko/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ 이전의 모든 작업에서 우리는 레이블이 붙은 데이터 세트를 사용하여 특정 작업을 수행하도록 신경망을 훈련시켰습니다. BERT와 같은 대규모 변환기 모델을 사용하여 우리는 자가 지도 방식으로 언어 모델을 구축하고, 이후 특정 도메인에 맞춘 추가 훈련을 통해 특정 다운스트림 작업에 특화시킵니다. 그러나 대규모 언어 모델이 도메인 특정 훈련 없이도 많은 작업을 해결할 수 있다는 것이 입증되었습니다. 이를 수행할 수 있는 모델의 집합을 **GPT**(Generative Pre-Trained Transformer)라고 합니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 텍스트 생성 및 당혹감 @@ -49,7 +49,7 @@ GPT는 언어와 코드를 이해하기 위해 방대한 양의 데이터로 훈 새로운 일반 사전 훈련된 언어 모델은 언어 구조를 모델링할 뿐만 아니라 방대한 양의 자연어를 포함하고 있습니다. 따라서 이들은 제로 샷 또는 몇 샷 설정에서 일부 NLP 작업을 효과적으로 해결하는 데 사용할 수 있습니다. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/40) **면책 조항**: 이 문서는 기계 기반 AI 번역 서비스를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역에는 오류나 부정확성이 있을 수 있습니다. 원본 문서는 해당 언어로 된 권위 있는 출처로 간주되어야 합니다. 중요한 정보에 대해서는 전문적인 인간 번역을 권장합니다. 이 번역을 사용하여 발생하는 오해나 잘못 해석에 대해 우리는 책임을 지지 않습니다. \ No newline at end of file diff --git a/translations/ko/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ko/lessons/6-Other/21-GeneticAlgorithms/README.md index 4f051fb6..57704f0f 100644 --- a/translations/ko/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ko/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 유전 알고리즘 -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/41) **유전 알고리즘**(Genetic Algorithms, GA)은 **진화적 접근법**을 기반으로 한 AI 방법으로, 인구의 진화 과정을 사용하여 주어진 문제에 대한 최적의 해결책을 찾습니다. 유전 알고리즘은 1975년 [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland)에 의해 제안되었습니다. @@ -67,7 +67,7 @@ CO_OP_TRANSLATOR_METADATA: "유전 알고리즘은 구현하기는 간단하지만, 그 동작을 이해하기는 어렵다." [출처](https://wikipedia.org/wiki/Genetic_algorithm) 유전 알고리즘을 사용하여 예를 들어 스도쿠 퍼즐을 해결하는 구현을 찾아보고, 이를 스케치 또는 흐름도로 설명하세요. -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/6-Other/22-DeepRL/README.md b/translations/ko/lessons/6-Other/22-DeepRL/README.md index a8fed370..93326227 100644 --- a/translations/ko/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ko/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 강화 학습(RL)은 지도 학습과 비지도 학습과 함께 기본적인 머신 러닝 패러다임 중 하나로 간주됩니다. 지도 학습에서는 결과가 알려진 데이터셋에 의존하는 반면, RL은 **직접 행동하며 배우는 것**에 기반합니다. 예를 들어, 처음 컴퓨터 게임을 접했을 때 규칙을 몰라도 게임을 시작하고, 게임을 하면서 행동을 조정하는 과정을 통해 점차 실력을 향상시킬 수 있습니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL을 수행하기 위해 필요한 요소는 다음과 같습니다: @@ -110,7 +110,7 @@ RL 알고리즘의 목표는 모델, 즉 **정책** π를 훈련시키는 것입 '기타 RL 작업' 섹션에 나열된 응용 프로그램을 탐색하고 하나를 구현해보세요! -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 복습 및 자기 학습 diff --git a/translations/ko/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ko/lessons/6-Other/23-MultiagentSystems/README.md index f0a686e0..211749d7 100644 --- a/translations/ko/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ko/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 지능을 달성하는 가능한 방법 중 하나는 **발현적**(또는 **시너지적**) 접근법으로, 이는 비교적 간단한 여러 에이전트의 결합된 행동이 시스템 전체적으로 더 복잡하거나 지능적인 행동을 만들어낼 수 있다는 사실에 기반합니다. 이론적으로, 이는 [집단 지능](https://en.wikipedia.org/wiki/Collective_intelligence), [발현주의](https://en.wikipedia.org/wiki/Global_brain), [진화적 사이버네틱스](https://en.wikipedia.org/wiki/Global_brain)의 원칙에 기반하며, 상위 시스템이 하위 시스템을 적절히 결합했을 때 추가적인 가치를 얻는다는 (*메타시스템 전환의 원칙*) 개념을 포함합니다. -## [강의 전 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/45) **다중 에이전트 시스템**의 방향은 1990년대 인터넷과 분산 시스템의 성장에 대한 응답으로 AI에서 등장했습니다. 고전적인 AI 교과서 중 하나인 [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)는 다중 에이전트 시스템 관점에서 고전적인 AI를 다룹니다. @@ -153,7 +153,7 @@ Flocking 예제를 실행하고 행동을 관찰할 수 있습니다. 또한 * 이 수업을 실제 세계에 적용하여 문제를 해결할 수 있는 다중 에이전트 시스템을 구상해보세요. 예를 들어, 학교 버스 경로를 최적화하기 위해 다중 에이전트 시스템이 무엇을 해야 할까요? 빵집에서는 어떻게 작동할 수 있을까요? -## [강의 후 퀴즈](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## 복습 및 자기 학습 diff --git a/translations/lt/lessons/1-Intro/README.md b/translations/lt/lessons/1-Intro/README.md index 2a74ab64..89cebbce 100644 --- a/translations/lt/lessons/1-Intro/README.md +++ b/translations/lt/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Piešinys sukurtas [Tomomi Imura](https://twitter.com/girlie_mac) -## [Prieš paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Dirbtinis intelektas** yra įdomi mokslinė disciplina, kuri tiria, kaip galime priversti kompiuterius demonstruoti intelektualų elgesį, pvz., atlikti tuos dalykus, kuriuos žmonės geba daryti geriausiai. @@ -150,7 +150,7 @@ Per pastaruosius kelerius metus mes stebėjome didžiules sėkmes su dideliais k Pasidomėkite internete, kur, jūsų nuomone, AI yra efektyviausiai naudojamas. Ar tai žemėlapių programėlė, kalbos atpažinimo paslauga ar vaizdo žaidimas? Ištyrinėkite, kaip sistema buvo sukurta. -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/2-Symbolic/README.md b/translations/lt/lessons/2-Symbolic/README.md index d9d95574..fc42a4aa 100644 --- a/translations/lt/lessons/2-Symbolic/README.md +++ b/translations/lt/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Dirbtinio intelekto siekis grindžiamas žinių paieška, siekiant suprasti pasaulį taip, kaip tai daro žmonės. Bet kaip tai galima pasiekti? -## [Prieš paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/3) Ankstyvosiomis AI dienomis populiarus buvo aukštyn-nusileidžiantis požiūris į intelektualių sistemų kūrimą (aptartas ankstesnėje pamokoje). Idėja buvo išgauti žinias iš žmonių į mašinai suprantamą formą ir tada jas naudoti problemoms automatiškai spręsti. Šis požiūris buvo pagrįstas dviem pagrindinėmis idėjomis: @@ -236,7 +236,7 @@ Išbandykite [MSConceptGraph.ipynb](https://github.com/microsoft/AI-For-Beginner Šeimos Ontologijos užrašų knygelėje, susijusioje su šia pamoka, yra galimybė eksperimentuoti su kitais šeimos ryšiais. Pabandykite atrasti naujus ryšius tarp žmonių šeimos medyje. -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/lt/lessons/3-NeuralNetworks/03-Perceptron/README.md index 255219f3..a8da711c 100644 --- a/translations/lt/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/lt/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Įvadas į neuroninius tinklus: Perceptronas -## [Prieš paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/5) Vienas iš pirmųjų bandymų sukurti kažką panašaus į šiuolaikinį neuroninį tinklą buvo atliktas Franko Rosenblatto iš Kornelio aeronautikos laboratorijos 1957 metais. Tai buvo aparatinės įrangos įgyvendinimas, pavadintas „Mark-1“, sukurtas atpažinti primityvias geometrines figūras, tokias kaip trikampiai, kvadratai ir apskritimai. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Jei norite pabandyti sukurti savo perceptroną, išbandykite [šį laboratorinį darbą Microsoft Learn platformoje](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), kuris naudoja [Azure ML dizainerį](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/lt/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 7f22ffa8..863eecf4 100644 --- a/translations/lt/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/lt/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Ankstesniame skyriuje sužinojote apie paprasčiausią neuroninio tinklo modelį Taip pat sukursime savo modulinę sistemą Python kalboje, kuri leis mums konstruoti įvairias neuroninių tinklų architektūras. -## [Prieš paskaitą vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Prieš paskaitą vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Mašininio mokymosi formalizavimas @@ -81,7 +81,7 @@ Pridedamoje užrašų knygelėje įgyvendinsite savo sistemą daugiasluoksnių p Pereikite prie [OwnFramework](OwnFramework.ipynb) užrašų knygelės ir dirbkite su ja. -## [Po paskaitos vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Po paskaitos vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/lt/lessons/3-NeuralNetworks/05-Frameworks/README.md index 9efc4692..b7c972bf 100644 --- a/translations/lt/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/lt/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Kaip jau išmokome, norint efektyviai treniruoti neuroninius tinklus, reikia atl * Dirbti su tensoriais, pvz., dauginti, sudėti ir apskaičiuoti tam tikras funkcijas, tokias kaip sigmoidė ar softmax * Apskaičiuoti visų išraiškų gradientus, kad būtų galima atlikti gradientinio nusileidimo optimizaciją -## [Prieš paskaitą atlikite testą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Prieš paskaitą atlikite testą](https://ff-quizzes.netlify.app/en/ai/quiz/9) Nors `numpy` biblioteka gali atlikti pirmąją dalį, mums reikia mechanizmo gradientams apskaičiuoti. [Mūsų karkase](../04-OwnFramework/OwnFramework.ipynb), kurį sukūrėme ankstesniame skyriuje, turėjome rankiniu būdu programuoti visas išvestines funkcijas `backward` metode, kuris atlieka atgalinį sklidimą. Idealiu atveju karkasas turėtų suteikti galimybę apskaičiuoti *bet kurios išraiškos* gradientus, kuriuos galime apibrėžti. @@ -106,7 +106,7 @@ Treniravimo metu šališkumo klaida mažėja (kai mūsų modelis mokosi aproksim Pridedamuose užrašuose rasite „užduotis“ apačioje; peržiūrėkite užrašus ir atlikite užduotis. -## [Po paskaitos atlikite testą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Po paskaitos atlikite testą](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/lt/lessons/4-ComputerVision/06-IntroCV/README.md index 91705f69..55a6d91e 100644 --- a/translations/lt/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/lt/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Kompiuterinis matymas](https://wikipedia.org/wiki/Computer_vision) yra disciplina, kurios tikslas – leisti kompiuteriams suprasti skaitmeninius vaizdus aukštu lygiu. Tai gana plati sąvoka, nes *supratimas* gali reikšti daugybę dalykų, įskaitant objekto radimą nuotraukoje (**objektų atpažinimas**), įvykių atpažinimą (**įvykių detekcija**), nuotraukos aprašymą tekstu ar scenos atkūrimą 3D formatu. Taip pat yra specialių užduočių, susijusių su žmogaus atvaizdais: amžiaus ir emocijų nustatymas, veido aptikimas ir atpažinimas, 3D pozos nustatymas ir kt. -## [Prieš paskaitą: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/11) Viena iš paprasčiausių kompiuterinio matymo užduočių yra **vaizdų klasifikacija**. @@ -105,7 +105,7 @@ Kartais, palyginti sudėtingos užduotys, tokios kaip judesio ar pirštų galiuk Peržiūrėkite [šį vaizdo įrašą](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) iš AI šou, kad sužinotumėte apie Cortic Tigers projektą ir kaip jie sukūrė blokų pagrindu veikiančią sprendimą, skirtą kompiuterinio matymo užduotims demokratizuoti per robotą. Atlikite tyrimą apie kitus panašius projektus, kurie padeda naujokams įsitraukti į šią sritį. -## [Po paskaitos: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Po paskaitos: testas](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/lt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 93714acc..f875b79d 100644 --- a/translations/lt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/lt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet yra modelių šeima, turinti sumažintą dydį, tinkama naudoti mobili Pridedamuose užrašų knygelėse apačioje yra pastabų apie tai, kaip pasiekti didesnį tikslumą. Atlikite eksperimentus ir pažiūrėkite, ar galite pasiekti didesnį tikslumą. -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/lt/lessons/4-ComputerVision/07-ConvNets/README.md index a8590185..3c843fec 100644 --- a/translations/lt/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/lt/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Anksčiau matėme, kad neuroniniai tinklai puikiai susidoroja su vaizdais, ir net vieno sluoksnio perceptronas gali atpažinti ranka rašytus skaitmenis iš MNIST duomenų rinkinio su pakankamu tikslumu. Tačiau MNIST duomenų rinkinys yra labai specifinis – visi skaitmenys yra centruoti vaizde, todėl užduotis tampa paprastesnė. -## [Klausimynas prieš paskaitą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Klausimynas prieš paskaitą](https://ff-quizzes.netlify.app/en/ai/quiz/13) Realiame gyvenime norime atpažinti objektus paveikslėlyje, nepaisant jų tikslios vietos vaizde. Kompiuterinis matymas skiriasi nuo bendro klasifikavimo, nes bandydami rasti tam tikrą objektą paveikslėlyje, skenuojame vaizdą ieškodami specifinių **raštų** ir jų kombinacijų. Pavyzdžiui, ieškodami katės, pirmiausia galime ieškoti horizontalių linijų, kurios gali sudaryti ūsus, o tam tikra ūsų kombinacija gali pasakyti, kad tai iš tiesų katės paveikslėlis. Svarbi yra santykinė tam tikrų raštų padėtis ir buvimas, o ne jų tiksli vieta vaizde. diff --git a/translations/lt/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/lt/lessons/4-ComputerVision/08-TransferLearning/README.md index db83233a..9a1a4fdb 100644 --- a/translations/lt/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/lt/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN mokymas gali užtrukti daug laiko, o tam reikia daug duomenų. Tačiau didžioji dalis laiko skiriama geriausių žemo lygio filtrų mokymuisi, kuriuos tinklas gali naudoti norėdamas išgauti vaizdų raštus. Kyla natūralus klausimas – ar galime naudoti neuroninį tinklą, apmokytą viename duomenų rinkinyje, ir pritaikyti jį skirtingų vaizdų klasifikavimui, nereikalaujant pilno mokymo proceso? -## [Prieš paskaitą viktorina](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Prieš paskaitą viktorina](https://ff-quizzes.netlify.app/en/ai/quiz/15) Šis metodas vadinamas **perkėlimo mokymusi**, nes mes perkeliam tam tikras žinias iš vieno neuroninio tinklo modelio į kitą. Perkėlimo mokymesi paprastai pradedame nuo iš anksto apmokyto modelio, kuris buvo apmokytas naudojant didelį vaizdų duomenų rinkinį, pvz., **ImageNet**. Šie modeliai jau gerai išgauna įvairias savybes iš bendrinių vaizdų, ir daugeliu atvejų tiesiog sukūrus klasifikatorių ant šių išgautų savybių galima pasiekti gerą rezultatą. @@ -76,7 +76,7 @@ Naudodami perkėlimo mokymąsi, galite greitai sukurti klasifikatorių pagal už Pridedamose užrašų knygelėse yra pastabų apačioje apie tai, kaip perkėlimo žinios geriausiai veikia su šiek tiek panašiais mokymo duomenimis (galbūt naujo tipo gyvūnu). Atlikite eksperimentus su visiškai naujais vaizdų tipais, kad pamatytumėte, kaip gerai ar prastai veikia jūsų perkėlimo žinių modeliai. -## [Po paskaitos viktorina](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Po paskaitos viktorina](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/lt/lessons/4-ComputerVision/09-Autoencoders/README.md index 71fe116f..7669976f 100644 --- a/translations/lt/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/lt/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Mokant CNN, viena iš problemų yra ta, kad reikia daug pažymėtų duomenų. Vaizdų klasifikavimo atveju reikia rankiniu būdu suskirstyti vaizdus į skirtingas klases. -## [Prieš paskaitą vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Prieš paskaitą vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/17) Tačiau galime norėti naudoti neapdorotus (nepažymėtus) duomenis CNN funkcijų ištraukėjų mokymui, vadinamą **savaiminio mokymosi** metodu. Vietoj etikečių naudosime mokymo vaizdus tiek kaip tinklo įvestį, tiek kaip išvestį. Pagrindinė **autoenkoderio** idėja yra turėti **enkoderio tinklą**, kuris paverčia įvesties vaizdą į tam tikrą **latentę erdvę** (paprastai tai yra mažesnio dydžio vektorius), ir **dekoderio tinklą**, kurio tikslas yra atkurti originalų vaizdą. @@ -80,7 +80,7 @@ Sužinokite daugiau apie autoenkoderius šiuose atitinkamuose užrašų knygelė * **Nuostolingumas** – atkurtas vaizdas nėra toks pat kaip originalus vaizdas. Nuostolių pobūdis apibrėžiamas *nuostolių funkcija*, naudojama mokymo metu. * Veikia su **nepažymėtais duomenimis** -## [Po paskaitos vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Po paskaitos vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Išvada @@ -90,7 +90,7 @@ Sužinokite daugiau apie autoenkoderius šiuose atitinkamuose užrašų knygelė Šioje pamokoje sužinojote apie autoenkoderių naudojimą vaizdams. Tačiau jie gali būti naudojami ir muzikai! Peržiūrėkite Magenta projekto [MusicVAE](https://magenta.tensorflow.org/music-vae) projektą, kuris naudoja autoenkoderius muzikos atkūrimui išmokti. Atlikite keletą [eksperimentų](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) su šia biblioteka ir pažiūrėkite, ką galite sukurti. -## [Po paskaitos vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Po paskaitos vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/10-GANs/README.md b/translations/lt/lessons/4-ComputerVision/10-GANs/README.md index 0120c38a..4fe61e03 100644 --- a/translations/lt/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/lt/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ankstesniame skyriuje sužinojome apie **generatyvinius modelius**: modelius, kurie gali generuoti naujus vaizdus, panašius į tuos, kurie yra mokymo duomenų rinkinyje. VAE buvo geras generatyvinio modelio pavyzdys. -## [Klausimynas prieš paskaitą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Klausimynas prieš paskaitą](https://ff-quizzes.netlify.app/en/ai/quiz/19) Tačiau, jei bandysime generuoti kažką tikrai prasmingo, pavyzdžiui, paveikslą su tinkama raiška, naudojant VAE, pastebėsime, kad mokymas nesusikoncentruoja gerai. Šiam tikslui turėtume išmokti apie kitą architektūrą, specialiai skirtą generatyviniams modeliams - **Generatyviniai priešiniai tinklai**, arba GAN. @@ -84,7 +84,7 @@ Kaip tai veikia: ## ✍️ Pavyzdys: [Stiliaus perkėlimas](StyleTransfer.ipynb) -## [Klausimynas po paskaitos](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Klausimynas po paskaitos](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Išvada diff --git a/translations/lt/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/lt/lessons/4-ComputerVision/11-ObjectDetection/README.md index 321e2211..a6457c6b 100644 --- a/translations/lt/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/lt/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vaizdų klasifikavimo modeliai, su kuriais dirbome iki šiol, paimdavo vaizdą ir pateikdavo kategorinį rezultatą, pavyzdžiui, klasę „skaičius“ MNIST užduotyje. Tačiau daugeliu atvejų mums nepakanka žinoti, kad paveikslėlyje yra objektų – mes norime nustatyti jų tikslią vietą. Būtent tai ir yra **objektų atpažinimo** esmė. -## [Prieš paskaitą: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objektų atpažinimas](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.lt.png) @@ -172,7 +172,7 @@ Perskaitykite šiuos straipsnius ir sąsiuvinius apie YOLO ir išbandykite juos * Yolo: [Keras įgyvendinimas](https://github.com/experiencor/keras-yolo2), [žingsnis po žingsnio sąsiuvinis](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras įgyvendinimas](https://github.com/experiencor/keras-yolo2), [žingsnis po žingsnio sąsiuvinis](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Po paskaitos: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Po paskaitos: testas](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/lt/lessons/4-ComputerVision/12-Segmentation/README.md index c4f7a02b..5282ea7f 100644 --- a/translations/lt/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/lt/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Anksčiau mokėmės apie objektų atpažinimą, kuris leidžia nustatyti objektų vietą paveikslėlyje, prognozuojant jų *apibrėžimo dėžutes* (bounding boxes). Tačiau kai kurioms užduotims mums reikia ne tik apibrėžimo dėžučių, bet ir tikslesnės objektų lokalizacijos. Ši užduotis vadinama **segmentacija**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentaciją galima suprasti kaip **pikselių klasifikaciją**, kur kiekvienam paveikslėlio pikseliui turime prognozuoti jo klasę (*fonas* yra viena iš klasių). Yra du pagrindiniai segmentacijos algoritmai: @@ -56,7 +56,7 @@ Atidarykite žemiau pateiktus užrašus, kad sužinotumėte daugiau apie skirtin * [Semantinė segmentacija Pytorch](SemanticSegmentationPytorch.ipynb) * [Semantinė segmentacija 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) ## Išvada diff --git a/translations/lt/lessons/5-NLP/13-TextRep/README.md b/translations/lt/lessons/5-NLP/13-TextRep/README.md index 16a14355..f18cda59 100644 --- a/translations/lt/lessons/5-NLP/13-TextRep/README.md +++ b/translations/lt/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Teksto atvaizdavimas kaip tensoriai -## [Prieš paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Teksto klasifikavimas @@ -73,7 +73,7 @@ Iki šiol išnagrinėjome metodus, kurie gali pridėti dažnio svorį skirtingie Išbandykite kitus pratimus, naudodami žodžių maišą ir skirtingus duomenų modelius. Jus gali įkvėpti šis [Kaggle konkursas](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/14-Embeddings/README.md b/translations/lt/lessons/5-NLP/14-Embeddings/README.md index 827d57b1..d48ba795 100644 --- a/translations/lt/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/lt/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Įterptys -## [Prieš paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/27) Mokant klasifikatorius, pagrįstus BoW arba TF/IDF, mes dirbome su aukštos dimensijos žodžių maišo vektoriais, kurių ilgis buvo `vocab_size`, ir aiškiai konvertavome iš žemos dimensijos pozicinių reprezentacijų vektorių į retą vieno elemento reprezentaciją. Tačiau tokia vieno elemento reprezentacija nėra efektyvi atminties atžvilgiu. Be to, kiekvienas žodis yra traktuojamas nepriklausomai nuo kitų, t. y. vieno elemento koduoti vektoriai neišreiškia jokio semantinio panašumo tarp žodžių. @@ -65,7 +65,7 @@ Iš anksto apmokytos įterptys aukščiau reprezentuoja abi šias žodžio „pl Word2Vec buvo naudojamas kai kurioms įdomioms programoms, įskaitant dainų tekstų ir poezijos generavimą. Peržiūrėkite [šį straipsnį](https://www.politetype.com/blog/word2vec-color-poems), kuriame aprašoma, kaip autorius naudojo Word2Vec poezijai generuoti. Taip pat pažiūrėkite [šį Dan Shiffmann vaizdo įrašą](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), kad sužinotumėte kitokį šios technikos paaiškinimą. Tada pabandykite pritaikyti šias technikas savo tekstų korpusui, galbūt gautam iš Kaggle. -## [Po paskaitos testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/15-LanguageModeling/README.md b/translations/lt/lessons/5-NLP/15-LanguageModeling/README.md index ce7efa52..637f7f35 100644 --- a/translations/lt/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/lt/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantiniai įterpiniai, tokie kaip Word2Vec ir GloVe, iš tiesų yra pirmasis žingsnis link **kalbos modeliavimo** – modelių kūrimo, kurie kažkaip *supranta* (arba *atspindi*) kalbos prigimtį. -## [Prieš paskaitą vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Prieš paskaitą vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/29) Pagrindinė kalbos modeliavimo idėja yra jų mokymas su nepažymėtais duomenų rinkiniais nesupervizuotu būdu. Tai svarbu, nes turime didžiulius kiekius nepažymėto teksto, tuo tarpu pažymėto teksto kiekis visada bus ribotas dėl pastangų, reikalingų jį pažymėti. Dažniausiai galime kurti kalbos modelius, kurie gali **prognozuoti trūkstamus žodžius** tekste, nes lengva atsitiktinai užmaskuoti žodį tekste ir naudoti jį kaip mokymo pavyzdį. @@ -38,7 +38,7 @@ Tęskite mokymąsi šiuose užrašuose: Ankstesnėje pamokoje matėme, kad žodžių įterpiniai veikia kaip magija! Dabar žinome, kad žodžių įterpinių mokymas nėra labai sudėtinga užduotis, ir prireikus turėtume sugebėti apmokyti savo žodžių įterpinius specifiniam tekstui. -## [Po paskaitos vykdomas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Po paskaitos vykdomas testas](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/16-RNN/README.md b/translations/lt/lessons/5-NLP/16-RNN/README.md index 711bb883..787a2d37 100644 --- a/translations/lt/lessons/5-NLP/16-RNN/README.md +++ b/translations/lt/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurentiniai neuroniniai tinklai -## [Prieš paskaitą: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/31) Ankstesnėse dalyse naudojome turtingas semantines tekstų reprezentacijas ir paprastą linijinį klasifikatorių virš įterpimų. Ši architektūra padeda užfiksuoti bendrą žodžių prasmę sakinyje, tačiau ji neatsižvelgia į žodžių **tvarką**, nes įterpimų agregavimo operacija pašalina šią informaciją iš originalaus teksto. Kadangi šie modeliai negali modeliuoti žodžių tvarkos, jie negali spręsti sudėtingesnių ar dviprasmiškų užduočių, tokių kaip teksto generavimas ar klausimų atsakymas. @@ -84,7 +84,7 @@ Perskaitykite literatūrą apie LSTM ir apsvarstykite jų taikymą: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Po paskaitos: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Po paskaitos: testas](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/lt/lessons/5-NLP/17-GenerativeNetworks/README.md index 4b6849dc..9904fbf0 100644 --- a/translations/lt/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/lt/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatyviniai tinklai -## [Klausimynas prieš paskaitą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Klausimynas prieš paskaitą](https://ff-quizzes.netlify.app/en/ai/quiz/33) Pasikartojančių neuroninių tinklų (RNN) ir jų vartų ląstelių variantai, tokie kaip ilgos trumpos atminties ląstelės (LSTM) ir vartų pasikartojančios vienetai (GRU), suteikė mechanizmą kalbos modeliavimui, nes jie gali išmokti žodžių tvarką ir pateikti prognozes apie kitą žodį sekoje. Tai leidžia mums naudoti RNN **generatyvinėms užduotims**, tokioms kaip paprastas teksto generavimas, mašininis vertimas ir net vaizdų aprašymas. @@ -71,7 +71,7 @@ Pasimokykite apie šią temą Microsoft Learn platformoje: * Teksto generavimas su [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) -## [Klausimynas po paskaitos](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Klausimynas po paskaitos](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/18-Transformers/README.md b/translations/lt/lessons/5-NLP/18-Transformers/README.md index 7da018bc..47f9fd2c 100644 --- a/translations/lt/lessons/5-NLP/18-Transformers/README.md +++ b/translations/lt/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Dėmesio mechanizmai ir transformatoriai -## [Prieš paskaitą skirtas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Prieš paskaitą skirtas testas](https://ff-quizzes.netlify.app/en/ai/quiz/35) Vienas svarbiausių NLP (natūralios kalbos apdorojimo) srities uždavinių yra **mašininis vertimas**, esminė užduotis, kurią atlieka tokie įrankiai kaip „Google Translate“. Šioje dalyje mes sutelksime dėmesį į mašininį vertimą arba, plačiau kalbant, į bet kokią *sekos į seką* užduotį (dar vadinamą **sakinių transformacija**). @@ -108,7 +108,7 @@ Tęskite mokymąsi šiose užrašų knygelėse: ## 🚀 Iššūkis -## [Po paskaitos skirtas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Po paskaitos skirtas testas](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/19-NER/README.md b/translations/lt/lessons/5-NLP/19-NER/README.md index 2ccf100f..8d2d37ff 100644 --- a/translations/lt/lessons/5-NLP/19-NER/README.md +++ b/translations/lt/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Iki šiol daugiausia dėmesio skyrėme vienai NLP užduočiai – klasifikacijai. Tačiau yra ir kitų NLP užduočių, kurias galima atlikti naudojant neuroninius tinklus. Viena iš tokių užduočių yra **[Pavadinimų atpažinimas](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), kuris susijęs su specifinių objektų atpažinimu tekste, tokių kaip vietovės, asmenų vardai, datos ir laiko intervalai, cheminės formulės ir pan. -## [Prieš paskaitą: klausimynas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Prieš paskaitą: klausimynas](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER naudojimo pavyzdys @@ -77,7 +77,7 @@ NER modelis yra **žodžių klasifikavimo modelis**, kuris gali būti naudojamas Atlikite žemiau pateiktą užduotį, kad ištreniruotumėte medicininių terminų atpažinimo modelį, o tada išbandykite jį su kitu duomenų rinkiniu. -## [Po paskaitos: klausimynas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Po paskaitos: klausimynas](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/5-NLP/20-LangModels/README.md b/translations/lt/lessons/5-NLP/20-LangModels/README.md index 63af1255..89e9f863 100644 --- a/translations/lt/lessons/5-NLP/20-LangModels/README.md +++ b/translations/lt/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Visose ankstesnėse užduotyse mes treniravome neuroninį tinklą atlikti tam tikrą užduotį, naudodami pažymėtą duomenų rinkinį. Naudojant didelius transformatorių modelius, tokius kaip BERT, kalbos modeliavimas vykdomas savarankiškai prižiūrimu būdu, siekiant sukurti kalbos modelį, kuris vėliau specializuojamas konkrečiai užduočiai su papildomu domeno specifiniu mokymu. Tačiau buvo įrodyta, kad dideli kalbos modeliai gali išspręsti daugelį užduočių ir be JOKIO domeno specifinio mokymo. Modelių šeima, galinti tai padaryti, vadinama **GPT**: Generatyvus iš anksto apmokytas transformatorius. -## [Prieš paskaitą skirtas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Prieš paskaitą skirtas testas](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Teksto generavimas ir sudėtingumas @@ -58,7 +58,7 @@ Tęskite mokymąsi šiose užrašų knygelėse: Nauji bendrieji iš anksto apmokyti kalbos modeliai ne tik modeliuoja kalbos struktūrą, bet ir turi didžiulį natūralios kalbos žinių kiekį. Todėl jie gali būti efektyviai naudojami sprendžiant kai kurias NLP užduotis be mokymo arba su minimaliu mokymu. -## [Po paskaitos skirtas testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Po paskaitos skirtas testas](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/lt/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/lt/lessons/6-Other/21-GeneticAlgorithms/README.md index 66f16ba4..7ba5285c 100644 --- a/translations/lt/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/lt/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetiniai algoritmai -## [Klausimynas prieš paskaitą](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Klausimynas prieš paskaitą](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetiniai algoritmai** (GA) yra pagrįsti **evoliuciniu požiūriu** į dirbtinį intelektą, kuriame naudojami populiacijos evoliucijos metodai, siekiant rasti optimalią sprendimo problemą. Jie buvo pasiūlyti 1975 m. [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetiniai algoritmai naudojami spręsti daugelį problemų, įskaitant logistik "Genetiniai algoritmai yra paprasti įgyvendinti, tačiau jų elgesį sunku suprasti." [šaltinis](https://wikipedia.org/wiki/Genetic_algorithm) Atlikite tyrimą, kad rastumėte genetinio algoritmo įgyvendinimą, pavyzdžiui, sprendžiant Sudoku galvosūkį, ir paaiškinkite, kaip jis veikia eskizu arba srauto schema. -## [Klausimynas po paskaitos](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Klausimynas po paskaitos](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Apžvalga ir savarankiškas mokymasis diff --git a/translations/lt/lessons/6-Other/22-DeepRL/README.md b/translations/lt/lessons/6-Other/22-DeepRL/README.md index 9a4b0ab1..d954aeca 100644 --- a/translations/lt/lessons/6-Other/22-DeepRL/README.md +++ b/translations/lt/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Stiprinamasis mokymasis (angl. Reinforcement Learning, RL) laikomas vienu iš pagrindinių mašininio mokymosi paradigmų, greta prižiūrimojo mokymosi (supervised learning) ir neprižiūrimojo mokymosi (unsupervised learning). Prižiūrimajame mokymesi remiamės duomenų rinkiniu su žinomais rezultatais, o RL pagrįstas **mokymusi per veiksmą**. Pavyzdžiui, kai pirmą kartą matome kompiuterinį žaidimą, pradedame jį žaisti net nežinodami taisyklių, ir netrukus galime pagerinti savo įgūdžius tiesiog žaisdami ir koreguodami savo elgesį. -## [Prieš paskaitą: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/43) Norint atlikti RL, mums reikia: @@ -110,7 +110,7 @@ Dabar išmokome treniruoti agentus, kad jie pasiektų gerų rezultatų, tiesiog Išnagrinėkite taikymus, išvardytus skyriuje „Kiti RL uždaviniai“, ir pabandykite įgyvendinti vieną iš jų! -## [Po paskaitos: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Po paskaitos: testas](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Peržiūra ir savarankiškas mokymasis diff --git a/translations/lt/lessons/6-Other/23-MultiagentSystems/README.md b/translations/lt/lessons/6-Other/23-MultiagentSystems/README.md index 79eff800..4cd91201 100644 --- a/translations/lt/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/lt/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vienas iš galimų būdų pasiekti intelektą yra vadinamasis **emergentinis** (arba **sinerginis**) požiūris, kuris remiasi faktu, kad daugelio palyginti paprastų agentų bendras elgesys gali sukurti sudėtingesnį (arba protingesnį) visos sistemos elgesį. Teoriškai tai grindžiama [Kolektyvinio intelekto](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentizmo](https://en.wikipedia.org/wiki/Global_brain) ir [Evoliucinės kibernetikos](https://en.wikipedia.org/wiki/Global_brain) principais, kurie teigia, kad aukštesnio lygio sistemos įgyja tam tikrą pridėtinę vertę, kai tinkamai sujungiamos iš žemesnio lygio sistemų (vadinamasis *metasistemos perėjimo principas*). -## [Prieš paskaitą: testas](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/45) **Daugiaveiksmių sistemų** kryptis dirbtinio intelekto srityje atsirado 1990-aisiais kaip atsakas į interneto ir paskirstytų sistemų augimą. Viena iš klasikinių dirbtinio intelekto vadovėlių, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), nagrinėja klasikinio dirbtinio intelekto požiūrį iš daugiaveiksmių sistemų perspektyvos. diff --git a/translations/mo/lessons/1-Intro/README.md b/translations/mo/lessons/1-Intro/README.md index be98b980..f8bf6780 100644 --- a/translations/mo/lessons/1-Intro/README.md +++ b/translations/mo/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/1) **人工智慧**是一門令人興奮的科學學科，研究如何讓電腦展現出智能行為，例如執行人類擅長的事情。 @@ -151,7 +151,7 @@ CO_OP_TRANSLATOR_METADATA: 瀏覽互聯網，找出你認為人工智慧最有效的應用場景。是地圖應用程式、語音轉文字服務還是某款電子遊戲？研究該系統是如何構建的。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 回顧與自學 diff --git a/translations/mo/lessons/2-Symbolic/README.md b/translations/mo/lessons/2-Symbolic/README.md index 2c54871f..b9571cb0 100644 --- a/translations/mo/lessons/2-Symbolic/README.md +++ b/translations/mo/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 人工智慧的追求基於對知識的探索，試圖像人類一樣理解世界。但該如何實現這一目標呢？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/3) 在人工智慧的早期，創建智能系統的自上而下方法（在上一課中討論過）非常流行。這種方法的核心思想是將人類的知識提取為機器可讀的形式，然後用它來自動解決問題。這種方法基於兩個重要的概念： @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel 在與本課程相關的家庭本體論筆記本中，有機會嘗試其他家庭關係。試著發現家譜中人與人之間的新聯繫。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 回顧與自學 diff --git a/translations/mo/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/mo/lessons/3-NeuralNetworks/03-Perceptron/README.md index 44113b57..a5621027 100644 --- a/translations/mo/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/mo/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 神經網路簡介：感知器 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/5) 1957 年，康奈爾航空實驗室的 Frank Rosenblatt 首次嘗試實現類似現代神經網路的模型。他設計了一個名為 "Mark-1" 的硬體裝置，用於識別基本幾何圖形，例如三角形、正方形和圓形。 @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 如果你想嘗試構建自己的感知器，可以試試 [Microsoft Learn 的這個實驗](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)，它使用了 [Azure ML 設計器](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 回顧與自學 diff --git a/translations/mo/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/mo/lessons/3-NeuralNetworks/04-OwnFramework/README.md index cd9857fe..3ec2252a 100644 --- a/translations/mo/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/mo/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 我們還將在 Python 中開發自己的模組化框架，讓我們能夠構建不同的神經網路架構。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 機器學習的形式化 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: 請前往 [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) 筆記本並完成相關內容。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 複習與自學 diff --git a/translations/mo/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/mo/lessons/3-NeuralNetworks/05-Frameworks/README.md index 96b9158f..cd625b26 100644 --- a/translations/mo/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/mo/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * 操作張量，例如進行乘法、加法，以及計算一些函數如 sigmoid 或 softmax * 計算所有表達式的梯度，以便進行梯度下降優化 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/9) 雖然 `numpy` 庫可以完成第一部分，但我們需要某種機制來計算梯度。在[我們的框架](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)中，我們在上一節中開發的框架需要手動在 `backward` 方法中編程所有的導數函數，該方法負責反向傳播。理想情況下，一個框架應該能讓我們計算*任何表達式*的梯度。 @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 在配套的筆記本中，你會在底部找到「任務」；請完成筆記本中的任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 回顧與自學 diff --git a/translations/mo/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/mo/lessons/4-ComputerVision/06-IntroCV/README.md index 88b190da..b0b76b6f 100644 --- a/translations/mo/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/mo/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [電腦視覺](https://wikipedia.org/wiki/Computer_vision)是一個旨在讓電腦能夠高層次理解數位影像的學科。這是一個相當廣泛的定義，因為*理解*可以有許多不同的含義，包括在圖片中找到物件（**物件偵測**）、理解正在發生的事情（**事件偵測**）、用文字描述圖片，或是以3D重建場景。此外，還有一些與人類影像相關的特殊任務，例如年齡和情緒估算、臉部偵測與識別，以及3D姿態估算等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/11) 電腦視覺最簡單的任務之一是**影像分類**。 @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) 觀看[這段影片](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)，了解 Cortic Tigers 項目以及他們如何構建基於模塊的解決方案來通過機器人普及電腦視覺任務。研究其他類似項目，了解它們如何幫助新學習者進入這個領域。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 回顧與自學 diff --git a/translations/mo/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/mo/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 8a8918f1..f8517a7c 100644 --- a/translations/mo/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/mo/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet 是一系列縮小尺寸的模型，適合用於移動設備。如果 在隨附的筆記本中，底部有關於如何獲得更高準確率的筆記。進行一些實驗，看看你是否能達到更高的準確率。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 複習與自學 diff --git a/translations/mo/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/mo/lessons/4-ComputerVision/07-ConvNets/README.md index 578a23c8..f0d5d4de 100644 --- a/translations/mo/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/mo/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前已經看到，神經網路在處理影像方面表現得相當不錯，即使是單層感知器也能以合理的準確率識別 MNIST 資料集中的手寫數字。然而，MNIST 資料集非常特殊，所有的數字都被置中於影像中，這使得任務變得相對簡單。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/13) 在現實生活中，我們希望能夠在圖片中識別物體，而不需要在意它們在影像中的確切位置。電腦視覺與一般的分類任務不同，因為當我們試圖在圖片中找到某個特定物體時，我們是在掃描影像，尋找一些特定的**模式**及其組合。例如，當尋找一隻貓時，我們可能會先尋找水平線條，這些線條可能構成鬍鬚，然後某些鬍鬚的組合可以告訴我們這是一隻貓的圖片。某些模式的相對位置和存在性很重要，而不是它們在影像中的確切位置。 diff --git a/translations/mo/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/mo/lessons/4-ComputerVision/08-TransferLearning/README.md index 70816b76..6c9c4d2e 100644 --- a/translations/mo/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/mo/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 訓練 CNN 需要花費大量時間，並且需要大量數據。然而，大部分時間都花在學習網路用來從圖像中提取模式的最佳低層過濾器上。一個自然的問題是：我們是否可以使用在一個數據集上訓練好的神經網路，並將其適應於分類不同的圖像，而不需要完整的訓練過程？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/15) 這種方法被稱為**遷移學習**，因為我們將某些知識從一個神經網路模型轉移到另一個模型。在遷移學習中，我們通常從一個預訓練模型開始，該模型已經在一些大型圖像數據集（例如 **ImageNet**）上進行過訓練。這些模型已經能夠很好地從通用圖像中提取不同的特徵，在許多情況下，只需在這些提取的特徵上構建一個分類器就能取得不錯的結果。 @@ -76,7 +76,7 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見 在附帶的筆記本中，底部有關於遷移知識如何在某些相似的訓練數據（例如新的動物類型）上表現最佳的筆記。嘗試使用完全新類型的圖像進行實驗，看看你的遷移知識模型表現得如何。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/mo/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/mo/lessons/4-ComputerVision/09-Autoencoders/README.md index 1c4c9b12..fed40373 100644 --- a/translations/mo/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/mo/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在訓練 CNN 時，其中一個問題是我們需要大量的標記數據。以圖像分類為例，我們需要將圖像分成不同的類別，這是一項手動工作。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/17) 然而，我們可能希望使用原始（未標記）數據來訓練 CNN 特徵提取器，這被稱為**自監督學習**。取代標籤，我們將使用訓練圖像作為網絡的輸入和輸出。**自動編碼器**的主要概念是，我們將有一個**編碼器網絡**，將輸入圖像轉換為某種**潛在空間**（通常只是某種較小尺寸的向量），然後是**解碼器網絡**，其目標是重建原始圖像。 @@ -80,7 +80,7 @@ VAE 的一個重要優勢是它使生成新圖像變得相對容易，因為我 * **有損** - 重建的圖像與原始圖像並不完全相同。損失的性質由訓練期間使用的*損失函數*定義。 * 適用於**未標記數據** -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 結論 @@ -90,7 +90,7 @@ VAE 的一個重要優勢是它使生成新圖像變得相對容易，因為我 在本課中，您學習了如何將自動編碼器應用於圖像。但它們也可以用於音樂！查看 Magenta 項目的 [MusicVAE](https://magenta.tensorflow.org/music-vae) 項目，它使用自動編碼器學習重建音樂。使用此庫進行一些[實驗](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)，看看您能創造出什麼。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/mo/lessons/4-ComputerVision/10-GANs/README.md b/translations/mo/lessons/4-ComputerVision/10-GANs/README.md index 35120306..e8572794 100644 --- a/translations/mo/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/mo/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一節中，我們學習了**生成模型**：這些模型可以生成與訓練數據集中的圖像相似的新圖像。VAE 是生成模型的一個很好的例子。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/19) 然而，如果我們嘗試生成一些真正有意義的東西，比如一幅具有合理解析度的畫作，使用 VAE 可能會發現訓練效果不佳。針對這種情況，我們需要學習另一種專門用於生成模型的架構——**生成對抗網絡**，簡稱 GAN。 @@ -84,7 +84,7 @@ GAN 是生成藝術圖像的一種好方法。另一種有趣的技術是所謂 ## ✍️ 示例：[風格遷移](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## 總結 diff --git a/translations/mo/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/mo/lessons/4-ComputerVision/11-ObjectDetection/README.md index 6c74d63d..34656621 100644 --- a/translations/mo/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/mo/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前討論的影像分類模型，會接收一張圖片並產生一個分類結果，例如在 MNIST 問題中辨識出「數字」這個類別。然而，在許多情況下，我們不僅僅想知道圖片中有什麼物件，還希望能夠確定它們的精確位置。這正是**物件偵測**的核心目標。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![物件偵測](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.mo.png) @@ -171,7 +171,7 @@ YOLO 是一種實時單次通過演算法。主要思想如下： * YOLO: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 複習與自學 diff --git a/translations/mo/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/mo/lessons/4-ComputerVision/12-Segmentation/README.md index d184898e..a019f88c 100644 --- a/translations/mo/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/mo/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前學過物件偵測，它可以透過預測物件的*邊界框*來定位影像中的物件。然而，對於某些任務，我們不僅需要邊界框，還需要更精確的物件定位。這項任務被稱為**分割**。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/23) 分割可以被視為**像素分類**，即對影像中的**每個**像素進行分類（*背景*也是其中一個類別）。主要有兩種分割演算法： @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [語義分割 Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [語義分割 TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## 結論 diff --git a/translations/mo/lessons/5-NLP/13-TextRep/README.md b/translations/mo/lessons/5-NLP/13-TextRep/README.md index f5f71908..bbb35183 100644 --- a/translations/mo/lessons/5-NLP/13-TextRep/README.md +++ b/translations/mo/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 將文本表示為張量 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## 文本分類 @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: 嘗試使用詞袋模型和不同的數據模型進行其他練習。你可能會從這個 [Kaggle 比賽](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) 中獲得靈感。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/14-Embeddings/README.md b/translations/mo/lessons/5-NLP/14-Embeddings/README.md index 55c50137..afcd8eee 100644 --- a/translations/mo/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/mo/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 嵌入 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/27) 在基於 BoW 或 TF/IDF 訓練分類器時，我們操作的是高維度的詞袋向量，其長度為 `vocab_size`，並且我們明確地將低維度的位置信息向量轉換為稀疏的獨熱表示。然而，這種獨熱表示並不具備記憶效率。此外，每個詞都被獨立對待，也就是說，獨熱編碼的向量無法表達詞與詞之間的語義相似性。 @@ -65,7 +65,7 @@ Word2Vec 預訓練嵌入（以及其他類似模型，例如 GloVe）也可以 Word2Vec 已被用於一些有趣的應用，包括生成歌曲歌詞和詩歌。看看[這篇文章](https://www.politetype.com/blog/word2vec-color-poems)，作者介紹了如何使用 Word2Vec 生成詩歌。還可以觀看 [Dan Shiffmann 的這段視頻](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)，了解這種技術的另一種解釋。然後嘗試將這些技術應用到你自己的文本語料庫中，或許可以從 Kaggle 獲取數據。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/15-LanguageModeling/README.md b/translations/mo/lessons/5-NLP/15-LanguageModeling/README.md index 94c835f8..d71bd4bf 100644 --- a/translations/mo/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/mo/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 語意嵌入（如 Word2Vec 和 GloVe）實際上是邁向**語言建模**的第一步——建立某種程度上能*理解*（或*表示*）語言本質的模型。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/29) 語言建模的核心理念是以無監督的方式在未標註的數據集上進行訓練。這點非常重要，因為我們擁有大量未標註的文本，而標註文本的數量則始終受限於我們能投入的標註工作量。通常，我們可以構建能夠**預測文本中缺失單詞**的語言模型，因為隨機遮蔽文本中的某個單詞並將其作為訓練樣本是一件相對簡單的事情。 @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一課中，我們看到詞嵌入的效果就像魔法一樣！現在我們知道，訓練詞嵌入並不是一件非常複雜的事情，如果需要，我們應該能夠為特定領域的文本訓練自己的詞嵌入。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/16-RNN/README.md b/translations/mo/lessons/5-NLP/16-RNN/README.md index e86a68fd..05661b6e 100644 --- a/translations/mo/lessons/5-NLP/16-RNN/README.md +++ b/translations/mo/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 循環神經網路 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/31) 在之前的章節中，我們使用了豐富的文本語義表示以及嵌入層之上的簡單線性分類器。這種架構的作用是捕捉句子中單詞的整體意義，但它並未考慮單詞的**順序**，因為嵌入層上的聚合操作移除了原始文本中的這種信息。由於這些模型無法建模單詞的順序，因此無法解決更複雜或更具歧義的任務，例如文本生成或問題回答。 @@ -84,7 +84,7 @@ LSTM 網路的組織方式與 RNN 類似，但有兩個狀態在層與層之間 - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/mo/lessons/5-NLP/17-GenerativeNetworks/README.md index becf98d4..bfc3d5f0 100644 --- a/translations/mo/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/mo/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 生成式網絡 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/33) 循環神經網絡（RNN）及其門控單元變體，例如長短期記憶單元（LSTM）和門控循環單元（GRU），提供了一種語言建模的機制，能夠學習詞語的排列順序並預測序列中的下一個詞語。這使得我們可以使用 RNN 進行**生成式任務**，例如普通文本生成、機器翻譯，甚至是圖像描述。 @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * 使用 [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) 進行文本生成 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/18-Transformers/README.md b/translations/mo/lessons/5-NLP/18-Transformers/README.md index 5c1c0dc6..a104b077 100644 --- a/translations/mo/lessons/5-NLP/18-Transformers/README.md +++ b/translations/mo/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 注意力機制與Transformer -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/35) 在自然語言處理（NLP）領域中，**機器翻譯**是最重要的問題之一，這是一項支撐工具（如Google翻譯）的基本任務。在本節中，我們將專注於機器翻譯，或者更廣泛地說，任何*序列到序列*的任務（也稱為**句子轉換**）。 @@ -108,7 +108,7 @@ Transformer的主要理念之一是避免RNN的序列特性，並創建一個在 ## 🚀 挑戰 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/19-NER/README.md b/translations/mo/lessons/5-NLP/19-NER/README.md index 6de87b4f..2355e72a 100644 --- a/translations/mo/lessons/5-NLP/19-NER/README.md +++ b/translations/mo/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 到目前為止，我們主要集中在一個 NLP 任務——分類。然而，還有其他 NLP 任務可以通過神經網絡完成。其中一個任務是 **[命名實體識別](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)，它負責識別文本中的特定實體，例如地點、人物姓名、日期時間範圍、化學公式等等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## 使用 NER 的範例 @@ -79,7 +79,7 @@ NER 模型是一種 **標記分類模型**，這意味著它可以用來執行 完成以下連結的作業，訓練一個醫學術語的命名實體識別模型，然後嘗試在不同的數據集上進行測試。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 回顧與自學 diff --git a/translations/mo/lessons/5-NLP/20-LangModels/README.md b/translations/mo/lessons/5-NLP/20-LangModels/README.md index 30b10ffa..bfdbdcb3 100644 --- a/translations/mo/lessons/5-NLP/20-LangModels/README.md +++ b/translations/mo/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在我們之前的所有任務中，我們都使用標註數據集訓練神經網絡來執行特定任務。對於大型的 Transformer 模型，例如 BERT，我們使用自監督的方式進行語言建模來構建語言模型，然後通過進一步的特定領域訓練使其專門化於特定的下游任務。然而，研究表明，大型語言模型也能在沒有任何特定領域訓練的情況下解決許多任務。能夠做到這一點的一系列模型被稱為 **GPT**：生成式預訓練 Transformer。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 文本生成與困惑度 @@ -58,7 +58,7 @@ GPT-3 和 GPT-4 模型可通過 [Microsoft Azure 的認知服務](https://azure. 新的通用預訓練語言模型不僅建模語言結構，還包含大量自然語言。因此，它們可以在零樣本或少樣本設置中有效地解決一些 NLP 任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免責聲明**： 本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對於因使用此翻譯而引起的任何誤解或誤釋不承擔責任。 \ No newline at end of file diff --git a/translations/mo/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/mo/lessons/6-Other/21-GeneticAlgorithms/README.md index 5114b74e..69399764 100644 --- a/translations/mo/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/mo/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 基因演算法 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/41) **基因演算法** (GA) 是基於**演化方法**的人工智慧技術，透過模仿族群演化的方式來尋求特定問題的最佳解。此方法由 [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) 在1975年提出。 @@ -67,7 +67,7 @@ CO_OP_TRANSLATOR_METADATA: 「基因演算法易於實現，但其行為難以理解。」[來源](https://wikipedia.org/wiki/Genetic_algorithm) 進行一些研究，找到基因演算法的實現範例，例如解數獨問題，並以草圖或流程圖的形式解釋其工作原理。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 回顧與自學 diff --git a/translations/mo/lessons/6-Other/22-DeepRL/README.md b/translations/mo/lessons/6-Other/22-DeepRL/README.md index ba0f6137..a13ea439 100644 --- a/translations/mo/lessons/6-Other/22-DeepRL/README.md +++ b/translations/mo/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 強化學習（Reinforcement Learning, RL）被視為與監督學習（Supervised Learning）和非監督學習（Unsupervised Learning）並列的基本機器學習範式之一。在監督學習中，我們依賴於已知結果的數據集，而強化學習則是基於**透過實踐學習**。例如，當我們第一次接觸一款電腦遊戲時，即使不知道規則，我們也會開始嘗試遊玩，並通過遊玩的過程和調整行為來逐漸提升技能。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/43) 進行強化學習需要以下幾個要素： @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") 探索「其他強化學習任務」部分列出的應用，並嘗試實現其中一個！ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 回顧與自學 diff --git a/translations/mo/lessons/6-Other/23-MultiagentSystems/README.md b/translations/mo/lessons/6-Other/23-MultiagentSystems/README.md index 32eb4d3a..462350c7 100644 --- a/translations/mo/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/mo/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 實現智慧的一種可能方式是所謂的**湧現式**（或**協同式**）方法，這種方法基於一個事實，即許多相對簡單的代理的組合行為可以導致整個系統表現出更複雜（或更智慧）的行為。理論上，這種方法基於[集體智慧](https://en.wikipedia.org/wiki/Collective_intelligence)、[湧現主義](https://en.wikipedia.org/wiki/Global_brain)和[進化控制論](https://en.wikipedia.org/wiki/Global_brain)的原則，這些原則認為，高層次的系統在適當地由低層次系統組合時，會獲得某種附加價值（即所謂的*超系統轉換原則*）。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/45) **多代理系統**的方向在1990年代隨著互聯網和分散式系統的發展而在人工智慧領域中興起。經典的人工智慧教科書之一[《人工智慧：現代方法》](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)從多代理系統的角度探討了經典人工智慧的觀點。 @@ -152,7 +152,7 @@ NetLogo 的世界由以下對象組成： 將這節課的內容應用到現實世界，嘗試構思一個可以解決問題的多代理系統。例如，多代理系統需要做什麼來優化校車路線？它如何在麵包店中運作？ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## 複習與自學 diff --git a/translations/mr/lessons/1-Intro/README.md b/translations/mr/lessons/1-Intro/README.md index ab572f26..f5b1d18a 100644 --- a/translations/mr/lessons/1-Intro/README.md +++ b/translations/mr/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > स्केच नोट [Tomomi Imura](https://twitter.com/girlie_mac) यांच्याकडून -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/1) **कृत्रिम बुद्धिमत्ता** ही एक रोमांचक वैज्ञानिक शाखा आहे जी संगणकांना बुद्धिमान वर्तन दाखविण्यासाठी कसे तयार करता येईल याचा अभ्यास करते, जसे की माणसांना सहज करता येणाऱ्या गोष्टी. @@ -150,7 +150,7 @@ AGI बद्दल बोलताना, आपल्याला काही इंटरनेटवर फेरफटका मारा आणि तुमच्या मते AI सर्वात प्रभावीपणे कुठे वापरले जाते ते ठरवा. ते मॅपिंग अॅपमध्ये आहे का, काही भाषण-ते-मजकूर सेवा आहे का किंवा व्हिडिओ गेममध्ये आहे का? प्रणाली कशी तयार केली गेली याचा शोध घ्या. -## [पोस्ट-लेक्चर क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [पोस्ट-लेक्चर क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/2-Symbolic/README.md b/translations/mr/lessons/2-Symbolic/README.md index 3c284b6f..8d7f21e9 100644 --- a/translations/mr/lessons/2-Symbolic/README.md +++ b/translations/mr/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: कृत्रिम बुद्धिमत्तेचा शोध हा ज्ञानाच्या शोधावर आधारित आहे, ज्याद्वारे जगाला समजून घेता येईल, जसे मानव करतो. पण हे कसे साध्य करायचे? -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI च्या सुरुवातीच्या काळात, बुद्धिमान प्रणाली तयार करण्यासाठी टॉप-डाउन दृष्टिकोन (मागील धड्यात चर्चा केली) लोकप्रिय होता. कल्पना अशी होती की लोकांकडून ज्ञान काढून ते मशीन-रीडेबल स्वरूपात साठवायचे आणि नंतर त्याचा वापर करून आपोआप समस्या सोडवायच्या. या दृष्टिकोनावर दोन मोठ्या कल्पनांवर आधारित होते: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel या धड्याशी संबंधित कुटुंब ऑंटोलॉजी नोटबुकमध्ये, कुटुंब वृक्षातील इतर नातेसंबंधांसह प्रयोग करण्याची संधी आहे. कुटुंबातील लोकांमधील नवीन संबंध शोधण्याचा प्रयत्न करा. -## [पश्चात-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [पश्चात-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 8fe0d318..30c40588 100644 --- a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # न्यूरल नेटवर्क्सची ओळख: परसेप्ट्रॉन -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/5) आधुनिक न्यूरल नेटवर्कसारखे काहीतरी तयार करण्याचा पहिला प्रयत्न 1957 मध्ये कॉर्नेल एरोनॉटिकल लॅबोरेटरीचे फ्रँक रोझनब्लाट यांनी केला. हे हार्डवेअर आधारित मॉडेल होते ज्याला "मार्क-1" असे नाव देण्यात आले होते, ज्याचा उद्देश त्रिकोण, चौकोन आणि वर्तुळ यांसारख्या प्राथमिक भूमितीय आकृत्या ओळखणे होता. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): जर तुम्हाला स्वतःचा परसेप्ट्रॉन तयार करण्याचा प्रयत्न करायचा असेल, तर [Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) वरील [या प्रयोगशाळेचा](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) प्रयत्न करा, ज्यामध्ये [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) वापरला जातो. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 93e8f7b6..733f9463 100644 --- a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: आपण पायथनमध्ये आपले स्वतःचे मॉड्युलर फ्रेमवर्क देखील विकसित करू, जे आपल्याला वेगवेगळ्या न्यूरल नेटवर्क आर्किटेक्चर तयार करण्यास अनुमती देईल. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## मशीन लर्निंगचे औपचारिकरण @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) नोटबुककडे जा आणि त्यावर काम करा. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md index cd7899c5..32e80fdd 100644 --- a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * टेन्सर्सवर ऑपरेट करणे, उदा. गुणाकार, बेरीज, आणि काही फंक्शन्स जसे की सिग्मॉइड किंवा सॉफ्टमॅक्सची गणना करणे * सर्व अभिव्यक्तींचे ग्रेडियंट्स गणना करणे, जेणेकरून ग्रेडियंट डिसेंट ऑप्टिमायझेशन करता येईल -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy` लायब्ररी पहिल्या भागासाठी उपयुक्त असली तरी, ग्रेडियंट्स गणना करण्यासाठी आपल्याला काही यंत्रणा आवश्यक आहे. [आमच्या फ्रेमवर्कमध्ये](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) जे आम्ही मागील विभागात विकसित केले आहे, आम्हाला `backward` पद्धतीमध्ये सर्व डेरिव्हेटिव्ह फंक्शन्स मॅन्युअली प्रोग्राम करावे लागले, जे बॅकप्रोपागेशन करते. आदर्शतः, फ्रेमवर्कने आपल्याला *कोणत्याही अभिव्यक्तीचे* ग्रेडियंट्स गणना करण्याची संधी द्यायला हवी. @@ -106,7 +106,7 @@ High-level API| [Keras](../../../../../lessons/3-NeuralNetworks/05-Frameworks/In संबंधित नोटबुक्समध्ये, आपल्याला 'कार्य' तळाशी सापडतील; नोटबुक्समधून काम करा आणि कार्ये पूर्ण करा. -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md index c0af88f9..302dc722 100644 --- a/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [संगणकीय दृष्टिकोन](https://wikipedia.org/wiki/Computer_vision) हा एक शास्त्रशाखा आहे ज्याचा उद्देश संगणकांना डिजिटल प्रतिमांचे उच्च-स्तरीय आकलन मिळवून देणे आहे. ही व्याख्या खूप व्यापक आहे, कारण *आकलन* याचा अर्थ अनेक गोष्टींमध्ये होऊ शकतो, जसे की प्रतिमेत एखादी वस्तू शोधणे (**वस्तू शोधणे**), काय घडत आहे हे समजणे (**घटना शोधणे**), प्रतिमेचे वर्णन मजकुरात करणे, किंवा दृश्याचे 3D पुनर्रचना करणे. मानवी प्रतिमांशी संबंधित काही विशेष कार्ये देखील आहेत: वय आणि भावना अंदाज, चेहरा शोधणे आणि ओळखणे, आणि 3D पोझ अंदाज, इत्यादी. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/11) संगणकीय दृष्टिकोनातील सर्वात सोप्या कार्यांपैकी एक म्हणजे **प्रतिमा वर्गीकरण**. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) AI शोमधील [हा व्हिडिओ](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) पाहा, ज्यामध्ये Cortic Tigers प्रकल्पाबद्दल आणि त्यांनी संगणकीय दृष्टिकोन कार्ये लोकांसाठी सुलभ करण्यासाठी रोबोटद्वारे ब्लॉक-आधारित उपाय कसा तयार केला याबद्दल जाणून घ्या. या क्षेत्रात नवीन शिकणाऱ्यांना मदत करणाऱ्या अशा इतर प्रकल्पांवर संशोधन करा. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 1d62c006..d1fe5c09 100644 --- a/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet वर [एक चांगला ब्लॉग पोस्ट](htt सोबतच्या नोटबुक्समध्ये, अधिक अचूकता मिळवण्याबद्दल तळाशी काही टिपा आहेत. काही प्रयोग करा आणि पाहा की तुम्ही अधिक अचूकता मिळवू शकता का. -## [पाठानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [पाठानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md index 036ebf8c..f24b9cad 100644 --- a/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: आपण यापूर्वी पाहिले आहे की न्यूरल नेटवर्क्स प्रतिमांशी चांगल्या प्रकारे व्यवहार करू शकतात, आणि अगदी एक-लेयर परसेप्ट्रॉन देखील MNIST डेटासेटमधील हस्तलिखित अंकांना वाजवी अचूकतेने ओळखू शकतो. तथापि, MNIST डेटासेट खूपच विशेष आहे, आणि सर्व अंक प्रतिमेमध्ये केंद्रित केलेले आहेत, ज्यामुळे कार्य सोपे होते. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/13) वास्तविक जीवनात, आम्हाला प्रतिमेमध्ये वस्तूंचे अचूक स्थान लक्षात न घेता त्यांना ओळखता यावे अशी अपेक्षा असते. संगणकीय दृष्टिकोन सामान्य वर्गीकरणापेक्षा वेगळा आहे, कारण जेव्हा आपण प्रतिमेमध्ये विशिष्ट वस्तू शोधण्याचा प्रयत्न करतो, तेव्हा आपण प्रतिमेमध्ये काही विशिष्ट **पॅटर्न्स** आणि त्यांच्या संयोजनांचा शोध घेत असतो. उदाहरणार्थ, मांजरीचा शोध घेताना, आपण प्रथम आडव्या रेषा शोधू शकतो, ज्या मिशा तयार करू शकतात, आणि नंतर मिशांच्या विशिष्ट संयोजनामुळे आपल्याला कळते की ती प्रतिमा मांजरीची आहे. विशिष्ट पॅटर्न्सची सापेक्ष स्थिती आणि उपस्थिती महत्त्वाची आहे, प्रतिमेमध्ये त्यांचे अचूक स्थान नाही. diff --git a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md index b56e04ef..7c8b1ee9 100644 --- a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN प्रशिक्षणासाठी खूप वेळ लागतो आणि त्यासाठी मोठ्या प्रमाणात डेटा आवश्यक असतो. मात्र, नेटवर्कने प्रतिमांमधून नमुने काढण्यासाठी वापरले जाणारे सर्वोत्तम लो-लेव्हल फिल्टर्स शिकण्यात बराच वेळ जातो. एक नैसर्गिक प्रश्न निर्माण होतो - आपण एका डेटासेटवर प्रशिक्षित केलेल्या न्यूरल नेटवर्कचा वापर करून वेगळ्या प्रतिमा वर्गीकृत करण्यासाठी पूर्ण प्रशिक्षण प्रक्रिया न करता ते कसे अनुकूल करू शकतो? -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/15) ही पद्धत **ट्रान्सफर लर्निंग** म्हणून ओळखली जाते, कारण आपण एका न्यूरल नेटवर्क मॉडेलमधून दुसऱ्या मॉडेलमध्ये काही ज्ञान हस्तांतरित करतो. ट्रान्सफर लर्निंगमध्ये, आपण सामान्यतः पूर्व-प्रशिक्षित मॉडेलसह सुरुवात करतो, जे मोठ्या प्रतिमा डेटासेटवर प्रशिक्षित केले गेले आहे, जसे की **ImageNet**. ही मॉडेल्स आधीच सामान्य प्रतिमांमधून विविध वैशिष्ट्ये काढण्यात चांगले काम करू शकतात, आणि अनेक प्रकरणांमध्ये, त्या काढलेल्या वैशिष्ट्यांवर आधारित वर्गीकर्ता तयार करणे चांगले परिणाम देऊ शकते. @@ -76,7 +76,7 @@ Keras आणि PyTorch मध्ये काही सामान्य आ सहायक नोटबुक्समध्ये, प्रशिक्षण डेटा थोडासा समान असताना ट्रान्सफर ज्ञान कसे चांगले कार्य करते याबद्दल तळाशी काही टिपा आहेत (कदाचित प्राण्याचा नवीन प्रकार). पूर्णपणे नवीन प्रकारच्या प्रतिमांसह काही प्रयोग करा आणि तुमचे ट्रान्सफर ज्ञान मॉडेल्स किती चांगले किंवा वाईट कार्य करतात ते पाहा. -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md index 67dc1c83..1482339a 100644 --- a/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: जेव्हा CNNs प्रशिक्षण दिले जाते, तेव्हा एक समस्या अशी असते की आपल्याला खूप साऱ्या लेबल केलेल्या डेटाची गरज असते. प्रतिमेच्या वर्गीकरणाच्या बाबतीत, आपल्याला प्रतिमा वेगवेगळ्या वर्गांमध्ये विभागाव्या लागतात, जे एक मॅन्युअल काम आहे. -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/17) तथापि, कधीकधी आपल्याला कच्चा (लेबल नसलेला) डेटा CNN फीचर एक्स्ट्रॅक्टर्ससाठी वापरायचा असतो, ज्याला **स्वयं-नियंत्रित शिक्षण** म्हणतात. लेबल्सच्या ऐवजी, आपण प्रशिक्षण प्रतिमा नेटवर्कच्या इनपुट आणि आउटपुट म्हणून वापरू. **ऑटोएन्कोडर** या संकल्पनेचा मुख्य उद्देश असा आहे की आपल्याकडे एक **एन्कोडर नेटवर्क** असेल, जे इनपुट प्रतिमेला काही **लॅटेंट स्पेस** मध्ये रूपांतरित करेल (सामान्यतः हा काही लहान आकाराचा वेक्टर असतो), आणि नंतर **डिकोडर नेटवर्क**, ज्याचा उद्देश मूळ प्रतिमा पुन्हा तयार करणे असेल. @@ -80,7 +80,7 @@ VAE चे एक महत्त्वाचे फायदे म्हणज * **लॉसी** - पुन्हा तयार केलेली प्रतिमा मूळ प्रतिमेसारखी नसते. लॉसचे स्वरूप प्रशिक्षणादरम्यान वापरलेल्या *लॉस फंक्शन* वर अवलंबून असते. * **लेबल नसलेल्या डेटावर कार्य करते** -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## निष्कर्ष @@ -90,7 +90,7 @@ VAE चे एक महत्त्वाचे फायदे म्हणज या धड्यात, तुम्ही प्रतिमांसाठी ऑटोएन्कोडर्स वापरण्याबद्दल शिकला. पण ते संगीतासाठीही वापरले जाऊ शकतात! Magenta प्रकल्पाचा [MusicVAE](https://magenta.tensorflow.org/music-vae) प्रकल्प तपासा, जो संगीत पुन्हा तयार करायला शिकण्यासाठी ऑटोएन्कोडर्स वापरतो. या लायब्ररीसह काही [प्रयोग](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) करा आणि तुम्ही काय तयार करू शकता ते पाहा. -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/10-GANs/README.md b/translations/mr/lessons/4-ComputerVision/10-GANs/README.md index eab2419d..2ed5c909 100644 --- a/translations/mr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/mr/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: मागील विभागात आपण **जनरेटिव मॉडेल्स** म्हणजेच अशा मॉडेल्सबद्दल शिकलो जे प्रशिक्षण डेटासेटमधील प्रतिमांसारख्या नवीन प्रतिमा तयार करू शकतात. VAE हे जनरेटिव मॉडेलचे एक चांगले उदाहरण होते. -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/19) तथापि, जर आपण VAE वापरून उच्च रिझोल्यूशनमध्ये अर्थपूर्ण काहीतरी तयार करण्याचा प्रयत्न केला, जसे की एक पेंटिंग, तर आपल्याला दिसेल की प्रशिक्षण चांगल्या प्रकारे जुळत नाही. अशा वापरासाठी, आपल्याला जनरेटिव मॉडेल्ससाठी खास डिझाइन केलेल्या दुसऱ्या आर्किटेक्चरबद्दल शिकणे आवश्यक आहे - **जनरेटिव अड्व्हर्सेरियल नेटवर्क्स** किंवा GANs. @@ -84,7 +84,7 @@ GANs हे कलात्मक प्रतिमा तयार करण ## ✍️ उदाहरण: [स्टाइल ट्रान्सफर](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## निष्कर्ष diff --git a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md index 79debadf..0edd3e57 100644 --- a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: आतापर्यंत आपण ज्या इमेज क्लासिफिकेशन मॉडेल्सचा अभ्यास केला आहे, ते एका इमेजवर प्रक्रिया करून एक वर्गीकृत परिणाम देतात, जसे की MNIST समस्येमध्ये 'संख्या' वर्ग. परंतु, अनेक वेळा आपल्याला फक्त हे जाणून घ्यायचे नसते की एखाद्या चित्रात वस्तू आहेत, तर आपल्याला त्यांच्या अचूक स्थानाचा अंदाज लावायचा असतो. **ऑब्जेक्ट डिटेक्शन** याच उद्देशासाठी आहे. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![ऑब्जेक्ट डिटेक्शन](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.mr.png) @@ -171,7 +171,7 @@ YOLO हा रिअलटाइम एक-पास अल्गोरिद * YOLO: [Keras अंमलबजावणी](https://github.com/experiencor/keras-yolo2), [स्टेप-बाय-स्टेप नोटबुक](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras अंमलबजावणी](https://github.com/experiencor/keras-yolo2), [स्टेप-बाय-स्टेप नोटबुक](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [व्याख्यानानंतर प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [व्याख्यानानंतर प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md index a9a06520..5c589097 100644 --- a/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: आम्ही यापूर्वी ऑब्जेक्ट डिटेक्शनबद्दल शिकले, ज्यामुळे आम्हाला प्रतिमेमधील वस्तूंचे स्थान त्यांच्या *bounding boxes* च्या अंदाजाने शोधता येते. परंतु, काही कार्यांसाठी आपल्याला फक्त bounding boxes पुरेसे नसून वस्तूंचे अधिक अचूक स्थान आवश्यक असते. या कार्याला **विभागणी** म्हणतात. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) विभागणीला **पिक्सेल वर्गीकरण** म्हणून पाहिले जाऊ शकते, जिथे प्रतिमेतील **प्रत्येक** पिक्सेलसाठी त्याचा वर्ग (*background* हा वर्गांपैकी एक आहे) अंदाज करणे आवश्यक असते. विभागणीसाठी दोन मुख्य अल्गोरिदम आहेत: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## निष्कर्ष diff --git a/translations/mr/lessons/5-NLP/13-TextRep/README.md b/translations/mr/lessons/5-NLP/13-TextRep/README.md index 5216cbec..890d8bb1 100644 --- a/translations/mr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/mr/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # मजकूराचे टेन्सर्समध्ये प्रतिनिधित्व -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## मजकूर वर्गीकरण @@ -73,7 +73,7 @@ BoW चा तोटा असा आहे की काही सामान बॅग-ऑफ-वर्ड्स आणि वेगवेगळ्या डेटा मॉडेल्स वापरून काही इतर सराव करून पहा. तुम्हाला या [Kaggle स्पर्धेतून](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) प्रेरणा मिळू शकते. -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/14-Embeddings/README.md b/translations/mr/lessons/5-NLP/14-Embeddings/README.md index 539991a3..33c8034b 100644 --- a/translations/mr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/mr/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # एम्बेडिंग्ज -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/27) जेव्हा आपण BoW किंवा TF/IDF आधारित वर्गीकरण करणारे मॉडेल्स प्रशिक्षण देतो, तेव्हा आपण `vocab_size` लांबीच्या उच्च-आयामी बॅग-ऑफ-वर्ड्स वेक्टरवर काम करतो आणि कमी-आयामी स्थानिक प्रतिनिधित्व वेक्टरला स्पष्टपणे विरळ वन-हॉट प्रतिनिधित्वात रूपांतरित करतो. मात्र, हे वन-हॉट प्रतिनिधित्व स्मृती-कार्यक्षम नाही. याशिवाय, प्रत्येक शब्द स्वतंत्रपणे हाताळला जातो, म्हणजेच वन-हॉट एन्कोड केलेले वेक्टर शब्दांमधील कोणतेही अर्थपूर्ण साम्य व्यक्त करत नाहीत. @@ -65,7 +65,7 @@ Word2Vec सारख्या पारंपरिक पूर्व-प् Word2Vec काही मनोरंजक अनुप्रयोगांसाठी वापरले गेले आहे, ज्यामध्ये गाण्याचे बोल आणि कविता तयार करणे यांचा समावेश आहे. [या लेखावर](https://www.politetype.com/blog/word2vec-color-poems) एक नजर टाका, ज्यामध्ये लेखकाने Word2Vec वापरून कविता कशी तयार केली याचे वर्णन केले आहे. [डॅन शिफमन यांचा हा व्हिडिओ](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) देखील पाहा, ज्यामध्ये या तंत्राची वेगळी व्याख्या दिली आहे. मग हे तंत्र कागलवरून मिळवलेल्या तुमच्या स्वतःच्या मजकूर संग्रहावर लागू करण्याचा प्रयत्न करा. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md index 4c213df3..ef3e9cff 100644 --- a/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Word2Vec आणि GloVe सारख्या सेमॅंटिक एम्बेडिंग्स प्रत्यक्षात **भाषा मॉडेलिंग**कडे जाण्याचा पहिला टप्पा आहेत - असे मॉडेल तयार करणे जे काही प्रमाणात भाषेचे *समजून घेणे* (किंवा *प्रतिनिधित्व करणे*) शक्य करतात. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/29) भाषा मॉडेलिंगमागील मुख्य कल्पना म्हणजे त्यांना लेबल नसलेल्या डेटासेट्सवर अनसुपरवाइज्ड पद्धतीने प्रशिक्षण देणे. हे महत्त्वाचे आहे कारण आपल्याकडे प्रचंड प्रमाणात लेबल नसलेला मजकूर उपलब्ध आहे, तर लेबल असलेल्या मजकुराचे प्रमाण नेहमीच लेबलिंगसाठी लागणाऱ्या प्रयत्नांवर मर्यादित असेल. बहुतेक वेळा, आपण असे भाषा मॉडेल तयार करू शकतो जे मजकुरातील **हरवलेले शब्द भाकीत करू शकतात**, कारण मजकुरातील एखादा शब्द सहजपणे लपवता येतो आणि तो प्रशिक्षण नमुना म्हणून वापरता येतो. @@ -38,7 +38,7 @@ Word2Vec आणि GloVe सारख्या सेमॅंटिक एम मागील धड्यात आपण पाहिले की शब्द एम्बेडिंग्स जादूसारखे कार्य करतात! आता आपल्याला माहित आहे की शब्द एम्बेडिंग्सचे प्रशिक्षण देणे फारसे गुंतागुंतीचे काम नाही, आणि गरज पडल्यास आपण विशिष्ट क्षेत्रातील मजकुरासाठी स्वतःचे शब्द एम्बेडिंग्स तयार करू शकतो. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/16-RNN/README.md b/translations/mr/lessons/5-NLP/16-RNN/README.md index f8f3ceba..c4794133 100644 --- a/translations/mr/lessons/5-NLP/16-RNN/README.md +++ b/translations/mr/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # पुनरावृत्ती तंत्रिका जाळी (Recurrent Neural Networks) -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/31) मागील विभागांमध्ये, आपण मजकूराच्या समृद्ध अर्थपूर्ण सादरीकरणांचा वापर केला आणि एम्बेडिंग्जच्या वर एक साधा रेषीय वर्गीकरणकर्ता वापरला. ही आर्किटेक्चर वाक्यातील शब्दांचा एकत्रित अर्थ पकडते, परंतु ती शब्दांच्या **क्रम** विचारात घेत नाही, कारण एम्बेडिंग्जवरील एकत्रीकरण क्रियेमुळे मूळ मजकूरातील ही माहिती गमावली जाते. हे मॉडेल्स शब्दांच्या क्रमाचे मॉडेलिंग करण्यात अक्षम असल्यामुळे, ते मजकूर निर्मिती किंवा प्रश्नोत्तर यांसारख्या अधिक जटिल किंवा संदिग्ध कार्ये सोडवू शकत नाहीत. @@ -84,7 +84,7 @@ LSTMs बद्दल काही साहित्य वाचा आणि - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md index 883a4750..79b0a782 100644 --- a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जनरेटिव नेटवर्क्स -## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/33) रीकरंट न्यूरल नेटवर्क्स (RNNs) आणि त्यांचे गेटेड सेल प्रकार जसे की लाँग शॉर्ट टर्म मेमरी सेल्स (LSTMs) आणि गेटेड रीकरंट युनिट्स (GRUs) भाषेचे मॉडेलिंग करण्यासाठी एक यंत्रणा प्रदान करतात ज्यामुळे ते शब्दांची क्रमवारी शिकू शकतात आणि अनुक्रमातील पुढील शब्दासाठी अंदाज देऊ शकतात. यामुळे RNNs चा वापर **जनरेटिव कार्यांसाठी** करता येतो, जसे की सामान्य मजकूर निर्मिती, मशीन अनुवाद, आणि अगदी प्रतिमेचे वर्णन तयार करणे. @@ -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) सह मजकूर निर्मिती -## [व्याख्यानानंतरची प्रश्नमंजूषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [व्याख्यानानंतरची प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/18-Transformers/README.md b/translations/mr/lessons/5-NLP/18-Transformers/README.md index 8ab1b47f..9124ba18 100644 --- a/translations/mr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/mr/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # अटेन्शन मेकॅनिझम्स आणि ट्रान्सफॉर्मर्स -## [पूर्व-व्याख्यान क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP क्षेत्रातील सर्वात महत्त्वाच्या समस्यांपैकी एक म्हणजे **मशीन ट्रान्सलेशन**, जी Google Translate सारख्या साधनांच्या मागील महत्त्वाची कार्यप्रणाली आहे. या विभागात, आपण मशीन ट्रान्सलेशनवर लक्ष केंद्रित करू, किंवा अधिक सामान्यतः, कोणत्याही *सीक्वेन्स-टू-सीक्वेन्स* कार्यावर (ज्याला **सेंटन्स ट्रान्सडक्शन** असेही म्हणतात). @@ -108,7 +108,7 @@ RNNs च्या मदतीने, सीक्वेन्स-टू-सी ## 🚀 आव्हान -## [व्याख्यानानंतरचा क्विझ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/19-NER/README.md b/translations/mr/lessons/5-NLP/19-NER/README.md index 335c7ff1..995ff34a 100644 --- a/translations/mr/lessons/5-NLP/19-NER/README.md +++ b/translations/mr/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: आत्तापर्यंत आपण मुख्यतः एकाच NLP कार्यावर लक्ष केंद्रित केले आहे - वर्गीकरण. मात्र, न्यूरल नेटवर्क्सच्या मदतीने इतरही NLP कार्ये साध्य करता येतात. त्यापैकी एक कार्य म्हणजे **[नामित घटक ओळख](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ज्यामध्ये मजकुरातील विशिष्ट घटक ओळखणे समाविष्ट आहे, जसे की ठिकाणे, व्यक्तींची नावे, दिनांक-वेळेचे कालखंड, रासायनिक सूत्रे इत्यादी. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER चा वापर करण्याचे उदाहरण @@ -80,7 +80,7 @@ NER मॉडेल हे **टोकन वर्गीकरण मॉडे खालील लिंक केलेल्या असाइनमेंट पूर्ण करा, ज्यामध्ये वैद्यकीय संज्ञांसाठी NER मॉडेल प्रशिक्षण द्यायचे आहे, आणि नंतर ते वेगळ्या डेटासेटवर वापरून पहा. -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/5-NLP/20-LangModels/README.md b/translations/mr/lessons/5-NLP/20-LangModels/README.md index df5b7309..4de7c167 100644 --- a/translations/mr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/mr/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: आपल्या मागील सर्व कार्यांमध्ये, आम्ही लेबल केलेल्या डेटासेटचा वापर करून विशिष्ट कार्य करण्यासाठी न्यूरल नेटवर्क प्रशिक्षण देत होतो. मोठ्या ट्रान्सफॉर्मर मॉडेल्ससह, जसे की BERT, आम्ही स्व-पर्यवेक्षित पद्धतीने भाषा मॉडेलिंगचा वापर करून भाषा मॉडेल तयार करतो, जे नंतर विशिष्ट डाउनस्ट्रीम कार्यासाठी डोमेन-विशिष्ट प्रशिक्षणाद्वारे विशेषीकृत केले जाते. तथापि, हे सिद्ध झाले आहे की मोठे भाषा मॉडेल्स अनेक कार्ये कोणत्याही डोमेन-विशिष्ट प्रशिक्षणाशिवाय सोडवू शकतात. अशा प्रकारच्या मॉडेल्सच्या कुटुंबाला **GPT**: जनरेटिव्ह प्री-ट्रेनड ट्रान्सफॉर्मर म्हणतात. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## मजकूर निर्मिती आणि पेर्प्लेक्सिटी @@ -58,7 +58,7 @@ GPT ला भाषा आणि कोड समजण्यासाठी नवीन सामान्य पूर्व-प्रशिक्षित भाषा मॉडेल्स केवळ भाषा संरचना मॉडेल करत नाहीत, तर प्रचंड प्रमाणात नैसर्गिक भाषा देखील समाविष्ट करतात. त्यामुळे, ते काही NLP कार्ये शून्य-शॉट किंवा फ्यू-शॉट सेटिंग्जमध्ये प्रभावीपणे सोडवण्यासाठी वापरले जाऊ शकतात. -## [व्याख्यानानंतर प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [व्याख्यानानंतर प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/40) **अस्वीकरण**: हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही. \ No newline at end of file diff --git a/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md index 87981613..f62599bb 100644 --- a/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जनुक अल्गोरिदम -## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/41) **जनुक अल्गोरिदम** (GA) हे AI साठी **उत्क्रांतीवादी दृष्टिकोनावर** आधारित आहेत, ज्यामध्ये लोकसंख्येच्या उत्क्रांतीच्या पद्धतींचा वापर करून दिलेल्या समस्येसाठी सर्वोत्तम उपाय शोधला जातो. 1975 मध्ये [जॉन हेन्री हॉलंड](https://wikipedia.org/wiki/John_Henry_Holland) यांनी हे प्रस्तावित केले. @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "जनुक अल्गोरिदम अंमलात आणणे सोपे आहे, परंतु त्यांचे वर्तन समजणे कठीण आहे." [स्रोत](https://wikipedia.org/wiki/Genetic_algorithm) जनुक अल्गोरिदमची अंमलबजावणी शोधण्यासाठी संशोधन करा, जसे की सुडोकू कोडे सोडवणे, आणि त्याचे कार्य कसे होते हे स्केच किंवा फ्लोचार्टच्या स्वरूपात स्पष्ट करा. -## [व्याख्यानानंतरची प्रश्नमंजूषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [व्याख्यानानंतरची प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/6-Other/22-DeepRL/README.md b/translations/mr/lessons/6-Other/22-DeepRL/README.md index 9906e4b6..ff1d8b10 100644 --- a/translations/mr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/mr/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: रिइन्फोर्समेंट लर्निंग (RL) हे सुपरवाइज्ड लर्निंग आणि अनसुपरवाइज्ड लर्निंग यांच्यासोबत मशीन लर्निंगचे एक मूलभूत पॅराडाइम मानले जाते. सुपरवाइज्ड लर्निंगमध्ये आपल्याला ज्ञात परिणामांसह डेटासेटवर अवलंबून राहावे लागते, तर RL **करून शिकणे** या संकल्पनेवर आधारित आहे. उदाहरणार्थ, जेव्हा आपण प्रथम एखादे संगणक गेम पाहतो, तेव्हा आपण नियम माहित नसतानाही खेळायला सुरुवात करतो आणि लवकरच खेळत राहून आणि आपले वर्तन समायोजित करून आपले कौशल्य सुधारतो. -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL करण्यासाठी आपल्याला आवश्यक आहे: @@ -110,7 +110,7 @@ Policy Gradients पद्धतीचे एक सुधारित रूप 'इतर RL कार्ये' विभागात सूचीबद्ध अनुप्रयोग एक्सप्लोर करा आणि एक अंमलात आणण्याचा प्रयत्न करा! -## [व्याख्यानानंतरची प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## पुनरावलोकन आणि स्व-अभ्यास diff --git a/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md index 218c48bc..bc1da693 100644 --- a/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: बुद्धिमत्ता मिळवण्याचा एक संभाव्य मार्ग म्हणजे **उत्पन्न** (किंवा **सहकार्यात्मक**) दृष्टिकोन, जो या तथ्यावर आधारित आहे की अनेक तुलनेने साध्या एजंट्सच्या एकत्रित वर्तनामुळे संपूर्ण सिस्टीमचे अधिक जटिल (किंवा बुद्धिमान) वर्तन निर्माण होऊ शकते. सैद्धांतिकदृष्ट्या, हे [सामूहिक बुद्धिमत्ता](https://en.wikipedia.org/wiki/Collective_intelligence), [उत्पन्नवाद](https://en.wikipedia.org/wiki/Global_brain) आणि [क्रांतिकारी सायबरनेटिक्स](https://en.wikipedia.org/wiki/Global_brain) च्या तत्त्वांवर आधारित आहे, जे असे म्हणतात की उच्च-स्तरीय सिस्टीम्स काही प्रकारचे अतिरिक्त मूल्य प्राप्त करतात जेव्हा त्यांना योग्य प्रकारे कमी-स्तरीय सिस्टीम्समधून एकत्रित केले जाते (*मेटासिस्टीम ट्रांझिशनचे तत्त्व*). -## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/45) **मल्टी-एजंट सिस्टीम्स** चा दिशानिर्देश 1990 च्या दशकात इंटरनेट आणि वितरित सिस्टीम्सच्या वाढीला प्रतिसाद म्हणून AI मध्ये उदयास आला. [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) या AI च्या क्लासिकल पाठ्यपुस्तकांपैकी एक, मल्टी-एजंट सिस्टीम्सच्या दृष्टिकोनातून क्लासिकल AI चा विचार करते. diff --git a/translations/ms/lessons/1-Intro/README.md b/translations/ms/lessons/1-Intro/README.md index 17e7fa87..af152484 100644 --- a/translations/ms/lessons/1-Intro/README.md +++ b/translations/ms/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Dalam beberapa tahun kebelakangan ini, kita telah menyaksikan kejayaan besar den Lakukan lawatan di internet untuk menentukan di mana, pada pendapat anda, AI digunakan dengan paling berkesan. Adakah ia dalam aplikasi Pemetaan, atau perkhidmatan ucapan-ke-teks, atau permainan video? Selidik bagaimana sistem tersebut dibangunkan. -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/2-Symbolic/README.md b/translations/ms/lessons/2-Symbolic/README.md index e37fa232..b459c5fa 100644 --- a/translations/ms/lessons/2-Symbolic/README.md +++ b/translations/ms/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Pencarian kecerdasan buatan adalah berdasarkan usaha untuk memahami dunia seperti manusia. Tetapi bagaimana cara untuk melakukannya? -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/3) Pada zaman awal AI, pendekatan dari atas ke bawah untuk mencipta sistem pintar (dibincangkan dalam pelajaran sebelumnya) adalah popular. Idea ini adalah untuk mengekstrak pengetahuan daripada manusia ke dalam bentuk yang boleh dibaca oleh mesin, dan kemudian menggunakannya untuk menyelesaikan masalah secara automatik. Pendekatan ini berdasarkan dua idea besar: @@ -236,7 +236,7 @@ Pada masa kini, AI sering dianggap sebagai sinonim untuk *Pembelajaran Mesin* at Dalam buku nota Ontologi Keluarga yang dikaitkan dengan pelajaran ini, terdapat peluang untuk bereksperimen dengan hubungan keluarga lain. Cuba temui sambungan baru antara individu dalam pokok keluarga. -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Kajian Semula & Kajian Kendiri diff --git a/translations/ms/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ms/lessons/3-NeuralNetworks/03-Perceptron/README.md index 77d99ba4..aa1235c5 100644 --- a/translations/ms/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ms/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Pengenalan kepada Rangkaian Neural: Perceptron -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/5) Salah satu percubaan pertama untuk melaksanakan sesuatu yang serupa dengan rangkaian neural moden dilakukan oleh Frank Rosenblatt dari Cornell Aeronautical Laboratory pada tahun 1957. Ia adalah pelaksanaan perkakasan yang dipanggil "Mark-1", direka untuk mengenali bentuk geometri primitif, seperti segitiga, segi empat sama, dan bulatan. @@ -85,7 +85,7 @@ Dalam pelajaran ini, anda telah mempelajari tentang perceptron, yang merupakan m Jika anda ingin mencuba membina perceptron anda sendiri, cuba [makmal ini di Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) yang menggunakan [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ms/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 376d0f69..8e4853ef 100644 --- a/translations/ms/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ms/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Dalam bahagian ini, kita akan memperluaskan model ini kepada rangka kerja yang l Kita juga akan membangunkan rangka kerja modular kita sendiri dalam Python yang membolehkan kita membina pelbagai seni bina rangkaian neural. -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisasi Pembelajaran Mesin @@ -81,7 +81,7 @@ Dalam notebook yang disertakan, anda akan melaksanakan rangka kerja anda sendiri Teruskan ke notebook [OwnFramework](OwnFramework.ipynb) dan selesaikan latihan tersebut. -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ms/lessons/3-NeuralNetworks/05-Frameworks/README.md index 0a55839c..b516d752 100644 --- a/translations/ms/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ms/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Seperti yang telah kita pelajari, untuk melatih rangkaian neural dengan cekap, k * Beroperasi pada tensor, contohnya untuk mendarab, menambah, dan mengira beberapa fungsi seperti sigmoid atau softmax * Mengira kecerunan semua ekspresi, untuk melaksanakan pengoptimuman penurunan kecerunan -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/9) Walaupun perpustakaan `numpy` boleh melakukan bahagian pertama, kita memerlukan mekanisme untuk mengira kecerunan. Dalam [rangka kerja kita](../04-OwnFramework/OwnFramework.ipynb) yang telah kita bangunkan dalam bahagian sebelumnya, kita perlu memprogramkan semua fungsi derivatif secara manual di dalam kaedah `backward`, yang melakukan backpropagation. Secara idealnya, rangka kerja harus memberi kita peluang untuk mengira kecerunan bagi *sebarang ekspresi* yang boleh kita tentukan. @@ -106,7 +106,7 @@ Dalam pelajaran ini, anda telah mempelajari perbezaan antara pelbagai API untuk Dalam buku nota yang disertakan, anda akan menemui 'tugas' di bahagian bawah; selesaikan buku nota tersebut dan lengkapkan tugas-tugasnya. -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ms/lessons/4-ComputerVision/06-IntroCV/README.md index 59bc0940..2d63b85b 100644 --- a/translations/ms/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ms/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Penglihatan Komputer](https://wikipedia.org/wiki/Computer_vision) adalah satu bidang yang bertujuan untuk membolehkan komputer memahami imej digital pada tahap tinggi. Ini adalah definisi yang agak luas kerana *memahami* boleh bermaksud pelbagai perkara, termasuk mencari objek dalam gambar (**pengesanan objek**), memahami apa yang sedang berlaku (**pengesanan peristiwa**), menerangkan gambar dalam bentuk teks, atau membina semula pemandangan dalam 3D. Terdapat juga tugas khas berkaitan imej manusia: anggaran umur dan emosi, pengesanan dan pengecaman wajah, serta anggaran pose 3D, untuk menyebut beberapa contoh. -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/11) Salah satu tugas paling mudah dalam penglihatan komputer ialah **pengelasan imej**. @@ -105,7 +105,7 @@ Kadangkala, tugas yang agak kompleks seperti pengesanan pergerakan atau pengesan Tonton [video ini](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) dari rancangan AI untuk mengetahui tentang projek Cortic Tigers dan bagaimana mereka membina penyelesaian berasaskan blok untuk mendemokrasikan tugas penglihatan komputer melalui robot. Lakukan penyelidikan tentang projek lain seperti ini yang membantu pelajar baru dalam bidang ini. -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Kajian Semula & Kajian Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ms/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 4660e6ce..26b63ee7 100644 --- a/translations/ms/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ms/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Dalam unit ini, anda telah mempelajari konsep utama di sebalik rangkaian neural Dalam notebook yang disertakan, terdapat nota di bahagian bawah tentang cara untuk mendapatkan ketepatan yang lebih tinggi. Lakukan beberapa eksperimen untuk melihat jika anda boleh mencapai ketepatan yang lebih tinggi. -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ms/lessons/4-ComputerVision/07-ConvNets/README.md index e439fd2b..a7bc243c 100644 --- a/translations/ms/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ms/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kita telah melihat sebelum ini bahawa rangkaian neural sangat baik dalam menangani imej, malah perceptron satu lapisan pun mampu mengenali angka tulisan tangan dari set data MNIST dengan ketepatan yang munasabah. Walau bagaimanapun, set data MNIST sangat istimewa, dan semua angka berada di tengah-tengah imej, yang menjadikan tugas ini lebih mudah. -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/13) Dalam kehidupan sebenar, kita ingin dapat mengenali objek dalam gambar tanpa mengira lokasi tepatnya dalam imej. Penglihatan komputer berbeza daripada klasifikasi umum, kerana apabila kita cuba mencari objek tertentu dalam gambar, kita sedang mengimbas imej untuk mencari **corak** tertentu dan gabungannya. Sebagai contoh, apabila mencari kucing, kita mungkin mula mencari garisan mendatar, yang boleh membentuk misai, dan kemudian gabungan tertentu misai boleh memberitahu kita bahawa ia sebenarnya gambar kucing. Kedudukan relatif dan kehadiran corak tertentu adalah penting, dan bukan kedudukan tepatnya dalam imej. diff --git a/translations/ms/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ms/lessons/4-ComputerVision/08-TransferLearning/README.md index fd21639f..0da4377b 100644 --- a/translations/ms/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ms/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Melatih CNN boleh mengambil masa yang lama, dan memerlukan banyak data untuk tugas tersebut. Walau bagaimanapun, sebahagian besar masa dihabiskan untuk mempelajari penapis tahap rendah terbaik yang boleh digunakan oleh rangkaian untuk mengekstrak corak daripada imej. Satu persoalan semula jadi timbul - bolehkah kita menggunakan rangkaian neural yang telah dilatih pada satu set data dan menyesuaikannya untuk mengklasifikasikan imej yang berbeza tanpa memerlukan proses latihan penuh? -## [Kuiz Pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Kuiz Pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/15) Pendekatan ini dipanggil **pembelajaran pemindahan**, kerana kita memindahkan sebahagian pengetahuan daripada satu model rangkaian neural kepada yang lain. Dalam pembelajaran pemindahan, kita biasanya bermula dengan model pra-latih, yang telah dilatih pada set data imej yang besar, seperti **ImageNet**. Model-model ini sudah mampu melakukan tugas yang baik dalam mengekstrak ciri-ciri berbeza daripada imej generik, dan dalam banyak kes, hanya dengan membina pengklasifikasi di atas ciri-ciri yang diekstrak tersebut boleh memberikan hasil yang baik. @@ -76,7 +76,7 @@ Dengan menggunakan pembelajaran pemindahan, anda dapat dengan cepat membina peng Dalam buku nota yang disertakan, terdapat nota di bahagian bawah tentang bagaimana pengetahuan pemindahan berfungsi dengan baik dengan data latihan yang agak serupa (mungkin jenis haiwan baru). Lakukan beberapa eksperimen dengan jenis imej yang benar-benar baru untuk melihat sejauh mana atau buruknya model pengetahuan pemindahan anda berfungsi. -## [Kuiz Pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kuiz Pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ms/lessons/4-ComputerVision/09-Autoencoders/README.md index 6f34733b..cfce8732 100644 --- a/translations/ms/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ms/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Apabila melatih CNN, salah satu masalahnya ialah kita memerlukan banyak data berlabel. Dalam kes klasifikasi imej, kita perlu memisahkan imej ke dalam kelas yang berbeza, yang memerlukan usaha manual. -## [Kuiz sebelum kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Kuiz sebelum kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/17) Namun, kita mungkin ingin menggunakan data mentah (tidak berlabel) untuk melatih pengekstrak ciri CNN, yang dipanggil **pembelajaran kendiri**. Sebagai ganti label, kita akan menggunakan imej latihan sebagai input dan output rangkaian. Idea utama **autoencoder** ialah kita akan mempunyai **rangkaian pengekod** yang menukar imej input kepada **ruang laten** (biasanya ia hanya vektor bersaiz lebih kecil), kemudian **rangkaian penyahkod**, yang bertujuan untuk membina semula imej asal. @@ -80,7 +80,7 @@ Ketahui lebih lanjut tentang autoencoders dalam buku nota berikut: * **Kehilangan** - imej yang dibina semula tidak sama seperti imej asal. Sifat kehilangan ditentukan oleh *fungsi kehilangan* yang digunakan semasa latihan. * Berfungsi pada **data tidak berlabel** -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Kesimpulan @@ -90,7 +90,7 @@ Dalam pelajaran ini, anda telah mempelajari pelbagai jenis autoencoders yang ter Dalam pelajaran ini, anda telah mempelajari tentang penggunaan autoencoders untuk imej. Tetapi ia juga boleh digunakan untuk muzik! Lihat projek Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), yang menggunakan autoencoders untuk belajar membina semula muzik. Lakukan beberapa [eksperimen](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) dengan perpustakaan ini untuk melihat apa yang boleh anda cipta. -## [Kuiz selepas kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/10-GANs/README.md b/translations/ms/lessons/4-ComputerVision/10-GANs/README.md index d3094d3b..781bf658 100644 --- a/translations/ms/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ms/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dalam bahagian sebelumnya, kita telah belajar tentang **model generatif**: model yang boleh menghasilkan imej baru yang serupa dengan imej dalam dataset latihan. VAE adalah contoh yang baik bagi model generatif. -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/19) Namun, jika kita cuba menghasilkan sesuatu yang benar-benar bermakna, seperti lukisan dengan resolusi yang munasabah, menggunakan VAE, kita akan melihat bahawa latihan tidak berkumpul dengan baik. Untuk kes penggunaan ini, kita perlu belajar tentang satu lagi seni bina yang khusus untuk model generatif - **Rangkaian Adversarial Generatif**, atau GAN. @@ -84,7 +84,7 @@ Cara ia berfungsi adalah seperti berikut: ## ✍️ Contoh: [Pemindahan Gaya](StyleTransfer.ipynb) -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Kesimpulan diff --git a/translations/ms/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ms/lessons/4-ComputerVision/11-ObjectDetection/README.md index b0599675..d1dbaca1 100644 --- a/translations/ms/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ms/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Model klasifikasi imej yang telah kita pelajari sebelum ini mengambil imej dan menghasilkan keputusan kategori, seperti kelas 'nombor' dalam masalah MNIST. Walau bagaimanapun, dalam banyak kes, kita bukan sahaja ingin mengetahui bahawa gambar menggambarkan objek - kita juga ingin menentukan lokasi tepat objek tersebut. Inilah tujuan utama **pengesanan objek**. -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Pengesanan Objek](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ms.png) @@ -172,7 +172,7 @@ Baca artikel dan notebook ini tentang YOLO dan cuba sendiri: * Yolo: [Implementasi Keras](https://github.com/experiencor/keras-yolo2), [notebook langkah demi langkah](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementasi Keras](https://github.com/experiencor/keras-yolo2), [notebook langkah demi langkah](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ms/lessons/4-ComputerVision/12-Segmentation/README.md index 8ae1c9b1..e098dbbd 100644 --- a/translations/ms/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ms/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kita telah mempelajari tentang Pengesanan Objek sebelum ini, yang membolehkan kita mencari objek dalam imej dengan meramalkan *kotak sempadan* mereka. Walau bagaimanapun, untuk beberapa tugas, kita bukan sahaja memerlukan kotak sempadan tetapi juga penempatan objek yang lebih tepat. Tugas ini dipanggil **segmentasi**. -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentasi boleh dilihat sebagai **klasifikasi piksel**, di mana untuk **setiap** piksel dalam imej kita mesti meramalkan kelasnya (*latar belakang* menjadi salah satu kelas). Terdapat dua algoritma segmentasi utama: @@ -56,7 +56,7 @@ Buka notebook di bawah untuk mengetahui lebih lanjut tentang pelbagai seni bina * [Segmentasi Semantik Pytorch](SemanticSegmentationPytorch.ipynb) * [Segmentasi Semantik TensorFlow](SemanticSegmentationTF.ipynb) -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Kesimpulan diff --git a/translations/ms/lessons/5-NLP/13-TextRep/README.md b/translations/ms/lessons/5-NLP/13-TextRep/README.md index 40b41a6b..8817663d 100644 --- a/translations/ms/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ms/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mewakili Teks sebagai Tensor -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Pengelasan Teks @@ -73,7 +73,7 @@ Setakat ini, kita telah mengkaji teknik yang boleh menambah berat frekuensi kepa Cuba beberapa latihan lain menggunakan bag-of-words dan model data yang berbeza. Anda mungkin mendapat inspirasi daripada [pertandingan ini di Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/5-NLP/14-Embeddings/README.md b/translations/ms/lessons/5-NLP/14-Embeddings/README.md index 64117648..42d7f134 100644 --- a/translations/ms/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ms/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Pembenaman -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/27) Semasa melatih pengklasifikasi berdasarkan BoW atau TF/IDF, kita bekerja dengan vektor bag-of-words berdimensi tinggi dengan panjang `vocab_size`, dan kita secara eksplisit menukar daripada vektor perwakilan posisi berdimensi rendah kepada perwakilan one-hot yang jarang. Walau bagaimanapun, perwakilan one-hot ini tidak cekap dari segi memori. Selain itu, setiap perkataan dianggap secara bebas antara satu sama lain, iaitu vektor one-hot yang dikodkan tidak menyatakan sebarang persamaan semantik antara perkataan. @@ -65,7 +65,7 @@ Dalam pelajaran ini, anda telah mempelajari cara membina dan menggunakan lapisan Word2Vec telah digunakan untuk beberapa aplikasi menarik, termasuk menjana lirik lagu dan puisi. Lihat [artikel ini](https://www.politetype.com/blog/word2vec-color-poems) yang menerangkan bagaimana penulis menggunakan Word2Vec untuk menjana puisi. Tonton juga [video ini oleh Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) untuk penjelasan lain tentang teknik ini. Kemudian cuba gunakan teknik ini pada korpus teks anda sendiri, mungkin daripada sumber seperti Kaggle. -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ms/lessons/5-NLP/15-LanguageModeling/README.md index dee41f1a..28cc84ab 100644 --- a/translations/ms/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ms/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pemerangkapan semantik, seperti Word2Vec dan GloVe, sebenarnya adalah langkah pertama ke arah **pemodelan bahasa** - mencipta model yang dapat *memahami* (atau *mewakili*) sifat bahasa. -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/29) Idea utama di sebalik pemodelan bahasa adalah melatihnya menggunakan dataset tanpa label secara tidak diawasi. Ini penting kerana kita mempunyai sejumlah besar teks tanpa label yang tersedia, sementara jumlah teks berlabel sentiasa terhad oleh usaha yang diperlukan untuk melabelkannya. Selalunya, kita boleh membina model bahasa yang dapat **meramalkan perkataan yang hilang** dalam teks, kerana mudah untuk menyembunyikan satu perkataan secara rawak dalam teks dan menggunakannya sebagai sampel latihan. @@ -38,7 +38,7 @@ Teruskan pembelajaran anda dalam notebook berikut: Dalam pelajaran sebelumnya, kita telah melihat bahawa pemerangkapan perkataan berfungsi seperti sihir! Kini kita tahu bahawa melatih pemerangkapan perkataan bukanlah tugas yang terlalu kompleks, dan kita seharusnya dapat melatih pemerangkapan perkataan kita sendiri untuk teks khusus domain jika diperlukan. -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/5-NLP/16-RNN/README.md b/translations/ms/lessons/5-NLP/16-RNN/README.md index d6126488..8a7ab8b0 100644 --- a/translations/ms/lessons/5-NLP/16-RNN/README.md +++ b/translations/ms/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rangkaian Neural Berulang -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/31) Dalam bahagian sebelum ini, kita telah menggunakan representasi semantik teks yang kaya dan pengklasifikasi linear ringkas di atas embedding. Apa yang dilakukan oleh seni bina ini adalah menangkap makna agregat perkataan dalam ayat, tetapi ia tidak mengambil kira **susunan** perkataan, kerana operasi agregasi di atas embedding telah menghapuskan maklumat ini daripada teks asal. Oleh kerana model ini tidak dapat memodelkan susunan perkataan, ia tidak dapat menyelesaikan tugas yang lebih kompleks atau samar seperti penjanaan teks atau menjawab soalan. @@ -84,7 +84,7 @@ Baca beberapa literatur tentang LSTM dan pertimbangkan aplikasinya: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ms/lessons/5-NLP/17-GenerativeNetworks/README.md index a015575d..44b0478d 100644 --- a/translations/ms/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ms/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rangkaian Generatif -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rangkaian Neural Berulang (RNN) dan varian sel berpintunya seperti Sel Memori Jangka Panjang (LSTM) dan Unit Berulang Berpintu (GRU) menyediakan mekanisme untuk pemodelan bahasa kerana ia boleh mempelajari susunan perkataan dan memberikan ramalan untuk perkataan seterusnya dalam satu urutan. Ini membolehkan kita menggunakan RNN untuk **tugas generatif**, seperti penjanaan teks biasa, terjemahan mesin, dan juga kapsyen imej. @@ -71,7 +71,7 @@ Ambil beberapa pelajaran di Microsoft Learn mengenai topik ini * Penjanaan Teks dengan [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) -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Ulasan & Kajian Kendiri diff --git a/translations/ms/lessons/5-NLP/18-Transformers/README.md b/translations/ms/lessons/5-NLP/18-Transformers/README.md index 78cd7558..0713fac5 100644 --- a/translations/ms/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ms/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mekanisme Perhatian dan Transformer -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/35) Salah satu masalah paling penting dalam bidang NLP ialah **terjemahan mesin**, tugas penting yang menjadi asas kepada alat seperti Google Translate. Dalam bahagian ini, kita akan memberi tumpuan kepada terjemahan mesin, atau secara lebih umum, kepada sebarang tugas *sequence-to-sequence* (yang juga dipanggil **transduksi ayat**). @@ -108,7 +108,7 @@ Dalam pelajaran ini, anda telah mempelajari tentang Transformer dan Mekanisme Pe ## 🚀 Cabaran -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/ms/lessons/5-NLP/18-Transformers/READMEtransformers.md index 568b73c2..5ddddf74 100644 --- a/translations/ms/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/ms/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mekanisme Perhatian dan Transformer -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/35) Salah satu masalah terpenting dalam domain NLP adalah **penerjemahan mesin**, sebuah tugas penting yang menjadi dasar alat seperti Google Translate. Di bagian ini, kita akan fokus pada penerjemahan mesin, atau, lebih umum, pada setiap tugas *urutan-ke-urutan* (yang juga disebut **transduksi kalimat**). @@ -99,7 +99,7 @@ Dalam pelajaran ini, Anda belajar tentang Transformers dan Mekanisme Perhatian, ## 🚀 Tantangan -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Tinjauan & Studi Mandiri diff --git a/translations/ms/lessons/5-NLP/19-NER/README.md b/translations/ms/lessons/5-NLP/19-NER/README.md index 3f2c75b4..e52a3caa 100644 --- a/translations/ms/lessons/5-NLP/19-NER/README.md +++ b/translations/ms/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sehingga kini, kita telah banyak menumpukan perhatian kepada satu tugas NLP - klasifikasi. Walau bagaimanapun, terdapat juga tugas-tugas NLP lain yang boleh diselesaikan dengan rangkaian neural. Salah satu tugas tersebut ialah **[Pengenalan Entiti Bernama](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), yang berkaitan dengan mengenal pasti entiti tertentu dalam teks, seperti tempat, nama orang, selang masa, formula kimia, dan sebagainya. -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Contoh Penggunaan NER @@ -80,7 +80,7 @@ Model NER ialah **model klasifikasi token**, yang bermaksud ia boleh digunakan u Lengkapkan tugasan yang dipautkan di bawah untuk melatih model pengenalan entiti bernama untuk istilah perubatan, kemudian cuba pada set data yang berbeza. -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Kajian Semula & Kajian Kendiri diff --git a/translations/ms/lessons/5-NLP/20-LangModels/README.md b/translations/ms/lessons/5-NLP/20-LangModels/README.md index 268fc0c6..3ef9aaff 100644 --- a/translations/ms/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ms/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Dalam semua tugasan sebelum ini, kita melatih rangkaian neural untuk melaksanakan tugas tertentu menggunakan set data berlabel. Dengan model transformer besar seperti BERT, kita menggunakan pemodelan bahasa secara kendiri untuk membina model bahasa, yang kemudiannya disesuaikan untuk tugas hiliran tertentu dengan latihan tambahan yang khusus kepada domain. Walau bagaimanapun, telah dibuktikan bahawa model bahasa besar juga boleh menyelesaikan banyak tugas tanpa latihan khusus domain. Keluarga model yang mampu melakukan ini dipanggil **GPT**: Generative Pre-Trained Transformer. -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Penjanaan Teks dan Perpleksiti @@ -58,7 +58,7 @@ Teruskan pembelajaran anda dalam buku nota berikut: Model bahasa pra-latihan umum yang baru bukan sahaja memodelkan struktur bahasa, tetapi juga mengandungi sejumlah besar bahasa semula jadi. Oleh itu, ia boleh digunakan secara berkesan untuk menyelesaikan beberapa tugas NLP dalam tetapan zero-shot atau few-shot. -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/ms/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/ms/lessons/5-NLP/20-LangModels/READMELargeLang.md index afed9a2c..ab372809 100644 --- a/translations/ms/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/ms/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Dalam semua tugas sebelumnya, kami melatih jaringan saraf untuk melakukan tugas tertentu menggunakan dataset yang dilabeli. Dengan model transformer besar, seperti BERT, kami menggunakan pemodelan bahasa dengan cara yang diawasi sendiri untuk membangun model bahasa, yang kemudian disesuaikan untuk tugas hilir tertentu dengan pelatihan spesifik domain lebih lanjut. Namun, telah dibuktikan bahwa model bahasa besar juga dapat menyelesaikan banyak tugas tanpa pelatihan spesifik domain. Keluarga model yang mampu melakukan hal itu disebut **GPT**: Generative Pre-Trained Transformer. -## [Kuis Pra-perkuliahan](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Kuis Pra-perkuliahan](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generasi Teks dan Perplexity @@ -50,7 +50,7 @@ Lanjutkan pembelajaran Anda di notebook berikut: Model bahasa umum yang baru dilatih sebelumnya tidak hanya memodelkan struktur bahasa, tetapi juga mengandung sejumlah besar bahasa alami. Dengan demikian, mereka dapat digunakan secara efektif untuk menyelesaikan beberapa tugas NLP dalam pengaturan zero-shot atau few-shot. -## [Kuis Pasca-perkuliahan](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Kuis Pasca-perkuliahan](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Penafian**: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI berasaskan mesin. Walaupun kami berusaha untuk ketepatan, sila sedar bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sah. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/ms/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ms/lessons/6-Other/21-GeneticAlgorithms/README.md index 11f8d23f..fd32f075 100644 --- a/translations/ms/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ms/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritma Genetik -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algoritma Genetik** (GA) berasaskan pendekatan **evolusi** dalam AI, di mana kaedah evolusi populasi digunakan untuk mendapatkan penyelesaian optimum bagi sesuatu masalah. Ia dicadangkan pada tahun 1975 oleh [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Algoritma Genetik digunakan untuk menyelesaikan banyak masalah, termasuk logisti "Algoritma genetik mudah dilaksanakan, tetapi tingkah lakunya sukar difahami." [sumber](https://wikipedia.org/wiki/Genetic_algorithm) Lakukan sedikit penyelidikan untuk mencari pelaksanaan algoritma genetik seperti menyelesaikan teka-teki Sudoku, dan terangkan bagaimana ia berfungsi dalam bentuk lakaran atau carta alir. -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/6-Other/22-DeepRL/README.md b/translations/ms/lessons/6-Other/22-DeepRL/README.md index b52811b5..57f5c028 100644 --- a/translations/ms/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ms/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pembelajaran pengukuhan (RL) dianggap sebagai salah satu paradigma asas pembelajaran mesin, selain pembelajaran diselia dan pembelajaran tidak diselia. Dalam pembelajaran diselia, kita bergantung pada dataset dengan hasil yang diketahui, manakala RL berdasarkan **belajar melalui pengalaman**. Sebagai contoh, apabila kita pertama kali melihat permainan komputer, kita mula bermain walaupun tanpa mengetahui peraturannya, dan tidak lama kemudian kita dapat meningkatkan kemahiran kita hanya melalui proses bermain dan menyesuaikan tingkah laku kita. -## [Kuiz pra-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/43) Untuk melaksanakan RL, kita memerlukan: @@ -110,7 +110,7 @@ Kita kini telah belajar bagaimana melatih agen untuk mencapai hasil yang baik ha Terokai aplikasi yang disenaraikan dalam bahagian 'Tugas RL Lain' dan cuba laksanakan salah satu daripadanya! -## [Kuiz pasca-kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kuiz pasca-kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Kajian & Pembelajaran Kendiri diff --git a/translations/ms/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ms/lessons/6-Other/23-MultiagentSystems/README.md index 8103641f..dc76185c 100644 --- a/translations/ms/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ms/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Salah satu cara untuk mencapai kecerdasan adalah melalui pendekatan **emergent** (atau **sinergi**), yang berdasarkan fakta bahawa gabungan tingkah laku banyak ejen yang agak mudah boleh menghasilkan tingkah laku sistem keseluruhan yang lebih kompleks (atau pintar). Secara teori, ini berdasarkan prinsip [Kecerdasan Kolektif](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain) dan [Sibernetik Evolusi](https://en.wikipedia.org/wiki/Global_brain), yang menyatakan bahawa sistem tahap tinggi memperoleh nilai tambah apabila digabungkan dengan betul daripada sistem tahap rendah (dikenali sebagai *prinsip peralihan metasistem*). -## [Kuiz Pra-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Kuiz Pra-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/45) Arah **Sistem Multi-Ejen** muncul dalam AI pada tahun 1990-an sebagai tindak balas kepada pertumbuhan Internet dan sistem teragih. Salah satu buku teks AI klasik, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), memberi tumpuan kepada pandangan AI klasik dari sudut pandangan sistem multi-ejen. @@ -152,7 +152,7 @@ Kesemuanya cenderung memberi tumpuan kepada tingkah laku individu ejen yang lebi Bawa pelajaran ini ke dunia nyata dan cuba konseptualisasikan sistem multi-ejen yang boleh menyelesaikan masalah. Apa, sebagai contoh, yang perlu dilakukan oleh sistem multi-ejen untuk mengoptimumkan laluan bas sekolah? Bagaimana ia boleh berfungsi di sebuah kedai roti? -## [Kuiz Pasca-Kuliah](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kuiz Pasca-Kuliah](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Ulasan & Kajian Kendiri diff --git a/translations/my/lessons/1-Intro/README.md b/translations/my/lessons/1-Intro/README.md index 8bf2f843..8fe9050a 100644 --- a/translations/my/lessons/1-Intro/README.md +++ b/translations/my/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: အင်တာနက်ပေါ်တွင် လေ့လာပြီး AI ကို အကျိုးရှိဆုံးအသုံးပြုနေသော နေရာကို သင်၏အမြင်အရ သတ်မှတ်ပါ။ ၎င်းသည် မြေပုံဆွဲအက်ပ်တစ်ခုတွင်ဖြစ်နိုင်သလို၊ စကားမှစာသားသို့ ပြောင်းလဲခြင်းဝန်ဆောင်မှုတစ်ခု၊ သို့မဟုတ် ဗီဒီယိုဂိမ်းတစ်ခုတွင်လည်း ဖြစ်နိုင်ပါသည်။ ၎င်းစနစ်ကို ဘယ်လိုတည်ဆောက်ခဲ့သည်ကို သုတေသနပြုပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/2-Symbolic/README.md b/translations/my/lessons/2-Symbolic/README.md index b190c190..f0784d5c 100644 --- a/translations/my/lessons/2-Symbolic/README.md +++ b/translations/my/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: အတုယူစွမ်းရည် (AI) ကိုဖန်တီးရန် ကြိုးပမ်းမှုသည် လူသားများကဲ့သို့ ကမ္ဘာကြီးကို နားလည်နိုင်ရန် အသိပညာကို ရှာဖွေခြင်းအပေါ် အခြေခံထားသည်။ ဒါပေမယ့် ဒါကို ဘယ်လိုလုပ်ဆောင်ရမလဲ? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI ရဲ့အစောပိုင်းကာလတွေမှာ အထက်မှအောက်သို့ (top-down) လမ်းစဉ်ကို အသုံးပြုပြီး စက်ရုပ်စနစ်တွေကို ဖန်တီးခဲ့ပါတယ်။ ဒီနည်းလမ်းက လူတွေထံမှ အသိပညာကို စက်နားလည်နိုင်တဲ့ပုံစံတစ်ခုအဖြစ် ရယူပြီး ပြဿနာတွေကို အလိုအလျောက် ဖြေရှင်းနိုင်ဖို့ ရည်ရွယ်ထားတာပါ။ ဒီနည်းလမ်းမှာ အဓိကအယူအဆနှစ်ခုပါဝင်ပါတယ်။ @@ -198,7 +198,7 @@ Microsoft Research မှ ကြိုးပမ်းမှုတစ်ခုအ ဤသင်ခန်းစာနှင့် ဆက်စပ်သော Family Ontology notebook တွင် မိသားစုဆက်ဆံရေးအခြေအနေများကို စမ်းသပ်နိုင်ရန် အခွင့်အလမ်းရှိသည်။ မိသားစုသစ်အတွင်း လူများအကြား ဆက်စပ်မှုအသစ်များကို ရှာဖွေကြည့်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/my/lessons/3-NeuralNetworks/03-Perceptron/README.md index 479e8b30..1c257c9f 100644 --- a/translations/my/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/my/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # နယူးရယ်နက်ဝက်များအကြောင်း အကျဉ်းချုပ်: ပာစက်ထရွန် -## [မဆွေးနွေးမီ စမ်းမေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [မဆွေးနွေးမီ စမ်းမေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/5) နယူးရယ်နက်ဝက်တစ်ခုကို အချိန်မီနည်းလမ်းဖြင့် ဖန်တီးရန် ပထမဆုံးကြိုးစားမှုတစ်ခုကို 1957 ခုနှစ်တွင် Cornell Aeronautical Laboratory မှ Frank Rosenblatt က ပြုလုပ်ခဲ့သည်။ ၎င်းသည် "Mark-1" ဟုခေါ်သော ဟာ့ဒ်ဝဲတစ်ခုဖြစ်ပြီး၊ တိရိစ္ဆာန်ပုံစံများ (ဥပမာ- တြိဂံ၊ စတုရန်း၊ စက်ဝိုင်း) ကို အသိအမှတ်ပြုနိုင်ရန် ဒီဇိုင်းပြုလုပ်ထားသည်။ @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): သင့်ကိုယ်ပိုင် ပာစက်ထရွန်တစ်ခု ဖန်တီးကြည့်လိုပါက၊ [Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) တွင်ရှိသော [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) ကို အသုံးပြု၍ လေ့လာကြည့်ပါ။ -## [သင်ခန်းစာပြီးနောက် စမ်းမေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [သင်ခန်းစာပြီးနောက် စမ်းမေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/my/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 4e2554e1..bef4a3bc 100644 --- a/translations/my/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/my/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: ထို့အပြင် Python တွင် မိမိကိုယ်တိုင် modular framework တစ်ခုကို ဖွံ့ဖြိုးတိုးတက်စေပြီး၊ နယူးရယ်နက်ဝက် architecture များကို တည်ဆောက်နိုင်စေမည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Machine Learning ကို တိကျစွာ ဖော်ပြခြင်း @@ -82,7 +82,7 @@ Gradient descent algorithm သည် အတူတူပင်ရှိနေသ [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) notebook သို့ သွားပြီး အလုပ်လုပ်ပါ။ -## [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 diff --git a/translations/my/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/my/lessons/3-NeuralNetworks/05-Frameworks/README.md index 922f4cac..cd3d2c61 100644 --- a/translations/my/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/my/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * Tensor များပေါ်တွင် လုပ်ဆောင်ရန်၊ ဥပမာ- တိုးမြှင့်ခြင်း၊ ပေါင်းခြင်း၊ sigmoid သို့မဟုတ် softmax ကဲ့သို့သော အချို့သော function များကိုတွက်ချက်ရန် * Gradient descent optimization ကိုလုပ်ဆောင်ရန်အတွက် expression အားလုံး၏ gradient များကိုတွက်ချက်ရန် -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy` library သည် ပထမအချက်ကိုလုပ်ဆောင်နိုင်သော်လည်း gradient များကိုတွက်ချက်ရန်အတွက် mechanism တစ်ခုလိုအပ်ပါတယ်။ [ကျွန်တော်တို့ဖရိမ်းဝက်](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) တွင် ကျွန်တော်တို့သည် `backward` method အတွင်း derivative function အားလုံးကို လက်ဖြင့်ရေးသားရပြီး backpropagation ကိုလုပ်ဆောင်ခဲ့ရပါတယ်။ အကောင်းဆုံးအားဖြင့် ဖရိမ်းဝက်သည် ကျွန်တော်တို့သတ်မှတ်နိုင်သည့် *မည်သည့် expression* ၏ gradient များကိုမဆိုတွက်ချက်နိုင်စေရန် အခွင့်အလမ်းပေးသင့်ပါတယ်။ @@ -106,7 +106,7 @@ Training အတွင်း bias error သည်လျော့နည်းလ အတူတူပါဝင်သော notebook များတွင် 'tasks' များကိုအောက်ဆုံးတွင်တွေ့နိုင်ပါသည်။ Notebook များကိုလုပ်ဆောင်ပြီး tasks များကိုပြီးမြောက်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/my/lessons/4-ComputerVision/06-IntroCV/README.md index 380a6ae7..3f967003 100644 --- a/translations/my/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/my/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [ကွန်ပျူတာဗီရှင်း](https://wikipedia.org/wiki/Computer_vision) ဆိုတာက ကွန်ပျူတာတွေကို ဒစ်ဂျစ်တယ်ပုံရိပ်တွေကို အဆင့်မြင့်နားလည်မှုရရှိစေဖို့ ရည်ရွယ်တဲ့ အပိုင်းတစ်ခုဖြစ်ပါတယ်။ ဒီအဓိပ္ပါယ်က အတော်လေးကျယ်ပြန့်ပြီး *နားလည်မှု* ဆိုတာ အမျိုးမျိုးသောအရာတွေကို ဆိုလိုနိုင်ပါတယ်။ ဥပမာအားဖြင့် ပုံထဲမှာ အရာဝတ္ထုတစ်ခုကို ရှာဖွေခြင်း (**object detection**), ဖြစ်ပျက်နေတဲ့အရာကို နားလည်ခြင်း (**event detection**), ပုံကို စာသားနဲ့ ဖော်ပြခြင်း, ဒါမှမဟုတ် 3D အနေအထားမှာ ရှုခင်းကို ပြန်လည်တည်ဆောက်ခြင်းစသည်ဖြင့်။ လူပုံရိပ်တွေနဲ့ဆိုင်တဲ့ အထူးလုပ်ငန်းတွေပါရှိပါတယ် - အသက်အရွယ်နဲ့ခံစားချက်ခန့်မှန်းခြင်း, မျက်နှာရှာဖွေခြင်းနဲ့ မှတ်မိခြင်း, 3D အနေအထားခန့်မှန်းခြင်းစသည်ဖြင့်။ -## [မိန့်ခွန်းမတိုင်မီမေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [မိန့်ခွန်းမတိုင်မီမေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/11) ကွန်ပျူတာဗီရှင်းရဲ့ အလွယ်ဆုံးလုပ်ငန်းတစ်ခုက **ပုံရိပ်အမျိုးအစားခွဲခြင်း** ဖြစ်ပါတယ်။ @@ -105,7 +105,7 @@ OpenCV ကို အသုံးပြုပြီး ဗီဒီယို fram AI show မှာ [ဒီဗီဒီယို](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) ကို ကြည့်ပြီး Cortic Tigers project အကြောင်းနဲ့ သူတို့ဘယ်လို robot ကို အသုံးပြုပြီး computer vision လုပ်ငန်းတွေကို democratize လုပ်ဖို့ block-based solution တည်ဆောက်ခဲ့တယ်ဆိုတာကို သင်ယူပါ။ ဒီလို project အခြားတွေကို ရှာဖွေပြီး ကွန်ပျူတာဗီရှင်းနယ်ပယ်ကို သင်ယူသူအသစ်တွေ onboard လုပ်ဖို့ ဘယ်လိုကူညီနိုင်တယ်ဆိုတာကို သုတေသနလုပ်ပါ။ -## [မိန့်ခွန်းပြီးနောက်မေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [မိန့်ခွန်းပြီးနောက်မေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/my/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 1b2f8cac..c26dc6ab 100644 --- a/translations/my/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/my/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet နှင့်ပတ်သက်သော [blog post](https://medium. ထည့်သွင်းထားသော notebooks တွင် တိကျမှုပိုမိုရရှိရန်အကြောင်းအရာများကို အောက်ဆုံးတွင် မှတ်ချက်ထားရှိထားသည်။ တိကျမှုပိုမိုရရှိနိုင်မည်ကို စမ်းသပ်ကြည့်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/my/lessons/4-ComputerVision/07-ConvNets/README.md index 87cc8430..9e004efd 100644 --- a/translations/my/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/my/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ယခင်က ကျွန်ုပ်တို့မြင်ခဲ့သည့်အတိုင်း နယူးရယ်နက်ဝက်များသည် ပုံများကို ကိုင်တွယ်ရာတွင် အတော်လေးကောင်းမွန်ပြီး MNIST ဒေတာစနစ်မှ လက်ဖြင့်ရေးသားထားသော ဂဏန်းများကိုတောင် တစ်လွှာပဲရှိသော perceptron ဖြင့် တော်တော်လေးတိကျစွာ မှတ်မိနိုင်သည်။ သို့သော် MNIST ဒေတာစနစ်သည် အထူးသဖြင့် ဂဏန်းများအားလုံးကို ပုံ၏အလယ်တွင်ထားရှိထားသောကြောင့် အလုပ်ကို ပိုမိုလွယ်ကူစေသည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/13) အမှန်တကယ်ဘဝတွင် ပုံ၏တိကျသောတည်နေရာမဟုတ်ဘဲ ပုံတစ်ပုံတွင် အရာဝတ္ထုများကို မှတ်မိနိုင်စေရန်လိုအပ်သည်။ ကွန်ပျူတာမြင်ကြည့်မှုသည် အထွေထွေခွဲခြားမှုနှင့်ကွဲပြားပြီး ပုံတစ်ပုံတွင် အရာဝတ္ထုတစ်ခုကို ရှာဖွေရာတွင် အချို့သော **ပုံစံများ** နှင့် ၎င်းတို့၏ပေါင်းစည်းမှုများကို ရှာဖွေရန် ပုံကို စစ်ဆေးနေသည်။ ဥပမာအားဖြင့် ကြောင်တစ်ကောင်ကို ရှာဖွေရာတွင် အရင်ဆုံး အလျားလိုက်လိုင်းများကို ရှာဖွေပြီး ၎င်းတို့သည် ကြောင်၏မုတ်ဆိတ်ဖြစ်နိုင်သည်ဟု သတ်မှတ်နိုင်သည်။ ထို့နောက် မုတ်ဆိတ်ပုံစံတစ်ခုတည်းဖြင့် ၎င်းသည် ကြောင်ပုံတစ်ပုံဖြစ်ကြောင်း ပြောနိုင်သည်။ ပုံတစ်ပုံတွင် တိကျသောတည်နေရာထက် ပုံစံတစ်ခု၏ ဆက်စပ်မှုနှင့် ရှိနေမှုသည် အရေးကြီးသည်။ diff --git a/translations/my/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/my/lessons/4-ComputerVision/08-TransferLearning/README.md index e5e41f61..1ece43d7 100644 --- a/translations/my/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/my/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN များကို သင်ကြားရန်အချိန်များစွာလိုအပ်ပြီး၊ အချက်အလက်များစွာလည်း လိုအပ်ပါသည်။ သို့သော် အချိန်အများစုမှာ ပုံများမှ pattern များကို ထုတ်ယူရန် အသုံးပြုနိုင်သော အနိမ့်အဆင့် filter များကို သင်ယူရန်အတွက် အသုံးပြုသည်။ ထို့ကြောင့် သဘာဝကျသောမေးခွန်းတစ်ခုဖြစ်သည်မှာ - တစ်ခုသော dataset တွင် သင်ကြားထားသော neural network ကို အသုံးပြုပြီး အခြားပုံများကို အပြည့်အဝ သင်ကြားစရာမလိုဘဲ ခွဲခြားနိုင်မည်လား? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) ဒီနည်းလမ်းကို **transfer learning** ဟုခေါ်သည်၊ အကြောင်းမှာ တစ်ခုသော neural network model မှ knowledge တစ်စိတ်တစ်ပိုင်းကို အခြား model သို့ လွှဲပြောင်းသုံးစွဲခြင်းဖြစ်သည်။ Transfer learning တွင် ကျွန်ုပ်တို့သည် ပုံမှန်အားဖြင့် **ImageNet** ကဲ့သို့သော အကြီးစား image dataset တစ်ခုတွင် သင်ကြားထားသော pre-trained model တစ်ခုဖြင့် စတင်ပါသည်။ ဒီ model များသည် ပုံမှန်ပုံများမှ အမျိုးမျိုးသော feature များကို ထုတ်ယူနိုင်ပြီး၊ အများစုတွင် ထို feature များပေါ်တွင် classifier တစ်ခုတည်ဆောက်ခြင်းဖြင့် အကောင်းဆုံးရလဒ်ရနိုင်သည်။ @@ -76,7 +76,7 @@ Transfer learning ကို အသုံးပြုခြင်းဖြင့ အတူတကွပါဝင်သော notebook များတွင်၊ training data နှင့် ဆင်တူသော data များတွင် transfer knowledge အလုပ်လုပ်ပုံကို ဖော်ပြထားသည်။ အလုံးစုံမတူညီသော image များဖြင့် စမ်းသပ်ပြီး၊ transfer knowledge model များ၏ အလုပ်လုပ်ပုံကို ကြည့်ရှုပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/my/lessons/4-ComputerVision/09-Autoencoders/README.md index 214e8a79..5a553ec6 100644 --- a/translations/my/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/my/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN များကိုလေ့ကျင့်ရာတွင် အဓိကပြဿနာတစ်ခုမှာ အမှတ်အသားပြုထားသော ဒေတာများအများကြီးလိုအပ်သည်။ ဥပမာအားဖြင့် ပုံများကို အမျိုးအစားအလိုက်ခွဲခြားရန် လိုအပ်ပြီး၊ ၎င်းသည်လူ့အင်အားဖြင့် လုပ်ဆောင်ရမည့်အလုပ်ဖြစ်သည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) သို့သော်၊ CNN feature extractors များကိုလေ့ကျင့်ရန် အမှတ်အသားမပြုထားသော (raw) ဒေတာများကို အသုံးပြုလိုနိုင်သည်။ ၎င်းကို **self-supervised learning** ဟုခေါ်သည်။ အမှတ်အသားများအစား၊ ပုံများကို network input နှင့် output အဖြစ်အသုံးပြုမည်ဖြစ်သည်။ **autoencoder** ၏ အဓိကအကြောင်းအရာမှာ **encoder network** တစ်ခုကို အသုံးပြု၍ input ပုံကို **latent space** (အများအားဖြင့် အရွယ်အစားသေးငယ်သော vector) တစ်ခုအဖြစ် ပြောင်းလဲပြီး၊ **decoder network** သည် မူရင်းပုံကို ပြန်လည်ဖန်တီးရန် ရည်ရွယ်ထားသည်။ @@ -80,7 +80,7 @@ Autoencoders အကြောင်းကို အောက်ပါ notebooks * **Lossy** - ပြန်လည်ဖန်တီးထားသောပုံသည် မူရင်းပုံနှင့် တူညီမှုမရှိပါ။ Loss ၏ nature ကို training အတွင်း အသုံးပြုသော *loss function* က သတ်မှတ်သည်။ * **Unlabeled data** တွင် အလုပ်လုပ်သည်။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## အကျဉ်းချုပ် @@ -90,7 +90,7 @@ Autoencoders အကြောင်းကို အောက်ပါ notebooks ဤသင်ခန်းစာတွင် autoencoders ကို ပုံများအတွက် အသုံးပြုခြင်းကို သင်လေ့လာခဲ့သည်။ သို့သော်၊ ၎င်းတို့ကို ဂီတအတွက်လည်း အသုံးပြုနိုင်သည်! Magenta project ၏ [MusicVAE](https://magenta.tensorflow.org/music-vae) ကို ကြည့်ရှုပါ၊ autoencoders ကို အသုံးပြုကာ ဂီတကို ပြန်လည်ဖန်တီးရန် လေ့လာထားသည်။ ဤ library ကို အသုံးပြုကာ [အတွေ့အကြုံများ](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) လုပ်ဆောင်ပြီး၊ သင်ဖန်တီးနိုင်သည့်အရာများကို ကြည့်ရှုပါ။ -## [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 diff --git a/translations/my/lessons/4-ComputerVision/10-GANs/README.md b/translations/my/lessons/4-ComputerVision/10-GANs/README.md index 54a7d16a..de5be070 100644 --- a/translations/my/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/my/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: မကြာသေးမီကပိုင်းတွင် **generative models** အကြောင်းကိုလေ့လာခဲ့ပါသည်။ Generative models ဆိုသည်မှာ သင်ကြားမှု dataset ထဲရှိပုံများနှင့်တူသော ပုံအသစ်များကို ဖန်တီးနိုင်သော မော်ဒယ်များဖြစ်သည်။ VAE သည် generative model တစ်ခုအနေဖြင့် ကောင်းမွန်သော ဥပမာတစ်ခုဖြစ်သည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) သို့သော် VAE ကို အသုံးပြု၍ အဓိပ္ပါယ်ရှိသော ပုံများကို သင့်တင့်သော resolution ဖြင့် ဖန်တီးရန်ကြိုးစားပါက သင်ကြားမှုသည် ကောင်းစွာမရောက်ရှိနိုင်ပါ။ ဒီလိုအခြေအနေတွင် generative models အတွက် အထူးသီးသန့်ဖန်တီးထားသော architecture တစ်ခုဖြစ်သည့် **Generative Adversarial Networks** (GANs) အကြောင်းကို လေ့လာရမည်ဖြစ်သည်။ @@ -85,7 +85,7 @@ GANs သည် အနုပညာပုံများ ဖန်တီးရန ## ✍️ Example: [Style Transfer](../../../../../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) ## နိဂုံး diff --git a/translations/my/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/my/lessons/4-ComputerVision/11-ObjectDetection/README.md index 235fd547..80ebcd77 100644 --- a/translations/my/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/my/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ယခင်က ကျွန်ုပ်တို့ handling လုပ်ခဲ့သော ပုံရိပ်အမျိုးအစားခွဲခြားမှုမော်ဒယ်များသည် ပုံရိပ်တစ်ခုကိုယူပြီး MNIST ပြဿနာတွင် 'number' အတန်းလိုမျိုး အမျိုးအစားရလဒ်တစ်ခုကိုထုတ်ပေးသည်။ သို့သော် အများသောအားဖြင့် ပုံရိပ်တွင် အရာဝတ္ထုများပါဝင်သည်ကိုသာမက၊ ၎င်းတို့၏တိကျသောတည်နေရာကိုသိလိုသည်။ **အရာဝတ္ထုရှာဖွေခြင်း**၏အဓိကရည်ရွယ်ချက်မှာ အတိအကျတည်နေရာကိုသတ်မှတ်နိုင်ရန်ဖြစ်သည်။ -## [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](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.my.png) @@ -171,7 +171,7 @@ YOLO အပေါ်ရှိဤဆောင်းပါးများနှင * 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 diff --git a/translations/my/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/my/lessons/4-ComputerVision/12-Segmentation/README.md index e3dac7c7..bca24eba 100644 --- a/translations/my/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/my/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ယခင်က ကျွန်ုပ်တို့ Object Detection အကြောင်းကို လေ့လာခဲ့ပြီး၊ *bounding boxes* ကိုခန့်မှန်းခြင်းဖြင့် ပုံထဲရှိ objects တွေကို ရှာဖွေနိုင်ခဲ့ပါတယ်။ သို့သော် အချို့သောအလုပ်များအတွက် bounding boxes ပဲမဟုတ်ဘဲ၊ ပိုမိုတိကျသော object localization လည်းလိုအပ်ပါတယ်။ ဒီအလုပ်ကို **segmentation** လို့ခေါ်ပါတယ်။ -## [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 ကို **pixel classification** အနေနဲ့မြင်နိုင်ပြီး၊ ပုံရိပ်ရဲ့ **တစ်ခုချင်းစီ** pixel အတွက် class ကိုခန့်မှန်းရမယ် (*background* က classes တွေထဲကတစ်ခုဖြစ်ပါတယ်)။ Segmentation algorithm နှစ်မျိုးရှိပါတယ်- @@ -56,7 +56,7 @@ Segmentation အတွက် အသုံးပြုတဲ့ loss function က * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## နိဂုံး diff --git a/translations/my/lessons/5-NLP/13-TextRep/README.md b/translations/my/lessons/5-NLP/13-TextRep/README.md index 3577c01b..71b95315 100644 --- a/translations/my/lessons/5-NLP/13-TextRep/README.md +++ b/translations/my/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # စာသားကို Tensor အဖြစ် ကိုယ်စားပြုခြင်း -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## စာသား အမျိုးအစားခွဲခြားခြင်း @@ -73,7 +73,7 @@ BoW ၏ ပြဿနာမှာ *and*, *is* ကဲ့သို့သော စ Bag-of-Words နှင့် အခြား Data Model များကို အသုံးပြု၍ အခြားသော လေ့ကျင့်မှုများကို စမ်းသပ်ကြည့်ပါ။ ဤ [Kaggle ပြိုင်ပွဲ](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) မှ အကြံဉာဏ်ရနိုင်ပါသည်။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/5-NLP/14-Embeddings/README.md b/translations/my/lessons/5-NLP/14-Embeddings/README.md index aef19775..281efbc5 100644 --- a/translations/my/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/my/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) BoW သို့မဟုတ် TF/IDF အခြေခံထားသော classifier များကို သင်ကြားသင့်သောအခါတွင် `vocab_size` အရှည်ရှိသော အမြင့် dimension bag-of-words vectors များကို အသုံးပြုခဲ့ပြီး၊ အနိမ့် dimension positional representation vectors များမှ sparse one-hot representation သို့ အတိအကျပြောင်းလဲခဲ့သည်။ သို့သော် one-hot representation သည် memory ကို ထိရောက်စွာ အသုံးမပြုနိုင်ပါ။ ထို့အပြင်၊ စကားလုံးတစ်လုံးချင်းစီကို တစ်ခုချင်းစီ သီးခြားစီဆက်ဆံသည်၊ ဤအနေအထားတွင် one-hot encoded vectors များသည် စကားလုံးများအကြား semantic ဆက်စပ်မှုကို မဖော်ပြနိုင်ပါ။ @@ -65,7 +65,7 @@ Word2Vec ကဲ့သို့သော traditional pretrained embedding represe Word2Vec ကို သီချင်းစာသားများနှင့် ကဗျာများ ဖန်တီးရန် အပါအဝင် စိတ်ဝင်စားဖွယ် အပလီကေးရှင်းများအတွက် အသုံးပြုခဲ့သည်။ [ဤဆောင်းပါး](https://www.politetype.com/blog/word2vec-color-poems) ကို ကြည့်ရှုပါ၊ ၎င်းတွင် စာရေးသူသည် Word2Vec ကို အသုံးပြု၍ ကဗျာများ ဖန်တီးပုံကို ရှင်းလင်းဖော်ပြထားသည်။ [Dan Shiffmann ၏ ဤဗီဒီယို](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) ကိုလည်း ကြည့်ရှု၍ ဤနည်းလမ်း၏ အခြားရှင်းလင်းချက်တစ်ခုကို ရှာဖွေပါ။ ထို့နောက်၊ Kaggle မှ ရရှိနိုင်သော သင့်ကိုယ်ပိုင် စာသား corpus အပေါ်တွင် ဤနည်းလမ်းများကို လက်တွေ့အသုံးပြုကြည့်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/5-NLP/15-LanguageModeling/README.md b/translations/my/lessons/5-NLP/15-LanguageModeling/README.md index 50502713..7bfc042a 100644 --- a/translations/my/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/my/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantic embeddings (ဥပမာ - Word2Vec နှင့် GloVe) ဆိုသည်မှာ **ဘာသာစကား မော်ဒယ်ဖွဲ့စည်းခြင်း** (language modeling) သို့ ရောက်ရှိရန် ပထမအဆင့်ဖြစ်သည်။ ၎င်းသည် ဘာသာစကား၏ သဘာဝကို *နားလည်* (သို့မဟုတ် *တင်ပြ*) နိုင်သော မော်ဒယ်များ ဖန်တီးရန် ရည်ရွယ်သည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/29) ဘာသာစကား မော်ဒယ်ဖွဲ့စည်းခြင်း၏ အဓိက အကြောင်းအရာမှာ အမှတ်အသားမပါသော ဒေတာများကို unsupervised နည်းလမ်းဖြင့် လေ့ကျင့်ခြင်းဖြစ်သည်။ ၎င်းသည် အရေးကြီးသည်မှာ အမှတ်အသားမပါသော စာသားများမှာ အလွန်များပြားစွာ ရရှိနိုင်သော်လည်း အမှတ်အသားပါသော စာသားများမှာ အမှတ်အသားပေးရန် လိုအပ်သော ကြိုးစားမှုကြောင့် အကန့်အသတ်ရှိလိမ့်မည်ဖြစ်သည်။ အများအားဖြင့်, စာသားအတွင်း **ပျောက်နေသော စကားလုံးများကို ခန့်မှန်းနိုင်သော** ဘာသာစကား မော်ဒယ်များကို ဖန်တီးနိုင်သည်။ ၎င်းသည် စာသားအတွင်းရှိ စကားလုံးတစ်လုံးကို မည်သည့်အချိန်မဆို ဖျောက်ထားပြီး ၎င်းကို လေ့ကျင့်မှု နမူနာအဖြစ် အသုံးပြုနိုင်သောကြောင့် လွယ်ကူသည်။ @@ -38,7 +38,7 @@ Semantic embeddings (ဥပမာ - Word2Vec နှင့် GloVe) ဆိုသ ယခင် သင်ခန်းစာတွင်, စကားလုံး embeddings များသည် မျက်လှည့်ကဲ့သို့ အလုပ်လုပ်သည်ကို မြင်ခဲ့ပါသည်။ ယခု, စကားလုံး embeddings များကို လေ့ကျင့်ခြင်းသည် အလွန်ရှုပ်ထွေးသော အလုပ်မဟုတ်ကြောင်း သိရှိပြီး, လိုအပ်ပါက domain-specific စာသားများအတွက် ကိုယ်ပိုင် စကားလုံး embeddings များကို လေ့ကျင့်နိုင်မည်ဖြစ်သည်။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## ပြန်လည်ဆန်းစစ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု diff --git a/translations/my/lessons/5-NLP/16-RNN/README.md b/translations/my/lessons/5-NLP/16-RNN/README.md index 2cca8ae4..ea9f60c9 100644 --- a/translations/my/lessons/5-NLP/16-RNN/README.md +++ b/translations/my/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ပြန်လည်ထပ်မံလုပ်ဆောင်သော နယူးရယ်နက်ဝက်များ -## [မစခင် စစ်ဆေးမေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [မစခင် စစ်ဆေးမေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/31) ယခင်ပိုင်းတွင် ကျွန်ုပ်တို့သည် စာသားများ၏ အဓိပ္ပာယ်ကို ဖော်ပြနိုင်သော အထူးသက်ရောက်မှုရှိသော ကိုယ်စားပြုမှုများနှင့် အထက်တွင် ရိုးရှင်းသော လိုင်းနီယာ ခွဲခြားစနစ်ကို အသုံးပြုခဲ့ပါသည်။ ဤစနစ်သည် စာကြောင်းတစ်ကြောင်းအတွင်းရှိ စကားလုံးများ၏ စုပေါင်းအဓိပ္ပာယ်ကို ဖမ်းယူနိုင်သော်လည်း စကားလုံးများ၏ **အစီအစဉ်** ကို မထည့်သွင်းစဉ်းစားပါ၊ အကြောင်းမှာ ကိုယ်စားပြုမှုများအပေါ် စုပေါင်းလုပ်ဆောင်မှုသည် မူလစာသားမှ ဤအချက်အလက်ကို ဖယ်ရှားလိုက်သောကြောင့် ဖြစ်သည်။ ထို့ကြောင့် ဤမော်ဒယ်များသည် စကားလုံးအစီအစဉ်ကို မဖော်ပြနိုင်သဖြင့် စာသားထုတ်လုပ်ခြင်း သို့မဟုတ် မေးခွန်းဖြေဆိုခြင်းကဲ့သို့သော ရှုပ်ထွေးသော အလုပ်များကို မဖြေရှင်းနိုင်ပါ။ @@ -85,7 +85,7 @@ LSTM များနှင့် ၎င်းတို့၏ လက်တွေ - [Grid Long Short-Term Memory](https://arxiv.org/pdf/1507.01526v1.pdf) - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [မပြီးဆုံးမေးခွန်း](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [မပြီးဆုံးမေးခွန်း](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md index bbf7fae7..8b02a210 100644 --- a/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) နှင့် Long Short Term Memory Cells (LSTMs)၊ Gated Recurrent Units (GRUs) ကဲ့သို့သော gated cell မျိုးကွဲများသည် စကားလုံးများ၏ အစီအစဉ်ကို သင်ယူနိုင်ပြီး အစီအစဉ်အတွင်း နောက်တစ်ခုလာမည့် စကားလုံးကို ခန့်မှန်းပေးနိုင်သောကြောင့် ဘာသာစကားမော်ဒယ်ဖန်တီးရာတွင် အထောက်အကူဖြစ်စေပါသည်။ ၎င်းတို့ကို အသုံးပြု၍ RNNs ကို **ဖန်တီးမှုဆိုင်ရာ အလုပ်များ** (ဥပမာ- ပုံမှန်စာသားဖန်တီးခြင်း၊ စက်ဖြင့်ဘာသာပြန်ခြင်း၊ ပုံအကြောင်းဖော်ပြချက်ရေးခြင်း) အတွက် အသုံးပြုနိုင်ပါသည်။ @@ -71,7 +71,7 @@ Microsoft Learn တွင် ဤအကြောင်းအရာနှင့် * [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) ဖြင့် စာသားဖန်တီးခြင်း -## [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 diff --git a/translations/my/lessons/5-NLP/18-Transformers/README.md b/translations/my/lessons/5-NLP/18-Transformers/README.md index dccc4cb0..a2ecbc34 100644 --- a/translations/my/lessons/5-NLP/18-Transformers/README.md +++ b/translations/my/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # အာရုံစိုက်မှု Mechanisms နှင့် 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) NLP နယ်ပယ်တွင် အရေးကြီးဆုံးပြဿနာများထဲမှ တစ်ခုက **စက်ဖြင့်ဘာသာပြန်ခြင်း** ဖြစ်ပြီး၊ Google Translate ကဲ့သို့သော tools များ၏ အခြေခံအလုပ်ဖြစ်သည်။ ဒီအပိုင်းမှာ ကျွန်တော်တို့ **စက်ဖြင့်ဘာသာပြန်ခြင်း** (သို့မဟုတ် **sequence-to-sequence** task) ကို အဓိကထားပြီး လေ့လာပါမည်။ @@ -108,7 +108,7 @@ Input position တစ်ခုစီကို output position တစ်ခုစ ## 🚀 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 diff --git a/translations/my/lessons/5-NLP/19-NER/README.md b/translations/my/lessons/5-NLP/19-NER/README.md index e0d0674b..46ef29fa 100644 --- a/translations/my/lessons/5-NLP/19-NER/README.md +++ b/translations/my/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ယနေ့အထိ ကျွန်ုပ်တို့သည် အဓိကအားဖြင့် NLP အလုပ်တစ်ခုဖြစ်သည့် အမျိုးအစားသတ်မှတ်ခြင်း (classification) ကိုသာ အာရုံစိုက်ခဲ့ပါသည်။ သို့သော်၊ နယူးရယ်နက်ဝက် (neural networks) များကို အသုံးပြု၍ ပြုလုပ်နိုင်သည့် အခြားသော NLP အလုပ်များလည်း ရှိပါသည်။ ထိုအလုပ်များထဲမှ တစ်ခုမှာ **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) ဖြစ်ပြီး၊ ၎င်းသည် စာသားအတွင်းရှိ အထူးသတ်မှတ်ထားသော အရာများကို (ဥပမာ - နေရာများ၊ လူအမည်များ၊ ရက်စွဲ-အချိန်ကာလများ၊ ဓာတုဖော်မြူလာများ စသည်) ရှာဖွေသိရှိရန် အသုံးပြုသည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER ကို အသုံးပြုသော ဥပမာ @@ -80,7 +80,7 @@ NER မော်ဒယ်သည် **token classification မော်ဒယ်* ဆေးဘက်ဆိုင်ရာ စကားလုံးများအတွက် named entity recognition မော်ဒယ်တစ်ခုကို လေ့ကျင့်ရန် အောက်ပါ လုပ်ငန်းကို ပြီးမြောက်ပါ၊ ထို့နောက် အခြား dataset တစ်ခုတွင် စမ်းသပ်ကြည့်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/5-NLP/20-LangModels/README.md b/translations/my/lessons/5-NLP/20-LangModels/README.md index 8c62be32..587aaa0f 100644 --- a/translations/my/lessons/5-NLP/20-LangModels/README.md +++ b/translations/my/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ယခင်အလုပ်များအားလုံးတွင် ကျွန်ုပ်တို့သည် တိကျသောအလုပ်တစ်ခုကို ဆောင်ရွက်ရန်အတွက် အမှတ်အသားပြုထားသောဒေတာအစုတစ်ခုကို အသုံးပြု၍ နယူးရယ်နက်ဝက်ကို လေ့ကျင့်နေခဲ့သည်။ သို့သော် BERT ကဲ့သို့သော အကြီးစား Transformer မော်ဒယ်များတွင် ဘာသာစကားမော်ဒယ်တစ်ခုကို တည်ဆောက်ရန် Language Modelling ကို Self-Supervised နည်းလမ်းဖြင့် အသုံးပြုသည်။ ထို့နောက် အထူးပြုလေ့ကျင့်မှုများဖြင့် အထူးပြုလုပ်ထားသော Downstream Task များအတွက် အသုံးပြုသည်။ သို့သော်လည်း အကြီးစားဘာသာစကားမော်ဒယ်များသည် Domain-Specific Training မလိုဘဲ အလုပ်အမျိုးမျိုးကို ဖြေရှင်းနိုင်ကြောင်း သက်သေပြထားသည်။ ထိုသို့လုပ်ဆောင်နိုင်သော မော်ဒယ်များကို **GPT** (Generative Pre-Trained Transformer) ဟုခေါ်သည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## စာသားထုတ်လုပ်ခြင်းနှင့် Perplexity @@ -58,7 +58,7 @@ GPT သည် ဘာသာစကားနှင့် ကုဒ်ကို န အသစ်သော အထွေထွေကြိုတင်လေ့ကျင့်ထားသော ဘာသာစကားမော်ဒယ်များသည် ဘာသာစကားဖွဲ့စည်းမှုကိုသာမက သဘာဝဘာသာစကား၏ အကြီးစားပမာဏကိုလည်း မော်ဒယ်လုပ်ထားသည်။ ထို့ကြောင့် Zero-shot သို့မဟုတ် Few-shot Settings များတွင် NLP အလုပ်အချို့ကို ထိရောက်စွာ ဖြေရှင်းနိုင်သည်။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **အကြောင်းကြားချက်**: ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/my/lessons/6-Other/21-GeneticAlgorithms/README.md index 214276c1..6bf7f5b8 100644 --- a/translations/my/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/my/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ဂျင်နက်တစ် အယ်လ်ဂိုရီသမ်များ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) **ဂျင်နက်တစ် အယ်လ်ဂိုရီသမ်များ** (GA) သည် **အဆင့်ဆင့်တိုးတက်မှုနည်းလမ်း** အပေါ် အခြေခံထားပြီး၊ လူ့အဖွဲ့အစည်း၏ တိုးတက်မှုနည်းလမ်းများကို အသုံးပြုကာ ပေးထားသော ပြဿနာတစ်ခုအတွက် အကောင်းဆုံးဖြေရှင်းချက်ကို ရယူရန် အသုံးပြုသည်။ ၎င်းကို 1975 ခုနှစ်တွင် [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) မှ တင်ပြခဲ့သည်။ @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "ဂျင်နက်တစ် အယ်လ်ဂိုရီသမ်များကို အကောင်အထည်ဖော်ရန် လွယ်ကူသော်လည်း၊ ၎င်း၏ အပြုအမူကို နားလည်ရန် ခက်ခဲသည်။" [ရင်းမြစ်](https://wikipedia.org/wiki/Genetic_algorithm) ဂျင်နက်တစ် အယ်လ်ဂိုရီသမ်တစ်ခု (ဥပမာ- Sudoku ပြဿနာကို ဖြေရှင်းခြင်း) ကို ရှာဖွေပြီး၊ ၎င်း၏ လုပ်ဆောင်ပုံကို အကြမ်းဖျဉ်း သို့မဟုတ် flowchart အဖြစ် ရှင်းပြပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/6-Other/22-DeepRL/README.md b/translations/my/lessons/6-Other/22-DeepRL/README.md index d1c81aa1..abc59443 100644 --- a/translations/my/lessons/6-Other/22-DeepRL/README.md +++ b/translations/my/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: အတိုးအကျိုးသင်ယူမှု (Reinforcement Learning - RL) သည် စောင့်ကြည့်သင်ယူမှု (Supervised Learning) နှင့် မစောင့်ကြည့်သင်ယူမှု (Unsupervised Learning) တို့နှင့်အတူ အခြေခံစက်လေ့လာမှု ပုံစံများထဲမှ တစ်ခုအဖြစ် သတ်မှတ်နိုင်သည်။ စောင့်ကြည့်သင်ယူမှုတွင် ကျွန်ုပ်တို့သည် ရလဒ်များကို ကြိုတင်သိထားသော ဒေတာအစုအဖွဲ့ကို အခြေခံသည်။ သို့သော် RL တွင် **လုပ်ဆောင်ခြင်းမှ သင်ယူခြင်း** ကို အခြေခံသည်။ ဥပမာအားဖြင့် ပထမဆုံးအကြိမ် ကွန်ပျူတာဂိမ်းကို မြင်သောအခါ၊ စည်းမျဉ်းများကို မသိဘဲဖြစ်စေ ကစားရန် စတင်ပြီး၊ ကစားနေစဉ်တွင် ကျွန်ုပ်တို့၏ အတတ်ပညာများကို တိုးတက်အောင် ပြုလုပ်နိုင်သည်။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL ကို လုပ်ဆောင်ရန် ကျွန်ုပ်တို့အတွက် လိုအပ်သည်မှာ - @@ -110,7 +110,7 @@ Policy Gradients နည်းလမ်း၏ တိုးတက်သောဗ 'အခြား RL လုပ်ငန်းများ' အပိုင်းတွင် ဖော်ပြထားသော လျှောက်လွှာများကို စူးစမ်းပြီး၊ တစ်ခုကို အကောင်အထည်ဖော်ကြည့်ပါ။ -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း diff --git a/translations/my/lessons/6-Other/23-MultiagentSystems/README.md b/translations/my/lessons/6-Other/23-MultiagentSystems/README.md index 7d3e47f8..3e9d3d11 100644 --- a/translations/my/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/my/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: **ဉာဏ်ရည်ရှိမှု** ကိုရရှိစေမည့်နည်းလမ်းများထဲမှတစ်ခုမှာ **ပေါ်ထွက်လာသော** (သို့မဟုတ် **synergetic**) နည်းလမ်းဖြစ်ပြီး၊ ၎င်းသည် အလွန်ရိုးရှင်းသော အေးဂျင့်များစွာ၏ပေါင်းစည်းလှုပ်ရှားမှုမှ စနစ်တစ်ခုလုံး၏ ပိုမိုရှုပ်ထွေးသော (သို့မဟုတ် ဉာဏ်ရည်ရှိသော) လှုပ်ရှားမှုကို ဖြစ်ပေါ်စေသည်ဆိုသည့် အခြေခံအယူအဆပေါ်တွင် တည်ရှိသည်။ သီအိုရီအရ၊ ၎င်းသည် [Collective Intelligence](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) နှင့် [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain) တို့၏ အခြေခံအယူအဆများအပေါ်တွင် တည်ရှိပြီး၊ အဆင့်အနိမ့်စနစ်များမှ သင့်တင့်စွာပေါင်းစည်းခြင်းဖြင့် အဆင့်မြင့်စနစ်များသည် တန်ဖိုးတစ်ခုခုကို ထပ်မံရရှိနိုင်သည်ဟုဆိုသည် (*metasystem transition အခြေခံအယူအဆ* ဟုခေါ်သည်)။ -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/45) **Multi-Agent Systems** ဆိုသော ဥာဏ်ရည်တုနည်းလမ်းသည် 1990 ခုနှစ်များတွင် အင်တာနက်နှင့် ဖြန့်ဖြူးစနစ်များ၏ တိုးတက်မှုအဖြစ်အပေါ် တုံ့ပြန်မှုအနေဖြင့် ပေါ်ထွက်လာခဲ့သည်။ ဥာဏ်ရည်တုဆိုင်ရာ ရိုးရာ 교과서တစ်ခုဖြစ်သည့် [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) သည် Multi-agent systems ၏ ရှုထောင့်မှ ရိုးရာ AI ကို အဓိကထားဆွေးနွေးထားသည်။ diff --git a/translations/ne/lessons/1-Intro/README.md b/translations/ne/lessons/1-Intro/README.md index 0e16bbe2..d3da70ab 100644 --- a/translations/ne/lessons/1-Intro/README.md +++ b/translations/ne/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > स्केच नोट [टोमोमी इमुरा](https://twitter.com/girlie_mac) द्वारा -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/1) **कृत्रिम बुद्धिमत्ता (AI)** एउटा रोमाञ्चक वैज्ञानिक क्षेत्र हो जसले कम्प्युटरलाई बुद्धिमानी व्यवहार देखाउन कसरी सक्षम बनाउने भन्ने अध्ययन गर्दछ, जस्तै ती कार्यहरू जुन मानिसहरू गर्नमा कुशल हुन्छन्। @@ -151,7 +151,7 @@ CO_OP_TRANSLATOR_METADATA: इन्टरनेटको भ्रमण गरेर तपाईंको विचारमा एआई सबैभन्दा प्रभावकारी रूपमा कहाँ प्रयोग भइरहेको छ भनेर निर्धारण गर्नुहोस्। के यो कुनै म्यापिङ एपमा हो, वा कुनै भाषण-देखि-पाठ सेवा वा भिडियो गेममा? प्रणाली कसरी निर्माण गरिएको थियो भनेर अनुसन्धान गर्नुहोस्। -## [पोस्ट-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [पोस्ट-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/2-Symbolic/README.md b/translations/ne/lessons/2-Symbolic/README.md index 8b95df11..8624a188 100644 --- a/translations/ne/lessons/2-Symbolic/README.md +++ b/translations/ne/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: कृत्रिम बुद्धिमत्ताको खोजी ज्ञानको खोजीमा आधारित छ, जसले संसारलाई मानिसहरूले जस्तै बुझ्न सक्ने बनाउँछ। तर, यो कसरी गर्ने? -## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI को सुरुवाती दिनहरूमा, बौद्धिक प्रणालीहरू सिर्जना गर्नको लागि माथिबाट तल जाने दृष्टिकोण (अघिल्लो पाठमा छलफल गरिएको) लोकप्रिय थियो। विचार यो थियो कि मानिसहरूबाट ज्ञान निकालेर यसलाई मेसिनले पढ्न मिल्ने रूपमा रूपान्तरण गरिन्थ्यो, र त्यसपछि यसलाई स्वचालित रूपमा समस्याहरू समाधान गर्न प्रयोग गरिन्थ्यो। यो दृष्टिकोण दुई ठूला विचारहरूमा आधारित थियो: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel यस पाठसँग सम्बन्धित परिवार ओन्टोलोजी नोटबुकमा, परिवार वृक्षमा अन्य परिवार सम्बन्धहरूको साथ प्रयोग गर्ने अवसर छ। परिवार वृक्षमा व्यक्तिहरू बीच नयाँ सम्बन्धहरू पत्ता लगाउने प्रयास गर्नुहोस्। -## [पाठपछिको क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [पाठपछिको क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md index 58042754..7afcb26e 100644 --- a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # न्यूरल नेटवर्कको परिचय: पर्सेप्ट्रोन -## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/5) आधुनिक न्यूरल नेटवर्कको प्रारम्भिक प्रयासहरू मध्ये एक फ्र्यांक रोसेनब्लाटले 1957 मा कोर्नेल एरोनटिकल ल्याबोरेटरीमा गरेका थिए। यो "मार्क-१" नामक हार्डवेयर कार्यान्वयन थियो, जसले त्रिभुज, वर्ग, र वृतजस्ता साधारण ज्यामितीय आकृतिहरू चिन्न डिजाइन गरिएको थियो। @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): यदि तपाईं आफ्नो पर्सेप्ट्रोन बनाउन प्रयास गर्न चाहनुहुन्छ भने, [Microsoft Learn मा यो प्रयोगशाला](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) प्रयोग गर्नुहोस्, जसले [Azure ML डिजाइनर](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) प्रयोग गर्दछ। -## [पश्च-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [पश्च-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 8cea822e..97886008 100644 --- a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: हामी हाम्रो आफ्नै पायथनमा आधारित मोड्युलर फ्रेमवर्क पनि विकास गर्नेछौं, जसले विभिन्न न्यूरल नेटवर्क आर्किटेक्चरहरू निर्माण गर्न अनुमति दिनेछ। -## [पाठपूर्व प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [पाठपूर्व प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## मेसिन लर्निङको औपचारिकता @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) नोटबुकमा जानुहोस् र यसलाई पूरा गर्नुहोस्। -## [पाठपछिको प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [पाठपछिको प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md index 00a4b167..b4fd5551 100644 --- a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * टेन्सरहरूमा अपरेसन गर्न, जस्तै गुणन, थप, र केही कार्यहरू जस्तै सिग्मोइड वा सफ्टम्याक्स गणना गर्न * सबै अभिव्यक्तिहरूको ग्रेडियन्ट गणना गर्न, ताकि ग्रेडियन्ट डिसेन्ट अप्टिमाइजेसन गर्न सकियोस् -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy` लाइब्रेरीले पहिलो भाग गर्न सक्छ, तर हामीलाई ग्रेडियन्ट गणना गर्न केही मेकानिज्म चाहिन्छ। [हाम्रो फ्रेमवर्क](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) मा, जुन हामीले अघिल्लो खण्डमा विकास गरेका थियौं, हामीले `backward` मेथडभित्र सबै डेरिभेटिभ फङ्सनहरू म्यानुअली प्रोग्राम गर्नुपर्थ्यो, जसले ब्याकप्रोपोगेसन गर्छ। आदर्श रूपमा, फ्रेमवर्कले हामीलाई *कुनै पनि अभिव्यक्ति* को ग्रेडियन्ट गणना गर्ने अवसर दिनुपर्छ, जुन हामी परिभाषित गर्न सक्छौं। @@ -106,7 +106,7 @@ High-level API| [Keras](../../../../../lessons/3-NeuralNetworks/05-Frameworks/In संगत नोटबुकहरूमा, तपाईंले 'कार्यहरू' पाउनुहुनेछ; नोटबुकहरू अध्ययन गर्नुहोस् र कार्यहरू पूरा गर्नुहोस्। -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md index 2c3fa649..4a50295e 100644 --- a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [कम्प्युटर भिजन](https://wikipedia.org/wiki/Computer_vision) एउटा क्षेत्र हो जसको उद्देश्य कम्प्युटरलाई डिजिटल छविहरूको उच्च-स्तरीय बुझाइ दिनु हो। यो परिभाषा धेरै व्यापक छ, किनभने *बुझाइ* ले धेरै कुराहरू जनाउन सक्छ, जस्तै तस्बिरमा वस्तु पत्ता लगाउने (**वस्तु पहिचान**), के भइरहेको छ बुझ्ने (**घटना पहिचान**), तस्बिरलाई पाठमा वर्णन गर्ने, वा दृश्यलाई 3D मा पुनर्निर्माण गर्ने। मानव छविसँग सम्बन्धित विशेष कार्यहरू पनि छन्: उमेर र भावनाको अनुमान, अनुहार पहिचान र चिन्नु, र 3D पोज अनुमान, केही उदाहरणका लागि। -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/11) कम्प्युटर भिजनको सबैभन्दा सरल कार्यहरू मध्ये एक हो **छवि वर्गीकरण**। @@ -105,7 +105,7 @@ OpenCV Notebook [OpenCV.ipynb](../../../../../lessons/4-ComputerVision/06-IntroC AI शोको [यो भिडियो](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) हेर्नुहोस् Cortic Tigers परियोजनाको बारेमा जान्न र कसरी उनीहरूले रोबोटमार्फत कम्प्युटर भिजन कार्यहरूलाई लोकतान्त्रिक बनाउन ब्लक-आधारित समाधान निर्माण गरे। यस क्षेत्रमा नयाँ सिक्नेहरूलाई सहयोग गर्ने अन्य परियोजनाहरूको बारेमा अनुसन्धान गर्नुहोस्। -## [पश्चात-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [पश्चात-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 272ae91f..2011d81d 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet सम्बन्धी [एक राम्रो ब्लग प संगैका नोटबुकहरूमा, उच्च शुद्धता प्राप्त गर्ने तरिकाहरूको बारेमा तल नोटहरू छन्। केही प्रयोगहरू गर्नुहोस् र हेर्नुहोस् कि तपाईं उच्च शुद्धता प्राप्त गर्न सक्नुहुन्छ कि। -## [पोस्ट-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [पोस्ट-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md index ee1e95b2..427d3ba9 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हामीले पहिले देखिसकेका छौं कि न्युरल नेटवर्कहरू छविहरूसँग राम्रोसँग काम गर्न सक्षम छन्, र एक-लेयर पर्सेप्ट्रोनले पनि MNIST डेटासेटबाट हस्तलेखन गरिएको अंकहरू उचित शुद्धतासहित चिन्हित गर्न सक्षम छ। तर, MNIST डेटासेट विशेष छ, र सबै अंकहरू छविको बीचमा केन्द्रित छन्, जसले कार्यलाई सरल बनाउँछ। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/13) वास्तविक जीवनमा, हामी छविमा वस्तुहरूको ठ्याक्कै स्थानको पर्वाह नगरी तिनीहरूलाई चिन्हित गर्न सक्षम हुन चाहन्छौं। कम्प्युटर भिजन सामान्य वर्गीकरणभन्दा फरक छ, किनकि जब हामी छविमा कुनै निश्चित वस्तु खोज्ने प्रयास गरिरहेका हुन्छौं, हामी छविलाई स्क्यान गर्दै केही विशेष **ढाँचाहरू** र तिनीहरूको संयोजन खोजिरहेका हुन्छौं। उदाहरणका लागि, बिरालो खोज्दा, हामी पहिले तेर्सो रेखाहरू खोज्न सक्छौं, जसले जुँगा बनाउन सक्छ, र त्यसपछि जुँगाको निश्चित संयोजनले हामीलाई यो वास्तवमा बिरालोको तस्वीर हो भन्ने बताउन सक्छ। ढाँचाहरूको सापेक्ष स्थिति र उपस्थिति महत्त्वपूर्ण छ, तर तिनीहरूको ठ्याक्कै स्थान महत्त्वपूर्ण छैन। diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md index be9e3536..8a664eee 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN हरूलाई प्रशिक्षण दिन धेरै समय लाग्न सक्छ, र यसका लागि धेरै डाटा आवश्यक पर्छ। तर, धेरैजसो समय नेटवर्कले तल्लो-स्तरका फिल्टरहरू सिक्नमा खर्च हुन्छ, जसले छविहरूबाट ढाँचाहरू निकाल्न प्रयोग गर्न सकिन्छ। एउटा स्वाभाविक प्रश्न उठ्छ - के हामी एउटा डेटासेटमा प्रशिक्षित न्यूरल नेटवर्कलाई प्रयोग गरेर फरक छविहरू वर्गीकृत गर्न अनुकूलन गर्न सक्छौं, पूर्ण प्रशिक्षण प्रक्रिया बिना? -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/15) यस दृष्टिकोणलाई **ट्रान्सफर लर्निङ** भनिन्छ, किनभने हामी एउटा न्यूरल नेटवर्क मोडेलबाट अर्कोमा केही ज्ञान स्थानान्तरण गर्छौं। ट्रान्सफर लर्निङमा, हामी सामान्यतया एउटा पूर्व-प्रशिक्षित मोडेलबाट सुरु गर्छौं, जुन ठूलो छवि डेटासेट, जस्तै **ImageNet**, मा प्रशिक्षित गरिएको हुन्छ। ती मोडेलहरूले पहिले नै सामान्य छविहरूबाट विभिन्न विशेषताहरू निकाल्न राम्रो काम गर्न सक्छन्, र धेरै अवस्थामा ती निकालेका विशेषताहरूको आधारमा एउटा वर्गीकर्ता निर्माण गर्दा राम्रो नतिजा दिन सक्छ। @@ -76,7 +76,7 @@ Keras र PyTorch दुबैमा सामान्य आर्किटे संगत नोटबुकहरूमा, तल नोटहरू छन् कि ट्रान्सफर ज्ञान समान प्रकारको प्रशिक्षण डाटासँग राम्रोसँग काम गर्छ (सायद नयाँ प्रकारको जनावर)। पूर्ण रूपमा नयाँ प्रकारका छविहरूसँग केही प्रयोग गरेर हेर्नुहोस् कि तपाईंको ट्रान्सफर ज्ञान मोडेलहरूले कत्तिको राम्रो वा नराम्रो प्रदर्शन गर्छन्। -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md index 45719290..2bd11335 100644 --- a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN प्रशिक्षण गर्दा, एउटा समस्या यो हो कि हामीलाई धेरै लेबल गरिएको डाटा चाहिन्छ। छवि वर्गीकरणको अवस्थामा, हामीले छविहरूलाई विभिन्न वर्गहरूमा छुट्याउनुपर्छ, जुन एक म्यानुअल प्रयास हो। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) तर, हामी कच्चा (लेबल नगरिएको) डाटा CNN फीचर एक्स्ट्र्याक्टरहरू प्रशिक्षण गर्न प्रयोग गर्न चाहन सक्छौं, जसलाई **स्व-पर्यवेक्षित शिक्षण** भनिन्छ। लेबलहरूको सट्टा, हामी प्रशिक्षण छविहरूलाई नेटवर्क इनपुट र आउटपुट दुवैको रूपमा प्रयोग गर्नेछौं। **अटोएनकोडर** को मुख्य विचार यो हो कि हामीसँग एक **एन्कोडर नेटवर्क** हुनेछ जसले इनपुट छविलाई केही **गुप्त स्थान** मा रूपान्तरण गर्दछ (सामान्यतया यो केही सानो आकारको भेक्टर मात्र हो), त्यसपछि **डिकोडर नेटवर्क**, जसको लक्ष्य मूल छवि पुनर्निर्माण गर्नु हो। @@ -80,7 +80,7 @@ VAE को एउटा महत्त्वपूर्ण फाइदा य * **हानिपूर्ण** - पुनर्निर्मित छवि मूल छविको जस्तै हुँदैन। हानिको प्रकृति प्रशिक्षणको क्रममा प्रयोग गरिएको *हानिको कार्य* द्वारा परिभाषित हुन्छ। * **लेबल नगरिएको डाटा** मा काम गर्छ। -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## निष्कर्ष @@ -90,7 +90,7 @@ VAE को एउटा महत्त्वपूर्ण फाइदा य यस पाठमा, तपाईंले छविहरूको लागि अटोएनकोडरहरू प्रयोग गर्ने बारेमा सिक्नुभयो। तर तिनीहरू संगीतको लागि पनि प्रयोग गर्न सकिन्छ! Magenta परियोजनाको [MusicVAE](https://magenta.tensorflow.org/music-vae) परियोजना हेर्नुहोस्, जसले अटोएनकोडरहरू प्रयोग गरेर संगीत पुनर्निर्माण गर्न सिक्छ। यस पुस्तकालयसँग केही [प्रयोगहरू](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) गर्नुहोस् र तपाईं के सिर्जना गर्न सक्नुहुन्छ हेर्नुहोस्। -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/10-GANs/README.md b/translations/ne/lessons/4-ComputerVision/10-GANs/README.md index 38acfae2..3779af33 100644 --- a/translations/ne/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ne/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: अघिल्लो खण्डमा, हामीले **जेनेरेटिभ मोडेलहरू** को बारेमा सिक्यौं: यस्ता मोडेलहरू जसले प्रशिक्षण डेटासेटमा भएका छविहरू जस्तै नयाँ छविहरू सिर्जना गर्न सक्छ। VAE जेनेरेटिभ मोडेलको राम्रो उदाहरण थियो। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) तर, यदि हामी कुनै अर्थपूर्ण कुरा, जस्तै उचित रिजोल्युसनको चित्र सिर्जना गर्न प्रयास गर्छौं भने, VAE प्रयोग गर्दा प्रशिक्षण राम्रोसँग सँग्लो हुँदैन। यस प्रयोगको लागि, हामीले जेनेरेटिभ मोडेलहरूका लागि विशेष रूपमा लक्षित अर्को आर्किटेक्चर सिक्नुपर्छ - **जेनेरेटिभ एड्भर्सेरियल नेटवर्कहरू**, वा GANs। @@ -84,7 +84,7 @@ GANs कलात्मक छविहरू सिर्जना गर्न ## ✍️ उदाहरण: [शैली ट्रान्सफर](../../../../../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) ## निष्कर्ष diff --git a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md index 105af899..19d97764 100644 --- a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: अहिलेसम्म हामीले प्रयोग गरेका छवि वर्गीकरण मोडेलहरूले एउटा छवि लिएर वर्गीय नतिजा उत्पादन गर्थे, जस्तै MNIST समस्यामा 'संख्या' वर्ग। तर, धेरै अवस्थामा हामीलाई केवल यो थाहा पाउन चाहिँदैन कि तस्बिरले वस्तुहरू देखाउँछ - हामीलाई तिनीहरूको ठ्याक्कै स्थान निर्धारण गर्न सक्षम हुन चाहिन्छ। यही नै **वस्तु पहिचान**को उद्देश्य हो। -## [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](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ne.png) @@ -171,7 +171,7 @@ YOLO एक रियलटाइम एक-पास एल्गोरिद * 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) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md index 882f203c..cbbbb3e1 100644 --- a/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हामीले पहिले **Object Detection** को बारेमा सिकेका थियौं, जसले हामीलाई तस्बिरमा वस्तुहरूको *bounding boxes* भविष्यवाणी गरेर तिनीहरूको स्थान पत्ता लगाउन मद्दत गर्दछ। तर, केही कार्यहरूको लागि हामीलाई केवल bounding boxes मात्र होइन, वस्तुको अझ सटीक स्थान पत्ता लगाउन आवश्यक हुन्छ। यस कार्यलाई **segmentation** भनिन्छ। -## [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 लाई **pixel classification** को रूपमा हेर्न सकिन्छ, जहाँ तस्बिरको **प्रत्येक** पिक्सेलको वर्ग (*background* पनि एक वर्ग हो) भविष्यवाणी गर्नुपर्छ। मुख्य दुई प्रकारका segmentation एल्गोरिदमहरू छन्: @@ -56,7 +56,7 @@ Segmentation मा प्रयोग हुने loss function विशे * [Semantic Segmentation Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## निष्कर्ष diff --git a/translations/ne/lessons/5-NLP/13-TextRep/README.md b/translations/ne/lessons/5-NLP/13-TextRep/README.md index eb83e6f9..dc3c2ca0 100644 --- a/translations/ne/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ne/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # पाठलाई टेन्सरको रूपमा प्रतिनिधित्व गर्ने -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## पाठ वर्गीकरण @@ -75,7 +75,7 @@ BoWको समस्या भनेको केही सामान्य ब्याग-अफ-वर्ड्स र विभिन्न डेटा मोडेलहरू प्रयोग गरेर केही अन्य अभ्यासहरू प्रयास गर्नुहोस्। तपाईंलाई यो [Kaggle प्रतियोगिता](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) बाट प्रेरणा मिल्न सक्छ। -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/README.md b/translations/ne/lessons/5-NLP/14-Embeddings/README.md index 1740c1e3..ee066115 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ne/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # एम्बेडिङ्स -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/27) जब हामी BoW वा TF/IDF आधारित वर्गीकरणकर्ताहरूलाई प्रशिक्षण गरिरहेका थियौं, हामी उच्च-आयामीय bag-of-words भेक्टरहरूमा काम गरिरहेका थियौं जसको लम्बाइ `vocab_size` थियो, र हामी कम-आयामीय positional representation भेक्टरहरूलाई sparse one-hot representation मा स्पष्ट रूपमा रूपान्तरण गरिरहेका थियौं। तर, यो one-hot representation स्मृति-कुशल छैन। साथै, प्रत्येक शब्दलाई एकअर्काबाट स्वतन्त्र रूपमा व्यवहार गरिन्छ, अर्थात् one-hot encoded भेक्टरहरूले शब्दहरू बीचको कुनै पनि अर्थपूर्ण समानता व्यक्त गर्दैनन्। @@ -65,7 +65,7 @@ Word2Vec जस्ता परम्परागत पूर्व-प्र Word2Vec केही रोचक अनुप्रयोगहरूको लागि प्रयोग गरिएको छ, जस्तै गीतका शब्दहरू र कविता सिर्जना गर्नु। [यस लेख](https://www.politetype.com/blog/word2vec-color-poems) मा हेर्नुहोस्, जसले लेखकले Word2Vec प्रयोग गरेर कविता कसरी सिर्जना गरे भन्ने देखाउँछ। [Dan Shiffmann द्वारा यो भिडियो](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) पनि हेर्नुहोस्, जसले यस प्रविधिको फरक व्याख्या पत्ता लगाउन मद्दत गर्छ। त्यसपछि यी प्रविधिहरूलाई आफ्नो पाठ संग्रहमा लागू गर्न प्रयास गर्नुहोस्, सम्भवतः Kaggle बाट स्रोत गरिएको। -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md index 688db73d..06c35ddc 100644 --- a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Word2Vec र GloVe जस्ता सेम्यान्टिक एम्बेडिङहरू वास्तवमा **भाषा मोडेलिङ** तर्फको पहिलो कदम हुन् - यस्तो मोडेल बनाउने जसले कुनै प्रकारले भाषा *बुझ्न* (वा *प्रतिनिधित्व गर्न*) सक्दछ। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/29) भाषा मोडेलिङको मुख्य विचार भनेको unlabeled datasets मा unsupervised तरिकाले प्रशिक्षण गर्नु हो। यो महत्त्वपूर्ण छ किनभने हामीसँग unlabeled पाठको ठूलो मात्रा उपलब्ध छ, जबकि labeled पाठको मात्रा सधैं सीमित हुन्छ किनभने labeling मा खर्च गर्न सकिने प्रयास सीमित हुन्छ। प्रायः, हामी यस्तो भाषा मोडेल बनाउन सक्छौं जसले **पाठमा हराएका शब्दहरू भविष्यवाणी गर्न सक्छ** किनभने पाठमा कुनै पनि शब्दलाई mask गरेर प्रशिक्षण नमूना बनाउन सजिलो हुन्छ। @@ -38,7 +38,7 @@ Word2Vec र GloVe जस्ता सेम्यान्टिक एम् अघिल्लो पाठमा हामीले देख्यौं कि शब्द एम्बेडिङहरू जादुजस्तै काम गर्छन्! अब हामीलाई थाहा छ कि शब्द एम्बेडिङ प्रशिक्षण गर्नु धेरै जटिल कार्य होइन, र आवश्यक परेमा हामी आफ्नो क्षेत्र विशेष पाठका लागि आफ्नै शब्द एम्बेडिङ प्रशिक्षण गर्न सक्षम हुनुपर्छ। -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/5-NLP/16-RNN/README.md b/translations/ne/lessons/5-NLP/16-RNN/README.md index 0b38a751..7514bd44 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/README.md +++ b/translations/ne/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # पुनरावर्ती न्यूरल नेटवर्कहरू -## [पाठ अघि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/31) अघिल्लो खण्डहरूमा, हामीले पाठको समृद्ध अर्थपूर्ण प्रतिनिधित्वहरू र इम्बेडिङको माथि एक साधारण रेखीय वर्गीकरणकर्ता प्रयोग गरिरहेका थियौं। यो वास्तुकलाले वाक्यमा शब्दहरूको समग्र अर्थलाई समात्छ, तर यो शब्दहरूको **क्रम**लाई ध्यानमा राख्दैन, किनभने इम्बेडिङको माथि गरिएको समग्र अपरेशनले मूल पाठबाट यो जानकारी हटाउँछ। यी मोडेलहरूले शब्दहरूको क्रमबद्धता मोडल गर्न नसक्ने हुँदा, तिनीहरूले पाठ सिर्जना वा प्रश्न उत्तरजस्ता जटिल वा अस्पष्ट कार्यहरू समाधान गर्न सक्दैनन्। @@ -84,7 +84,7 @@ LSTMहरूको बारेमा केही साहित्य पढ - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [पाठ पछि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md index d92127cc..c299a2e5 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जेनेरेटिभ नेटवर्कहरू -## [पाठ अघि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/33) रिकरन्ट न्युरल नेटवर्कहरू (RNNs) र तिनका गेटेड सेल भेरियन्टहरू जस्तै लङ सर्ट टर्म मेमोरी सेलहरू (LSTMs) र गेटेड रिकरन्ट युनिटहरू (GRUs) ले भाषा मोडलिङको लागि एक मेकानिज्म प्रदान गर्छन् जसले शब्दहरूको क्रम सिक्न सक्छ र अनुक्रममा अर्को शब्दको भविष्यवाणी गर्न सक्छ। यसले RNNs लाई **जेनेरेटिभ कार्यहरू** जस्तै सामान्य पाठ उत्पादन, मेसिन अनुवाद, र छविको क्याप्शनिङको लागि प्रयोग गर्न अनुमति दिन्छ। @@ -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) संग पाठ उत्पादन -## [पाठ पछि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/5-NLP/18-Transformers/README.md b/translations/ne/lessons/5-NLP/18-Transformers/README.md index f477eae7..bd797e7d 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ne/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ध्यान मेकानिज्म र ट्रान्सफर्मरहरू -## [पाठ अघि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP क्षेत्रमा सबैभन्दा महत्त्वपूर्ण समस्याहरू मध्ये एक हो **मेसिन अनुवाद**, जुन Google Translate जस्ता उपकरणहरूको आधारभूत कार्य हो। यस खण्डमा, हामी मेसिन अनुवादमा केन्द्रित हुनेछौं, वा सामान्य रूपमा, कुनै पनि *सिक्वेन्स-टु-सिक्वेन्स* कार्यमा (जसलाई **वाक्य ट्रान्सडक्शन** पनि भनिन्छ)। @@ -108,7 +108,7 @@ RNNs प्रयोग गर्दा, सिक्वेन्स-टु-स ## 🚀 चुनौती -## [पाठ पछि क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/5-NLP/19-NER/README.md b/translations/ne/lessons/5-NLP/19-NER/README.md index c081c337..c7a5162a 100644 --- a/translations/ne/lessons/5-NLP/19-NER/README.md +++ b/translations/ne/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: अहिलेसम्म, हामी प्राय: एक NLP कार्य - वर्गीकरणमा केन्द्रित भएका छौं। तर, न्यूरल नेटवर्कहरू प्रयोग गरेर अन्य NLP कार्यहरू पनि सम्पन्न गर्न सकिन्छ। तीमध्ये एक कार्य हो **[नामित इकाई पहिचान](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), जसले पाठभित्र विशेष इकाईहरू जस्तै स्थानहरू, व्यक्तिको नामहरू, मिति-समय अन्तरालहरू, रसायनिक सूत्रहरू आदि पहिचान गर्न मद्दत गर्दछ। -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER प्रयोगको उदाहरण @@ -80,7 +80,7 @@ NER मोडेल एक **टोकन वर्गीकरण मोडे निम्न लिंक गरिएको असाइनमेन्ट पूरा गर्नुहोस् जसले चिकित्सा शब्दहरूको लागि नामित इकाई पहिचान मोडेल प्रशिक्षण गर्न मद्दत गर्दछ, त्यसपछि यसलाई फरक डेटासेटमा प्रयास गर्नुहोस्। -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/5-NLP/20-LangModels/README.md b/translations/ne/lessons/5-NLP/20-LangModels/README.md index 21983cbe..5010964d 100644 --- a/translations/ne/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ne/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: हाम्रा अघिल्ला सबै कार्यहरूमा, हामीले लेबल गरिएको डाटासेट प्रयोग गरेर कुनै निश्चित कार्य गर्न न्यूरल नेटवर्कलाई प्रशिक्षण गरिरहेका थियौं। ठूला ट्रान्सफर्मर मोडेलहरू, जस्तै BERT, मा हामी भाषा मोडेलिङलाई आत्म-पर्यवेक्षित तरिकामा प्रयोग गरेर भाषा मोडेल निर्माण गर्छौं, जसलाई पछि थप डोमेन-विशिष्ट प्रशिक्षणद्वारा विशेष कार्यहरूको लागि अनुकूलित गरिन्छ। तर, यो प्रमाणित भएको छ कि ठूला भाषा मोडेलहरूले कुनै पनि डोमेन-विशिष्ट प्रशिक्षण बिना नै धेरै कार्यहरू समाधान गर्न सक्छन्। यस्तो क्षमता भएका मोडेलहरूको परिवारलाई **GPT**: जेनेरेटिभ प्रि-ट्रेनड ट्रान्सफर्मर भनिन्छ। -## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## पाठ उत्पादन र पर्प्लेक्सिटी @@ -58,7 +58,7 @@ GPT लाई भाषा र कोड बुझ्नको लागि व नयाँ सामान्य पूर्व-प्रशिक्षित भाषा मोडेलहरूले केवल भाषा संरचनालाई मोडेल गर्दैनन्, तर विशाल मात्रामा प्राकृतिक भाषा पनि समावेश गर्छन्। यसरी, तिनीहरूलाई शून्य-शट वा थोरै-शट सेटिङहरूमा केही NLP कार्यहरू समाधान गर्न प्रभावकारी रूपमा प्रयोग गर्न सकिन्छ। -## [पश्च-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [पश्च-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/40) **अस्वीकरण**: यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं। \ No newline at end of file diff --git a/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md index 6a99ef00..4475e9e4 100644 --- a/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # जेनेटिक एल्गोरिदमहरू -## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/41) **जेनेटिक एल्गोरिदमहरू** (GA) कृत्रिम बुद्धिमत्ताको एउटा **विकासवादी दृष्टिकोण**मा आधारित छन्, जसमा जनसंख्याको विकासको विधिहरू प्रयोग गरेर कुनै समस्या समाधानको लागि उत्तम समाधान प्राप्त गरिन्छ। यी एल्गोरिदमहरू [जोन हेनरी हल्याण्ड](https://wikipedia.org/wiki/John_Henry_Holland) द्वारा 1975 मा प्रस्तावित गरिएका थिए। @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "जेनेटिक एल्गोरिदमहरू कार्यान्वयन गर्न सजिलो हुन्छ, तर तिनीहरूको व्यवहार बुझ्न गाह्रो हुन्छ।" [स्रोत](https://wikipedia.org/wiki/Genetic_algorithm) कुनै जेनेटिक एल्गोरिदमको कार्यान्वयन जस्तै सुडोकु समस्या समाधान गर्ने विधि खोज्नुहोस्, र यो कसरी काम गर्छ भनेर स्केच वा फ्लोचार्टको रूपमा व्याख्या गर्नुहोस्। -## [पश्च-व्याख्यान प्रश्नोत्तरी](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [पश्च-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## समीक्षा र आत्म-अध्ययन diff --git a/translations/ne/lessons/6-Other/22-DeepRL/README.md b/translations/ne/lessons/6-Other/22-DeepRL/README.md index 1c4b04cc..801c32b1 100644 --- a/translations/ne/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ne/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: सुदृढीकरण शिक्षण (RL) लाई पर्यवेक्षित शिक्षण र अप्रेक्षित शिक्षणसँगै आधारभूत मेसिन शिक्षणको एक प्रकारको रूपमा हेरिन्छ। जहाँ पर्यवेक्षित शिक्षणमा हामी ज्ञात परिणामसहितको डेटासेटमा निर्भर गर्छौं, RL भने **गरि सिक्ने** प्रक्रियामा आधारित छ। उदाहरणका लागि, जब हामी पहिलो पटक कम्प्युटर गेम देख्छौं, हामी खेल्न थाल्छौं, नियमहरू नजाने पनि, र चाँडै नै खेल्ने र आफ्नो व्यवहार समायोजन गर्ने प्रक्रियाबाट आफ्नो सीप सुधार गर्न सक्षम हुन्छौं। -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL गर्नका लागि हामीलाई चाहिन्छ: @@ -110,7 +110,7 @@ RL एल्गोरिदमको लक्ष्य भनेको एक 'अन्य RL कार्यहरू' खण्डमा सूचीबद्ध अनुप्रयोगहरू अन्वेषण गर्नुहोस् र एउटा कार्यान्वयन प्रयास गर्नुहोस्! -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## समीक्षा र आत्म अध्ययन diff --git a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md index ff7b05fe..1275d5d8 100644 --- a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: बुद्धिमत्ता प्राप्त गर्ने सम्भावित तरिकाहरू मध्ये एकलाई **उत्पन्न** (वा **सिनर्जेटिक**) दृष्टिकोण भनिन्छ, जुन धेरै सरल एजेन्टहरूको संयुक्त व्यवहारले प्रणालीको समग्रमा जटिल (वा बुद्धिमान) व्यवहार उत्पन्न गर्न सक्छ भन्ने तथ्यमा आधारित छ। सैद्धान्तिक रूपमा, यो [सामूहिक बुद्धिमत्ता](https://en.wikipedia.org/wiki/Collective_intelligence), [उत्पन्नवाद](https://en.wikipedia.org/wiki/Global_brain) र [विकासात्मक साइबरनेटिक्स](https://en.wikipedia.org/wiki/Global_brain) का सिद्धान्तहरूमा आधारित छ, जसले उच्च-स्तरका प्रणालीहरूले तल्लो-स्तरका प्रणालीहरूलाई सही तरिकाले संयोजन गर्दा केही थप मूल्य प्राप्त गर्छन् भन्ने कुरा बताउँछ (*मेटासिस्टम ट्रान्जिसनको सिद्धान्त* भनिन्छ)। -## [पूर्व-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/45) **बहु-एजेन्ट प्रणालीहरू** को दिशा १९९० को दशकमा इन्टरनेट र वितरित प्रणालीहरूको वृद्धिको प्रतिक्रियाको रूपमा एआईमा देखा परेको हो। क्लासिकल एआई पाठ्यपुस्तकहरू मध्ये एक, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), बहु-एजेन्ट प्रणालीहरूको दृष्टिकोणबाट क्लासिकल एआईको दृष्टिकोणमा केन्द्रित छ। @@ -152,7 +152,7 @@ NetLogo को संसार निम्न वस्तुहरूबाट यस पाठलाई वास्तविक संसारमा लैजानुहोस् र समस्या समाधान गर्न सक्ने बहु-एजेन्ट प्रणालीको अवधारणा बनाउने प्रयास गर्नुहोस्। उदाहरणका लागि, स्कूल बसको मार्गलाई अनुकूलित गर्न बहु-एजेन्ट प्रणालीले के गर्न आवश्यक छ? यो बेकरीमा कसरी काम गर्न सक्छ? -## [पश्च-व्याख्यान क्विज](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [पश्च-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## समीक्षा र आत्म अध्ययन diff --git a/translations/nl/lessons/1-Intro/README.md b/translations/nl/lessons/1-Intro/README.md index 8de7d638..7f35979f 100644 --- a/translations/nl/lessons/1-Intro/README.md +++ b/translations/nl/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Schets door [Tomomi Imura](https://twitter.com/girlie_mac) -## [Quiz voorafgaand aan de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Quiz voorafgaand aan de les](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Kunstmatige Intelligentie** is een boeiende wetenschappelijke discipline die onderzoekt hoe we computers intelligent gedrag kunnen laten vertonen, bijvoorbeeld dingen doen waar mensen goed in zijn. @@ -151,7 +151,7 @@ De afgelopen jaren hebben we enorme successen gezien met grote taalmodellen, zoa Maak een rondgang op het internet om te bepalen waar AI volgens jou het meest effectief wordt gebruikt. Is het in een kaartapp, een spraak-naar-tekstdienst of een videogame? Onderzoek hoe het systeem is opgebouwd. -## [Quiz na de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz na de les](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Herziening & Zelfstudie diff --git a/translations/nl/lessons/2-Symbolic/README.md b/translations/nl/lessons/2-Symbolic/README.md index ed7e872e..b471986d 100644 --- a/translations/nl/lessons/2-Symbolic/README.md +++ b/translations/nl/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: De zoektocht naar kunstmatige intelligentie is gebaseerd op het streven naar kennis, om de wereld te begrijpen zoals mensen dat doen. Maar hoe kun je dit aanpakken? -## [Quiz voorafgaand aan de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz voorafgaand aan de les](https://ff-quizzes.netlify.app/en/ai/quiz/3) In de vroege dagen van AI was de top-down benadering om intelligente systemen te creëren (besproken in de vorige les) populair. Het idee was om kennis van mensen te extraheren in een machineleesbare vorm en deze vervolgens te gebruiken om automatisch problemen op te lossen. Deze aanpak was gebaseerd op twee grote ideeën: @@ -236,7 +236,7 @@ Tegenwoordig wordt AI vaak beschouwd als een synoniem voor *Machine Learning* of In de Family Ontology-notebook die bij deze les hoort, is er een mogelijkheid om te experimenteren met andere familiebanden. Probeer nieuwe verbindingen tussen mensen in de stamboom te ontdekken. -## [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 & Zelfstudie diff --git a/translations/nl/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/nl/lessons/3-NeuralNetworks/03-Perceptron/README.md index e85b61ee..9253295a 100644 --- a/translations/nl/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introductie tot Neurale Netwerken: Perceptron -## [Quiz voor de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz voor de les](https://ff-quizzes.netlify.app/en/ai/quiz/5) Een van de eerste pogingen om iets te implementeren dat lijkt op een modern neuraal netwerk werd gedaan door Frank Rosenblatt van het Cornell Aeronautical Laboratory in 1957. Het was een hardware-implementatie genaamd "Mark-1", ontworpen om primitieve geometrische figuren te herkennen, zoals driehoeken, vierkanten en cirkels. @@ -85,7 +85,7 @@ In deze les heb je geleerd over een perceptron, een binaire classificatie-model, Als je zelf een perceptron wilt bouwen, probeer dan [deze lab op Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) die gebruik maakt van de [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz na de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz na de les](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Review & Zelfstudie diff --git a/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 4d749d6f..2c2e1c5b 100644 --- a/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ In deze sectie breiden we dit model uit naar een flexibeler framework, waarmee w We zullen ook ons eigen modulaire framework in Python ontwikkelen, waarmee we verschillende architecturen van neurale netwerken kunnen bouwen. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisatie van Machine Learning @@ -81,7 +81,7 @@ In het bijbehorende notebook implementeer je je eigen framework voor het bouwen Ga verder naar het [OwnFramework](OwnFramework.ipynb) notebook en werk het door. -## [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 & Zelfstudie diff --git a/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md index 8eab3800..26aefdd8 100644 --- a/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Zoals we al hebben geleerd, moeten we twee dingen doen om neurale netwerken effi * Werken met tensors, bijvoorbeeld vermenigvuldigen, optellen en functies zoals sigmoid of softmax berekenen. * Gradienten berekenen van alle uitdrukkingen, om optimalisatie via gradient descent uit te voeren. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Hoewel de `numpy`-bibliotheek het eerste deel kan uitvoeren, hebben we een mechanisme nodig om gradienten te berekenen. In [ons framework](../04-OwnFramework/OwnFramework.ipynb) dat we in de vorige sectie hebben ontwikkeld, moesten we handmatig alle afgeleide functies programmeren in de `backward`-methode, die backpropagation uitvoert. Idealiter zou een framework ons de mogelijkheid moeten bieden om gradienten te berekenen van *elke uitdrukking* die we kunnen definiëren. @@ -106,7 +106,7 @@ In deze les heb je geleerd over de verschillen tussen de verschillende APIs voor In de bijbehorende notebooks vind je 'taken' onderaan; werk door de notebooks en voltooi de taken. -## [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 & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md index 7b2ec51e..a3910833 100644 --- a/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) is een discipline die tot doel heeft computers een hoog niveau van begrip van digitale beelden te geven. Dit is een vrij brede definitie, omdat *begrip* veel verschillende dingen kan betekenen, zoals het vinden van een object op een afbeelding (**objectdetectie**), begrijpen wat er gebeurt (**evenementdetectie**), een afbeelding in tekst beschrijven, of een scène in 3D reconstrueren. Er zijn ook speciale taken die te maken hebben met menselijke beelden: schatting van leeftijd en emoties, gezichtsdetectie en -identificatie, en 3D-houdingsschatting, om er een paar te noemen. -## [Quiz voorafgaand aan de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz voorafgaand aan de les](https://ff-quizzes.netlify.app/en/ai/quiz/11) Een van de eenvoudigste taken van computer vision is **beeldclassificatie**. @@ -105,7 +105,7 @@ Soms kunnen relatief complexe taken zoals bewegingsdetectie of vingertopdetectie Bekijk [deze 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) van de AI-show om meer te leren over het Cortic Tigers-project en hoe zij een blokgebaseerde oplossing hebben gebouwd om computer vision-taken te democratiseren via een robot. Doe wat onderzoek naar andere projecten zoals deze die nieuwe leerlingen helpen in het veld te stappen. -## [Quiz na de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz na de les](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Herziening & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 72b37ef5..d775f16a 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ In deze eenheid heb je het belangrijkste concept achter neurale netwerken voor c In de bijbehorende notebooks staan notities onderaan over hoe je een hogere nauwkeurigheid kunt behalen. Doe wat experimenten om te zien of je een betere nauwkeurigheid kunt bereiken. -## [Post-lezing quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Post-lezing quiz](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Review & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md index c5505053..72e5f7e5 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: We hebben eerder gezien dat neurale netwerken behoorlijk goed zijn in het verwerken van afbeeldingen, en zelfs een perceptron met één laag kan handgeschreven cijfers uit de MNIST-dataset met redelijke nauwkeurigheid herkennen. De MNIST-dataset is echter heel bijzonder, omdat alle cijfers gecentreerd zijn in de afbeelding, wat de taak eenvoudiger maakt. -## [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 het echte leven willen we objecten in een afbeelding kunnen herkennen, ongeacht hun exacte locatie in de afbeelding. Computervisie verschilt van generieke classificatie, omdat we bij het zoeken naar een bepaald object in een afbeelding de afbeelding scannen op zoek naar specifieke **patronen** en hun combinaties. Bijvoorbeeld, bij het zoeken naar een kat kunnen we eerst zoeken naar horizontale lijnen die snorharen vormen, en vervolgens kan een bepaalde combinatie van snorharen ons vertellen dat het daadwerkelijk een afbeelding van een kat is. De relatieve positie en aanwezigheid van bepaalde patronen zijn belangrijk, en niet hun exacte positie in de afbeelding. diff --git a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md index 984b90f8..9e6b8cc0 100644 --- a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Het trainen van CNN's kan veel tijd kosten en vereist vaak een grote hoeveelheid data. Veel van de tijd wordt besteed aan het leren van de beste laag-niveau filters die een netwerk kan gebruiken om patronen uit afbeeldingen te halen. Een logische vraag is: kunnen we een neuraal netwerk dat op één dataset is getraind gebruiken en aanpassen om andere afbeeldingen te classificeren zonder het volledige trainingsproces opnieuw te doorlopen? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Deze aanpak wordt **transfer learning** genoemd, omdat we kennis overdragen van het ene neurale netwerkmodel naar het andere. Bij transfer learning beginnen we meestal met een voorgetraind model, dat is getraind op een grote afbeeldingsdataset, zoals **ImageNet**. Deze modellen kunnen al goed verschillende kenmerken uit generieke afbeeldingen halen, en in veel gevallen kan het bouwen van een classifier bovenop deze geëxtraheerde kenmerken al goede resultaten opleveren. @@ -76,7 +76,7 @@ Met transfer learning kun je snel een classifier samenstellen voor een aangepast In de bijbehorende notebooks staan notities onderaan over hoe transferkennis het beste werkt met enigszins vergelijkbare trainingsdata (bijvoorbeeld een nieuw type dier). Experimenteer met volledig nieuwe soorten afbeeldingen om te zien hoe goed of slecht je transferkennis-modellen presteren. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Herziening & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md index 37619b1d..122880d5 100644 --- a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Bij het trainen van CNN's is een van de problemen dat we veel gelabelde data nodig hebben. In het geval van beeldclassificatie moeten we afbeeldingen in verschillende klassen indelen, wat een handmatig proces is. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) We willen echter mogelijk ruwe (ongelabelde) data gebruiken om CNN-feature-extractors te trainen, wat **zelf-supervised learning** wordt genoemd. In plaats van labels gebruiken we trainingsafbeeldingen als zowel netwerkinput als -output. Het belangrijkste idee van een **autoencoder** is dat we een **encoder-netwerk** hebben dat de inputafbeelding omzet in een **latente ruimte** (meestal een vector van kleinere omvang), en vervolgens een **decoder-netwerk**, dat als doel heeft de originele afbeelding te reconstrueren. @@ -80,7 +80,7 @@ Leer meer over autoencoders in deze bijbehorende notebooks: * **Verlieslatend** - de gereconstrueerde afbeelding is niet hetzelfde als de originele afbeelding. De aard van het verlies wordt bepaald door de *verliesfunctie* die tijdens het trainen wordt gebruikt. * Werkt op **ongelabelde 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) ## Conclusie @@ -90,7 +90,7 @@ In deze les heb je geleerd over de verschillende soorten autoencoders die beschi In deze les heb je geleerd over het gebruik van autoencoders voor afbeeldingen. Maar ze kunnen ook worden gebruikt voor muziek! Bekijk het [MusicVAE](https://magenta.tensorflow.org/music-vae)-project van Magenta, dat autoencoders gebruikt om muziek te reconstrueren. Doe wat [experimenten](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) met deze bibliotheek om te zien wat je kunt creëren. -## [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 & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/10-GANs/README.md b/translations/nl/lessons/4-ComputerVision/10-GANs/README.md index cd8dd755..670d220e 100644 --- a/translations/nl/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/nl/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In de vorige sectie hebben we geleerd over **generatieve modellen**: modellen die nieuwe afbeeldingen kunnen genereren die lijken op de afbeeldingen in de trainingsdataset. VAE was een goed voorbeeld van een generatief 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) Als we echter proberen iets echt betekenisvols te genereren, zoals een schilderij met een redelijke resolutie, met VAE, zullen we zien dat de training niet goed convergeert. Voor dit gebruiksdoel moeten we leren over een andere architectuur die specifiek gericht is op generatieve modellen - **Generatieve Adversariële Netwerken**, of GANs. @@ -84,7 +84,7 @@ Hoe het werkt: ## ✍️ Voorbeeld: [Stijltransfer](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) ## Conclusie diff --git a/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md index 2c14802a..a769d0c7 100644 --- a/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: De beeldclassificatiemodellen die we tot nu toe hebben behandeld, namen een afbeelding en produceerden een categorisch resultaat, zoals de klasse 'nummer' in een MNIST-probleem. Echter, in veel gevallen willen we niet alleen weten dat een afbeelding objecten toont - we willen ook hun exacte locatie kunnen bepalen. Dit is precies het doel van **objectdetectie**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objectdetectie](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.nl.png) @@ -172,7 +172,7 @@ Lees deze artikelen en notebooks over YOLO en probeer ze zelf uit: * Yolo: [Keras implementatie](https://github.com/experiencor/keras-yolo2), [stap-voor-stap notebook](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras implementatie](https://github.com/experiencor/keras-yolo2), [stap-voor-stap 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 & Zelfstudie diff --git a/translations/nl/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/nl/lessons/4-ComputerVision/12-Segmentation/README.md index 776d1739..d96bfd8f 100644 --- a/translations/nl/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/nl/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: We hebben eerder geleerd over Objectdetectie, waarmee we objecten in een afbeelding kunnen lokaliseren door hun *omsluitende kaders* te voorspellen. Voor sommige taken hebben we echter niet alleen omsluitende kaders nodig, maar ook een nauwkeurigere lokalisatie van objecten. Deze taak wordt **segmentatie** genoemd. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentatie kan worden gezien als **pixelclassificatie**, waarbij we voor **elke** pixel in de afbeelding de klasse moeten voorspellen (*achtergrond* is een van de klassen). Er zijn twee hoofdtypen segmentatie-algoritmen: @@ -56,7 +56,7 @@ Open de onderstaande notebooks om meer te leren over verschillende semantische s * [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) ## Conclusie diff --git a/translations/nl/lessons/5-NLP/13-TextRep/README.md b/translations/nl/lessons/5-NLP/13-TextRep/README.md index 9384e28a..60c7a939 100644 --- a/translations/nl/lessons/5-NLP/13-TextRep/README.md +++ b/translations/nl/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Tekst Representeren als 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) ## Tekstclassificatie @@ -73,7 +73,7 @@ Tot nu toe hebben we technieken bestudeerd die frequentiegewicht kunnen toevoege Probeer enkele andere oefeningen met bag-of-words en verschillende datamodellen. Je kunt geïnspireerd worden door deze [competitie op 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 & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/14-Embeddings/README.md b/translations/nl/lessons/5-NLP/14-Embeddings/README.md index 5369289f..79edafb1 100644 --- a/translations/nl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/nl/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Bij het trainen van classifiers gebaseerd op BoW of TF/IDF werkten we met hoog-dimensionale bag-of-words vectoren met een lengte van `vocab_size`, en converteerden we expliciet van laag-dimensionale positionele representatievectoren naar spaarzame one-hot representaties. Deze one-hot representatie is echter niet efficiënt qua geheugen. Bovendien worden woorden onafhankelijk van elkaar behandeld, d.w.z. one-hot gecodeerde vectoren drukken geen semantische gelijkenis tussen woorden uit. @@ -65,7 +65,7 @@ In deze les heb je ontdekt hoe je embeddinglagen kunt bouwen en gebruiken in Ten Word2Vec is gebruikt voor enkele interessante toepassingen, waaronder het genereren van songteksten en poëzie. Bekijk [dit artikel](https://www.politetype.com/blog/word2vec-color-poems) waarin wordt uitgelegd hoe de auteur Word2Vec gebruikte om poëzie te genereren. Bekijk ook [deze video van Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) om een andere uitleg van deze techniek te ontdekken. Probeer vervolgens deze technieken toe te passen op je eigen tekstcorpus, mogelijk afkomstig van 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 & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md index 2fe14acd..f52feac2 100644 --- a/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantische embeddings, zoals Word2Vec en GloVe, vormen eigenlijk een eerste stap richting **taalmodellering** - het creëren van modellen die op een bepaalde manier de aard van taal *begrijpen* (of *weergeven*). -## [Quiz vóór de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz vóór de les](https://ff-quizzes.netlify.app/en/ai/quiz/29) Het belangrijkste idee achter taalmodellering is om modellen te trainen op niet-gelabelde datasets op een onbegeleide manier. Dit is belangrijk omdat we enorme hoeveelheden niet-gelabelde tekst beschikbaar hebben, terwijl de hoeveelheid gelabelde tekst altijd beperkt zal zijn door de inspanning die nodig is om deze te labelen. Meestal kunnen we taalmodellen bouwen die **ontbrekende woorden** in de tekst kunnen voorspellen, omdat het eenvoudig is om een willekeurig woord in een tekst te maskeren en dit als trainingsvoorbeeld te gebruiken. @@ -38,7 +38,7 @@ Ga verder met leren in de volgende notebooks: In de vorige les hebben we gezien dat woordembeddings bijna magisch werken! Nu weten we dat het trainen van woordembeddings geen heel complexe taak is, en we zouden in staat moeten zijn om onze eigen woordembeddings te trainen voor domeinspecifieke teksten indien nodig. -## [Quiz na de les](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz na de les](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Herhaling & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/16-RNN/README.md b/translations/nl/lessons/5-NLP/16-RNN/README.md index c556c317..6d53df0a 100644 --- a/translations/nl/lessons/5-NLP/16-RNN/README.md +++ b/translations/nl/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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 eerdere secties hebben we gebruik gemaakt van rijke semantische representaties van tekst en een eenvoudige lineaire classifier bovenop de embeddings. Wat deze architectuur doet, is de geaggregeerde betekenis van woorden in een zin vastleggen, maar het houdt geen rekening met de **volgorde** van woorden, omdat de aggregatiebewerking bovenop de embeddings deze informatie uit de oorspronkelijke tekst verwijdert. Omdat deze modellen niet in staat zijn om de volgorde van woorden te modelleren, kunnen ze geen complexere of dubbelzinnige taken oplossen, zoals tekstgeneratie of vraag-antwoord systemen. @@ -84,7 +84,7 @@ Lees enkele literatuur over LSTMs en overweeg hun toepassingen: - [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 & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md index 5ce1249d..1310ea30 100644 --- a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatieve netwerken -## [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) en hun varianten met gated cellen, zoals Long Short Term Memory Cells (LSTMs) en Gated Recurrent Units (GRUs), bieden een mechanisme voor taalmodellering doordat ze woordvolgorde kunnen leren en voorspellingen kunnen doen voor het volgende woord in een reeks. Dit stelt ons in staat om RNNs te gebruiken voor **generatieve taken**, zoals gewone tekstgeneratie, machinevertaling en zelfs beeldonderschriften. @@ -71,7 +71,7 @@ Volg enkele lessen op Microsoft Learn over dit onderwerp: * Tekstgeneratie met [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 & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/18-Transformers/README.md b/translations/nl/lessons/5-NLP/18-Transformers/README.md index 9f2abf3d..12df72a6 100644 --- a/translations/nl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/nl/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Aandachtsmechanismen en Transformers -## [Pre-lezing quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Pre-lezing quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35) Een van de belangrijkste problemen binnen het NLP-domein is **machinetranslatie**, een essentiële taak die ten grondslag ligt aan tools zoals Google Translate. In deze sectie richten we ons op machinetranslatie, of meer algemeen, op elke *sequence-to-sequence* taak (ook wel **zinstransductie** genoemd). @@ -108,7 +108,7 @@ In deze les heb je geleerd over Transformers en Aandachtsmechanismen, allemaal e ## 🚀 Uitdaging -## [Post-lezing quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Post-lezing quiz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Review & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/19-NER/README.md b/translations/nl/lessons/5-NLP/19-NER/README.md index c557c8e7..aedc9660 100644 --- a/translations/nl/lessons/5-NLP/19-NER/README.md +++ b/translations/nl/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Tot nu toe hebben we ons voornamelijk gericht op één NLP-taak: classificatie. Er zijn echter ook andere NLP-taken die met neurale netwerken kunnen worden uitgevoerd. Een van die taken is **[Herkenning van benoemde entiteiten](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), waarbij specifieke entiteiten in tekst worden herkend, zoals plaatsen, persoonsnamen, datums, chemische formules, enzovoort. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Voorbeeld van het gebruik van NER @@ -79,7 +79,7 @@ Een NER-model is een **tokenclassificatiemodel**, wat betekent dat het kan worde Voltooi de opdracht via de onderstaande link om een model voor herkenning van medische entiteiten te trainen en probeer het vervolgens op een andere 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 & Zelfstudie diff --git a/translations/nl/lessons/5-NLP/20-LangModels/README.md b/translations/nl/lessons/5-NLP/20-LangModels/README.md index 792486df..ad31be71 100644 --- a/translations/nl/lessons/5-NLP/20-LangModels/README.md +++ b/translations/nl/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In al onze eerdere taken trainden we een neuraal netwerk om een bepaalde taak uit te voeren met behulp van een gelabelde dataset. Bij grote transformermodellen, zoals BERT, gebruiken we taalmodellering op een zelf-gestuurde manier om een taalmodel te bouwen, dat vervolgens wordt gespecialiseerd voor een specifieke downstream-taak met verdere domeinspecifieke training. Het is echter aangetoond dat grote taalmodellen ook veel taken kunnen oplossen zonder ENIGE domeinspecifieke training. Een familie van modellen die dat kan, wordt **GPT** genoemd: 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) ## Tekstgeneratie en Perplexiteit @@ -58,7 +58,7 @@ Ga verder met leren in de volgende notebooks: Nieuwe algemene voorgetrainde taalmodellen modelleren niet alleen de taalstructuur, maar bevatten ook een enorme hoeveelheid natuurlijke taal. Hierdoor kunnen ze effectief worden gebruikt om enkele NLP-taken op te lossen in zero-shot- of few-shot-instellingen. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/nl/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/nl/lessons/6-Other/21-GeneticAlgorithms/README.md index 77074298..d9a53ee7 100644 --- a/translations/nl/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/nl/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetische Algoritmen -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetische algoritmen** (GA) zijn gebaseerd op een **evolutionaire benadering** van AI, waarbij methoden van de evolutie van een populatie worden gebruikt om een optimale oplossing voor een gegeven probleem te vinden. Ze werden voorgesteld in 1975 door [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetische algoritmen worden gebruikt om veel problemen op te lossen, waaronder "Genetische algoritmen zijn eenvoudig te implementeren, maar hun gedrag is moeilijk te begrijpen." [bron](https://wikipedia.org/wiki/Genetic_algorithm) Doe wat onderzoek om een implementatie van een genetisch algoritme te vinden, zoals het oplossen van een Sudoku-puzzel, en leg uit hoe het werkt in de vorm van een schets of stroomdiagram. -## [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 & Zelfstudie diff --git a/translations/nl/lessons/6-Other/22-DeepRL/README.md b/translations/nl/lessons/6-Other/22-DeepRL/README.md index a9599723..8fd384ff 100644 --- a/translations/nl/lessons/6-Other/22-DeepRL/README.md +++ b/translations/nl/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Reinforcement learning (RL) wordt gezien als een van de fundamentele machine learning paradigma's, naast supervised learning en unsupervised learning. Terwijl we bij supervised learning vertrouwen op een dataset met bekende uitkomsten, is RL gebaseerd op **leren door te doen**. Bijvoorbeeld, wanneer we voor het eerst een computerspel zien, beginnen we te spelen, zelfs zonder de regels te kennen, en al snel verbeteren we onze vaardigheden simpelweg door te spelen en ons gedrag aan te passen. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/43) Om RL uit te voeren, hebben we nodig: @@ -110,7 +110,7 @@ We hebben nu geleerd hoe we agenten kunnen trainen om goede resultaten te behale Verken de toepassingen die worden vermeld in de sectie 'Andere RL Taken' en probeer er een te implementeren! -## [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 & Zelfstudie diff --git a/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md index 1b7843ec..f4137da6 100644 --- a/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Een van de mogelijke manieren om intelligentie te bereiken is de zogenaamde **emergente** (of **synergetische**) benadering, die gebaseerd is op het feit dat het gecombineerde gedrag van veel relatief eenvoudige agenten kan resulteren in een algeheel complexer (of intelligenter) gedrag van het systeem als geheel. Theoretisch is dit gebaseerd op de principes van [Collectieve Intelligentie](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain) en [Evolutionaire Cybernetica](https://en.wikipedia.org/wiki/Global_brain), die stellen dat systemen op een hoger niveau een soort toegevoegde waarde verkrijgen wanneer ze op de juiste manier worden gecombineerd vanuit systemen op een lager niveau (het zogenaamde *principe van metasysteemtransitie*). -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/45) De richting van **Multi-Agent Systemen** ontstond in AI in de jaren 1990 als reactie op de groei van het internet en gedistribueerde systemen. Een van de klassieke AI-handboeken, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), richt zich op het perspectief van klassieke AI vanuit het oogpunt van multi-agent systemen. @@ -152,7 +152,7 @@ Ze richten zich allemaal op het eenvoudigere gedrag van een individuele agent en Breng deze les naar de echte wereld en probeer een multi-agent systeem te conceptualiseren dat een probleem kan oplossen. Wat zou een multi-agent systeem bijvoorbeeld moeten doen om een schoolbusroute te optimaliseren? Hoe zou het kunnen werken in een bakkerij? -## [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 & Zelfstudie diff --git a/translations/no/lessons/1-Intro/README.md b/translations/no/lessons/1-Intro/README.md index bf2ae9c3..825830d9 100644 --- a/translations/no/lessons/1-Intro/README.md +++ b/translations/no/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Tegning av [Tomomi Imura](https://twitter.com/girlie_mac) -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Kunstig intelligens** er en spennende vitenskapelig disiplin som studerer hvordan vi kan få datamaskiner til å vise intelligent atferd, f.eks. gjøre de tingene som mennesker er gode til å gjøre. @@ -151,7 +151,7 @@ De siste årene har vi vært vitne til store suksesser med store språkmodeller, Ta en tur på internett for å finne ut hvor, etter din mening, AI brukes mest effektivt. Er det i en kartleggingsapp, en tale-til-tekst-tjeneste eller et videospill? Undersøk hvordan systemet ble bygget. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/2-Symbolic/README.md b/translations/no/lessons/2-Symbolic/README.md index 6627fe01..6e0f2056 100644 --- a/translations/no/lessons/2-Symbolic/README.md +++ b/translations/no/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Jakten på kunstig intelligens handler om å finne kunnskap, for å forstå verden på en måte som ligner på hvordan mennesker gjør det. Men hvordan kan man oppnå dette? -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/3) I AI's tidlige dager var den top-down tilnærmingen til å lage intelligente systemer (diskutert i forrige leksjon) populær. Ideen var å trekke ut kunnskap fra mennesker i en maskinlesbar form, og deretter bruke den til å løse problemer automatisk. Denne tilnærmingen var basert på to store ideer: @@ -236,7 +236,7 @@ I dag blir AI ofte betraktet som et synonym for *Maskinlæring* eller *Nevrale n I Family Ontology-notatboken knyttet til denne leksjonen er det en mulighet til å eksperimentere med andre familierelasjoner. Prøv å oppdage nye forbindelser mellom personer i slektstreet. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/no/lessons/3-NeuralNetworks/03-Perceptron/README.md index bfd8f6aa..fc8aa88a 100644 --- a/translations/no/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/no/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduksjon til nevrale nettverk: Perceptron -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/5) En av de første forsøkene på å implementere noe som ligner på et moderne nevralt nettverk ble gjort av Frank Rosenblatt fra Cornell Aeronautical Laboratory i 1957. Det var en maskinvareimplementasjon kalt "Mark-1", designet for å gjenkjenne primitive geometriske figurer, som trekanter, firkanter og sirkler. @@ -85,7 +85,7 @@ I denne leksjonen lærte du om en perceptron, som er en binær klassifiseringsmo Hvis du vil prøve å bygge din egen perceptron, kan du prøve [dette laboratoriet på Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) som bruker [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/README.md index e748e656..97ba66b3 100644 --- a/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ I denne seksjonen vil vi utvide denne modellen til et mer fleksibelt rammeverk s Vi vil også utvikle vårt eget modulære rammeverk i Python som lar oss konstruere ulike arkitekturer for nevrale nettverk. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisering av maskinlæring @@ -81,7 +81,7 @@ I den medfølgende notatboken vil du implementere ditt eget rammeverk for å byg Gå videre til [OwnFramework](OwnFramework.ipynb)-notatboken og arbeid deg gjennom den. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/no/lessons/3-NeuralNetworks/05-Frameworks/README.md index a06cafdb..b17ab460 100644 --- a/translations/no/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/no/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Som vi allerede har lært, for å kunne trene nevrale nettverk effektivt må vi * Operere på tensorer, f.eks. multiplisere, legge til og beregne funksjoner som sigmoid eller softmax * Beregne gradienter av alle uttrykk for å utføre gradientnedstigningsoptimalisering -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Mens `numpy`-biblioteket kan håndtere den første delen, trenger vi en mekanisme for å beregne gradienter. I [vårt rammeverk](../04-OwnFramework/OwnFramework.ipynb) som vi utviklet i forrige seksjon, måtte vi manuelt programmere alle deriverte funksjoner inne i `backward`-metoden, som utfører tilbakepropagering. Ideelt sett bør et rammeverk gi oss muligheten til å beregne gradienter av *ethvert uttrykk* vi kan definere. @@ -106,7 +106,7 @@ I denne leksjonen lærte du om forskjellene mellom de ulike API-ene for de to me I de medfølgende notatbøkene finner du 'oppgaver' nederst; arbeid gjennom notatbøkene og fullfør oppgavene. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/no/lessons/4-ComputerVision/06-IntroCV/README.md index b3100c14..30876ee5 100644 --- a/translations/no/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/no/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Datamaskinsyn](https://wikipedia.org/wiki/Computer_vision) er et fagfelt som har som mål å gi datamaskiner en høyere forståelse av digitale bilder. Dette er en ganske bred definisjon, fordi *forståelse* kan bety mange forskjellige ting, inkludert å finne et objekt i et bilde (**objektdeteksjon**), forstå hva som skjer (**hendelsesdeteksjon**), beskrive et bilde med tekst, eller rekonstruere en scene i 3D. Det finnes også spesifikke oppgaver knyttet til bilder av mennesker: alders- og følelsesestimering, ansiktsdeteksjon og -identifikasjon, og 3D-posisjonsestimering, for å nevne noen. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/11) En av de enkleste oppgavene innen datamaskinsyn er **bildeklassifisering**. @@ -105,7 +105,7 @@ Noen ganger kan relativt komplekse oppgaver som bevegelsesdeteksjon eller finger Se [denne videoen](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) fra AI-showet for å lære om Cortic Tigers-prosjektet og hvordan de bygde en blokkbasert løsning for å demokratisere oppgaver innen datamaskinsyn via en robot. Gjør litt research på andre prosjekter som dette som hjelper nye lærere inn i feltet. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/no/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 2ee76eb6..92683e4e 100644 --- a/translations/no/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/no/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ I denne enheten har du lært hovedkonseptet bak nevrale nettverk for datavisjon I de medfølgende notatbøkene er det notater nederst om hvordan man kan oppnå høyere nøyaktighet. Gjør noen eksperimenter for å se om du kan oppnå bedre resultater. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/no/lessons/4-ComputerVision/07-ConvNets/README.md index 018f66cf..06f09316 100644 --- a/translations/no/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/no/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidligere sett at nevrale nettverk er ganske gode til å håndtere bilder, og til og med et ett-lags perseptron kan gjenkjenne håndskrevne sifre fra MNIST-datasettet med rimelig nøyaktighet. MNIST-datasettet er imidlertid veldig spesielt, og alle sifrene er sentrert i bildet, noe som gjør oppgaven enklere. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/13) I virkeligheten ønsker vi å kunne gjenkjenne objekter i et bilde uavhengig av deres eksakte plassering i bildet. Datamaskinsyn skiller seg fra generell klassifisering, fordi når vi prøver å finne et bestemt objekt i bildet, skanner vi bildet på jakt etter spesifikke **mønstre** og deres kombinasjoner. For eksempel, når vi ser etter en katt, kan vi først se etter horisontale linjer som kan danne værhår, og deretter kan en viss kombinasjon av værhår fortelle oss at det faktisk er et bilde av en katt. Relativ posisjon og tilstedeværelse av visse mønstre er viktig, og ikke deres eksakte plassering i bildet. diff --git a/translations/no/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/no/lessons/4-ComputerVision/08-TransferLearning/README.md index 4e6cdc3e..419b9f9d 100644 --- a/translations/no/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/no/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Å trene CNN-er kan ta mye tid, og det kreves mye data for denne oppgaven. Imidlertid brukes mye av tiden på å lære de beste lavnivåfiltrene som et nettverk kan bruke for å trekke ut mønstre fra bilder. Et naturlig spørsmål oppstår - kan vi bruke et nevralt nettverk trent på ett datasett og tilpasse det til å klassifisere forskjellige bilder uten å kreve en full treningsprosess? -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/15) Denne tilnærmingen kalles **overføringslæring**, fordi vi overfører noe kunnskap fra én nevralt nettverksmodell til en annen. I overføringslæring starter vi vanligvis med en forhåndstrent modell, som har blitt trent på et stort bildedatasett, som for eksempel **ImageNet**. Disse modellene kan allerede gjøre en god jobb med å trekke ut ulike funksjoner fra generiske bilder, og i mange tilfeller kan det å bygge en klassifiserer på toppen av disse funksjonene gi gode resultater. @@ -76,7 +76,7 @@ Ved å bruke overføringslæring kan du raskt sette sammen en klassifiserer for I de tilhørende notatbøkene er det notater nederst om hvordan overføringskunnskap fungerer best med noe lignende treningsdata (en ny type dyr, kanskje). Gjør noen eksperimenter med helt nye typer bilder for å se hvor godt eller dårlig dine modeller for overføringskunnskap presterer. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/no/lessons/4-ComputerVision/09-Autoencoders/README.md index 9afb4e84..475698a9 100644 --- a/translations/no/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/no/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Når vi trener CNN-er, er en av utfordringene at vi trenger mye merket data. Når det gjelder bildeklassifisering, må vi dele bilder inn i forskjellige klasser, noe som krever manuelt arbeid. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Vi kan imidlertid ønske å bruke rå (umerket) data for å trene CNN-funksjonsekstraktorer, noe som kalles **selv-supervisert læring**. I stedet for etiketter bruker vi treningsbilder både som nettverksinput og output. Hovedideen med **autoenkoder** er at vi har et **enkodernettverk** som konverterer inputbildet til et **latent rom** (vanligvis bare en vektor av mindre størrelse), og deretter et **dekodernettverk**, som har som mål å rekonstruere det originale bildet. @@ -80,7 +80,7 @@ Lær mer om autoenkodere i disse tilhørende notatbøkene: * **Tapsbaserte** - det rekonstruerte bildet er ikke det samme som det originale bildet. Tapets natur er definert av *tapsfunksjonen* som brukes under trening. * Fungerer på **umerket 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) ## Konklusjon @@ -90,7 +90,7 @@ I denne leksjonen lærte du om de forskjellige typene autoenkodere som er tilgje I denne leksjonen lærte du om bruk av autoenkodere for bilder. Men de kan også brukes for musikk! Sjekk ut Magenta-prosjektets [MusicVAE](https://magenta.tensorflow.org/music-vae)-prosjekt, som bruker autoenkodere for å lære å rekonstruere musikk. Gjør noen [eksperimenter](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) med dette biblioteket for å se hva du kan skape. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/4-ComputerVision/10-GANs/README.md b/translations/no/lessons/4-ComputerVision/10-GANs/README.md index 87e98a4e..eb537dd8 100644 --- a/translations/no/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/no/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I forrige seksjon lærte vi om **generative modeller**: modeller som kan generere nye bilder som ligner på de i treningsdatasettet. VAE var et godt eksempel på en generativ modell. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Men hvis vi prøver å generere noe virkelig meningsfullt, som et maleri med rimelig oppløsning, med VAE, vil vi se at treningen ikke konvergerer godt. For dette brukstilfellet bør vi lære om en annen arkitektur som er spesifikt rettet mot generative modeller - **Generative Adversarial Networks**, eller GANs. @@ -84,7 +84,7 @@ Slik fungerer det: ## ✍️ Eksempel: [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) ## Konklusjon diff --git a/translations/no/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/no/lessons/4-ComputerVision/11-ObjectDetection/README.md index f245443b..5e9a5337 100644 --- a/translations/no/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/no/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Bildesorteringsmodellene vi har jobbet med så langt, tok et bilde og produserte et kategorisk resultat, som klassen 'nummer' i et MNIST-problem. Men i mange tilfeller ønsker vi ikke bare å vite at et bilde viser objekter – vi vil kunne bestemme deres nøyaktige plassering. Dette er nettopp poenget med **objektgjenkjenning**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objektgjenkjenning](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.no.png) @@ -172,7 +172,7 @@ Les gjennom disse artiklene og notatbøkene om YOLO og prøv dem selv: * Yolo: [Keras-implementasjon](https://github.com/experiencor/keras-yolo2), [steg-for-steg notatbok](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras-implementasjon](https://github.com/experiencor/keras-yolo2), [steg-for-steg notatbok](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) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/no/lessons/4-ComputerVision/12-Segmentation/README.md index c65128b0..1462f4cc 100644 --- a/translations/no/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/no/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidligere lært om Objektgjenkjenning, som lar oss lokalisere objekter i et bilde ved å forutsi deres *avgrensningsbokser*. For noen oppgaver trenger vi imidlertid ikke bare avgrensningsbokser, men også mer presis objektlokalisering. Denne oppgaven kalles **segmentering**. -## [Pre-forelesningsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-forelesningsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentering kan sees på som **pikselklassifisering**, der vi for **hver** piksel i bildet må forutsi dens klasse (*bakgrunn* er en av klassene). Det finnes to hovedtyper segmenteringsalgoritmer: @@ -56,7 +56,7 @@ Vi skal trene en modell til å segmentere enhver nevus fra bakgrunnen. * [Semantisk Segmentering Pytorch](SemanticSegmentationPytorch.ipynb) * [Semantisk Segmentering TensorFlow](SemanticSegmentationTF.ipynb) -## [Etter-forelesningsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Etter-forelesningsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Konklusjon diff --git a/translations/no/lessons/5-NLP/13-TextRep/README.md b/translations/no/lessons/5-NLP/13-TextRep/README.md index caae94a9..11fd167d 100644 --- a/translations/no/lessons/5-NLP/13-TextRep/README.md +++ b/translations/no/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representere tekst som tensorer -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Tekstklassifisering @@ -73,7 +73,7 @@ Så langt har vi studert teknikker som kan legge frekvensvekt på forskjellige o Prøv noen andre øvelser ved å bruke bag-of-words og forskjellige datamodeller. Du kan finne inspirasjon i denne [konkurransen på Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/5-NLP/14-Embeddings/README.md b/translations/no/lessons/5-NLP/14-Embeddings/README.md index de8c3d47..f9587f7f 100644 --- a/translations/no/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/no/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Innebygginger -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/27) Når vi trente klassifikatorer basert på BoW eller TF/IDF, jobbet vi med høy-dimensjonale bag-of-words-vektorer med lengde `vocab_size`, og vi konverterte eksplisitt fra lav-dimensjonale posisjonsrepresentasjonsvektorer til sparsomme én-hot-representasjoner. Denne én-hot-representasjonen er imidlertid ikke minneeffektiv. I tillegg behandles hvert ord uavhengig av hverandre, dvs. én-hot-kodede vektorer uttrykker ingen semantisk likhet mellom ord. @@ -65,7 +65,7 @@ I denne leksjonen oppdaget du hvordan du kan bygge og bruke innebyggingslag i Te Word2Vec har blitt brukt til noen interessante applikasjoner, inkludert generering av sangtekster og poesi. Ta en titt på [denne artikkelen](https://www.politetype.com/blog/word2vec-color-poems) som forklarer hvordan forfatteren brukte Word2Vec til å generere poesi. Se også [denne videoen av Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) for å oppdage en annen forklaring på denne teknikken. Prøv deretter å bruke disse teknikkene på din egen tekstkorpus, kanskje hentet fra Kaggle. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/5-NLP/15-LanguageModeling/README.md b/translations/no/lessons/5-NLP/15-LanguageModeling/README.md index 378ffb86..98276460 100644 --- a/translations/no/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/no/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantiske embeddinger, som Word2Vec og GloVe, er faktisk et første steg mot **språkmodellering** - å lage modeller som på en eller annen måte *forstår* (eller *representerer*) språkets natur. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/29) Hovedideen bak språkmodellering er å trene dem på umerkede datasett på en usupervisert måte. Dette er viktig fordi vi har enorme mengder umerket tekst tilgjengelig, mens mengden merket tekst alltid vil være begrenset av hvor mye innsats vi kan legge i merking. Oftest kan vi bygge språkmodeller som kan **forutsi manglende ord** i teksten, fordi det er enkelt å maskere et tilfeldig ord i teksten og bruke det som et treningsprøve. @@ -38,7 +38,7 @@ Fortsett læringen i følgende notatbøker: I forrige leksjon så vi at ordembeddinger fungerer som magi! Nå vet vi at trening av ordembeddinger ikke er en veldig kompleks oppgave, og vi bør kunne trene våre egne ordembeddinger for domenespesifikk tekst hvis nødvendig. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/5-NLP/16-RNN/README.md b/translations/no/lessons/5-NLP/16-RNN/README.md index 32e97d57..1b7e02ad 100644 --- a/translations/no/lessons/5-NLP/16-RNN/README.md +++ b/translations/no/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurrente Nevrale Nettverk -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/31) I tidligere seksjoner har vi brukt rike semantiske representasjoner av tekst og en enkel lineær klassifikator på toppen av embeddingene. Det denne arkitekturen gjør, er å fange opp den samlede meningen av ordene i en setning, men den tar ikke hensyn til **rekkefølgen** av ordene, fordi aggregeringsoperasjonen på embeddingene fjerner denne informasjonen fra den opprinnelige teksten. Siden disse modellene ikke kan modellere ordrekkefølge, kan de ikke løse mer komplekse eller tvetydige oppgaver som tekstgenerering eller spørsmål-svar. @@ -84,7 +84,7 @@ Les gjennom noe litteratur om LSTM-er og vurder deres anvendelser: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/no/lessons/5-NLP/17-GenerativeNetworks/README.md index 376427fb..79760e8d 100644 --- a/translations/no/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/no/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generative nettverk -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurrente nevrale nettverk (RNNs) og deres gatede cellevarianter som Long Short Term Memory Cells (LSTMs) og Gated Recurrent Units (GRUs) gir en mekanisme for språkmodellering ved at de kan lære ordrekkefølge og gi prediksjoner for neste ord i en sekvens. Dette gjør det mulig å bruke RNNs til **generative oppgaver**, som vanlig tekstgenerering, maskinoversettelse og til og med bildetekstgenerering. @@ -71,7 +71,7 @@ Ta noen leksjoner på Microsoft Learn om dette emnet * Tekstgenerering med [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) -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/5-NLP/18-Transformers/README.md b/translations/no/lessons/5-NLP/18-Transformers/README.md index 22c735c7..5ab7ad2c 100644 --- a/translations/no/lessons/5-NLP/18-Transformers/README.md +++ b/translations/no/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Oppmerksomhetsmekanismer og Transformere -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/35) En av de viktigste problemene innen NLP er **maskinoversettelse**, en essensiell oppgave som ligger til grunn for verktøy som Google Translate. I denne delen skal vi fokusere på maskinoversettelse, eller mer generelt, på enhver *sekvens-til-sekvens*-oppgave (som også kalles **setningstransduksjon**). @@ -108,7 +108,7 @@ I denne leksjonen lærte du om Transformere og Oppmerksomhetsmekanismer, alle es ## 🚀 Utfordring -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Gjennomgang & Selvstudium diff --git a/translations/no/lessons/5-NLP/19-NER/README.md b/translations/no/lessons/5-NLP/19-NER/README.md index 254eed17..b022727d 100644 --- a/translations/no/lessons/5-NLP/19-NER/README.md +++ b/translations/no/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Så langt har vi stort sett fokusert på én NLP-oppgave - klassifisering. Det finnes imidlertid også andre NLP-oppgaver som kan løses med nevrale nettverk. En av disse oppgavene er **[Navngitt enhetsgjenkjenning](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), som handler om å gjenkjenne spesifikke enheter i tekst, som steder, personnavn, tidsintervaller, kjemiske formler og så videre. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Eksempel på bruk av NER @@ -79,7 +79,7 @@ En NER-modell er en **tokenklassifiseringsmodell**, noe som betyr at den kan bru Fullfør oppgaven som er lenket nedenfor for å trene en navngitt enhetsgjenkjenningsmodell for medisinske termer, og prøv den deretter på et annet datasett. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/5-NLP/20-LangModels/README.md b/translations/no/lessons/5-NLP/20-LangModels/README.md index e310c0c1..04fdc9e9 100644 --- a/translations/no/lessons/5-NLP/20-LangModels/README.md +++ b/translations/no/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I alle våre tidligere oppgaver trente vi et nevralt nettverk til å utføre en bestemt oppgave ved hjelp av et merket datasett. Med store transformer-modeller, som BERT, bruker vi språklæring i en selvstyrt tilnærming for å bygge en språkmodell, som deretter spesialiseres for spesifikke oppgaver med videre domenespesifikk trening. Det har imidlertid blitt demonstrert at store språkmodeller også kan løse mange oppgaver uten NOEN domenespesifikk trening. En familie av modeller som kan gjøre dette kalles **GPT**: Generative Pre-Trained Transformer. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Tekstgenerering og forvirring @@ -58,7 +58,7 @@ Fortsett læringen din i følgende notatbøker: Nye generelle forhåndstrente språkmodeller modellerer ikke bare språkstruktur, men inneholder også store mengder naturlig språk. Dermed kan de effektivt brukes til å løse noen NLP-oppgaver i zero-shot eller few-shot-innstillinger. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/no/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/no/lessons/6-Other/21-GeneticAlgorithms/README.md index a3b4a4db..945fe9a1 100644 --- a/translations/no/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/no/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetiske Algoritmer -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetiske Algoritmer** (GA) er basert på en **evolusjonær tilnærming** til kunstig intelligens, der metoder for evolusjon av en populasjon brukes for å finne en optimal løsning på et gitt problem. De ble foreslått i 1975 av [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetiske Algoritmer brukes til å løse mange problemer, inkludert logistikk- o "Genetiske algoritmer er enkle å implementere, men deres oppførsel er vanskelig å forstå." [kilde](https://wikipedia.org/wiki/Genetic_algorithm) Gjør litt research for å finne en implementasjon av en genetisk algoritme, som for eksempel å løse et Sudoku-puslespill, og forklar hvordan det fungerer som en skisse eller flytskjema. -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Gjennomgang og Selvstudium diff --git a/translations/no/lessons/6-Other/22-DeepRL/README.md b/translations/no/lessons/6-Other/22-DeepRL/README.md index cde826f2..a5bfbfc2 100644 --- a/translations/no/lessons/6-Other/22-DeepRL/README.md +++ b/translations/no/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Forsterkningslæring (RL) regnes som en av de grunnleggende paradigmer innen maskinlæring, ved siden av veiledet læring og uveiledet læring. Mens vi i veiledet læring baserer oss på datasett med kjente utfall, er RL basert på **læring gjennom handling**. For eksempel, når vi ser et dataspill for første gang, begynner vi å spille, selv uten å kjenne reglene, og snart blir vi bedre bare ved å spille og justere oppførselen vår. -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/43) For å utføre RL trenger vi: @@ -110,7 +110,7 @@ Vi har nå lært hvordan vi kan trene agenter til å oppnå gode resultater bare Utforsk applikasjonene som er oppført i delen 'Andre RL-oppgaver' og prøv å implementere en! -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Gjennomgang og selvstudium diff --git a/translations/no/lessons/6-Other/23-MultiagentSystems/README.md b/translations/no/lessons/6-Other/23-MultiagentSystems/README.md index 976d9bad..1fdef9f2 100644 --- a/translations/no/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/no/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: En av de mulige måtene å oppnå intelligens på er den såkalte **emergente** (eller **synergetiske**) tilnærmingen, som er basert på det faktum at den kombinerte oppførselen til mange relativt enkle agenter kan resultere i en mer kompleks (eller intelligent) oppførsel av systemet som helhet. Teoretisk sett er dette basert på prinsippene for [Kollektiv intelligens](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain) og [Evolusjonær kybernetikk](https://en.wikipedia.org/wiki/Global_brain), som sier at høyere nivå-systemer får en form for merverdi når de kombineres riktig fra lavere nivå-systemer (det såkalte *prinsippet om metasystemovergang*). -## [Quiz før forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz før forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/45) Retningen **Multi-Agent Systemer** dukket opp innen AI på 1990-tallet som en respons på veksten av Internett og distribuerte systemer. En av de klassiske AI-lærebøkene, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), fokuserer på klassisk AI fra perspektivet til multi-agent systemer. @@ -152,7 +152,7 @@ De fokuserer alle på den enklere oppførselen til en individuell agent, og oppn Ta denne leksjonen til den virkelige verden og prøv å konseptualisere et multi-agent system som kan løse et problem. Hva, for eksempel, ville et multi-agent system trenge å gjøre for å optimalisere en skolebussrute? Hvordan kunne det fungere i et bakeri? -## [Quiz etter forelesning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz etter forelesning](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Gjennomgang & Selvstudium diff --git a/translations/pa/lessons/1-Intro/README.md b/translations/pa/lessons/1-Intro/README.md index 6b3b5610..211721ce 100644 --- a/translations/pa/lessons/1-Intro/README.md +++ b/translations/pa/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: ਇੰਟਰਨੈਟ ਦਾ ਦੌਰਾ ਕਰੋ ਅਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਵਿਚਾਰ ਵਿੱਚ, AI ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਕਿੱਥੇ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਕੀ ਇਹ ਮੈਪਿੰਗ ਐਪ ਵਿੱਚ ਹੈ, ਜਾਂ ਕੋਈ ਬੋਲ-ਤੋਂ-ਟੈਕਸਟ ਸੇਵਾ ਜਾਂ ਕੋਈ ਵੀਡੀਓ ਗੇਮ? ਖੋਜ ਕਰੋ ਕਿ ਸਿਸਟਮ ਕਿਵੇਂ ਬਣਾਇਆ ਗਿਆ ਸੀ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/2-Symbolic/README.md b/translations/pa/lessons/2-Symbolic/README.md index 8a91b20f..9a139afe 100644 --- a/translations/pa/lessons/2-Symbolic/README.md +++ b/translations/pa/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੀ ਖੋਜ ਦਾ ਅਧਾਰ ਗਿਆਨ ਦੀ ਖੋਜ 'ਤੇ ਹੈ, ਦੁਨੀਆ ਨੂੰ ਸਮਝਣ ਲਈ ਜਿਵੇਂ ਮਨੁੱਖ ਕਰਦੇ ਹਨ। ਪਰ ਇਹ ਕਿਵੇਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ? -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ, ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਬਣਾਉਣ ਲਈ ਟੌਪ-ਡਾਊਨ ਪਹੁੰਚ (ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ) ਪ੍ਰਸਿੱਧ ਸੀ। ਇਹ ਵਿਚਾਰ ਸੀ ਕਿ ਲੋਕਾਂ ਤੋਂ ਗਿਆਨ ਨੂੰ ਮਸ਼ੀਨ-ਪੜ੍ਹਨਯੋਗ ਰੂਪ ਵਿੱਚ ਕੱਢਿਆ ਜਾਵੇ ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਵੇ। ਇਸ ਪਹੁੰਚ ਦਾ ਅਧਾਰ ਦੋ ਵੱਡੇ ਵਿਚਾਰਾਂ 'ਤੇ ਸੀ: @@ -112,7 +112,7 @@ GROUP BY ?eyeColorLabel ਇਸ ਪਾਠ ਨਾਲ ਸੰਬੰਧਿਤ ਪਰਿਵਾਰ ਓਨਟੋਲੋਜੀ ਨੋਟਬੁੱਕ ਵਿੱਚ, ਹੋਰ ਪਰਿਵਾਰਕ ਸੰਬੰਧਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਦਾ ਮੌਕਾ ਹੈ। ਪਰਿਵਾਰਕ ਰੁੱਖ ਵਿੱਚ ਲੋਕਾਂ ਦੇ ਵਿਚਕਾਰ ਨਵੇਂ ਸੰਬੰਧਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। -## [ਪਾਠ-ਪ੍ਰਸਚਾਤ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [ਪਾਠ-ਪ੍ਰਸਚਾਤ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md index 60ac997e..46012db6 100644 --- a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇ: ਪਰਸੈਪਟ੍ਰਾਨ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/5) ਸਮਕਾਲੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਰਗੇ ਕੁਝ ਬਣਾਉਣ ਦੇ ਪਹਿਲੇ ਯਤਨ 1957 ਵਿੱਚ ਕੋਰਨੇਲ ਏਰੋਨਾਟਿਕਲ ਲੈਬੋਰਟਰੀ ਦੇ ਫ੍ਰੈਂਕ ਰੋਜ਼ਨਬਲਾਟ ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਸਨ। ਇਹ ਇੱਕ ਹਾਰਡਵੇਅਰ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ ਸੀ ਜਿਸਨੂੰ "ਮਾਰਕ-1" ਕਿਹਾ ਜਾਂਦਾ ਸੀ, ਜੋ ਤਿਕੋਣ, ਵਰਗ ਅਤੇ ਗੋਲਾਕਾਰ ਵਰਗੇ ਆਦਿ ਜਾਮਿਤੀ ਆਕਾਰਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਸੀ। @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): ਜੇ ਤੁਸੀਂ ਆਪਣਾ ਪਰਸੈਪਟ੍ਰਾਨ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ [ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) 'ਤੇ ਇਸ ਲੈਬ ਨੂੰ ਅਜ਼ਮਾਓ ਜੋ [Azure ML ਡਿਜ਼ਾਈਨਰ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md index aebd0f26..cc0ac8aa 100644 --- a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: ਅਸੀਂ ਪਾਇਥਨ ਵਿੱਚ ਆਪਣਾ ਮੋਡੀਊਲਰ ਢਾਂਚਾ ਵੀ ਵਿਕਸਿਤ ਕਰਾਂਗੇ ਜੋ ਸਾਨੂੰ ਵੱਖ-ਵੱਖ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦੇਵੇਗਾ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਫਾਰਮਲਾਈਜ਼ੇਸ਼ਨ @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ਨੋਟਬੁੱਕ 'ਤੇ ਜਾਓ ਅਤੇ ਇਸਨੂੰ ਪੂਰਾ ਕਰੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md index 7a2f3026..e011c8cd 100644 --- a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * ਟੈਂਸਰਸ 'ਤੇ ਕੰਮ ਕਰਨਾ, ਜਿਵੇਂ ਗੁਣਾ ਕਰਨਾ, ਜੋੜਨਾ, ਅਤੇ ਕੁਝ ਫੰਕਸ਼ਨ ਜਿਵੇਂ ਕਿ ਸਿਗਮਾਇਡ ਜਾਂ ਸੌਫਟਮੈਕਸ ਦੀ ਗਣਨਾ ਕਰਨੀ * ਸਾਰੇ ਐਕਸਪ੍ਰੈਸ਼ਨਜ਼ ਦੇ ਗ੍ਰੇਡੀਐਂਟਸ ਦੀ ਗਣਨਾ ਕਰਨੀ, ਤਾਂ ਜੋ ਗ੍ਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਕੀਤੀ ਜਾ ਸਕੇ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/9) ਜਦੋਂ ਕਿ `numpy` ਲਾਇਬ੍ਰੇਰੀ ਪਹਿਲੇ ਹਿੱਸੇ ਨੂੰ ਕਰ ਸਕਦੀ ਹੈ, ਸਾਨੂੰ ਗ੍ਰੇਡੀਐਂਟਸ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕੁਝ ਮਕੈਨਿਜ਼ਮ ਦੀ ਲੋੜ ਹੈ। [ਸਾਡੇ ਫ੍ਰੇਮਵਰਕ](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ਵਿੱਚ, ਜੋ ਅਸੀਂ ਪਿਛਲੇ ਭਾਗ ਵਿੱਚ ਵਿਕਸਿਤ ਕੀਤਾ ਸੀ, ਸਾਨੂੰ ਸਾਰੇ ਡੈਰੀਵੇਟਿਵ ਫੰਕਸ਼ਨਜ਼ ਨੂੰ ਹੱਥੋਂ `backward` ਮੈਥਡ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮ ਕਰਨਾ ਪੈਂਦਾ ਸੀ, ਜੋ ਬੈਕਪ੍ਰੋਪਾਗੇਸ਼ਨ ਕਰਦਾ ਹੈ। ਆਦਰਸ਼ ਤੌਰ 'ਤੇ, ਇੱਕ ਫ੍ਰੇਮਵਰਕ ਸਾਨੂੰ *ਕਿਸੇ ਵੀ ਐਕਸਪ੍ਰੈਸ਼ਨ* ਦੇ ਗ੍ਰੇਡੀਐਂਟਸ ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਮੌਕਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਅਸੀਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਾਂ। @@ -106,7 +106,7 @@ High-level API| [Keras](../../../../../lessons/3-NeuralNetworks/05-Frameworks/In ਸੰਬੰਧਿਤ ਨੋਟਬੁੱਕਸ ਵਿੱਚ, ਤੁਸੀਂ 'ਟਾਸਕਸ' ਨੂੰ ਹੇਠਾਂ ਪਾਵੋਗੇ; ਨੋਟਬੁੱਕਸ ਵਿੱਚ ਕੰਮ ਕਰੋ ਅਤੇ ਟਾਸਕਸ ਪੂਰੇ ਕਰੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md index e1df1b94..778d851b 100644 --- a/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ](https://wikipedia.org/wiki/Computer_vision) ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਡਿਜ਼ਿਟਲ ਚਿੱਤਰਾਂ ਦੀ ਉੱਚ-ਸਤਹ ਦੀ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਇੱਕ ਕਾਫ਼ੀ ਵਿਆਪਕ ਪਰਿਭਾਸ਼ਾ ਹੈ, ਕਿਉਂਕਿ *ਸਮਝਣਾ* ਕਈ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਵਿੱਚ ਇੱਕ ਵਸਤੂ ਨੂੰ ਖੋਜਣਾ (**ਵਸਤੂ ਪਛਾਣ**), ਜੋ ਕੁਝ ਹੋ ਰਿਹਾ ਹੈ ਉਸ ਨੂੰ ਸਮਝਣਾ (**ਘਟਨਾ ਪਛਾਣ**), ਚਿੱਤਰ ਨੂੰ ਲਿਖਤ ਵਿੱਚ ਵਰਣਨ ਕਰਨਾ, ਜਾਂ 3D ਵਿੱਚ ਦ੍ਰਿਸ਼ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ। ਮਨੁੱਖੀ ਚਿੱਤਰਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਕਾਰਜ ਵੀ ਹਨ: ਉਮਰ ਅਤੇ ਭਾਵਨਾ ਅਨੁਮਾਨ, ਚਿਹਰਾ ਪਛਾਣ ਅਤੇ ਸਨਾਖਤ, ਅਤੇ 3D ਪੋਜ਼ ਅਨੁਮਾਨ, ਆਦਿ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/11) ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਇੱਕ ਸਭ ਤੋਂ ਸਧਾਰਨ ਕਾਰਜ **ਚਿੱਤਰ ਵਰਗੀਕਰਨ** ਹੈ। @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) AI ਸ਼ੋ ਤੋਂ [ਇਹ ਵੀਡੀਓ](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) ਦੇਖੋ ਤਾਂ ਜੋ Cortic Tigers ਪ੍ਰੋਜੈਕਟ ਬਾਰੇ ਜਾਣ ਸਕੋ ਅਤੇ ਕਿਵੇਂ ਉਹਨਾਂ ਨੇ ਰੋਬੋਟ ਦੁਆਰਾ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕਾਰਜਾਂ ਨੂੰ ਲੋਕਤੰਤਰਕਰਨ ਲਈ ਇੱਕ ਬਲਾਕ-ਅਧਾਰਿਤ ਹੱਲ ਬਣਾਇਆ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਹੋਰ ਪ੍ਰੋਜੈਕਟਾਂ 'ਤੇ ਖੋਜ ਕਰੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ diff --git a/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 20b26554..c932c17c 100644 --- a/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਹੈ ਜਿ ਸੰਲਗਨ ਨੋਟਬੁੱਕਾਂ ਵਿੱਚ, ਵਧੇਰੇ ਸਹੀਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਬਾਰੇ ਹੇਠਾਂ ਨੋਟ ਹਨ। ਕੁਝ ਪ੍ਰਯੋਗ ਕਰੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਵਧੇਰੇ ਸਹੀਤਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md index 09666324..55e7e84c 100644 --- a/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਅਸੀਂ ਪਹਿਲਾਂ ਦੇਖਿਆ ਹੈ ਕਿ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਚਿੱਤਰਾਂ ਨਾਲ ਨਿਪਟਣ ਵਿੱਚ ਕਾਫ਼ੀ ਚੰਗੇ ਹਨ, ਅਤੇ ਇੱਕ-ਲੇਅਰ ਪਰਸੈਪਟ੍ਰਾਨ ਵੀ MNIST ਡੇਟਾਸੈੱਟ ਤੋਂ ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਨੂੰ ਵਾਜਬ ਸਹੀਤਾ ਨਾਲ ਪਛਾਣ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, MNIST ਡੇਟਾਸੈੱਟ ਬਹੁਤ ਵਿਸ਼ੇਸ਼ ਹੈ, ਅਤੇ ਸਾਰੇ ਅੰਕ ਚਿੱਤਰ ਦੇ ਅੰਦਰ ਕੇਂਦਰਿਤ ਹਨ, ਜਿਸ ਨਾਲ ਕੰਮ ਸੌਖਾ ਹੋ ਜਾਂਦਾ ਹੈ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/13) ਅਸਲ ਜ਼ਿੰਦਗੀ ਵਿੱਚ, ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਚਿੱਤਰ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸਥਾਨ ਤੋਂ ਵਸਤੂਆਂ ਨੂੰ ਪਛਾਣ ਸਕੀਏ। ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਆਮ ਵਰਗੀਕਰਨ ਤੋਂ ਵੱਖ ਹੈ, ਕਿਉਂਕਿ ਜਦੋਂ ਅਸੀਂ ਚਿੱਤਰ ਵਿੱਚ ਕਿਸੇ ਖਾਸ ਵਸਤੂ ਨੂੰ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਚਿੱਤਰ ਨੂੰ ਸਕੈਨ ਕਰਦੇ ਹਾਂ ਅਤੇ ਕੁਝ ਖਾਸ **ਪੈਟਰਨਜ਼** ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸੰਯੋਜਨਾਂ ਦੀ ਭਾਲ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਅਸੀਂ ਬਿੱਲੀ ਦੀ ਭਾਲ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਪਹਿਲਾਂ ਅਸੀਂ ਆੜੀ ਲਾਈਨਾਂ ਦੀ ਭਾਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜੋ ਮੂੰਹ ਦੇ ਬਾਲ ਬਣ ਸਕਦੇ ਹਨ, ਅਤੇ ਫਿਰ ਮੂੰਹ ਦੇ ਬਾਲਾਂ ਦੇ ਕੁਝ ਖਾਸ ਸੰਯੋਜਨ ਸਾਨੂੰ ਦੱਸ ਸਕਦੇ ਹਨ ਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਬਿੱਲੀ ਦੀ ਤਸਵੀਰ ਹੈ। ਕੁਝ ਪੈਟਰਨਜ਼ ਦੀ ਸਬੰਧਿਤ ਸਥਿਤੀ ਅਤੇ ਮੌਜੂਦਗੀ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਨਾ ਕਿ ਚਿੱਤਰ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੀ ਸਹੀ ਸਥਿਤੀ। diff --git a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md index ab6932bc..ca2eb5ea 100644 --- a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNNs ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਕਾਫ਼ੀ ਸਮਾਂ ਲੱਗ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਸ ਕੰਮ ਲਈ ਕਾਫ਼ੀ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਉਹਨਾਂ ਬਿਹਤਰ ਲੋਅ-ਲੇਵਲ ਫਿਲਟਰਾਂ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਲੱਗਦਾ ਹੈ ਜੋ ਨੈਟਵਰਕ ਚਿੱਤਰਾਂ ਵਿੱਚੋਂ ਪੈਟਰਨ ਕੱਢਣ ਲਈ ਵਰਤ ਸਕਦਾ ਹੈ। ਇੱਕ ਕੁਦਰਤੀ ਸਵਾਲ ਉੱਠਦਾ ਹੈ - ਕੀ ਅਸੀਂ ਇੱਕ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਵਰਤ ਕੇ ਵੱਖ-ਵੱਖ ਚਿੱਤਰਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰਨ ਲਈ ਅਡਾਪਟ ਕਰ ਸਕਦੇ ਹਾਂ ਬਿਨਾਂ ਪੂਰੇ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਲੋੜ ਪਏ? -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/15) ਇਸ ਪਹੁੰਚ ਨੂੰ **ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਅਸੀਂ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲ ਤੋਂ ਦੂਜੇ ਵਿੱਚ ਕੁਝ ਗਿਆਨ ਟ੍ਰਾਂਸਫਰ ਕਰਦੇ ਹਾਂ। ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਮਾਡਲ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਕਿਸੇ ਵੱਡੇ ਚਿੱਤਰ ਡਾਟਾਸੈਟ, ਜਿਵੇਂ ਕਿ **ImageNet**, 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਪਹਿਲਾਂ ਹੀ ਜਨਰਲ ਚਿੱਤਰਾਂ ਵਿੱਚੋਂ ਵੱਖ-ਵੱਖ ਫੀਚਰ ਕੱਢਣ ਵਿੱਚ ਵਧੀਆ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਉਹਨਾਂ ਕੱਢੇ ਗਏ ਫੀਚਰਾਂ ਦੇ ਉੱਪਰ ਸਿਰਫ਼ ਇੱਕ ਕਲਾਸੀਫਾਇਰ ਬਣਾਉਣਾ ਚੰਗੇ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ। @@ -76,7 +76,7 @@ Keras ਅਤੇ PyTorch ਦੋਵੇਂ ਵਿੱਚ ਕੁਝ ਆਮ ਆਰਕ ਸਾਥੀ ਨੋਟਬੁੱਕਸ ਵਿੱਚ, ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੇ ਕੁਝ ਹੱਦ ਤੱਕ ਸਮਾਨ ਹੋਣ ਨਾਲ ਟ੍ਰਾਂਸਫਰ ਗਿਆਨ ਕਿਵੇਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਸ ਬਾਰੇ ਨੋਟਸ ਹਨ (ਸ਼ਾਇਦ ਕਿਸੇ ਨਵੇਂ ਪ੍ਰਾਣੀ ਦੀ ਕਿਸਮ)। ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੇਂ ਕਿਸਮ ਦੇ ਚਿੱਤਰਾਂ ਨਾਲ ਕੁਝ ਪ੍ਰਯੋਗ ਕਰੋ ਇਹ ਵੇਖਣ ਲਈ ਕਿ ਤੁਹਾਡੇ ਟ੍ਰਾਂਸਫਰ ਗਿਆਨ ਮਾਡਲ ਕਿੰਨਾ ਚੰਗਾ ਜਾਂ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md index 0e5b7f72..a670dcc1 100644 --- a/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਜਦੋਂ CNNs ਨੂੰ ਟ੍ਰੇਨ ਕਰਦੇ ਹਾਂ, ਇੱਕ ਮੁੱਖ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਸਾਨੂੰ ਬਹੁਤ ਸਾਰੇ ਲੇਬਲ ਕੀਤੇ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਸਾਨੂੰ ਚਿੱਤਰਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਵਰਗਾਂ ਵਿੱਚ ਵੰਡਣਾ ਪੈਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮੈਨੂਅਲ ਪ੍ਰਕਿਰਿਆ ਹੈ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/17) ਹਾਲਾਂਕਿ, ਅਸੀਂ ਕਈ ਵਾਰ ਕੱਚੇ (ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ) ਡਾਟਾ ਨੂੰ CNN ਫੀਚਰ ਐਕਸਟ੍ਰੈਕਟਰਜ਼ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਜਿਸਨੂੰ **ਸਵੈ-ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਲੇਬਲਾਂ ਦੀ ਥਾਂ, ਅਸੀਂ ਟ੍ਰੇਨਿੰਗ ਚਿੱਤਰਾਂ ਨੂੰ ਨੈਟਵਰਕ ਦੇ ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁਟ ਦੋਵਾਂ ਵਜੋਂ ਵਰਤਾਂਗੇ। **ਆਟੋਇਨਕੋਡਰ** ਦਾ ਮੁੱਖ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ **ਇਨਕੋਡਰ ਨੈਟਵਰਕ** ਹੋਵੇਗਾ ਜੋ ਇਨਪੁਟ ਚਿੱਤਰ ਨੂੰ ਕੁਝ **ਲੇਟੈਂਟ ਸਪੇਸ** ਵਿੱਚ ਬਦਲਦਾ ਹੈ (ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਕੁਝ ਛੋਟੇ ਆਕਾਰ ਦੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ), ਫਿਰ **ਡੀਕੋਡਰ ਨੈਟਵਰਕ**, ਜਿਸਦਾ ਮਕਸਦ ਮੂਲ ਚਿੱਤਰ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ ਹੁੰਦਾ ਹੈ। @@ -80,7 +80,7 @@ VAE ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫਾਇਦਾ ਇਹ ਹੈ * **ਲੌਸੀ** - ਦੁਬਾਰਾ ਬਣਾਇਆ ਚਿੱਤਰ ਮੂਲ ਚਿੱਤਰ ਦੇ ਬਰਾਬਰ ਨਹੀਂ ਹੁੰਦਾ। ਲਾਸ ਦੀ ਪ੍ਰਕਿਰਤੀ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਵਰਤੇ ਗਏ *ਲਾਸ ਫੰਕਸ਼ਨ* ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੁੰਦੀ ਹੈ। * **ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਡਾਟਾ** 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## ਨਿਸ਼ਕਰਸ਼ @@ -90,7 +90,7 @@ VAE ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫਾਇਦਾ ਇਹ ਹੈ ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਚਿੱਤਰਾਂ ਲਈ ਆਟੋਇਨਕੋਡਰਜ਼ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਸਿੱਖਿਆ। ਪਰ ਇਹ ਸੰਗੀਤ ਲਈ ਵੀ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ! ਮਜੈਂਟਾ ਪ੍ਰੋਜੈਕਟ ਦੇ [MusicVAE](https://magenta.tensorflow.org/music-vae) ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਦੇਖੋ, ਜੋ ਸੰਗੀਤ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣ ਲਈ ਆਟੋਇਨਕੋਡਰਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਕੁਝ [ਤਜਰਬੇ](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਤੁਸੀਂ ਕੀ ਬਣਾਉ ਸਕਦੇ ਹੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/4-ComputerVision/10-GANs/README.md b/translations/pa/lessons/4-ComputerVision/10-GANs/README.md index 15a70596..248dcc03 100644 --- a/translations/pa/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/pa/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਪਿਛਲੇ ਸੈਕਸ਼ਨ ਵਿੱਚ, ਅਸੀਂ **ਜਨਰੇਟਿਵ ਮਾਡਲਸ** ਬਾਰੇ ਸਿੱਖਿਆ: ਮਾਡਲ ਜੋ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ ਚਿੱਤਰਾਂ ਦੇ ਸਮਾਨ ਨਵੇਂ ਚਿੱਤਰ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹਨ। VAE ਜਨਰੇਟਿਵ ਮਾਡਲ ਦਾ ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਨ ਸੀ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/19) ਹਾਲਾਂਕਿ, ਜੇ ਅਸੀਂ ਕੁਝ ਵਾਕਈ ਮਹੱਤਵਪੂਰਨ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਉੱਚ ਰਿਜ਼ੋਲੂਸ਼ਨ ਵਾਲੀ ਪੇਂਟਿੰਗ, VAE ਨਾਲ, ਤਾਂ ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਟ੍ਰੇਨਿੰਗ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਮਤ ਨਹੀਂ ਹੁੰਦੀ। ਇਸ ਵਰਤੋਂ ਦੇ ਕੇਸ ਲਈ, ਸਾਨੂੰ ਜਨਰੇਟਿਵ ਮਾਡਲਸ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਟਾਰਗੇਟ ਕੀਤੀ ਗਈ ਇੱਕ ਹੋਰ ਆਰਕੀਟੈਕਚਰ ਬਾਰੇ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ - **ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈਟਵਰਕਸ**, ਜਾਂ GANs। @@ -84,7 +84,7 @@ GANs ਕਲਾ ਦੇ ਚਿੱਤਰ ਬਣਾਉਣ ਦਾ ਇੱਕ ਵਧੀ ## ✍️ ਉਦਾਹਰਨ: [ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## ਨਤੀਜਾ diff --git a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md index 852d52da..06cae8cb 100644 --- a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਜੋ ਇਮੇਜ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਮਾਡਲਾਂ ਨਾਲ ਅਸੀਂ ਹੁਣ ਤੱਕ ਕੰਮ ਕੀਤਾ ਹੈ, ਉਹ ਇੱਕ ਤਸਵੀਰ ਲੈਂਦੇ ਹਨ ਅਤੇ ਇੱਕ ਸ਼੍ਰੇਣੀਬੱਧ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ MNIST ਸਮੱਸਿਆ ਵਿੱਚ 'ਨੰਬਰ' ਕਲਾਸ। ਹਾਲਾਂਕਿ, ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਅਸੀਂ ਸਿਰਫ ਇਹ ਨਹੀਂ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਕਿ ਇੱਕ ਤਸਵੀਰ ਵਿੱਚ ਆਬਜੈਕਟ ਹਨ, ਸਗੋਂ ਅਸੀਂ ਇਹ ਵੀ ਪਤਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਉਹ ਕਿੱਥੇ ਸਥਿਤ ਹਨ। ਇਹੀ **ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ** ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਹੈ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Object Detection](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.pa.png) diff --git a/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md index 443927d7..d0ca7aca 100644 --- a/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਅਸੀਂ ਪਹਿਲਾਂ Object Detection ਬਾਰੇ ਸਿੱਖਿਆ ਹੈ, ਜੋ ਸਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਵਸਤੂਆਂ ਨੂੰ ਲੱਭਣ ਲਈ ਉਨ੍ਹਾਂ ਦੇ *bounding boxes* ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕੁਝ ਕੰਮਾਂ ਲਈ ਸਾਨੂੰ ਸਿਰਫ਼ bounding boxes ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ, ਸਗੋਂ ਵਸਤੂਆਂ ਦੀ ਹੋਰ ਸਹੀ ਸਥਿਤੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਕੰਮ ਨੂੰ **ਸੈਗਮੈਂਟੇਸ਼ਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) ਸੈਗਮੈਂਟੇਸ਼ਨ ਨੂੰ **ਪਿਕਸਲ ਕਲਾਸੀਫਿਕੇਸ਼ਨ** ਵਜੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ **ਹਰ** ਪਿਕਸਲ ਲਈ ਸਾਨੂੰ ਇਸ ਦੀ ਕਲਾਸ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ (*ਪਿਛੋਕੜ* ਵੀ ਇੱਕ ਕਲਾਸ ਹੈ)। ਸੈਗਮੈਂਟੇਸ਼ਨ ਦੇ ਦੋ ਮੁੱਖ ਐਲਗੋਰਿਥਮ ਹਨ: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [ਸੈਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [ਸੈਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/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) ## ਨਿਸ਼ਕਰਸ਼ diff --git a/translations/pa/lessons/5-NLP/13-TextRep/README.md b/translations/pa/lessons/5-NLP/13-TextRep/README.md index ffd802a1..4a2672a3 100644 --- a/translations/pa/lessons/5-NLP/13-TextRep/README.md +++ b/translations/pa/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਟੈਕਸਟ ਨੂੰ ਟੈਂਸਰ ਵਜੋਂ ਦਰਸਾਉਣਾ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## ਟੈਕਸਟ ਕਲਾਸੀਫਿਕੇਸ਼ਨ @@ -73,7 +73,7 @@ BoW ਨਾਲ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਕੁਝ ਆਮ ਸ਼ਬ Bag-of-words ਅਤੇ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਝ ਹੋਰ ਅਭਿਆਸ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਤੁਸੀਂ ਇਸ [Kaggle ਮੁਕਾਬਲੇ](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੋ ਸਕਦੇ ਹੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/14-Embeddings/README.md b/translations/pa/lessons/5-NLP/14-Embeddings/README.md index d49508c9..3d313814 100644 --- a/translations/pa/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/pa/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਐਮਬੈਡਿੰਗਜ਼ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/27) ਜਦੋਂ BoW ਜਾਂ TF/IDF ਅਧਾਰਿਤ ਕਲਾਸੀਫਾਇਰਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਸੀਂ `vocab_size` ਦੀ ਲੰਬਾਈ ਵਾਲੇ ਉੱਚ-ਡਾਈਮੇਨਸ਼ਨਲ ਬੈਗ-ਆਫ-ਵਰਡਜ਼ ਵੇਕਟਰਾਂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਸੀ, ਅਤੇ ਅਸੀਂ ਖੁਦ-ਡਾਈਮੇਨਸ਼ਨਲ ਪੋਜ਼ੀਸ਼ਨਲ ਰਿਪ੍ਰਜ਼ੇਨਟੇਸ਼ਨ ਵੇਕਟਰਾਂ ਨੂੰ sparse one-hot ਰਿਪ੍ਰਜ਼ੇਨਟੇਸ਼ਨ ਵਿੱਚ ਬਦਲ ਰਹੇ ਸੀ। ਇਹ one-hot ਰਿਪ੍ਰਜ਼ੇਨਟੇਸ਼ਨ, ਹਾਲਾਂਕਿ, ਮੈਮੋਰੀ-ਇਫ਼ਿਸ਼ੈਂਟ ਨਹੀਂ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰ ਸ਼ਬਦ ਨੂੰ ਇੱਕ-ਦੂਜੇ ਤੋਂ ਅਜ਼ਾਦ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਜ਼ਿਆਦਾਤਰ ਇੱਕ-ਹਾਟ ਕੋਡ ਕੀਤੇ ਵੇਕਟਰ ਸ਼ਬਦਾਂ ਦੇ semantic ਸਮਾਨਤਾ ਨੂੰ ਪ੍ਰਗਟ ਨਹੀਂ ਕਰਦੇ। @@ -65,7 +65,7 @@ Word2Vec ਪ੍ਰੀ-ਟ੍ਰੇਨ ਕੀਤੇ ਐਮਬੈਡਿੰਗਜ Word2Vec ਨੂੰ ਕੁਝ ਦਿਲਚਸਪ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਵਰਤਿਆ ਗਿਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਗੀਤਾਂ ਦੇ ਬੋਲ ਅਤੇ ਕਵਿਤਾ ਪੈਦਾ ਕਰਨਾ। [ਇਸ ਲੇਖ](https://www.politetype.com/blog/word2vec-color-poems) ਨੂੰ ਵੇਖੋ ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਲੇਖਕ ਨੇ Word2Vec ਨੂੰ ਕਵਿਤਾ ਪੈਦਾ ਕਰਨ ਲਈ ਕਿਵੇਂ ਵਰਤਿਆ। [ਡੈਨ ਸ਼ਿਫਮੈਨ ਦੁਆਰਾ ਇਹ ਵੀਡੀਓ](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) ਵੀ ਦੇਖੋ ਤਾਂ ਜੋ ਇਸ ਤਕਨੀਕ ਦੀ ਵੱਖਰੀ ਵਿਆਖਿਆ ਪਤਾ ਲਗ ਸਕੇ। ਫਿਰ ਇਸ ਤਕਨੀਕ ਨੂੰ ਆਪਣੇ ਟੈਕਸਟ ਕੋਰਪਸ 'ਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਸ਼ਾਇਦ Kaggle ਤੋਂ ਸੰਗ੍ਰਹਿ ਕੀਤਾ ਗਿਆ ਹੋਵੇ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md b/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md index a79bf6d9..1f7fae31 100644 --- a/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਸੈਮੈਂਟਿਕ ਐਮਬੈੱਡਿੰਗਜ਼, ਜਿਵੇਂ ਕਿ Word2Vec ਅਤੇ GloVe, ਅਸਲ ਵਿੱਚ **ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ** ਵੱਲ ਪਹਿਲਾ ਕਦਮ ਹਨ - ਅਜਿਹੇ ਮਾਡਲ ਬਣਾਉਣਾ ਜੋ ਕਿਸੇ ਤਰ੍ਹਾਂ ਭਾਸ਼ਾ ਦੀ ਕੁਦਰਤ ਨੂੰ *ਸਮਝਣ* (ਜਾਂ *ਪ੍ਰਸਤੁਤ ਕਰਨ*) ਦੇ ਯੋਗ ਹੋਣ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/29) ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ ਦੇ ਪਿੱਛੇ ਮੁੱਖ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਡਾਟਾਸੈਟਸ 'ਤੇ ਅਨਸੁਪਰਵਾਈਜ਼ਡ ਢੰਗ ਨਾਲ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾਵੇ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਸਾਡੇ ਕੋਲ ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਪਾਠ ਦਾ ਬਹੁਤ ਵੱਡਾ ਮਾਤਰਾ ਉਪਲਬਧ ਹੈ, ਜਦਕਿ ਲੇਬਲ ਵਾਲੇ ਪਾਠ ਦੀ ਮਾਤਰਾ ਹਮੇਸ਼ਾਂ ਉਸ ਮਿਹਨਤ ਨਾਲ ਸੀਮਿਤ ਰਹੇਗੀ ਜੋ ਅਸੀਂ ਲੇਬਲਿੰਗ 'ਤੇ ਲਗਾ ਸਕਦੇ ਹਾਂ। ਜ਼ਿਆਦਾਤਰ, ਅਸੀਂ ਅਜਿਹੇ ਭਾਸ਼ਾ ਮਾਡਲ ਬਣਾ ਸਕਦੇ ਹਾਂ ਜੋ ਪਾਠ ਵਿੱਚੋਂ **ਗੁੰਮ ਸ਼ਬਦਾਂ ਦੀ ਭਵਿੱਖਵਾਣੀ** ਕਰ ਸਕਦੇ ਹਨ, ਕਿਉਂਕਿ ਪਾਠ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ ਰੈਂਡਮ ਸ਼ਬਦ ਨੂੰ ਮਾਸਕ ਕਰਨਾ ਅਤੇ ਇਸਨੂੰ ਟ੍ਰੇਨਿੰਗ ਨਮੂਨੇ ਵਜੋਂ ਵਰਤਣਾ ਆਸਾਨ ਹੈ। @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਸ਼ਬਦ ਐਮਬੈੱਡਿੰਗਜ਼ ਜਾਦੂ ਵਾਂਗ ਕੰਮ ਕਰਦੀਆਂ ਹਨ! ਹੁਣ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸ਼ਬਦ ਐਮਬੈੱਡਿੰਗਜ਼ ਦੀ ਟ੍ਰੇਨਿੰਗ ਕਰਨਾ ਬਹੁਤ ਜਟਿਲ ਕੰਮ ਨਹੀਂ ਹੈ, ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਅਸੀਂ ਖਾਸ ਖੇਤਰ ਦੇ ਪਾਠ ਲਈ ਆਪਣੀਆਂ ਐਮਬੈੱਡਿੰਗਜ਼ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹਾਂ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/16-RNN/README.md b/translations/pa/lessons/5-NLP/16-RNN/README.md index 1ce66dc4..a501acd4 100644 --- a/translations/pa/lessons/5-NLP/16-RNN/README.md +++ b/translations/pa/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਰਿਕਰੰਟ ਨਿਊਰਲ ਨੈਟਵਰਕਸ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/31) ਪਿਛਲੇ ਸੈਕਸ਼ਨਾਂ ਵਿੱਚ, ਅਸੀਂ ਟੈਕਸਟ ਦੇ ਸਮਰੱਥ ਸੈਮਾਂਟਿਕ ਪ੍ਰਤੀਨਿਧੀਆਂ ਅਤੇ ਐਮਬੈਡਿੰਗ ਦੇ ਉੱਪਰ ਇੱਕ ਸਧਾਰਨ ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਸਾਂ। ਇਹ ਆਰਕੀਟੈਕਚਰ ਵਾਕਾਂਸ਼ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਸਮੁੱਚਿਤ ਅਰਥ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਸ਼ਬਦਾਂ ਦੇ **ਕ੍ਰਮ** ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦਾ, ਕਿਉਂਕਿ ਐਮਬੈਡਿੰਗ ਦੇ ਉੱਪਰ ਅਗਰੀਗੇਸ਼ਨ ਓਪਰੇਸ਼ਨ ਨੇ ਮੂਲ ਟੈਕਸਟ ਤੋਂ ਇਹ ਜਾਣਕਾਰੀ ਹਟਾ ਦਿੱਤੀ। ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਸ਼ਬਦ ਕ੍ਰਮਬੱਧਤਾ ਨੂੰ ਮਾਡਲ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਇਹ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ ਜਾਂ ਪ੍ਰਸ਼ਨ ਉੱਤਰ ਦੇਣ ਵਰਗੇ ਜਟਿਲ ਜਾਂ ਅਸਪਸ਼ਟ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦੇ। @@ -84,7 +84,7 @@ LSTMs ਬਾਰੇ ਕੁਝ ਸਾਹਿਤ ਪੜ੍ਹੋ ਅਤੇ ਉਨ੍ - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## ਸਮੀਖਾ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md index 88c906de..98d50f28 100644 --- a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਜਨਰੇਟਿਵ ਨੈਟਵਰਕਸ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/33) ਰਿਕਰੰਟ ਨਿਊਰਲ ਨੈਟਵਰਕਸ (RNNs) ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਗੇਟਡ ਸੈੱਲ ਵੈਰੀਐਂਟਸ ਜਿਵੇਂ ਕਿ ਲਾਂਗ ਸ਼ਾਰਟ ਟਰਮ ਮੈਮੋਰੀ ਸੈੱਲਜ਼ (LSTMs) ਅਤੇ ਗੇਟਡ ਰਿਕਰੰਟ ਯੂਨਿਟਸ (GRUs) ਨੇ ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ ਲਈ ਇੱਕ ਮਕੈਨਿਜ਼ਮ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸ਼ਬਦਾਂ ਦੀ ਕ੍ਰਮਵਾਰਤਾ ਸਿੱਖ ਸਕਦੇ ਹਨ ਅਤੇ ਕ੍ਰਮ ਵਿੱਚ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਨਾਲ ਸਾਨੂੰ RNNs ਨੂੰ **ਜਨਰੇਟਿਵ ਕੰਮਾਂ** ਲਈ ਵਰਤਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਆਮ ਪਾਠ ਜਨਰੇਸ਼ਨ, ਮਸ਼ੀਨ ਅਨੁਵਾਦ, ਅਤੇ ਇਮੇਜ ਕੈਪਸ਼ਨਿੰਗ। @@ -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) ਨਾਲ ਪਾਠ ਜਨਰੇਸ਼ਨ -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/18-Transformers/README.md b/translations/pa/lessons/5-NLP/18-Transformers/README.md index f6e6decf..5165f5ad 100644 --- a/translations/pa/lessons/5-NLP/18-Transformers/README.md +++ b/translations/pa/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਧਿਆਨ ਮਕੈਨਿਜ਼ਮ ਅਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ **ਮਸ਼ੀਨ ਅਨੁਵਾਦ**, ਜੋ ਕਿ Google Translate ਵਰਗੇ ਟੂਲਾਂ ਦੇ ਆਧਾਰ ਤਹਿਤ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕੰਮ ਹੈ। ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ ਮਸ਼ੀਨ ਅਨੁਵਾਦ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਾਂਗੇ, ਜਾਂ, ਵੱਧ ਜਨਰਲ ਤੌਰ 'ਤੇ, ਕਿਸੇ ਵੀ *ਸਿਕਵੈਂਸ-ਟੂ-ਸਿਕਵੈਂਸ* ਕੰਮ 'ਤੇ (ਜਿਸਨੂੰ **ਵਾਕ ਅਨੁਵਾਦ** ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। @@ -108,7 +108,7 @@ RNNs ਨਾਲ, ਸਿਕਵੈਂਸ-ਟੂ-ਸਿਕਵੈਂਸ ਦੋ ਰਿ ## 🚀 ਚੁਣੌਤੀ -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/19-NER/README.md b/translations/pa/lessons/5-NLP/19-NER/README.md index 599f8f1d..79baf3e8 100644 --- a/translations/pa/lessons/5-NLP/19-NER/README.md +++ b/translations/pa/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਅਜੇ ਤੱਕ, ਅਸੀਂ ਜ਼ਿਆਦਾਤਰ ਇੱਕ NLP ਕੰਮ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ - ਵਰਗੀਕਰਨ। ਹਾਲਾਂਕਿ, ਨਰਲ ਨੈੱਟਵਰਕ ਦੀ ਮਦਦ ਨਾਲ ਹੋਰ NLP ਕੰਮ ਵੀ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਕੰਮ ਹੈ **[ਨਾਂਦਤ ਇਕਾਈ ਪਛਾਣ](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ਜੋ ਪਾਠ ਵਿੱਚ ਖਾਸ ਇਕਾਈਆਂ ਨੂੰ ਪਛਾਣਨ ਨਾਲ ਸਬੰਧਿਤ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਥਾਨ, ਵਿਅਕਤੀ ਦੇ ਨਾਮ, ਮਿਤੀ-ਸਮਾਂ ਅੰਤਰਾਲ, ਰਸਾਇਣਕ ਫਾਰਮੂਲੇ ਆਦਿ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER ਦੀ ਵਰਤੋਂ ਦਾ ਉਦਾਹਰਨ @@ -80,7 +80,7 @@ infant | O ਹੇਠਾਂ ਦਿੱਤੇ ਅਸਾਈਨਮੈਂਟ ਨੂੰ ਪੂਰਾ ਕਰੋ ਜਿਸ ਵਿੱਚ ਚਿਕਿਤਸਾ ਸ਼ਬਦਾਵਲੀ ਲਈ ਇੱਕ ਨਾਂਦਤ ਇਕਾਈ ਪਛਾਣ ਮਾਡਲ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਕਰਨਾ ਹੈ, ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਇੱਕ ਵੱਖਰੇ ਡਾਟਾਸੈਟ 'ਤੇ ਅਜ਼ਮਾਓ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਅਧਿਐਨ diff --git a/translations/pa/lessons/5-NLP/20-LangModels/README.md b/translations/pa/lessons/5-NLP/20-LangModels/README.md index 01f15bb3..d180adb9 100644 --- a/translations/pa/lessons/5-NLP/20-LangModels/README.md +++ b/translations/pa/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਸਾਡੇ ਪਿਛਲੇ ਸਾਰੇ ਕੰਮਾਂ ਵਿੱਚ, ਅਸੀਂ ਲੇਬਲ ਕੀਤੇ ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਇੱਕ ਨਿਰਧਾਰਤ ਕੰਮ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਕਰ ਰਹੇ ਸੀ। ਵੱਡੇ ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲਾਂ, ਜਿਵੇਂ ਕਿ BERT, ਨਾਲ ਅਸੀਂ ਸਵੈ-ਸੁਪਰਵਾਈਜ਼ਡ ਢੰਗ ਵਿੱਚ ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਬਣਾਇਆ ਜਾ ਸਕੇ, ਜਿਸਨੂੰ ਫਿਰ ਖਾਸ ਡਾਊਨਸਟ੍ਰੀਮ ਕੰਮ ਲਈ ਅਗਲੇ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਟ੍ਰੇਨਿੰਗ ਨਾਲ ਵਿਸ਼ੇਸ਼ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸਾਬਤ ਹੋਇਆ ਹੈ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਬਿਨਾਂ ਕਿਸੇ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਟ੍ਰੇਨਿੰਗ ਦੇ ਕਈ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਜੋ ਇਹ ਕਰਨ ਦੇ ਯੋਗ ਹੈ, **GPT**: ਜਨਰੇਟਿਵ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਟ੍ਰਾਂਸਫਾਰਮਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ ਅਤੇ ਪਰਪਲੈਕਸਿਟੀ @@ -58,7 +58,7 @@ GPT-3 ਅਤੇ GPT-4 ਮਾਡਲ [Microsoft Azure ਤੋਂ ਇੱਕ ਕਾ ਨਵੇਂ ਜਨਰਲ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਭਾਸ਼ਾ ਮਾਡਲ ਸਿਰਫ਼ ਭਾਸ਼ਾ ਦੀ ਬਣਤਰ ਨੂੰ ਹੀ ਮਾਡਲ ਨਹੀਂ ਕਰਦੇ, ਬਲਕਿ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ, ਉਹ ਕੁਝ NLP ਕੰਮਾਂ ਨੂੰ ਜ਼ੀਰੋ-ਸ਼ਾਪ ਜਾਂ ਫਿਊ-ਸ਼ਾਪ ਸੈਟਿੰਗ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/40) **ਅਸਵੀਕਾਰਨਾ**: ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \ No newline at end of file diff --git a/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md index 1a3790b8..7d184706 100644 --- a/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/41) **ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ** (GA) ਇੱਕ **ਵਿਕਾਸੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ** 'ਤੇ ਆਧਾਰਿਤ AI ਪদ্ধਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਮੱਸਿਆ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਹੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਜਨਸੰਖਿਆ ਦੇ ਵਿਕਾਸ ਦੇ ਤਰੀਕੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ 1975 ਵਿੱਚ [ਜੌਨ ਹੈਨਰੀ ਹੌਲੈਂਡ](https://wikipedia.org/wiki/John_Henry_Holland) ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤੇ ਗਏ ਸਨ। @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ ਲਾਗੂ ਕਰਨ ਲਈ ਸਧਾਰਨ ਹਨ, ਪਰ ਉਨ੍ਹਾਂ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੈ।" [ਸਰੋਤ](https://wikipedia.org/wiki/Genetic_algorithm)। ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ ਦੇ ਲਾਗੂ ਕਰਨ ਦਾ ਕੋਈ ਉਦਾਹਰਨ ਲੱਭੋ, ਜਿਵੇਂ ਕਿ ਸੁਡੋਕੂ ਪਜ਼ਲ ਹੱਲ ਕਰਨਾ, ਅਤੇ ਇਸ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਕੈਚ ਜਾਂ ਫਲੋਚਾਰਟ ਵਜੋਂ ਵਿਆਖਿਆ ਕਰੋ। -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/6-Other/22-DeepRL/README.md b/translations/pa/lessons/6-Other/22-DeepRL/README.md index 80341d35..567537af 100644 --- a/translations/pa/lessons/6-Other/22-DeepRL/README.md +++ b/translations/pa/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (RL) ਨੂੰ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਅਤੇ ਅਨਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੁੱਖ ਪੈਰਾਡਾਈਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਵਿੱਚ ਅਸੀਂ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਵਾਲੇ ਡਾਟਾਸੈਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ, RL **ਕਰ ਕੇ ਸਿੱਖਣ** 'ਤੇ ਅਧਾਰਿਤ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜਦੋਂ ਅਸੀਂ ਪਹਿਲੀ ਵਾਰ ਕੋਈ ਕੰਪਿਊਟਰ ਗੇਮ ਦੇਖਦੇ ਹਾਂ, ਅਸੀਂ ਖੇਡਣਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਭਾਵੇਂ ਸਾਨੂੰ ਨਿਯਮਾਂ ਦਾ ਪਤਾ ਨਹੀਂ ਹੁੰਦਾ, ਅਤੇ ਜਲਦੀ ਹੀ ਅਸੀਂ ਸਿਰਫ ਖੇਡਣ ਅਤੇ ਆਪਣੇ ਵਿਹਾਰ ਨੂੰ ਢਾਲ ਕੇ ਆਪਣੀਆਂ ਕੁਸ਼ਲਤਾਵਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਦੇ ਯੋਗ ਹੋ ਜਾਂਦੇ ਹਾਂ। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL ਕਰਨ ਲਈ, ਸਾਨੂੰ ਲੋੜ ਹੈ: @@ -110,7 +110,7 @@ RL ਐਲਗੋਰਿਥਮ ਦਾ ਉਦੇਸ਼ ਇੱਕ ਮਾਡਲ - ਜ 'ਹੋਰ RL ਟਾਸਕ' ਭਾਗ ਵਿੱਚ ਦਿੱਤੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਖੋਜ ਕਰੋ ਅਤੇ ਇੱਕ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ! -## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ diff --git a/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md b/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md index d0f95399..aadd4391 100644 --- a/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਬੁੱਧਿਮਾਨੀ ਹਾਸਲ ਕਰਨ ਦੇ ਸੰਭਾਵਿਤ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜਿਸਨੂੰ **ਉਤਪੰਨ** (ਜਾਂ **ਸਹਿਯੋਗੀ**) ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਕਿ ਕਈ ਸਧਾਰਣ ਏਜੰਟਾਂ ਦੇ ਮਿਲੇ-ਜੁਲੇ ਵਿਵਹਾਰ ਨਾਲ ਪੂਰੇ ਸਿਸਟਮ ਦਾ ਕੁੱਲ ਵਿਵਹਾਰ ਜ਼ਿਆਦਾ ਜਟਿਲ (ਜਾਂ ਬੁੱਧਿਮਾਨ) ਹੋ ਸਕਦਾ ਹੈ। ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਇਹ [ਸੰਯੁਕਤ ਬੁੱਧਿਮਾਨੀ](https://en.wikipedia.org/wiki/Collective_intelligence), [ਉਤਪੰਨਵਾਦ](https://en.wikipedia.org/wiki/Global_brain) ਅਤੇ [ਵਿਕਾਸੀ ਸਾਇਬਰਨੈਟਿਕਸ](https://en.wikipedia.org/wiki/Global_brain) ਦੇ ਸਿਧਾਂਤਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ, ਜੋ ਕਹਿੰਦੇ ਹਨ ਕਿ ਉੱਚ-ਪੱਧਰੀ ਸਿਸਟਮ ਨੂੰ ਨੀਵੇਂ ਪੱਧਰ ਦੇ ਸਿਸਟਮਾਂ ਨੂੰ ਠੀਕ ਤਰੀਕੇ ਨਾਲ ਜੋੜਨ 'ਤੇ ਕੁਝ ਵਾਧੂ ਮੁੱਲ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ (ਜਿਸਨੂੰ *ਮੈਟਾਸਿਸਟਮ ਟ੍ਰਾਂਜ਼ੀਸ਼ਨ ਦਾ ਸਿਧਾਂਤ* ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। -## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/45) **ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਾਂ** ਦੀ ਦਿਸ਼ਾ 1990 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਇੰਟਰਨੈਟ ਅਤੇ ਵੰਡੇ ਹੋਏ ਸਿਸਟਮਾਂ ਦੇ ਵਾਧੇ ਦੇ ਜਵਾਬ ਵਜੋਂ AI ਵਿੱਚ ਉਭਰੀ। ਕਲਾਸਿਕ AI ਦੀਆਂ ਕਿਤਾਬਾਂ ਵਿੱਚੋਂ ਇੱਕ, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਾਂ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ ਕਲਾਸਿਕ AI ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੀ ਹੈ। diff --git a/translations/pl/lessons/1-Intro/README.md b/translations/pl/lessons/1-Intro/README.md index beb80afc..a38ba640 100644 --- a/translations/pl/lessons/1-Intro/README.md +++ b/translations/pl/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ W ostatnich latach byliśmy świadkami ogromnych sukcesów dużych modeli język Przeprowadź badanie w internecie, aby określić, gdzie Twoim zdaniem sztuczna inteligencja jest najskuteczniej wykorzystywana. Czy jest to aplikacja mapowa, usługa zamiany mowy na tekst, czy może gra wideo? Zbadaj, jak został zbudowany ten system. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/2-Symbolic/README.md b/translations/pl/lessons/2-Symbolic/README.md index 0a7a5cba..362bd252 100644 --- a/translations/pl/lessons/2-Symbolic/README.md +++ b/translations/pl/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Dążenie do stworzenia sztucznej inteligencji opiera się na poszukiwaniu wiedzy, aby zrozumieć świat w sposób podobny do ludzi. Ale jak można to osiągnąć? -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/3) W początkowych dniach rozwoju AI popularne było podejście odgórne do tworzenia inteligentnych systemów (omówione w poprzedniej lekcji). Polegało ono na wydobywaniu wiedzy od ludzi w formie czytelnej dla maszyn, a następnie wykorzystywaniu jej do automatycznego rozwiązywania problemów. To podejście opierało się na dwóch kluczowych ideach: @@ -236,7 +236,7 @@ Obecnie AI często jest utożsamiane z *uczeniem maszynowym* lub *sieciami neuro W notatniku Family Ontology związanym z tą lekcją istnieje możliwość eksperymentowania z innymi relacjami rodzinnymi. Spróbuj odkryć nowe powiązania między osobami w drzewie genealogicznym. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/pl/lessons/3-NeuralNetworks/03-Perceptron/README.md index 81386a54..1488709e 100644 --- a/translations/pl/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/pl/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Wprowadzenie do sieci neuronowych: Perceptron -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/5) Jedną z pierwszych prób stworzenia czegoś na wzór współczesnej sieci neuronowej podjął Frank Rosenblatt z Cornell Aeronautical Laboratory w 1957 roku. Była to implementacja sprzętowa o nazwie "Mark-1", zaprojektowana do rozpoznawania prostych figur geometrycznych, takich jak trójkąty, kwadraty i koła. @@ -85,7 +85,7 @@ W tej lekcji nauczyłeś się, czym jest perceptron, czyli model klasyfikacji bi Jeśli chcesz spróbować stworzyć własny perceptron, wypróbuj [to laboratorium na Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), które korzysta z [projektanta Azure ML](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/pl/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 899198b7..58698cf6 100644 --- a/translations/pl/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/pl/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ W tej sekcji rozszerzymy ten model do bardziej elastycznego frameworka, który p Stworzymy również własny modułowy framework w Pythonie, który umożliwi nam budowanie różnych architektur sieci neuronowych. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizacja Uczenia Maszynowego @@ -81,7 +81,7 @@ W dołączonym notatniku zaimplementujesz własny framework do budowania i treno Przejdź do notatnika [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) i przepracuj go. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/pl/lessons/3-NeuralNetworks/05-Frameworks/README.md index f402ab36..86c2dd77 100644 --- a/translations/pl/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/pl/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Jak już się nauczyliśmy, aby efektywnie trenować sieci neuronowe, musimy zro * Operować na tensorach, np. mnożyć, dodawać i obliczać funkcje takie jak sigmoid czy softmax * Obliczać gradienty wszystkich wyrażeń, aby przeprowadzać optymalizację metodą gradientu prostego -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/9) Podczas gdy biblioteka `numpy` może realizować pierwszą część, potrzebujemy mechanizmu do obliczania gradientów. W [naszym frameworku](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), który opracowaliśmy w poprzedniej sekcji, musieliśmy ręcznie programować wszystkie funkcje pochodne w metodzie `backward`, która realizuje propagację wsteczną. Idealnie byłoby, gdyby framework umożliwiał obliczanie gradientów *dowolnego wyrażenia*, które możemy zdefiniować. @@ -106,7 +106,7 @@ W tej lekcji dowiedziałeś się o różnicach między różnymi API dla dwóch W towarzyszących notatnikach znajdziesz 'zadania' na końcu; przejdź przez notatniki i wykonaj zadania. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/pl/lessons/4-ComputerVision/06-IntroCV/README.md index bf0a813b..51601b3c 100644 --- a/translations/pl/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/pl/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Wizja komputerowa](https://wikipedia.org/wiki/Computer_vision) to dziedzina, której celem jest umożliwienie komputerom uzyskania wysokopoziomowego zrozumienia obrazów cyfrowych. Jest to dość szeroka definicja, ponieważ *zrozumienie* może oznaczać wiele różnych rzeczy, w tym znalezienie obiektu na zdjęciu (**detekcja obiektów**), zrozumienie, co się dzieje (**detekcja zdarzeń**), opisanie obrazu w formie tekstu czy rekonstrukcję sceny w 3D. Istnieją również specjalne zadania związane z obrazami ludzi: szacowanie wieku i emocji, detekcja i identyfikacja twarzy oraz estymacja pozycji w 3D, żeby wymienić tylko kilka. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/11) Jednym z najprostszych zadań wizji komputerowej jest **klasyfikacja obrazów**. @@ -105,7 +105,7 @@ Czasami stosunkowo złożone zadania, takie jak detekcja ruchu czy detekcja koń Obejrzyj [ten film](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) z programu AI Show, aby dowiedzieć się o projekcie Cortic Tigers i jak stworzyli rozwiązanie oparte na blokach, aby demokratyzować zadania wizji komputerowej za pomocą robota. Poszukaj innych podobnych projektów, które pomagają nowym uczniom wejść w tę dziedzinę. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/pl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 4443338a..57a2d6bd 100644 --- a/translations/pl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/pl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ W tej jednostce nauczyłeś się głównej koncepcji stojącej za sieciami neuro W dołączonych notatnikach znajdują się uwagi na końcu dotyczące uzyskania większej dokładności. Przeprowadź eksperymenty, aby sprawdzić, czy możesz osiągnąć wyższą dokładność. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/pl/lessons/4-ComputerVision/07-ConvNets/README.md index 2c0e1ed1..8dd00965 100644 --- a/translations/pl/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/pl/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Wcześniej zauważyliśmy, że sieci neuronowe całkiem dobrze radzą sobie z obrazami, a nawet perceptron z jedną warstwą potrafi rozpoznawać odręczne cyfry z zestawu danych MNIST z zadowalającą dokładnością. Jednak zestaw danych MNIST jest wyjątkowy, ponieważ wszystkie cyfry są wyśrodkowane na obrazie, co upraszcza zadanie. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/13) W rzeczywistości chcemy być w stanie rozpoznawać obiekty na zdjęciu niezależnie od ich dokładnej lokalizacji na obrazie. Wizja komputerowa różni się od ogólnej klasyfikacji, ponieważ gdy próbujemy znaleźć określony obiekt na zdjęciu, skanujemy obraz w poszukiwaniu specyficznych **wzorów** i ich kombinacji. Na przykład, szukając kota, najpierw możemy poszukiwać poziomych linii, które mogą tworzyć wąsy, a następnie określona kombinacja wąsów może wskazać, że to faktycznie zdjęcie kota. Ważna jest względna pozycja i obecność określonych wzorów, a nie ich dokładne położenie na obrazie. diff --git a/translations/pl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/pl/lessons/4-ComputerVision/08-TransferLearning/README.md index c6597316..d31fc8fe 100644 --- a/translations/pl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/pl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Trenowanie CNN-ów może zająć dużo czasu i wymaga dużej ilości danych. Jednak większość czasu poświęca się na naukę najlepszych filtrów niskiego poziomu, które sieć może wykorzystać do wyodrębniania wzorców z obrazów. Naturalnie nasuwa się pytanie – czy możemy użyć sieci neuronowej wytrenowanej na jednym zbiorze danych i dostosować ją do klasyfikacji innych obrazów bez konieczności pełnego procesu trenowania? -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/15) To podejście nazywa się **transfer learning**, ponieważ przenosimy pewną wiedzę z jednego modelu sieci neuronowej do innego. W transfer learning zazwyczaj zaczynamy od wstępnie wytrenowanego modelu, który został wytrenowany na dużym zbiorze obrazów, takim jak **ImageNet**. Modele te potrafią już dobrze wyodrębniać różne cechy z ogólnych obrazów, a w wielu przypadkach zbudowanie klasyfikatora na podstawie tych wyodrębnionych cech może przynieść dobre rezultaty. @@ -76,7 +76,7 @@ Dzięki transfer learning możesz szybko stworzyć klasyfikator do zadania klasy W towarzyszących notebookach znajdują się notatki na końcu dotyczące tego, jak transfer wiedzy działa najlepiej z nieco podobnymi danymi treningowymi (np. nowy rodzaj zwierzęcia). Przeprowadź eksperymenty z zupełnie nowymi typami obrazów, aby zobaczyć, jak dobrze lub źle działają Twoje modele transfer learning. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/pl/lessons/4-ComputerVision/09-Autoencoders/README.md index 111733d7..7e81badf 100644 --- a/translations/pl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/pl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Podczas trenowania CNN, jednym z problemów jest potrzeba dużej ilości danych oznaczonych. W przypadku klasyfikacji obrazów musimy ręcznie przyporządkować obrazy do różnych klas, co wymaga sporego wysiłku. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Możemy jednak chcieć wykorzystać surowe (nieoznaczone) dane do trenowania ekstraktorów cech CNN, co nazywa się **uczeniem samonadzorowanym**. Zamiast etykiet, użyjemy obrazów treningowych zarówno jako wejścia, jak i wyjścia sieci. Główna idea **autoenkodera** polega na tym, że mamy **sieć enkodera**, która przekształca obraz wejściowy w pewną **przestrzeń latentną** (zwykle jest to wektor o mniejszym rozmiarze), a następnie **sieć dekodera**, której celem jest odtworzenie oryginalnego obrazu. @@ -80,7 +80,7 @@ Dowiedz się więcej o autoenkoderach w tych odpowiednich notatnikach: * **Stratne** - odtworzony obraz nie jest identyczny z oryginalnym obrazem. Charakter strat jest definiowany przez *funkcję straty* używaną podczas treningu. * Działa na **danych nieoznaczonych** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Podsumowanie @@ -90,7 +90,7 @@ W tej lekcji dowiedziałeś się o różnych typach autoenkoderów dostępnych d W tej lekcji dowiedziałeś się o używaniu autoenkoderów do obrazów. Ale można je również używać do muzyki! Sprawdź projekt Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), który wykorzystuje autoenkodery do nauki odtwarzania muzyki. Przeprowadź kilka [eksperymentów](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) z tą biblioteką, aby zobaczyć, co możesz stworzyć. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/4-ComputerVision/10-GANs/README.md b/translations/pl/lessons/4-ComputerVision/10-GANs/README.md index 076f5171..ce37faea 100644 --- a/translations/pl/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/pl/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: W poprzedniej sekcji poznaliśmy **modele generatywne**: modele, które potrafią generować nowe obrazy podobne do tych z zestawu treningowego. VAE był dobrym przykładem modelu generatywnego. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Jednakże, jeśli spróbujemy wygenerować coś naprawdę znaczącego, na przykład obraz w rozsądnej rozdzielczości, za pomocą VAE, zauważymy, że trening nie przebiega dobrze. W takim przypadku powinniśmy poznać inną architekturę, specjalnie zaprojektowaną dla modeli generatywnych - **Generative Adversarial Networks**, czyli GAN. @@ -84,7 +84,7 @@ Jak to działa: ## ✍️ Przykład: [Style Transfer](../../../../../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) ## Podsumowanie diff --git a/translations/pl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/pl/lessons/4-ComputerVision/11-ObjectDetection/README.md index 32a9d741..c1f9cdb1 100644 --- a/translations/pl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/pl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modele klasyfikacji obrazów, które omawialiśmy do tej pory, przyjmowały obraz i zwracały wynik kategoryczny, na przykład klasę 'liczba' w problemie MNIST. Jednak w wielu przypadkach nie wystarczy wiedzieć, że na zdjęciu znajdują się obiekty – chcemy również określić ich dokładne położenie. Na tym właśnie polega **wykrywanie obiektów**. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Wykrywanie Obiektów](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -172,7 +172,7 @@ Przeczytaj te artykuły i notatniki o YOLO i spróbuj je samodzielnie: * YOLO: [Implementacja w Keras](https://github.com/experiencor/keras-yolo2), [notatnik krok po kroku](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Implementacja w Keras](https://github.com/experiencor/keras-yolo2), [notatnik krok po kroku](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/pl/lessons/4-ComputerVision/12-Segmentation/README.md index ed354bee..cf08ccad 100644 --- a/translations/pl/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/pl/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Wcześniej poznaliśmy Wykrywanie Obiektów, które pozwala nam lokalizować obiekty na obrazie poprzez przewidywanie ich *ramki ograniczającej* (bounding box). Jednak w niektórych zadaniach potrzebujemy nie tylko ramek ograniczających, ale także bardziej precyzyjnej lokalizacji obiektów. To zadanie nazywa się **segmentacją**. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentację można postrzegać jako **klasyfikację pikseli**, gdzie dla **każdego** piksela obrazu musimy przewidzieć jego klasę (*tło* jest jedną z klas). Istnieją dwa główne algorytmy segmentacji: @@ -56,7 +56,7 @@ Otwórz poniższe notatniki, aby dowiedzieć się więcej o różnych architektu * [Segmentacja semantyczna w Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentacja semantyczna w TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Podsumowanie diff --git a/translations/pl/lessons/5-NLP/13-TextRep/README.md b/translations/pl/lessons/5-NLP/13-TextRep/README.md index 99feaf4f..5a1e8402 100644 --- a/translations/pl/lessons/5-NLP/13-TextRep/README.md +++ b/translations/pl/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reprezentacja tekstu jako tensory -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Klasyfikacja tekstu @@ -73,7 +73,7 @@ Jak dotąd poznaliśmy techniki, które mogą dodać wagę częstotliwości do r Spróbuj innych ćwiczeń z użyciem bag-of-words i różnych modeli danych. Możesz zainspirować się tą [konkursem na Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/14-Embeddings/README.md b/translations/pl/lessons/5-NLP/14-Embeddings/README.md index b082e1db..0affefbe 100644 --- a/translations/pl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/pl/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Osadzenia -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/27) Podczas trenowania klasyfikatorów opartych na BoW lub TF/IDF operowaliśmy na wektorach worka słów o wysokiej wymiarowości o długości `vocab_size`, a także jawnie konwertowaliśmy z wektorów reprezentacji pozycyjnej o niskiej wymiarowości na rzadkie wektory one-hot. Jednakże, reprezentacja one-hot nie jest efektywna pod względem pamięci. Dodatkowo, każde słowo jest traktowane niezależnie od innych, tzn. wektory zakodowane one-hot nie wyrażają żadnego podobieństwa semantycznego między słowami. @@ -65,7 +65,7 @@ W tej lekcji dowiedziałeś się, jak budować i używać warstw osadzeń w Tens Word2Vec został wykorzystany w ciekawych zastosowaniach, takich jak generowanie tekstów piosenek i poezji. Zajrzyj do [tego artykułu](https://www.politetype.com/blog/word2vec-color-poems), który opisuje, jak autor użył Word2Vec do generowania poezji. Obejrzyj również [ten film Dana Shiffmanna](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), aby poznać inne wyjaśnienie tej techniki. Następnie spróbuj zastosować te techniki do własnego korpusu tekstowego, być może pochodzącego z Kaggle. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/pl/lessons/5-NLP/15-LanguageModeling/README.md index 1ededacd..d6ca430c 100644 --- a/translations/pl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/pl/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantyczne osadzenia, takie jak Word2Vec i GloVe, to w rzeczywistości pierwszy krok w kierunku **modelowania języka** – tworzenia modeli, które w pewien sposób *rozumieją* (lub *reprezentują*) naturę języka. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/29) Główna idea modelowania języka polega na trenowaniu modeli na niezlabelowanych zbiorach danych w sposób nienadzorowany. Jest to istotne, ponieważ mamy dostęp do ogromnych ilości niezlabelowanego tekstu, podczas gdy ilość tekstu zlabelowanego zawsze będzie ograniczona wysiłkiem, jaki możemy poświęcić na jego oznaczanie. Najczęściej możemy budować modele językowe, które potrafią **przewidywać brakujące słowa** w tekście, ponieważ łatwo jest zamaskować losowe słowo w tekście i użyć go jako próbki treningowej. @@ -38,7 +38,7 @@ Kontynuuj naukę, korzystając z poniższych notatników: W poprzedniej lekcji widzieliśmy, że osadzenia słów działają jak magia! Teraz wiemy, że trenowanie osadzeń słów nie jest bardzo skomplikowanym zadaniem i powinniśmy być w stanie wytrenować własne osadzenia słów dla tekstów specyficznych dla danej dziedziny, jeśli zajdzie taka potrzeba. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/16-RNN/README.md b/translations/pl/lessons/5-NLP/16-RNN/README.md index 34ce54a2..b221588b 100644 --- a/translations/pl/lessons/5-NLP/16-RNN/README.md +++ b/translations/pl/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) W poprzednich sekcjach korzystaliśmy z bogatych semantycznych reprezentacji tekstu oraz prostego klasyfikatora liniowego na bazie osadzeń. Taka architektura pozwala uchwycić zagregowane znaczenie słów w zdaniu, ale nie uwzględnia **kolejności** słów, ponieważ operacja agregacji na osadzeniach usuwa tę informację z oryginalnego tekstu. Z tego powodu modele te nie są w stanie modelować kolejności słów, co uniemożliwia im rozwiązywanie bardziej złożonych lub niejednoznacznych zadań, takich jak generowanie tekstu czy odpowiadanie na pytania. @@ -84,7 +84,7 @@ Przeczytaj literaturę na temat LSTM i rozważ ich zastosowania: - [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) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/pl/lessons/5-NLP/17-GenerativeNetworks/README.md index 9f7d91c7..a9249b89 100644 --- a/translations/pl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/pl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatywne sieci -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurencyjne sieci neuronowe (RNN) oraz ich warianty z komórkami bramkowymi, takie jak komórki pamięci długoterminowej (LSTM) i jednostki rekurencyjne z bramkami (GRU), umożliwiają modelowanie języka, ponieważ potrafią uczyć się kolejności słów i przewidywać następne słowo w sekwencji. Dzięki temu możemy używać RNN do **zadań generatywnych**, takich jak generowanie tekstu, tłumaczenie maszynowe, a nawet opisywanie obrazów. @@ -71,7 +71,7 @@ Weź udział w lekcjach na Microsoft Learn na ten temat * Generowanie tekstu w [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) -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/18-Transformers/README.md b/translations/pl/lessons/5-NLP/18-Transformers/README.md index 1dc1f831..5aa91f59 100644 --- a/translations/pl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/pl/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mechanizmy uwagi i modele Transformer -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/35) Jednym z najważniejszych problemów w dziedzinie NLP jest **tłumaczenie maszynowe**, kluczowe zadanie, które stanowi podstawę narzędzi takich jak Google Translate. W tej sekcji skupimy się na tłumaczeniu maszynowym, a bardziej ogólnie na każdym zadaniu typu *sequence-to-sequence* (nazywanym również **transdukcją zdań**). @@ -108,7 +108,7 @@ W tej lekcji dowiedziałeś się o Transformerach i Mechanizmach Uwagi, które s ## 🚀 Wyzwanie -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/5-NLP/19-NER/README.md b/translations/pl/lessons/5-NLP/19-NER/README.md index a3d8293d..affdd3b4 100644 --- a/translations/pl/lessons/5-NLP/19-NER/README.md +++ b/translations/pl/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Do tej pory skupialiśmy się głównie na jednym zadaniu NLP - klasyfikacji. Istnieją jednak inne zadania NLP, które można realizować za pomocą sieci neuronowych. Jednym z takich zadań jest **[Rozpoznawanie nazwanych jednostek](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), które polega na identyfikacji konkretnych jednostek w tekście, takich jak miejsca, imiona i nazwiska, przedziały czasowe, wzory chemiczne i inne. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Przykład użycia NER @@ -78,7 +78,7 @@ Model NER to **model klasyfikacji tokenów**, co oznacza, że można go używać Wykonaj zadanie podlinkowane poniżej, aby wytrenować model rozpoznawania nazwanych jednostek dla terminów medycznych, a następnie wypróbuj go na innym zbiorze danych. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Przegląd i samodzielna nauka diff --git a/translations/pl/lessons/5-NLP/20-LangModels/README.md b/translations/pl/lessons/5-NLP/20-LangModels/README.md index 775f97a3..f5e15f2b 100644 --- a/translations/pl/lessons/5-NLP/20-LangModels/README.md +++ b/translations/pl/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: We wszystkich naszych poprzednich zadaniach trenowaliśmy sieć neuronową, aby wykonywała określone zadanie, korzystając z oznaczonego zbioru danych. W przypadku dużych modeli transformatorowych, takich jak BERT, wykorzystujemy modelowanie języka w sposób samonadzorowany, aby zbudować model językowy, który następnie jest specjalizowany do konkretnego zadania dzięki dalszemu treningowi w specyficznej dziedzinie. Jednakże wykazano, że duże modele językowe mogą również rozwiązywać wiele zadań bez JAKIEGOKOLWIEK treningu specyficznego dla danej dziedziny. Rodzina modeli zdolnych do tego nazywa się **GPT**: Generative Pre-Trained Transformer. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generowanie Tekstu i Perpleksja @@ -58,7 +58,7 @@ Kontynuuj naukę w poniższych notebookach: Nowe ogólne wstępnie wytrenowane modele językowe nie tylko modelują strukturę języka, ale także zawierają ogromną ilość naturalnego języka. Dzięki temu mogą być skutecznie wykorzystywane do rozwiązywania niektórych zadań NLP w ustawieniach zero-shot lub few-shot. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Zastrzeżenie**: Ten dokument został przetłumaczony za pomocą usługi tłumaczeniowej AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia. \ No newline at end of file diff --git a/translations/pl/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/pl/lessons/6-Other/21-GeneticAlgorithms/README.md index 7ea769cd..64218eec 100644 --- a/translations/pl/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/pl/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algorytmy Genetyczne -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algorytmy Genetyczne** (GA) opierają się na **ewolucyjnym podejściu** do sztucznej inteligencji, w którym wykorzystuje się metody ewolucji populacji do uzyskania optymalnego rozwiązania dla danego problemu. Zostały zaproponowane w 1975 roku przez [Johna Henry'ego Hollanda](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Algorytmy Genetyczne są wykorzystywane do rozwiązywania wielu problemów, w ty "Algorytmy genetyczne są proste w implementacji, ale ich zachowanie jest trudne do zrozumienia." [źródło](https://wikipedia.org/wiki/Genetic_algorithm) Przeprowadź badania, aby znaleźć implementację algorytmu genetycznego, na przykład rozwiązującego łamigłówkę Sudoku, i wyjaśnij, jak działa w formie szkicu lub schematu blokowego. -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/6-Other/22-DeepRL/README.md b/translations/pl/lessons/6-Other/22-DeepRL/README.md index 2ed7e09a..22b5d304 100644 --- a/translations/pl/lessons/6-Other/22-DeepRL/README.md +++ b/translations/pl/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Uczenie wzmocnione (RL) jest uważane za jeden z podstawowych paradygmatów uczenia maszynowego, obok uczenia nadzorowanego i nienadzorowanego. Podczas gdy w uczeniu nadzorowanym opieramy się na zbiorze danych z określonymi wynikami, RL bazuje na **uczeniu się poprzez działanie**. Na przykład, gdy po raz pierwszy widzimy grę komputerową, zaczynamy grać, nawet nie znając zasad, a wkrótce jesteśmy w stanie poprawić swoje umiejętności dzięki samemu procesowi grania i dostosowywania swojego zachowania. -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/43) Aby przeprowadzić RL, potrzebujemy: @@ -110,7 +110,7 @@ Nauczyliśmy się, jak trenować agentów, aby osiągali dobre wyniki, zapewniaj Zbadaj aplikacje wymienione w sekcji "Inne Zadania RL" i spróbuj zaimplementować jedną z nich! -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Przegląd i Samodzielna Nauka diff --git a/translations/pl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/pl/lessons/6-Other/23-MultiagentSystems/README.md index ae35becc..f4ab5fee 100644 --- a/translations/pl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/pl/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Jednym z możliwych sposobów osiągnięcia inteligencji jest tak zwane podejście **emergentne** (lub **synergetyczne**), które opiera się na fakcie, że połączone zachowanie wielu stosunkowo prostych agentów może prowadzić do bardziej złożonego (lub inteligentnego) zachowania całego systemu. Teoretycznie opiera się to na zasadach [Inteligencji Kolektywnej](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentyzmu](https://en.wikipedia.org/wiki/Global_brain) i [Ewolucyjnej Cybernetyki](https://en.wikipedia.org/wiki/Global_brain), które zakładają, że systemy wyższego poziomu zyskują pewną wartość dodaną, gdy są odpowiednio połączone z systemami niższego poziomu (tak zwana *zasada przejścia metasystemowego*). -## [Quiz przed wykładem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/45) Kierunek **Systemów Wieloagentowych** pojawił się w AI w latach 90. XX wieku jako odpowiedź na rozwój Internetu i systemów rozproszonych. Jednym z klasycznych podręczników AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), skupia się na klasycznym podejściu AI z perspektywy systemów wieloagentowych. @@ -152,7 +152,7 @@ Wszystkie skupiają się na prostszym zachowaniu pojedynczego agenta i osiągaj Przenieś tę lekcję do rzeczywistego świata i spróbuj zaprojektować system wieloagentowy, który może rozwiązać problem. Co na przykład musiałby zrobić system wieloagentowy, aby zoptymalizować trasę szkolnego autobusu? Jak mógłby działać w piekarni? -## [Quiz po wykładzie](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Przegląd i Samodzielna Nauka diff --git a/translations/pt/lessons/1-Intro/README.md b/translations/pt/lessons/1-Intro/README.md index f1b17c78..fbd95474 100644 --- a/translations/pt/lessons/1-Intro/README.md +++ b/translations/pt/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Sketchnote por [Tomomi Imura](https://twitter.com/girlie_mac) -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Inteligência Artificial** é uma disciplina científica fascinante que estuda como podemos fazer os computadores exibirem comportamentos inteligentes, ou seja, realizarem tarefas nas quais os seres humanos são bons. @@ -151,7 +151,7 @@ Nos últimos anos, assistimos a enormes sucessos com modelos de linguagem de gra Faça uma pesquisa na internet para determinar onde, na sua opinião, a IA é mais eficazmente utilizada. Será numa aplicação de mapas, num serviço de conversão de fala para texto ou num videojogo? Investigue 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 Estudo Autónomo diff --git a/translations/pt/lessons/2-Symbolic/README.md b/translations/pt/lessons/2-Symbolic/README.md index b90b65e5..475f2f12 100644 --- a/translations/pt/lessons/2-Symbolic/README.md +++ b/translations/pt/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: A busca pela inteligência artificial baseia-se na procura por conhecimento, para compreender o mundo de forma semelhante aos humanos. Mas como podemos fazer isso? -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Questionário 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 lição anterior) era popular. A ideia era extrair o conhecimento das pessoas para uma forma legível por máquinas e, em seguida, usá-lo para resolver problemas automaticamente. Esta abordagem baseava-se em duas grandes ideias: @@ -236,7 +236,7 @@ Hoje em dia, a IA é frequentemente considerada sinónimo de *Machine Learning* No notebook da Ontologia Familiar 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 diff --git a/translations/pt/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/pt/lessons/3-NeuralNetworks/03-Perceptron/README.md index 1c06ecd6..11abdd55 100644 --- a/translations/pt/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/pt/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introdução às Redes Neuronais: Perceptron -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/5) Uma das primeiras tentativas de implementar algo semelhante a uma rede neuronal moderna foi realizada 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, aprendeste sobre o perceptron, que é um modelo de classificaçã Se quiseres tentar construir o teu próprio perceptron, experimenta [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). -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Revisão e Estudo Individual diff --git a/translations/pt/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/pt/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 0407e203..ceee74ac 100644 --- a/translations/pt/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/pt/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Nesta secção, iremos expandir este modelo para um framework mais flexível, pe Também iremos desenvolver o nosso próprio framework modular em Python que nos permitirá construir diferentes arquiteturas de redes neuronais. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalização de Aprendizagem Automática @@ -81,7 +81,7 @@ No notebook que acompanha, vais implementar o teu próprio framework para constr Segue para o notebook [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) e trabalha nele. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Revisão & Estudo Autónomo diff --git a/translations/pt/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/pt/lessons/3-NeuralNetworks/05-Frameworks/README.md index 7d41b132..01b2c720 100644 --- a/translations/pt/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/pt/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Como já aprendemos, para treinar redes neuronais de forma eficiente, precisamos * Operar com tensores, por exemplo, multiplicar, somar e calcular algumas funções como sigmoid ou softmax. * Calcular os gradientes de todas as expressões, para realizar a otimização por descida de gradiente. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/9) Embora a biblioteca `numpy` consiga realizar a primeira parte, precisamos de algum mecanismo para calcular gradientes. No [nosso framework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) que desenvolvemos na seção anterior, tivemos que programar manualmente todas as funções derivadas dentro do método `backward`, que realiza a retropropagação. Idealmente, um framework deveria nos permitir calcular os gradientes de *qualquer expressão* que possamos definir. @@ -106,7 +106,7 @@ Nesta lição, aprendeu sobre as diferenças entre as várias APIs dos dois fram Nos notebooks associados, encontrará 'tarefas' no final; trabalhe nos notebooks e complete as tarefas. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/pt/lessons/4-ComputerVision/06-IntroCV/README.md index a2f059da..ef49890d 100644 --- a/translations/pt/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/pt/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Visão Computacional](https://wikipedia.org/wiki/Computer_vision) é uma disciplina cujo objetivo é permitir que os computadores compreendam imagens digitais em alto nível. Esta é uma definição bastante ampla, pois *compreender* pode significar muitas coisas, incluindo encontrar um objeto numa imagem (**detecção de objetos**), entender o que está a acontecer (**detecção de eventos**), descrever uma imagem em texto ou reconstruir uma cena em 3D. Existem também tarefas específicas relacionadas a imagens humanas: estimativa de idade e emoções, deteção e identificação de rostos, e estimativa de pose 3D, para citar algumas. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/11) Uma das tarefas mais simples da visão computacional é a **classificação de imagens**. @@ -105,7 +105,7 @@ Por vezes, tarefas relativamente complexas, como deteção de movimento ou dete Assista a [este vídeo](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) do AI Show para aprender sobre o projeto Cortic Tigers e como eles construíram uma solução baseada em blocos para democratizar tarefas de visão computacional através de um robô. Pesquise outros projetos como este que ajudam novos aprendizes a entrar na área. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Revisão & Autoestudo diff --git a/translations/pt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/pt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 038863e4..29f79e95 100644 --- a/translations/pt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/pt/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Nesta unidade, aprendeu o conceito principal por trás das redes neurais de vis Nos notebooks que acompanham, há notas no final sobre como obter maior precisão. Faça alguns experimentos para ver se consegue alcançar uma precisão maior. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/pt/lessons/4-ComputerVision/07-ConvNets/README.md index 0e432d1a..fe46973f 100644 --- a/translations/pt/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/pt/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Já vimos anteriormente que as redes neuronais são bastante eficazes a lidar com imagens, e até mesmo um perceptron de uma camada consegue reconhecer dígitos manuscritos do conjunto de dados MNIST com uma precisão razoável. No entanto, o conjunto de dados MNIST é muito especial, pois todos os dígitos estão centrados na imagem, o que torna a tarefa mais simples. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/13) Na vida real, queremos ser capazes de reconhecer objetos numa imagem independentemente da sua localização exata. A visão computacional é diferente da classificação genérica, porque, ao tentar encontrar um determinado objeto na imagem, estamos a analisar a imagem em busca de **padrões** específicos e suas combinações. Por exemplo, ao procurar um gato, podemos começar por procurar linhas horizontais, que podem formar os bigodes, e depois uma certa combinação de bigodes pode indicar que se trata de uma imagem de um gato. A posição relativa e a presença de certos padrões são importantes, e não a sua posição exata na imagem. diff --git a/translations/pt/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/pt/lessons/4-ComputerVision/08-TransferLearning/README.md index 3af8660a..f05702e6 100644 --- a/translations/pt/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/pt/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Treinar CNNs pode levar muito tempo e requer uma grande quantidade de dados. No entanto, grande parte do tempo é gasto aprendendo os melhores filtros de baixo nível que uma rede pode usar para extrair padrões de imagens. Surge uma questão natural: podemos usar uma rede neural treinada em um conjunto de dados e adaptá-la para classificar imagens diferentes sem precisar de um processo completo de treino? -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/15) Essa abordagem é chamada de **aprendizagem por transferência**, porque transferimos algum conhecimento de um modelo de rede neural para outro. Na aprendizagem por transferência, normalmente começamos com um modelo pré-treinado, que foi treinado em um grande conjunto de dados de imagens, como o **ImageNet**. Esses modelos já conseguem extrair diferentes características de imagens genéricas, e, em muitos casos, apenas construir um classificador em cima dessas características extraídas pode gerar bons resultados. @@ -76,7 +76,7 @@ Usando a aprendizagem por transferência, é possível montar rapidamente um cla Nos notebooks que acompanham, há notas no final sobre como o conhecimento transferido funciona melhor com dados de treino relativamente semelhantes (um novo tipo de animal, talvez). Faça algumas experiências com tipos completamente novos de imagens para ver como os modelos de conhecimento transferido funcionam bem ou mal. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisão e Estudo Individual diff --git a/translations/pt/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/pt/lessons/4-ComputerVision/09-Autoencoders/README.md index b593ed39..c1f5eafd 100644 --- a/translations/pt/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/pt/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ao treinar CNNs, um dos problemas é que precisamos de muitos dados rotulados. No caso da classificação de imagens, é necessário separar as imagens em diferentes classes, o que exige um esforço manual. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) No entanto, podemos querer usar dados brutos (não rotulados) para treinar extratores de características de CNN, o que é chamado de **aprendizagem auto-supervisionada**. Em vez de rótulos, usaremos as imagens de treino como entrada e saída da rede. A ideia principal do **autoencoder** é que teremos uma **rede codificadora** que converte a imagem de entrada em algum **espaço latente** (normalmente é apenas um vetor de tamanho reduzido), e uma **rede decodificadora**, cujo objetivo será reconstruir a imagem original. @@ -80,7 +80,7 @@ Aprenda mais sobre autoencoders nestes notebooks correspondentes: * **Com perdas** - a imagem reconstruída não é exatamente igual à imagem original. A natureza da perda é definida pela *função de perda* usada durante o treino. * Funciona com **dados não rotulados** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Conclusão @@ -90,7 +90,7 @@ Nesta lição, aprendeu sobre os vários tipos de autoencoders disponíveis para Nesta lição, aprendeu a usar autoencoders para imagens. Mas eles também podem ser usados para música! Explore o projeto [MusicVAE](https://magenta.tensorflow.org/music-vae) do Magenta, que utiliza autoencoders para aprender a reconstruir música. Faça alguns [experimentos](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) com esta biblioteca para ver o que consegue criar. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/4-ComputerVision/10-GANs/README.md b/translations/pt/lessons/4-ComputerVision/10-GANs/README.md index 1c195961..1428bf32 100644 --- a/translations/pt/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/pt/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Na seção anterior, aprendemos sobre **modelos generativos**: modelos que podem gerar novas imagens semelhantes às do conjunto de dados de treino. O VAE foi um bom exemplo de modelo generativo. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/19) No entanto, se tentarmos gerar algo realmente significativo, como uma pintura com resolução razoável, usando o VAE, veremos que o treino não converge bem. Para este caso, devemos aprender sobre outra arquitetura especificamente voltada para modelos generativos - **Redes Generativas Adversárias**, ou GANs. @@ -84,7 +84,7 @@ O funcionamento é o seguinte: ## ✍️ Exemplo: [Transferência de Estilo](../../../../../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) ## Conclusão diff --git a/translations/pt/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/pt/lessons/4-ComputerVision/11-ObjectDetection/README.md index 074c6126..f404c351 100644 --- a/translations/pt/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/pt/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Os modelos de classificação de imagens que abordámos até agora tomavam uma imagem e produziam um resultado categórico, como a classe 'número' num problema MNIST. No entanto, em muitos casos, não queremos apenas saber que uma imagem retrata objetos - queremos determinar a sua localização exata. Este é precisamente o objetivo da **detecção de objetos**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detecção de Objetos](../../../../../lessons/4-ComputerVision/11-ObjectDetection/images/Screen_Shot_2016-11-17_at_11.14.54_AM.png) @@ -172,7 +172,7 @@ Leia estes artigos e cadernos sobre YOLO e experimente por si mesmo: * YOLO: [Implementação em Keras](https://github.com/experiencor/keras-yolo2), [caderno passo-a-passo](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Implementação em Keras](https://github.com/experiencor/keras-yolo2), [caderno passo-a-passo](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) ## Revisão & Autoestudo diff --git a/translations/pt/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/pt/lessons/4-ComputerVision/12-Segmentation/README.md index e33ac85b..f5eb4226 100644 --- a/translations/pt/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/pt/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Já aprendemos sobre Detecção de Objetos, que nos permite localizar objetos numa imagem ao prever as suas *caixas delimitadoras* (*bounding boxes*). No entanto, para algumas tarefas, não precisamos apenas das caixas delimitadoras, mas também de uma localização mais precisa dos objetos. Esta tarefa é chamada de **segmentação**. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/23) A segmentação pode ser vista como uma **classificação de píxeis**, onde para **cada** píxel da imagem devemos prever a sua classe (*fundo* sendo uma das classes). Existem dois principais algoritmos de segmentação: @@ -56,7 +56,7 @@ Abra os notebooks abaixo para aprender mais sobre diferentes arquiteturas de seg * [Segmentação Semântica com Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentação Semântica com TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Conclusão diff --git a/translations/pt/lessons/5-NLP/13-TextRep/README.md b/translations/pt/lessons/5-NLP/13-TextRep/README.md index 2b8e4dac..729f3743 100644 --- a/translations/pt/lessons/5-NLP/13-TextRep/README.md +++ b/translations/pt/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representar Texto como Tensores -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Classificação de Texto @@ -73,7 +73,7 @@ Até agora, estudámos técnicas que podem adicionar peso de frequência a difer Experimente outros exercícios usando bag-of-words e diferentes modelos de dados. Pode inspirar-se nesta [competição no 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) ## Revisão & Estudo Autónomo diff --git a/translations/pt/lessons/5-NLP/14-Embeddings/README.md b/translations/pt/lessons/5-NLP/14-Embeddings/README.md index 7b608fdd..2a6e703d 100644 --- a/translations/pt/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/pt/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Ao treinar classificadores baseados em BoW ou TF/IDF, trabalhávamos com vetores de saco de palavras de alta dimensão com comprimento `vocab_size`, e estávamos a converter explicitamente de vetores de representação posicional de baixa dimensão para uma representação esparsa one-hot. No entanto, esta representação one-hot não é eficiente em termos de memória. Além disso, cada palavra é tratada de forma independente, ou seja, os vetores codificados one-hot não expressam qualquer semelhança semântica entre palavras. @@ -65,7 +65,7 @@ Nesta lição, descobriu como construir e usar camadas de embedding no TensorFlo O Word2Vec tem sido usado para algumas aplicações interessantes, incluindo a geração de letras de músicas e poesia. Dê uma vista de olhos a [este artigo](https://www.politetype.com/blog/word2vec-color-poems), que explica como o autor usou o Word2Vec para gerar poesia. Veja também [este vídeo de Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) para descobrir uma explicação diferente desta técnica. Depois, tente aplicar estas técnicas ao seu próprio corpus de texto, talvez obtido no 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) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/5-NLP/15-LanguageModeling/README.md b/translations/pt/lessons/5-NLP/15-LanguageModeling/README.md index 8bb50bc7..1e2a9f65 100644 --- a/translations/pt/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/pt/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Embeddings semânticos, como Word2Vec e GloVe, são, na verdade, um primeiro passo em direção à **modelação de linguagem** - criar modelos que de alguma forma *compreendem* (ou *representam*) a natureza da linguagem. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/29) A ideia principal por trás da modelação de linguagem é treiná-los em conjuntos de dados não rotulados de forma não supervisionada. Isto é importante porque temos grandes quantidades de texto não rotulado disponível, enquanto a quantidade de texto rotulado estará sempre limitada pelo esforço necessário para rotulá-lo. Na maioria das vezes, podemos construir modelos de linguagem que conseguem **prever palavras em falta** no texto, porque é fácil ocultar uma palavra aleatória no texto e usá-la como amostra de treino. @@ -38,7 +38,7 @@ Continue a sua aprendizagem nos seguintes notebooks: Na lição anterior vimos que os embeddings de palavras funcionam como magia! Agora sabemos que treinar embeddings de palavras não é uma tarefa muito complexa, e devemos ser capazes de treinar os nossos próprios embeddings para texto específico de domínio, se necessário. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Revisão & Estudo Autónomo diff --git a/translations/pt/lessons/5-NLP/16-RNN/README.md b/translations/pt/lessons/5-NLP/16-RNN/README.md index f3e4c188..4ea5ab1e 100644 --- a/translations/pt/lessons/5-NLP/16-RNN/README.md +++ b/translations/pt/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes Neuronais Recorrentes -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/31) Nas secções anteriores, utilizámos representações semânticas ricas de texto e um classificador linear simples sobre as embeddings. O que esta arquitetura faz é capturar o significado agregado das palavras numa frase, mas não considera a **ordem** das palavras, porque a operação de agregação sobre as embeddings removeu esta informação do texto original. Como estes modelos não conseguem modelar a ordem das palavras, não conseguem resolver tarefas mais complexas ou ambíguas, como geração de texto ou resposta a perguntas. @@ -84,7 +84,7 @@ Leia alguma literatura sobre LSTMs e considere as suas aplicações: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/pt/lessons/5-NLP/17-GenerativeNetworks/README.md index 07e260d0..a5b48936 100644 --- a/translations/pt/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/pt/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Redes Generativas -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/33) Redes Neuronais Recorrentes (RNNs) e suas variantes com células controladas, como Long Short Term Memory Cells (LSTMs) e Gated Recurrent Units (GRUs), oferecem um mecanismo para modelagem de linguagem, permitindo aprender a ordem das palavras e prever a próxima palavra em uma sequência. Isso possibilita o uso de RNNs para **tarefas generativas**, como geração de texto comum, tradução automática e até legendagem de imagens. @@ -71,7 +71,7 @@ Faça algumas lições no Microsoft Learn sobre este tópico: * Geração de Texto com [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) -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/5-NLP/18-Transformers/README.md b/translations/pt/lessons/5-NLP/18-Transformers/README.md index 9af24f02..a5f2d8e5 100644 --- a/translations/pt/lessons/5-NLP/18-Transformers/README.md +++ b/translations/pt/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mecanismos de Atenção e Transformers -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/35) Um dos problemas mais importantes no domínio do PLN (Processamento de Linguagem Natural) é a **tradução automática**, uma tarefa essencial que sustenta ferramentas como o Google Tradutor. Nesta seção, vamos focar na tradução automática ou, de forma mais geral, em qualquer tarefa de *sequência para sequência* (também chamada de **transdução de frases**). @@ -108,7 +108,7 @@ Nesta lição, você aprendeu sobre Transformers e Mecanismos de Atenção, ferr ## 🚀 Desafio -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/pt/lessons/5-NLP/18-Transformers/READMEtransformers.md index f54bc495..a37a6f89 100644 --- a/translations/pt/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/pt/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mecanismos de Atenção e Transformers -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/35) Um dos problemas mais importantes no domínio do PLN é **tradução automática**, uma tarefa essencial que fundamenta ferramentas como o Google Translate. Nesta seção, focaremos na tradução automática ou, de forma mais geral, em qualquer tarefa *sequência-para-sequência* (que também é chamada de **transdução de sentenças**). @@ -99,7 +99,7 @@ Nesta lição, você aprendeu sobre Transformers e Mecanismos de Atenção, toda ## 🚀 Desafio -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Revisão & Autoestudo diff --git a/translations/pt/lessons/5-NLP/19-NER/README.md b/translations/pt/lessons/5-NLP/19-NER/README.md index a612a47e..501c65d3 100644 --- a/translations/pt/lessons/5-NLP/19-NER/README.md +++ b/translations/pt/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Até agora, temos nos concentrado principalmente em uma tarefa de PLN - classificação. No entanto, existem outras tarefas de PLN que podem ser realizadas com redes neurais. Uma dessas tarefas é o **[Reconhecimento de Entidades Nomeadas](https://wikipedia.org/wiki/Reconhecimento_de_entidades_nomeadas)** (NER), que lida com o reconhecimento de entidades específicas em um texto, como locais, nomes de pessoas, intervalos de data e hora, fórmulas químicas, entre outros. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Exemplo de Uso do NER @@ -80,7 +80,7 @@ Um modelo NER é um **modelo de classificação de tokens**, o que significa que Complete o exercício abaixo para treinar um modelo de reconhecimento de entidades nomeadas para termos médicos e, em seguida, experimente-o em um conjunto de dados diferente. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/5-NLP/20-LangModels/README.md b/translations/pt/lessons/5-NLP/20-LangModels/README.md index a6440bbc..95970c60 100644 --- a/translations/pt/lessons/5-NLP/20-LangModels/README.md +++ b/translations/pt/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Em todas as nossas tarefas anteriores, treinámos uma rede neural para realizar uma determinada tarefa utilizando um conjunto de dados rotulado. Com modelos transformadores grandes, como o BERT, utilizamos modelagem de linguagem de forma auto-supervisionada para construir um modelo de linguagem, que é então especializado para uma tarefa específica com treino adicional específico do domínio. No entanto, foi demonstrado que modelos de linguagem de grande escala também podem resolver muitas tarefas sem QUALQUER treino específico do domínio. Uma família de modelos capaz de fazer isso é chamada de **GPT**: Transformador Generativo Pré-Treinado. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Geração de Texto e Perplexidade @@ -58,7 +58,7 @@ Continue a sua aprendizagem nos seguintes notebooks: Novos modelos de linguagem pré-treinados gerais não apenas modelam a estrutura da linguagem, mas também contêm uma vasta quantidade de linguagem natural. Assim, podem ser utilizados de forma eficaz para resolver algumas tarefas de PLN em configurações de zero-shot ou few-shot. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Aviso Legal**: Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução. \ No newline at end of file diff --git a/translations/pt/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/pt/lessons/5-NLP/20-LangModels/READMELargeLang.md index 0d3eae10..88710798 100644 --- a/translations/pt/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/pt/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Em todas as nossas tarefas anteriores, estávamos treinando uma rede neural para realizar uma determinada tarefa usando um conjunto de dados rotulados. Com grandes modelos de transformadores, como o BERT, utilizamos modelagem de linguagem de forma auto-supervisionada para construir um modelo de linguagem, que é então especializado para uma tarefa específica com treinamento adicional focado no domínio. No entanto, foi demonstrado que grandes modelos de linguagem também podem resolver muitas tarefas sem NENHUM treinamento específico de domínio. Uma família de modelos capaz de fazer isso é chamada de **GPT**: Transformer Generativo Pré-Treinado. -## [Quiz pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Geração de Texto e Perplexidade @@ -49,7 +49,7 @@ Continue seu aprendizado nos seguintes notebooks: Novos modelos de linguagem pré-treinados não apenas modelam a estrutura da linguagem, mas também contêm uma vasta quantidade de linguagem natural. Assim, eles podem ser usados efetivamente para resolver algumas tarefas de PNL em configurações de zero-shot ou few-shot. -## [Quiz pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Isenção de responsabilidade**: Este documento foi traduzido utilizando serviços de tradução automática baseados em IA. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em sua língua nativa deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional por um humano. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução. \ No newline at end of file diff --git a/translations/pt/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/pt/lessons/6-Other/21-GeneticAlgorithms/README.md index ad29143f..fd9f48d2 100644 --- a/translations/pt/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/pt/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritmos Genéticos -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algoritmos Genéticos** (AG) baseiam-se numa abordagem **evolutiva** para a IA, em que métodos de evolução de uma população são utilizados para obter uma solução ótima para um determinado problema. Foram propostos em 1975 por [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Os Algoritmos Genéticos são usados para resolver muitos problemas, incluindo p "Os algoritmos genéticos são simples de implementar, mas o seu comportamento é difícil de compreender." [fonte](https://wikipedia.org/wiki/Genetic_algorithm) Faça uma pesquisa para encontrar uma implementação de um algoritmo genético, como a resolução de um puzzle de Sudoku, e explique como funciona através de um esboço ou fluxograma. -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/6-Other/22-DeepRL/README.md b/translations/pt/lessons/6-Other/22-DeepRL/README.md index 9cf1f5cc..68576259 100644 --- a/translations/pt/lessons/6-Other/22-DeepRL/README.md +++ b/translations/pt/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: A aprendizagem por reforço (RL) é considerada um dos paradigmas básicos de aprendizagem automática, ao lado da aprendizagem supervisionada e não supervisionada. Enquanto na aprendizagem supervisionada dependemos de um conjunto de dados com resultados conhecidos, a RL baseia-se em **aprender fazendo**. Por exemplo, quando vemos um jogo de computador pela primeira vez, começamos a jogar, mesmo sem conhecer as regras, e logo conseguimos melhorar nossas habilidades apenas pelo processo de jogar e ajustar nosso comportamento. -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/43) Para realizar RL, precisamos de: @@ -110,7 +110,7 @@ Agora aprendemos como treinar agentes para alcançar bons resultados apenas forn Explore as aplicações listadas na seção 'Outras Tarefas de RL' e tente implementar uma! -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Revisão e Autoestudo diff --git a/translations/pt/lessons/6-Other/23-MultiagentSystems/README.md b/translations/pt/lessons/6-Other/23-MultiagentSystems/README.md index eafac055..72346b22 100644 --- a/translations/pt/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/pt/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Uma das formas possíveis de alcançar inteligência é a chamada abordagem **emergente** (ou **sinergética**), que se baseia no facto de que o comportamento combinado de muitos agentes relativamente simples pode resultar num comportamento geral mais complexo (ou inteligente) do sistema como um todo. Teoricamente, isto baseia-se nos princípios de [Inteligência Coletiva](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentismo](https://en.wikipedia.org/wiki/Global_brain) e [Cibernética Evolutiva](https://en.wikipedia.org/wiki/Global_brain), que afirmam que sistemas de nível superior ganham algum tipo de valor acrescentado quando são devidamente combinados a partir de sistemas de nível inferior (o chamado *princípio da transição de metassistema*). -## [Questionário pré-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ai/quiz/45) A direção dos **Sistemas Multi-Agente** surgiu na IA nos anos 1990 como uma resposta ao crescimento da Internet e dos sistemas distribuídos. Um dos manuais clássicos de IA, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), foca-se na visão da IA clássica do ponto de vista dos sistemas multi-agente. @@ -152,7 +152,7 @@ Todos tendem a focar-se no comportamento mais simples de um agente individual e Leve esta lição para o mundo real e tente conceptualizar um sistema multi-agente que possa resolver um problema. O que, por exemplo, um sistema multi-agente precisaria fazer para otimizar a rota de um autocarro escolar? Como poderia funcionar numa padaria? -## [Questionário pós-aula](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Revisão e Autoestudo diff --git a/translations/ro/lessons/1-Intro/README.md b/translations/ro/lessons/1-Intro/README.md index 43040067..1fb9e125 100644 --- a/translations/ro/lessons/1-Intro/README.md +++ b/translations/ro/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Anul | Paritate cu nivelul uman atins Fă un tur al internetului pentru a determina unde consideri că AI este utilizată cel mai eficient. Este într-o aplicație de hărți, un serviciu de conversie vorbire-text sau un joc video? Cercetează cum a fost construit sistemul. -## [Chestionar post-lectură](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Chestionar post-lectură](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Recapitulare și studiu individual diff --git a/translations/ro/lessons/2-Symbolic/README.md b/translations/ro/lessons/2-Symbolic/README.md index 839a500b..ebc23fd7 100644 --- a/translations/ro/lessons/2-Symbolic/README.md +++ b/translations/ro/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Căutarea inteligenței artificiale se bazează pe dorința de a înțelege lumea într-un mod similar cu cel al oamenilor. Dar cum putem realiza acest lucru? -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/3) În primele zile ale AI, abordarea de sus în jos pentru crearea sistemelor inteligente (discutată în lecția anterioară) era populară. Ideea era să extragem cunoștințele de la oameni într-o formă care să poată fi citită de mașini și apoi să le folosim pentru a rezolva automat probleme. Această abordare se baza pe două idei mari: @@ -236,7 +236,7 @@ Graficul este disponibil fie ca API REST, fie ca un fișier text mare descărcab În notebook-ul Ontologiei Familiei asociat acestei lecții, există oportunitatea de a experimenta cu alte relații de familie. Încercați să descoperiți noi conexiuni între persoanele din arborele genealogic. -## [Quiz post-lectură](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz post-lectură](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ro/lessons/3-NeuralNetworks/03-Perceptron/README.md index 5b4a048f..0f968e79 100644 --- a/translations/ro/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ro/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introducere în Rețele Neuronale: Perceptron -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/5) Una dintre primele încercări de a implementa ceva similar cu o rețea neuronală modernă a fost realizată de Frank Rosenblatt de la Cornell Aeronautical Laboratory în 1957. A fost o implementare hardware numită "Mark-1", concepută pentru a recunoaște figuri geometrice primitive, cum ar fi triunghiuri, pătrate și cercuri. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Dacă dorești să încerci să construiești propriul perceptron, încearcă [acest laborator pe Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), care folosește [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ro/lessons/3-NeuralNetworks/04-OwnFramework/README.md index d9c3b74e..0e9e6751 100644 --- a/translations/ro/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ro/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: De asemenea, vom dezvolta propriul nostru cadru modular în Python, care ne va permite să construim diferite arhitecturi de rețele neurale. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizarea Învățării Automate @@ -81,7 +81,7 @@ Observați că partea din stânga a tuturor acestor expresii este aceeași, și Accesează notebook-ul [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) și parcurge-l. -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ro/lessons/3-NeuralNetworks/05-Frameworks/README.md index 89934099..499c3081 100644 --- a/translations/ro/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ro/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Așa cum am învățat deja, pentru a putea antrena rețele neurale eficient, tr * Să operăm pe tensori, de exemplu să înmulțim, să adunăm și să calculăm funcții precum sigmoid sau softmax * Să calculăm derivatele tuturor expresiilor, pentru a efectua optimizarea prin gradient descent -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/9) Deși biblioteca `numpy` poate face prima parte, avem nevoie de un mecanism pentru a calcula derivatele. În [frameworkul nostru](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) pe care l-am dezvoltat în secțiunea anterioară, a trebuit să programăm manual toate funcțiile derivate în metoda `backward`, care realizează backpropagation. Ideal, un framework ar trebui să ne ofere posibilitatea de a calcula derivatele pentru *orice expresie* pe care o putem defini. @@ -106,7 +106,7 @@ Overfitting-ul este de fapt un caz al unei probleme mai generale în statistică În notebook-urile însoțitoare, veți găsi 'sarcini' la final; parcurgeți notebook-urile și completați sarcinile. -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Recapitulare & Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ro/lessons/4-ComputerVision/06-IntroCV/README.md index 5ac34ef0..45b2d5e9 100644 --- a/translations/ro/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ro/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Viziunea Computațională](https://wikipedia.org/wiki/Computer_vision) este o disciplină al cărei scop este să permită calculatoarelor să obțină o înțelegere de nivel înalt a imaginilor digitale. Aceasta este o definiție destul de largă, deoarece *înțelegerea* poate însemna multe lucruri, inclusiv găsirea unui obiect într-o imagine (**detecția obiectelor**), înțelegerea a ceea ce se întâmplă (**detecția evenimentelor**), descrierea unei imagini în text sau reconstrucția unei scene în 3D. Există, de asemenea, sarcini speciale legate de imaginile umane: estimarea vârstei și a emoțiilor, detectarea și identificarea fețelor, precum și estimarea poziției 3D, pentru a numi doar câteva. -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/11) Una dintre cele mai simple sarcini ale viziunii computaționale este **clasificarea imaginilor**. @@ -105,7 +105,7 @@ Uneori, sarcini relativ complexe, cum ar fi detectarea mișcării sau detectarea Urmărește [acest videoclip](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) din seria AI Show pentru a afla despre proiectul Cortic Tigers și cum au construit o soluție bazată pe blocuri pentru a democratiza sarcinile de viziune computațională printr-un robot. Fă cercetări despre alte proiecte similare care ajută noii învățăcei să intre în acest domeniu. -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ro/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 0415b098..32f114f4 100644 --- a/translations/ro/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ro/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Iată [un articol bun pe blog despre MobileNet](https://medium.com/analytics-vid În caietele de lucru însoțitoare, există note la final despre cum să obții o acuratețe mai mare. Fă câteva experimente pentru a vedea dacă poți atinge o acuratețe mai mare. -## [Chestionar post-lectură](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Chestionar post-lectură](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ro/lessons/4-ComputerVision/07-ConvNets/README.md index 0a51f1dd..cc08970a 100644 --- a/translations/ro/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ro/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Am văzut anterior că rețelele neuronale sunt destul de bune la procesarea imaginilor, iar chiar și un perceptron cu un singur strat este capabil să recunoască cifre scrise de mână din setul de date MNIST cu o acuratețe rezonabilă. Totuși, setul de date MNIST este foarte special, iar toate cifrele sunt centrate în interiorul imaginii, ceea ce face sarcina mai simplă. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/13) În viața reală, ne dorim să putem recunoaște obiecte într-o imagine, indiferent de locația lor exactă în cadrul imaginii. Viziunea computerizată este diferită de clasificarea generică, deoarece atunci când încercăm să găsim un anumit obiect într-o imagine, scanăm imaginea căutând **tipare** specifice și combinațiile acestora. De exemplu, când căutăm o pisică, mai întâi putem căuta linii orizontale, care pot forma mustăți, iar apoi o anumită combinație de mustăți ne poate indica faptul că este, de fapt, o imagine cu o pisică. Poziția relativă și prezența anumitor tipare sunt importante, nu poziția lor exactă în imagine. diff --git a/translations/ro/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ro/lessons/4-ComputerVision/08-TransferLearning/README.md index 703297ce..498e2ff3 100644 --- a/translations/ro/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ro/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Antrenarea CNN-urilor poate dura mult timp și necesită o cantitate mare de date. Totuși, o mare parte din timp este petrecut în învățarea celor mai bune filtre de nivel scăzut pe care o rețea le poate folosi pentru a extrage modele din imagini. O întrebare naturală apare - putem folosi o rețea neuronală antrenată pe un set de date și să o adaptăm pentru a clasifica imagini diferite fără a necesita un proces complet de antrenare? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Această abordare se numește **învățare prin transfer**, deoarece transferăm o parte din cunoștințele unui model de rețea neuronală către altul. În învățarea prin transfer, de obicei începem cu un model pre-antrenat, care a fost antrenat pe un set mare de imagini, cum ar fi **ImageNet**. Aceste modele pot deja să extragă caracteristici diferite din imagini generice, iar în multe cazuri, construirea unui clasificator pe baza acestor caracteristici extrase poate oferi un rezultat bun. @@ -76,7 +76,7 @@ Folosind învățarea prin transfer, puteți crea rapid un clasificator pentru o În caietele însoțitoare, există note la final despre cum funcționează cel mai bine transferul de cunoștințe cu date de antrenament oarecum similare (poate un nou tip de animal). Faceți câteva experimente cu tipuri complet noi de imagini pentru a vedea cât de bine sau prost performează modelele de transfer de cunoștințe. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ro/lessons/4-ComputerVision/09-Autoencoders/README.md index 4a4fd6a1..65123813 100644 --- a/translations/ro/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ro/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Când antrenăm CNN-uri, una dintre probleme este că avem nevoie de o cantitate mare de date etichetate. În cazul clasificării imaginilor, trebuie să separăm imaginile în clase diferite, ceea ce necesită un efort manual. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Totuși, am putea dori să folosim date brute (neetichetate) pentru a antrena extractoare de caracteristici CNN, ceea ce se numește **învățare auto-supervizată**. În loc de etichete, vom folosi imaginile de antrenament atât ca intrare, cât și ca ieșire pentru rețea. Ideea principală a unui **autoencoder** este că vom avea o **rețea encoder** care transformă imaginea de intrare într-un spațiu **latent** (de obicei, este doar un vector de dimensiune mai mică), apoi o **rețea decoder**, al cărei scop este să reconstruiască imaginea originală. @@ -80,7 +80,7 @@ Aflați mai multe despre autoencodere în aceste notebook-uri corespunzătoare: * **Pierdere de informație** - imaginea reconstruită nu este aceeași cu imaginea originală. Natura pierderii este definită de *funcția de pierdere* utilizată în timpul antrenamentului. * Funcționează pe **date neetichetate** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Concluzie @@ -90,7 +90,7 @@ Aflați mai multe despre autoencodere în aceste notebook-uri corespunzătoare: În această lecție, ați învățat despre utilizarea autoencoderelor pentru imagini. Dar ele pot fi folosite și pentru muzică! Consultați proiectul Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), care folosește autoencodere pentru a învăța să reconstruiască muzică. Faceți câteva [experimente](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) cu această bibliotecă pentru a vedea ce puteți crea. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Recapitulare & Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/10-GANs/README.md b/translations/ro/lessons/4-ComputerVision/10-GANs/README.md index a78d24a1..f0822bb5 100644 --- a/translations/ro/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ro/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: În secțiunea anterioară, am învățat despre **modelele generative**: modele care pot genera imagini noi similare cu cele din setul de date de antrenament. VAE a fost un exemplu bun de model generativ. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/19) Totuși, dacă încercăm să generăm ceva cu adevărat semnificativ, cum ar fi o pictură la o rezoluție rezonabilă, folosind VAE, vom observa că antrenamentul nu converge bine. Pentru acest caz de utilizare, ar trebui să învățăm despre o altă arhitectură specifică modelelor generative - **Rețele Generative Adversariale**, sau GAN-uri. @@ -84,7 +84,7 @@ Cum funcționează: ## ✍️ Exemplu: [Transfer de stil](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Concluzie diff --git a/translations/ro/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ro/lessons/4-ComputerVision/11-ObjectDetection/README.md index b43bb6c2..809cdb12 100644 --- a/translations/ro/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ro/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modelele de clasificare a imaginilor pe care le-am abordat până acum au luat o imagine și au produs un rezultat categoric, cum ar fi clasa „număr” într-o problemă MNIST. Totuși, în multe cazuri, nu dorim doar să știm că o imagine prezintă obiecte - vrem să putem determina locația lor exactă. Acesta este exact scopul **detectării obiectelor**. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detectarea Obiectelor](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ro.png) @@ -172,7 +172,7 @@ Citește aceste articole și notebook-uri despre YOLO și încearcă-le singur: * Yolo: [Implementare Keras](https://github.com/experiencor/keras-yolo2), [notebook pas cu pas](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementare Keras](https://github.com/experiencor/keras-yolo2), [notebook pas cu pas](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Recapitulare & Studiu Individual diff --git a/translations/ro/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ro/lessons/4-ComputerVision/12-Segmentation/README.md index d934319b..80391f8c 100644 --- a/translations/ro/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ro/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Am învățat anterior despre Detectarea Obiectelor, care ne permite să localizăm obiecte în imagine prin prezicerea *casetelor de delimitare*. Totuși, pentru unele sarcini, nu avem nevoie doar de casete de delimitare, ci și de o localizare mai precisă a obiectelor. Această sarcină se numește **segmentare**. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentarea poate fi privită ca o **clasificare a pixelilor**, în care pentru **fiecare** pixel al imaginii trebuie să prezicem clasa sa (*fundalul* fiind una dintre clase). Există două algoritmi principali de segmentare: @@ -56,7 +56,7 @@ Deschide notebook-urile de mai jos pentru a învăța mai multe despre diferite * [Segmentare Semantică Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Segmentare Semantică TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Concluzie diff --git a/translations/ro/lessons/5-NLP/13-TextRep/README.md b/translations/ro/lessons/5-NLP/13-TextRep/README.md index 4eab599f..59c1bd93 100644 --- a/translations/ro/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ro/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reprezentarea textului ca tensori -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Clasificarea textului @@ -73,7 +73,7 @@ Până acum, am studiat tehnici care pot adăuga greutate frecvenței diferitelo Încearcă alte exerciții folosind bag-of-words și diferite modele de date. Poți găsi inspirație în această [competiție pe Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Recapitulare și studiu individual diff --git a/translations/ro/lessons/5-NLP/14-Embeddings/README.md b/translations/ro/lessons/5-NLP/14-Embeddings/README.md index b8d3b16f..f20dc70c 100644 --- a/translations/ro/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ro/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Încapsulări -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/27) Când antrenam clasificatori bazându-ne pe BoW sau TF/IDF, lucram cu vectori de cuvinte de dimensiuni mari, având lungimea `vocab_size`, și transformam explicit vectorii de reprezentare pozițională de dimensiuni mici în reprezentări sparse one-hot. Totuși, această reprezentare one-hot nu este eficientă din punct de vedere al memoriei. În plus, fiecare cuvânt este tratat independent de celelalte, adică vectorii one-hot codificați nu exprimă nicio similaritate semantică între cuvinte. @@ -65,7 +65,7 @@ De exemplu, cuvântul „play” în cele două propoziții de mai jos are semni Word2Vec a fost utilizat pentru unele aplicații interesante, inclusiv generarea de versuri și poezii. Aruncă o privire la [acest articol](https://www.politetype.com/blog/word2vec-color-poems) care explică cum autorul a folosit Word2Vec pentru a genera poezie. Urmărește și [acest videoclip de Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) pentru a descoperi o altă explicație a acestei tehnici. Apoi încearcă să aplici aceste tehnici pe propriul tău corpus de texte, poate obținut de pe Kaggle. -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ro/lessons/5-NLP/15-LanguageModeling/README.md index ebaed2f5..5cfcd6b1 100644 --- a/translations/ro/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ro/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Încorporările semantice, precum Word2Vec și GloVe, reprezintă de fapt un prim pas către **modelarea limbajului** - crearea unor modele care cumva *înțeleg* (sau *reprezintă*) natura limbajului. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/29) Ideea principală din spatele modelării limbajului este antrenarea acestora pe seturi de date neetichetate într-un mod nesupravegheat. Acest lucru este important deoarece avem la dispoziție cantități uriașe de text neetichetat, în timp ce cantitatea de text etichetat va fi întotdeauna limitată de efortul pe care îl putem depune pentru etichetare. De cele mai multe ori, putem construi modele de limbaj care pot **prezice cuvinte lipsă** în text, deoarece este ușor să mascăm un cuvânt aleatoriu din text și să-l folosim ca exemplu de antrenament. @@ -38,7 +38,7 @@ Continuă învățarea cu următoarele notebook-uri: În lecția anterioară am văzut că încorporările de cuvinte funcționează ca prin magie! Acum știm că antrenarea încorporărilor de cuvinte nu este o sarcină foarte complexă și ar trebui să putem antrena propriile încorporări pentru texte specifice unui domeniu, dacă este necesar. -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/5-NLP/16-RNN/README.md b/translations/ro/lessons/5-NLP/16-RNN/README.md index 2be785f7..3e42d0c8 100644 --- a/translations/ro/lessons/5-NLP/16-RNN/README.md +++ b/translations/ro/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rețele Neuronale Recurente -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/31) În secțiunile anterioare, am utilizat reprezentări semantice bogate ale textului și un clasificator liniar simplu deasupra acestor embedding-uri. Această arhitectură captează sensul agregat al cuvintelor dintr-o propoziție, dar nu ia în considerare **ordinea** cuvintelor, deoarece operația de agregare deasupra embedding-urilor elimină această informație din textul original. Deoarece aceste modele nu pot modela ordonarea cuvintelor, ele nu pot rezolva sarcini mai complexe sau ambigue, cum ar fi generarea de text sau răspunsul la întrebări. @@ -84,7 +84,7 @@ Citește literatură despre LSTM-uri și ia în considerare aplicațiile lor: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ro/lessons/5-NLP/17-GenerativeNetworks/README.md index e48e9840..d5e97019 100644 --- a/translations/ro/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ro/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rețele generative -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rețelele Neuronale Recurente (RNN) și variantele lor cu celule cu porți, cum ar fi celulele Long Short Term Memory (LSTM) și Gated Recurrent Units (GRU), oferă un mecanism pentru modelarea limbajului, deoarece pot învăța ordinea cuvintelor și pot oferi predicții pentru următorul cuvânt dintr-o secvență. Acest lucru ne permite să folosim RNN pentru **sarcini generative**, cum ar fi generarea obișnuită de text, traducerea automată și chiar generarea de descrieri pentru imagini. @@ -71,7 +71,7 @@ Urmează câteva lecții pe Microsoft Learn pe acest subiect: * Generare de text cu [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) -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Recapitulare și studiu individual diff --git a/translations/ro/lessons/5-NLP/18-Transformers/README.md b/translations/ro/lessons/5-NLP/18-Transformers/README.md index 2083fd72..8a4dbd69 100644 --- a/translations/ro/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ro/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mecanisme de Atenție și Transformere -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/35) Una dintre cele mai importante probleme din domeniul NLP este **traducerea automată**, o sarcină esențială care stă la baza unor instrumente precum Google Translate. În această secțiune, ne vom concentra pe traducerea automată sau, mai general, pe orice sarcină de tip *secvență-la-secvență* (numită și **transducția propozițiilor**). @@ -108,7 +108,7 @@ Continuă învățarea în următoarele notebook-uri: ## 🚀 Provocare -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/5-NLP/19-NER/README.md b/translations/ro/lessons/5-NLP/19-NER/README.md index a732aa87..0da8a287 100644 --- a/translations/ro/lessons/5-NLP/19-NER/README.md +++ b/translations/ro/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Până acum, ne-am concentrat în principal pe o singură sarcină NLP - clasificarea. Totuși, există și alte sarcini NLP care pot fi realizate cu ajutorul rețelelor neuronale. Una dintre aceste sarcini este **[Recunoașterea Entităților Denumite](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), care se ocupă cu identificarea entităților specifice din text, cum ar fi locuri, nume de persoane, intervale de timp, formule chimice și altele. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Exemplu de utilizare a NER @@ -80,7 +80,7 @@ Un model NER este un **model de clasificare a tokenilor**, ceea ce înseamnă c Completează sarcina legată mai jos pentru a antrena un model de recunoaștere a entităților denumite pentru termeni medicali, apoi încearcă-l pe un alt set de date. -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Recapitulare & Studiu individual diff --git a/translations/ro/lessons/5-NLP/20-LangModels/README.md b/translations/ro/lessons/5-NLP/20-LangModels/README.md index 6ead9054..b84942ae 100644 --- a/translations/ro/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ro/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: În toate sarcinile noastre anterioare, am antrenat o rețea neuronală pentru a îndeplini o anumită sarcină folosind un set de date etichetat. Cu modelele mari de tip transformer, precum BERT, folosim modelarea limbajului într-un mod auto-supervizat pentru a construi un model de limbaj, care este apoi specializat pentru o sarcină specifică printr-un antrenament suplimentar pe un domeniu specific. Totuși, s-a demonstrat că modelele mari de limbaj pot rezolva multe sarcini fără NICIUN antrenament specific pe domeniu. O familie de modele capabile să facă acest lucru se numește **GPT**: Transformer Generativ Pre-Antrenat. -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generarea de Text și Perplexitatea @@ -58,7 +58,7 @@ Continuați învățarea cu următoarele notebook-uri: Noile modele generale de limbaj pre-antrenate nu doar modelează structura limbajului, ci conțin și o cantitate vastă de limbaj natural. Astfel, ele pot fi utilizate eficient pentru a rezolva unele sarcini NLP în setări zero-shot sau few-shot. -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Declinare de responsabilitate**: Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri. \ No newline at end of file diff --git a/translations/ro/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ro/lessons/6-Other/21-GeneticAlgorithms/README.md index 9c40ef04..94c444e3 100644 --- a/translations/ro/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ro/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algoritmi Genetici -## [Chestionar înainte de curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Chestionar înainte de curs](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algoritmii Genetici** (AG) se bazează pe o **abordare evolutivă** a inteligenței artificiale, în care metodele de evoluție a unei populații sunt utilizate pentru a obține o soluție optimă pentru o problemă dată. Aceștia au fost propuși în 1975 de [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Algoritmii Genetici sunt utilizați pentru a rezolva multe probleme, inclusiv pr "Algoritmii genetici sunt simpli de implementat, dar comportamentul lor este dificil de înțeles." [sursa](https://wikipedia.org/wiki/Genetic_algorithm) Fă câteva cercetări pentru a găsi o implementare a unui algoritm genetic, cum ar fi rezolvarea unui puzzle Sudoku, și explică cum funcționează sub forma unei schițe sau a unui diagram de flux. -## [Chestionar după curs](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Chestionar după curs](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/6-Other/22-DeepRL/README.md b/translations/ro/lessons/6-Other/22-DeepRL/README.md index d4ea36b7..0516b3e6 100644 --- a/translations/ro/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ro/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Învățarea prin recompensă (RL) este considerată unul dintre paradigmele de bază ale învățării automate, alături de învățarea supravegheată și nesupravegheată. În timp ce în învățarea supravegheată ne bazăm pe un set de date cu rezultate cunoscute, RL se bazează pe **învățarea prin acțiune**. De exemplu, atunci când vedem pentru prima dată un joc pe calculator, începem să jucăm, chiar dacă nu cunoaștem regulile, și în scurt timp ne îmbunătățim abilitățile doar prin procesul de joc și ajustarea comportamentului. -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/43) Pentru a realiza RL, avem nevoie de: @@ -110,7 +110,7 @@ Am învățat acum cum să antrenăm agenți pentru a obține rezultate bune doa Explorați aplicațiile enumerate în secțiunea 'Alte Sarcini RL' și încercați să implementați una! -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Recapitulare și Studiu Individual diff --git a/translations/ro/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ro/lessons/6-Other/23-MultiagentSystems/README.md index f2364e04..3d7495f4 100644 --- a/translations/ro/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ro/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Una dintre modalitățile posibile de a obține inteligență este abordarea așa-numită **emergentă** (sau **sinergică**), care se bazează pe faptul că comportamentul combinat al multor agenți relativ simpli poate duce la un comportament general mai complex (sau inteligent) al sistemului în ansamblu. Teoretic, aceasta se bazează pe principiile [Inteligenței Colective](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentismului](https://en.wikipedia.org/wiki/Global_brain) și [Ciberneticii Evolutive](https://en.wikipedia.org/wiki/Global_brain), care afirmă că sistemele de nivel superior dobândesc un fel de valoare adăugată atunci când sunt combinate corespunzător din sisteme de nivel inferior (așa-numitul *principiu al tranziției metasistemului*). -## [Chestionar înainte de lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/45) Direcția **Sistemelor Multi-Agent** a apărut în AI în anii 1990 ca răspuns la creșterea Internetului și a sistemelor distribuite. Unul dintre manualele clasice de AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), se concentrează pe perspectiva AI clasică din punctul de vedere al sistemelor multi-agent. @@ -152,7 +152,7 @@ Toate tind să se concentreze pe comportamentul mai simplu al unui agent individ Aplicați această lecție în lumea reală și încercați să conceptualizați un sistem multi-agent care poate rezolva o problemă. Ce ar trebui să facă, de exemplu, un sistem multi-agent pentru a optimiza ruta unui autobuz școlar? Cum ar putea funcționa într-o brutărie? -## [Chestionar după lecție](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Chestionar după lecție](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Revizuire și Studiu Individual diff --git a/translations/ru/lessons/1-Intro/README.md b/translations/ru/lessons/1-Intro/README.md index 88a499c2..5e93c0d5 100644 --- a/translations/ru/lessons/1-Intro/README.md +++ b/translations/ru/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: Исследуйте интернет, чтобы определить, где, по вашему мнению, ИИ используется наиболее эффективно. Это может быть приложение для карт, сервис преобразования речи в текст или видеоигра. Узнайте, как была построена эта система. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/2-Symbolic/README.md b/translations/ru/lessons/2-Symbolic/README.md index e271d6c9..a72e683a 100644 --- a/translations/ru/lessons/2-Symbolic/README.md +++ b/translations/ru/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Поиск искусственного интеллекта основан на стремлении к знаниям, чтобы понимать мир так же, как это делают люди. Но как это можно осуществить? -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/3) В первые дни развития ИИ был популярен подход сверху вниз (обсуждался в предыдущем уроке) для создания интеллектуальных систем. Идея заключалась в том, чтобы извлечь знания у людей в машиночитаемую форму, а затем использовать их для автоматического решения задач. Этот подход основывался на двух ключевых идеях: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel В блокноте Family Ontology, связанном с этим уроком, есть возможность поэкспериментировать с другими семейными связями. Попробуйте обнаружить новые связи между людьми в генеалогическом древе. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ru/lessons/3-NeuralNetworks/03-Perceptron/README.md index af2a9826..015077ed 100644 --- a/translations/ru/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ru/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Введение в нейронные сети: Перцептрон -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/5) Одной из первых попыток создать что-то похожее на современную нейронную сеть была работа Фрэнка Розенблатта из Корнельской аэрокосмической лаборатории в 1957 году. Это была аппаратная реализация под названием "Mark-1", предназначенная для распознавания простых геометрических фигур, таких как треугольники, квадраты и круги. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Если вы хотите попробовать создать свой собственный перцептрон, попробуйте [эту лабораторную работу на Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), которая использует [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ru/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 8fdd1632..67f4f514 100644 --- a/translations/ru/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ru/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Мы также разработаем собственный модульный фреймворк на Python, который позволит нам создавать различные архитектуры нейронных сетей. -## [Квиз перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Квиз перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Формализация машинного обучения @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: Перейдите к ноутбуку [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) и выполните задания. -## [Квиз после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Квиз после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ru/lessons/3-NeuralNetworks/05-Frameworks/README.md index d4ea7d33..a3c7594f 100644 --- a/translations/ru/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ru/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * Уметь работать с тензорами, например, умножать, складывать и вычислять функции, такие как сигмоида или softmax. * Уметь вычислять градиенты всех выражений для выполнения оптимизации методом градиентного спуска. -## [Квиз перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Квиз перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/9) Хотя библиотека `numpy` может выполнять первую задачу, нам нужен механизм для вычисления градиентов. В [нашем фреймворке](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), который мы разработали в предыдущем разделе, нам приходилось вручную программировать все функции производных в методе `backward`, который выполняет обратное распространение ошибки. В идеале фреймворк должен предоставлять возможность вычислять градиенты *любого выражения*, которое мы можем определить. @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: В сопровождающих ноутбуках вы найдете "задачи" в конце; пройдите через ноутбуки и выполните задачи. -## [Квиз после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Квиз после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ru/lessons/4-ComputerVision/06-IntroCV/README.md index 5ecf7a58..8ab501fd 100644 --- a/translations/ru/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ru/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Компьютерное зрение](https://wikipedia.org/wiki/Computer_vision) — это область, цель которой заключается в том, чтобы научить компьютеры понимать цифровые изображения на высоком уровне. Это довольно широкое определение, поскольку *понимание* может означать множество вещей, включая поиск объекта на изображении (**обнаружение объектов**), понимание происходящего (**обнаружение событий**), описание изображения текстом или реконструкцию сцены в 3D. Существуют также специальные задачи, связанные с изображениями людей: оценка возраста и эмоций, обнаружение и идентификация лиц, а также оценка позы в 3D, чтобы назвать лишь некоторые. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/11) Одна из самых простых задач компьютерного зрения — это **классификация изображений**. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) Посмотрите [это 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) из AI Show, чтобы узнать о проекте Cortic Tigers и о том, как они создали решение на основе блоков для демократизации задач компьютерного зрения с помощью робота. Проведите исследование других подобных проектов, которые помогают новичкам освоить эту область. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ru/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index fbf9f7c9..9fa748e3 100644 --- a/translations/ru/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ru/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet — это семейство моделей уменьшенного В сопровождающих ноутбуках есть заметки внизу о том, как добиться большей точности. Проведите эксперименты, чтобы попытаться достичь более высокой точности. -## [Викторина после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ru/lessons/4-ComputerVision/07-ConvNets/README.md index 4ecbfbc7..4263f53e 100644 --- a/translations/ru/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ru/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Мы уже видели, что нейронные сети хорошо справляются с обработкой изображений, и даже однослойный перцептрон способен с приемлемой точностью распознавать рукописные цифры из набора данных MNIST. Однако MNIST — это особый набор данных, где все цифры центрированы внутри изображения, что упрощает задачу. -## [Викторина перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/13) В реальной жизни мы хотим уметь распознавать объекты на изображении независимо от их точного расположения. Компьютерное зрение отличается от общей классификации, потому что, когда мы пытаемся найти определённый объект на изображении, мы сканируем его в поисках специфических **шаблонов** и их комбинаций. Например, при поиске кошки мы можем сначала искать горизонтальные линии, которые могут быть усами, а затем определённая комбинация усов может подсказать нам, что это действительно изображение кошки. Важны относительное положение и наличие определённых шаблонов, а не их точное расположение на изображении. diff --git a/translations/ru/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ru/lessons/4-ComputerVision/08-TransferLearning/README.md index f3eafed8..17f3c138 100644 --- a/translations/ru/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ru/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Обучение сверточных нейронных сетей (CNN) может занимать много времени и требует большого объема данных. Однако значительная часть времени уходит на обучение лучшим низкоуровневым фильтрам, которые сеть может использовать для извлечения паттернов из изображений. Возникает естественный вопрос — можно ли использовать нейронную сеть, обученную на одном наборе данных, и адаптировать ее для классификации других изображений без полного процесса обучения? -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/15) Этот подход называется **переносом обучения**, потому что мы переносим часть знаний из одной модели нейронной сети в другую. В переносе обучения мы обычно начинаем с предобученной модели, которая была обучена на большом наборе изображений, например, **ImageNet**. Эти модели уже хорошо справляются с извлечением различных признаков из общих изображений, и во многих случаях достаточно построить классификатор поверх этих извлеченных признаков, чтобы получить хороший результат. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: В сопровождающих ноутбуках есть заметки в конце о том, что перенос знаний лучше всего работает с похожими данными для обучения (например, новый вид животных). Проведите эксперименты с совершенно новыми типами изображений, чтобы увидеть, насколько хорошо или плохо работают ваши модели переноса знаний. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ru/lessons/4-ComputerVision/09-Autoencoders/README.md index 94fbb783..699e405f 100644 --- a/translations/ru/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ru/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: При обучении сверточных нейронных сетей (CNN) одной из проблем является необходимость большого количества размеченных данных. Например, для классификации изображений нужно вручную разделить изображения на разные классы. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/17) Однако можно использовать необработанные (неразмеченные) данные для обучения CNN в качестве извлекателей признаков, что называется **самостоятельным обучением** (self-supervised learning). Вместо меток мы будем использовать обучающие изображения как входные данные и как выходные. Основная идея **автоэнкодера** заключается в том, что у нас будет **сеть-энкодер**, которая преобразует входное изображение в некоторое **скрытое пространство** (обычно это вектор меньшего размера), а затем **сеть-декодер**, задача которой — восстановить исходное изображение. @@ -80,7 +80,7 @@ VAE — это автоэнкодер, который обучается пре * **Потеря информации** — восстановленное изображение не идентично исходному. Характер потерь определяется *функцией потерь*, используемой при обучении. * Работают с **неразмеченными данными** -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Заключение @@ -90,7 +90,7 @@ VAE — это автоэнкодер, который обучается пре В этом уроке вы узнали об использовании автоэнкодеров для изображений. Но их можно использовать и для музыки! Ознакомьтесь с проектом [MusicVAE](https://magenta.tensorflow.org/music-vae) от Magenta, который использует автоэнкодеры для обучения восстановления музыки. Проведите [эксперименты](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) с этой библиотекой, чтобы увидеть, что вы можете создать. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/10-GANs/README.md b/translations/ru/lessons/4-ComputerVision/10-GANs/README.md index 1b45c898..5388f9a9 100644 --- a/translations/ru/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ru/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: В предыдущем разделе мы узнали о **генеративных моделях**: моделях, которые могут создавать новые изображения, похожие на те, что находятся в обучающем наборе данных. Примером такой модели является VAE. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/19) Однако, если мы попытаемся создать что-то действительно значимое, например, картину с разумным разрешением, используя VAE, мы заметим, что обучение не сходится должным образом. Для таких случаев стоит изучить другую архитектуру, специально предназначенную для генеративных моделей, — **Генеративно-состязательные сети** (Generative Adversarial Networks, GANs). @@ -84,7 +84,7 @@ GAN — отличный инструмент для создания худож ## ✍️ Пример: [Перенос стиля](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Заключение diff --git a/translations/ru/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ru/lessons/4-ComputerVision/11-ObjectDetection/README.md index f258884b..94596448 100644 --- a/translations/ru/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ru/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Модели классификации изображений, с которыми мы работали до сих пор, принимали изображение и выдавали категориальный результат, например, класс "цифра" в задаче MNIST. Однако во многих случаях нам недостаточно просто знать, что на изображении есть объекты — мы хотим определить их точное местоположение. Именно этим занимается **обнаружение объектов**. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Обнаружение объектов](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ru.png) @@ -172,7 +172,7 @@ YOLO — это алгоритм реального времени с одним * YOLO: [Реализация на Keras](https://github.com/experiencor/keras-yolo2), [пошаговая тетрадь](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Реализация на Keras](https://github.com/experiencor/keras-yolo2), [пошаговая тетрадь](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ru/lessons/4-ComputerVision/12-Segmentation/README.md index 1dab2d7a..5eefed7d 100644 --- a/translations/ru/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ru/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ранее мы изучали обнаружение объектов, которое позволяет находить объекты на изображении, предсказывая их *ограничивающие рамки*. Однако для некоторых задач нам нужны не только рамки, но и более точная локализация объектов. Эта задача называется **сегментацией**. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/23) Сегментацию можно рассматривать как **классификацию пикселей**, где для **каждого** пикселя изображения необходимо предсказать его класс (*фон* является одним из классов). Существует два основных алгоритма сегментации: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Семантическая сегментация на Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Семантическая сегментация на TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Заключение diff --git a/translations/ru/lessons/5-NLP/13-TextRep/README.md b/translations/ru/lessons/5-NLP/13-TextRep/README.md index 92ef8db0..8af371a5 100644 --- a/translations/ru/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ru/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Представление текста в виде тензоров -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Классификация текста @@ -73,7 +73,7 @@ BoW по сути показывает, какие слова встречают Попробуйте выполнить другие упражнения, используя мешок слов и различные модели данных. Возможно, вас вдохновит [этот конкурс на Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/14-Embeddings/README.md b/translations/ru/lessons/5-NLP/14-Embeddings/README.md index 7545d971..977fb310 100644 --- a/translations/ru/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ru/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Встраивания -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/27) При обучении классификаторов на основе BoW или TF/IDF мы работали с высокоразмерными векторами мешка слов длиной `vocab_size` и явно преобразовывали низкоразмерные позиционные векторы представления в разреженное одноразрядное представление. Однако такое одноразрядное представление неэффективно с точки зрения памяти. Кроме того, каждое слово рассматривается независимо от других, то есть одноразрядные векторы не выражают никакого семантического сходства между словами. @@ -65,7 +65,7 @@ CBoW работает быстрее, а пропуск-грамм медлен Word2Vec использовался для некоторых интересных приложений, включая создание текстов песен и поэзии. Ознакомьтесь с [этой статьей](https://www.politetype.com/blog/word2vec-color-poems), в которой описывается, как автор использовал Word2Vec для создания поэзии. Посмотрите [это видео Дэна Шиффмана](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), чтобы узнать другое объяснение этой техники. Затем попробуйте применить эти техники к вашему собственному текстовому корпусу, возможно, взятому с Kaggle. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ru/lessons/5-NLP/15-LanguageModeling/README.md index b147b131..e139d75c 100644 --- a/translations/ru/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ru/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Семантические векторы, такие как Word2Vec и GloVe, на самом деле являются первым шагом к **моделированию языка** — созданию моделей, которые каким-то образом *понимают* (или *представляют*) природу языка. -## [Викторина перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/29) Основная идея моделирования языка заключается в обучении моделей на неразмеченных данных в режиме без учителя. Это важно, потому что у нас есть огромные объемы неразмеченного текста, в то время как количество размеченного текста всегда будет ограничено усилиями, которые мы можем потратить на разметку. Чаще всего мы можем создавать языковые модели, которые могут **предсказывать пропущенные слова** в тексте, так как легко замаскировать случайное слово в тексте и использовать его в качестве обучающего примера. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: В предыдущем уроке мы увидели, что векторы слов работают как магия! Теперь мы знаем, что обучение векторов слов — это не очень сложная задача, и мы можем обучить свои собственные векторы слов для текстов в специфической предметной области, если это потребуется. -## [Викторина после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/16-RNN/README.md b/translations/ru/lessons/5-NLP/16-RNN/README.md index 8f4cab35..0c3ef7c9 100644 --- a/translations/ru/lessons/5-NLP/16-RNN/README.md +++ b/translations/ru/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Рекуррентные нейронные сети -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/31) В предыдущих разделах мы использовали богатые семантические представления текста и простой линейный классификатор поверх эмбеддингов. Такая архитектура позволяет захватывать агрегированное значение слов в предложении, но не учитывает **порядок** слов, так как операция агрегации поверх эмбеддингов удаляет эту информацию из исходного текста. Поскольку такие модели не могут моделировать порядок слов, они не способны решать более сложные или неоднозначные задачи, такие как генерация текста или ответы на вопросы. @@ -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) -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ru/lessons/5-NLP/17-GenerativeNetworks/README.md index 5d4a76d4..080afc35 100644 --- a/translations/ru/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ru/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генеративные сети -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/33) Рекуррентные нейронные сети (RNN) и их варианты с управляемыми ячейками, такие как ячейки долгосрочной памяти (LSTM) и управляемые рекуррентные блоки (GRU), предоставляют механизм для моделирования языка, так как они могут изучать порядок слов и предсказывать следующее слово в последовательности. Это позволяет использовать RNN для **генеративных задач**, таких как обычная генерация текста, машинный перевод и даже создание подписей к изображениям. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * Генерация текста 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 после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/18-Transformers/README.md b/translations/ru/lessons/5-NLP/18-Transformers/README.md index b1d9733d..4eae2c64 100644 --- a/translations/ru/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ru/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Механизмы внимания и трансформеры -## [Предлекционный тест](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Предлекционный тест](https://ff-quizzes.netlify.app/en/ai/quiz/35) Одной из самых важных задач в области обработки естественного языка (NLP) является **машинный перевод**, ключевая задача, лежащая в основе таких инструментов, как Google Translate. В этом разделе мы сосредоточимся на машинном переводе или, более широко, на любой задаче *последовательность-к-последовательности* (также называемой **трансдукцией предложений**). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 Задание -## [Послетекционный тест](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Послетекционный тест](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/ru/lessons/5-NLP/18-Transformers/READMEtransformers.md index 26e64a4b..b1933d92 100644 --- a/translations/ru/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/ru/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Механизмы внимания и трансформеры -## [Викторина перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/35) Одной из самых важных задач в области обработки естественного языка (NLP) является **машинный перевод**, который лежит в основе таких инструментов, как Google Translate. В этом разделе мы сосредоточимся на машинном переводе или, более общо, на любой задаче *последовательность-в-последовательность* (также называемой **трансдукцией предложений**). @@ -99,7 +99,7 @@ ## 🚀 Вызов -## [Викторина после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/19-NER/README.md b/translations/ru/lessons/5-NLP/19-NER/README.md index e1293238..8bb925ba 100644 --- a/translations/ru/lessons/5-NLP/19-NER/README.md +++ b/translations/ru/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: До сих пор мы в основном сосредотачивались на одной задаче обработки естественного языка (NLP) — классификации. Однако существуют и другие задачи NLP, которые можно решать с помощью нейронных сетей. Одна из таких задач — это **[распознавание именованных сущностей](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), которое заключается в определении конкретных сущностей в тексте, таких как места, имена людей, временные интервалы, химические формулы и так далее. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Пример использования NER @@ -78,7 +78,7 @@ CO_OP_TRANSLATOR_METADATA: Выполните задание по ссылке ниже, чтобы обучить модель распознавания именованных сущностей для медицинских терминов, а затем попробуйте применить её к другому набору данных. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/5-NLP/20-LangModels/README.md b/translations/ru/lessons/5-NLP/20-LangModels/README.md index 8afa1118..6e92a8b7 100644 --- a/translations/ru/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ru/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Во всех предыдущих задачах мы обучали нейронную сеть выполнять определённую задачу, используя размеченный набор данных. С крупными трансформерными моделями, такими как BERT, мы используем языковое моделирование в режиме самоконтроля, чтобы создать языковую модель, которая затем специализируется на конкретной задаче с помощью дополнительного обучения в определённой предметной области. Однако было доказано, что крупные языковые модели могут решать множество задач без какого-либо обучения для конкретной области. Семейство моделей, способных на это, называется **GPT**: Генеративный Предобученный Трансформер. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Генерация текста и перплексия @@ -58,7 +58,7 @@ GPT — это не одна модель, а целая коллекция мо Новые универсальные предобученные языковые модели не только моделируют структуру языка, но и содержат огромный объём естественного языка. Таким образом, их можно эффективно использовать для решения некоторых задач обработки естественного языка в режимах zero-shot или few-shot. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Отказ от ответственности**: Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода. \ No newline at end of file diff --git a/translations/ru/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/ru/lessons/5-NLP/20-LangModels/READMELargeLang.md index 9501f4ac..fed8806e 100644 --- a/translations/ru/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/ru/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Во всех наших предыдущих задачах мы обучали нейронную сеть для выполнения определенной задачи с использованием размеченного набора данных. С большими трансформерными моделями, такими как BERT, мы используем языковое моделирование в самообучающемся формате для создания языковой модели, которая затем специализируется на конкретной задаче с дальнейшим обучением в конкретной области. Однако было продемонстрировано, что большие языковые модели могут также решать многие задачи без какого-либо обучения в конкретной области. Семейство моделей, способных на это, называется **GPT**: Генеративный предобученный трансформер. -## [Викторина перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Генерация текста и перплексность @@ -49,7 +49,7 @@ GPT — это не одна модель, а скорее коллекция м Новые общие предобученные языковые модели не только моделируют структуру языка, но и содержат огромное количество естественного языка. Таким образом, их можно эффективно использовать для решения некоторых задач NLP в условиях нулевого или небольшого обучения. -## [Викторина после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Отказ от ответственности**: Этот документ был переведен с использованием услуг машинного перевода на основе ИИ. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на родном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникающие в результате использования этого перевода. \ No newline at end of file diff --git a/translations/ru/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ru/lessons/6-Other/21-GeneticAlgorithms/README.md index 138ae2de..cc6a72a6 100644 --- a/translations/ru/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ru/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генетические алгоритмы -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Генетические алгоритмы** (GA) основаны на **эволюционном подходе** к искусственному интеллекту, где методы эволюции популяции используются для получения оптимального решения заданной задачи. Они были предложены в 1975 году [Джоном Генри Холландом](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "Генетические алгоритмы просты в реализации, но их поведение сложно понять." [источник](https://wikipedia.org/wiki/Genetic_algorithm) Проведите исследование, чтобы найти реализацию генетического алгоритма, например, для решения головоломки Судоку, и объясните, как он работает, используя схему или блок-схему. -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/6-Other/22-DeepRL/README.md b/translations/ru/lessons/6-Other/22-DeepRL/README.md index 5d366618..7c9fb6b4 100644 --- a/translations/ru/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ru/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Обучение с подкреплением (Reinforcement Learning, RL) считается одной из основных парадигм машинного обучения наряду с обучением с учителем и без учителя. Если в обучении с учителем мы полагаемся на набор данных с известными результатами, то RL основано на **обучении через действия**. Например, когда мы впервые видим компьютерную игру, мы начинаем играть, даже не зная правил, и вскоре можем улучшить свои навыки просто в процессе игры и корректировки своего поведения. -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/43) Для выполнения RL нам нужно: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") Изучите приложения, перечисленные в разделе "Другие задачи RL", и попробуйте реализовать одно из них! -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Обзор и самостоятельное изучение diff --git a/translations/ru/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ru/lessons/6-Other/23-MultiagentSystems/README.md index 15d5c267..8e487e9a 100644 --- a/translations/ru/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ru/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Одним из возможных способов достижения интеллекта является так называемый **эмерджентный** (или **синергетический**) подход, который основан на том, что совокупное поведение множества относительно простых агентов может привести к более сложному (или интеллектуальному) поведению системы в целом. Теоретически это основано на принципах [Коллективного интеллекта](https://en.wikipedia.org/wiki/Collective_intelligence), [Эмерджентизма](https://en.wikipedia.org/wiki/Global_brain) и [Эволюционной кибернетики](https://en.wikipedia.org/wiki/Global_brain), которые утверждают, что системы более высокого уровня приобретают дополнительную ценность, если они правильно объединены из систем более низкого уровня (так называемый *принцип перехода к метасистеме*). -## [Тест перед лекцией](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/45) Направление **мультиагентных систем** появилось в области ИИ в 1990-х годах как ответ на рост Интернета и распределенных систем. Один из классических учебников по ИИ, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), рассматривает классический ИИ с точки зрения мультиагентных систем. @@ -152,7 +152,7 @@ to go [ Примените этот урок к реальному миру и попробуйте концептуализировать мультиагентную систему, которая может решить проблему. Что, например, должна делать мультиагентная система для оптимизации маршрута школьного автобуса? Как она могла бы работать в пекарне? -## [Тест после лекции](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Тест после лекции](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Обзор и самостоятельное изучение diff --git a/translations/sk/lessons/1-Intro/README.md b/translations/sk/lessons/1-Intro/README.md index 017218a5..b0bf08a1 100644 --- a/translations/sk/lessons/1-Intro/README.md +++ b/translations/sk/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ V posledných rokoch sme boli svedkami obrovských úspechov veľkých jazykový Preskúmajte internet a určte, kde je podľa vás AI najefektívnejšie využívaná. Je to v aplikácii na mapovanie, v službe na prevod reči na text alebo vo videohre? Preskúmajte, ako bol systém vytvorený. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Prehľad & Samoštúdium diff --git a/translations/sk/lessons/2-Symbolic/README.md b/translations/sk/lessons/2-Symbolic/README.md index 7fd85650..bf458080 100644 --- a/translations/sk/lessons/2-Symbolic/README.md +++ b/translations/sk/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Hľadanie umelej inteligencie je založené na snahe o získanie znalostí, aby sme dokázali chápať svet podobne ako ľudia. Ale ako to dosiahnuť? -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/3) V začiatkoch AI bol populárny prístup zhora nadol pri vytváraní inteligentných systémov (diskutovaný v predchádzajúcej lekcii). Myšlienka spočívala v extrakcii znalostí od ľudí do strojovo čitateľnej formy, ktorú by bolo možné automaticky použiť na riešenie problémov. Tento prístup bol založený na dvoch hlavných myšlienkach: @@ -236,7 +236,7 @@ V súčasnosti sa AI často považuje za synonymum pre *strojové učenie* alebo V notebooku Family Ontology priradenom k tejto lekcii máte možnosť experimentovať s inými rodinnými vzťahmi. Skúste objaviť nové spojenia medzi ľuďmi v rodokmeni. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md index b1dde588..76f6d7f6 100644 --- a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Úvod do neurónových sietí: Perceptron -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/5) Jedným z prvých pokusov o implementáciu niečoho podobného moderným neurónovým sieťam bol projekt Franka Rosenblatta z Cornell Aeronautical Laboratory v roku 1957. Išlo o hardvérovú implementáciu nazvanú "Mark-1", ktorá bola navrhnutá na rozpoznávanie primitívnych geometrických tvarov, ako sú trojuholníky, štvorce a kruhy. @@ -85,7 +85,7 @@ V tejto lekcii ste sa naučili o perceptrone, ktorý je modelom binárnej klasif Ak si chcete vyskúšať vytvoriť vlastný perceptron, skúste [tento lab na Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), ktorý používa [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 03cd5a25..67dd6942 100644 --- a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ V tejto časti rozšírime tento model na flexibilnejší rámec, ktorý nám um Taktiež si vyvinieme vlastný modulárny rámec v Pythone, ktorý nám umožní konštruovať rôzne architektúry neurónových sietí. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizácia strojového učenia @@ -81,7 +81,7 @@ V priloženom notebooku implementujete vlastný rámec na vytváranie a trénova Pokračujte do notebooku [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) a prejdite si ho. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Prehľad a samoštúdium diff --git a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md index 487d0633..4fff781e 100644 --- a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Ako sme sa už naučili, na efektívne trénovanie neurónových sietí musíme * Operovať s tenzormi, napr. násobiť, sčítať a počítať niektoré funkcie ako sigmoid alebo softmax * Počítať gradienty všetkých výrazov, aby sme mohli vykonávať optimalizáciu pomocou gradientného zostupu -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/9) Kým knižnica `numpy` dokáže vykonávať prvú časť, potrebujeme mechanizmus na výpočet gradientov. V [našom frameworku](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), ktorý sme vyvinuli v predchádzajúcej sekcii, sme museli manuálne programovať všetky derivácie vo vnútri metódy `backward`, ktorá vykonáva spätnú propagáciu. Ideálne by mal framework umožniť výpočet gradientov *akéhokoľvek výrazu*, ktorý môžeme definovať. @@ -106,7 +106,7 @@ V tejto lekcii ste sa naučili rozdiely medzi rôznymi API pre dva najpopulárne V sprievodných notebookoch nájdete 'úlohy' na konci; prejdite si notebooky a dokončite úlohy. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Prehľad & Samoštúdium diff --git a/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md index 9ca2e7c2..3ba44345 100644 --- a/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Počítačové videnie](https://wikipedia.org/wiki/Computer_vision) je disciplína, ktorej cieľom je umožniť počítačom získavať vysokú úroveň porozumenia digitálnym obrázkom. Toto je pomerne široká definícia, pretože *porozumenie* môže znamenať mnoho rôznych vecí, vrátane nájdenia objektu na obrázku (**detekcia objektov**), pochopenia, čo sa deje (**detekcia udalostí**), opísania obrázku textom alebo rekonštrukcie scény v 3D. Existujú aj špeciálne úlohy týkajúce sa ľudských obrázkov: odhad veku a emócií, detekcia a identifikácia tváre, či odhad 3D pozície, aby sme spomenuli niektoré. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/11) Jednou z najjednoduchších úloh počítačového videnia je **klasifikácia obrázkov**. @@ -105,7 +105,7 @@ Niekedy sa relatívne zložité úlohy, ako je detekcia pohybu alebo detekcia ko Pozrite si [toto 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) zo série AI show, aby ste sa dozvedeli o projekte Cortic Tigers a o tom, ako vytvorili riešenie založené na blokoch na demokratizáciu úloh počítačového videnia prostredníctvom robota. Urobte si prieskum o ďalších podobných projektoch, ktoré pomáhajú novým študentom vstúpiť do tejto oblasti. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index aa2ba43c..cf74d6eb 100644 --- a/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ V tejto jednotke ste sa naučili hlavný koncept za neurónovými sieťami pre p V sprievodných notebookoch sú poznámky na spodku o tom, ako dosiahnuť vyššiu presnosť. Urobte niekoľko experimentov a zistite, či dokážete dosiahnuť vyššiu presnosť. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md index ac3dc027..29739cb9 100644 --- a/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Už sme videli, že neurónové siete sú veľmi dobré pri práci s obrázkami, a dokonca aj jednovrstvový perceptron dokáže rozpoznať ručne písané číslice z datasetu MNIST s primeranou presnosťou. Dataset MNIST je však veľmi špecifický, pretože všetky číslice sú vycentrované v obrázku, čo úlohu zjednodušuje. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/13) V reálnom živote chceme byť schopní rozpoznať objekty na obrázku bez ohľadu na ich presnú polohu v rámci obrázka. Počítačové videnie sa líši od všeobecnej klasifikácie, pretože pri hľadaní konkrétneho objektu na obrázku prehľadávame obraz a hľadáme špecifické **vzory** a ich kombinácie. Napríklad, pri hľadaní mačky môžeme najskôr hľadať horizontálne línie, ktoré môžu tvoriť fúzy, a potom určitá kombinácia fúzov nám môže naznačiť, že ide o obrázok mačky. Relatívna poloha a prítomnosť určitých vzorov sú dôležité, nie ich presná poloha na obrázku. diff --git a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md index d0c28ed2..a41b37f1 100644 --- a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Trénovanie CNN môže zabrať veľa času a vyžaduje veľké množstvo dát. Avšak veľká časť času sa venuje učeniu najlepších nízkoúrovňových filtrov, ktoré sieť môže použiť na extrahovanie vzorov z obrázkov. Prirodzene sa vynára otázka - môžeme použiť neurónovú sieť natrénovanú na jednom datasete a prispôsobiť ju na klasifikáciu iných obrázkov bez potreby kompletného procesu trénovania? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Tento prístup sa nazýva **transferové učenie**, pretože prenášame určitú znalosť z jedného modelu neurónovej siete na druhý. Pri transferovom učení zvyčajne začíname s predtrénovaným modelom, ktorý bol natrénovaný na veľkom datasete obrázkov, ako je napríklad **ImageNet**. Tieto modely už dokážu dobre extrahovať rôzne vlastnosti z generických obrázkov, a v mnohých prípadoch stačí postaviť klasifikátor na vrchole týchto extrahovaných vlastností, aby sme dosiahli dobrý výsledok. @@ -76,7 +76,7 @@ Pomocou transferového učenia môžete rýchlo zostaviť klasifikátor pre úlo V sprievodných notebookoch sú poznámky na spodku o tom, ako transferové znalosti najlepšie fungujú s trochu podobnými trénovacími dátami (napríklad nový typ zvieraťa). Urobte experimenty s úplne novými typmi obrázkov, aby ste zistili, ako dobre alebo zle vaše modely transferových znalostí fungujú. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Prehľad & Samoštúdium diff --git a/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md index ac4fede8..05952da3 100644 --- a/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pri trénovaní CNN je jedným z problémov, že potrebujeme veľa označených dát. V prípade klasifikácie obrázkov musíme obrázky rozdeliť do rôznych tried, čo je manuálna práca. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/17) Môžeme však chcieť použiť surové (neoznačené) dáta na trénovanie CNN extraktorov vlastností, čo sa nazýva **samoriadené učenie**. Namiesto označení použijeme trénovacie obrázky ako vstup aj výstup siete. Hlavnou myšlienkou **autoenkodéra** je, že budeme mať **enkodérovú sieť**, ktorá konvertuje vstupný obrázok do nejakého **latentného priestoru** (zvyčajne je to len vektor menšej veľkosti), a potom **dekodérovú sieť**, ktorej cieľom bude rekonštruovať pôvodný obrázok. @@ -80,7 +80,7 @@ Zistite viac o autoenkodéroch v týchto príslušných notebookoch: * **Stratové** - rekonštruovaný obrázok nie je rovnaký ako pôvodný obrázok. Povaha straty je definovaná *funkciou straty* použitou počas trénovania. * Funguje na **neoznačených dátach** -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Záver @@ -90,7 +90,7 @@ V tejto lekcii ste sa naučili o rôznych typoch autoenkodérov dostupných pre V tejto lekcii ste sa naučili používať autoenkodéry na obrázky. Ale môžu sa použiť aj na hudbu! Pozrite si projekt Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), ktorý používa autoenkodéry na učenie rekonštrukcie hudby. Urobte niekoľko [experimentov](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) s touto knižnicou a zistite, čo dokážete vytvoriť. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Prehľad a samoštúdium diff --git a/translations/sk/lessons/4-ComputerVision/10-GANs/README.md b/translations/sk/lessons/4-ComputerVision/10-GANs/README.md index 49b853ce..675e81cb 100644 --- a/translations/sk/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/sk/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: V predchádzajúcej časti sme sa naučili o **generatívnych modeloch**: modeloch, ktoré dokážu generovať nové obrázky podobné tým v tréningovej množine. VAE bol dobrým príkladom generatívneho modelu. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/19) Ak sa však pokúsime generovať niečo naozaj zmysluplné, napríklad maľbu v rozumnej kvalite, pomocou VAE, zistíme, že tréning sa nekonverguje dobre. Pre tento prípad použitia by sme sa mali naučiť o inej architektúre špecificky zameranej na generatívne modely - **Generatívne adversariálne siete**, alebo GANy. @@ -84,7 +84,7 @@ Ako to funguje: ## ✍️ Príklad: [Prenos štýlu](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Zhrnutie diff --git a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md index f5be1c5c..c6a38e44 100644 --- a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modely klasifikácie obrázkov, s ktorými sme sa doteraz zaoberali, brali obrázok a produkovali kategóriálny výsledok, ako napríklad triedu 'číslo' v probléme MNIST. Avšak v mnohých prípadoch nechceme len vedieť, že obrázok zobrazuje objekty – chceme byť schopní určiť ich presnú polohu. Toto je presne cieľom **detekcie objektov**. -## [Pre-quiz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-quiz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Detekcia objektov](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sk.png) @@ -172,7 +172,7 @@ Prečítajte si tieto články a notebooky o YOLO a vyskúšajte ich sami: * Yolo: [Implementácia v Keras](https://github.com/experiencor/keras-yolo2), [krok-za-krokom notebook](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Implementácia v Keras](https://github.com/experiencor/keras-yolo2), [krok-za-krokom notebook](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Post-quiz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Post-quiz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md index 1d856d19..a55d8c8a 100644 --- a/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Predtým sme sa naučili o detekcii objektov, ktorá nám umožňuje lokalizovať objekty na obrázku predpovedaním ich *ohraničujúcich boxov*. Pre niektoré úlohy však nestačia len ohraničujúce boxy, ale potrebujeme presnejšiu lokalizáciu objektov. Táto úloha sa nazýva **segmentácia**. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentáciu môžeme vnímať ako **klasifikáciu pixelov**, kde pre **každý** pixel obrázka musíme predpovedať jeho triedu (*pozadie* je jednou z tried). Existujú dva hlavné algoritmy segmentácie: @@ -56,7 +56,7 @@ Otvorte nižšie uvedené notebooky, aby ste sa dozvedeli viac o rôznych archit * [Semantická segmentácia Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantická segmentácia TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Záver diff --git a/translations/sk/lessons/5-NLP/13-TextRep/README.md b/translations/sk/lessons/5-NLP/13-TextRep/README.md index ac596747..ab2ced02 100644 --- a/translations/sk/lessons/5-NLP/13-TextRep/README.md +++ b/translations/sk/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Reprezentácia textu ako tenzorov -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Klasifikácia textu @@ -73,7 +73,7 @@ Doteraz sme študovali techniky, ktoré môžu pridať váhu frekvencie rôznym Vyskúšajte ďalšie cvičenia s bag-of-words a rôznymi dátovými modelmi. Môžete sa inšpirovať touto [súťažou na Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/5-NLP/14-Embeddings/README.md b/translations/sk/lessons/5-NLP/14-Embeddings/README.md index 41b2880a..7dde5c67 100644 --- a/translations/sk/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sk/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Vstavané reprezentácie (Embeddings) -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/27) Pri trénovaní klasifikátorov založených na BoW alebo TF/IDF sme pracovali s vysokodimenzionálnymi vektormi bag-of-words s dĺžkou `vocab_size` a explicitne sme prevádzali nízkodimenzionálne pozičné reprezentácie na riedke one-hot reprezentácie. Táto one-hot reprezentácia však nie je pamäťovo efektívna. Navyše, každé slovo je spracované nezávisle od ostatných, t. j. one-hot kódované vektory nevyjadrujú žiadnu sémantickú podobnosť medzi slovami. @@ -65,7 +65,7 @@ V tejto lekcii ste sa naučili, ako vytvárať a používať vstavané vrstvy v Word2Vec bol použitý na niektoré zaujímavé aplikácie, vrátane generovania textov piesní a poézie. Pozrite si [tento článok](https://www.politetype.com/blog/word2vec-color-poems), ktorý popisuje, ako autor použil Word2Vec na generovanie poézie. Pozrite si aj [toto video od Dana Shiffmanna](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), kde nájdete iné vysvetlenie tejto techniky. Potom sa pokúste aplikovať tieto techniky na svoj vlastný textový korpus, možno získaný z Kaggle. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md index b20599bc..547b90fe 100644 --- a/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sémantické vektory, ako Word2Vec a GloVe, sú v skutočnosti prvým krokom k **jazykovému modelovaniu** – vytváraniu modelov, ktoré nejako *rozumejú* (alebo *reprezentujú*) podstatu jazyka. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/29) Hlavnou myšlienkou jazykového modelovania je ich trénovanie na neoznačených dátach v nesupervidovanom režime. To je dôležité, pretože máme k dispozícii obrovské množstvo neoznačeného textu, zatiaľ čo množstvo označeného textu je vždy obmedzené úsilím, ktoré môžeme venovať jeho označovaniu. Najčastejšie môžeme vytvoriť jazykové modely, ktoré dokážu **predpovedať chýbajúce slová** v texte, pretože je jednoduché náhodne vynechať slovo v texte a použiť ho ako tréningový vzor. @@ -38,7 +38,7 @@ Pokračujte vo svojom učení pomocou nasledujúcich notebookov: V predchádzajúcej lekcii sme videli, že vektory slov fungujú ako kúzlo! Teraz vieme, že trénovanie vektorov slov nie je veľmi zložitá úloha, a mali by sme byť schopní trénovať vlastné vektory slov pre text špecifický pre danú oblasť, ak to bude potrebné. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/5-NLP/16-RNN/README.md b/translations/sk/lessons/5-NLP/16-RNN/README.md index 9a07e3f4..4084a29b 100644 --- a/translations/sk/lessons/5-NLP/16-RNN/README.md +++ b/translations/sk/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurentné neurónové siete -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/31) V predchádzajúcich sekciách sme používali bohaté sémantické reprezentácie textu a jednoduchý lineárny klasifikátor nad embeddingmi. Táto architektúra zachytáva agregovaný význam slov vo vete, ale neberie do úvahy **poradie** slov, pretože operácia agregácie nad embeddingmi túto informáciu z pôvodného textu odstránila. Keďže tieto modely nedokážu modelovať poradie slov, nemôžu riešiť zložitejšie alebo nejednoznačné úlohy, ako je generovanie textu alebo odpovedanie na otázky. @@ -84,7 +84,7 @@ Prečítajte si niektoré materiály o LSTM a zvážte ich aplikácie: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md index 60f04889..f76e6eb0 100644 --- a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generatívne siete -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurentné neurónové siete (RNN) a ich varianty s bránkovými bunkami, ako sú Long Short Term Memory Cells (LSTM) a Gated Recurrent Units (GRU), poskytujú mechanizmus na modelovanie jazyka, pretože dokážu naučiť sa poradie slov a predpovedať nasledujúce slovo v sekvencii. To nám umožňuje používať RNN na **generatívne úlohy**, ako je generovanie bežného textu, strojový preklad a dokonca aj popisovanie obrázkov. @@ -71,7 +71,7 @@ Absolvujte niektoré lekcie na Microsoft Learn na túto tému: * Generovanie textu s [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) -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Prehľad a samoštúdium diff --git a/translations/sk/lessons/5-NLP/18-Transformers/README.md b/translations/sk/lessons/5-NLP/18-Transformers/README.md index 06c09ed0..9e0aef71 100644 --- a/translations/sk/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sk/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mechanizmy pozornosti a transformery -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/35) Jedným z najdôležitejších problémov v oblasti NLP je **strojový preklad**, základná úloha, ktorá je základom nástrojov ako Google Translate. V tejto sekcii sa zameriame na strojový preklad, alebo všeobecnejšie na akúkoľvek úlohu *sekvencia na sekvenciu* (ktorá sa tiež nazýva **transformácia viet**). @@ -108,7 +108,7 @@ V tejto lekcii ste sa naučili o transforméroch a mechanizmoch pozornosti, vše ## 🚀 Výzva -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/5-NLP/19-NER/README.md b/translations/sk/lessons/5-NLP/19-NER/README.md index 457d533b..3aa69100 100644 --- a/translations/sk/lessons/5-NLP/19-NER/README.md +++ b/translations/sk/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Doteraz sme sa väčšinou sústredili na jednu NLP úlohu - klasifikáciu. Existujú však aj iné NLP úlohy, ktoré je možné riešiť pomocou neurónových sietí. Jednou z týchto úloh je **[Rozpoznávanie pomenovaných entít](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ktoré sa zaoberá identifikáciou konkrétnych entít v texte, ako sú miesta, mená osôb, časové intervaly, chemické vzorce a podobne. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Príklad použitia NER @@ -78,7 +78,7 @@ NER model je **model na klasifikáciu tokenov**, čo znamená, že ho možno pou Dokončite zadanie uvedené nižšie, aby ste vytrénovali model na rozpoznávanie pomenovaných entít pre lekárske termíny, a potom ho vyskúšajte na inom datasete. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Prehľad a samoštúdium diff --git a/translations/sk/lessons/5-NLP/20-LangModels/README.md b/translations/sk/lessons/5-NLP/20-LangModels/README.md index 49905e52..3769917e 100644 --- a/translations/sk/lessons/5-NLP/20-LangModels/README.md +++ b/translations/sk/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vo všetkých našich predchádzajúcich úlohách sme trénovali neurónovú sieť na vykonávanie určitej úlohy pomocou označených dátových súborov. Pri veľkých transformátorových modeloch, ako je BERT, používame modelovanie jazyka v samo-supervidovanom režime na vytvorenie jazykového modelu, ktorý je následne špecializovaný na konkrétnu úlohu pomocou ďalšieho tréningu v špecifickej doméne. Ukázalo sa však, že veľké jazykové modely dokážu riešiť mnohé úlohy aj bez akéhokoľvek tréningu v špecifickej doméne. Rodina modelov, ktoré to dokážu, sa nazýva **GPT**: Generative Pre-Trained Transformer. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generovanie textu a perplexita @@ -58,7 +58,7 @@ Pokračujte vo svojom učení v nasledujúcich notebookoch: Nové všeobecné predtrénované jazykové modely nemodelujú len štruktúru jazyka, ale obsahujú aj obrovské množstvo prirodzeného jazyka. Preto môžu byť efektívne použité na riešenie niektorých NLP úloh v režime zero-shot alebo few-shot. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Upozornenie**: Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu. \ No newline at end of file diff --git a/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md index 2a9a3001..562f7173 100644 --- a/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetické algoritmy -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetické algoritmy** (GA) sú založené na **evolučnom prístupe** k AI, kde sa využívajú metódy evolúcie populácie na získanie optimálneho riešenia pre daný problém. Boli navrhnuté v roku 1975 [Johnom Henrym Hollandom](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetické algoritmy sa používajú na riešenie mnohých problémov, vrátane "Genetické algoritmy sú jednoduché na implementáciu, ale ich správanie je ťažké pochopiť." [zdroj](https://wikipedia.org/wiki/Genetic_algorithm) Urobte si výskum a nájdite implementáciu genetického algoritmu, napríklad na riešenie Sudoku, a vysvetlite, ako funguje pomocou náčrtu alebo diagramu toku. -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/6-Other/22-DeepRL/README.md b/translations/sk/lessons/6-Other/22-DeepRL/README.md index 502da23b..e74f6b07 100644 --- a/translations/sk/lessons/6-Other/22-DeepRL/README.md +++ b/translations/sk/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Posilňovacie učenie (RL) je považované za jeden zo základných paradigmov strojového učenia, vedľa učenia s učiteľom a učenia bez učiteľa. Zatiaľ čo pri učení s učiteľom sa spoliehame na dataset s známymi výsledkami, RL je založené na **učení sa prostredníctvom skúseností**. Napríklad, keď prvýkrát vidíme počítačovú hru, začneme ju hrať, aj keď nepoznáme pravidlá, a čoskoro dokážeme zlepšiť svoje schopnosti len procesom hrania a prispôsobovania svojho správania. -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/43) Na vykonanie RL potrebujeme: @@ -110,7 +110,7 @@ Teraz sme sa naučili, ako trénovať agentov na dosiahnutie dobrých výsledkov Preskúmajte aplikácie uvedené v sekcii 'Ďalšie úlohy RL' a skúste implementovať jednu z nich! -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Prehľad a samostatné štúdium diff --git a/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md index 42648b0f..0017a48a 100644 --- a/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Jedným z možných spôsobov dosiahnutia inteligencie je takzvaný **emergentný** (alebo **synergický**) prístup, ktorý je založený na skutočnosti, že kombinované správanie mnohých relatívne jednoduchých agentov môže viesť k celkovo zložitejšiemu (alebo inteligentnejšiemu) správaniu systému ako celku. Teoreticky je to založené na princípoch [kolektívnej inteligencie](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentizmu](https://en.wikipedia.org/wiki/Global_brain) a [evolučnej kybernetiky](https://en.wikipedia.org/wiki/Global_brain), ktoré tvrdia, že systémy na vyššej úrovni získavajú určitú pridanú hodnotu, keď sú správne kombinované zo systémov na nižšej úrovni (takzvaný *princíp prechodu metasystému*). -## [Kvíz pred prednáškou](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/45) Smer **Multi-Agent Systems** sa objavil v oblasti AI v 90. rokoch ako odpoveď na rast internetu a distribuovaných systémov. Jedna z klasických učebníc AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), sa zameriava na pohľad klasickej AI z perspektívy multi-agentových systémov. @@ -152,7 +152,7 @@ Všetky sa zameriavajú na jednoduchšie správanie jednotlivého agenta a dosah Preneste túto lekciu do reálneho sveta a skúste konceptualizovať multi-agentový systém, ktorý dokáže vyriešiť problém. Čo by napríklad musel multi-agentový systém robiť, aby optimalizoval trasu školského autobusu? Ako by mohol fungovať v pekárni? -## [Kvíz po prednáške](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kvíz po prednáške](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Prehľad a samostatné štúdium diff --git a/translations/sl/lessons/1-Intro/README.md b/translations/sl/lessons/1-Intro/README.md index 3e833842..ec63702d 100644 --- a/translations/sl/lessons/1-Intro/README.md +++ b/translations/sl/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Skica avtorja [Tomomi Imura](https://twitter.com/girlie_mac) -## [Predavanje - kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Predavanje - kviz](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Umetna inteligenca** je vznemirljiva znanstvena disciplina, ki preučuje, kako lahko računalnike naučimo, da izkazujejo inteligentno vedenje, npr. opravljajo naloge, v katerih so ljudje dobri. @@ -151,7 +151,7 @@ V zadnjih nekaj letih smo bili priča velikim uspehom z velikimi jezikovnimi mod Raziskujte po internetu in ugotovite, kje se po vašem mnenju umetna inteligenca najbolj učinkovito uporablja. Je to v aplikaciji za kartiranje, storitvi za pretvorbo govora v besedilo ali videoigri? Raziščite, kako je bil sistem zgrajen. -## [Kvizi po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Kvizi po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/2-Symbolic/README.md b/translations/sl/lessons/2-Symbolic/README.md index 85687cb4..89f600aa 100644 --- a/translations/sl/lessons/2-Symbolic/README.md +++ b/translations/sl/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Iskanje umetne inteligence temelji na iskanju znanja, da bi razumeli svet na podoben način, kot to počnejo ljudje. Toda kako to doseči? -## [Predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/3) V zgodnjih dneh umetne inteligence je bil priljubljen pristop od zgoraj navzdol za ustvarjanje inteligentnih sistemov (o katerem smo govorili v prejšnji lekciji). Ideja je bila, da se znanje pridobi od ljudi v obliki, ki jo lahko razume računalnik, in nato uporabi za samodejno reševanje problemov. Ta pristop temelji na dveh velikih idejah: @@ -236,7 +236,7 @@ Danes se umetna inteligenca pogosto obravnava kot sinonim za *strojno učenje* a V zvezku Ontologija družine, povezanem s to lekcijo, je priložnost za eksperimentiranje z drugimi družinskimi odnosi. Poskusite odkriti nove povezave med ljudmi v družinskem drevesu. -## [Kvizi po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Kvizi po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sl/lessons/3-NeuralNetworks/03-Perceptron/README.md index 4fa850d8..4a9ac1b0 100644 --- a/translations/sl/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/sl/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Uvod v nevronske mreže: Perceptron -## [Predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/5) Eden prvih poskusov implementacije nečesa podobnega sodobni nevronski mreži je izvedel Frank Rosenblatt iz Cornell Aeronautical Laboratory leta 1957. Šlo je za strojno implementacijo, imenovano "Mark-1", zasnovano za prepoznavanje osnovnih geometrijskih oblik, kot so trikotniki, kvadrati in krogi. @@ -85,7 +85,7 @@ V tej lekciji ste spoznali perceptron, ki je model za binarno klasifikacijo, in Če želite poskusiti zgraditi svoj perceptron, poskusite [to delavnico na Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), ki uporablja [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sl/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 10bee23a..6005cbd8 100644 --- a/translations/sl/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/sl/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ V tem poglavju bomo ta model razširili v bolj prilagodljiv okvir, ki nam omogo Prav tako bomo razvili svoj modularni okvir v Pythonu, ki nam bo omogočil sestavljanje različnih arhitektur nevronskih mrež. -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalizacija strojnega učenja @@ -81,7 +81,7 @@ V priloženem zvezku boste implementirali svoj okvir za gradnjo in učenje večp Nadaljujte z zvezkom [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) in ga preučite. -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sl/lessons/3-NeuralNetworks/05-Frameworks/README.md index 1821d381..ce53659f 100644 --- a/translations/sl/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sl/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Kot smo že spoznali, za učinkovito učenje nevronskih mrež moramo narediti dv * Operirati na tensorjih, npr. množiti, seštevati in izračunavati funkcije, kot sta sigmoid ali softmax * Izračunati gradient vseh izrazov, da lahko izvedemo optimizacijo z gradientnim spustom -## [Pre-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Medtem ko knjižnica `numpy` omogoča prvo nalogo, potrebujemo mehanizem za izračun gradientov. V [našem okviru](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), ki smo ga razvili v prejšnjem razdelku, smo morali ročno programirati vse funkcije za odvode znotraj metode `backward`, ki izvaja povratno propagacijo. Idealno bi bilo, da nam okvir omogoča izračun gradientov *kateregakoli izraza*, ki ga lahko definiramo. @@ -106,7 +106,7 @@ V tej lekciji ste spoznali razlike med različnimi API-ji za dva najbolj priljub V priloženih zvezkih boste našli 'naloge' na dnu; preglejte zvezke in dokončajte naloge. -## [Po-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Po-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Pregled & Samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sl/lessons/4-ComputerVision/06-IntroCV/README.md index 7e71849f..676beb8a 100644 --- a/translations/sl/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sl/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Računalniški vid](https://wikipedia.org/wiki/Computer_vision) je področje, katerega cilj je omogočiti računalnikom, da pridobijo visok nivo razumevanja digitalnih slik. To je precej široka definicija, saj lahko *razumevanje* pomeni veliko različnih stvari, vključno z iskanjem objekta na sliki (**prepoznavanje objektov**), razumevanjem dogajanja (**prepoznavanje dogodkov**), opisovanjem slike z besedilom ali rekonstrukcijo prizora v 3D. Obstajajo tudi posebne naloge, povezane s človeškimi slikami: ocenjevanje starosti in čustev, prepoznavanje obrazov ter določanje 3D drže, če naštejemo le nekaj primerov. -## [Pred-predavanjski kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Pred-predavanjski kviz](https://ff-quizzes.netlify.app/en/ai/quiz/11) Ena najpreprostejših nalog računalniškega vida je **klasifikacija slik**. @@ -105,7 +105,7 @@ Včasih je mogoče relativno kompleksne naloge, kot so zaznavanje gibanja ali za Oglejte si [ta 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) iz oddaje AI show, da se naučite o projektu Cortic Tigers in kako so zgradili rešitev na osnovi blokov za demokratizacijo nalog računalniškega vida prek robota. Raziskujte druge podobne projekte, ki pomagajo novim učencem pri vstopu na področje. -## [Po-predavanjski kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Po-predavanjski kviz](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 6cf151bb..d87c764f 100644 --- a/translations/sl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ V tej enoti ste spoznali glavni koncept nevronskih mrež za računalniški vid - V priloženih zvezkih so na dnu zapiski o tem, kako doseči večjo natančnost. Naredite nekaj eksperimentov, da preverite, ali lahko dosežete višjo natančnost. -## [Kvizi po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Kvizi po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sl/lessons/4-ComputerVision/07-ConvNets/README.md index d1229557..91bebce6 100644 --- a/translations/sl/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sl/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Prej smo videli, da so nevronske mreže precej dobre pri obdelavi slik, celo enoslojni perceptron lahko z razumno natančnostjo prepozna ročno napisane številke iz podatkovne zbirke MNIST. Vendar je podatkovna zbirka MNIST zelo posebna, saj so vse številke centrirane znotraj slike, kar nalogo poenostavi. -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/13) V resničnem življenju želimo prepoznati predmete na sliki ne glede na njihovo natančno lokacijo na sliki. Računalniški vid se razlikuje od splošne klasifikacije, saj pri iskanju določenega predmeta na sliki pregledujemo sliko in iščemo specifične **vzorce** ter njihove kombinacije. Na primer, pri iskanju mačke najprej iščemo horizontalne črte, ki lahko tvorijo brke, nato pa določena kombinacija brkov lahko nakazuje, da gre za sliko mačke. Relativna pozicija in prisotnost določenih vzorcev sta pomembni, ne pa njihova natančna lokacija na sliki. diff --git a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md index 47a03fef..cbd83443 100644 --- a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Učenje konvolucijskih nevronskih omrežij (CNN) lahko zahteva veliko časa in podatkov. Velik del časa se porabi za učenje najboljših nizkofrekvenčnih filtrov, ki jih omrežje lahko uporabi za prepoznavanje vzorcev iz slik. Naravno se pojavi vprašanje – ali lahko uporabimo nevronsko omrežje, naučeno na enem naboru podatkov, in ga prilagodimo za razvrščanje drugih slik, ne da bi morali izvesti celoten proces učenja? -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Ta pristop se imenuje **prenos učenja**, saj prenesemo določeno znanje iz enega modela nevronskega omrežja na drugega. Pri prenosu učenja običajno začnemo z vnaprej naučenim modelom, ki je bil naučen na velikem naboru slik, kot je **ImageNet**. Ti modeli že dobro prepoznavajo različne značilnosti iz splošnih slik, in v mnogih primerih lahko že samo zgraditev klasifikatorja na podlagi teh značilnosti prinese dobre rezultate. @@ -76,7 +76,7 @@ S prenosom učenja lahko hitro sestavite klasifikator za nalogo razvrščanja pr V priloženih beležnicah so na dnu zapiski o tem, kako prenos znanja najbolje deluje s sorodnimi učnimi podatki (na primer nova vrsta živali). Naredite nekaj eksperimentov s popolnoma novimi vrstami slik, da vidite, kako dobro ali slabo delujejo vaši modeli za prenos znanja. -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md index 554117b0..4dd23869 100644 --- a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pri treniranju CNN-jev je ena izmed težav, da potrebujemo veliko označenih podatkov. Pri klasifikaciji slik moramo slike razvrstiti v različne razrede, kar zahteva ročno delo. -## [Pre-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Vendar pa bi morda želeli uporabiti surove (neoznačene) podatke za treniranje CNN ekstraktorjev značilnosti, kar imenujemo **samostojno učenje**. Namesto oznak bomo uporabili slike za treniranje kot vhod in izhod mreže. Glavna ideja **avtoenkoderja** je, da imamo **kodirno mrežo**, ki vhodno sliko pretvori v nek **latentni prostor** (običajno je to vektor manjših dimenzij), nato pa **dekodirno mrežo**, katere cilj je rekonstruirati izvirno sliko. @@ -80,7 +80,7 @@ Več o avtoenkoderjih se naučite v teh priloženih zvezkih: * **Izgubni** - rekonstruirana slika ni enaka izvirni sliki. Narava izgube je določena z *funkcijo izgube*, uporabljeno med treniranjem. * Deluje na **neoznačenih podatkih** -## [Post-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Zaključek @@ -90,7 +90,7 @@ V tej lekciji ste se naučili o različnih vrstah avtoenkoderjev, ki so na voljo V tej lekciji ste se naučili o uporabi avtoenkoderjev za slike. Vendar pa jih lahko uporabimo tudi za glasbo! Oglejte si projekt Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), ki uporablja avtoenkoderje za učenje rekonstrukcije glasbe. Izvedite nekaj [eksperimentov](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) s to knjižnico, da vidite, kaj lahko ustvarite. -## [Post-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/10-GANs/README.md b/translations/sl/lessons/4-ComputerVision/10-GANs/README.md index d2718bf0..8a0f289d 100644 --- a/translations/sl/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/sl/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: V prejšnjem poglavju smo spoznali **generativne modele**: modele, ki lahko ustvarijo nove slike, podobne tistim v učnem naboru podatkov. VAE je bil dober primer generativnega modela. -## [Pre-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Pre-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/19) Če pa poskušamo ustvariti nekaj resnično smiselnega, na primer sliko z razumno ločljivostjo, z VAE, bomo opazili, da se učenje ne konvergira dobro. Za ta primer uporabe se moramo naučiti o drugi arhitekturi, ki je posebej namenjena generativnim modelom - **Generativne nasprotujoče si mreže** ali GAN-i. @@ -84,7 +84,7 @@ Kako deluje: ## ✍️ Primer: [Prenos sloga](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Po-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Po-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Zaključek diff --git a/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md index ce071e60..09cfd831 100644 --- a/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Modeli za klasifikacijo slik, s katerimi smo se doslej ukvarjali, so obdelali sliko in podali kategorialni rezultat, kot je razred 'številka' v problemu MNIST. Vendar pa v mnogih primerih ne želimo le vedeti, da slika prikazuje objekte – želimo določiti njihovo natančno lokacijo. To je pravzaprav bistvo **prepoznavanja objektov**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Prepoznavanje objektov](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sl.png) @@ -172,7 +172,7 @@ Preberite te članke in zvezke o YOLO ter jih preizkusite sami: * Yolo: [Keras implementacija](https://github.com/experiencor/keras-yolo2), [zvezek korak za korakom](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras implementacija](https://github.com/experiencor/keras-yolo2), [zvezek korak za korakom](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) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sl/lessons/4-ComputerVision/12-Segmentation/README.md index 47fffd47..04a3dc08 100644 --- a/translations/sl/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/sl/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Prej smo se naučili o zaznavanju objektov, ki nam omogoča lociranje objektov na sliki z napovedovanjem njihovih *omejevalnih okvirjev*. Vendar pa za nekatere naloge ne potrebujemo le omejevalnih okvirjev, temveč tudi bolj natančno lokalizacijo objektov. Ta naloga se imenuje **segmentacija**. -## [Pre-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentacijo lahko obravnavamo kot **klasifikacijo pikslov**, kjer moramo za **vsak** piksel slike napovedati njegov razred (*ozadje* je eden od razredov). Obstajata dva glavna algoritma za segmentacijo: @@ -56,7 +56,7 @@ Odprite spodnje zvezke, da se naučite več o različnih arhitekturah semantičn * [Semantična segmentacija Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantična segmentacija TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Po-učni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Po-učni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Zaključek diff --git a/translations/sl/lessons/5-NLP/13-TextRep/README.md b/translations/sl/lessons/5-NLP/13-TextRep/README.md index c84fbdea..cc320e50 100644 --- a/translations/sl/lessons/5-NLP/13-TextRep/README.md +++ b/translations/sl/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Predstavljanje besedila kot tenzorjev -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Razvrščanje besedila @@ -73,7 +73,7 @@ Do sedaj smo preučili tehnike, ki lahko dodajo frekvenčno težo različnim bes Preizkusite nekaj drugih vaj z uporabo vreče besed in različnih podatkovnih modelov. Navdih lahko najdete v tem [tekmovanju na Kagglu](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words). -## [Naknadni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Naknadni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/14-Embeddings/README.md b/translations/sl/lessons/5-NLP/14-Embeddings/README.md index 8bbbfaf1..1f583a86 100644 --- a/translations/sl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sl/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Vdelave -## [Predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/27) Pri treniranju klasifikatorjev, ki temeljijo na BoW ali TF/IDF, smo delali z visoko-dimenzionalnimi vektorji vreče besed dolžine `vocab_size`, pri čemer smo izrecno pretvarjali nizko-dimenzionalne vektorje pozicijske reprezentacije v redke eno-vroče (one-hot) reprezentacije. Ta eno-vroča reprezentacija pa ni učinkovita glede porabe pomnilnika. Poleg tega se vsaka beseda obravnava neodvisno od drugih, tj. eno-vroče kodirani vektorji ne izražajo nobene semantične podobnosti med besedami. @@ -65,7 +65,7 @@ V tej lekciji ste odkrili, kako zgraditi in uporabljati plasti za vdelavo v Tens Word2Vec je bil uporabljen za nekatere zanimive aplikacije, vključno z ustvarjanjem pesmi in poezije. Oglejte si [ta članek](https://www.politetype.com/blog/word2vec-color-poems), ki opisuje, kako je avtor uporabil Word2Vec za ustvarjanje poezije. Oglejte si tudi [ta video Dana Shiffmanna](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), da odkrijete drugačno razlago te tehnike. Nato poskusite te tehnike uporabiti na svojem besedilnem korpusu, morda pridobljenem s Kaggle. -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md index 11f932cf..161f4e07 100644 --- a/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantične vektorske predstavitve, kot sta Word2Vec in GloVe, so pravzaprav prvi korak k **modeliranju jezika** – ustvarjanju modelov, ki na nek način *razumejo* (ali *predstavljajo*) naravo jezika. -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/29) Glavna ideja modeliranja jezika je, da jih učimo na nenalepčenih podatkovnih zbirkah na nenadzorovan način. To je pomembno, ker imamo na voljo ogromne količine nenalepčenega besedila, medtem ko je količina nalepčenega besedila vedno omejena z vloženim trudom za označevanje. Najpogosteje lahko zgradimo jezikovne modele, ki lahko **napovedujejo manjkajoče besede** v besedilu, saj je enostavno naključno besedo v besedilu zakriti in jo uporabiti kot učni vzorec. @@ -38,7 +38,7 @@ Nadaljujte z učenjem v naslednjih zvezkih: V prejšnji lekciji smo videli, da vektorske predstavitve besed delujejo skoraj čarobno! Zdaj vemo, da učenje vektorskih predstavitev besed ni zelo zapletena naloga, in če je potrebno, lahko sami naučimo svoje vektorske predstavitve za besedila iz specifičnih domen. -## [Naknadni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Naknadni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/16-RNN/README.md b/translations/sl/lessons/5-NLP/16-RNN/README.md index c3cc9860..200b54b7 100644 --- a/translations/sl/lessons/5-NLP/16-RNN/README.md +++ b/translations/sl/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurentne nevronske mreže -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/31) V prejšnjih poglavjih smo uporabljali bogate semantične reprezentacije besedila in preprost linearni klasifikator na vrhu vgrajenih predstavitev. Ta arhitektura zajame združeni pomen besed v stavku, vendar ne upošteva **zaporedja** besed, saj operacija združevanja na vrhu vgrajenih predstavitev odstrani te informacije iz izvirnega besedila. Ker ti modeli ne morejo modelirati vrstnega reda besed, ne morejo reševati bolj zapletenih ali dvoumnih nalog, kot so generiranje besedila ali odgovarjanje na vprašanja. @@ -84,7 +84,7 @@ Preberite nekaj literature o LSTM-jih in razmislite o njihovih aplikacijah: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md index 98841bb1..fabf2e17 100644 --- a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generativne mreže -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/33) Rekurentne nevronske mreže (RNN) in njihove različice z zapornimi celicami, kot so dolgotrajne kratkoročne spominske celice (LSTM) in zaporne rekurentne enote (GRU), omogočajo modeliranje jezika, saj se lahko naučijo zaporedja besed in napovedujejo naslednjo besedo v zaporedju. To nam omogoča uporabo RNN za **generativne naloge**, kot so običajno generiranje besedila, strojno prevajanje in celo opisovanje slik. @@ -71,7 +71,7 @@ Opravite nekaj lekcij na Microsoft Learn na to temo * Generiranje besedila s [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) -## [Naknadni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Naknadni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/18-Transformers/README.md b/translations/sl/lessons/5-NLP/18-Transformers/README.md index 9dcdf846..d7947fbc 100644 --- a/translations/sl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sl/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mehanizmi pozornosti in transformatorji -## [Predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/35) Eden najpomembnejših problemov na področju NLP je **strojno prevajanje**, ključna naloga, ki je osnova za orodja, kot je Google Translate. V tem poglavju se bomo osredotočili na strojno prevajanje oziroma bolj splošno na katerokoli nalogo *zaporedje-v-zaporedje* (imenovano tudi **pretvorba stavkov**). @@ -108,7 +108,7 @@ V tej lekciji ste se naučili o transformatorjih in mehanizmih pozornosti, ki so ## 🚀 Izziv -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/19-NER/README.md b/translations/sl/lessons/5-NLP/19-NER/README.md index 4a906640..517f2975 100644 --- a/translations/sl/lessons/5-NLP/19-NER/README.md +++ b/translations/sl/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Do sedaj smo se večinoma osredotočali na eno nalogo NLP - klasifikacijo. Vendar pa obstajajo tudi druge naloge NLP, ki jih je mogoče doseči z nevronskimi mrežami. Ena od teh nalog je **[Prepoznavanje imenovanih entitet](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ki se ukvarja s prepoznavanjem specifičnih entitet v besedilu, kot so kraji, imena oseb, časovni intervali, kemijske formule in podobno. -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Primer uporabe NER @@ -78,7 +78,7 @@ Model NER je **model klasifikacije tokenov**, kar pomeni, da ga lahko uporabimo Dokončajte nalogo, povezano spodaj, da trenirate model za prepoznavanje imenovanih entitet za medicinske izraze, nato pa ga preizkusite na drugem naboru podatkov. -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/5-NLP/20-LangModels/README.md b/translations/sl/lessons/5-NLP/20-LangModels/README.md index 17cb24da..110ec2c2 100644 --- a/translations/sl/lessons/5-NLP/20-LangModels/README.md +++ b/translations/sl/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pri vseh naših prejšnjih nalogah smo učili nevronsko mrežo za izvajanje določene naloge z uporabo označenega nabora podatkov. Pri velikih transformacijskih modelih, kot je BERT, uporabljamo jezikovno modeliranje na samonadzorovan način za gradnjo jezikovnega modela, ki ga nato s specifičnim usposabljanjem za določeno področje prilagodimo za specifične naloge. Vendar pa je bilo dokazano, da lahko veliki jezikovni modeli rešujejo številne naloge tudi brez kakršnega koli usposabljanja za določeno področje. Družina modelov, ki to omogoča, se imenuje **GPT**: Generativni vnaprej naučeni transformator. -## [Pred-predavanjski kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Pred-predavanjski kviz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Generiranje besedila in zapletenost @@ -58,7 +58,7 @@ Nadaljujte z učenjem v naslednjih beležnicah: Novi splošni vnaprej naučeni jezikovni modeli ne modelirajo le jezikovne strukture, temveč vsebujejo tudi ogromno naravnega jezika. Zato jih je mogoče učinkovito uporabiti za reševanje nekaterih nalog obdelave naravnega jezika v nastavitvah brez primerov (zero-shot) ali z malo primeri (few-shot). -## [Po-predavanjski kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Po-predavanjski kviz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Omejitev odgovornosti**: Ta dokument je bil preveden z uporabo storitve AI za prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sl/lessons/6-Other/21-GeneticAlgorithms/README.md index b29b1707..1691734f 100644 --- a/translations/sl/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/sl/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetski algoritmi -## [Preizkus pred predavanjem](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Preizkus pred predavanjem](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetski algoritmi** (GA) temeljijo na **evolucijskem pristopu** k umetni inteligenci, kjer se metode evolucije populacije uporabljajo za iskanje optimalne rešitve za določen problem. Leta 1975 jih je predlagal [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetski algoritmi se uporabljajo za reševanje številnih problemov, vključno "Genetski algoritmi so preprosti za implementacijo, vendar je njihovo obnašanje težko razumeti." [vir](https://wikipedia.org/wiki/Genetic_algorithm) Raziskujte in poiščite implementacijo genetskega algoritma, na primer za reševanje Sudoku uganke, ter razložite, kako deluje, s skico ali diagramom poteka. -## [Preizkus po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Preizkus po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/6-Other/22-DeepRL/README.md b/translations/sl/lessons/6-Other/22-DeepRL/README.md index 1abb6ebf..d547ebf8 100644 --- a/translations/sl/lessons/6-Other/22-DeepRL/README.md +++ b/translations/sl/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Okrepitevno učenje (RL) velja za enega osnovnih paradigm strojnega učenja, poleg nadzorovanega in nenadzorovanega učenja. Medtem ko se pri nadzorovanem učenju zanašamo na podatkovne nabore z znanimi rezultati, je RL osnovano na **učenju skozi izkušnje**. Na primer, ko prvič vidimo računalniško igro, začnemo igrati, četudi ne poznamo pravil, in kmalu izboljšamo svoje sposobnosti zgolj z igranjem in prilagajanjem svojega vedenja. -## [Predhodni kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/43) Za izvajanje RL potrebujemo: @@ -110,7 +110,7 @@ Zdaj smo se naučili, kako trenirati agente, da dosežejo dobre rezultate zgolj Raziskujte aplikacije, navedene v razdelku 'Drugi RL nalogi', in poskusite implementirati eno! -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Pregled in samostojno učenje diff --git a/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md index 95cccf79..34c98a70 100644 --- a/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Eden od možnih načinov za doseganje inteligence je tako imenovani **emergentni** (ali **sinergijski**) pristop, ki temelji na dejstvu, da lahko združeno vedenje mnogih relativno preprostih agentov privede do bolj kompleksnega (ali inteligentnega) vedenja sistema kot celote. Teoretično to temelji na principih [kolektivne inteligence](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentizma](https://en.wikipedia.org/wiki/Global_brain) in [evolucijske kibernetike](https://en.wikipedia.org/wiki/Global_brain), ki pravijo, da višjenivojski sistemi pridobijo neko dodano vrednost, ko so pravilno sestavljeni iz nižjenivojskih sistemov (tako imenovani *princip prehoda metasistema*). -## [Predavanje kviz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Predavanje kviz](https://ff-quizzes.netlify.app/en/ai/quiz/45) Smer **večagentnih sistemov** se je v umetni inteligenci pojavila v 90. letih prejšnjega stoletja kot odgovor na rast interneta in porazdeljenih sistemov. Ena od klasičnih učbenikov umetne inteligence, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), se osredotoča na pogled klasične umetne inteligence z vidika večagentnih sistemov. @@ -152,7 +152,7 @@ Vsi se osredotočajo na preprostejše vedenje posameznega agenta in dosežejo bo Prenesite to lekcijo v resnični svet in poskusite zasnovati večagentni sistem, ki lahko reši določen problem. Kaj bi na primer moral narediti večagentni sistem za optimizacijo poti šolskega avtobusa? Kako bi lahko deloval v pekarni? -## [Kviz po predavanju](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Kviz po predavanju](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Pregled in samostojno učenje diff --git a/translations/sr/lessons/1-Intro/README.md b/translations/sr/lessons/1-Intro/README.md index 33a9c1d9..0425a57d 100644 --- a/translations/sr/lessons/1-Intro/README.md +++ b/translations/sr/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: Истражите интернет како бисте утврдили где се, по вашем мишљењу, вештачка интелигенција најуспешније користи. Да ли је то у апликацији за мапирање, некој услузи за претварање говора у текст или у видео игри? Истражите како је систем изграђен. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Преглед и самостално учење diff --git a/translations/sr/lessons/2-Symbolic/README.md b/translations/sr/lessons/2-Symbolic/README.md index a39fc177..7b142cb4 100644 --- a/translations/sr/lessons/2-Symbolic/README.md +++ b/translations/sr/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Потрага за вештачком интелигенцијом заснива се на трагању за знањем, како би се свет разумео на начин сличан људском. Али како то постићи? -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/3) У раним данима развоја вештачке интелигенције, популаран је био приступ "одозго надоле" у креирању интелигентних система (о чему је било речи у претходној лекцији). Идеја је била да се знање извуче од људи у неки машински читљив облик, а затим искористи за аутоматско решавање проблема. Овај приступ се заснивао на две велике идеје: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel У бележници Онтологија породице повезаној са овом лекцијом, постоји прилика да експериментишете са другим породичним односима. Покушајте да откријете нове везе између људи у породичном стаблу. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Преглед и самостално учење diff --git a/translations/sr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 10f7e73d..ebff8c15 100644 --- a/translations/sr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Увод у неуронске мреже: Перцептрон -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/5) Један од првих покушаја да се имплементира нешто слично модерној неуронској мрежи направио је Франк Розенблат из Корнел лабораторије за ваздухопловство 1957. године. То је била хардверска имплементација названа "Mark-1", дизајнирана да препозна примитивне геометријске фигуре, као што су троуглови, квадрати и кругови. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Ако желите да покушате да направите свој перцептрон, пробајте [ову лабораторију на Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) која користи [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Преглед и самостално учење diff --git a/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 7f4d02a3..c731964d 100644 --- a/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Такође ћемо развити сопствени модуларни оквир у Python-у који ће нам омогућити да конструишемо различите архитектуре неуронских мрежа. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Формализација машинског учења @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: Прелазите на [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) нотебук и радите кроз њега. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Преглед и самостално учење diff --git a/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 6fde2423..536a999c 100644 --- a/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * Рад са тензорима, нпр. множење, сабирање и израчунавање функција као што су сигмоид или софтмакс * Израчунавање градијената свих израза, како бисмо извршили оптимизацију методом градијентног спуштања -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/9) Иако библиотека `numpy` може да обави први део, потребан нам је механизам за израчунавање градијената. У [нашем оквиру](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) који смо развили у претходном делу, морали смо ручно да програмирамо све изводе функција унутар методе `backward`, која врши назадно ширење (backpropagation). Идеално, оквир би требало да нам омогући израчунавање градијената *било ког израза* који можемо дефинисати. @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: У пратећим бележницама, наћи ћете 'задатке' на крају; прођите кроз бележнице и завршите задатке. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md index fe3c0c46..63f1aaba 100644 --- a/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Рачунарски вид](https://wikipedia.org/wiki/Computer_vision) је дисциплина чији је циљ да омогући рачунарима да стекну висок ниво разумевања дигиталних слика. Ово је прилично широка дефиниција, јер *разумевање* може значити много различитих ствари, укључујући проналажење објекта на слици (**детекција објеката**), разумевање шта се дешава (**детекција догађаја**), описивање слике текстом или реконструкцију сцене у 3Д. Постоје и посебни задаци везани за људске слике: процена старости и емоција, детекција и идентификација лица, као и процена 3Д положаја, да наведемо само неке. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/11) Један од најједноставнијих задатака рачунарског вида је **класификација слика**. @@ -105,7 +105,7 @@ OpenCV такође можете користити за учитавање ви Погледајте [овај 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) из AI Show-а да бисте сазнали више о пројекту Cortic Tigers и како су изградили решење засновано на блоковима за демократизацију задатака рачунарског вида помоћу робота. Истражите друге сличне пројекте који помажу новим ученицима да се укључе у област. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index a790bf60..ced0e8f3 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet је породица модела смањене величине, п У пратећим бележницама постоје белешке на дну о томе како постићи већу тачност. Урадите неке експерименте да видите да ли можете постићи већу тачност. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md index 4df56807..13603113 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Већ смо видели да су неуронске мреже прилично добре у обради слика, па чак и једнослојни перцептрон може са задовољавајућом тачношћу препознати руком писане цифре из MNIST скупа података. Међутим, MNIST скуп података је веома специфичан, јер су све цифре центриране унутар слике, што чини задатак једноставнијим. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/13) У стварном животу, желимо да будемо у могућности да препознамо објекте на слици без обзира на њихову тачну локацију унутар слике. Рачунарски вид се разликује од опште класификације, јер када покушавамо да пронађемо одређени објекат на слици, скенирамо слику тражећи специфичне **шаблоне** и њихове комбинације. На пример, када тражимо мачку, прво можемо тражити хоризонталне линије које могу формирати бркове, а затим одређена комбинација бркова може указати да је то заправо слика мачке. Релативна позиција и присуство одређених шаблона су важни, а не њихова тачна позиција на слици. diff --git a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md index b2748bf0..352d43bc 100644 --- a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Обучавање CNN-а може да траје дуго и захтева много података. Међутим, велики део времена се троши на учење најбољих ниско-нивоских филтера које мрежа може да користи за издвајање образаца из слика. Поставља се природно питање - можемо ли користити неуронску мрежу обучену на једном скупу података и прилагодити је за класификацију различитих слика без потребе за комплетним процесом обучавања? -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/15) Овај приступ се назива **трансфер учење**, јер преносимо одређено знање са једног модела неуронске мреже на други. У трансфер учењу, обично почињемо са унапред обученим моделом, који је обучен на неком великом скупу слика, као што је **ImageNet**. Ти модели већ добро раде на издвајању различитих карактеристика из општих слика, а у многим случајевима само изградња класификатора на основу тих издвојених карактеристика може дати добар резултат. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: У пратећим нотебуцима, на дну се налазе белешке о томе како трансфер знања најбоље функционише са донекле сличним подацима за обучавање (можда нова врста животиње). Урадите експерименте са потпуно новим типовима слика да видите колико добро или лоше ваши модели трансфер знања функционишу. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md index 28bb8bc3..1cc15064 100644 --- a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: При тренингу CNN-а, један од проблема је то што нам је потребно много означених података. У случају класификације слика, морамо ручно раздвојити слике у различите класе. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/17) Међутим, можда желимо да користимо необрађене (неозначене) податке за тренинг CNN екстрактора карактеристика, што се назива **само-надгледано учење**. Уместо ознака, користићемо тренинг слике као и улаз и излаз мреже. Главна идеја **аутоенкодера** је да имамо **енкодер мрежу** која претвара улазну слику у неки **латентни простор** (обично је то само вектор мање величине), а затим **декодер мрежу**, чији је циљ реконструкција оригиналне слике. @@ -80,7 +80,7 @@ VAE је аутоенкодер који учи да предвиђа *стат * **Губитак информација** - реконструисана слика није иста као оригинална слика. Природа губитка дефинисана је *функцијом губитка* коришћеном током тренинга. * Ради на **неозначеним подацима** -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Закључак @@ -90,7 +90,7 @@ VAE је аутоенкодер који учи да предвиђа *стат У овој лекцији, научили сте о коришћењу аутоенкодера за слике. Али они се могу користити и за музику! Погледајте пројекат Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), који користи аутоенкодере за учење реконструкције музике. Урадите неке [експерименте](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) са овом библиотеком да видите шта можете да креирате. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/10-GANs/README.md b/translations/sr/lessons/4-ComputerVision/10-GANs/README.md index e4ce1b9e..27758300 100644 --- a/translations/sr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/sr/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: У претходном делу, научили смо о **генеративним моделима**: моделима који могу да генеришу нове слике сличне онима из скупа за обуку. Варијациони аутоенкодер (VAE) је био добар пример генеративног модела. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/19) Међутим, ако покушамо да генеришемо нешто заиста значајно, попут слике у разумној резолуцији, користећи VAE, видећемо да обука не конвергира добро. За овај случај, требало би да научимо о другој архитектури која је посебно усмерена на генеративне моделе - **Генеративне Адверзаријалне Мреже**, или GAN-ове. @@ -85,7 +85,7 @@ GAN-ови су одличан начин за генерисање уметни ## ✍️ Пример: [Трансфер стила](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Закључак diff --git a/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md index 7ecc4fc1..e4a784d5 100644 --- a/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Модели за класификацију слика које смо до сада обрађивали узимају слику и производе категоријски резултат, као што је класа 'број' у проблему MNIST. Међутим, у многим случајевима не желимо само да знамо да слика приказује објекте - желимо да можемо да одредимо њихову прецизну локацију. Управо то је суштина **детекције објеката**. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Детекција објеката](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sr.png) @@ -172,7 +172,7 @@ YOLO је алгоритам за реално време са једним пр * Yolo: [Keras имплементација](https://github.com/experiencor/keras-yolo2), [радна свеска корак по корак](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras имплементација](https://github.com/experiencor/keras-yolo2), [радна свеска корак по корак](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Преглед и самостално учење diff --git a/translations/sr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sr/lessons/4-ComputerVision/12-Segmentation/README.md index 64005466..865f340b 100644 --- a/translations/sr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/sr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Раније смо учили о детекцији објеката, која нам омогућава да лоцирамо објекте на слици предвиђањем њихових *ограничујућих оквира* (bounding boxes). Међутим, за неке задатке нам нису потребни само ограничујући оквири, већ и прецизнија локализација објеката. Овај задатак се назива **сегментација**. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/23) Сегментација се може посматрати као **класификација пиксела**, где за **сваки** пиксел слике морамо предвидети његову класу (*позадина* је једна од класа). Постоје два главна алгоритма за сегментацију: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Семантичка сегментација у Pytorch-у](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Семантичка сегментација у TensorFlow-у](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Закључак diff --git a/translations/sr/lessons/5-NLP/13-TextRep/README.md b/translations/sr/lessons/5-NLP/13-TextRep/README.md index 1b5575d9..916949d6 100644 --- a/translations/sr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/sr/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Представљање текста као тензора -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Класификација текста @@ -73,7 +73,7 @@ BoW у суштини представља које речи се појављу Испробајте неке друге вежбе користећи bag-of-words и различите моделе података. Можда ћете бити инспирисани овим [такмичењем на Kaggle-у](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/14-Embeddings/README.md b/translations/sr/lessons/5-NLP/14-Embeddings/README.md index 87222c8a..a00de1e2 100644 --- a/translations/sr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sr/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Уграђивања -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/27) Када смо обучавали класификаторе засноване на BoW или TF/IDF, радили смо са векторима високе димензионалности у облику вреће речи дужине `vocab_size`, и експлицитно смо конвертовали из вектора позиционе репрезентације ниске димензионалности у ретке one-hot репрезентације. Међутим, ова one-hot репрезентација није меморијски ефикасна. Поред тога, свака реч се третира независно од других, тј. one-hot кодирани вектори не изражавају никакву семантичку сличност између речи. @@ -65,7 +65,7 @@ CBoW је бржи, док је skip-gram спорији, али боље пре Word2Vec је коришћен за неке занимљиве примене, укључујући генерисање текстова песама и поезије. Погледајте [овај чланак](https://www.politetype.com/blog/word2vec-color-poems) који објашњава како је аутор користио Word2Vec за генерисање поезије. Погледајте и [овај видео Дана Шифмана](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) како бисте открили другачије објашњење ове технике. Затим покушајте да примените ове технике на свој корпус текста, можда преузет са Kaggle-а. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md index f98912f1..d4d29e9a 100644 --- a/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Семантички уграђаји, као што су Word2Vec и GloVe, заправо представљају први корак ка **моделовању језика** – креирању модела који на неки начин *разумеју* (или *представљају*) природу језика. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/29) Главна идеја моделовања језика је њихово тренирање на необележеним скуповима података на ненадгледан начин. Ово је важно јер имамо огромне количине необележеног текста, док је количина обележеног текста увек ограничена временом и трудом који можемо уложити у обележавање. Најчешће можемо изградити моделе језика који могу **предвидети недостајуће речи** у тексту, јер је лако сакрити насумичну реч у тексту и користити је као узорак за тренирање. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: У претходној лекцији видели смо да уграђаји речи функционишу као магија! Сада знамо да тренирање уграђаја речи није веома сложен задатак и требало би да будемо у могућности да обучимо сопствене уграђаје речи за текст специфичан за одређену област ако је потребно. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/16-RNN/README.md b/translations/sr/lessons/5-NLP/16-RNN/README.md index 7e2ffe29..f9e01959 100644 --- a/translations/sr/lessons/5-NLP/16-RNN/README.md +++ b/translations/sr/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Рекурентне неуронске мреже -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/31) У претходним одељцима користили смо богате семантичке репрезентације текста и једноставни линеарни класификатор на врху уграђивања. Ова архитектура хвата агрегирано значење речи у реченици, али не узима у обзир **редослед** речи, јер операција агрегирања на врху уграђивања уклања ову информацију из оригиналног текста. Пошто ови модели не могу да моделирају редослед речи, они не могу решавати сложеније или двосмислене задатке као што су генерисање текста или одговарање на питања. @@ -84,7 +84,7 @@ LSTM мрежа је организована на начин сличан RNN- - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md index 08508555..3b7849b5 100644 --- a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генеративне мреже -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/33) Рекурентне неуронске мреже (RNN) и њихове варијанте са "гейтованим" ћелијама, као што су Long Short Term Memory ћелије (LSTM) и Gated Recurrent Units (GRU), пружају механизам за моделирање језика јер могу да науче редослед речи и дају предвиђања за следећу реч у низу. Ово нам омогућава да користимо RNN за **генеративне задатке**, као што су обично генерисање текста, машинско превођење, па чак и генерисање описа слика. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * Генерисање текста са [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) -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/18-Transformers/README.md b/translations/sr/lessons/5-NLP/18-Transformers/README.md index e440cdf5..6e5f0594 100644 --- a/translations/sr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sr/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Механизми пажње и Трансформери -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/35) Један од најважнијих проблема у области обраде природног језика (NLP) је **машински превод**, суштински задатак који је основа алата као што је Google Translate. У овом делу ћемо се фокусирати на машински превод, или, генералније, на било који задатак *секвенца-у-секвенцу* (који се такође назива **трансдукција реченица**). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 Изазов -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/19-NER/README.md b/translations/sr/lessons/5-NLP/19-NER/README.md index 42854c85..7ed93531 100644 --- a/translations/sr/lessons/5-NLP/19-NER/README.md +++ b/translations/sr/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: До сада смо се углавном концентрисали на један NLP задатак - класификацију. Међутим, постоје и други NLP задаци који се могу решити помоћу неуронских мрежа. Један од тих задатака је **[Препознавање именованих ентитета](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), који се бави препознавањем специфичних ентитета у тексту, као што су места, имена особа, временски интервали, хемијске формуле и тако даље. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Пример коришћења NER-а @@ -78,7 +78,7 @@ NER модел је **модел за класификацију токена**, Завршите задатак повезан испод да обучите модел за препознавање именованих ентитета за медицинске термине, а затим га испробајте на другом скупу података. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Преглед и самостално учење diff --git a/translations/sr/lessons/5-NLP/20-LangModels/README.md b/translations/sr/lessons/5-NLP/20-LangModels/README.md index aeecf0e4..c4894bb5 100644 --- a/translations/sr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/sr/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: У свим нашим претходним задацима, тренирали смо неуронску мрежу да изврши одређени задатак користећи означени скуп података. Са великим трансформер моделима, као што је BERT, користимо моделирање језика у самонадзирајућем режиму како бисмо изградили језички модел, који се затим специјализује за одређени задатак уз додатну обуку специфичну за домен. Међутим, показано је да велики језички модели могу решавати многе задатке и без икакве обуке специфичне за домен. Породица модела која је способна за то назива се **GPT**: Генеративни Унапред Обучени Трансформер. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Генерисање текста и перплексност @@ -58,7 +58,7 @@ GPT није један модел, већ колекција модела ко Нови општи унапред обучени језички модели не само да моделирају структуру језика, већ садрже и огромну количину природног језика. Стога се могу ефикасно користити за решавање неких NLP задатака у zero-shot или few-shot окружењима. -## [Квиз после предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Квиз после предавања](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Одрицање од одговорности**: Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sr/lessons/6-Other/21-GeneticAlgorithms/README.md index a5b28a1a..6342588b 100644 --- a/translations/sr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/sr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генетски алгоритми -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Генетски алгоритми** (GA) засновани су на **еволуционарном приступу** вештачкој интелигенцији, где се методе еволуције популације користе за проналажење оптималног решења за дати проблем. Предложио их је 1975. године [Џон Хенри Холанд](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "Генетски алгоритми су једноставни за имплементацију, али је њихово понашање тешко разумети." [извор](https://wikipedia.org/wiki/Genetic_algorithm) Истражите имплементацију генетског алгоритма, као што је решавање Судоку загонетке, и објасните како функционише у виду скице или дијаграма тока. -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Преглед и самостално учење diff --git a/translations/sr/lessons/6-Other/22-DeepRL/README.md b/translations/sr/lessons/6-Other/22-DeepRL/README.md index 8bf5ca57..7a836ff6 100644 --- a/translations/sr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/sr/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Појачано учење (RL) се сматра једним од основних парадигми машинског учења, поред надгледаног и ненадгледаног учења. Док се у надгледаном учењу ослањамо на скуп података са познатим резултатима, RL се заснива на **учењу кроз рад**. На пример, када први пут видимо компјутерску игру, почињемо да играмо, чак и без познавања правила, и убрзо побољшавамо своје вештине кроз сам процес играња и прилагођавања понашања. -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/43) Да бисмо спровели RL, потребно је: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") Истражите апликације наведене у одељку „Други RL задаци“ и покушајте да имплементирате једну! -## [Квиз након предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Квиз након предавања](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Преглед и самостално учење diff --git a/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md index 991790c8..dee0384a 100644 --- a/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Један од могућих начина постизања интелигенције је такозвани **емергентни** (или **синергетски**) приступ, који се заснива на чињеници да комбиновано понашање многих релативно једноставних агената може резултирати укупно сложенијим (или интелигентнијим) понашањем система у целини. Теоријски, ово се заснива на принципима [Колективне интелигенције](https://en.wikipedia.org/wiki/Collective_intelligence), [Емергентизма](https://en.wikipedia.org/wiki/Global_brain) и [Еволуционе кибернетике](https://en.wikipedia.org/wiki/Global_brain), који тврде да системи вишег нивоа добијају неку врсту додатне вредности када се правилно комбинују из система нижег нивоа (такозвани *принцип метасистемске транзиције*). -## [Квиз пре предавања](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/45) Правци развоја **мултиагентских система** појавили су се у области вештачке интелигенције током 1990-их као одговор на раст Интернета и дистрибуираних система. Један од класичних уџбеника о вештачкој интелигенцији, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), фокусира се на класичну вештачку интелигенцију из перспективе мултиагентских система. diff --git a/translations/sv/lessons/1-Intro/README.md b/translations/sv/lessons/1-Intro/README.md index af265d13..80e36644 100644 --- a/translations/sv/lessons/1-Intro/README.md +++ b/translations/sv/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Skiss av [Tomomi Imura](https://twitter.com/girlie_mac) -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Artificiell intelligens** är en spännande vetenskaplig disciplin som studerar hur vi kan få datorer att uppvisa intelligent beteende, t.ex. göra sådant som människor är bra på att göra. @@ -151,7 +151,7 @@ Under de senaste åren har vi bevittnat stora framgångar med stora språkmodell Gör en rundtur på internet för att avgöra var AI, enligt din mening, används mest effektivt. Är det i en kartapp, någon tal-till-text-tjänst eller ett videospel? Undersök hur systemet byggdes. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Granskning & Självstudier diff --git a/translations/sv/lessons/2-Symbolic/README.md b/translations/sv/lessons/2-Symbolic/README.md index aceaa121..0df2a045 100644 --- a/translations/sv/lessons/2-Symbolic/README.md +++ b/translations/sv/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Strävan efter artificiell intelligens bygger på en jakt efter kunskap, att förstå världen på ett sätt som liknar hur människor gör det. Men hur kan man gå tillväga för att uppnå detta? -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/3) Under AI:s tidiga dagar var den top-down-metoden för att skapa intelligenta system (diskuterad i föregående lektion) populär. Idén var att extrahera kunskap från människor till en maskinläsbar form och sedan använda den för att automatiskt lösa problem. Denna metod baserades på två stora idéer: @@ -236,7 +236,7 @@ Nuförtiden anses AI ofta vara synonymt med *maskininlärning* eller *neurala n I Family Ontology-notebooken som är kopplad till denna lektion finns det en möjlighet att experimentera med andra familjerelationer. Försök att upptäcka nya kopplingar mellan personer i släktträdet. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Granskning & Självstudier diff --git a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md index 1d689b39..cdfefc37 100644 --- a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduktion till neurala nätverk: Perceptron -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/5) Ett av de första försöken att implementera något liknande ett modernt neuralt nätverk gjordes av Frank Rosenblatt från Cornell Aeronautical Laboratory år 1957. Det var en hårdvaruimplementation kallad "Mark-1", designad för att känna igen enkla geometriska figurer, såsom trianglar, kvadrater och cirklar. @@ -85,7 +85,7 @@ I denna lektion lärde du dig om en perceptron, som är en binär klassificering Om du vill prova att bygga din egen perceptron, testa [detta labb på Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) som använder [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Granskning & Självstudier diff --git a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 7b8f6e19..8bc5f9bb 100644 --- a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ I detta avsnitt kommer vi att utöka denna modell till en mer flexibel ram, vilk Vi kommer också att utveckla vår egen modulära ram i Python som gör det möjligt för oss att konstruera olika arkitekturer för neurala nätverk. -## [Förtest inför föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Förtest inför föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Formalisering av maskininlärning @@ -81,7 +81,7 @@ I den medföljande notebooken kommer du att implementera din egen ram för att b Gå vidare till [OwnFramework](OwnFramework.ipynb) notebooken och arbeta igenom den. -## [Eftertest efter föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Eftertest efter föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Granskning och självstudier diff --git a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md index af65a1ff..334c2b92 100644 --- a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Som vi redan har lärt oss, för att kunna träna neurala nätverk effektivt beh * Arbeta med tensorer, t.ex. multiplicera, addera och beräkna funktioner som sigmoid eller softmax * Beräkna gradienter för alla uttryck för att kunna utföra gradientnedstigningsoptimering -## [Förtest](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Förtest](https://ff-quizzes.netlify.app/en/ai/quiz/9) Medan biblioteket `numpy` kan hantera den första delen, behöver vi en mekanism för att beräkna gradienter. I [vårt ramverk](../04-OwnFramework/OwnFramework.ipynb) som vi utvecklade i föregående avsnitt var vi tvungna att manuellt programmera alla derivatafunktioner i metoden `backward`, som utför backpropagation. Idealt sett bör ett ramverk ge oss möjlighet att beräkna gradienter för *vilket uttryck som helst* som vi kan definiera. @@ -106,7 +106,7 @@ I denna lektion lärde du dig om skillnaderna mellan de olika API:erna för de t I de medföljande anteckningsböckerna hittar du 'uppgifter' längst ner; arbeta igenom anteckningsböckerna och slutför uppgifterna. -## [Eftertest](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Eftertest](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Granskning & Självstudier diff --git a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md index 6adb0520..0256a238 100644 --- a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Datorseende](https://wikipedia.org/wiki/Computer_vision) är en disciplin vars mål är att låta datorer få en hög nivå av förståelse för digitala bilder. Detta är en ganska bred definition, eftersom *förståelse* kan innebära många olika saker, inklusive att hitta ett objekt på en bild (**objektdetektering**), förstå vad som händer (**händelsedetektering**), beskriva en bild i text eller rekonstruera en scen i 3D. Det finns också speciella uppgifter relaterade till mänskliga bilder: ålders- och känsloestimering, ansiktsdetektering och identifiering samt 3D-positionsestimering, för att nämna några. -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/11) En av de enklaste uppgifterna inom datorseende är **bildklassificering**. @@ -105,7 +105,7 @@ Ibland kan relativt komplexa uppgifter som rörelsedetektering eller fingertopps Titta på [denna 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) från AI Show för att lära dig om Cortic Tigers-projektet och hur de byggde en blockbaserad lösning för att demokratisera datorseendeuppgifter via en robot. Gör lite forskning om andra projekt som detta som hjälper nya lärande att komma in i området. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Granskning & Självstudier diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 5f4dd660..446a0702 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ I denna enhet har du lärt dig huvudkonceptet bakom neurala nätverk för dators I de medföljande anteckningsböckerna finns det anteckningar längst ner om hur man kan uppnå högre noggrannhet. Gör några experiment för att se om du kan uppnå högre noggrannhet. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Granskning & Självstudier diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md index 4098f8a4..b255f35b 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidigare sett att neurala nätverk är ganska bra på att hantera bilder, och till och med en enkellagers perceptron kan känna igen handskrivna siffror från MNIST-datasetet med rimlig noggrannhet. MNIST-datasetet är dock väldigt speciellt, eftersom alla siffror är centrerade i bilden, vilket gör uppgiften enklare. -## [Förhandsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Förhandsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/13) I verkliga livet vill vi kunna känna igen objekt i en bild oavsett deras exakta position i bilden. Datorseende skiljer sig från generell klassificering, eftersom vi, när vi försöker hitta ett visst objekt i en bild, skannar bilden och letar efter specifika **mönster** och deras kombinationer. Till exempel, när vi letar efter en katt, kan vi först leta efter horisontella linjer som kan bilda morrhår, och sedan kan en viss kombination av morrhår indikera att det faktiskt är en bild av en katt. Den relativa positionen och förekomsten av vissa mönster är viktiga, inte deras exakta position i bilden. diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md index 860e1e46..b8286b13 100644 --- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Att träna CNNs kan ta mycket tid, och det krävs en stor mängd data för den uppgiften. Dock spenderas mycket av tiden på att lära sig de bästa låg-nivå filtren som ett nätverk kan använda för att extrahera mönster från bilder. En naturlig fråga uppstår - kan vi använda ett neuralt nätverk som tränats på ett dataset och anpassa det för att klassificera andra bilder utan att behöva genomföra en fullständig träningsprocess? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Denna metod kallas **transferinlärning**, eftersom vi överför viss kunskap från en neuralt nätverksmodell till en annan. Vid transferinlärning börjar vi vanligtvis med en förtränad modell, som har tränats på ett stort bilddataset, såsom **ImageNet**. Dessa modeller kan redan göra ett bra jobb med att extrahera olika funktioner från generiska bilder, och i många fall kan man bygga en klassificerare ovanpå dessa extraherade funktioner för att uppnå ett bra resultat. @@ -76,7 +76,7 @@ Med hjälp av transferinlärning kan du snabbt sätta ihop en klassificerare fö I de medföljande notebooks finns det anteckningar längst ner om hur transferkunskap fungerar bäst med något liknande träningsdata (en ny typ av djur, kanske). Gör lite experiment med helt nya typer av bilder för att se hur bra eller dåligt dina transferkunskapsmodeller presterar. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Granskning & Självstudier diff --git a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md index d59d380d..16135199 100644 --- a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: När man tränar CNNs är ett av problemen att vi behöver mycket märkt data. När det gäller bildklassificering måste vi dela upp bilder i olika klasser, vilket är en manuell process. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Men vi kanske vill använda rå (omärkt) data för att träna CNN-funktionsextraktorer, vilket kallas **självövervakad inlärning**. Istället för etiketter använder vi träningsbilder som både nätverksinmatning och -utmatning. Huvudidén med **autoencoder** är att vi har ett **encoder-nätverk** som omvandlar inmatningsbilden till ett **latent utrymme** (vanligtvis bara en vektor av mindre storlek), och sedan ett **decoder-nätverk**, vars mål är att rekonstruera den ursprungliga bilden. @@ -80,7 +80,7 @@ Lär dig mer om autoencoders i dessa motsvarande notebooks: * **Förlustfyllda** - den rekonstruerade bilden är inte densamma som den ursprungliga bilden. Förlustens natur definieras av den *förlustfunktion* som används under träningen. * Fungerar på **omärkt 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) ## Slutsats @@ -90,7 +90,7 @@ I denna lektion lärde du dig om de olika typerna av autoencoders som finns till I denna lektion lärde du dig om att använda autoencoders för bilder. Men de kan också användas för musik! Kolla in Magenta-projektets [MusicVAE](https://magenta.tensorflow.org/music-vae)-projekt, som använder autoencoders för att lära sig rekonstruera musik. Gör några [experiment](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) med detta bibliotek för att se vad du kan skapa. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Granskning & Självstudier diff --git a/translations/sv/lessons/4-ComputerVision/10-GANs/README.md b/translations/sv/lessons/4-ComputerVision/10-GANs/README.md index 92af8c62..23a9143e 100644 --- a/translations/sv/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/sv/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I föregående avsnitt lärde vi oss om **generativa modeller**: modeller som kan generera nya bilder som liknar de i träningsdatamängden. VAE var ett bra exempel på en generativ modell. -## [Förtest](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Förtest](https://ff-quizzes.netlify.app/en/ai/quiz/19) Men om vi försöker generera något riktigt meningsfullt, som en målning med rimlig upplösning, med VAE, kommer vi att märka att träningen inte konvergerar särskilt bra. För detta användningsfall bör vi lära oss om en annan arkitektur som är specifikt inriktad på generativa modeller - **Generativa Adversariella Nätverk**, eller GANs. @@ -84,7 +84,7 @@ Så här fungerar det: ## ✍️ Exempel: [Stilöverföring](StyleTransfer.ipynb) -## [Eftertest](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Eftertest](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Slutsats diff --git a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md index 4c282bb7..1e0026b0 100644 --- a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: De bildklassificeringsmodeller vi har arbetat med hittills tog en bild och producerade ett kategoriskt resultat, som klassen 'nummer' i ett MNIST-problem. Men i många fall vill vi inte bara veta att en bild föreställer objekt – vi vill kunna bestämma deras exakta position. Det är precis detta som är syftet med **objektigenkänning**. -## [Förquiz före föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Förquiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Objektigenkänning](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sv.png) @@ -172,7 +172,7 @@ Läs igenom dessa artiklar och anteckningsböcker om YOLO och prova dem själv: * Yolo: [Keras-implementation](https://github.com/experiencor/keras-yolo2), [steg-för-steg-anteckningsbok](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras-implementation](https://github.com/experiencor/keras-yolo2), [steg-för-steg-anteckningsbok](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Efterquiz efter föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Efterquiz efter föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Granskning och självstudier diff --git a/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md index b6c96d9a..6a0bdbb5 100644 --- a/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har tidigare lärt oss om Objektidentifiering, som gör det möjligt att lokalisera objekt i en bild genom att förutsäga deras *begränsningsramar*. Men för vissa uppgifter behöver vi inte bara begränsningsramar, utan också mer exakt objektlokalisering. Denna uppgift kallas **segmentering**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentering kan ses som **pixelklassificering**, där vi för **varje** pixel i bilden måste förutsäga dess klass (*bakgrund* är en av klasserna). Det finns två huvudsakliga segmenteringsalgoritmer: @@ -56,7 +56,7 @@ Vi kommer att träna en modell för att segmentera vilken nevus som helst från * [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) ## Slutsats diff --git a/translations/sv/lessons/5-NLP/13-TextRep/README.md b/translations/sv/lessons/5-NLP/13-TextRep/README.md index 87b9cd71..7a4c539e 100644 --- a/translations/sv/lessons/5-NLP/13-TextRep/README.md +++ b/translations/sv/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Representera text som tensorer -## [Quiz före föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Textklassificering @@ -73,7 +73,7 @@ Hittills har vi studerat tekniker som kan lägga till frekvensvikt till olika or Prova några andra övningar med bag-of-words och olika datamodeller. Du kan bli inspirerad av denna [tävling på Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Quiz efter föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Quiz efter föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/README.md b/translations/sv/lessons/5-NLP/14-Embeddings/README.md index c321b1f0..240ab0d1 100644 --- a/translations/sv/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sv/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Inbäddningar -## [Quiz före föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/27) När vi tränade klassificerare baserade på BoW eller TF/IDF arbetade vi med högdimensionella bag-of-words-vektorer med längden `vocab_size`, och vi konverterade explicit från lågdimensionella positionsrepresentationsvektorer till glesa one-hot-representationer. Denna one-hot-representation är dock inte minneseffektiv. Dessutom behandlas varje ord oberoende av varandra, dvs. one-hot-kodade vektorer uttrycker ingen semantisk likhet mellan ord. @@ -65,7 +65,7 @@ I denna lektion upptäckte du hur man bygger och använder inbäddningslager i T Word2Vec har använts för några intressanta tillämpningar, inklusive att generera sångtexter och poesi. Ta en titt på [denna artikel](https://www.politetype.com/blog/word2vec-color-poems) som går igenom hur författaren använde Word2Vec för att generera poesi. Titta också på [denna video av Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) för att upptäcka en annan förklaring av denna teknik. Försök sedan att tillämpa dessa tekniker på din egen textkorpus, kanske hämtad från Kaggle. -## [Quiz efter föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Quiz efter föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md index 17a5737e..5cab9855 100644 --- a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Semantiska inbäddningar, såsom Word2Vec och GloVe, är faktiskt ett första steg mot **språkmodellering** – att skapa modeller som på något sätt *förstår* (eller *representerar*) språkets natur. -## [Förtest-quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Förtest-quiz](https://ff-quizzes.netlify.app/en/ai/quiz/29) Huvudidén bakom språkmodellering är att träna modeller på oetiketterade dataset på ett oövervakat sätt. Detta är viktigt eftersom vi har enorma mängder oetiketterad text tillgänglig, medan mängden etiketterad text alltid skulle vara begränsad av den tid och ansträngning vi kan lägga på att skapa etiketter. Oftast kan vi bygga språkmodeller som kan **förutsäga saknade ord** i texten, eftersom det är enkelt att maskera ett slumpmässigt ord i texten och använda det som ett träningsprov. @@ -38,7 +38,7 @@ Fortsätt ditt lärande i följande notebooks: I den föregående lektionen såg vi att ordbäddningar fungerar som magi! Nu vet vi att träning av ordbäddningar inte är en särskilt komplex uppgift, och vi bör kunna träna våra egna ordbäddningar för textsamlingar inom specifika domäner om det behövs. -## [Eftertest-quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Eftertest-quiz](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/16-RNN/README.md b/translations/sv/lessons/5-NLP/16-RNN/README.md index 6a7ad57b..ab34e5fa 100644 --- a/translations/sv/lessons/5-NLP/16-RNN/README.md +++ b/translations/sv/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Rekurrenta neurala nätverk -## [Quiz före föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/31) I tidigare avsnitt har vi använt rika semantiska representationer av text och en enkel linjär klassificerare ovanpå inbäddningarna. Vad denna arkitektur gör är att fånga den aggregerade betydelsen av ord i en mening, men den tar inte hänsyn till **ordningen** av orden, eftersom aggregeringsoperationen ovanpå inbäddningarna tog bort denna information från den ursprungliga texten. Eftersom dessa modeller inte kan modellera ordordning, kan de inte lösa mer komplexa eller tvetydiga uppgifter som textgenerering eller frågehantering. @@ -84,7 +84,7 @@ Läs igenom lite litteratur om LSTM och fundera över deras tillämpningar: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Quiz efter föreläsning](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Quiz efter föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md index 5ded4ca9..7d07baa5 100644 --- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Generativa nätverk -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/33) Recurrent Neural Networks (RNNs) och deras varianter med grindade celler, såsom Long Short Term Memory Cells (LSTMs) och Gated Recurrent Units (GRUs), erbjuder en mekanism för språkmodellering genom att de kan lära sig ordordning och ge förutsägelser för nästa ord i en sekvens. Detta gör det möjligt att använda RNNs för **generativa uppgifter**, såsom vanlig textgenerering, maskinöversättning och till och med bildbeskrivning. @@ -71,7 +71,7 @@ Ta några lektioner på Microsoft Learn om detta ämne: * Textgenerering med [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) -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/18-Transformers/README.md b/translations/sv/lessons/5-NLP/18-Transformers/README.md index 0662a7b2..f8e58301 100644 --- a/translations/sv/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sv/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Uppmärksamhetsmekanismer och Transformatorer -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/35) Ett av de viktigaste problemen inom NLP-området är **maskinöversättning**, en grundläggande uppgift som ligger till grund för verktyg som Google Translate. I detta avsnitt kommer vi att fokusera på maskinöversättning, eller mer generellt, på alla *sekvens-till-sekvens*-uppgifter (som också kallas **meningstransduktion**). @@ -108,7 +108,7 @@ I denna lektion lärde du dig om Transformatorer och Uppmärksamhetsmekanismer, ## 🚀 Utmaning -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/19-NER/README.md b/translations/sv/lessons/5-NLP/19-NER/README.md index c923545c..319ad884 100644 --- a/translations/sv/lessons/5-NLP/19-NER/README.md +++ b/translations/sv/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hittills har vi mest fokuserat på en NLP-uppgift - klassificering. Men det finns också andra NLP-uppgifter som kan utföras med neurala nätverk. En av dessa uppgifter är **[Namngiven Entityigenkänning](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), som handlar om att identifiera specifika enheter i text, såsom platser, personnamn, tidsintervall, kemiska formler och så vidare. -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Exempel på användning av NER @@ -79,7 +79,7 @@ En NER-modell är en **tokenklassificeringsmodell**, vilket innebär att den kan Slutför uppgiften som är länkad nedan för att träna en modell för namngiven entityigenkänning för medicinska termer, och testa den sedan på en annan dataset. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Granskning & Självstudier diff --git a/translations/sv/lessons/5-NLP/20-LangModels/README.md b/translations/sv/lessons/5-NLP/20-LangModels/README.md index 4b71dd9e..e169629d 100644 --- a/translations/sv/lessons/5-NLP/20-LangModels/README.md +++ b/translations/sv/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: I alla våra tidigare uppgifter har vi tränat ett neuralt nätverk för att utföra en viss uppgift med hjälp av en märkt dataset. Med stora transformer-modeller, såsom BERT, använder vi språkinlärning på ett självövervakat sätt för att bygga en språkmodell, som sedan specialiseras för specifika nedströmsuppgifter med ytterligare domänspecifik träning. Det har dock visat sig att stora språkmodeller också kan lösa många uppgifter utan någon domänspecifik träning. En familj av modeller som kan göra detta kallas **GPT**: Generative Pre-Trained Transformer. -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Textgenerering och förvirring @@ -58,7 +58,7 @@ Fortsätt ditt lärande i följande notebooks: Nya generella förtränade språkmodeller modellerar inte bara språkstruktur, utan innehåller också en enorm mängd naturligt språk. Därför kan de effektivt användas för att lösa vissa NLP-uppgifter i zero-shot eller few-shot inställningar. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md index 5fe3fb8c..7a9a9f9d 100644 --- a/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetiska Algoritmer -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetiska Algoritmer** (GA) bygger på en **evolutionär metod** inom AI, där metoder för att utveckla en population används för att hitta en optimal lösning på ett givet problem. De föreslogs 1975 av [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Genetiska Algoritmer används för att lösa många problem, inklusive logistik- "Genetiska algoritmer är enkla att implementera, men deras beteende är svårt att förstå." [källa](https://wikipedia.org/wiki/Genetic_algorithm) Gör lite forskning för att hitta en implementering av en genetisk algoritm, till exempel för att lösa ett Sudoku-pussel, och förklara hur den fungerar som en skiss eller flödesschema. -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Granskning & Självstudier diff --git a/translations/sv/lessons/6-Other/22-DeepRL/README.md b/translations/sv/lessons/6-Other/22-DeepRL/README.md index 3612ed1f..b865f017 100644 --- a/translations/sv/lessons/6-Other/22-DeepRL/README.md +++ b/translations/sv/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Förstärkningsinlärning (RL) ses som ett av de grundläggande paradigmen inom maskininlärning, vid sidan av övervakad inlärning och oövervakad inlärning. Medan vi i övervakad inlärning förlitar oss på dataset med kända resultat, bygger RL på **att lära genom att göra**. Till exempel, när vi först ser ett datorspel börjar vi spela, även utan att känna till reglerna, och snart kan vi förbättra våra färdigheter bara genom att spela och anpassa vårt beteende. -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/43) För att utföra RL behöver vi: @@ -110,7 +110,7 @@ Vi har nu lärt oss hur man tränar agenter att uppnå goda resultat bara genom Utforska de applikationer som listas i avsnittet 'Andra RL-uppgifter' och försök implementera en! -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Granskning & Självstudier diff --git a/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md index d0eba386..ffeab023 100644 --- a/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ett av de möjliga sätten att uppnå intelligens är den så kallade **emergenta** (eller **synergetiska**) metoden, som bygger på att det kombinerade beteendet hos många relativt enkla agenter kan resultera i ett mer komplext (eller intelligent) beteende för systemet som helhet. Teoretiskt baseras detta på principerna för [Kollektiv intelligens](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) och [Evolutionär cybernetik](https://en.wikipedia.org/wiki/Global_brain), som säger att högre nivåsystem får någon form av mervärde när de kombineras korrekt från system på lägre nivå (den så kallade *principen om metasystemövergång*). -## [Quiz före föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/45) Riktningen för **Multi-Agent Systems** uppstod inom AI på 1990-talet som ett svar på tillväxten av internet och distribuerade system. En av de klassiska AI-läroböckerna, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), fokuserar på den klassiska AI-synen ur perspektivet av multi-agent system. @@ -152,7 +152,7 @@ De tenderar alla att fokusera på det enklare beteendet hos en enskild agent och Ta denna lektion till verkligheten och försök att konceptualisera ett multi-agent system som kan lösa ett problem. Vad skulle till exempel ett multi-agent system behöva göra för att optimera en skolbussrutt? Hur skulle det kunna fungera i ett bageri? -## [Quiz efter föreläsningen](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Granskning & Självstudier diff --git a/translations/sw/lessons/1-Intro/README.md b/translations/sw/lessons/1-Intro/README.md index 4e82e496..7cddd56a 100644 --- a/translations/sw/lessons/1-Intro/README.md +++ b/translations/sw/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Katika miaka michache iliyopita tumeshuhudia mafanikio makubwa na mifano mikubwa Fanya ziara ya mtandao ili kubaini wapi, kwa maoni yako, AI inatumiwa kwa ufanisi zaidi. Je, ni katika programu ya Ramani, huduma ya hotuba-kwa-maandishi, au mchezo wa video? Tafiti jinsi mfumo ulivyojengwa. -## [Maswali ya Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Maswali ya Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/2-Symbolic/README.md b/translations/sw/lessons/2-Symbolic/README.md index ada28db3..70b81ae7 100644 --- a/translations/sw/lessons/2-Symbolic/README.md +++ b/translations/sw/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Utafutaji wa akili bandia unategemea kutafuta maarifa, ili kuelewa dunia kama binadamu wanavyofanya. Lakini unaweza kufanikisha hili vipi? -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/3) Katika siku za mwanzo za AI, mbinu ya juu-chini ya kuunda mifumo yenye akili (ilijadiliwa katika somo lililopita) ilikuwa maarufu. Wazo lilikuwa ni kutoa maarifa kutoka kwa watu katika mfumo unaoweza kusomeka na mashine, na kisha kuyatumia kutatua matatizo kiotomatiki. Mbinu hii ilitegemea mawazo mawili makubwa: @@ -236,7 +236,7 @@ Siku hizi, AI mara nyingi huchukuliwa kuwa sawa na *Kujifunza kwa Mashine* au *M Katika daftari la Ontolojia ya Familia lililohusishwa na somo hili, kuna fursa ya kujaribu mahusiano mengine ya kifamilia. Jaribu kugundua miunganiko mipya kati ya watu katika mti wa familia. -## [Jaribio baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Jaribio baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sw/lessons/3-NeuralNetworks/03-Perceptron/README.md index 26f56c0f..21a5cba0 100644 --- a/translations/sw/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/sw/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Utangulizi wa Mitandao ya Neural: Perceptron -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/5) Moja ya majaribio ya kwanza ya kutekeleza kitu kinachofanana na mtandao wa neural wa kisasa yalifanywa na Frank Rosenblatt kutoka Maabara ya Anga ya Cornell mwaka 1957. Ilikuwa ni utekelezaji wa vifaa vilivyoitwa "Mark-1", iliyoundwa kutambua maumbo ya kijiometri rahisi, kama vile pembetatu, miraba na miduara. @@ -85,7 +85,7 @@ Katika somo hili, umejifunza kuhusu perceptron, ambayo ni mfano wa uainishaji wa Ikiwa ungependa kujaribu kujenga perceptron yako mwenyewe, jaribu [maabara hii kwenye Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) ambayo inatumia [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sw/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 9e3f5967..450cdf11 100644 --- a/translations/sw/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/sw/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Katika sehemu hii tutapanua mfano huu kuwa mfumo wenye kubadilika zaidi, unaotuw Pia tutaendeleza mfumo wetu wa modular kwa kutumia Python ambao utaturuhusu kujenga usanifu tofauti wa mitandao ya neural. -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Urasmishaji wa Kujifunza kwa Mashine @@ -81,7 +81,7 @@ Katika daftari linaloambatana, utatekeleza mfumo wako wa kujenga na kufundisha p Endelea kwenye [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) daftari na uifanyie kazi. -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sw/lessons/3-NeuralNetworks/05-Frameworks/README.md index d919691d..2f260c31 100644 --- a/translations/sw/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sw/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Kama tulivyojifunza tayari, ili kufundisha mitandao ya neural kwa ufanisi tunahi * Kufanya kazi na tensors, kwa mfano kuzidisha, kuongeza, na kuhesabu baadhi ya kazi kama sigmoid au softmax * Kuhesabu derivatives za maelezo yote, ili kufanya uboreshaji wa gradient descent -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/9) Ingawa maktaba ya `numpy` inaweza kufanya sehemu ya kwanza, tunahitaji utaratibu wa kuhesabu derivatives. Katika [mfumo wetu](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ambao tumeunda katika sehemu iliyopita, tulilazimika kuandika kwa mkono kazi zote za derivatives ndani ya njia ya `backward`, ambayo hufanya backpropagation. Kwa hali bora, mfumo unapaswa kutupa fursa ya kuhesabu derivatives za *maelezo yoyote* tunayoweza kufafanua. @@ -106,7 +106,7 @@ Katika somo hili, umejifunza tofauti kati ya APIs mbalimbali za mifumo miwili ma Katika daftari zinazofuatana, utapata 'kazi' chini; pitia daftari na ukamilishe kazi hizo. -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Mapitio & Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sw/lessons/4-ComputerVision/06-IntroCV/README.md index 4aaf3baf..1b34a233 100644 --- a/translations/sw/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sw/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Maono ya Kompyuta](https://wikipedia.org/wiki/Computer_vision) ni taaluma inayolenga kuwezesha kompyuta kuelewa kwa kiwango cha juu picha za kidijitali. Hii ni tafsiri pana, kwa sababu *kuelewa* kunaweza kumaanisha mambo mengi, ikiwa ni pamoja na kutambua kitu kwenye picha (**utambuzi wa kitu**), kuelewa kinachoendelea (**utambuzi wa tukio**), kuelezea picha kwa maandishi, au kujenga upya eneo kwa 3D. Pia kuna kazi maalum zinazohusiana na picha za binadamu: makadirio ya umri na hisia, utambuzi wa uso na utambulisho, na makadirio ya mkao wa 3D, kutaja chache. -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/11) Moja ya kazi rahisi zaidi za maono ya kompyuta ni **uainishaji wa picha**. @@ -105,7 +105,7 @@ Wakati mwingine, kazi ngumu kama vile utambuzi wa harakati au utambuzi wa ncha z Tazama [video hii](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) kutoka kipindi cha AI ili kujifunza kuhusu mradi wa Cortic Tigers na jinsi walivyojenga suluhisho la msingi wa vizuizi ili kurahisisha kazi za maono ya kompyuta kupitia roboti. Fanya utafiti juu ya miradi mingine kama hii inayosaidia wanafunzi wapya kuingia kwenye uwanja huu. -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 0554176e..01e70392 100644 --- a/translations/sw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Katika somo hili, umejifunza dhana kuu nyuma ya mitandao ya neva ya maono ya kom Katika daftari zinazofuatana, kuna maelezo chini kuhusu jinsi ya kupata usahihi mkubwa zaidi. Fanya majaribio ili kuona kama unaweza kufanikisha usahihi wa juu zaidi. -## [Jaribio baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Jaribio baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sw/lessons/4-ComputerVision/07-ConvNets/README.md index dbef5469..6a24925f 100644 --- a/translations/sw/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sw/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Tumeona hapo awali kwamba mitandao ya neural ni nzuri sana katika kushughulikia picha, na hata perceptron ya tabaka moja inaweza kutambua namba zilizoandikwa kwa mkono kutoka kwenye seti ya data ya MNIST kwa usahihi wa kuridhisha. Hata hivyo, seti ya data ya MNIST ni maalum sana, na namba zote ziko katikati ya picha, jambo ambalo hufanya kazi kuwa rahisi zaidi. -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/13) Katika maisha halisi, tunataka kuwa na uwezo wa kutambua vitu kwenye picha bila kujali eneo lao halisi ndani ya picha. Maono ya kompyuta ni tofauti na uainishaji wa kawaida, kwa sababu tunapojaribu kutafuta kitu fulani kwenye picha, tunachanganua picha tukitafuta **mifumo** fulani na mchanganyiko wake. Kwa mfano, tunapotafuta paka, tunaweza kwanza kutafuta mistari ya mlalo, ambayo inaweza kuunda sharubu, na kisha mchanganyiko fulani wa sharubu unaweza kutuambia kwamba ni picha ya paka. Nafasi ya jamaa na uwepo wa mifumo fulani ni muhimu, na si nafasi yao halisi kwenye picha. diff --git a/translations/sw/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sw/lessons/4-ComputerVision/08-TransferLearning/README.md index b6b1284d..e2706ea6 100644 --- a/translations/sw/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sw/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kufundisha CNNs kunaweza kuchukua muda mwingi, na data nyingi zinahitajika kwa kazi hiyo. Hata hivyo, muda mwingi hutumika kujifunza vichujio vya kiwango cha chini ambavyo mtandao unaweza kutumia kutoa mifumo kutoka kwenye picha. Swali la asili linajitokeza - je, tunaweza kutumia mtandao wa neva uliowekwa tayari kwenye seti moja ya data na kuubadilisha ili kuainisha picha tofauti bila kuhitaji mchakato kamili wa mafunzo? -## [Jaribio la Kabla ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Jaribio la Kabla ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/15) Mbinu hii inaitwa **uhamishaji wa kujifunza**, kwa sababu tunahamisha maarifa fulani kutoka kwa mfano mmoja wa mtandao wa neva kwenda mwingine. Katika uhamishaji wa kujifunza, mara nyingi tunaanza na mfano uliowekwa tayari, ambao umefundishwa kwenye seti kubwa ya data ya picha, kama vile **ImageNet**. Mifano hiyo tayari inaweza kufanya kazi nzuri ya kutoa vipengele tofauti kutoka kwa picha za jumla, na mara nyingi kujenga kionainishaji juu ya vipengele hivyo vilivyotolewa kunaweza kutoa matokeo mazuri. @@ -76,7 +76,7 @@ Kwa kutumia uhamishaji wa kujifunza, unaweza kuunda haraka kionainishaji kwa kaz Katika daftari zinazohusiana, kuna maelezo chini kuhusu jinsi maarifa ya uhamishaji hufanya kazi vyema na data ya mafunzo inayofanana kiasi (aina mpya ya mnyama, labda). Fanya majaribio na aina mpya kabisa za picha ili kuona jinsi mifano yako ya maarifa ya uhamishaji inavyofanya kazi vizuri au vibaya. -## [Jaribio la Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Jaribio la Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sw/lessons/4-ComputerVision/09-Autoencoders/README.md index 9c5a0f81..07151b33 100644 --- a/translations/sw/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sw/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Wakati wa kufundisha CNNs, mojawapo ya changamoto ni kwamba tunahitaji data nyingi iliyo na lebo. Katika hali ya uainishaji wa picha, tunahitaji kutenganisha picha katika madarasa tofauti, jambo ambalo linahitaji juhudi za mikono. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Hata hivyo, tunaweza kutaka kutumia data ghafi (isiyo na lebo) kwa mafunzo ya CNN feature extractors, ambayo inaitwa **kujifunza kwa kujisimamia**. Badala ya lebo, tutatumia picha za mafunzo kama pembejeo na matokeo ya mtandao. Wazo kuu la **autoencoder** ni kwamba tutakuwa na **encoder network** inayobadilisha picha ya pembejeo kuwa **latent space** fulani (kawaida ni vector ya ukubwa mdogo), kisha **decoder network**, ambayo lengo lake litakuwa kurejesha picha ya asili. @@ -80,7 +80,7 @@ Jifunze zaidi kuhusu autoencoders katika daftari hizi zinazohusiana: * **Lossy** - picha iliyojengwa upya si sawa na picha ya asili. Asili ya hasara inafafanuliwa na *loss function* iliyotumika wakati wa mafunzo. * Inafanya kazi na **data isiyo na lebo** -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Hitimisho @@ -90,7 +90,7 @@ Katika somo hili, umejifunza kuhusu aina mbalimbali za autoencoders zinazopatika Katika somo hili, umejifunza kuhusu kutumia autoencoders kwa picha. Lakini zinaweza pia kutumika kwa muziki! Angalia mradi wa Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), ambao hutumia autoencoders kujifunza kurejesha muziki. Fanya [majaribio](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) na maktaba hii ili kuona unachoweza kuunda. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Mapitio & Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/10-GANs/README.md b/translations/sw/lessons/4-ComputerVision/10-GANs/README.md index e75ea02e..af33418d 100644 --- a/translations/sw/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/sw/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Katika sehemu iliyopita, tulijifunza kuhusu **miundo ya kizazi**: miundo inayoweza kuzalisha picha mpya zinazofanana na zile zilizopo kwenye seti ya mafunzo. VAE ilikuwa mfano mzuri wa muundo wa kizazi. -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/19) Hata hivyo, tukijaribu kuzalisha kitu chenye maana zaidi, kama mchoro wa kiwango cha azimio la kuridhisha, kwa kutumia VAE, tutaona kuwa mafunzo hayafikii lengo vizuri. Kwa matumizi haya, tunapaswa kujifunza kuhusu usanifu mwingine unaolenga hasa miundo ya kizazi - **Mitandao ya Kizazi ya Kifedhuli**, au GANs. @@ -84,7 +84,7 @@ Jinsi inavyofanya kazi ni kama ifuatavyo: ## ✍️ Mfano: [Uhamishaji wa Mtindo](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Hitimisho diff --git a/translations/sw/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sw/lessons/4-ComputerVision/11-ObjectDetection/README.md index dc3ffbb1..7e3e1c73 100644 --- a/translations/sw/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sw/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Mifano ya uainishaji wa picha tuliyoshughulikia hadi sasa ilichukua picha na kutoa matokeo ya kategoria, kama darasa 'nambari' katika tatizo la MNIST. Hata hivyo, katika hali nyingi hatutaki tu kujua kwamba picha inaonyesha vitu - tunataka kuweza kubaini eneo lao halisi. Hili ndilo hasa lengo la **utambuzi wa vitu**. -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Utambuzi wa Vitu](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sw.png) @@ -172,7 +172,7 @@ Soma makala na daftari hizi kuhusu YOLO na ujaribu mwenyewe: * Yolo: [Utekelezaji wa Keras](https://github.com/experiencor/keras-yolo2), [daftari la hatua kwa hatua](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Utekelezaji wa Keras](https://github.com/experiencor/keras-yolo2), [daftari la hatua kwa hatua](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Maswali ya baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Maswali ya baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sw/lessons/4-ComputerVision/12-Segmentation/README.md index 03a2388a..00ff2d2c 100644 --- a/translations/sw/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/sw/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Tumejifunza awali kuhusu Utambuzi wa Vitu, ambao hutuwezesha kutambua vitu kwenye picha kwa kutabiri *mipaka ya vitu* yao. Hata hivyo, kwa baadhi ya kazi hatuhitaji tu mipaka ya vitu, bali pia utambuzi wa vitu kwa usahihi zaidi. Kazi hii inaitwa **ugawaji**. -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/23) Ugawaji unaweza kuonekana kama **utambuzi wa pikseli**, ambapo kwa **kila** pikseli ya picha tunapaswa kutabiri darasa lake (*mandharinyuma* ikiwa mojawapo ya madarasa). Kuna mbinu kuu mbili za ugawaji: @@ -56,7 +56,7 @@ Fungua daftari zilizo hapa chini ili kujifunza zaidi kuhusu usanifu tofauti wa u * [Ugawaji wa Kisemantiki Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Ugawaji wa Kisemantiki TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Maswali ya baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Maswali ya baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Hitimisho diff --git a/translations/sw/lessons/5-NLP/13-TextRep/README.md b/translations/sw/lessons/5-NLP/13-TextRep/README.md index e233134c..05253024 100644 --- a/translations/sw/lessons/5-NLP/13-TextRep/README.md +++ b/translations/sw/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Kuwakilisha Maandishi kama Tensors -## [Jaribio la Kabla ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Jaribio la Kabla ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Uainishaji wa Maandishi @@ -73,7 +73,7 @@ Hadi sasa, tumejifunza mbinu zinazoweza kuongeza uzito wa marudio kwa maneno tof Jaribu mazoezi mengine kwa kutumia mfuko wa maneno na mifano tofauti ya data. Unaweza kupata msukumo kutoka kwa [shindano hili kwenye Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Jaribio la Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Jaribio la Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/5-NLP/14-Embeddings/README.md b/translations/sw/lessons/5-NLP/14-Embeddings/README.md index 84ffb645..0ad4d45c 100644 --- a/translations/sw/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sw/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Uwekaji wa Neno -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/27) Wakati wa kufundisha vionyeshi vya kuainisha kwa kutumia BoW au TF/IDF, tulikuwa tunatumia vekta za maneno zenye vipimo vingi zenye urefu `vocab_size`, na tulikuwa tunabadilisha vekta za uwakilishi wa nafasi zenye vipimo vichache kuwa uwakilishi wa sparse one-hot. Hata hivyo, uwakilishi huu wa one-hot si wa ufanisi wa kumbukumbu. Zaidi ya hayo, kila neno linachukuliwa kuwa huru kutoka kwa mengine, yaani, vekta za one-hot hazionyeshi uhusiano wa kisemantiki kati ya maneno. @@ -65,7 +65,7 @@ Katika somo hili, umejifunza jinsi ya kujenga na kutumia safu za uwekaji katika Word2Vec imetumika kwa matumizi ya kuvutia, ikiwa ni pamoja na kuunda mashairi na nyimbo. Angalia [makala hii](https://www.politetype.com/blog/word2vec-color-poems) ambayo inaelezea jinsi mwandishi alitumia Word2Vec kuunda mashairi. Tazama [video hii na Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) pia ili kugundua maelezo tofauti ya mbinu hii. Kisha jaribu kutumia mbinu hizi kwenye mkusanyiko wako wa maandishi, labda kutoka Kaggle. -## [Maswali ya baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Maswali ya baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Mapitio na Kujifunza Binafsi diff --git a/translations/sw/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sw/lessons/5-NLP/15-LanguageModeling/README.md index b0c019f6..0703bb86 100644 --- a/translations/sw/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sw/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Uwakilishi wa semantiki, kama Word2Vec na GloVe, kwa kweli ni hatua ya kwanza kuelekea **uundaji wa lugha** - kuunda mifano inayoweza *kuelewa* (au *kuwakilisha*) asili ya lugha. -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/29) Wazo kuu nyuma ya uundaji wa lugha ni kuifundisha kwenye seti za data zisizo na lebo kwa njia isiyo ya kusimamiwa. Hili ni muhimu kwa sababu tuna kiasi kikubwa cha maandishi yasiyo na lebo yanayopatikana, wakati kiasi cha maandishi yaliyo na lebo daima kitakuwa kidogo kutokana na juhudi tunazoweza kutumia katika kuweka lebo. Mara nyingi, tunaweza kujenga mifano ya lugha inayoweza **kutabiri maneno yanayokosekana** katika maandishi, kwa sababu ni rahisi kuficha neno la bahati nasibu katika maandishi na kulitumia kama sampuli ya mafunzo. @@ -38,7 +38,7 @@ Endelea kujifunza katika noti zifuatazo: Katika somo la awali tuliona kwamba uwakilishi wa maneno hufanya kazi kama uchawi! Sasa tunajua kwamba kufundisha uwakilishi wa maneno si kazi ngumu sana, na tunapaswa kuwa na uwezo wa kufundisha uwakilishi wetu wa maneno kwa maandishi maalum ya kikoa ikiwa inahitajika. -## [Maswali ya baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Maswali ya baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Mapitio na Kujifunza Binafsi diff --git a/translations/sw/lessons/5-NLP/16-RNN/README.md b/translations/sw/lessons/5-NLP/16-RNN/README.md index 41b0cce5..2b989e04 100644 --- a/translations/sw/lessons/5-NLP/16-RNN/README.md +++ b/translations/sw/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mitandao ya Neural ya Kurudiarudia -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/31) Katika sehemu zilizopita, tumekuwa tukitumia uwakilishi wa maana tajiri wa maandishi na mklasifaya rahisi ya mstari juu ya embeddings. Hii usanifu hufanya kazi ya kunasa maana iliyojumlishwa ya maneno katika sentensi, lakini haizingatii **mpangilio** wa maneno, kwa sababu operesheni ya kujumuisha juu ya embeddings huondoa taarifa hii kutoka kwa maandishi ya awali. Kwa sababu mifano hii haiwezi kuiga mpangilio wa maneno, haziwezi kutatua kazi ngumu zaidi au zenye utata kama vile uzalishaji wa maandishi au kujibu maswali. @@ -83,7 +83,7 @@ Soma baadhi ya fasihi kuhusu LSTM na zingatia matumizi yake: - [Grid Long Short-Term Memory](https://arxiv.org/pdf/1507.01526v1.pdf) - [Onyesha, Hudhuria na Hadithi: Kizazi cha Maelezo ya Picha ya Neural na Umakini wa Kijisura](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sw/lessons/5-NLP/17-GenerativeNetworks/README.md index f11d6f60..6d54b16e 100644 --- a/translations/sw/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sw/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mitandao ya Kizazi -## [Jaribio la Kabla ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Jaribio la Kabla ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/33) Mitandao ya Neural Inayojirudia (RNNs) na aina zake kama vile Long Short Term Memory Cells (LSTMs) na Gated Recurrent Units (GRUs) zilitoa njia ya kuunda mifano ya lugha kwa kuwa zinaweza kujifunza mpangilio wa maneno na kutoa utabiri wa neno linalofuata katika mfuatano. Hii inatuwezesha kutumia RNNs kwa **kazi za kizazi**, kama vile utengenezaji wa maandishi ya kawaida, tafsiri ya mashine, na hata uundaji wa maelezo ya picha. @@ -71,7 +71,7 @@ Chukua masomo fulani kwenye Microsoft Learn kuhusu mada hii: * Kizazi cha Maandishi na [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) -## [Jaribio la Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Jaribio la Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/5-NLP/18-Transformers/README.md b/translations/sw/lessons/5-NLP/18-Transformers/README.md index f8da7206..a34fe33b 100644 --- a/translations/sw/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sw/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mbinu za Uangalizi na Transformers -## [Jaribio la awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Jaribio la awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/35) Moja ya matatizo muhimu zaidi katika uwanja wa NLP ni **tafsiri ya mashine**, kazi muhimu inayotumika katika zana kama Google Translate. Katika sehemu hii, tutazingatia tafsiri ya mashine, au kwa ujumla zaidi, kazi yoyote ya *mlolongo-kwa-mlolongo* (ambayo pia inaitwa **sentence transduction**). @@ -108,7 +108,7 @@ Katika somo hili umejifunza kuhusu Transformers na Mbinu za Uangalizi, zana muhi ## 🚀 Changamoto -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/sw/lessons/5-NLP/18-Transformers/READMEtransformers.md index 5aa3c109..01ab69e4 100644 --- a/translations/sw/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/sw/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Mekanismer för uppmärksamhet och Transformatorer -## [För-lärare quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [För-lärare quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35) Ett av de mest betydelsefulla problemen inom NLP-området är **maskinöversättning**, en grundläggande uppgift som ligger till grund för verktyg som Google Translate. I denna sektion kommer vi att fokusera på maskinöversättning, eller mer generellt, på vilken *sekvens-till-sekvens* uppgift som helst (vilket också kallas **meningstransduktion**). @@ -99,7 +99,7 @@ I denna lektion lärde du dig om transformatorer och uppmärksamhetsmekanismer, ## 🚀 Utmaning -## [Efter-lärare quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Efter-lärare quiz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Granskning & Självstudie diff --git a/translations/sw/lessons/5-NLP/19-NER/README.md b/translations/sw/lessons/5-NLP/19-NER/README.md index e241ced5..6bca7e74 100644 --- a/translations/sw/lessons/5-NLP/19-NER/README.md +++ b/translations/sw/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hadi sasa, tumekuwa tukijikita zaidi katika kazi moja ya NLP - uainishaji. Hata hivyo, kuna kazi nyingine za NLP ambazo zinaweza kufanikishwa kwa kutumia mitandao ya neva. Mojawapo ya kazi hizo ni **[Utambuzi wa Viumbe Vilivyotajwa](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ambayo inahusika na kutambua viumbe maalum ndani ya maandishi, kama vile maeneo, majina ya watu, vipindi vya tarehe na muda, fomula za kemikali, na kadhalika. -## [Maswali ya awali ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Maswali ya awali ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Mfano wa Kutumia NER @@ -80,7 +80,7 @@ Mfano wa NER ni **mfano wa uainishaji wa tokeni**, ambayo ina maana kwamba unawe Kamilisha kazi iliyounganishwa hapa chini ili kufundisha mfano wa utambuzi wa viumbe vilivyotajwa kwa istilahi za matibabu, kisha ujaribu kwenye seti ya data tofauti. -## [Maswali ya baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Maswali ya baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/5-NLP/20-LangModels/README.md b/translations/sw/lessons/5-NLP/20-LangModels/README.md index 7fd6e25f..967b287a 100644 --- a/translations/sw/lessons/5-NLP/20-LangModels/README.md +++ b/translations/sw/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Katika kazi zetu zote za awali, tulikuwa tunafundisha mtandao wa neva kufanya kazi fulani kwa kutumia seti ya data yenye lebo. Kwa miundo mikubwa ya transformer, kama BERT, tunatumia uundaji wa lugha kwa njia ya kujifunza binafsi ili kujenga mfano wa lugha, ambao baadaye unataalam kwa kazi maalum za chini kwa mafunzo zaidi ya kikoa maalum. Hata hivyo, imeonyeshwa kuwa miundo mikubwa ya lugha inaweza pia kutatua kazi nyingi bila mafunzo yoyote maalum ya kikoa. Familia ya miundo inayoweza kufanya hivyo inaitwa **GPT**: Generative Pre-Trained Transformer. -## [Jaribio la Kabla ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Jaribio la Kabla ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Uundaji wa Maandishi na Perplexity @@ -59,7 +59,7 @@ Endelea kujifunza katika daftari zifuatazo: Miundo mipya ya lugha iliyofunzwa kabla haifanyi tu uundaji wa muundo wa lugha, bali pia ina kiasi kikubwa cha lugha ya asili. Kwa hivyo, inaweza kutumika kwa ufanisi kutatua baadhi ya kazi za NLP katika mipangilio ya zero-shop au few-shot. -## [Jaribio la Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Jaribio la Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Kanusho**: Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii. \ No newline at end of file diff --git a/translations/sw/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/sw/lessons/5-NLP/20-LangModels/READMELargeLang.md index abf155c7..02e76a95 100644 --- a/translations/sw/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/sw/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ I alla våra tidigare uppgifter har vi tränat ett neuralt nätverk för att utföra en viss uppgift med hjälp av en märkt dataset. Med stora transformer-modeller, såsom BERT, använder vi språkmodellering på ett självövervakat sätt för att bygga en språkmodell, som sedan specialiseras för specifika nedströmsuppgifter med ytterligare domänspecifik träning. Det har emellertid visat sig att stora språkmodeller också kan lösa många uppgifter utan NÅGON domänspecifik träning. En familj av modeller som kan göra detta kallas **GPT**: Generative Pre-Trained Transformer. -## [För-föreläsningsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [För-föreläsningsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Textgenerering och Perplexitet @@ -50,7 +50,7 @@ Fortsätt ditt lärande i följande notböcker: Nya allmänna förtränade språkmodeller modellerar inte bara språkstruktur, utan innehåller också stora mängder naturligt språk. Därför kan de effektivt användas för att lösa vissa NLP-uppgifter i zero-shot eller few-shot inställningar. -## [Efter-föreläsningsquiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Efter-föreläsningsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Ansvarsfriskrivning**: Detta dokument har översatts med hjälp av maskinbaserade AI-översättningstjänster. Även om vi strävar efter noggrannhet, vänligen var medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på sitt modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår från användningen av denna översättning. \ No newline at end of file diff --git a/translations/sw/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sw/lessons/6-Other/21-GeneticAlgorithms/README.md index fd0253c0..d3a769b0 100644 --- a/translations/sw/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/sw/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Algorithms za Kijenetiki -## [Maswali ya awali ya mihadhara](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Maswali ya awali ya mihadhara](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Algorithms za Kijenetiki** (GA) zinategemea mbinu ya **mabadiliko ya kimaumbile** katika AI, ambapo mbinu za mabadiliko ya idadi ya watu zinatumika kupata suluhisho bora kwa tatizo fulani. Zilianzishwa mwaka 1975 na [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Algorithms za Kijenetiki zinatumika kutatua matatizo mengi, ikiwa ni pamoja na m "Algorithms za kijenetiki ni rahisi kutekeleza, lakini tabia zake ni ngumu kuelewa." [chanzo](https://wikipedia.org/wiki/Genetic_algorithm) Fanya utafiti ili kupata utekelezaji wa algorithm ya kijenetiki kama kutatua fumbo la Sudoku, na eleza jinsi inavyofanya kazi kwa mchoro au mtiririko wa hatua. -## [Maswali ya baada ya mihadhara](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Maswali ya baada ya mihadhara](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Mapitio & Kujifunza Binafsi diff --git a/translations/sw/lessons/6-Other/22-DeepRL/README.md b/translations/sw/lessons/6-Other/22-DeepRL/README.md index f93c7c08..6ef0fe2b 100644 --- a/translations/sw/lessons/6-Other/22-DeepRL/README.md +++ b/translations/sw/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kujifunza kuimarisha (RL) kunachukuliwa kama mojawapo ya mifumo ya msingi ya kujifunza kwa mashine, sambamba na kujifunza kwa kusimamiwa na kujifunza bila kusimamiwa. Wakati katika kujifunza kwa kusimamiwa tunategemea seti ya data yenye matokeo yanayojulikana, RL inategemea **kujifunza kwa kufanya**. Kwa mfano, tunapoona mchezo wa kompyuta kwa mara ya kwanza, tunaanza kucheza hata bila kujua sheria, na hivi karibuni tunaweza kuboresha ujuzi wetu kupitia mchakato wa kucheza na kurekebisha tabia zetu. -## [Jaribio la kabla ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/43) Ili kufanya RL, tunahitaji: @@ -110,7 +110,7 @@ Sasa tumejifunza jinsi ya kufundisha mawakala kufanikisha matokeo mazuri kwa kuw Chunguza matumizi yaliyoorodheshwa katika sehemu ya 'Majukumu Mengine ya RL' na jaribu kutekeleza moja! -## [Jaribio la baada ya somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Mapitio na Kujisomea diff --git a/translations/sw/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sw/lessons/6-Other/23-MultiagentSystems/README.md index ee2260e7..5bb1cab7 100644 --- a/translations/sw/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sw/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Njia mojawapo ya kufanikisha akili ni mbinu inayoitwa **inayojitokeza** (au **synergetic**), ambayo inategemea ukweli kwamba tabia ya pamoja ya mawakala wengi rahisi inaweza kusababisha tabia ya jumla ya mfumo kuwa ngumu zaidi (au yenye akili). Kimsingi, hii inategemea kanuni za [Akili ya Pamoja](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) na [Cybernetics ya Mageuzi](https://en.wikipedia.org/wiki/Global_brain), ambazo zinasema kwamba mifumo ya kiwango cha juu hupata aina fulani ya thamani ya ziada inapounganishwa vizuri kutoka kwa mifumo ya kiwango cha chini (kanuni inayoitwa *mpito wa metasystem*). -## [Jaribio la Kabla ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Jaribio la Kabla ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/45) Mwelekeo wa **Mfumo wa Wakala Wengi** ulianza kujitokeza katika AI miaka ya 1990 kama jibu la ukuaji wa mtandao na mifumo iliyosambazwa. Mojawapo ya vitabu vya kiada vya AI vya kawaida, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), linaangazia mtazamo wa AI ya kawaida kutoka kwa mtazamo wa mifumo ya wakala wengi. @@ -152,7 +152,7 @@ Yote huwa na mwelekeo wa tabia rahisi ya wakala mmoja, na kufanikisha tabia chan Chukua somo hili katika ulimwengu halisi na jaribu kufikiria mfumo wa wakala wengi ambao unaweza kutatua tatizo. Kwa mfano, mfumo wa wakala wengi ungehitaji kufanya nini ili kuboresha njia ya basi la shule? Unaweza kufanya kazi vipi katika mkate? -## [Jaribio la Baada ya Somo](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Jaribio la Baada ya Somo](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Mapitio na Kujifunza Binafsi diff --git a/translations/th/lessons/1-Intro/README.md b/translations/th/lessons/1-Intro/README.md index f562551d..14afee9f 100644 --- a/translations/th/lessons/1-Intro/README.md +++ b/translations/th/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: สำรวจอินเทอร์เน็ตเพื่อค้นหาว่าในความเห็นของคุณ AI ถูกใช้งานได้อย่างมีประสิทธิภาพที่สุดในที่ใด เช่น แอปแผนที่ บริการแปลงเสียงเป็นข้อความ หรือวิดีโอเกม? ศึกษาว่าระบบนั้นถูกสร้างขึ้นมาอย่างไร -## [แบบทดสอบหลังบทเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [แบบทดสอบหลังบทเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/2-Symbolic/README.md b/translations/th/lessons/2-Symbolic/README.md index 97d17f91..68027aa6 100644 --- a/translations/th/lessons/2-Symbolic/README.md +++ b/translations/th/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: การแสวงหาปัญญาประดิษฐ์นั้นตั้งอยู่บนพื้นฐานของการค้นหาความรู้ เพื่อทำความเข้าใจโลกในแบบที่มนุษย์ทำ แต่เราจะทำสิ่งนี้ได้อย่างไร? -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/3) ในยุคแรกของ AI แนวทางจากบนลงล่าง (top-down approach) ในการสร้างระบบอัจฉริยะ (ที่ได้กล่าวถึงในบทเรียนก่อนหน้า) เป็นที่นิยม แนวคิดคือการดึงความรู้จากมนุษย์ให้อยู่ในรูปแบบที่เครื่องจักรสามารถอ่านได้ และใช้มันในการแก้ปัญหาโดยอัตโนมัติ แนวทางนี้ตั้งอยู่บนสองแนวคิดใหญ่: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel ในโน้ตบุ๊ก Family Ontology ที่เกี่ยวข้องกับบทเรียนนี้ มีโอกาสให้ทดลองกับความสัมพันธ์ในครอบครัวอื่น ๆ ลองค้นหาความเชื่อมโยงใหม่ ๆ ระหว่างบุคคลในแผนผังครอบครัว -## [แบบทดสอบหลังการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md index 6b2336b1..5b2d75a9 100644 --- a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # บทนำสู่โครงข่ายประสาทเทียม: เพอร์เซปตรอน -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/5) หนึ่งในความพยายามแรก ๆ ในการสร้างสิ่งที่คล้ายกับโครงข่ายประสาทเทียมสมัยใหม่เกิดขึ้นโดย Frank Rosenblatt จาก Cornell Aeronautical Laboratory ในปี 1957 ซึ่งเป็นการสร้างฮาร์ดแวร์ที่เรียกว่า "Mark-1" ออกแบบมาเพื่อจดจำรูปทรงเรขาคณิตพื้นฐาน เช่น สามเหลี่ยม สี่เหลี่ยม และวงกลม @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): หากคุณต้องการลองสร้างเพอร์เซปตรอนของคุณเอง ลองดู [แลปนี้บน Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) ซึ่งใช้ [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md index ba39ec55..b9e18c2e 100644 --- a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: เรายังจะพัฒนากรอบการทำงานแบบโมดูลาร์ใน Python ที่ช่วยให้เราสร้างสถาปัตยกรรมเครือข่ายประสาทเทียมที่แตกต่างกันได้ -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## การทำให้ปัญหา Machine Learning เป็นทางการ @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: ไปที่ [OwnFramework](OwnFramework.ipynb) notebook และทำงานผ่านมัน -## [แบบทดสอบหลังการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md index f817ab05..a4b8e98e 100644 --- a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * การดำเนินการกับเทนเซอร์ เช่น การคูณ การบวก และการคำนวณฟังก์ชันบางอย่าง เช่น sigmoid หรือ softmax * การคำนวณกราเดียนของทุกนิพจน์ เพื่อใช้ในการปรับแต่งค่าพารามิเตอร์ด้วยวิธี gradient descent -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/9) แม้ว่าไลบรารี `numpy` จะสามารถทำงานในส่วนแรกได้ แต่เรายังต้องการกลไกในการคำนวณกราเดียน ใน [เฟรมเวิร์กของเรา](../04-OwnFramework/OwnFramework.ipynb) ที่พัฒนาในส่วนก่อนหน้า เราต้องเขียนฟังก์ชันอนุพันธ์ทั้งหมดด้วยตนเองในเมธอด `backward` ซึ่งทำหน้าที่ backpropagation อุดมคติแล้ว เฟรมเวิร์กควรให้เราสามารถคำนวณกราเดียนของ *นิพจน์ใดๆ* ที่เรากำหนดได้ @@ -106,7 +106,7 @@ Overfitting เป็นกรณีหนึ่งของปัญหาท ในโน้ตบุ๊กที่แนบมานี้ คุณจะพบ 'tasks' ที่ด้านล่าง ลองทำงานผ่านโน้ตบุ๊กและทำ tasks ให้เสร็จสิ้น -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md index 983cec0a..b4197bb5 100644 --- a/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) เป็นสาขาหนึ่งที่มีเป้าหมายเพื่อให้คอมพิวเตอร์สามารถเข้าใจภาพดิจิทัลในระดับสูงได้ คำว่า *เข้าใจ* ในที่นี้มีความหมายที่หลากหลาย เช่น การค้นหาวัตถุในภาพ (**object detection**), การเข้าใจเหตุการณ์ที่เกิดขึ้น (**event detection**), การบรรยายภาพด้วยข้อความ หรือการสร้างฉากในรูปแบบ 3 มิติ นอกจากนี้ยังมีงานเฉพาะทางที่เกี่ยวข้องกับภาพมนุษย์ เช่น การประเมินอายุและอารมณ์, การตรวจจับและระบุตัวบุคคล, และการประเมินท่าทางในรูปแบบ 3 มิติ เป็นต้น -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/11) หนึ่งในงานที่ง่ายที่สุดของการมองเห็นด้วยคอมพิวเตอร์คือ **การจำแนกประเภทของภาพ** (image classification) @@ -105,7 +105,7 @@ OpenCV ยังสามารถใช้โหลดเฟรมวิดี ชม [วิดีโอนี้](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) จาก AI Show เพื่อเรียนรู้เกี่ยวกับโครงการ Cortic Tigers และวิธีที่พวกเขาสร้างโซลูชันแบบบล็อกเพื่อทำให้การมองเห็นด้วยคอมพิวเตอร์เป็นเรื่องง่ายสำหรับทุกคน ลองค้นคว้าเกี่ยวกับโครงการอื่น ๆ ที่ช่วยให้ผู้เรียนใหม่เข้าสู่สาขานี้ -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index f6dd3785..05298615 100644 --- a/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet เป็นกลุ่มโมเดลที่มีขนาด ในโน้ตบุ๊กที่มาพร้อมกัน มีบันทึกที่ด้านล่างเกี่ยวกับวิธีการเพิ่มความแม่นยำ ลองทำการทดลองเพื่อดูว่าคุณสามารถทำให้ความแม่นยำสูงขึ้นได้หรือไม่ -## [แบบทดสอบหลังการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md index f97f09ee..cdb7fe28 100644 --- a/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: เราเคยเห็นมาก่อนว่าเครือข่ายประสาทเทียมมีความสามารถที่ดีในการจัดการกับภาพ และแม้แต่เพอร์เซปตรอนชั้นเดียวก็สามารถจดจำตัวเลขที่เขียนด้วยมือจากชุดข้อมูล MNIST ได้ด้วยความแม่นยำที่เหมาะสม อย่างไรก็ตาม ชุดข้อมูล MNIST มีลักษณะพิเศษที่ตัวเลขทั้งหมดถูกจัดให้อยู่ตรงกลางของภาพ ซึ่งทำให้การจดจำง่ายขึ้น -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/13) ในชีวิตจริง เราต้องการความสามารถในการจดจำวัตถุในภาพโดยไม่คำนึงถึงตำแหน่งที่แน่นอนของวัตถุนั้นในภาพ การมองเห็นด้วยคอมพิวเตอร์แตกต่างจากการจำแนกประเภททั่วไป เพราะเมื่อเราพยายามค้นหาวัตถุเฉพาะในภาพ เราจะสแกนภาพเพื่อค้นหารูปแบบเฉพาะและการผสมผสานของรูปแบบเหล่านั้น ตัวอย่างเช่น เมื่อมองหาภาพแมว เราอาจเริ่มมองหาสายเส้นแนวนอนที่อาจเป็นหนวดแมว และเมื่อหนวดแมวปรากฏในรูปแบบที่เฉพาะเจาะจง เราก็สามารถบอกได้ว่านี่คือภาพของแมว ตำแหน่งสัมพัทธ์และการมีอยู่ของรูปแบบบางอย่างมีความสำคัญ แต่ไม่ใช่ตำแหน่งที่แน่นอนในภาพ diff --git a/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md index 450885da..b8458c92 100644 --- a/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: การฝึกฝน CNNs อาจใช้เวลานานและต้องการข้อมูลจำนวนมาก อย่างไรก็ตาม เวลาส่วนใหญ่ถูกใช้ไปกับการเรียนรู้ตัวกรองระดับต่ำที่ดีที่สุดที่เครือข่ายสามารถใช้เพื่อดึงรูปแบบจากภาพ คำถามที่เกิดขึ้นตามธรรมชาติคือ - เราสามารถใช้เครือข่ายประสาทที่ฝึกฝนบนชุดข้อมูลหนึ่งและปรับให้เหมาะสมกับการจำแนกภาพที่แตกต่างกันโดยไม่ต้องฝึกฝนใหม่ทั้งหมดได้หรือไม่? -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/15) วิธีการนี้เรียกว่า **การเรียนรู้แบบถ่ายโอน** เพราะเราโอนความรู้บางส่วนจากโมเดลเครือข่ายประสาทหนึ่งไปยังอีกโมเดลหนึ่ง ในการเรียนรู้แบบถ่ายโอน เรามักเริ่มต้นด้วยโมเดลที่ผ่านการฝึกฝนล่วงหน้า ซึ่งได้รับการฝึกฝนบนชุดข้อมูลภาพขนาดใหญ่ เช่น **ImageNet** โมเดลเหล่านี้สามารถดึงคุณลักษณะต่างๆ จากภาพทั่วไปได้ดีอยู่แล้ว และในหลายกรณี เพียงแค่สร้างตัวจำแนกบนคุณลักษณะที่ดึงออกมาเหล่านั้นก็สามารถให้ผลลัพธ์ที่ดีได้ @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: ในสมุดบันทึกที่แนบมามีบันทึกที่ด้านล่างเกี่ยวกับวิธีที่การถ่ายโอนความรู้ทำงานได้ดีที่สุดกับข้อมูลการฝึกที่คล้ายกัน (เช่น สัตว์ชนิดใหม่) ลองทดลองกับภาพประเภทใหม่ทั้งหมดเพื่อดูว่าการถ่ายโอนความรู้ของคุณทำงานได้ดีหรือแย่เพียงใด -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md index 45620365..a5c0ab24 100644 --- a/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: เมื่อฝึกสอน CNNs หนึ่งในปัญหาคือเราต้องการข้อมูลที่มีการติดป้ายกำกับจำนวนมาก ในกรณีของการจำแนกภาพ เราจำเป็นต้องแยกภาพออกเป็นคลาสต่างๆ ซึ่งเป็นงานที่ต้องทำด้วยมือ -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/17) อย่างไรก็ตาม เราอาจต้องการใช้ข้อมูลดิบ (ที่ไม่มีป้ายกำกับ) สำหรับการฝึกสอนตัวดึงคุณลักษณะของ CNN ซึ่งเรียกว่า **การเรียนรู้แบบกึ่งควบคุมตนเอง (self-supervised learning)** แทนที่จะใช้ป้ายกำกับ เราจะใช้ภาพฝึกสอนเป็นทั้งอินพุตและเอาต์พุตของเครือข่าย แนวคิดหลักของ **ออโต้เอนโค้ดเดอร์** คือเราจะมี **เครือข่ายเอนโค้ดเดอร์** ที่แปลงภาพอินพุตไปยัง **พื้นที่แฝง (latent space)** (โดยปกติจะเป็นเวกเตอร์ขนาดเล็กกว่า) จากนั้น **เครือข่ายดีโค้ดเดอร์** จะมีเป้าหมายในการสร้างภาพต้นฉบับขึ้นมาใหม่ @@ -80,7 +80,7 @@ VAE คือออโต้เอนโค้ดเดอร์ที่เร * **สูญเสียข้อมูลบางส่วน** - ภาพที่สร้างใหม่ไม่เหมือนกับภาพต้นฉบับ ลักษณะของการสูญเสียถูกกำหนดโดย *ฟังก์ชันการสูญเสีย* ที่ใช้ระหว่างการฝึกสอน * ทำงานกับ **ข้อมูลที่ไม่มีป้ายกำกับ** -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## สรุป @@ -90,7 +90,7 @@ VAE คือออโต้เอนโค้ดเดอร์ที่เร ในบทเรียนนี้ คุณได้เรียนรู้เกี่ยวกับการใช้ออโต้เอนโค้ดเดอร์สำหรับภาพ แต่พวกมันยังสามารถใช้กับดนตรีได้ด้วย! ลองดูโครงการ MusicVAE ของ Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae) ซึ่งใช้ออโต้เอนโค้ดเดอร์เพื่อเรียนรู้การสร้างดนตรีขึ้นมาใหม่ ลองทำ [การทดลอง](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) กับไลบรารีนี้เพื่อดูว่าคุณสามารถสร้างอะไรได้บ้าง -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/10-GANs/README.md b/translations/th/lessons/4-ComputerVision/10-GANs/README.md index c4294980..f68423b4 100644 --- a/translations/th/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/th/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ในส่วนก่อนหน้านี้ เราได้เรียนรู้เกี่ยวกับ **โมเดลการสร้าง (generative models)**: โมเดลที่สามารถสร้างภาพใหม่ที่คล้ายกับภาพในชุดข้อมูลการฝึกฝน VAE เป็นตัวอย่างที่ดีของโมเดลการสร้าง -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/19) อย่างไรก็ตาม หากเราพยายามสร้างสิ่งที่มีความหมายจริงๆ เช่น ภาพวาดที่มีความละเอียดสมเหตุสมผลด้วย VAE เราจะพบว่าการฝึกฝนไม่ค่อยจะบรรลุผลดีนัก สำหรับกรณีนี้ เราควรเรียนรู้เกี่ยวกับสถาปัตยกรรมอีกแบบหนึ่งที่ออกแบบมาเพื่อโมเดลการสร้างโดยเฉพาะ - **Generative Adversarial Networks** หรือ GANs @@ -84,7 +84,7 @@ GAN เป็นวิธีที่ยอดเยี่ยมในการ ## ✍️ ตัวอย่าง: [Style Transfer](StyleTransfer.ipynb) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## สรุป diff --git a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md index d2dd6b1a..e9324415 100644 --- a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: โมเดลการจำแนกภาพที่เราได้เรียนรู้มาก่อนหน้านี้จะรับภาพและให้ผลลัพธ์เป็นหมวดหมู่ เช่น คลาส 'ตัวเลข' ในปัญหา MNIST อย่างไรก็ตาม ในหลายกรณีเราไม่ได้ต้องการแค่รู้ว่าภาพนั้นมีวัตถุอยู่ แต่เราต้องการทราบตำแหน่งที่แน่นอนของวัตถุเหล่านั้น นี่คือจุดประสงค์ของ **การตรวจจับวัตถุ** -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![การตรวจจับวัตถุ](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.th.png) @@ -172,7 +172,7 @@ YOLO เป็นอัลกอริทึมแบบเรียลไทม * Yolo: [การใช้งาน Keras](https://github.com/experiencor/keras-yolo2), [โน้ตบุ๊กแบบทีละขั้นตอน](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [การใช้งาน Keras](https://github.com/experiencor/keras-yolo2), [โน้ตบุ๊กแบบทีละขั้นตอน](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md index 94ebca33..ee1be6dc 100644 --- a/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: เราได้เรียนรู้เกี่ยวกับการตรวจจับวัตถุ (Object Detection) ซึ่งช่วยให้เราสามารถระบุตำแหน่งของวัตถุในภาพโดยการทำนาย *กรอบสี่เหลี่ยม* (bounding boxes) ของวัตถุ อย่างไรก็ตาม สำหรับบางงาน เราไม่ได้ต้องการแค่กรอบสี่เหลี่ยม แต่ต้องการการระบุตำแหน่งของวัตถุที่แม่นยำยิ่งขึ้น งานนี้เรียกว่า **การแบ่งส่วนภาพ** (segmentation) -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/23) การแบ่งส่วนภาพสามารถมองว่าเป็น **การจำแนกพิกเซล** ซึ่งสำหรับ **แต่ละ** พิกเซลในภาพ เราต้องทำนายคลาสของมัน (*พื้นหลัง* เป็นหนึ่งในคลาส) โดยมีอัลกอริทึมการแบ่งส่วนภาพหลักสองประเภท: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Semantic Segmentation Pytorch](SemanticSegmentationPytorch.ipynb) * [Semantic Segmentation TensorFlow](SemanticSegmentationTF.ipynb) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## สรุป diff --git a/translations/th/lessons/5-NLP/13-TextRep/README.md b/translations/th/lessons/5-NLP/13-TextRep/README.md index d7ee48bd..a3e86b95 100644 --- a/translations/th/lessons/5-NLP/13-TextRep/README.md +++ b/translations/th/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # การแสดงข้อความในรูปแบบเทนเซอร์ -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## การจัดประเภทข้อความ @@ -73,7 +73,7 @@ BoW แสดงให้เห็นว่าคำใดปรากฏใน ลองทำแบบฝึกหัดอื่น ๆ โดยใช้ bag-of-words และโมเดลข้อมูลต่าง ๆ คุณอาจได้รับแรงบันดาลใจจาก [การแข่งขันนี้บน Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/14-Embeddings/README.md b/translations/th/lessons/5-NLP/14-Embeddings/README.md index 83cf2663..18a867cb 100644 --- a/translations/th/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/th/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # การฝังข้อมูล (Embeddings) -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/27) เมื่อเราฝึกโมเดลจำแนกประเภทโดยใช้ BoW หรือ TF/IDF เราจะทำงานกับเวกเตอร์ bag-of-words ที่มีมิติสูงซึ่งมีความยาวเท่ากับ `vocab_size` และเราจะเปลี่ยนจากเวกเตอร์ที่มีมิติต่ำในรูปแบบตำแหน่งไปเป็นเวกเตอร์ one-hot ที่มีความหนาแน่นต่ำ อย่างไรก็ตาม การแสดงผลแบบ one-hot นี้ไม่ประหยัดหน่วยความจำ นอกจากนี้ แต่ละคำยังถูกพิจารณาแยกจากกัน กล่าวคือ เวกเตอร์ one-hot ไม่ได้แสดงถึงความคล้ายคลึงทางความหมายระหว่างคำ @@ -65,7 +65,7 @@ CBoW ทำงานได้เร็วกว่า ในขณะที่ s Word2Vec ถูกนำไปใช้ในแอปพลิเคชันที่น่าสนใจ เช่น การสร้างเนื้อเพลงและบทกวี ลองดู [บทความนี้](https://www.politetype.com/blog/word2vec-color-poems) ซึ่งอธิบายวิธีที่ผู้เขียนใช้ Word2Vec เพื่อสร้างบทกวี และดู [วิดีโอนี้โดย Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) เพื่อค้นพบคำอธิบายที่แตกต่างของเทคนิคนี้ จากนั้นลองนำเทคนิคเหล่านี้ไปใช้กับชุดข้อความของคุณเอง อาจมาจาก Kaggle -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## ทบทวน & ศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/15-LanguageModeling/README.md b/translations/th/lessons/5-NLP/15-LanguageModeling/README.md index 079d1240..c19ded69 100644 --- a/translations/th/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/th/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: การฝังเชิงความหมาย เช่น Word2Vec และ GloVe ถือเป็นก้าวแรกของ **การสร้างแบบจำลองภาษา** - การสร้างโมเดลที่สามารถ *เข้าใจ* (หรือ *แสดงออก*) ถึงธรรมชาติของภาษาได้ในบางรูปแบบ -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/29) แนวคิดหลักของการสร้างแบบจำลองภาษาคือการฝึกโมเดลด้วยชุดข้อมูลที่ไม่มีการติดป้ายกำกับในลักษณะของการเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) ซึ่งสำคัญมากเพราะเรามีข้อความที่ไม่มีการติดป้ายกำกับจำนวนมหาศาล ในขณะที่ข้อความที่มีการติดป้ายกำกับจะถูกจำกัดด้วยความพยายามที่เราสามารถใช้ในการติดป้ายกำกับได้ โดยส่วนใหญ่แล้ว เราสามารถสร้างแบบจำลองภาษาที่สามารถ **ทำนายคำที่หายไป** ในข้อความได้ เพราะการสุ่มปิดบังคำในข้อความและใช้เป็นตัวอย่างการฝึกสอนนั้นทำได้ง่าย @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: ในบทเรียนก่อนหน้านี้ เราได้เห็นว่าการฝังคำทำงานได้อย่างน่าอัศจรรย์! ตอนนี้เรารู้แล้วว่าการฝึกฝังคำไม่ใช่เรื่องซับซ้อนมากนัก และเราควรจะสามารถฝึกฝังคำของเราเองสำหรับข้อความเฉพาะทางได้หากจำเป็น -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/16-RNN/README.md b/translations/th/lessons/5-NLP/16-RNN/README.md index 028d8096..95a8d9b5 100644 --- a/translations/th/lessons/5-NLP/16-RNN/README.md +++ b/translations/th/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # เครือข่ายประสาทเทียมแบบวนซ้ำ (Recurrent Neural Networks) -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/31) ในส่วนก่อนหน้านี้ เราได้ใช้การแสดงผลเชิงความหมายที่ซับซ้อนของข้อความและตัวจำแนกเชิงเส้นแบบง่ายที่อยู่บน embeddings สถาปัตยกรรมนี้ช่วยจับความหมายรวมของคำในประโยค แต่ไม่ได้คำนึงถึง **ลำดับ** ของคำ เนื่องจากการดำเนินการรวมบน embeddings ได้ลบข้อมูลนี้ออกไปจากข้อความต้นฉบับ ด้วยเหตุนี้ โมเดลเหล่านี้จึงไม่สามารถจำลองลำดับของคำได้ และไม่สามารถแก้ปัญหาที่ซับซ้อนหรือคลุมเครือ เช่น การสร้างข้อความหรือการตอบคำถามได้ @@ -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) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md index 2bee713a..22ecedec 100644 --- a/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # เครือข่ายการสร้างสรรค์ -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/33) Recurrent Neural Networks (RNNs) และรูปแบบเซลล์ที่มีการควบคุม เช่น Long Short Term Memory Cells (LSTMs) และ Gated Recurrent Units (GRUs) ได้มอบกลไกสำหรับการสร้างแบบจำลองภาษา โดยสามารถเรียนรู้ลำดับคำและให้การคาดการณ์คำถัดไปในลำดับได้ สิ่งนี้ช่วยให้เราสามารถใช้ RNNs สำหรับ **งานสร้างสรรค์** เช่น การสร้างข้อความทั่วไป การแปลภาษา และแม้กระทั่งการสร้างคำบรรยายภาพ @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * การสร้างข้อความด้วย [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) -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/18-Transformers/README.md b/translations/th/lessons/5-NLP/18-Transformers/README.md index bb8694cf..6c2b07dc 100644 --- a/translations/th/lessons/5-NLP/18-Transformers/README.md +++ b/translations/th/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # กลไกความสนใจและทรานส์ฟอร์เมอร์ -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/35) หนึ่งในปัญหาที่สำคัญที่สุดในด้าน NLP คือ **การแปลภาษาโดยเครื่อง** ซึ่งเป็นงานสำคัญที่อยู่เบื้องหลังเครื่องมืออย่าง Google Translate ในส่วนนี้ เราจะมุ่งเน้นไปที่การแปลภาษาโดยเครื่อง หรือในเชิงทั่วไปมากขึ้นคือ งาน *sequence-to-sequence* (ซึ่งเรียกอีกอย่างว่า **sentence transduction**) @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 ความท้าทาย -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/19-NER/README.md b/translations/th/lessons/5-NLP/19-NER/README.md index 80df1450..cdb9ee90 100644 --- a/translations/th/lessons/5-NLP/19-NER/README.md +++ b/translations/th/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: จนถึงตอนนี้ เราได้มุ่งเน้นไปที่งาน NLP อย่างหนึ่งเป็นหลัก นั่นคือการจัดประเภท (classification) อย่างไรก็ตาม ยังมีงาน NLP อื่น ๆ ที่สามารถทำได้ด้วยเครือข่ายประสาทเทียม หนึ่งในงานเหล่านั้นคือ **[การรู้จำหน่วยข้อมูลที่มีชื่อ](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) ซึ่งเกี่ยวข้องกับการระบุหน่วยข้อมูลเฉพาะในข้อความ เช่น สถานที่ ชื่อบุคคล ช่วงเวลา สูตรเคมี และอื่น ๆ -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## ตัวอย่างการใช้ NER @@ -80,7 +80,7 @@ infant | O ทำแบบฝึกหัดที่ลิงก์ด้านล่างเพื่อฝึกโมเดลการรู้จำหน่วยข้อมูลที่มีชื่อสำหรับคำศัพท์ทางการแพทย์ จากนั้นลองใช้กับชุดข้อมูลอื่น -## [แบบทดสอบหลังการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/5-NLP/20-LangModels/README.md b/translations/th/lessons/5-NLP/20-LangModels/README.md index 2f6a1329..7afe731a 100644 --- a/translations/th/lessons/5-NLP/20-LangModels/README.md +++ b/translations/th/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ในงานก่อนหน้านี้ทั้งหมด เราได้ฝึกฝนโครงข่ายประสาทเทียมเพื่อทำงานเฉพาะโดยใช้ชุดข้อมูลที่มีการติดป้ายกำกับ สำหรับโมเดลทรานส์ฟอร์มเมอร์ขนาดใหญ่ เช่น BERT เราใช้การสร้างแบบจำลองภาษาในลักษณะการเรียนรู้ด้วยตนเอง (self-supervised) เพื่อสร้างโมเดลภาษา ซึ่งจากนั้นจะถูกปรับให้เหมาะสมสำหรับงานเฉพาะทางด้วยการฝึกฝนเพิ่มเติมในโดเมนเฉพาะ อย่างไรก็ตาม มีการแสดงให้เห็นว่าโมเดลภาษาขนาดใหญ่สามารถแก้ปัญหาหลายงานได้โดยไม่ต้องฝึกฝนในโดเมนเฉพาะเลย โมเดลในกลุ่มนี้เรียกว่า **GPT**: Generative Pre-Trained Transformer -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## การสร้างข้อความและความซับซ้อน (Perplexity) @@ -58,7 +58,7 @@ GPT ไม่ใช่โมเดลเดียว แต่เป็นกล โมเดลภาษาที่ผ่านการฝึกฝนล่วงหน้าทั่วไปใหม่ไม่ได้เพียงแค่จำลองโครงสร้างภาษา แต่ยังมีความรู้ในภาษาธรรมชาติในปริมาณมหาศาล ดังนั้น พวกมันจึงสามารถถูกใช้แก้ปัญหางาน NLP บางงานได้อย่างมีประสิทธิภาพในรูปแบบ zero-shot หรือ few-shot -## [แบบทดสอบหลังการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md index 4a4afebf..023930dd 100644 --- a/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # อัลกอริธึมเชิงพันธุกรรม -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/41) **อัลกอริธึมเชิงพันธุกรรม** (Genetic Algorithms หรือ GA) มีพื้นฐานมาจาก **แนวคิดวิวัฒนาการ** ในปัญญาประดิษฐ์ ซึ่งใช้วิธีการวิวัฒนาการของประชากรเพื่อหาคำตอบที่เหมาะสมที่สุดสำหรับปัญหาที่กำหนดไว้ แนวคิดนี้ถูกเสนอขึ้นในปี 1975 โดย [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "อัลกอริธึมเชิงพันธุกรรมง่ายต่อการพัฒนา แต่พฤติกรรมของมันยากที่จะเข้าใจ" [ที่มา](https://wikipedia.org/wiki/Genetic_algorithm) ลองค้นคว้าหาการนำอัลกอริธึมเชิงพันธุกรรมไปใช้ เช่น การแก้ปริศนา Sudoku และอธิบายวิธีการทำงานในรูปแบบร่างหรือแผนผังการไหล -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## ทบทวนและศึกษาด้วยตนเอง diff --git a/translations/th/lessons/6-Other/22-DeepRL/README.md b/translations/th/lessons/6-Other/22-DeepRL/README.md index d170a93d..2237b2ac 100644 --- a/translations/th/lessons/6-Other/22-DeepRL/README.md +++ b/translations/th/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: การเรียนรู้เสริมกำลัง (Reinforcement Learning หรือ RL) ถือเป็นหนึ่งในกระบวนทัศน์พื้นฐานของการเรียนรู้ของเครื่อง (Machine Learning) ควบคู่ไปกับการเรียนรู้แบบมีผู้สอน (Supervised Learning) และการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) ในขณะที่การเรียนรู้แบบมีผู้สอนอาศัยชุดข้อมูลที่มีผลลัพธ์ที่ทราบล่วงหน้า RL จะอิงกับ **การเรียนรู้จากการลงมือทำ** ตัวอย่างเช่น เมื่อเราเล่นเกมคอมพิวเตอร์ครั้งแรก เราเริ่มเล่นโดยที่ไม่รู้กฎเกณฑ์ใด ๆ และในไม่ช้าเราก็สามารถพัฒนาทักษะของเราได้จากกระบวนการเล่นและปรับพฤติกรรมของเราเอง -## [แบบทดสอบก่อนเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/43) ในการทำ RL เราจำเป็นต้องมี: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") สำรวจแอปพลิเคชันที่ระบุไว้ในส่วน 'งาน RL อื่น ๆ' และลองนำไปใช้ดู! -## [แบบทดสอบหลังเรียน](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## การทบทวนและการศึกษาด้วยตนเอง diff --git a/translations/th/lessons/6-Other/23-MultiagentSystems/README.md b/translations/th/lessons/6-Other/23-MultiagentSystems/README.md index f71c64ef..5340f0bb 100644 --- a/translations/th/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/th/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: หนึ่งในวิธีที่เป็นไปได้ในการสร้างความฉลาดคือแนวทางที่เรียกว่า **emergent** (หรือ **synergetic**) ซึ่งอิงจากข้อเท็จจริงที่ว่าพฤติกรรมรวมของตัวแทนที่ค่อนข้างเรียบง่ายจำนวนมากสามารถนำไปสู่พฤติกรรมที่ซับซ้อน (หรือฉลาด) ของระบบโดยรวมได้ ในเชิงทฤษฎี แนวคิดนี้อิงจากหลักการของ [Collective Intelligence](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) และ [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain) ซึ่งระบุว่าระบบในระดับที่สูงขึ้นจะได้รับคุณค่าเพิ่มเติมบางอย่างเมื่อถูกรวมกันอย่างเหมาะสมจากระบบในระดับที่ต่ำกว่า (เรียกว่า *หลักการของ metasystem transition*) -## [แบบทดสอบก่อนการบรรยาย](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ai/quiz/45) แนวทางของ **ระบบหลายตัวแทน** เริ่มปรากฏในสาขาปัญญาประดิษฐ์ (AI) ในช่วงปี 1990 เพื่อตอบสนองต่อการเติบโตของอินเทอร์เน็ตและระบบแบบกระจาย หนึ่งในตำราคลาสสิกของ AI อย่าง [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) มุ่งเน้นมุมมองของ AI แบบดั้งเดิมจากมุมมองของระบบหลายตัวแทน diff --git a/translations/tl/lessons/1-Intro/README.md b/translations/tl/lessons/1-Intro/README.md index 6b0fd877..d47916b6 100644 --- a/translations/tl/lessons/1-Intro/README.md +++ b/translations/tl/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Sketchnote ni [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** ay isang kapanapanabik na disiplina ng agham na nag-aaral kung paano natin magagawang magpakita ng matalinong pag-uugali ang mga computer, halimbawa, gawin ang mga bagay na mahusay gawin ng mga tao. @@ -151,7 +151,7 @@ Sa nakalipas na ilang taon, nasaksihan natin ang malalaking tagumpay sa malalaki Maglibot sa internet upang tukuyin kung saan, sa iyong opinyon, ang AI ay pinaka-epektibong ginagamit. Ito ba ay sa isang Mapping app, o sa isang speech-to-text service, o sa isang video game? Saliksikin kung paano binuo ang sistema. -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/2-Symbolic/README.md b/translations/tl/lessons/2-Symbolic/README.md index b5b28e93..34e7d71c 100644 --- a/translations/tl/lessons/2-Symbolic/README.md +++ b/translations/tl/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ Sa kasalukuyan, ang AI ay madalas na itinuturing na kasingkahulugan ng *Machine Sa Family Ontology notebook na kaugnay ng araling ito, may pagkakataon kang mag-eksperimento sa iba pang mga relasyon ng pamilya. Subukang tuklasin ang mga bagong koneksyon sa pagitan ng mga tao sa 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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/tl/lessons/3-NeuralNetworks/03-Perceptron/README.md index d6f9c213..a6ca7e3a 100644 --- a/translations/tl/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/tl/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Panimula sa 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) Isa sa mga unang pagsubok na magpatupad ng isang bagay na katulad ng modernong neural network ay ginawa ni Frank Rosenblatt mula sa Cornell Aeronautical Laboratory noong 1957. Ito ay isang hardware implementation na tinawag na "Mark-1", na idinisenyo upang makilala ang mga simpleng geometric na hugis, tulad ng mga tatsulok, parisukat, at bilog. @@ -85,7 +85,7 @@ Sa araling ito, natutunan mo ang tungkol sa perceptron, na isang binary classifi Kung nais mong subukang gumawa ng sarili mong perceptron, subukan ang [lab na ito sa Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) na gumagamit ng [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 at Pag-aaral ng Sarili diff --git a/translations/tl/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/tl/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 332b207c..d7dbf61e 100644 --- a/translations/tl/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/tl/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Sa seksyong ito, palalawakin natin ang modelong ito sa isang mas flexible na fra Bubuo rin tayo ng sarili nating modular framework sa Python na magpapahintulot sa atin na magdisenyo ng iba't ibang 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) ## Pormalisasyon ng Machine Learning @@ -81,7 +81,7 @@ Sa kalakip na notebook, ipapatupad mo ang sarili mong framework para sa pagbuo a Magpatuloy sa [OwnFramework](OwnFramework.ipynb) notebook at gawin ito. -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/tl/lessons/3-NeuralNetworks/05-Frameworks/README.md index bceaa42f..776097c2 100644 --- a/translations/tl/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/tl/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Tulad ng natutunan na natin, upang ma-train ang mga neural network nang epektibo * Mag-operate sa mga tensor, halimbawa, mag-multiply, mag-add, at mag-compute ng ilang mga function tulad ng sigmoid o softmax * Mag-compute ng gradients ng lahat ng expression, upang maisagawa ang 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) Bagamat kaya ng `numpy` library ang unang bahagi, kailangan natin ng mekanismo upang mag-compute ng gradients. Sa [ating framework](../04-OwnFramework/OwnFramework.ipynb) na dinevelop natin sa nakaraang seksyon, kailangan nating mano-manong i-program ang lahat ng derivative functions sa loob ng `backward` method, na gumagawa ng backpropagation. Sa ideal na sitwasyon, ang isang framework ay dapat magbigay sa atin ng kakayahang mag-compute ng gradients ng *anumang expression* na maaari nating i-define. @@ -106,7 +106,7 @@ Sa araling ito, natutunan mo ang mga pagkakaiba sa pagitan ng iba't ibang APIs p Sa mga kasamang notebook, makakakita ka ng 'tasks' sa ibaba; gawin ang mga notebook at kumpletuhin ang mga 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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/tl/lessons/4-ComputerVision/06-IntroCV/README.md index 2aee6ba6..03061755 100644 --- a/translations/tl/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/tl/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Computer Vision](https://wikipedia.org/wiki/Computer_vision) ay isang disiplina na ang layunin ay bigyan ang mga computer ng kakayahang maunawaan ang mga digital na imahe sa mataas na antas. Medyo malawak ang depinisyon na ito, dahil ang *pag-unawa* ay maaaring mangahulugan ng iba't ibang bagay, kabilang ang paghahanap ng isang bagay sa larawan (**object detection**), pag-unawa sa nangyayari (**event detection**), paglalarawan ng larawan gamit ang teksto, o pagbuo muli ng eksena sa 3D. Mayroon ding mga espesyal na gawain na may kaugnayan sa mga larawan ng tao: pagtatantiya ng edad at emosyon, pagtuklas at pagkilala sa mukha, at pagtatantiya ng 3D pose, upang pangalanan ang ilan. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/11) Isa sa mga pinakasimpleng gawain ng computer vision ay ang **image classification**. @@ -105,7 +105,7 @@ Minsan, ang mga medyo komplikadong gawain tulad ng pagtuklas ng galaw o pagtukla Panoorin ang [video na ito](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) mula sa AI show upang matutunan ang tungkol sa proyekto ng Cortic Tigers at kung paano nila binuo ang isang block-based solution upang gawing mas accessible ang mga gawain sa computer vision gamit ang isang robot. Mag-research tungkol sa iba pang mga proyekto na tulad nito na tumutulong sa mga bagong mag-aaral na makapasok sa larangan. -## [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 diff --git a/translations/tl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/tl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 865e843e..882b74e6 100644 --- a/translations/tl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/tl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Sa unit na ito, natutunan mo ang pangunahing konsepto sa likod ng computer visio Sa mga kasamang notebooks, may mga tala sa ibaba tungkol sa kung paano makakamit ang mas mataas na katumpakan. Subukan ang ilang eksperimento upang makita kung kaya mong makamit ang mas mataas na katumpakan. -## [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 at Pag-aaral ng Sarili diff --git a/translations/tl/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/tl/lessons/4-ComputerVision/07-ConvNets/README.md index 1c3da7d2..d3cd5464 100644 --- a/translations/tl/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/tl/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nakita na natin dati na mahusay ang mga neural network sa pagproseso ng mga imahe, at kahit ang isang layer na perceptron ay kayang makilala ang mga nakasulat na numero mula sa MNIST dataset nang may sapat na katumpakan. Gayunpaman, ang MNIST dataset ay espesyal dahil lahat ng numero ay nakasentro sa loob ng imahe, na nagpapadali sa gawain. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/13) Sa totoong buhay, nais nating makilala ang mga bagay sa isang larawan kahit saan man ito eksaktong nakalagay sa imahe. Ang computer vision ay naiiba sa pangkalahatang klasipikasyon, dahil kapag sinusubukan nating hanapin ang isang partikular na bagay sa larawan, sinusuri natin ang imahe upang hanapin ang mga tiyak na **pattern** at ang kanilang mga kombinasyon. Halimbawa, kapag naghahanap ng pusa, maaaring una nating hanapin ang mga pahalang na linya na maaaring bumuo ng mga bigote, at pagkatapos ay ang tiyak na kombinasyon ng mga bigote ang magsasabi sa atin na ito ay larawan ng isang pusa. Ang relatibong posisyon at presensya ng mga tiyak na pattern ay mahalaga, at hindi ang eksaktong posisyon nito sa imahe. diff --git a/translations/tl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/tl/lessons/4-ComputerVision/08-TransferLearning/README.md index bcc94423..dadeb54b 100644 --- a/translations/tl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/tl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ang pag-train ng CNNs ay maaaring tumagal ng mahabang oras, at nangangailangan ng maraming data para sa gawain na ito. Gayunpaman, karamihan sa oras ay ginugugol sa pag-aaral ng pinakamahusay na low-level filters na magagamit ng network upang makuha ang mga pattern mula sa mga imahe. Isang natural na tanong ang lumalabas - maaari ba nating gamitin ang isang neural network na na-train sa isang dataset at i-adapt ito upang mag-classify ng ibang mga imahe nang hindi kinakailangan ang buong proseso ng pag-train? -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/15) Ang approach na ito ay tinatawag na **transfer learning**, dahil inililipat natin ang ilang kaalaman mula sa isang neural network model patungo sa iba. Sa transfer learning, karaniwang nagsisimula tayo sa isang pre-trained model, na na-train na sa isang malaking image dataset, tulad ng **ImageNet**. Ang mga modelong ito ay mahusay na sa pagkuha ng iba't ibang features mula sa mga generic na imahe, at sa maraming kaso, ang pagbuo ng isang classifier sa ibabaw ng mga extracted features na ito ay maaaring magbigay ng magandang resulta. @@ -76,7 +76,7 @@ Sa paggamit ng transfer learning, mabilis kang makakabuo ng isang classifier par Sa mga kasamang notebooks, may mga tala sa ibaba tungkol sa kung paano pinakamahusay na gumagana ang transfer knowledge sa medyo magkatulad na training data (halimbawa, isang bagong uri ng hayop). Subukan ang pag-eksperimento sa ganap na bagong uri ng mga imahe upang makita kung gaano kahusay o kahina ang performance ng iyong transfer knowledge models. -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/tl/lessons/4-ComputerVision/09-Autoencoders/README.md index e0442689..a47c26cb 100644 --- a/translations/tl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/tl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Kapag nagte-train ng CNNs, isa sa mga problema ay kailangan natin ng maraming labeled na data. Sa kaso ng image classification, kailangan nating paghiwalayin ang mga imahe sa iba't ibang klase, na isang manu-manong gawain. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/17) Gayunpaman, maaaring gusto nating gumamit ng raw (unlabeled) na data para sa pagte-train ng CNN feature extractors, na tinatawag na **self-supervised learning**. Sa halip na labels, gagamitin natin ang mga training images bilang parehong input at output ng network. Ang pangunahing ideya ng **autoencoder** ay magkakaroon tayo ng **encoder network** na nagko-convert ng input image sa isang **latent space** (karaniwan itong isang vector na mas maliit ang sukat), at pagkatapos ang **decoder network**, na ang layunin ay i-reconstruct ang orihinal na imahe. @@ -80,7 +80,7 @@ Matuto pa tungkol sa autoencoders sa mga kaukulang notebooks na ito: * **Lossy** - ang reconstructed na imahe ay hindi pareho sa orihinal na imahe. Ang likas na katangian ng loss ay tinutukoy ng *loss function* na ginamit sa training. * Gumagana sa **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) ## Konklusyon @@ -90,7 +90,7 @@ Sa araling ito, natutunan mo ang iba't ibang uri ng autoencoders na magagamit ng Sa araling ito, natutunan mo ang paggamit ng autoencoders para sa mga imahe. Ngunit maaari rin itong gamitin para sa musika! Tingnan ang proyekto ng Magenta na [MusicVAE](https://magenta.tensorflow.org/music-vae) na gumagamit ng autoencoders upang matutunan ang pag-reconstruct ng musika. Subukan ang ilang [eksperimento](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) gamit ang library na ito upang makita kung ano ang kaya mong likhain. -## [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 diff --git a/translations/tl/lessons/4-ComputerVision/10-GANs/README.md b/translations/tl/lessons/4-ComputerVision/10-GANs/README.md index b11aea54..017f4e1d 100644 --- a/translations/tl/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/tl/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa nakaraang seksyon, natutunan natin ang tungkol sa **generative models**: mga modelo na maaaring lumikha ng mga bagong imahe na kahawig ng mga nasa training dataset. Ang VAE ay isang magandang halimbawa ng 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) Gayunpaman, kung susubukan nating lumikha ng isang bagay na talagang makabuluhan, tulad ng isang painting na may makatwirang resolusyon gamit ang VAE, makikita natin na hindi maayos ang convergence ng training. Para sa ganitong kaso, dapat nating matutunan ang isa pang arkitektura na partikular na idinisenyo para sa generative models - **Generative Adversarial Networks**, o GANs. @@ -84,7 +84,7 @@ Ang paraan ng paggawa nito ay ang sumusunod: ## ✍️ Halimbawa: [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) ## Konklusyon diff --git a/translations/tl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/tl/lessons/4-ComputerVision/11-ObjectDetection/README.md index 1e9f187f..14988eef 100644 --- a/translations/tl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/tl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ang mga modelo ng image classification na tinalakay natin hanggang ngayon ay tumatanggap ng isang imahe at nagbibigay ng resulta sa anyo ng kategorya, tulad ng klase na 'number' sa problema ng MNIST. Gayunpaman, sa maraming pagkakataon, hindi lang natin nais malaman na ang isang larawan ay naglalaman ng mga bagay - nais din nating matukoy ang eksaktong lokasyon ng mga ito. Ito mismo ang layunin ng **pagtuklas ng objekto**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Pagtuklas ng Objekto](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.tl.png) @@ -172,7 +172,7 @@ Basahin ang mga artikulo at notebook tungkol sa YOLO at subukan ang mga ito: * 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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/tl/lessons/4-ComputerVision/12-Segmentation/README.md index 2e95a1ee..84f26c33 100644 --- a/translations/tl/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/tl/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Natutuhan na natin ang tungkol sa Object Detection, na nagbibigay-daan sa atin upang mahanap ang mga bagay sa isang imahe sa pamamagitan ng paghula ng kanilang *bounding boxes*. Gayunpaman, para sa ilang mga gawain, hindi lamang bounding boxes ang kailangan natin, kundi mas eksaktong lokasyon ng mga bagay. Ang gawaing ito ay tinatawag na **segmentasyon**. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/23) Ang segmentasyon ay maaaring tingnan bilang **pixel classification**, kung saan para sa **bawat** pixel ng imahe, kailangan nating hulaan ang klase nito (*background* bilang isa sa mga klase). Mayroong dalawang pangunahing algorithm para sa segmentasyon: @@ -56,7 +56,7 @@ Buksan ang mga notebook sa ibaba upang matuto pa tungkol sa iba't ibang semantic * [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) ## Konklusyon diff --git a/translations/tl/lessons/5-NLP/13-TextRep/README.md b/translations/tl/lessons/5-NLP/13-TextRep/README.md index 806a5c46..d16472df 100644 --- a/translations/tl/lessons/5-NLP/13-TextRep/README.md +++ b/translations/tl/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Pagsasakatawan ng Teksto bilang 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) ## Pag-uuri ng Teksto @@ -73,7 +73,7 @@ Sa ngayon, pinag-aralan natin ang mga teknik na maaaring magdagdag ng frequency Subukan ang iba pang mga ehersisyo gamit ang bag-of-words at iba't ibang data models. Maaaring ma-inspire ka ng [kompetisyon na ito sa 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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/5-NLP/14-Embeddings/README.md b/translations/tl/lessons/5-NLP/14-Embeddings/README.md index 2c407fd1..3bbdfdb8 100644 --- a/translations/tl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/tl/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Kapag nagsasanay ng mga classifier gamit ang BoW o TF/IDF, gumagamit tayo ng high-dimensional bag-of-words vectors na may haba na `vocab_size`, at tahasang kinokonvert mula sa low-dimensional positional representation vectors patungo sa sparse one-hot representation. Gayunpaman, ang one-hot representation na ito ay hindi memory-efficient. Bukod dito, ang bawat salita ay itinuturing na hiwalay sa isa't isa, ibig sabihin, ang one-hot encoded vectors ay hindi nagpapakita ng anumang semantikong pagkakatulad sa pagitan ng mga salita. @@ -65,7 +65,7 @@ Sa araling ito, natuklasan mo kung paano bumuo at gumamit ng embedding layers sa Ang Word2Vec ay ginamit para sa ilang mga kawili-wiling aplikasyon, kabilang ang pagbuo ng mga liriko ng kanta at tula. Tingnan ang [artikulong ito](https://www.politetype.com/blog/word2vec-color-poems) na nagpapaliwanag kung paano ginamit ng may-akda ang Word2Vec upang bumuo ng tula. Panoorin din ang [video na ito ni Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) upang matuklasan ang ibang paliwanag ng teknik na ito. Pagkatapos, subukang i-apply ang mga teknik na ito sa sarili mong text corpus, marahil mula sa 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 diff --git a/translations/tl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/tl/lessons/5-NLP/15-LanguageModeling/README.md index 7c5186f1..8189a0e4 100644 --- a/translations/tl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/tl/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ang semantic embeddings, tulad ng Word2Vec at GloVe, ay unang hakbang patungo sa **pagmomodelo ng wika** - paggawa ng mga modelo na sa isang paraan ay *nakakaunawa* (o *nagre-representa*) sa likas na katangian ng wika. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/29) Ang pangunahing ideya sa likod ng pagmomodelo ng wika ay ang pagsasanay sa mga ito gamit ang mga dataset na walang label sa isang unsupervised na paraan. Mahalaga ito dahil may napakaraming dami ng text na walang label na magagamit, habang ang dami ng text na may label ay palaging limitado sa dami ng pagsisikap na magagawa natin para maglagay ng label. Kadalasan, maaari tayong bumuo ng mga modelo ng wika na kayang **hulaan ang mga nawawalang salita** sa teksto, dahil madali lang takpan ang isang random na salita sa teksto at gamitin ito bilang sample para sa pagsasanay. @@ -38,7 +38,7 @@ Ipagpatuloy ang iyong pag-aaral sa mga sumusunod na notebook: Sa nakaraang aralin, nakita natin na ang word embeddings ay parang mahika! Ngayon alam natin na ang pagsasanay ng word embeddings ay hindi masyadong komplikadong gawain, at dapat nating magawa ang pagsasanay ng sarili nating word embeddings para sa domain-specific na teksto kung kinakailangan. -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/5-NLP/16-RNN/README.md b/translations/tl/lessons/5-NLP/16-RNN/README.md index 66fd8045..50b57cb9 100644 --- a/translations/tl/lessons/5-NLP/16-RNN/README.md +++ b/translations/tl/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 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) Sa mga nakaraang seksyon, gumamit tayo ng masaganang semantikong representasyon ng teksto at isang simpleng linear classifier sa ibabaw ng embeddings. Ang ginagawa ng arkitekturang ito ay kinukuha ang pinagsama-samang kahulugan ng mga salita sa isang pangungusap, ngunit hindi nito isinasaalang-alang ang **pagkakasunod-sunod** ng mga salita, dahil ang operasyon ng pagsasama-sama sa ibabaw ng embeddings ay tinanggal ang impormasyong ito mula sa orihinal na teksto. Dahil hindi kayang i-modelo ng mga modelong ito ang pagkakasunod-sunod ng mga salita, hindi nila masosolusyunan ang mas kumplikado o malalabong gawain tulad ng pagbuo ng teksto o pagsagot sa mga tanong. @@ -84,7 +84,7 @@ Basahin ang ilang literatura tungkol sa LSTMs at isaalang-alang ang kanilang mga - [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/tl/lessons/5-NLP/17-GenerativeNetworks/README.md index 5b5f6da7..6daba7ed 100644 --- a/translations/tl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/tl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mga Generative na Network -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/33) Ang Recurrent Neural Networks (RNNs) at ang mga gated cell variant nito tulad ng Long Short Term Memory Cells (LSTMs) at Gated Recurrent Units (GRUs) ay nagbibigay ng mekanismo para sa pagmomodelo ng wika dahil kaya nilang matutunan ang pagkakasunod-sunod ng mga salita at magbigay ng prediksyon para sa susunod na salita sa isang sequence. Dahil dito, magagamit natin ang RNNs para sa **generative tasks**, tulad ng ordinaryong text generation, machine translation, at maging sa image captioning. @@ -71,7 +71,7 @@ Kumuha ng mga aralin sa Microsoft Learn tungkol sa paksang ito * Text Generation gamit ang [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/5-NLP/18-Transformers/README.md b/translations/tl/lessons/5-NLP/18-Transformers/README.md index 231cd822..ded34822 100644 --- a/translations/tl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/tl/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mga Mekanismo ng Atensyon at 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) Isa sa pinakamahalagang problema sa larangan ng NLP ay ang **machine translation**, isang mahalagang gawain na ginagamit sa mga tool tulad ng Google Translate. Sa seksyong ito, magtutuon tayo sa machine translation, o sa mas pangkalahatan, sa anumang *sequence-to-sequence* na gawain (na tinatawag ding **sentence transduction**). @@ -108,7 +108,7 @@ Sa araling ito, natutunan mo ang tungkol sa Transformers at Attention Mechanisms ## 🚀 Hamon -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/5-NLP/19-NER/README.md b/translations/tl/lessons/5-NLP/19-NER/README.md index 21ba4213..d0d175b0 100644 --- a/translations/tl/lessons/5-NLP/19-NER/README.md +++ b/translations/tl/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Hanggang ngayon, karamihan sa ating pokus ay nasa isang NLP task - ang classification. Gayunpaman, may iba pang mga NLP task na maaaring magawa gamit ang neural networks. Isa sa mga task na ito ay ang **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), na tumutukoy sa pagkilala ng mga partikular na entidad sa loob ng teksto, tulad ng mga lugar, pangalan ng tao, mga petsa, chemical formula, at iba pa. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Halimbawa ng Paggamit ng NER @@ -80,7 +80,7 @@ Ang isang NER model ay isang **token classification model**, na nangangahulugang Kumpletuhin ang assignment na naka-link sa ibaba upang mag-train ng named entity recognition model para sa mga medikal na termino, pagkatapos subukan ito sa ibang 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 diff --git a/translations/tl/lessons/5-NLP/20-LangModels/README.md b/translations/tl/lessons/5-NLP/20-LangModels/README.md index 9e2b7a97..fd393dc4 100644 --- a/translations/tl/lessons/5-NLP/20-LangModels/README.md +++ b/translations/tl/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa lahat ng ating mga nakaraang gawain, sinanay natin ang isang neural network upang magsagawa ng isang partikular na gawain gamit ang labeled dataset. Sa mga malalaking transformer model, tulad ng BERT, gumagamit tayo ng language modeling sa self-supervised na paraan upang makabuo ng isang language model, na pagkatapos ay isinasapinal para sa mga tiyak na downstream na gawain sa pamamagitan ng karagdagang domain-specific na pagsasanay. Gayunpaman, napatunayan na ang mga malalaking language model ay maaari ring lutasin ang maraming gawain nang WALANG anumang domain-specific na pagsasanay. Ang pamilya ng mga modelong may kakayahang gawin ito ay tinatawag na **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) ## Pagbuo ng Teksto at Perplexity @@ -58,7 +58,7 @@ Ipagpatuloy ang iyong pag-aaral sa mga sumusunod na notebook: Ang mga bagong general pre-trained language model ay hindi lamang nagmo-modelo ng istruktura ng wika, kundi naglalaman din ng napakalaking dami ng natural na wika. Dahil dito, maaari silang epektibong magamit upang lutasin ang ilang mga gawain sa NLP sa zero-shot o few-shot na mga setting. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/tl/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/tl/lessons/6-Other/21-GeneticAlgorithms/README.md index c7f7face..f60d4878 100644 --- a/translations/tl/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/tl/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mga Genetic Algorithm -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) Ang **Genetic Algorithms** (GA) ay batay sa isang **evolutionary approach** sa AI, kung saan ginagamit ang mga pamamaraan ng ebolusyon ng isang populasyon upang makuha ang pinakamainam na solusyon para sa isang partikular na problema. Iminungkahi ito noong 1975 ni [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Ang Genetic Algorithms ay ginagamit upang malutas ang maraming problema, kabilan "Ang genetic algorithms ay madaling i-implement, ngunit mahirap maintindihan ang kanilang pag-uugali." [source](https://wikipedia.org/wiki/Genetic_algorithm) Mag-research upang makahanap ng implementasyon ng genetic algorithm tulad ng paglutas ng Sudoku puzzle, at ipaliwanag kung paano ito gumagana gamit ang sketch o 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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/6-Other/22-DeepRL/README.md b/translations/tl/lessons/6-Other/22-DeepRL/README.md index 0ae1f89b..a128ca54 100644 --- a/translations/tl/lessons/6-Other/22-DeepRL/README.md +++ b/translations/tl/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ang Reinforcement Learning (RL) ay itinuturing na isa sa mga pangunahing paradigma ng machine learning, kasabay ng supervised learning at unsupervised learning. Habang sa supervised learning ay umaasa tayo sa dataset na may kilalang resulta, ang RL ay nakabatay sa **pagkatuto sa pamamagitan ng paggawa**. Halimbawa, kapag unang beses nating nakita ang isang computer game, sinisimulan natin itong laruin kahit hindi alam ang mga patakaran, at kalaunan ay napapabuti natin ang ating kakayahan sa pamamagitan lamang ng paglalaro at pag-aadjust ng ating mga kilos. -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/43) Upang maisagawa ang RL, kailangan natin ng: @@ -110,7 +110,7 @@ Natutuhan na natin ngayon kung paano sanayin ang mga agent upang makamit ang mag Galugarin ang mga aplikasyon na nakalista sa seksyong 'Iba Pang RL Tasks' at subukang ipatupad ang isa! -## [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 at Pag-aaral sa Sarili diff --git a/translations/tl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/tl/lessons/6-Other/23-MultiagentSystems/README.md index b7960d1f..0d411a2a 100644 --- a/translations/tl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/tl/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Isa sa mga posibleng paraan upang makamit ang katalinuhan ay ang tinatawag na **emergent** (o **synergetic**) na pamamaraan, na nakabatay sa katotohanan na ang pinagsamang kilos ng maraming simpleng ahente ay maaaring magresulta sa mas kumplikado (o matalino) na kilos ng sistema bilang kabuuan. Teoretikal, ito ay nakabatay sa mga prinsipyo ng [Collective Intelligence](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain), at [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain), na nagsasabing ang mas mataas na antas ng mga sistema ay nakakakuha ng karagdagang halaga kapag maayos na pinagsama mula sa mas mababang antas ng mga sistema (tinatawag na *prinsipyo ng 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) Ang direksyon ng **Multi-Agent Systems** ay lumitaw sa AI noong dekada 1990 bilang tugon sa paglago ng Internet at mga distributed systems. Isa sa mga klasikong aklat ng AI, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), ay nakatuon sa pananaw ng klasikong AI mula sa perspektibo ng Multi-agent systems. @@ -152,7 +152,7 @@ Ang mga ito ay karaniwang nakatuon sa mas simpleng kilos ng indibidwal na ahente Dalhin ang araling ito sa totoong mundo at subukang mag-konseptwalisa ng isang multi-agent system na maaaring lutasin ang isang problema. Ano, halimbawa, ang kailangang gawin ng isang multi-agent system upang i-optimize ang ruta ng school bus? Paano ito maaaring gumana sa isang panaderya? -## [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 diff --git a/translations/tr/lessons/1-Intro/README.md b/translations/tr/lessons/1-Intro/README.md index 48bd6d34..4be52247 100644 --- a/translations/tr/lessons/1-Intro/README.md +++ b/translations/tr/lessons/1-Intro/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: > Çizim notu: [Tomomi Imura](https://twitter.com/girlie_mac) -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/101) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/1) **Yapay Zeka**, bilgisayarların insanlara özgü yetenekleri sergilemesini, yani insanların iyi olduğu şeyleri yapmasını sağlayan heyecan verici bir bilim dalıdır. @@ -133,7 +133,7 @@ Son birkaç yılda, BERT ve GPT-3 gibi büyük dil modelleriyle büyük başarı İnternette bir tur yaparak, AI'nin en etkili şekilde nerede kullanıldığını belirleyin. Bir haritalama uygulamasında mı, bir konuşmadan metne hizmette mi yoksa bir video oyununda mı? Sistemin nasıl inşa edildiğini araştırın. -## [Ders sonrası test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Ders sonrası test](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/2-Symbolic/README.md b/translations/tr/lessons/2-Symbolic/README.md index 696fef01..336d233f 100644 --- a/translations/tr/lessons/2-Symbolic/README.md +++ b/translations/tr/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Yapay zeka arayışı, dünyayı insanların yaptığı gibi anlamlandırmak için bilgi arayışına dayanır. Peki, bunu nasıl gerçekleştirebilirsiniz? -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/3) Yapay zekanın ilk zamanlarında, zeki sistemler oluşturmak için yukarıdan aşağıya yaklaşım (önceki derste tartışılmıştı) popülerdi. Fikir, insanlardan bilgiyi alıp makine tarafından okunabilir bir forma dönüştürmek ve ardından bu bilgiyi otomatik olarak problem çözmek için kullanmaktı. Bu yaklaşım iki büyük fikre dayanıyordu: @@ -236,7 +236,7 @@ Günümüzde, yapay zeka genellikle *Makine Öğrenimi* veya *Sinir Ağları* il Bu derse bağlı Aile Ontolojisi defterinde, diğer aile ilişkileriyle deneme yapma fırsatı vardır. Aile ağacındaki insanlar arasında yeni bağlantılar keşfetmeyi deneyin. -## [Ders sonrası test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Ders sonrası test](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/tr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 858ada2c..f5034e29 100644 --- a/translations/tr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/tr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Sinir Ağlarına Giriş: Perceptron -## [Ders Öncesi Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ai/quiz/5) Modern sinir ağına benzer bir şeyin ilk uygulama girişimlerinden biri, 1957 yılında Cornell Havacılık Laboratuvarı'ndan Frank Rosenblatt tarafından gerçekleştirildi. Bu, "Mark-1" olarak adlandırılan ve üçgenler, kareler ve daireler gibi basit geometrik şekilleri tanımak için tasarlanmış bir donanım uygulamasıydı. @@ -85,7 +85,7 @@ Bu derste, ikili sınıflandırma modeli olan perceptronu ve ağırlık vektör Kendi perceptronunuzu oluşturmayı denemek isterseniz, [Microsoft Learn'deki bu laboratuvarı](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) deneyebilirsiniz. Bu laboratuvar, [Azure ML tasarımcısını](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) kullanır. -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/tr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 95085338..3f417263 100644 --- a/translations/tr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/tr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Bu bölümde, bu modeli daha esnek bir çerçeveye genişleteceğiz ve böylece: Ayrıca, farklı sinir ağı mimarileri oluşturabilmemizi sağlayacak kendi modüler Python çerçevemizi geliştireceğiz. -## [Ders Öncesi Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Makine Öğreniminin Formalizasyonu @@ -81,7 +81,7 @@ Eşlik eden notebook'ta, çok katmanlı algılayıcılar oluşturmak ve eğitmek [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) notebook'una geçin ve üzerinde çalışın. -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/tr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 6af066ec..4fe795ca 100644 --- a/translations/tr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/tr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Daha önce öğrendiğimiz gibi, sinir ağlarını verimli bir şekilde eğitebi * Tensörler üzerinde işlem yapmak, örneğin çarpma, toplama ve sigmoid veya softmax gibi bazı fonksiyonları hesaplamak * Tüm ifadelerin gradyanlarını hesaplamak, böylece gradyan inişi optimizasyonunu gerçekleştirebilmek -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/9) `numpy` kütüphanesi ilk kısmı yapabilse de, gradyanları hesaplayacak bir mekanizmaya ihtiyacımız var. Önceki bölümde geliştirdiğimiz [kendi çerçevemizde](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), tüm türev fonksiyonlarını `backward` metodunun içine manuel olarak programlamamız gerekiyordu. Bu yöntem geri yayılımı gerçekleştirir. İdeal olarak, bir çerçeve bize tanımlayabileceğimiz *herhangi bir ifadenin* gradyanlarını hesaplama fırsatı sunmalıdır. @@ -106,7 +106,7 @@ Bu derste, iki en popüler yapay zeka çerçevesi olan TensorFlow ve PyTorch'un Eşlik eden not defterlerinde, 'görevler' bölümünü bulacaksınız; not defterlerini inceleyin ve görevleri tamamlayın. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/tr/lessons/4-ComputerVision/06-IntroCV/README.md index 7fadec1a..ce052e53 100644 --- a/translations/tr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/tr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Bilgisayarlı Görü](https://wikipedia.org/wiki/Computer_vision), bilgisayarların dijital görüntüleri yüksek seviyede anlamasını sağlamayı amaçlayan bir disiplindir. Bu oldukça geniş bir tanımdır çünkü *anlama* birçok farklı şeyi ifade edebilir; bir resimdeki nesneyi bulmak (**nesne tespiti**), ne olduğunu anlamak (**olay tespiti**), bir resmi metinle açıklamak veya bir sahneyi 3D olarak yeniden oluşturmak gibi. İnsan görüntüleriyle ilgili özel görevler de vardır: yaş ve duygu tahmini, yüz tespiti ve tanımlama, 3D duruş tahmini gibi. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/11) Bilgisayarlı görünün en basit görevlerinden biri **görüntü sınıflandırmasıdır**. @@ -105,7 +105,7 @@ Bazen, hareket tespiti veya parmak ucu tespiti gibi nispeten karmaşık görevle AI Show'daki [bu videoyu](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) izleyerek Cortic Tigers projesini ve bilgisayarlı görü görevlerini bir robot aracılığıyla demokratikleştirmek için nasıl blok tabanlı bir çözüm geliştirdiklerini öğrenin. Yeni öğrenenleri bu alana kazandırmaya yardımcı olan diğer projeler hakkında araştırma yapın. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/tr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index db5dc197..a70ff96a 100644 --- a/translations/tr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/tr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Bu bölümde, bilgisayarla görme sinir ağlarının temel konseptini - evrişim Eşlik eden defterlerde, daha yüksek doğruluk elde etmenin yolları hakkında notlar bulunmaktadır. Daha yüksek doğruluk elde edip edemeyeceğinizi görmek için bazı deneyler yapın. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/tr/lessons/4-ComputerVision/07-ConvNets/README.md index 62ee6f22..f2169145 100644 --- a/translations/tr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/tr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Daha önce sinir ağlarının görüntülerle başa çıkmada oldukça iyi olduğunu görmüştük ve tek katmanlı bir algılayıcı bile MNIST veri setindeki el yazısı rakamları makul bir doğrulukla tanıyabiliyor. Ancak, MNIST veri seti oldukça özeldir ve tüm rakamlar görüntünün ortasına hizalanmıştır, bu da görevi daha basit hale getirir. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/13) Gerçek hayatta, bir görüntüdeki nesneleri tam olarak nerede olduklarına bakmaksızın tanıyabilmek isteriz. Bilgisayarla görme, genel sınıflandırmadan farklıdır çünkü bir görüntüde belirli bir nesneyi bulmaya çalışırken, görüntüyü tarar ve belirli **desenler** ve bunların kombinasyonlarını ararız. Örneğin, bir kedi ararken, önce bıyık oluşturabilecek yatay çizgiler arayabiliriz ve ardından belirli bir bıyık kombinasyonu bize bunun bir kedi resmi olduğunu söyleyebilir. Belirli desenlerin göreceli konumu ve varlığı önemlidir, ancak görüntüdeki tam konumu değil. diff --git a/translations/tr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/tr/lessons/4-ComputerVision/08-TransferLearning/README.md index d139c14c..f42b7ef1 100644 --- a/translations/tr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/tr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN'leri eğitmek çok zaman alabilir ve bu görev için çok fazla veri gereklidir. Ancak, bu sürenin büyük bir kısmı, bir ağın görüntülerden desenler çıkarmak için kullanabileceği en iyi düşük seviyeli filtreleri öğrenmekle geçer. Doğal olarak şu soru ortaya çıkar: Bir veri kümesinde eğitilmiş bir sinir ağını kullanıp, tamamen yeni bir eğitim sürecine gerek kalmadan farklı görüntüleri sınıflandırmak için uyarlayabilir miyiz? -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/15) Bu yaklaşım **transfer öğrenimi** olarak adlandırılır, çünkü bir sinir ağı modelinden diğerine bir miktar bilgi aktarırız. Transfer öğreniminde genellikle **ImageNet** gibi büyük bir görüntü veri kümesinde eğitilmiş bir önceden eğitilmiş modelle başlarız. Bu modeller, genel görüntülerden farklı özellikler çıkarmada zaten iyi bir iş çıkarabilir ve çoğu durumda bu çıkarılan özelliklerin üzerine bir sınıflandırıcı inşa etmek iyi sonuçlar verebilir. @@ -76,7 +76,7 @@ Transfer öğrenimi kullanarak, özel bir nesne sınıflandırma görevi için h Eşlik eden not defterlerinde, transfer bilginin en iyi şekilde benzer eğitim verileriyle (örneğin yeni bir hayvan türü) çalıştığına dair notlar bulunmaktadır. Tamamen yeni türdeki görüntülerle biraz deney yaparak transfer bilgi modellerinizin ne kadar iyi veya kötü performans gösterdiğini görün. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/tr/lessons/4-ComputerVision/09-Autoencoders/README.md index 9e4f36f3..dc8bfea0 100644 --- a/translations/tr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/tr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: CNN'leri (Convolutional Neural Networks) eğitirken karşılaşılan sorunlardan biri, çok fazla etiketlenmiş veriye ihtiyaç duymamızdır. Görüntü sınıflandırma durumunda, görüntüleri farklı sınıflara ayırmamız gerekir ve bu manuel bir çabadır. -## [Ders Öncesi Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ai/quiz/17) Ancak, CNN özellik çıkarıcılarını eğitmek için ham (etiketlenmemiş) verileri kullanmak isteyebiliriz; bu, **kendinden denetimli öğrenme** (self-supervised learning) olarak adlandırılır. Etiketler yerine, eğitim görüntülerini hem ağ girişi hem de çıkışı olarak kullanacağız. **Otomatik kodlayıcı** (autoencoder) fikrinin temelinde, bir **kodlayıcı ağ** (encoder network) ile giriş görüntüsünü bir **gizli uzaya** (latent space) dönüştürmek (genellikle daha küçük boyutlu bir vektördür) ve ardından **kod çözücü ağ** (decoder network) ile orijinal görüntüyü yeniden oluşturmak yer alır. @@ -80,7 +80,7 @@ Otomatik kodlayıcılar hakkında daha fazla bilgi edinmek için şu not defterl * **Kayıplı** - yeniden oluşturulan görüntü, orijinal görüntüyle aynı değildir. Kayıp türü, eğitim sırasında kullanılan *kayıp fonksiyonu* ile tanımlanır. * **Etiketlenmemiş veri** üzerinde çalışır. -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Sonuç @@ -90,7 +90,7 @@ Bu derste, bir AI bilim insanının kullanabileceği çeşitli otomatik kodlayı Bu derste, görüntüler için otomatik kodlayıcıların kullanımını öğrendiniz. Ancak, bunlar müzik için de kullanılabilir! Magenta projesinin [MusicVAE](https://magenta.tensorflow.org/music-vae) projesine göz atın; bu proje, müziği yeniden oluşturmayı öğrenmek için otomatik kodlayıcıları kullanır. Bu kütüphane ile bazı [deneyler](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) yaparak neler yaratabileceğinizi görün. -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/10-GANs/README.md b/translations/tr/lessons/4-ComputerVision/10-GANs/README.md index b3d84d2d..a0cd2cb3 100644 --- a/translations/tr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/tr/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Önceki bölümde, **üretici modeller** hakkında bilgi edindik: eğitim veri kümesindeki görüntülere benzer yeni görüntüler üretebilen modeller. VAE, üretici bir modele iyi bir örnekti. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/19) Ancak, VAE ile makul bir çözünürlükte anlamlı bir şey, örneğin bir tablo, üretmeye çalışırsak, eğitimin iyi bir şekilde yakınsama sağlamadığını göreceğiz. Bu kullanım durumu için, özellikle üretici modellere yönelik başka bir mimariyi öğrenmeliyiz - **Üretici Çekişmeli Ağlar** veya GAN'ler. @@ -84,7 +84,7 @@ Bu yöntem şu şekilde çalışır: ## ✍️ Örnek: [Stil Transferi](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Sonuç diff --git a/translations/tr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/tr/lessons/4-ComputerVision/11-ObjectDetection/README.md index 78356943..72fa3df9 100644 --- a/translations/tr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/tr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Bugüne kadar ele aldığımız görüntü sınıflandırma modelleri, bir görüntüyü alıp MNIST problemindeki 'sayı' sınıfı gibi kategorik bir sonuç üretmiştir. Ancak, birçok durumda bir resmin nesneleri tasvir ettiğini bilmek yeterli değildir - nesnelerin tam konumlarını belirlemek isteriz. İşte **nesne tespiti** tam olarak bu noktada devreye girer. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Nesne Tespiti](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.tr.png) @@ -171,7 +171,7 @@ YOLO ile ilgili bu makaleleri ve not defterlerini okuyun ve kendiniz deneyin: * Yolo: [Keras uygulaması](https://github.com/experiencor/keras-yolo2), [adım adım not defteri](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Keras uygulaması](https://github.com/experiencor/keras-yolo2), [adım adım not defteri](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/tr/lessons/4-ComputerVision/12-Segmentation/README.md index 28160611..e1d29674 100644 --- a/translations/tr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/tr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Daha önce, nesneleri *bounding box* tahminiyle görüntüde bulmamızı sağlayan Nesne Tespiti hakkında bilgi edinmiştik. Ancak, bazı görevlerde yalnızca bounding box'lara değil, daha hassas nesne konumlandırmasına da ihtiyaç duyarız. Bu göreve **segmentasyon** denir. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/23) Segmentasyon, **piksel sınıflandırması** olarak görülebilir; burada görüntünün **her bir** pikseli için sınıfını tahmin etmemiz gerekir (*arka plan* da sınıflardan biri olarak kabul edilir). İki ana segmentasyon algoritması vardır: @@ -56,7 +56,7 @@ Aşağıdaki defterleri açarak farklı semantik segmentasyon mimarileri hakkın * [Semantik Segmentasyon Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Semantik Segmentasyon TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Sonuç diff --git a/translations/tr/lessons/5-NLP/13-TextRep/README.md b/translations/tr/lessons/5-NLP/13-TextRep/README.md index 8c64ec74..6c1cae10 100644 --- a/translations/tr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/tr/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Metni Tensörler Olarak Temsil Etme -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Metin Sınıflandırma @@ -73,7 +73,7 @@ Aşağıdaki not defterlerinde öğrenmeye devam edin: Kelime torbası ve farklı veri modelleri kullanarak başka alıştırmalar yapmayı deneyin. Bu [Kaggle yarışması](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) size ilham verebilir. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/14-Embeddings/README.md b/translations/tr/lessons/5-NLP/14-Embeddings/README.md index fa81907a..919f1cba 100644 --- a/translations/tr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/tr/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Gömülü Temsiller -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/27) BoW veya TF/IDF tabanlı sınıflandırıcılar eğitirken, `vocab_size` uzunluğunda yüksek boyutlu kelime torbası vektörleri üzerinde çalışıyorduk ve düşük boyutlu konumsal temsil vektörlerini seyrek tekil temsil vektörlerine açıkça dönüştürüyorduk. Ancak, bu tekil temsil bellek açısından verimli değildir. Ayrıca, her kelime birbirinden bağımsız olarak ele alınır, yani tekil kodlanmış vektörler kelimeler arasındaki herhangi bir anlamsal benzerliği ifade etmez. @@ -65,7 +65,7 @@ Bu derste, kelimelerin anlamsal anlamlarını daha iyi yansıtmak için TensorFl Word2Vec, şarkı sözleri ve şiir oluşturma gibi ilginç uygulamalar için kullanılmıştır. Yazarın Word2Vec'i kullanarak şiir oluşturma sürecini anlattığı [bu makaleye](https://www.politetype.com/blog/word2vec-color-poems) göz atın. Ayrıca, bu tekniğin farklı bir açıklamasını keşfetmek için Dan Shiffmann'ın [bu videosunu](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) izleyin. Ardından, bu teknikleri kendi metin korpusunuza uygulamayı deneyin, belki Kaggle'dan bir kaynak kullanabilirsiniz. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/tr/lessons/5-NLP/15-LanguageModeling/README.md index 0499688c..10a88fdd 100644 --- a/translations/tr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/tr/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Word2Vec ve GloVe gibi anlamsal gömme yöntemleri aslında **dil modellemesine** doğru atılmış ilk adımdır - dilin doğasını bir şekilde *anlayan* (veya *temsil eden*) modeller oluşturmak. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/29) Dil modellemesinin temel fikri, modelleri etiketlenmemiş veri kümeleri üzerinde gözetimsiz bir şekilde eğitmektir. Bu önemlidir çünkü elimizde büyük miktarda etiketlenmemiş metin bulunurken, etiketlenmiş metin miktarı her zaman etiketleme için harcayabileceğimiz çabayla sınırlı olacaktır. Çoğu zaman, metindeki **eksik kelimeleri tahmin edebilen** dil modelleri oluşturabiliriz, çünkü metindeki rastgele bir kelimeyi maskelemek ve bunu bir eğitim örneği olarak kullanmak oldukça kolaydır. @@ -38,7 +38,7 @@ Aşağıdaki defterlerde öğreniminize devam edebilirsiniz: Önceki derste, kelime gömmelerinin adeta bir sihir gibi çalıştığını görmüştük! Şimdi ise kelime gömmelerini eğitmenin çok karmaşık bir iş olmadığını biliyoruz ve gerekirse alanına özgü metinler için kendi kelime gömmelerimizi eğitebileceğimizi öğrenmiş olduk. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/16-RNN/README.md b/translations/tr/lessons/5-NLP/16-RNN/README.md index 249b7ccb..e071e576 100644 --- a/translations/tr/lessons/5-NLP/16-RNN/README.md +++ b/translations/tr/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Tekrarlayan Sinir Ağları -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/31) Önceki bölümlerde, metinlerin zengin anlamsal temsillerini ve gömme katmanlarının üzerine basit bir doğrusal sınıflandırıcıyı kullandık. Bu mimarinin yaptığı şey, bir cümledeki kelimelerin toplu anlamını yakalamaktır, ancak kelimelerin **sırasını** dikkate almaz, çünkü gömme katmanlarının üzerindeki toplama işlemi bu bilgiyi orijinal metinden kaldırır. Bu modeller kelime sırasını modelleyemediği için, metin üretimi veya soru yanıtlama gibi daha karmaşık veya belirsiz görevleri çözemezler. @@ -84,7 +84,7 @@ LSTM'ler hakkında bazı literatürleri okuyun ve uygulamalarını düşünün: - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/tr/lessons/5-NLP/17-GenerativeNetworks/README.md index 933706ef..c1c0b84d 100644 --- a/translations/tr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/tr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Üretken Ağlar -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/33) Tekrarlayan Sinir Ağları (RNN'ler) ve Uzun Kısa Süreli Bellek Hücreleri (LSTM'ler) ile Gated Recurrent Units (GRU'ler) gibi kapılı hücre varyantları, dil modelleme için bir mekanizma sağlar. Bu mekanizma, kelime sıralamasını öğrenebilir ve bir dizideki bir sonraki kelime için tahminler sunabilir. Bu, RNN'lerin **üretken görevler** için kullanılmasını sağlar; örneğin, sıradan metin üretimi, makine çevirisi ve hatta görüntü açıklaması. @@ -71,7 +71,7 @@ Bu konuyla ilgili Microsoft Learn'de bazı dersler alın: * [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) ile Metin Üretimi -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/18-Transformers/README.md b/translations/tr/lessons/5-NLP/18-Transformers/README.md index 40c8b44f..95f4f2a1 100644 --- a/translations/tr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/tr/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Dikkat Mekanizmaları ve Transformerlar -## [Ders Öncesi Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP alanındaki en önemli problemlerden biri, Google Translate gibi araçların temelini oluşturan **makine çevirisi**dir. Bu bölümde, makine çevirisine ya da daha genel olarak herhangi bir *diziden-diziye* (sequence-to-sequence) göreve (bu aynı zamanda **cümle dönüşümü** olarak da adlandırılır) odaklanacağız. @@ -108,7 +108,7 @@ Bu derste Transformerlar ve Dikkat Mekanizmaları hakkında bilgi edindiniz; bun ## 🚀 Meydan Okuma -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/tr/lessons/5-NLP/18-Transformers/READMEtransformers.md index 00e3e080..f85667c5 100644 --- a/translations/tr/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/tr/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # Dikkat Mekanizmaları ve Transformerlar -## [Ders öncesi quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Ders öncesi quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP alanındaki en önemli problemlerden biri **makine çevirisi**dir; bu, Google Translate gibi araçların temelini oluşturan önemli bir görevdir. Bu bölümde, makine çevirisine, daha genel olarak ise herhangi bir *dizi-dizi* görevine (bu göreve **cümle dönüştürme** de denir) odaklanacağız. @@ -99,7 +99,7 @@ Bu derste, NLP araç kutusundaki tüm temel araçlar olan Transformerlar ve Dikk ## 🚀 Zorluk -## [Ders sonrası quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Gözden Geçirme & Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/19-NER/README.md b/translations/tr/lessons/5-NLP/19-NER/README.md index ae6e81d1..679dbd74 100644 --- a/translations/tr/lessons/5-NLP/19-NER/README.md +++ b/translations/tr/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Şimdiye kadar, çoğunlukla bir NLP görevi olan sınıflandırmaya odaklandık. Ancak, sinir ağlarıyla gerçekleştirilebilecek başka NLP görevleri de vardır. Bu görevlerden biri, metin içinde yer alan belirli varlıkları tanımayı amaçlayan **[Adlandırılmış Varlık Tanıma](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) işlemidir. Bu varlıklar arasında yerler, kişi adları, tarih-zaman aralıkları, kimyasal formüller gibi unsurlar bulunabilir. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER Kullanımına Bir Örnek @@ -79,7 +79,7 @@ Bir NER modeli, bir **token sınıflandırma modeli** olup, token sınıflandır Aşağıda bağlantısı verilen ödevi tamamlayarak tıbbi terimler için bir adlandırılmış varlık tanıma modeli eğitin ve ardından bunu farklı bir veri kümesi üzerinde deneyin. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/5-NLP/20-LangModels/README.md b/translations/tr/lessons/5-NLP/20-LangModels/README.md index 68e3da44..a0f3c180 100644 --- a/translations/tr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/tr/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Önceki tüm görevlerimizde, etiketlenmiş bir veri kümesi kullanarak belirli bir görevi yerine getirmek için bir sinir ağı eğitiyorduk. BERT gibi büyük transformer modelleriyle, dil modellemesini kendi kendine denetimli bir şekilde kullanarak bir dil modeli oluşturuyoruz ve ardından bu modeli belirli bir alt görev için alanına özel eğitimle özelleştiriyoruz. Ancak, büyük dil modellerinin herhangi bir alanına özel eğitim olmadan birçok görevi çözebileceği gösterilmiştir. Bu tür görevleri gerçekleştirebilen model ailesine **GPT** (Generative Pre-Trained Transformer) adı verilir. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Metin Üretimi ve Karmaşıklık (Perplexity) @@ -58,7 +58,7 @@ Aşağıdaki notebook'larda öğrenmeye devam edin: Yeni genel önceden eğitilmiş dil modelleri yalnızca dil yapısını modellemekle kalmaz, aynı zamanda büyük miktarda doğal dil bilgisi içerir. Bu nedenle, bazı NLP görevlerini sıfır atış (zero-shot) veya az atış (few-shot) ayarlarında etkili bir şekilde çözmek için kullanılabilirler. -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Feragatname**: Bu belge, [Co-op Translator](https://github.com/Azure/co-op-translator) adlı bir yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel bir insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz. \ No newline at end of file diff --git a/translations/tr/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/tr/lessons/5-NLP/20-LangModels/READMELargeLang.md index 525a4a68..37bec0fa 100644 --- a/translations/tr/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/tr/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ Önceki görevlerimizde, etiketlenmiş veri seti kullanarak belirli bir görevi yerine getirmek için bir sinir ağı eğitiyorduk. BERT gibi büyük dönüştürücü modellerle, dil modellemesini kendi kendine denetimli bir şekilde kullanarak bir dil modeli oluşturuyoruz; bu model daha sonra belirli bir alt görev için daha fazla alan spesifik eğitimi ile özelleştiriliyor. Ancak, büyük dil modellerinin herhangi bir alan spesifik eğitimi olmadan birçok görevi de çözebileceği gösterilmiştir. Bunu yapabilen modeller ailesine **GPT** denir: Üretken Önceden Eğitilmiş Dönüştürücü. -## [Öncesi ders sınavı](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Öncesi ders sınavı](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Metin Üretimi ve Perpleksite @@ -49,7 +49,7 @@ Aşağıdaki not defterlerinde öğrenmeye devam edin: Yeni genel önceden eğitilmiş dil modelleri sadece dil yapısını modellemekle kalmaz, aynı zamanda büyük miktarda doğal dil içerir. Bu nedenle, bazı NLP görevlerini sıfırdan veya az sayıda örnekle çözmek için etkili bir şekilde kullanılabilirler. -## [Ders sonrası sınav](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Ders sonrası sınav](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Açıklama**: Bu belge, makine tabanlı AI çeviri hizmetleri kullanılarak çevrilmiştir. Doğruluğa önem vermemize rağmen, otomatik çevirilerin hatalar veya yanlış anlamalar içerebileceğini lütfen unutmayın. Belgenin orijinal metni, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilmektedir. Bu çevirinin kullanımı sonucunda ortaya çıkan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz. \ No newline at end of file diff --git a/translations/tr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/tr/lessons/6-Other/21-GeneticAlgorithms/README.md index 2c1f83c3..671622f0 100644 --- a/translations/tr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/tr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Genetik Algoritmalar -## [Ders Öncesi Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Genetik Algoritmalar** (GA), bir popülasyonun evrim yöntemlerini kullanarak verilen bir problem için en uygun çözümü elde etmeye dayanan bir **evrimsel yaklaşım** üzerine kuruludur. 1975 yılında [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) tarafından önerilmiştir. @@ -66,7 +66,7 @@ Genetik Algoritmalar, lojistik ve arama problemleri dahil olmak üzere birçok p "Genetik algoritmalar basit bir şekilde uygulanabilir, ancak davranışlarını anlamak zordur." [kaynak](https://wikipedia.org/wiki/Genetic_algorithm) Bir Sudoku bulmacasını çözmek gibi bir genetik algoritma uygulaması bulun ve bunun nasıl çalıştığını bir taslak veya akış diyagramı olarak açıklayın. -## [Ders Sonrası Testi](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Ders Sonrası Testi](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/6-Other/22-DeepRL/README.md b/translations/tr/lessons/6-Other/22-DeepRL/README.md index d37a5595..4ec059f0 100644 --- a/translations/tr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/tr/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Pekiştirmeli öğrenme (RL), denetimli öğrenme ve denetimsiz öğrenme ile birlikte temel makine öğrenimi paradigmalarından biri olarak görülür. Denetimli öğrenmede bilinen sonuçlara sahip bir veri setine dayanırken, RL **yaparak öğrenme** ilkesine dayanır. Örneğin, bir bilgisayar oyununu ilk kez gördüğümüzde, kuralları bilmeden oynamaya başlarız ve sadece oynama ve davranışlarımızı ayarlama süreciyle becerilerimizi geliştirebiliriz. -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL gerçekleştirmek için ihtiyacımız olanlar: @@ -110,7 +110,7 @@ Artık bir ödül fonksiyonu sağlayarak ve arama alanını akıllıca keşfetme 'Diğer RL Görevleri' bölümünde listelenen uygulamaları keşfedin ve birini uygulamayı deneyin! -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## İnceleme ve Kendi Kendine Çalışma diff --git a/translations/tr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/tr/lessons/6-Other/23-MultiagentSystems/README.md index b7ff1ab1..790f45a7 100644 --- a/translations/tr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/tr/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Zekayı elde etmenin olası yollarından biri, **ortaya çıkan** (veya **sinergik**) yaklaşım olarak adlandırılan yöntemdir. Bu yaklaşım, birçok nispeten basit ajanın birleşik davranışının, sistemin bir bütün olarak daha karmaşık (veya zeki) bir davranış sergilemesine yol açabileceği gerçeğine dayanır. Teorik olarak, bu yaklaşım [Kolektif Zeka](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentizm](https://en.wikipedia.org/wiki/Global_brain) ve [Evrimsel Sibernetik](https://en.wikipedia.org/wiki/Global_brain) ilkelerine dayanır. Bu ilkeler, alt düzey sistemlerin uygun şekilde birleştirildiğinde üst düzey sistemlerin bir tür ek değer kazandığını ifade eder (*metasistem geçişi ilkesi* olarak adlandırılır). -## [Ders Öncesi Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/45) **Çoklu Ajan Sistemleri** yönelimi, 1990'larda internetin ve dağıtık sistemlerin büyümesine yanıt olarak yapay zekâ alanında ortaya çıkmıştır. Klasik yapay zekâ ders kitaplarından biri olan [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), klasik yapay zekâya Çoklu Ajan Sistemleri perspektifinden bakar. @@ -152,7 +152,7 @@ Hepsi, bireysel bir ajanın daha basit davranışına odaklanma eğilimindedir v Bu dersi gerçek dünyaya taşıyın ve bir sorunu çözebilecek bir çoklu ajan sistemi kavramsallaştırmaya çalışın. Örneğin, bir okul servisi rotasını optimize etmek için bir çoklu ajan sistemi ne yapmalıdır? Bir fırında nasıl çalışabilir? -## [Ders Sonrası Test](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Gözden Geçirme ve Kendi Kendine Çalışma diff --git a/translations/tw/lessons/1-Intro/README.md b/translations/tw/lessons/1-Intro/README.md index 8280cc16..c067a5aa 100644 --- a/translations/tw/lessons/1-Intro/README.md +++ b/translations/tw/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: 在網路上進行探索，判斷您認為人工智慧在哪些領域最有效地被使用。是地圖應用程式、語音轉文字服務還是某款電子遊戲？研究該系統是如何構建的。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 回顧與自學 diff --git a/translations/tw/lessons/2-Symbolic/README.md b/translations/tw/lessons/2-Symbolic/README.md index b03672ed..4a975c7e 100644 --- a/translations/tw/lessons/2-Symbolic/README.md +++ b/translations/tw/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 人工智慧的追求基於對知識的探索，目的是讓機器能像人類一樣理解世界。但該如何實現這一目標呢？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/3) 在人工智慧的早期，採用自上而下的方法來創建智能系統（在上一課中討論過）非常流行。其核心思想是將人類的知識提取成機器可讀的形式，然後用它來自動解決問題。這種方法基於兩個重要概念： @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel 在與本課程相關的家庭本體筆記本中，有機會嘗試其他家庭關係。試著發現家譜中人物之間的新連接。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 回顧與自學 diff --git a/translations/tw/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/tw/lessons/3-NeuralNetworks/03-Perceptron/README.md index b625883c..2597a88b 100644 --- a/translations/tw/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/tw/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 神經網路簡介：感知器 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/5) 1957 年，康奈爾航空實驗室的 Frank Rosenblatt 首次嘗試實現類似現代神經網路的模型。他設計了一個名為 "Mark-1" 的硬體裝置，用於識別基本幾何圖形，例如三角形、正方形和圓形。 @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 如果你想嘗試構建自己的感知器，可以試試 [Microsoft Learn 上的這個實驗](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)，它使用了 [Azure ML 設計器](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 回顧與自學 diff --git a/translations/tw/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/tw/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 6744fc72..f8947d5e 100644 --- a/translations/tw/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/tw/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 我們還將在 Python 中開發自己的模組化框架，讓我們能夠構建不同的神經網路架構。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 機器學習的形式化 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: 前往 [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) 筆記本並完成其中的內容。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 回顧與自學 diff --git a/translations/tw/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/tw/lessons/3-NeuralNetworks/05-Frameworks/README.md index 125a6b9c..db127674 100644 --- a/translations/tw/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/tw/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * 操作張量，例如進行乘法、加法，並計算一些函數如 sigmoid 或 softmax * 計算所有表達式的梯度，以便執行梯度下降優化 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/9) 雖然 `numpy` 庫可以完成第一部分，但我們需要某種機制來計算梯度。在[我們的框架](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)中，我們在上一節中開發的框架需要手動在 `backward` 方法中編寫所有導數函數，該方法負責反向傳播。理想情況下，一個框架應該能讓我們計算*任何表達式*的梯度。 @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 在附帶的筆記本中，您會在底部找到「任務」；請完成筆記本中的任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/tw/lessons/4-ComputerVision/06-IntroCV/README.md index 339a2837..b6f8329c 100644 --- a/translations/tw/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/tw/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [電腦視覺](https://wikipedia.org/wiki/Computer_vision)是一個旨在讓電腦能夠高層次理解數位影像的學科。這是一個相當廣泛的定義，因為*理解*可以有許多不同的含義，包括在圖片中找到物體（**物體檢測**）、理解正在發生的事件（**事件檢測**）、用文字描述圖片，或是以3D方式重建場景。此外，還有一些與人類影像相關的特殊任務，例如年齡和情緒估算、人臉檢測與識別，以及3D姿態估算等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/11) 電腦視覺最簡單的任務之一是**影像分類**。 @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) 觀看 [這段影片](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)，了解 Cortic Tigers 項目以及他們如何構建基於模塊的解決方案，通過機器人普及電腦視覺任務。研究其他類似項目，了解它們如何幫助新學習者進入這個領域。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/tw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index a9dd3a89..df31735b 100644 --- a/translations/tw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/tw/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet 是一系列縮小尺寸的模型，適合移動設備使用。如果 在附帶的筆記本中，底部有關於如何獲得更高準確率的筆記。進行一些實驗，看看是否能達到更高的準確率。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/tw/lessons/4-ComputerVision/07-ConvNets/README.md index 76dc2714..fa5487fb 100644 --- a/translations/tw/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/tw/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前已經看到，神經網絡在處理圖像方面表現相當出色，即使是單層感知器也能以合理的準確率識別 MNIST 數據集中的手寫數字。然而，MNIST 數據集非常特殊，所有的數字都集中在圖像的中心，這使得任務變得更簡單。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/13) 在現實生活中，我們希望能夠識別圖像中的物體，而不受其在圖像中的具體位置影響。計算機視覺與一般的分類不同，因為當我們試圖在圖像中找到某個物體時，我們是在掃描圖像以尋找一些特定的**模式**及其組合。例如，當尋找一隻貓時，我們可能首先尋找水平線，這些線可能形成貓鬚，然後某些貓鬚的組合可以告訴我們這是一張貓的圖片。某些模式的相對位置和存在是重要的，而不是它們在圖像中的確切位置。 diff --git a/translations/tw/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/tw/lessons/4-ComputerVision/08-TransferLearning/README.md index ebff66aa..250dd865 100644 --- a/translations/tw/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/tw/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 訓練 CNN 需要耗費大量時間，並且需要大量數據。然而，大部分時間都花在學習網絡用來從圖像中提取模式的最佳低層濾波器上。一個自然的問題是：我們是否可以使用在一個數據集上訓練的神經網絡，並將其適配於分類不同的圖像，而不需要完整的訓練過程？ -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/15) 這種方法被稱為**遷移學習**，因為我們將某些知識從一個神經網絡模型轉移到另一個模型。在遷移學習中，我們通常從一個預訓練模型開始，該模型已經在某個大型圖像數據集（例如 **ImageNet**）上進行過訓練。這些模型已經能夠很好地從通用圖像中提取不同特徵，在許多情況下，只需在這些提取的特徵之上構建一個分類器就能取得良好的結果。 @@ -76,7 +76,7 @@ Keras 和 PyTorch 都包含函數，可以輕鬆加載一些常見架構的預 在配套的筆記本中，底部有關於遷移知識如何最好地與某些相似的訓練數據（例如新類型的動物）一起工作的筆記。嘗試使用完全新類型的圖像進行一些實驗，看看你的遷移知識模型表現得如何。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/tw/lessons/4-ComputerVision/09-Autoencoders/README.md index 06ce76fc..1d649b64 100644 --- a/translations/tw/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/tw/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在訓練 CNN 時，其中一個問題是我們需要大量的標記數據。以圖像分類為例，我們需要將圖像分成不同的類別，這是一項需要手動完成的工作。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/17) 然而，我們可能希望使用原始（未標記）的數據來訓練 CNN 特徵提取器，這被稱為**自監督學習**。取代標籤，我們將使用訓練圖像作為網絡的輸入和輸出。**自動編碼器**的主要概念是，我們將有一個**編碼器網絡**，將輸入圖像轉換為某種**潛在空間**（通常只是某種較小尺寸的向量），然後是**解碼器網絡**，其目標是重建原始圖像。 @@ -80,7 +80,7 @@ VAE 的一個重要優勢是它使我們能夠相對容易地生成新圖像， * **有損** - 重建的圖像與原始圖像不完全相同。損失的性質由訓練期間使用的*損失函數*定義。 * 適用於**未標記數據** -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 結論 @@ -90,7 +90,7 @@ VAE 的一個重要優勢是它使我們能夠相對容易地生成新圖像， 在本課中，您學習了如何將自動編碼器用於圖像。但它們也可以用於音樂！查看 Magenta 項目的 [MusicVAE](https://magenta.tensorflow.org/music-vae) 項目，它使用自動編碼器來學習重建音樂。使用此庫進行一些[實驗](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)，看看您能創造出什麼。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/10-GANs/README.md b/translations/tw/lessons/4-ComputerVision/10-GANs/README.md index 40de12f9..23a8864d 100644 --- a/translations/tw/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/tw/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一節中，我們學習了**生成模型**：能夠生成與訓練數據集中的圖像相似的新圖像的模型。VAE 是生成模型的一個不錯的例子。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/19) 然而，如果我們嘗試生成一些真正有意義的東西，比如一幅具有合理解析度的畫作，使用 VAE 進行訓練時可能會發現收斂效果不佳。針對這種情況，我們需要了解另一種專門針對生成模型的架構——**生成對抗網絡**，簡稱 GAN。 @@ -84,7 +84,7 @@ GAN 是生成藝術圖像的絕佳工具。另一種有趣的技術是所謂的* ## ✍️ 示例：[風格遷移](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## 結論 diff --git a/translations/tw/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/tw/lessons/4-ComputerVision/11-ObjectDetection/README.md index 76912735..1fef1e6a 100644 --- a/translations/tw/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/tw/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前討論的影像分類模型，主要是將影像輸入並產生一個分類結果，例如在 MNIST 問題中，分類結果是「數字」類別。然而，在許多情況下，我們不僅僅想知道影像中有物件存在，我們還希望能夠確定它們的精確位置。這正是**物件偵測**的目的所在。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![物件偵測](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.tw.png) @@ -172,7 +172,7 @@ YOLO 是一種即時的單次通過算法。主要思想如下： * YOLO: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras 實現](https://github.com/experiencor/keras-yolo2)，[逐步筆記本](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 回顧與自學 diff --git a/translations/tw/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/tw/lessons/4-ComputerVision/12-Segmentation/README.md index 3fb65d60..c02d6608 100644 --- a/translations/tw/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/tw/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我們之前學習了物件檢測，它可以通過預測物件的*邊界框*來定位圖像中的物件。然而，對於某些任務，我們不僅需要邊界框，還需要更精確的物件定位。這項任務被稱為**分割**。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/23) 分割可以被視為**像素分類**，也就是說，對圖像中的**每個**像素，我們都必須預測其類別（*背景*也是其中一個類別）。主要有兩種分割算法： @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [語義分割 Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [語義分割 TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## 結論 diff --git a/translations/tw/lessons/5-NLP/13-TextRep/README.md b/translations/tw/lessons/5-NLP/13-TextRep/README.md index b8ba563c..cd4e5c04 100644 --- a/translations/tw/lessons/5-NLP/13-TextRep/README.md +++ b/translations/tw/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 表示文字為張量 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## 文字分類 @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: 嘗試使用詞袋和不同的數據模型進行其他練習。你可能會從這個 [Kaggle 比賽](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) 中獲得靈感。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/14-Embeddings/README.md b/translations/tw/lessons/5-NLP/14-Embeddings/README.md index 3c115d47..3bb5b911 100644 --- a/translations/tw/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/tw/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 嵌入 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/27) 在基於 BoW 或 TF/IDF 訓練分類器時，我們操作的是高維度的詞袋向量，其長度為 `vocab_size`，並且我們明確地將低維度的位置表示向量轉換為稀疏的單熱表示。然而，這種單熱表示並不具備記憶效率。此外，每個詞都被獨立地處理，也就是說，單熱編碼的向量無法表達詞與詞之間的語義相似性。 @@ -65,7 +65,7 @@ Word2Vec 預訓練嵌入（以及其他類似模型，例如 GloVe）也可以 Word2Vec 已被用於一些有趣的應用，包括生成歌曲歌詞和詩歌。查看[這篇文章](https://www.politetype.com/blog/word2vec-color-poems)，了解作者如何使用 Word2Vec 生成詩歌。還可以觀看[Dan Shiffmann 的這段視頻](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)，了解該技術的另一種解釋。然後嘗試將這些技術應用於您自己的文本語料庫，或許可以從 Kaggle 獲取。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/15-LanguageModeling/README.md b/translations/tw/lessons/5-NLP/15-LanguageModeling/README.md index b1edcbc3..33d3836b 100644 --- a/translations/tw/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/tw/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 語意嵌入（例如 Word2Vec 和 GloVe）實際上是邁向**語言建模**的第一步——建立能夠以某種方式*理解*（或*表示*）語言特性的模型。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/29) 語言建模的核心理念是以無監督的方式在未標註的數據集上進行訓練。這很重要，因為我們擁有大量未標註的文本，而標註文本的數量則受限於我們能投入的標註工作量。通常，我們可以建立能夠**預測缺失詞**的語言模型，因為在文本中隨機遮蔽一個詞並將其作為訓練樣本是相對容易的。 @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一課中，我們看到詞嵌入的效果就像魔法一樣！現在我們知道，訓練詞嵌入並不是一項非常複雜的任務，如果需要，我們應該能夠為特定領域的文本訓練自己的詞嵌入。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/16-RNN/README.md b/translations/tw/lessons/5-NLP/16-RNN/README.md index 772795ca..49d2dbc6 100644 --- a/translations/tw/lessons/5-NLP/16-RNN/README.md +++ b/translations/tw/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 循環神經網路 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/31) 在之前的章節中，我們使用了豐富的文本語義表示以及嵌入層上的簡單線性分類器。這種架構能夠捕捉句子中詞語的聚合意義，但它無法考慮詞語的**順序**，因為嵌入層上的聚合操作會移除原始文本中的這些信息。由於這些模型無法建模詞語的順序，它們無法解決更複雜或模糊的任務，例如文本生成或問題回答。 @@ -84,7 +84,7 @@ LSTM 網路的組織方式與 RNN 類似，但有兩個狀態會在層與層之 - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/tw/lessons/5-NLP/17-GenerativeNetworks/README.md index a3d923ca..335caba1 100644 --- a/translations/tw/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/tw/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 生成式網絡 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/33) 循環神經網絡（RNN）及其門控單元變體，例如長短期記憶單元（LSTM）和門控循環單元（GRU），提供了一種語言建模的機制，因為它們可以學習單詞的排列順序，並對序列中的下一個單詞進行預測。這使得我們可以使用 RNN 進行**生成任務**，例如普通文本生成、機器翻譯，甚至圖像描述。 @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * 使用 [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) 進行文本生成 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/18-Transformers/README.md b/translations/tw/lessons/5-NLP/18-Transformers/README.md index e6cb056d..b88ba989 100644 --- a/translations/tw/lessons/5-NLP/18-Transformers/README.md +++ b/translations/tw/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 注意力機制與Transformer -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/35) 在自然語言處理（NLP）領域中，**機器翻譯**是一個非常重要的問題，這是支撐像 Google 翻譯這類工具的核心任務。在本節中，我們將專注於機器翻譯，或者更廣泛地說，任何*序列到序列*的任務（也稱為**句子轉換**）。 @@ -108,7 +108,7 @@ Transformer 的核心思想之一是避免 RNN 的序列特性，並創建一個 ## 🚀 挑戰 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/19-NER/README.md b/translations/tw/lessons/5-NLP/19-NER/README.md index 6d450afe..f1c2b0e2 100644 --- a/translations/tw/lessons/5-NLP/19-NER/README.md +++ b/translations/tw/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 到目前為止，我們主要集中在一個 NLP 任務——分類。然而，還有其他 NLP 任務可以通過神經網絡完成。其中一個任務是 **[命名實體識別](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)，它處理識別文本中的特定實體，例如地點、人物姓名、日期時間範圍、化學公式等。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## 使用 NER 的範例 @@ -79,7 +79,7 @@ NER 模型是一種 **標記分類模型**，這意味著它可以用於執行 完成以下連結的作業，訓練一個醫學術語的命名實體識別模型，然後嘗試在不同的數據集上進行測試。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 回顧與自學 diff --git a/translations/tw/lessons/5-NLP/20-LangModels/README.md b/translations/tw/lessons/5-NLP/20-LangModels/README.md index 1d0a1f61..461f91ae 100644 --- a/translations/tw/lessons/5-NLP/20-LangModels/README.md +++ b/translations/tw/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在我們之前的所有任務中，我們都是使用標註數據集來訓練神經網絡以執行特定任務。而對於像 BERT 這樣的大型 Transformer 模型，我們使用自監督的方式進行語言建模來構建語言模型，然後通過進一步的特定領域訓練將其專門化用於特定的下游任務。然而，已經證明大型語言模型也可以在沒有任何特定領域訓練的情況下解決許多任務。能夠做到這一點的一類模型被稱為 **GPT**：生成式預訓練 Transformer。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 文本生成與困惑度 @@ -58,7 +58,7 @@ GPT-3 和 GPT-4 模型可以通過 [Microsoft Azure 的認知服務](https://azu 新的通用預訓練語言模型不僅建模語言結構，還包含大量的自然語言知識。因此，它們可以在零樣本或少樣本設置中有效地解決一些 NLP 任務。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免責聲明**： 本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。 \ No newline at end of file diff --git a/translations/tw/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/tw/lessons/6-Other/21-GeneticAlgorithms/README.md index 2a14f560..8f718fb3 100644 --- a/translations/tw/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/tw/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 基因演算法 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/41) **基因演算法** (GA) 是基於一種**演化式方法**的人工智慧技術，透過模擬族群的演化過程來尋找特定問題的最佳解。基因演算法由 [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) 在1975年提出。 @@ -67,7 +67,7 @@ CO_OP_TRANSLATOR_METADATA: 「基因演算法易於實現，但其行為難以理解。」[來源](https://wikipedia.org/wiki/Genetic_algorithm) 進行一些研究，找到基因演算法的實現範例，例如解數獨問題，並以草圖或流程圖的形式解釋其工作原理。 -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 回顧與自學 diff --git a/translations/tw/lessons/6-Other/22-DeepRL/README.md b/translations/tw/lessons/6-Other/22-DeepRL/README.md index 63ad6d18..19d8b130 100644 --- a/translations/tw/lessons/6-Other/22-DeepRL/README.md +++ b/translations/tw/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 強化學習（Reinforcement Learning, RL）被視為與監督學習和非監督學習並列的基本機器學習範式之一。在監督學習中，我們依賴於已知結果的數據集，而強化學習則基於**透過實踐學習**。例如，當我們第一次接觸一款電腦遊戲時，即使不知道規則，我們也會開始玩，並且很快能透過遊玩過程和調整行為來提升技能。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/43) 要進行強化學習，我們需要： @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") 探索「其他強化學習任務」部分列出的應用，並嘗試實現其中一個！ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 回顧與自學 diff --git a/translations/tw/lessons/6-Other/23-MultiagentSystems/README.md b/translations/tw/lessons/6-Other/23-MultiagentSystems/README.md index 9b47d401..286b2830 100644 --- a/translations/tw/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/tw/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 實現智慧的一種可能方法是所謂的**湧現**（或**協同**）方法，這基於以下事實：許多相對簡單的代理的組合行為可以導致整個系統的更複雜（或更智能）的行為。理論上，這基於[集體智慧](https://en.wikipedia.org/wiki/Collective_intelligence)、[湧現主義](https://en.wikipedia.org/wiki/Global_brain)和[演化控制論](https://en.wikipedia.org/wiki/Global_brain)的原則，這些原則指出，當低層系統被適當地組合成高層系統時，會產生某種附加價值（即所謂的*超系統轉換原則*）。 -## [課前測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/45) **多代理系統**的方向在1990年代因應互聯網和分散式系統的增長而在人工智慧領域中湧現。經典的人工智慧教科書之一[《人工智慧：現代方法》](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)從多代理系統的角度探討了經典人工智慧的觀點。 @@ -152,7 +152,7 @@ NetLogo的世界由以下對象組成： 將本課程應用於現實世界，嘗試構思一個可以解決問題的多代理系統。例如，多代理系統需要做什麼才能優化校車路線？它如何在麵包店中運作？ -## [課後測驗](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## 回顧與自學 diff --git a/translations/uk/lessons/1-Intro/README.md b/translations/uk/lessons/1-Intro/README.md index bc0959dc..6387b8b9 100644 --- a/translations/uk/lessons/1-Intro/README.md +++ b/translations/uk/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: Здійсніть дослідження в інтернеті, щоб визначити, де, на вашу думку, штучний інтелект використовується найефективніше. Це може бути додаток для картографії, сервіс перетворення мови в текст або відеогра. Дослідіть, як була створена ця система. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/2-Symbolic/README.md b/translations/uk/lessons/2-Symbolic/README.md index 07ac50d4..ba7edb77 100644 --- a/translations/uk/lessons/2-Symbolic/README.md +++ b/translations/uk/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Пошук штучного інтелекту базується на прагненні до знань, щоб зрозуміти світ так, як це роблять люди. Але як це можна реалізувати? -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/3) У ранні дні розвитку AI популярним був підхід "зверху вниз" до створення інтелектуальних систем (обговорювався в попередньому уроці). Ідея полягала в тому, щоб витягти знання від людей у машинозчитуваній формі, а потім використовувати їх для автоматичного вирішення проблем. Цей підхід базувався на двох великих ідеях: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel У блокноті Family Ontology, пов'язаному з цим уроком, є можливість експериментувати з іншими сімейними відносинами. Спробуйте знайти нові зв'язки між людьми в родинному дереві. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/uk/lessons/3-NeuralNetworks/03-Perceptron/README.md index e4c29212..909ce778 100644 --- a/translations/uk/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/uk/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Вступ до нейронних мереж: Перцептрон -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/5) Однією з перших спроб реалізувати щось схоже на сучасну нейронну мережу була робота Френка Розенблатта з Корнельської аеронавтичної лабораторії у 1957 році. Це була апаратна реалізація під назвою "Mark-1", створена для розпізнавання простих геометричних фігур, таких як трикутники, квадрати та кола. @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): Якщо ви хочете спробувати створити власний перцептрон, спробуйте [цю лабораторну роботу на Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste), яка використовує [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/uk/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 0314f732..16cc873f 100644 --- a/translations/uk/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/uk/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Ми також розробимо власну модульну структуру на Python, яка дозволить нам створювати різні архітектури нейронних мереж. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Формалізація машинного навчання @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: Перейдіть до [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ноутбука і виконайте завдання. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/uk/lessons/3-NeuralNetworks/05-Frameworks/README.md index 541b9d56..99f68d48 100644 --- a/translations/uk/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/uk/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * Працювати з тензорами, наприклад, множити, додавати та обчислювати функції, такі як сигмоїда або softmax * Обчислювати градієнти всіх виразів для виконання оптимізації методом градієнтного спуску -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/9) Хоча бібліотека `numpy` може виконувати першу задачу, нам потрібен механізм для обчислення градієнтів. У [нашому фреймворку](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb), який ми розробили в попередньому розділі, ми вручну програмували всі похідні функції в методі `backward`, який виконує зворотне поширення. Ідеально, якщо фреймворк дозволяє обчислювати градієнти для *будь-якого виразу*, який ми можемо визначити. @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: У супровідних ноутбуках ви знайдете "завдання" внизу; пройдіть через ноутбуки і виконайте завдання. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/uk/lessons/4-ComputerVision/06-IntroCV/README.md index f06e124d..f5ae6b76 100644 --- a/translations/uk/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/uk/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Комп'ютерний зір](https://wikipedia.org/wiki/Computer_vision) — це дисципліна, метою якої є надання комп'ютерам можливості отримувати високорівневе розуміння цифрових зображень. Це досить широке визначення, адже *розуміння* може означати багато різних речей, включаючи знаходження об'єкта на зображенні (**детекція об'єктів**), розуміння того, що відбувається (**детекція подій**), опис зображення текстом або реконструкцію сцени у 3D. Існують також спеціальні завдання, пов'язані з людськими зображеннями: оцінка віку та емоцій, детекція та ідентифікація облич, а також оцінка 3D-пози, щоб назвати лише кілька. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/11) Одне з найпростіших завдань комп'ютерного зору — це **класифікація зображень**. @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) Перегляньте [це відео](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) з AI Show, щоб дізнатися про проєкт Cortic Tigers і те, як вони створили рішення на основі блоків для демократизації завдань комп'ютерного зору за допомогою робота. Проведіть дослідження інших подібних проєктів, які допомагають новачкам освоїти цю галузь. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/uk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 3fd4b497..d8f75aef 100644 --- a/translations/uk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/uk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet — це сімейство моделей зі зменшеним р У супровідних блокнотах є примітки внизу про те, як досягти більшої точності. Проведіть експерименти, щоб побачити, чи зможете ви досягти вищої точності. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/uk/lessons/4-ComputerVision/07-ConvNets/README.md index 14cbf23e..b6807c38 100644 --- a/translations/uk/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/uk/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Ми вже бачили, що нейронні мережі досить добре працюють із зображеннями, і навіть одношаровий перцептрон здатний розпізнавати рукописні цифри з набору даних MNIST з прийнятною точністю. Однак набір даних MNIST є дуже специфічним, і всі цифри розташовані в центрі зображення, що спрощує задачу. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/13) У реальному житті ми хочемо мати можливість розпізнавати об'єкти на зображенні незалежно від їх точного розташування. Комп'ютерний зір відрізняється від загальної класифікації, тому що, коли ми намагаємося знайти певний об'єкт на зображенні, ми скануємо його, шукаючи певні **шаблони** та їх комбінації. Наприклад, шукаючи кота, ми спочатку можемо шукати горизонтальні лінії, які можуть утворювати вуса, а потім певна комбінація вусів може підказати нам, що це дійсно зображення кота. Важливими є відносне розташування та наявність певних шаблонів, а не їх точне положення на зображенні. diff --git a/translations/uk/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/uk/lessons/4-ComputerVision/08-TransferLearning/README.md index 755f90d3..384ba75d 100644 --- a/translations/uk/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/uk/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Навчання CNN може займати багато часу, і для цього завдання потрібна велика кількість даних. Однак значна частина часу витрачається на навчання найкращих низькорівневих фільтрів, які мережа може використовувати для вилучення шаблонів із зображень. Виникає природне питання — чи можемо ми використати нейронну мережу, навчану на одному наборі даних, і адаптувати її для класифікації інших зображень без необхідності повного процесу навчання? -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/15) Цей підхід називається **перенесенням навчання**, оскільки ми переносимо певні знання з однієї моделі нейронної мережі до іншої. У перенесенні навчання ми зазвичай починаємо з попередньо навченої моделі, яка була навчена на великому наборі зображень, наприклад, **ImageNet**. Ці моделі вже добре справляються з вилученням різних ознак із загальних зображень, і в багатьох випадках побудова класифікатора на основі цих вилучених ознак може дати хороший результат. @@ -76,7 +76,7 @@ CO_OP_TRANSLATOR_METADATA: У супровідних ноутбуках є примітки внизу про те, як перенесення знань найкраще працює з дещо схожими навчальними даними (наприклад, новий тип тварини). Проведіть експерименти з абсолютно новими типами зображень, щоб побачити, наскільки добре чи погано працюють ваші моделі перенесення знань. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/uk/lessons/4-ComputerVision/09-Autoencoders/README.md index 289b3c81..b5491312 100644 --- a/translations/uk/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/uk/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Під час навчання CNN однією з проблем є те, що нам потрібно багато даних із мітками. У випадку класифікації зображень нам потрібно розділити зображення на різні класи, що є ручною роботою. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/17) Однак ми можемо захотіти використовувати необроблені (без міток) дані для навчання екстракторів ознак CNN, що називається **самонавчанням**. Замість міток ми будемо використовувати навчальні зображення як вхідні та вихідні дані для мережі. Основна ідея **автоенкодера** полягає в тому, що ми матимемо **мережу енкодера**, яка перетворює вхідне зображення в деякий **латентний простір** (зазвичай це просто вектор меншого розміру), а потім **мережу декодера**, метою якої буде реконструкція оригінального зображення. @@ -80,7 +80,7 @@ VAE — це автоенкодер, який навчається прогно * **Втрати** - реконструйоване зображення не є таким самим, як оригінальне. Характер втрат визначається *функцією втрат*, яка використовується під час навчання. * Працює з **даними без міток** -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Висновок @@ -90,7 +90,7 @@ VAE — це автоенкодер, який навчається прогно У цьому уроці ви дізналися про використання автоенкодерів для зображень. Але їх також можна використовувати для музики! Ознайомтеся з проектом Magenta [MusicVAE](https://magenta.tensorflow.org/music-vae), який використовує автоенкодери для навчання реконструкції музики. Проведіть кілька [експериментів](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) з цією бібліотекою, щоб побачити, що ви можете створити. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/10-GANs/README.md b/translations/uk/lessons/4-ComputerVision/10-GANs/README.md index 992c94aa..6cd14aca 100644 --- a/translations/uk/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/uk/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: У попередньому розділі ми дізналися про **генеративні моделі**: моделі, які можуть створювати нові зображення, схожі на ті, що є в навчальному наборі даних. VAE був гарним прикладом генеративної моделі. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/19) Однак, якщо ми спробуємо створити щось дійсно значуще, наприклад, картину з розумною роздільною здатністю, використовуючи VAE, ми побачимо, що навчання не сходиться добре. Для цього випадку використання нам слід дізнатися про іншу архітектуру, спеціально орієнтовану на генеративні моделі - **Генеративно-змагальні мережі**, або GAN. @@ -84,7 +84,7 @@ GAN — чудовий спосіб створювати художні зобр ## ✍️ Приклад: [Перенесення стилю](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Висновок diff --git a/translations/uk/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/uk/lessons/4-ComputerVision/11-ObjectDetection/README.md index 259c82b2..73447df3 100644 --- a/translations/uk/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/uk/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Моделі класифікації зображень, які ми розглядали раніше, брали зображення і видавали категоріальний результат, наприклад, клас "число" у задачі MNIST. Однак у багатьох випадках нам недостатньо просто знати, що на зображенні є об'єкти — ми хочемо визначити їх точне місцезнаходження. Саме це є метою **виявлення об'єктів**. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Виявлення об'єктів](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.uk.png) @@ -172,7 +172,7 @@ YOLO — це алгоритм реального часу з одним про * Yolo: [Реалізація Keras](https://github.com/experiencor/keras-yolo2), [покроковий зошит](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Реалізація Keras](https://github.com/experiencor/keras-yolo2), [покроковий зошит](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Огляд та самостійне навчання diff --git a/translations/uk/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/uk/lessons/4-ComputerVision/12-Segmentation/README.md index 0ed6a083..93c3bfe5 100644 --- a/translations/uk/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/uk/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Раніше ми вивчали розпізнавання об'єктів, яке дозволяє знаходити об'єкти на зображенні, прогнозуючи їх *обмежувальні рамки*. Однак для деяких завдань нам потрібна не лише обмежувальна рамка, а й більш точна локалізація об'єктів. Це завдання називається **сегментацією**. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/23) Сегментацію можна розглядати як **класифікацію пікселів**, де для **кожного** пікселя зображення ми повинні передбачити його клас (*фон* є одним із класів). Існує два основних алгоритми сегментації: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [Семантична сегментація Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [Семантична сегментація TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Висновок diff --git a/translations/uk/lessons/5-NLP/13-TextRep/README.md b/translations/uk/lessons/5-NLP/13-TextRep/README.md index 2e0d4064..e6eb25b2 100644 --- a/translations/uk/lessons/5-NLP/13-TextRep/README.md +++ b/translations/uk/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Представлення тексту у вигляді тензорів -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Класифікація тексту @@ -73,7 +73,7 @@ BoW фактично представляє, які слова з’являют Спробуйте інші вправи, використовуючи мішок слів і різні моделі даних. Вас може надихнути цей [конкурс на Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/14-Embeddings/README.md b/translations/uk/lessons/5-NLP/14-Embeddings/README.md index 1de8a257..0c0dea2a 100644 --- a/translations/uk/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/uk/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Вбудовування -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/27) Під час навчання класифікаторів на основі BoW або TF/IDF ми працювали з високовимірними векторами "мішка слів" довжиною `vocab_size` і явно перетворювали низьковимірні позиційні вектори у розріджені вектори з одним активним елементом (one-hot). Однак таке представлення не є ефективним з точки зору пам’яті. Крім того, кожне слово розглядається незалежно від інших, тобто вектори з одним активним елементом не виражають жодної семантичної схожості між словами. @@ -65,7 +65,7 @@ CBoW працює швидше, тоді як скіп-грам повільні Word2Vec використовувався для цікавих застосувань, включаючи створення текстів пісень і поезії. Ознайомтеся з [цією статтею](https://www.politetype.com/blog/word2vec-color-poems), у якій автор пояснює, як використовував Word2Vec для створення поезії. Також перегляньте [це відео Дена Шиффмана](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain), щоб дізнатися інше пояснення цієї техніки. Спробуйте застосувати ці техніки до власного текстового корпусу, можливо, взятого з Kaggle. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/15-LanguageModeling/README.md b/translations/uk/lessons/5-NLP/15-LanguageModeling/README.md index 27ee69be..fdb4c006 100644 --- a/translations/uk/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/uk/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Семантичні векторні представлення, такі як Word2Vec і GloVe, насправді є першим кроком до **моделювання мови** — створення моделей, які певним чином *розуміють* (або *представляють*) природу мови. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/29) Основна ідея моделювання мови полягає в тому, щоб навчати моделі на немаркованих наборах даних у ненаглядний спосіб. Це важливо, оскільки у нас є величезна кількість немаркованого тексту, тоді як обсяг маркованого тексту завжди буде обмежений зусиллями, які ми можемо витратити на маркування. Найчастіше ми можемо створювати мовні моделі, які можуть **передбачати пропущені слова** в тексті, оскільки легко приховати випадкове слово в тексті та використовувати його як навчальний зразок. @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: У попередньому уроці ми побачили, що векторні представлення слів працюють як магія! Тепер ми знаємо, що навчання векторних представлень слів — це не дуже складне завдання, і ми зможемо навчити власні векторні представлення для текстів у специфічних доменах, якщо це буде потрібно. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/16-RNN/README.md b/translations/uk/lessons/5-NLP/16-RNN/README.md index 26ce2e4c..966b9412 100644 --- a/translations/uk/lessons/5-NLP/16-RNN/README.md +++ b/translations/uk/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Рекурентні нейронні мережі -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/31) У попередніх розділах ми використовували багаті семантичні представлення тексту та простий лінійний класифікатор поверх векторів. Ця архітектура дозволяє захоплювати загальне значення слів у реченні, але не враховує **порядок** слів, оскільки операція агрегування поверх векторів видаляє цю інформацію з оригінального тексту. Через те, що ці моделі не можуть моделювати порядок слів, вони не здатні вирішувати складніші або неоднозначні завдання, такі як генерація тексту чи відповіді на запитання. @@ -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) -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/uk/lessons/5-NLP/17-GenerativeNetworks/README.md index 25f6e6fd..517ea2b7 100644 --- a/translations/uk/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/uk/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генеративні мережі -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/33) Рекурентні нейронні мережі (RNN) та їх варіанти з керованими комірками, такі як комірки довготривалої пам'яті (LSTM) і керовані рекурентні блоки (GRU), забезпечують механізм моделювання мови, оскільки вони можуть навчатися порядку слів і передбачати наступне слово в послідовності. Це дозволяє використовувати RNN для **генеративних завдань**, таких як звичайне генерування тексту, машинний переклад і навіть створення підписів до зображень. @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * Генерація тексту з [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 після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/18-Transformers/README.md b/translations/uk/lessons/5-NLP/18-Transformers/README.md index e539eda1..670784f7 100644 --- a/translations/uk/lessons/5-NLP/18-Transformers/README.md +++ b/translations/uk/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Механізми уваги та трансформери -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/35) Однією з найважливіших задач у сфері обробки природної мови (NLP) є **машинний переклад**, ключове завдання, яке лежить в основі таких інструментів, як Google Translate. У цьому розділі ми зосередимося на машинному перекладі, або, більш загально, на будь-якому завданні *послідовність до послідовності* (яке також називається **трансдукцією речень**). @@ -108,7 +108,7 @@ CO_OP_TRANSLATOR_METADATA: ## 🚀 Виклик -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Огляд та самостійне навчання diff --git a/translations/uk/lessons/5-NLP/19-NER/README.md b/translations/uk/lessons/5-NLP/19-NER/README.md index 9a64acf9..38972cd2 100644 --- a/translations/uk/lessons/5-NLP/19-NER/README.md +++ b/translations/uk/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: До цього моменту ми здебільшого зосереджувалися на одному завданні обробки природної мови (NLP) — класифікації. Однак існують й інші завдання NLP, які можна виконувати за допомогою нейронних мереж. Одним із таких завдань є **[Розпізнавання іменованих сутностей](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), яке полягає у визначенні конкретних сутностей у тексті, таких як місця, імена людей, часові інтервали, хімічні формули тощо. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Приклад використання NER @@ -80,7 +80,7 @@ infant | O Виконайте завдання за посиланням нижче, щоб навчити модель розпізнавання іменованих сутностей для медичних термінів, а потім спробуйте її на іншому наборі даних. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/5-NLP/20-LangModels/README.md b/translations/uk/lessons/5-NLP/20-LangModels/README.md index 9a418260..fb8c1ca8 100644 --- a/translations/uk/lessons/5-NLP/20-LangModels/README.md +++ b/translations/uk/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: У всіх попередніх завданнях ми навчали нейронну мережу виконувати певне завдання, використовуючи розмічений набір даних. З великими трансформерними моделями, такими як BERT, ми використовуємо моделювання мови в самонавчальному режимі для створення мовної моделі, яка потім спеціалізується на конкретному завданні за допомогою подальшого навчання в певній галузі. Однак було доведено, що великі мовні моделі можуть вирішувати багато завдань без будь-якого навчання, специфічного для галузі. Сімейство моделей, здатних на це, називається **GPT**: Генеративний Попередньо Навчений Трансформер. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Генерація тексту та перплексія @@ -58,7 +58,7 @@ GPT — це не одна модель, а скоріше колекція мо Нові загальні попередньо навчені мовні моделі не лише моделюють структуру мови, але й містять величезний обсяг природної мови. Таким чином, їх можна ефективно використовувати для вирішення деяких завдань обробки природної мови в умовах нульового або обмеженого навчання. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/40) **Відмова від відповідальності**: Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/uk/lessons/6-Other/21-GeneticAlgorithms/README.md index db7e9871..dcb60140 100644 --- a/translations/uk/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/uk/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Генетичні алгоритми -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Генетичні алгоритми** (GA) базуються на **еволюційному підході** до штучного інтелекту, де методи еволюції популяції використовуються для отримання оптимального рішення для заданої задачі. Вони були запропоновані у 1975 році [Джоном Генрі Голландом](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "Генетичні алгоритми легко реалізувати, але їх поведінку важко зрозуміти." [джерело](https://wikipedia.org/wiki/Genetic_algorithm) Проведіть дослідження, щоб знайти реалізацію генетичного алгоритму, наприклад, для вирішення головоломки Судоку, і поясніть, як він працює у вигляді ескізу або блок-схеми. -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/6-Other/22-DeepRL/README.md b/translations/uk/lessons/6-Other/22-DeepRL/README.md index 18e97361..fc87c57a 100644 --- a/translations/uk/lessons/6-Other/22-DeepRL/README.md +++ b/translations/uk/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Навчання з підкріпленням (RL) вважається одним із базових парадигм машинного навчання поряд із навчанням з учителем та без учителя. У той час як у навчанні з учителем ми покладаємося на набір даних із відомими результатами, RL базується на **навчанні через дію**. Наприклад, коли ми вперше бачимо комп'ютерну гру, ми починаємо грати, навіть не знаючи правил, і незабаром покращуємо свої навички просто завдяки процесу гри та коригуванню своєї поведінки. -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/43) Для виконання RL нам потрібні: @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") Дослідіть застосування, перелічені в розділі "Інші завдання RL", і спробуйте реалізувати одне з них! -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Огляд і самостійне навчання diff --git a/translations/uk/lessons/6-Other/23-MultiagentSystems/README.md b/translations/uk/lessons/6-Other/23-MultiagentSystems/README.md index 686e35de..73d4c9cd 100644 --- a/translations/uk/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/uk/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Одним із можливих способів досягнення інтелекту є так званий **емергентний** (або **синергетичний**) підхід, який базується на тому, що комбінована поведінка багатьох відносно простих агентів може призвести до загальної більш складної (або інтелектуальної) поведінки системи в цілому. Теоретично це базується на принципах [Колективного інтелекту](https://en.wikipedia.org/wiki/Collective_intelligence), [Емерджентизму](https://en.wikipedia.org/wiki/Global_brain) та [Еволюційної кібернетики](https://en.wikipedia.org/wiki/Global_brain), які стверджують, що системи вищого рівня отримують певну додаткову цінність, якщо їх правильно комбінувати з систем нижчого рівня (так званий *принцип переходу до метасистеми*). -## [Тест перед лекцією](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ai/quiz/45) Напрямок **багатоагентних систем** виник у сфері штучного інтелекту в 1990-х роках як відповідь на розвиток Інтернету та розподілених систем. Один із класичних підручників зі штучного інтелекту, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), розглядає класичний штучний інтелект з точки зору багатоагентних систем. @@ -152,7 +152,7 @@ to go [ Перенесіть цей урок у реальний світ і спробуйте концептуалізувати багатоагентну систему, яка може вирішити проблему. Що, наприклад, повинна робити багатоагентна система для оптимізації маршруту шкільного автобуса? Як вона могла б працювати в пекарні? -## [Тест після лекції](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Тест після лекції](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Огляд і самостійне навчання diff --git a/translations/ur/lessons/1-Intro/README.md b/translations/ur/lessons/1-Intro/README.md index 3308f36a..c25dad69 100644 --- a/translations/ur/lessons/1-Intro/README.md +++ b/translations/ur/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: انٹرنیٹ کا جائزہ لیں اور یہ طے کریں کہ آپ کی رائے میں AI سب سے مؤثر طریقے سے کہاں استعمال ہو رہا ہے۔ کیا یہ کسی میپنگ ایپ میں ہے، یا کسی تقریر سے متن کی خدمت میں یا کسی ویڈیو گیم میں؟ تحقیق کریں کہ یہ نظام کیسے بنایا گیا۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/2-Symbolic/README.md b/translations/ur/lessons/2-Symbolic/README.md index 9fbb4519..23420496 100644 --- a/translations/ur/lessons/2-Symbolic/README.md +++ b/translations/ur/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: مصنوعی ذہانت کی تلاش علم کی تلاش پر مبنی ہے، دنیا کو سمجھنے کے لیے جیسے انسان کرتے ہیں۔ لیکن یہ کیسے ممکن ہے؟ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/3) AI کے ابتدائی دنوں میں، ذہین نظام بنانے کے لیے اوپر سے نیچے تک کا طریقہ (پچھلے سبق میں بحث کی گئی) مقبول تھا۔ خیال یہ تھا کہ لوگوں سے علم کو مشین کے قابل پڑھنے کی شکل میں نکالا جائے، اور پھر اسے خودکار طریقے سے مسائل حل کرنے کے لیے استعمال کیا جائے۔ یہ طریقہ دو بڑے خیالات پر مبنی تھا: @@ -236,7 +236,7 @@ GROUP BY ?eyeColorLabel اس سبق سے منسلک فیملی اونٹولوجی نوٹ بک میں، دیگر خاندانی تعلقات کے ساتھ تجربہ کرنے کا موقع موجود ہے۔ خاندانی درخت میں لوگوں کے درمیان نئے تعلقات دریافت کرنے کی کوشش کریں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ur/lessons/3-NeuralNetworks/03-Perceptron/README.md index f5c4ea0f..5c64e61a 100644 --- a/translations/ur/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ur/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # نیورل نیٹ ورکس کا تعارف: پرسیپٹرون -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/5) جدید نیورل نیٹ ورک جیسی کسی چیز کو نافذ کرنے کی پہلی کوششوں میں سے ایک 1957 میں کارنیل ایئروناٹیکل لیبارٹری کے فرینک روزن بلیٹ نے کی تھی۔ یہ ایک ہارڈویئر نفاذ تھا جسے "مارک-1" کہا جاتا تھا، جو بنیادی جیومیٹرک اشکال جیسے مثلث، مربع اور دائرے کو پہچاننے کے لیے ڈیزائن کیا گیا تھا۔ @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): اگر آپ اپنا پرسیپٹرون بنانا چاہتے ہیں، تو [Microsoft Learn پر یہ لیب](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) آزمائیں، جو [Azure ML ڈیزائنر](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste) کا استعمال کرتی ہے۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ur/lessons/3-NeuralNetworks/04-OwnFramework/README.md index dbdfc2dd..3ccbbaa5 100644 --- a/translations/ur/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ur/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: ہم Python میں اپنا ایک ماڈیولر فریم ورک بھی تیار کریں گے جو ہمیں مختلف نیورل نیٹ ورک آرکیٹیکچرز بنانے کی اجازت دے گا۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## مشین لرننگ کی رسمی وضاحت @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) نوٹ بک پر جائیں اور اس پر کام کریں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ur/lessons/3-NeuralNetworks/05-Frameworks/README.md index 3aee93c3..7a1e5dde 100644 --- a/translations/ur/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ur/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * ٹینسرز پر کام کرنا، جیسے ضرب دینا، جمع کرنا، اور کچھ فنکشنز جیسے سگموئڈ یا سوفٹ میکس کا حساب لگانا * تمام ایکسپریشنز کے گریڈینٹس کا حساب لگانا، تاکہ گریڈینٹ ڈیسنٹ آپٹیمائزیشن کی جا سکے -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/9) اگرچہ `numpy` لائبریری پہلا کام کر سکتی ہے، ہمیں گریڈینٹس کا حساب لگانے کے لیے کسی میکانزم کی ضرورت ہے۔ [ہمارے فریم ورک](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) میں، جو ہم نے پچھلے سیکشن میں تیار کیا تھا، ہمیں `backward` میتھڈ کے اندر تمام ڈیریویٹو فنکشنز کو دستی طور پر پروگرام کرنا پڑا، جو بیک پروپیگیشن کرتا ہے۔ مثالی طور پر، ایک فریم ورک ہمیں *کسی بھی ایکسپریشن* کے گریڈینٹس کا حساب لگانے کا موقع فراہم کرے۔ @@ -106,7 +106,7 @@ High-level API| [Keras](../../../../../lessons/3-NeuralNetworks/05-Frameworks/In ساتھ دی گئی نوٹ بکس میں، آپ کو 'ٹاسکس' نیچے ملیں گے؛ نوٹ بکس کے ذریعے کام کریں اور ٹاسکس مکمل کریں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ur/lessons/4-ComputerVision/06-IntroCV/README.md index 3eeb0d33..d3ac552c 100644 --- a/translations/ur/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ur/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [کمپیوٹر وژن](https://wikipedia.org/wiki/Computer_vision) ایک ایسا شعبہ ہے جس کا مقصد کمپیوٹرز کو ڈیجیٹل تصاویر کی اعلیٰ سطح کی سمجھ بوجھ دینا ہے۔ یہ ایک وسیع تعریف ہے کیونکہ *سمجھ بوجھ* مختلف چیزوں کا مطلب ہو سکتا ہے، جیسے تصویر میں کسی شے کو تلاش کرنا (**آبجیکٹ ڈیٹیکشن**)، یہ سمجھنا کہ کیا ہو رہا ہے (**ایونٹ ڈیٹیکشن**)، تصویر کو متن میں بیان کرنا، یا منظر کو 3D میں دوبارہ تشکیل دینا۔ انسانی تصاویر سے متعلق خاص کام بھی ہیں: عمر اور جذبات کا اندازہ لگانا، چہرے کی شناخت اور پہچان، اور 3D پوز کا اندازہ لگانا، وغیرہ۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/11) کمپیوٹر وژن کے سب سے آسان کاموں میں سے ایک **امیج کلاسیفکیشن** ہے۔ @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) [یہ ویڈیو](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) دیکھیں جو AI شو سے ہے تاکہ Cortic Tigers پروجیکٹ کے بارے میں جان سکیں اور انہوں نے کمپیوٹر وژن کے کاموں کو ایک روبوٹ کے ذریعے جمہوری بنانے کے لیے بلاک پر مبنی حل کیسے بنایا۔ اس طرح کے دیگر پروجیکٹس پر تحقیق کریں جو نئے سیکھنے والوں کو اس شعبے میں شامل کرنے میں مدد کرتے ہیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ur/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 26dea3d4..b177505d 100644 --- a/translations/ur/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ur/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ CO_OP_TRANSLATOR_METADATA: ساتھ والے نوٹ بکس میں، نیچے نوٹس ہیں کہ زیادہ درستگی کیسے حاصل کی جائے۔ کچھ تجربات کریں اور دیکھیں کہ کیا آپ زیادہ درستگی حاصل کر سکتے ہیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ur/lessons/4-ComputerVision/07-ConvNets/README.md index 877ea1d6..f2f3cb55 100644 --- a/translations/ur/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ur/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ہم نے پہلے دیکھا ہے کہ نیورل نیٹ ورکس تصاویر کے ساتھ کام کرنے میں کافی اچھے ہیں، اور یہاں تک کہ ایک لیئر پرسیپٹرون بھی MNIST ڈیٹاسیٹ سے ہاتھ سے لکھے گئے ہندسوں کو معقول درستگی کے ساتھ پہچان سکتا ہے۔ تاہم، MNIST ڈیٹاسیٹ بہت خاص ہے، اور تمام ہندسے تصویر کے اندر مرکز میں ہوتے ہیں، جو کام کو آسان بناتا ہے۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/13) حقیقی زندگی میں، ہم یہ چاہتے ہیں کہ تصویر میں کسی بھی جگہ پر موجود اشیاء کو پہچان سکیں۔ کمپیوٹر وژن عمومی درجہ بندی سے مختلف ہے، کیونکہ جب ہم تصویر میں کسی خاص شے کو تلاش کرنے کی کوشش کرتے ہیں، تو ہم تصویر کو اسکین کرتے ہیں اور کچھ مخصوص **پیٹرنز** اور ان کے امتزاج کو تلاش کرتے ہیں۔ مثال کے طور پر، جب ہم بلی کو تلاش کرتے ہیں، تو ہم پہلے افقی لائنوں کو دیکھ سکتے ہیں، جو مونچھوں کی شکل اختیار کر سکتی ہیں، اور پھر مونچھوں کے ایک خاص امتزاج سے ہمیں پتہ چلتا ہے کہ یہ دراصل بلی کی تصویر ہے۔ مخصوص پیٹرنز کی موجودگی اور ان کی نسبتی پوزیشن اہم ہے، نہ کہ ان کی تصویر میں بالکل درست جگہ۔ diff --git a/translations/ur/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ur/lessons/4-ComputerVision/08-TransferLearning/README.md index f482c2ae..cb2d0630 100644 --- a/translations/ur/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ur/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: سی این اینز کی تربیت میں کافی وقت لگ سکتا ہے، اور اس کے لیے بہت زیادہ ڈیٹا کی ضرورت ہوتی ہے۔ تاہم، زیادہ تر وقت نیٹ ورک کے لیے بہترین کم سطح کے فلٹرز سیکھنے میں صرف ہوتا ہے جو تصاویر سے پیٹرنز نکالنے کے لیے استعمال کیے جا سکتے ہیں۔ ایک قدرتی سوال پیدا ہوتا ہے - کیا ہم ایک ڈیٹاسیٹ پر تربیت یافتہ نیورل نیٹ ورک کو استعمال کر سکتے ہیں اور اسے مختلف تصاویر کو درجہ بندی کرنے کے لیے ڈھال سکتے ہیں بغیر مکمل تربیتی عمل کی ضرورت کے؟ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/15) اس طریقے کو **ٹرانسفر لرننگ** کہا جاتا ہے، کیونکہ ہم ایک نیورل نیٹ ورک ماڈل سے دوسرے میں کچھ علم منتقل کرتے ہیں۔ ٹرانسفر لرننگ میں، ہم عام طور پر ایک پہلے سے تربیت یافتہ ماڈل سے شروع کرتے ہیں، جو کسی بڑے امیج ڈیٹاسیٹ جیسے **ImageNet** پر تربیت یافتہ ہوتا ہے۔ یہ ماڈلز پہلے ہی عام تصاویر سے مختلف خصوصیات نکالنے میں اچھا کام کر سکتے ہیں، اور اکثر ان نکالی گئی خصوصیات پر ایک کلاسفائر بنانا اچھے نتائج دے سکتا ہے۔ @@ -76,7 +76,7 @@ Keras اور PyTorch دونوں میں کچھ عام آرکیٹیکچرز کے ساتھ والی نوٹ بکس میں، نیچے نوٹس ہیں کہ ٹرانسفر نالج کس طرح بہترین کام کرتا ہے جب تربیتی ڈیٹا کچھ حد تک مماثل ہو (شاید جانور کی ایک نئی قسم)۔ بالکل نئے قسم کی تصاویر کے ساتھ کچھ تجربہ کریں تاکہ یہ دیکھا جا سکے کہ آپ کے ٹرانسفر نالج ماڈلز کتنی اچھی یا بری کارکردگی دکھاتے ہیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ur/lessons/4-ComputerVision/09-Autoencoders/README.md index 8def6750..4bc2b182 100644 --- a/translations/ur/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ur/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: جب سی این اینز کو تربیت دی جاتی ہے، تو ایک مسئلہ یہ ہوتا ہے کہ ہمیں بہت زیادہ لیبل شدہ ڈیٹا کی ضرورت ہوتی ہے۔ مثال کے طور پر، امیج کلاسیفیکیشن کے معاملے میں، ہمیں تصاویر کو مختلف کلاسز میں تقسیم کرنا پڑتا ہے، جو ایک دستی کام ہے۔ -## [پری لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/17) تاہم، ہم سی این این فیچر ایکسٹریکٹرز کو تربیت دینے کے لیے خام (غیر لیبل شدہ) ڈیٹا استعمال کرنا چاہتے ہیں، جسے **سیلف سپروائزڈ لرننگ** کہا جاتا ہے۔ لیبلز کے بجائے، ہم تربیتی تصاویر کو نیٹ ورک ان پٹ اور آؤٹ پٹ دونوں کے طور پر استعمال کریں گے۔ **آٹو اینکوڈر** کا بنیادی خیال یہ ہے کہ ہمارے پاس ایک **اینکوڈر نیٹ ورک** ہوگا جو ان پٹ تصویر کو کسی **لیٹنٹ اسپیس** میں تبدیل کرے گا (عام طور پر یہ کچھ چھوٹے سائز کا ویکٹر ہوتا ہے)، پھر **ڈیکوڈر نیٹ ورک**، جس کا مقصد اصل تصویر کو دوبارہ بنانا ہوگا۔ @@ -80,7 +80,7 @@ VAEs کا ایک اہم فائدہ یہ ہے کہ وہ ہمیں نسبتاً آ * **لوسی** - دوبارہ بنائی گئی تصویر اصل تصویر جیسی نہیں ہوتی۔ نقصان کی نوعیت تربیت کے دوران استعمال کیے گئے *نقصان کے فنکشن* سے متعین ہوتی ہے۔ * **غیر لیبل شدہ ڈیٹا** پر کام کرتا ہے -## [پوسٹ لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## نتیجہ @@ -90,7 +90,7 @@ VAEs کا ایک اہم فائدہ یہ ہے کہ وہ ہمیں نسبتاً آ اس سبق میں، آپ نے تصاویر کے لیے آٹو اینکوڈرز کے استعمال کے بارے میں سیکھا۔ لیکن انہیں موسیقی کے لیے بھی استعمال کیا جا سکتا ہے! Magenta پروجیکٹ کے [MusicVAE](https://magenta.tensorflow.org/music-vae) پروجیکٹ کو دیکھیں، جو آٹو اینکوڈرز کو موسیقی کو دوبارہ بنانے کے لیے سیکھنے کے لیے استعمال کرتا ہے۔ اس لائبریری کے ساتھ کچھ [تجربات](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) کریں تاکہ دیکھیں آپ کیا بنا سکتے ہیں۔ -## [پوسٹ لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/10-GANs/README.md b/translations/ur/lessons/4-ComputerVision/10-GANs/README.md index b2c196ff..f81ec4e3 100644 --- a/translations/ur/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ur/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: پچھلے حصے میں، ہم نے **جنریٹو ماڈلز** کے بارے میں سیکھا: ایسے ماڈلز جو تربیتی ڈیٹا سیٹ میں موجود تصاویر جیسی نئی تصاویر بنا سکتے ہیں۔ VAE جنریٹو ماڈل کی ایک اچھی مثال تھی۔ -## [پری لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/19) تاہم، اگر ہم کچھ واقعی معنی خیز بنانا چاہیں، جیسے مناسب ریزولوشن پر ایک پینٹنگ، VAE کے ساتھ، تو ہمیں نظر آئے گا کہ تربیت اچھی طرح سے نہیں ہوتی۔ اس استعمال کے لیے، ہمیں ایک اور آرکیٹیکچر کے بارے میں سیکھنا چاہیے جو خاص طور پر جنریٹو ماڈلز کے لیے بنایا گیا ہے - **جنریٹو ایڈورسریل نیٹ ورکس**، یا GANs۔ @@ -84,7 +84,7 @@ GANs آرٹسٹک تصاویر بنانے کا ایک بہترین طریقہ ہ ## ✍️ مثال: [اسٹائل ٹرانسفر](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [پوسٹ لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## نتیجہ diff --git a/translations/ur/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ur/lessons/4-ComputerVision/11-ObjectDetection/README.md index 4e45797e..80ef53c5 100644 --- a/translations/ur/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ur/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: اب تک ہم نے جو امیج کلاسیفیکیشن ماڈلز دیکھے ہیں، وہ ایک تصویر لیتے ہیں اور ایک کیٹیگری کا نتیجہ دیتے ہیں، جیسے MNIST مسئلے میں کلاس 'نمبر'۔ لیکن اکثر ہمیں صرف یہ جاننا نہیں ہوتا کہ تصویر میں اشیاء موجود ہیں - بلکہ ہم ان کی صحیح جگہ کا تعین کرنا چاہتے ہیں۔ یہی **آبجیکٹ ڈیٹیکشن** کا مقصد ہے۔ -## [پری لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![آبجیکٹ ڈیٹیکشن](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ur.png) @@ -172,7 +172,7 @@ YOLO ایک ریئل ٹائم ون پاس الگورتھم ہے۔ بنیادی * YOLO: [Keras امپلیمنٹیشن](https://github.com/experiencor/keras-yolo2)، [اسٹیپ بائی اسٹیپ نوٹ بک](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2: [Keras امپلیمنٹیشن](https://github.com/experiencor/keras-yolo2)، [اسٹیپ بائی اسٹیپ نوٹ بک](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [پوسٹ لیکچر کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ur/lessons/4-ComputerVision/12-Segmentation/README.md index f0f0b52c..721d87c8 100644 --- a/translations/ur/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ur/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ہم نے پہلے آبجیکٹ ڈیٹیکشن کے بارے میں سیکھا تھا، جو ہمیں تصویر میں موجود اشیاء کو ان کے *باؤنڈنگ باکسز* کی پیش گوئی کے ذریعے تلاش کرنے کی اجازت دیتا ہے۔ تاہم، کچھ کاموں کے لیے ہمیں صرف باؤنڈنگ باکسز کی ضرورت نہیں ہوتی بلکہ اشیاء کی زیادہ درست لوکلائزیشن کی ضرورت ہوتی ہے۔ اس کام کو **تقسیم** کہا جاتا ہے۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/23) تقسیم کو **پکسل کی درجہ بندی** کے طور پر دیکھا جا سکتا ہے، جہاں تصویر کے **ہر** پکسل کے لیے ہمیں اس کی کلاس کی پیش گوئی کرنی ہوتی ہے (*بیک گراؤنڈ* بھی ایک کلاس ہوتی ہے)۔ تقسیم کے دو اہم الگورتھم ہیں: @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [سیمینٹک تقسیم پائی ٹارچ](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [سیمینٹک تقسیم ٹینسر فلو](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## نتیجہ diff --git a/translations/ur/lessons/5-NLP/13-TextRep/README.md b/translations/ur/lessons/5-NLP/13-TextRep/README.md index 6895fe4b..6cb4bf56 100644 --- a/translations/ur/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ur/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ٹیکسٹ کو ٹینسرز کے طور پر پیش کرنا -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## ٹیکسٹ کی درجہ بندی @@ -73,7 +73,7 @@ BoW کا مسئلہ یہ ہے کہ کچھ عام الفاظ، جیسے *and*، * بیگ آف ورڈز اور مختلف ڈیٹا ماڈلز کا استعمال کرتے ہوئے کچھ دیگر مشقیں آزمائیں۔ آپ اس [کگل مقابلے](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) سے متاثر ہو سکتے ہیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/14-Embeddings/README.md b/translations/ur/lessons/5-NLP/14-Embeddings/README.md index 5db70c0f..0a6aa2e1 100644 --- a/translations/ur/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ur/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ایمبیڈنگز -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/27) جب ہم BoW یا TF/IDF پر مبنی کلاسیفائرز کو ٹرین کر رہے تھے، تو ہم `vocab_size` کی لمبائی والے ہائی ڈائمینشنل بیگ آف ورڈز ویکٹرز پر کام کر رہے تھے، اور ہم کم ڈائمینشنل پوزیشنل ریپریزنٹیشن ویکٹرز کو واضح طور پر اسپارس ون-ہاٹ ریپریزنٹیشن میں تبدیل کر رہے تھے۔ تاہم، یہ ون-ہاٹ ریپریزنٹیشن میموری کے لحاظ سے مؤثر نہیں ہے۔ اس کے علاوہ، ہر لفظ کو دوسرے الفاظ سے آزاد سمجھا جاتا ہے، یعنی ون-ہاٹ انکوڈڈ ویکٹرز الفاظ کے درمیان کسی بھی معنوی مشابہت کو ظاہر نہیں کرتے۔ @@ -65,7 +65,7 @@ Word2Vec کے پہلے سے ٹرین کیے گئے ایمبیڈنگز (اور د Word2Vec کو کچھ دلچسپ ایپلیکیشنز کے لیے استعمال کیا گیا ہے، بشمول گانے کے بول اور شاعری بنانا۔ [اس مضمون](https://www.politetype.com/blog/word2vec-color-poems) کو دیکھیں جو یہ بتاتا ہے کہ مصنف نے Word2Vec کو شاعری بنانے کے لیے کیسے استعمال کیا۔ [ڈین شِفمین کی یہ ویڈیو](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) بھی دیکھیں تاکہ اس تکنیک کی ایک مختلف وضاحت دریافت کی جا سکے۔ پھر ان تکنیکوں کو اپنے ٹیکسٹ کارپس پر لاگو کرنے کی کوشش کریں، شاید Kaggle سے حاصل کردہ۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ur/lessons/5-NLP/15-LanguageModeling/README.md index 4101274f..7d2a812a 100644 --- a/translations/ur/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ur/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: سمینٹک ایمبیڈنگز، جیسے Word2Vec اور GloVe، دراصل **زبان ماڈلنگ** کی طرف پہلا قدم ہیں - ایسے ماڈلز بنانا جو کسی طرح زبان کی *فطرت کو سمجھیں* (یا *پیش کریں*)۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/29) زبان ماڈلنگ کے پیچھے بنیادی خیال یہ ہے کہ انہیں بغیر لیبل والے ڈیٹا سیٹس پر غیر نگرانی شدہ طریقے سے تربیت دی جائے۔ یہ اس لیے اہم ہے کیونکہ ہمارے پاس بغیر لیبل والے متن کی بڑی مقدار دستیاب ہے، جبکہ لیبل والے متن کی مقدار ہمیشہ محدود ہوگی کیونکہ لیبلنگ پر خرچ ہونے والی محنت محدود ہوتی ہے۔ اکثر اوقات، ہم ایسے زبان ماڈلز بنا سکتے ہیں جو **غائب الفاظ کی پیش گوئی** کر سکیں، کیونکہ متن میں کسی بے ترتیب لفظ کو ماسک کرنا اور اسے تربیتی نمونے کے طور پر استعمال کرنا آسان ہے۔ @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: پچھلے سبق میں ہم نے دیکھا کہ الفاظ کی ایمبیڈنگز جادو کی طرح کام کرتی ہیں! اب ہم جانتے ہیں کہ الفاظ کی ایمبیڈنگز کی تربیت کوئی بہت پیچیدہ کام نہیں ہے، اور اگر ضرورت ہو تو ہم اپنے مخصوص شعبے کے متن کے لیے اپنی ایمبیڈنگز تربیت دے سکتے ہیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/16-RNN/README.md b/translations/ur/lessons/5-NLP/16-RNN/README.md index a2d23b0c..6eaaa654 100644 --- a/translations/ur/lessons/5-NLP/16-RNN/README.md +++ b/translations/ur/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ری کرنٹ نیورل نیٹ ورکس -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/31) پچھلے حصوں میں، ہم نے متن کی بھرپور معنوی نمائندگیوں اور ایمبیڈنگز کے اوپر ایک سادہ لکیری کلاسیفائر کا استعمال کیا۔ یہ آرکیٹیکچر جملے میں الفاظ کے مجموعی معنی کو پکڑتا ہے، لیکن یہ الفاظ کی **ترتیب** کو مدنظر نہیں رکھتا، کیونکہ ایمبیڈنگز پر کی گئی ایگریگیشن آپریشن نے اصل متن سے یہ معلومات ہٹا دی ہے۔ چونکہ یہ ماڈلز الفاظ کی ترتیب کو ماڈل کرنے سے قاصر ہیں، یہ زیادہ پیچیدہ یا مبہم کاموں جیسے کہ متن کی تخلیق یا سوالات کے جوابات دینے کو حل نہیں کر سکتے۔ @@ -84,7 +84,7 @@ LSTMs کے بارے میں کچھ لٹریچر پڑھیں اور ان کے اط - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ur/lessons/5-NLP/17-GenerativeNetworks/README.md index 691aab04..fd52b735 100644 --- a/translations/ur/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ur/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # جنریٹیو نیٹ ورکس -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/33) ریکرنٹ نیورل نیٹ ورکس (RNNs) اور ان کے گیٹڈ سیل ویریئنٹس جیسے کہ لانگ شارٹ ٹرم میموری سیلز (LSTMs) اور گیٹڈ ریکرنٹ یونٹس (GRUs) زبان کی ماڈلنگ کے لیے ایک طریقہ فراہم کرتے ہیں، کیونکہ یہ الفاظ کی ترتیب سیکھ سکتے ہیں اور کسی سیکوئنس میں اگلے لفظ کی پیش گوئی کر سکتے ہیں۔ اس سے ہمیں RNNs کو **جنریٹیو ٹاسکس** کے لیے استعمال کرنے کی اجازت ملتی ہے، جیسے کہ عام ٹیکسٹ جنریشن، مشین ٹرانسلیشن، اور یہاں تک کہ امیج کیپشننگ۔ @@ -71,7 +71,7 @@ Microsoft Learn پر اس موضوع پر کچھ اسباق لیں: * [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) کے ساتھ ٹیکسٹ جنریشن -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/18-Transformers/README.md b/translations/ur/lessons/5-NLP/18-Transformers/README.md index 149f74fb..7164776a 100644 --- a/translations/ur/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ur/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # توجہ کے طریقہ کار اور ٹرانسفارمرز -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/35) NLP کے شعبے میں سب سے اہم مسائل میں سے ایک **مشین ترجمہ** ہے، جو کہ ایک بنیادی کام ہے جو گوگل ٹرانسلیٹ جیسے ٹولز کے پیچھے کام کرتا ہے۔ اس سیکشن میں، ہم مشین ترجمہ پر توجہ مرکوز کریں گے، یا عمومی طور پر، کسی بھی *سیکوئنس-ٹو-سیکوئنس* کام پر (جسے **جملے کی تبدیلی** بھی کہا جاتا ہے)۔ @@ -108,7 +108,7 @@ RNNs کے ساتھ، سیکوئنس-ٹو-سیکوئنس دو ری کرنٹ نی ## 🚀 چیلنج -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/19-NER/README.md b/translations/ur/lessons/5-NLP/19-NER/README.md index a433279d..77f8e367 100644 --- a/translations/ur/lessons/5-NLP/19-NER/README.md +++ b/translations/ur/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: اب تک، ہم نے زیادہ تر ایک NLP ٹاسک - کلاسیفیکیشن پر توجہ مرکوز کی ہے۔ تاہم، نیورل نیٹ ورکس کے ذریعے دیگر NLP ٹاسکس بھی مکمل کیے جا سکتے ہیں۔ ان میں سے ایک ٹاسک **[نامڈ اینٹٹی ریکگنیشن](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) ہے، جو متن میں مخصوص اینٹٹیز جیسے جگہیں، افراد کے نام، تاریخ و وقت کے وقفے، کیمیائی فارمولے وغیرہ کو پہچاننے سے متعلق ہے۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## NER استعمال کرنے کی مثال @@ -80,7 +80,7 @@ NER ماڈل ایک **ٹوکن کلاسیفیکیشن ماڈل** ہے، جس ک ذیل میں دیے گئے اسائنمنٹ کو مکمل کریں تاکہ طبی اصطلاحات کے لیے ایک نامڈ اینٹٹی ریکگنیشن ماڈل تربیت دیں، پھر اسے ایک مختلف ڈیٹا سیٹ پر آزمائیں۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/5-NLP/20-LangModels/README.md b/translations/ur/lessons/5-NLP/20-LangModels/README.md index 2f8b1921..fa0a78f2 100644 --- a/translations/ur/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ur/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ہم نے اپنے پچھلے تمام کاموں میں ایک نیورل نیٹ ورک کو ایک خاص کام انجام دینے کے لیے لیبل شدہ ڈیٹاسیٹ کے ذریعے تربیت دی۔ بڑے ٹرانسفارمر ماڈلز، جیسے کہ BERT، میں ہم زبان کی ماڈلنگ کو خودکار طریقے سے استعمال کرتے ہیں تاکہ ایک زبان کا ماڈل بنایا جا سکے، جسے پھر مزید ڈومین مخصوص تربیت کے ذریعے کسی خاص نیچے والے کام کے لیے ماہر بنایا جاتا ہے۔ تاہم، یہ ثابت ہوا ہے کہ بڑے زبان کے ماڈلز بغیر کسی ڈومین مخصوص تربیت کے بھی کئی کام انجام دے سکتے ہیں۔ ایسے ماڈلز کے خاندان کو **GPT** کہا جاتا ہے: جنریٹو پری ٹرینڈ ٹرانسفارمر۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## متن کی تخلیق اور پرپلیکسیٹی @@ -58,7 +58,7 @@ GPT-3 اور GPT-4 ماڈلز [Microsoft Azure کے ذریعے ایک کگنیٹ نئے عمومی پری ٹرینڈ زبان کے ماڈلز نہ صرف زبان کی ساخت کو ماڈل کرتے ہیں، بلکہ قدرتی زبان کی ایک بڑی مقدار بھی شامل کرتے ہیں۔ اس طرح، انہیں زیرو شاٹ یا فیو شاٹ سیٹنگز میں کچھ NLP کاموں کو مؤثر طریقے سے حل کرنے کے لیے استعمال کیا جا سکتا ہے۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/40) **ڈسکلیمر**: یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا خامیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔ \ No newline at end of file diff --git a/translations/ur/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ur/lessons/6-Other/21-GeneticAlgorithms/README.md index c3bbafb3..738df6e7 100644 --- a/translations/ur/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ur/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # جینیاتی الگورتھمز -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/41) **جینیاتی الگورتھمز** (GA) ایک **ارتقائی طریقہ** پر مبنی ہیں، جس میں آبادی کے ارتقاء کے طریقے استعمال کیے جاتے ہیں تاکہ دیے گئے مسئلے کے لیے ایک بہترین حل حاصل کیا جا سکے۔ انہیں 1975 میں [جان ہنری ہالینڈ](https://wikipedia.org/wiki/John_Henry_Holland) نے پیش کیا۔ @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: "جینیاتی الگورتھمز کو نافذ کرنا آسان ہے، لیکن ان کے رویے کو سمجھنا مشکل ہے۔" [ماخذ](https://wikipedia.org/wiki/Genetic_algorithm) تحقیق کریں اور جینیاتی الگورتھم کے نفاذ کی مثال تلاش کریں، جیسے کہ سوڈوکو پہیلی کو حل کرنا، اور وضاحت کریں کہ یہ کیسے کام کرتا ہے ایک خاکہ یا فلو چارٹ کے طور پر۔ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/6-Other/22-DeepRL/README.md b/translations/ur/lessons/6-Other/22-DeepRL/README.md index f7a24306..7e133c31 100644 --- a/translations/ur/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ur/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ری انفورسمنٹ لرننگ (RL) کو مشین لرننگ کے بنیادی پیراڈائمز میں سے ایک سمجھا جاتا ہے، جیسے سپروائزڈ لرننگ اور ان سپروائزڈ لرننگ۔ جہاں سپروائزڈ لرننگ میں ہم معلوم نتائج والے ڈیٹا سیٹ پر انحصار کرتے ہیں، RL **عمل کے ذریعے سیکھنے** پر مبنی ہے۔ مثال کے طور پر، جب ہم پہلی بار کسی کمپیوٹر گیم کو دیکھتے ہیں، تو ہم کھیلنا شروع کرتے ہیں، چاہے ہمیں اصول معلوم نہ ہوں، اور جلد ہی ہم صرف کھیلنے اور اپنے رویے کو ایڈجسٹ کرنے کے عمل سے اپنی مہارت کو بہتر بنا لیتے ہیں۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/43) RL انجام دینے کے لیے ہمیں ضرورت ہوتی ہے: @@ -110,7 +110,7 @@ RL الگورتھم کا مقصد ایک ماڈل - جسے **پالیسی** π 'دیگر RL کام' سیکشن میں درج ایپلیکیشنز کو دریافت کریں اور ایک کو نافذ کرنے کی کوشش کریں! -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## جائزہ اور خود مطالعہ diff --git a/translations/ur/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ur/lessons/6-Other/23-MultiagentSystems/README.md index 2c899bcb..ec99cc4c 100644 --- a/translations/ur/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ur/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ذہانت حاصل کرنے کے ممکنہ طریقوں میں سے ایک **ایمرجینٹ** (یا **سینرجیٹک**) طریقہ ہے، جو اس حقیقت پر مبنی ہے کہ کئی نسبتاً سادہ ایجنٹس کے مشترکہ رویے سے پورے نظام کا زیادہ پیچیدہ (یا ذہین) رویہ پیدا ہو سکتا ہے۔ نظریاتی طور پر، یہ [اجتماعی ذہانت](https://en.wikipedia.org/wiki/Collective_intelligence)، [ایمرجینٹزم](https://en.wikipedia.org/wiki/Global_brain) اور [ارتقائی سائبرنیٹکس](https://en.wikipedia.org/wiki/Global_brain) کے اصولوں پر مبنی ہے، جو یہ بیان کرتے ہیں کہ اعلیٰ سطح کے نظام کو کچھ اضافی قدر حاصل ہوتی ہے جب انہیں نچلی سطح کے نظاموں سے مناسب طریقے سے جوڑا جائے (جسے *میٹاسسٹم ٹرانزیشن کا اصول* کہا جاتا ہے)۔ -## [لیکچر سے پہلے کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/45) **ملٹی ایجنٹ سسٹمز** کی سمت 1990 کی دہائی میں AI میں ابھری، جب انٹرنیٹ اور ڈسٹریبیوٹڈ سسٹمز کا پھیلاؤ ہوا۔ AI کی ایک کلاسیکی کتاب، [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)، ملٹی ایجنٹ سسٹمز کے نقطہ نظر سے کلاسیکی AI پر توجہ مرکوز کرتی ہے۔ @@ -152,7 +152,7 @@ NetLogo کی دنیا درج ذیل اشیاء پر مشتمل ہے: اس سبق کو حقیقی دنیا میں لے جائیں اور ایک مسئلہ حل کرنے کے لیے ملٹی ایجنٹ سسٹم کا تصور کرنے کی کوشش کریں۔ مثال کے طور پر، ایک ملٹی ایجنٹ سسٹم کو اسکول بس کے راستے کو بہتر بنانے کے لیے کیا کرنے کی ضرورت ہوگی؟ یہ ایک بیکری میں کیسے کام کر سکتا ہے؟ -## [لیکچر کے بعد کا کوئز](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## جائزہ اور خود مطالعہ diff --git a/translations/vi/lessons/1-Intro/README.md b/translations/vi/lessons/1-Intro/README.md index b3a3b3e9..7b6939d0 100644 --- a/translations/vi/lessons/1-Intro/README.md +++ b/translations/vi/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ Trong vài năm qua, chúng ta đã chứng kiến những thành công lớn v Hãy khám phá trên internet để xác định, theo ý kiến của bạn, AI được sử dụng hiệu quả nhất ở đâu. Có phải trong một ứng dụng bản đồ, một dịch vụ chuyển giọng nói thành văn bản, hay một trò chơi điện tử? Nghiên cứu cách hệ thống đó được xây dựng. -## [Câu hỏi kiểm tra sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [Câu hỏi kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/2-Symbolic/README.md b/translations/vi/lessons/2-Symbolic/README.md index 2d7d14eb..76e65ab7 100644 --- a/translations/vi/lessons/2-Symbolic/README.md +++ b/translations/vi/lessons/2-Symbolic/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Hành trình tìm kiếm trí tuệ nhân tạo dựa trên việc khám phá tri thức, nhằm hiểu thế giới giống như cách con người làm. Nhưng làm thế nào để thực hiện điều này? -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/102) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/3) Trong những ngày đầu của AI, cách tiếp cận từ trên xuống để tạo ra các hệ thống thông minh (được thảo luận trong bài học trước) rất phổ biến. Ý tưởng là trích xuất tri thức từ con người vào một dạng mà máy có thể đọc được, sau đó sử dụng nó để tự động giải quyết vấn đề. Cách tiếp cận này dựa trên hai ý tưởng lớn: @@ -236,7 +236,7 @@ Ngày nay, AI thường được coi là đồng nghĩa với *Machine Learning* Trong notebook Family Ontology liên quan đến bài học này, có cơ hội để thử nghiệm với các mối quan hệ gia đình khác. Hãy thử khám phá các kết nối mới giữa các cá nhân trong cây gia đình. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/vi/lessons/3-NeuralNetworks/03-Perceptron/README.md index a039bbe2..ad5bef55 100644 --- a/translations/vi/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/vi/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Giới thiệu về Mạng Nơ-ron: Perceptron -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/5) Một trong những nỗ lực đầu tiên để triển khai một thứ gì đó tương tự như mạng nơ-ron hiện đại được thực hiện bởi Frank Rosenblatt từ Phòng thí nghiệm Hàng không Cornell vào năm 1957. Đây là một triển khai phần cứng có tên "Mark-1", được thiết kế để nhận diện các hình học cơ bản như tam giác, hình vuông và hình tròn. @@ -85,7 +85,7 @@ Trong bài học này, bạn đã tìm hiểu về perceptron, một mô hình p Nếu bạn muốn tự xây dựng perceptron của riêng mình, hãy thử [bài thực hành này trên Microsoft Learn](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste) sử dụng [Azure ML designer](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste). -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/vi/lessons/3-NeuralNetworks/04-OwnFramework/README.md index a479538d..32837e58 100644 --- a/translations/vi/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/vi/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ Trong phần này, chúng ta sẽ mở rộng mô hình này thành một khung Chúng ta cũng sẽ phát triển khung mô-đun của riêng mình bằng Python để xây dựng các kiến trúc mạng nơ-ron khác nhau. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## Chính thức hóa Học Máy @@ -81,7 +81,7 @@ Trong notebook đi kèm, bạn sẽ triển khai khung của riêng mình để Hãy tiếp tục với notebook [OwnFramework](OwnFramework.ipynb) và làm việc qua nó. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/vi/lessons/3-NeuralNetworks/05-Frameworks/README.md index 94b07e79..b2057873 100644 --- a/translations/vi/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/vi/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ Như chúng ta đã học, để có thể huấn luyện mạng neural một c * Thao tác trên các tensor, ví dụ như nhân, cộng, và tính các hàm như sigmoid hoặc softmax * Tính gradient của tất cả các biểu thức, để thực hiện tối ưu hóa bằng phương pháp gradient descent -## [Pre-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/9) Mặc dù thư viện `numpy` có thể thực hiện phần đầu tiên, chúng ta cần một cơ chế để tính gradient. Trong [framework của chúng ta](../04-OwnFramework/OwnFramework.ipynb) mà chúng ta đã phát triển ở phần trước, chúng ta phải tự lập trình tất cả các hàm đạo hàm bên trong phương thức `backward`, phương thức thực hiện backpropagation. Lý tưởng nhất, một framework nên cho phép chúng ta tính gradient của *bất kỳ biểu thức nào* mà chúng ta có thể định nghĩa. @@ -106,7 +106,7 @@ Trong bài học này, bạn đã học về sự khác biệt giữa các API k Trong các notebook đi kèm, bạn sẽ tìm thấy 'nhiệm vụ' ở cuối; hãy làm việc qua các notebook và hoàn thành các nhiệm vụ. -## [Post-lecture quiz](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/vi/lessons/4-ComputerVision/06-IntroCV/README.md index 4a4c1a9c..06e1ab38 100644 --- a/translations/vi/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/vi/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [Thị giác Máy tính](https://wikipedia.org/wiki/Computer_vision) là một lĩnh vực nhằm giúp máy tính đạt được khả năng hiểu biết ở mức cao về hình ảnh kỹ thuật số. Đây là một định nghĩa khá rộng, bởi vì *hiểu biết* có thể mang nhiều ý nghĩa khác nhau, bao gồm việc tìm kiếm một đối tượng trong hình ảnh (**phát hiện đối tượng**), hiểu điều gì đang xảy ra (**phát hiện sự kiện**), mô tả hình ảnh bằng văn bản, hoặc tái tạo một cảnh trong không gian 3D. Ngoài ra còn có các nhiệm vụ đặc biệt liên quan đến hình ảnh con người: ước tính tuổi và cảm xúc, phát hiện và nhận diện khuôn mặt, và ước tính tư thế 3D, chỉ kể một vài ví dụ. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/11) Một trong những nhiệm vụ đơn giản nhất của thị giác máy tính là **phân loại hình ảnh**. @@ -105,7 +105,7 @@ Hãy thực hiện một số thí nghiệm với OpenCV bằng cách khám phá Xem [video này](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) từ chương trình AI để tìm hiểu về dự án Cortic Tigers và cách họ xây dựng một giải pháp dựa trên khối để phổ biến các nhiệm vụ thị giác máy tính thông qua robot. Hãy nghiên cứu thêm về các dự án khác như thế này giúp người học mới tiếp cận lĩnh vực này. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/vi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 3241066c..123f5493 100644 --- a/translations/vi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/vi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ Trong bài học này, bạn đã học được khái niệm chính đằng sau Trong các notebook đi kèm, có các ghi chú ở cuối về cách đạt được độ chính xác cao hơn. Hãy thử nghiệm để xem liệu bạn có thể đạt được độ chính xác cao hơn không. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/vi/lessons/4-ComputerVision/07-ConvNets/README.md index d5b146e0..4cf3a01d 100644 --- a/translations/vi/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/vi/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Chúng ta đã thấy trước đây rằng mạng nơ-ron rất tốt trong việc xử lý hình ảnh, và thậm chí một perceptron một lớp cũng có thể nhận diện chữ số viết tay từ tập dữ liệu MNIST với độ chính xác khá cao. Tuy nhiên, tập dữ liệu MNIST rất đặc biệt, tất cả các chữ số đều được căn giữa trong hình ảnh, điều này làm cho nhiệm vụ trở nên đơn giản hơn. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/13) Trong thực tế, chúng ta muốn có khả năng nhận diện các đối tượng trong một bức ảnh bất kể vị trí chính xác của chúng trong hình ảnh. Thị giác máy tính khác với phân loại thông thường, bởi vì khi chúng ta cố gắng tìm một đối tượng cụ thể trong hình ảnh, chúng ta sẽ quét hình ảnh để tìm kiếm các **mẫu** cụ thể và sự kết hợp của chúng. Ví dụ, khi tìm kiếm một con mèo, đầu tiên chúng ta có thể tìm các đường ngang, có thể tạo thành râu, và sau đó sự kết hợp nhất định của các râu có thể cho chúng ta biết rằng đó thực sự là hình ảnh của một con mèo. Vị trí tương đối và sự hiện diện của các mẫu nhất định là quan trọng, chứ không phải vị trí chính xác của chúng trong hình ảnh. diff --git a/translations/vi/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/vi/lessons/4-ComputerVision/08-TransferLearning/README.md index 68ee3a8a..25d6599b 100644 --- a/translations/vi/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/vi/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Huấn luyện CNN có thể mất rất nhiều thời gian và yêu cầu một lượng lớn dữ liệu. Tuy nhiên, phần lớn thời gian được dành để học các bộ lọc cấp thấp tốt nhất mà mạng có thể sử dụng để trích xuất các mẫu từ hình ảnh. Một câu hỏi tự nhiên được đặt ra - liệu chúng ta có thể sử dụng một mạng nơ-ron đã được huấn luyện trên một tập dữ liệu và điều chỉnh nó để phân loại các hình ảnh khác mà không cần một quá trình huấn luyện đầy đủ? -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/15) Phương pháp này được gọi là **học chuyển giao**, bởi vì chúng ta chuyển một số kiến thức từ một mô hình mạng nơ-ron sang một mô hình khác. Trong học chuyển giao, chúng ta thường bắt đầu với một mô hình đã được huấn luyện sẵn, mô hình này đã được huấn luyện trên một tập dữ liệu hình ảnh lớn, chẳng hạn như **ImageNet**. Những mô hình này đã có khả năng tốt trong việc trích xuất các đặc điểm khác nhau từ hình ảnh chung, và trong nhiều trường hợp, chỉ cần xây dựng một bộ phân loại dựa trên những đặc điểm đã trích xuất có thể mang lại kết quả tốt. @@ -76,7 +76,7 @@ Sử dụng học chuyển giao, bạn có thể nhanh chóng tạo ra một b Trong các notebook đi kèm, có các ghi chú ở cuối về cách học chuyển giao hoạt động tốt nhất với dữ liệu huấn luyện tương đối giống nhau (có thể là một loại động vật mới). Hãy thử nghiệm với các loại hình ảnh hoàn toàn mới để xem mô hình học chuyển giao của bạn hoạt động tốt hay kém như thế nào. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Ôn Tập & Tự Học diff --git a/translations/vi/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/vi/lessons/4-ComputerVision/09-Autoencoders/README.md index f6698ee7..d5d86cf6 100644 --- a/translations/vi/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/vi/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Khi huấn luyện CNNs, một trong những vấn đề là chúng ta cần rất nhiều dữ liệu được gắn nhãn. Trong trường hợp phân loại hình ảnh, chúng ta cần phân chia hình ảnh thành các lớp khác nhau, điều này đòi hỏi công sức thủ công. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/17) Tuy nhiên, chúng ta có thể muốn sử dụng dữ liệu thô (không gắn nhãn) để huấn luyện các bộ trích xuất đặc trưng của CNN, điều này được gọi là **học tự giám sát**. Thay vì sử dụng nhãn, chúng ta sẽ sử dụng hình ảnh huấn luyện làm cả đầu vào và đầu ra của mạng. Ý tưởng chính của **bộ mã hóa tự động** là chúng ta sẽ có một **mạng mã hóa** để chuyển đổi hình ảnh đầu vào thành một **không gian tiềm ẩn** (thường chỉ là một vector có kích thước nhỏ hơn), sau đó là **mạng giải mã**, với mục tiêu tái tạo lại hình ảnh gốc. @@ -80,7 +80,7 @@ Tìm hiểu thêm về autoencoders trong các notebook tương ứng sau: * **Mất mát thông tin** - hình ảnh tái tạo không giống hoàn toàn với hình ảnh gốc. Bản chất của mất mát được xác định bởi *hàm mất mát* được sử dụng trong quá trình huấn luyện. * Hoạt động trên **dữ liệu không gắn nhãn** -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## Kết luận @@ -90,7 +90,7 @@ Trong bài học này, bạn đã tìm hiểu về các loại autoencoders khá Trong bài học này, bạn đã tìm hiểu về việc sử dụng autoencoders cho hình ảnh. Nhưng chúng cũng có thể được sử dụng cho âm nhạc! Hãy xem dự án [MusicVAE](https://magenta.tensorflow.org/music-vae) của dự án Magenta, sử dụng autoencoders để học cách tái tạo âm nhạc. Thực hiện một số [thí nghiệm](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb) với thư viện này để xem bạn có thể tạo ra gì. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/4-ComputerVision/10-GANs/README.md b/translations/vi/lessons/4-ComputerVision/10-GANs/README.md index ae2adff0..4b82435a 100644 --- a/translations/vi/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/vi/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Trong phần trước, chúng ta đã tìm hiểu về **mô hình sinh tạo**: các mô hình có thể tạo ra hình ảnh mới tương tự như những hình ảnh trong tập dữ liệu huấn luyện. VAE là một ví dụ tốt về mô hình sinh tạo. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/19) Tuy nhiên, nếu chúng ta cố gắng tạo ra thứ gì đó thực sự có ý nghĩa, như một bức tranh với độ phân giải hợp lý, bằng VAE, chúng ta sẽ thấy rằng việc huấn luyện không hội tụ tốt. Đối với trường hợp này, chúng ta nên tìm hiểu về một kiến trúc khác được thiết kế đặc biệt cho các mô hình sinh tạo - **Mạng Đối Kháng Sinh Tạo**, hay GAN. @@ -84,7 +84,7 @@ Cách hoạt động như sau: ## ✍️ Ví dụ: [Chuyển đổi phong cách](StyleTransfer.ipynb) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## Kết luận diff --git a/translations/vi/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/vi/lessons/4-ComputerVision/11-ObjectDetection/README.md index 83f54e81..07867c32 100644 --- a/translations/vi/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/vi/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Các mô hình phân loại hình ảnh mà chúng ta đã làm việc trước đây nhận một hình ảnh và đưa ra kết quả phân loại, chẳng hạn như lớp 'số' trong bài toán MNIST. Tuy nhiên, trong nhiều trường hợp, chúng ta không chỉ muốn biết rằng một bức ảnh có chứa các đối tượng - mà còn muốn xác định vị trí chính xác của chúng. Đây chính là mục tiêu của **phát hiện đối tượng**. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![Phát Hiện Đối Tượng](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.vi.png) @@ -172,7 +172,7 @@ Trong bài học này, bạn đã có một cái nhìn tổng quan về các cá * Yolo: [Triển khai Keras](https://github.com/experiencor/keras-yolo2), [notebook từng bước](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * Yolo v2: [Triển khai Keras](https://github.com/experiencor/keras-yolo2), [notebook từng bước](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## Ôn Tập & Tự Học diff --git a/translations/vi/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/vi/lessons/4-ComputerVision/12-Segmentation/README.md index 0a7db940..737edda8 100644 --- a/translations/vi/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/vi/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Chúng ta đã học về Phát hiện Đối tượng, một kỹ thuật cho phép xác định vị trí các đối tượng trong hình ảnh bằng cách dự đoán *hộp giới hạn* của chúng. Tuy nhiên, trong một số nhiệm vụ, chúng ta không chỉ cần hộp giới hạn mà còn cần định vị đối tượng chính xác hơn. Nhiệm vụ này được gọi là **phân đoạn**. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/23) Phân đoạn có thể được xem như là **phân loại từng điểm ảnh**, trong đó đối với **mỗi** điểm ảnh của hình ảnh, chúng ta phải dự đoán lớp của nó (*nền* cũng được xem là một lớp). Có hai thuật toán phân đoạn chính: @@ -56,7 +56,7 @@ Mở các notebook dưới đây để tìm hiểu thêm về các kiến trúc * [Phân đoạn Ngữ nghĩa với Pytorch](SemanticSegmentationPytorch.ipynb) * [Phân đoạn Ngữ nghĩa với TensorFlow](SemanticSegmentationTF.ipynb) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## Kết luận diff --git a/translations/vi/lessons/5-NLP/13-TextRep/README.md b/translations/vi/lessons/5-NLP/13-TextRep/README.md index f1d293a4..11a4441b 100644 --- a/translations/vi/lessons/5-NLP/13-TextRep/README.md +++ b/translations/vi/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Biểu Diễn Văn Bản Dưới Dạng Tensor -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## Phân Loại Văn Bản @@ -73,7 +73,7 @@ Cho đến nay, chúng ta đã nghiên cứu các kỹ thuật có thể thêm t Thử một số bài tập khác sử dụng bag-of-words và các mô hình dữ liệu khác nhau. Bạn có thể lấy cảm hứng từ [cuộc thi này trên Kaggle](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## Ôn Tập & Tự Học diff --git a/translations/vi/lessons/5-NLP/14-Embeddings/README.md b/translations/vi/lessons/5-NLP/14-Embeddings/README.md index fb6dbedb..0e0313f9 100644 --- a/translations/vi/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/vi/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Nhúng (Embeddings) -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/27) Khi huấn luyện các bộ phân loại dựa trên BoW hoặc TF/IDF, chúng ta làm việc với các vector túi từ (bag-of-words) có chiều cao với độ dài `vocab_size`, và chúng ta đã chuyển đổi rõ ràng từ các vector biểu diễn vị trí có chiều thấp sang biểu diễn one-hot thưa thớt. Tuy nhiên, biểu diễn one-hot này không tiết kiệm bộ nhớ. Ngoài ra, mỗi từ được xử lý độc lập với nhau, tức là các vector mã hóa one-hot không thể hiện bất kỳ sự tương đồng ngữ nghĩa nào giữa các từ. @@ -65,7 +65,7 @@ Trong bài học này, bạn đã khám phá cách xây dựng và sử dụng c Word2Vec đã được sử dụng cho một số ứng dụng thú vị, bao gồm tạo lời bài hát và thơ. Hãy xem [bài viết này](https://www.politetype.com/blog/word2vec-color-poems) để tìm hiểu cách tác giả sử dụng Word2Vec để tạo thơ. Xem [video này của Dan Shiffmann](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain) để khám phá một cách giải thích khác về kỹ thuật này. Sau đó, hãy thử áp dụng các kỹ thuật này vào tập văn bản của riêng bạn, có thể lấy từ Kaggle. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/15-LanguageModeling/README.md b/translations/vi/lessons/5-NLP/15-LanguageModeling/README.md index 8ad08f14..de7fc6d4 100644 --- a/translations/vi/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/vi/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Các biểu diễn ngữ nghĩa, như Word2Vec và GloVe, thực chất là bước đầu tiên hướng tới **mô hình ngôn ngữ** - tạo ra các mô hình có thể *hiểu* (hoặc *biểu diễn*) bản chất của ngôn ngữ. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/29) Ý tưởng chính của mô hình ngôn ngữ là huấn luyện chúng trên các tập dữ liệu không gắn nhãn theo cách không giám sát. Điều này rất quan trọng vì chúng ta có một lượng lớn văn bản không gắn nhãn, trong khi lượng văn bản có gắn nhãn luôn bị giới hạn bởi công sức mà chúng ta có thể bỏ ra để gắn nhãn. Thông thường, chúng ta có thể xây dựng các mô hình ngôn ngữ có khả năng **dự đoán các từ bị thiếu** trong văn bản, bởi vì việc che đi một từ ngẫu nhiên trong văn bản và sử dụng nó làm mẫu huấn luyện là khá dễ dàng. @@ -38,7 +38,7 @@ Tiếp tục học tập với các notebook sau: Trong bài học trước, chúng ta đã thấy rằng các biểu diễn từ hoạt động như một phép màu! Giờ đây, chúng ta biết rằng việc huấn luyện các biểu diễn từ không phải là một nhiệm vụ quá phức tạp, và chúng ta hoàn toàn có thể tự huấn luyện các biểu diễn từ cho văn bản thuộc lĩnh vực cụ thể nếu cần. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/16-RNN/README.md b/translations/vi/lessons/5-NLP/16-RNN/README.md index e8e1d718..d3476500 100644 --- a/translations/vi/lessons/5-NLP/16-RNN/README.md +++ b/translations/vi/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mạng Nơ-ron Hồi quy -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/31) Trong các phần trước, chúng ta đã sử dụng các biểu diễn ngữ nghĩa phong phú của văn bản và một bộ phân loại tuyến tính đơn giản trên các embedding. Kiến trúc này giúp nắm bắt ý nghĩa tổng hợp của các từ trong một câu, nhưng nó không xem xét đến **thứ tự** của các từ, vì phép tổng hợp trên embedding đã loại bỏ thông tin này từ văn bản gốc. Do các mô hình này không thể mô hình hóa thứ tự từ, chúng không thể giải quyết các nhiệm vụ phức tạp hoặc mơ hồ hơn như tạo văn bản hoặc trả lời câu hỏi. @@ -84,7 +84,7 @@ Trong bài học này, chúng ta đã thấy rằng RNN có thể được sử - [Show, Attend and Tell: Neural Image Caption Generation with Visual Attention](https://arxiv.org/pdf/1502.03044v2.pdf) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/vi/lessons/5-NLP/17-GenerativeNetworks/README.md index a39f35e4..a2718041 100644 --- a/translations/vi/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/vi/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Mạng tạo sinh -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/33) Mạng nơ-ron hồi quy (RNN) và các biến thể tế bào có cổng của nó như Tế bào Bộ nhớ Ngắn Dài (LSTM) và Đơn vị Hồi quy Có cổng (GRU) cung cấp một cơ chế để mô hình hóa ngôn ngữ, vì chúng có thể học cách sắp xếp từ và đưa ra dự đoán cho từ tiếp theo trong một chuỗi. Điều này cho phép chúng ta sử dụng RNN cho các **nhiệm vụ tạo sinh**, chẳng hạn như tạo văn bản thông thường, dịch máy, và thậm chí là chú thích hình ảnh. @@ -71,7 +71,7 @@ Học một số bài học trên Microsoft Learn về chủ đề này * Tạo văn bản với [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) -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/18-Transformers/README.md b/translations/vi/lessons/5-NLP/18-Transformers/README.md index 3e2570e6..376bf0c6 100644 --- a/translations/vi/lessons/5-NLP/18-Transformers/README.md +++ b/translations/vi/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Cơ chế Attention và Transformers -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/35) Một trong những vấn đề quan trọng nhất trong lĩnh vực NLP là **dịch máy**, một nhiệm vụ thiết yếu làm nền tảng cho các công cụ như Google Dịch. Trong phần này, chúng ta sẽ tập trung vào dịch máy, hoặc nói chung hơn, vào bất kỳ nhiệm vụ *chuỗi-đến-chuỗi* nào (còn được gọi là **chuyển đổi câu**). @@ -108,7 +108,7 @@ Trong bài học này, bạn đã tìm hiểu về Transformers và Cơ chế At ## 🚀 Thử thách -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/19-NER/README.md b/translations/vi/lessons/5-NLP/19-NER/README.md index b27954ce..70f3a01a 100644 --- a/translations/vi/lessons/5-NLP/19-NER/README.md +++ b/translations/vi/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Cho đến nay, chúng ta chủ yếu tập trung vào một nhiệm vụ NLP - phân loại. Tuy nhiên, còn có nhiều nhiệm vụ NLP khác có thể được thực hiện bằng mạng nơ-ron. Một trong những nhiệm vụ đó là **[Nhận diện Thực thể Được đặt tên](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), nhiệm vụ này liên quan đến việc nhận diện các thực thể cụ thể trong văn bản, chẳng hạn như địa điểm, tên người, khoảng thời gian, công thức hóa học, v.v. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## Ví dụ về việc sử dụng NER @@ -80,7 +80,7 @@ Mô hình NER là một **mô hình phân loại token**, nghĩa là nó có th Hoàn thành bài tập được liên kết dưới đây để huấn luyện một mô hình nhận diện thực thể được đặt tên cho các thuật ngữ y tế, sau đó thử nghiệm nó trên một tập dữ liệu khác. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/5-NLP/20-LangModels/README.md b/translations/vi/lessons/5-NLP/20-LangModels/README.md index 73140e8d..7ae8fcb3 100644 --- a/translations/vi/lessons/5-NLP/20-LangModels/README.md +++ b/translations/vi/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Trong tất cả các nhiệm vụ trước đây, chúng ta đã huấn luyện một mạng nơ-ron để thực hiện một nhiệm vụ nhất định bằng cách sử dụng tập dữ liệu có nhãn. Với các mô hình transformer lớn, như BERT, chúng ta sử dụng mô hình ngôn ngữ theo cách tự giám sát để xây dựng một mô hình ngôn ngữ, sau đó được chuyên biệt hóa cho các nhiệm vụ cụ thể với việc huấn luyện thêm theo từng lĩnh vực. Tuy nhiên, đã được chứng minh rằng các mô hình ngôn ngữ lớn cũng có thể giải quyết nhiều nhiệm vụ mà không cần bất kỳ huấn luyện nào theo từng lĩnh vực. Một nhóm các mô hình có khả năng làm điều này được gọi là **GPT**: Generative Pre-Trained Transformer. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## Sinh Văn Bản và Độ Phức Tạp @@ -58,7 +58,7 @@ Tiếp tục học tập trong các notebook sau: Các mô hình ngôn ngữ được huấn luyện trước mới không chỉ mô hình hóa cấu trúc ngôn ngữ, mà còn chứa một lượng lớn ngôn ngữ tự nhiên. Do đó, chúng có thể được sử dụng hiệu quả để giải quyết một số nhiệm vụ NLP trong các thiết lập zero-shot hoặc few-shot. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/40) --- diff --git a/translations/vi/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/vi/lessons/6-Other/21-GeneticAlgorithms/README.md index 86896a26..14760170 100644 --- a/translations/vi/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/vi/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Thuật toán Di truyền -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/41) **Thuật toán Di truyền** (GA) dựa trên cách tiếp cận **tiến hóa** trong AI, trong đó các phương pháp tiến hóa của một quần thể được sử dụng để tìm ra giải pháp tối ưu cho một vấn đề cụ thể. Thuật toán này được đề xuất vào năm 1975 bởi [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland). @@ -66,7 +66,7 @@ Thuật toán Di truyền được sử dụng để giải quyết nhiều vấ "Thuật toán di truyền dễ triển khai, nhưng hành vi của chúng rất khó hiểu." [nguồn](https://wikipedia.org/wiki/Genetic_algorithm) Hãy nghiên cứu để tìm một triển khai của thuật toán di truyền, chẳng hạn như giải bài toán Sudoku, và giải thích cách nó hoạt động dưới dạng phác thảo hoặc sơ đồ luồng. -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## Ôn tập & Tự học diff --git a/translations/vi/lessons/6-Other/22-DeepRL/README.md b/translations/vi/lessons/6-Other/22-DeepRL/README.md index 148332d3..995a022f 100644 --- a/translations/vi/lessons/6-Other/22-DeepRL/README.md +++ b/translations/vi/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Học tăng cường (Reinforcement Learning - RL) được xem là một trong những mô hình học máy cơ bản, bên cạnh học có giám sát và học không giám sát. Trong khi học có giám sát dựa vào tập dữ liệu với kết quả đã biết, thì RL dựa trên nguyên tắc **học qua hành động**. Ví dụ, khi lần đầu chơi một trò chơi máy tính, chúng ta bắt đầu chơi mà không biết luật, và dần dần cải thiện kỹ năng chỉ qua quá trình chơi và điều chỉnh hành vi. -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/43) Để thực hiện RL, chúng ta cần: @@ -110,7 +110,7 @@ Chúng ta đã học cách huấn luyện các tác nhân để đạt được Khám phá các ứng dụng được liệt kê trong phần 'Các Nhiệm Vụ RL Khác' và thử triển khai một trong số chúng! -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## Ôn Tập & Tự Học diff --git a/translations/vi/lessons/6-Other/23-MultiagentSystems/README.md b/translations/vi/lessons/6-Other/23-MultiagentSystems/README.md index da08249a..3813b172 100644 --- a/translations/vi/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/vi/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Một trong những cách để đạt được trí tuệ là phương pháp **nổi bật** (hoặc **tương hỗ**), dựa trên thực tế rằng hành vi kết hợp của nhiều tác nhân tương đối đơn giản có thể dẫn đến hành vi tổng thể phức tạp hơn (hoặc thông minh hơn) của hệ thống nói chung. Về mặt lý thuyết, điều này dựa trên các nguyên tắc của [Trí Tuệ Tập Thể](https://en.wikipedia.org/wiki/Collective_intelligence), [Thuyết Nổi Bật](https://en.wikipedia.org/wiki/Global_brain) và [Điều Khiển Học Tiến Hóa](https://en.wikipedia.org/wiki/Global_brain), cho rằng các hệ thống cấp cao hơn đạt được một số giá trị gia tăng khi được kết hợp đúng cách từ các hệ thống cấp thấp hơn (còn gọi là *nguyên tắc chuyển đổi siêu hệ thống*). -## [Câu hỏi trước bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/45) Hướng đi của **Hệ Thống Đa Tác Nhân** đã xuất hiện trong AI vào những năm 1990 như một phản ứng đối với sự phát triển của Internet và các hệ thống phân tán. Một trong những sách giáo khoa AI kinh điển, [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach), tập trung vào góc nhìn của AI cổ điển từ quan điểm của các hệ thống đa tác nhân. @@ -152,7 +152,7 @@ Chúng đều tập trung vào hành vi đơn giản của từng tác nhân, v Đưa bài học này vào thực tế và thử hình dung một hệ thống đa tác nhân có thể giải quyết một vấn đề. Ví dụ, một hệ thống đa tác nhân cần làm gì để tối ưu hóa tuyến đường xe buýt trường học? Nó có thể hoạt động như thế nào trong một tiệm bánh? -## [Câu hỏi sau bài giảng](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## Ôn Tập & Tự Học diff --git a/translations/zh/lessons/1-Intro/README.md b/translations/zh/lessons/1-Intro/README.md index 34137ebc..2c9b51af 100644 --- a/translations/zh/lessons/1-Intro/README.md +++ b/translations/zh/lessons/1-Intro/README.md @@ -54,7 +54,7 @@ CO_OP_TRANSLATOR_METADATA: 在互联网上进行探索，找出你认为人工智能最有效的应用领域。是地图应用程序、语音转文字服务，还是视频游戏？研究该系统是如何构建的。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/201) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/2) ## 复习与自学 diff --git a/translations/zh/lessons/2-Symbolic/README.md b/translations/zh/lessons/2-Symbolic/README.md index 1047e6f1..d3735602 100644 --- a/translations/zh/lessons/2-Symbolic/README.md +++ b/translations/zh/lessons/2-Symbolic/README.md @@ -208,7 +208,7 @@ GROUP BY ?eyeColorLabel 在与本课相关的家庭本体笔记本中，有机会尝试其他家庭关系。试着发现家谱中人与人之间的新连接。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/202) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/4) ## 复习与自学 diff --git a/translations/zh/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/zh/lessons/3-NeuralNetworks/03-Perceptron/README.md index feae6eb4..1794ff02 100644 --- a/translations/zh/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/zh/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 神经网络简介：感知机 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/103) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/5) 1957年，康奈尔航空实验室的Frank Rosenblatt首次尝试实现类似现代神经网络的模型。这是一种名为“Mark-1”的硬件实现，设计用于识别简单的几何图形，例如三角形、正方形和圆形。 @@ -85,7 +85,7 @@ def train(positive_examples, negative_examples, num_iterations = 100, eta = 1): 如果你想尝试构建自己的感知机，可以试试[Microsoft Learn上的这个实验](https://docs.microsoft.com/en-us/azure/machine-learning/component-reference/two-class-averaged-perceptron?WT.mc_id=academic-77998-cacaste)，它使用了[Azure ML设计器](https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer?WT.mc_id=academic-77998-cacaste)。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/203) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/6) ## 复习与自学 diff --git a/translations/zh/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/zh/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 88f600b2..d44d489e 100644 --- a/translations/zh/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/zh/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 我们还将使用 Python 开发自己的模块化框架，以便构建不同的神经网络架构。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/104) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/7) ## 机器学习的形式化定义 @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: 请前往 [OwnFramework](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) 笔记本并完成相关内容。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/204) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/8) ## 复习与自学 diff --git a/translations/zh/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/zh/lessons/3-NeuralNetworks/05-Frameworks/README.md index 7ca0ef05..e8cc0f21 100644 --- a/translations/zh/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/zh/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -14,7 +14,7 @@ CO_OP_TRANSLATOR_METADATA: * 操作张量，例如进行乘法、加法，以及计算一些函数如 sigmoid 或 softmax * 计算所有表达式的梯度，以便执行梯度下降优化 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/105) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/9) 虽然 `numpy` 库可以完成第一部分，但我们需要某种机制来计算梯度。在[我们开发的框架](../../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)中，我们必须手动在 `backward` 方法中编写所有的导数函数来实现反向传播。理想情况下，一个框架应该能够让我们计算*任何表达式*的梯度。 @@ -106,7 +106,7 @@ CO_OP_TRANSLATOR_METADATA: 在配套的笔记本中，你会发现一些“任务”；请完成这些笔记本中的任务。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/205) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/10) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/zh/lessons/4-ComputerVision/06-IntroCV/README.md index b037b1ad..47b23305 100644 --- a/translations/zh/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/zh/lessons/4-ComputerVision/06-IntroCV/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: [计算机视觉](https://wikipedia.org/wiki/Computer_vision) 是一个旨在让计算机能够对数字图像进行高层次理解的学科。这是一个非常广泛的定义，因为“理解”可以有很多不同的含义，包括在图片中找到一个物体（**目标检测**）、理解发生了什么（**事件检测**）、用文字描述图片，或者以3D形式重建场景。此外，还有一些与人类图像相关的特殊任务：例如年龄和情绪估计、人脸检测与识别，以及3D姿态估计等。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/106) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/11) 计算机视觉最简单的任务之一是 **图像分类**。 @@ -105,7 +105,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) 观看 [这个视频](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)，了解 Cortic Tigers 项目以及他们如何通过机器人构建一个基于模块的解决方案来普及计算机视觉任务。研究其他类似项目，这些项目帮助新学习者进入该领域。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/206) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/12) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/zh/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 5683e787..b5f545cd 100644 --- a/translations/zh/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/zh/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -59,7 +59,7 @@ MobileNet 是一系列适合移动设备的小型模型。如果资源有限， 在配套的笔记本中，底部有关于如何获得更高准确率的提示。尝试进行一些实验，看看是否可以实现更高的准确率。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/207) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/14) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/zh/lessons/4-ComputerVision/07-ConvNets/README.md index 02d6c632..8bfe728c 100644 --- a/translations/zh/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/zh/lessons/4-ComputerVision/07-ConvNets/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我们之前已经看到，神经网络在处理图像方面表现得相当不错，即使是单层感知机也能够以较高的准确率识别 MNIST 数据集中的手写数字。然而，MNIST 数据集非常特殊，所有的数字都被居中放置在图像中，这使得任务变得更简单。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/107) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/13) 在现实生活中，我们希望能够识别图片中的物体，而不受它们在图像中具体位置的影响。计算机视觉与通用分类不同，因为当我们试图在图片中找到某个特定物体时，我们实际上是在扫描图像，寻找某些特定的**模式**及其组合。例如，当寻找一只猫时，我们可能会先寻找水平线条，这些线条可能形成胡须，然后某种胡须的组合可以告诉我们这是一只猫。某些模式的相对位置和存在性很重要，而它们在图像中的具体位置则不那么重要。 diff --git a/translations/zh/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/zh/lessons/4-ComputerVision/08-TransferLearning/README.md index 4ba06a51..b6bc540e 100644 --- a/translations/zh/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/zh/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 训练 CNN 需要耗费大量时间，并且需要大量数据。然而，大部分时间都花在学习网络可以用来从图像中提取模式的最佳低级滤波器上。一个自然的问题是：我们能否使用在一个数据集上训练好的神经网络，并将其适配到不同的图像分类任务，而无需完整的训练过程？ -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/108) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/15) 这种方法被称为**迁移学习**，因为我们将一个神经网络模型中的部分知识转移到另一个模型中。在迁移学习中，我们通常从一个预训练模型开始，该模型已经在某个大型图像数据集（如 **ImageNet**）上进行了训练。这些模型已经能够很好地从通用图像中提取不同的特征，在许多情况下，仅仅在这些提取的特征上构建一个分类器就能取得不错的效果。 @@ -76,7 +76,7 @@ Keras 和 PyTorch 都包含了方便加载一些常见架构的预训练神经 在配套的笔记本中，底部有关于迁移知识在某些相似训练数据（例如一种新类型的动物）上效果最佳的注释。尝试使用完全新类型的图像进行实验，看看你的迁移知识模型表现得有多好或多差。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/zh/lessons/4-ComputerVision/09-Autoencoders/README.md index f8413d4c..01f005c5 100644 --- a/translations/zh/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/zh/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在训练 CNN 时，一个主要问题是我们需要大量的标注数据。以图像分类为例，我们需要将图像分成不同的类别，这通常需要手动完成。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/109) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/17) 然而，我们可能希望使用原始（未标注的）数据来训练 CNN 的特征提取器，这被称为**自监督学习**。在这种情况下，我们不使用标签，而是将训练图像同时作为网络的输入和输出。**自编码器**的核心思想是，我们会有一个**编码器网络**，将输入图像转换为某种**潜在空间**（通常是一个较小尺寸的向量），然后通过**解码器网络**来重建原始图像。 @@ -80,7 +80,7 @@ VAE 的一个重要优势是它可以相对容易地生成新图像，因为我 * **有损性** - 重建的图像与原始图像并不完全相同。损失的性质由训练时使用的*损失函数*决定。 * 适用于**未标注数据** -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/209) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/18) ## 总结 @@ -90,7 +90,7 @@ VAE 的一个重要优势是它可以相对容易地生成新图像，因为我 在本课中，你学习了如何将自编码器用于图像。但它们也可以用于音乐！查看 Magenta 项目的 [MusicVAE](https://magenta.tensorflow.org/music-vae) 项目，该项目使用自编码器学习重建音乐。通过[实验](https://colab.research.google.com/github/magenta/magenta-demos/blob/master/colab-notebooks/Multitrack_MusicVAE.ipynb)这个库，看看你能创造出什么。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/208) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/16) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/10-GANs/README.md b/translations/zh/lessons/4-ComputerVision/10-GANs/README.md index b1fcd42f..5fbad084 100644 --- a/translations/zh/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/zh/lessons/4-ComputerVision/10-GANs/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一节中，我们学习了**生成模型**：可以生成与训练数据集中的图像相似的新图像的模型。VAE是生成模型的一个很好的例子。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/110) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/19) 然而，如果我们尝试生成一些真正有意义的东西，比如一幅分辨率合理的画作，用VAE进行训练时会发现训练效果并不理想。针对这种情况，我们需要学习一种专门用于生成模型的架构——**生成对抗网络**，简称GAN。 @@ -84,7 +84,7 @@ GAN是生成艺术图像的绝佳工具。另一种有趣的技术是所谓的** ## ✍️ 示例：[风格迁移](../../../../../lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/210) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/20) ## 总结 diff --git a/translations/zh/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/zh/lessons/4-ComputerVision/11-ObjectDetection/README.md index 126305dd..3488295f 100644 --- a/translations/zh/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/zh/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我们之前讨论的图像分类模型通常会接收一张图片并输出一个类别结果，例如在 MNIST 问题中输出类别“数字”。然而，在许多情况下，我们不仅仅想知道图片中是否有物体——我们还希望能够确定它们的具体位置。这正是**目标检测**的核心所在。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/111) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/21) ![目标检测](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.zh.png) @@ -172,7 +172,7 @@ YOLO 是一种实时单次检测算法。其核心思想如下： * YOLO：[Keras 实现](https://github.com/experiencor/keras-yolo2)，[逐步笔记本](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb) * YOLO v2：[Keras 实现](https://github.com/experiencor/keras-yolo2)，[逐步笔记本](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb) -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/22) ## 复习与自学 diff --git a/translations/zh/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/zh/lessons/4-ComputerVision/12-Segmentation/README.md index d1f179a0..c4bb9b40 100644 --- a/translations/zh/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/zh/lessons/4-ComputerVision/12-Segmentation/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 我们之前学习了目标检测，它可以通过预测*边界框*来定位图像中的目标。然而，对于某些任务，我们不仅需要边界框，还需要更精确的目标定位。这项任务被称为**分割**。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/112) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/23) 分割可以看作是**像素分类**，即对于图像中的**每个**像素，我们必须预测其类别（*背景*是其中一个类别）。主要有两种分割算法： @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: * [语义分割 Pytorch](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) * [语义分割 TensorFlow](../../../../../lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/212) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/24) ## 总结 diff --git a/translations/zh/lessons/5-NLP/13-TextRep/README.md b/translations/zh/lessons/5-NLP/13-TextRep/README.md index a6af651d..87868f90 100644 --- a/translations/zh/lessons/5-NLP/13-TextRep/README.md +++ b/translations/zh/lessons/5-NLP/13-TextRep/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 将文本表示为张量 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/113) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/25) ## 文本分类 @@ -73,7 +73,7 @@ CO_OP_TRANSLATOR_METADATA: 尝试使用词袋模型和不同的数据模型完成其他练习。你可以从这个 [Kaggle 比赛](https://www.kaggle.com/competitions/word2vec-nlp-tutorial/overview/part-1-for-beginners-bag-of-words) 中获得灵感。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/213) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/26) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/14-Embeddings/README.md b/translations/zh/lessons/5-NLP/14-Embeddings/README.md index 267148a1..03f304a3 100644 --- a/translations/zh/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/zh/lessons/5-NLP/14-Embeddings/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 嵌入 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/114) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/27) 在基于 BoW 或 TF/IDF 训练分类器时，我们使用的是长度为 `vocab_size` 的高维词袋向量，并且我们显式地将低维位置表示向量转换为稀疏的独热表示。然而，这种独热表示并不节省内存。此外，每个单词都是独立处理的，即独热编码向量无法表达单词之间的语义相似性。 @@ -65,7 +65,7 @@ Word2Vec 预训练嵌入（以及其他类似模型，例如 GloVe）也可以 Word2Vec 已被用于一些有趣的应用，包括生成歌词和诗歌。阅读 [这篇文章](https://www.politetype.com/blog/word2vec-color-poems)，了解作者如何使用 Word2Vec 生成诗歌。观看 [Dan Shiffmann 的视频](https://www.youtube.com/watch?v=LSS_bos_TPI&ab_channel=TheCodingTrain)，了解该技术的另一种解释。然后尝试将这些技术应用到你自己的文本语料库中，可以从 Kaggle 获取数据。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/214) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/28) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/15-LanguageModeling/README.md b/translations/zh/lessons/5-NLP/15-LanguageModeling/README.md index 69c23f5a..7ca406a4 100644 --- a/translations/zh/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/zh/lessons/5-NLP/15-LanguageModeling/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 语义嵌入，例如 Word2Vec 和 GloVe，实际上是迈向**语言建模**的第一步——创建某种能够*理解*（或*表示*）语言本质的模型。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/115) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/29) 语言建模的核心思想是通过无监督方式在未标注的数据集上进行训练。这很重要，因为我们拥有大量未标注的文本，而标注文本的数量总是受到标注工作量的限制。通常，我们可以构建能够**预测文本中缺失单词**的语言模型，因为随机遮盖文本中的某个单词并将其作为训练样本是非常简单的。 @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: 在上一节课中，我们看到单词嵌入的效果就像魔法一样！现在我们知道训练单词嵌入并不是一项非常复杂的任务，如果需要，我们应该能够为特定领域的文本训练自己的单词嵌入。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/215) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/30) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/16-RNN/README.md b/translations/zh/lessons/5-NLP/16-RNN/README.md index 5cdef79c..8e5036c3 100644 --- a/translations/zh/lessons/5-NLP/16-RNN/README.md +++ b/translations/zh/lessons/5-NLP/16-RNN/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 循环神经网络 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/116) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/31) 在之前的章节中，我们使用了丰富的文本语义表示，并在嵌入层之上应用了一个简单的线性分类器。这种架构能够捕捉句子中单词的整体意义，但它没有考虑单词的**顺序**，因为嵌入层上的聚合操作会丢失原始文本中的顺序信息。由于这些模型无法建模单词的顺序，它们无法解决更复杂或更模糊的任务，例如文本生成或问答。 @@ -83,7 +83,7 @@ LSTM 网络的组织方式与 RNN 类似，但有两个状态会在层与层之 - [网格长短时记忆](https://arxiv.org/pdf/1507.01526v1.pdf) - [展示、关注和讲述：带视觉注意力的神经图像字幕生成](https://arxiv.org/pdf/1502.03044v2.pdf) -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/216) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/32) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/zh/lessons/5-NLP/17-GenerativeNetworks/README.md index 2574a970..b88931be 100644 --- a/translations/zh/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/zh/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 生成网络 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/117) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/33) 循环神经网络（RNN）及其门控单元变体（如长短期记忆单元 LSTM 和门控循环单元 GRU）提供了一种语言建模的机制，因为它们可以学习单词的顺序并预测序列中下一个单词。这使得我们可以使用 RNN 执行**生成任务**，例如普通文本生成、机器翻译，甚至图像描述。 @@ -71,7 +71,7 @@ today of the second the company and a second the company ... * 使用 [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) 进行文本生成 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/217) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/34) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/18-Transformers/README.md b/translations/zh/lessons/5-NLP/18-Transformers/README.md index 7d3b6418..9b4f9a93 100644 --- a/translations/zh/lessons/5-NLP/18-Transformers/README.md +++ b/translations/zh/lessons/5-NLP/18-Transformers/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 注意力机制与Transformer -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/35) 在自然语言处理（NLP）领域中，**机器翻译**是一个非常重要的问题，它是支持像Google翻译这样的工具的核心任务。在本节中，我们将重点讨论机器翻译，或者更广泛地说，任何*序列到序列*任务（也称为**句子转换**）。 @@ -108,7 +108,7 @@ Transformer的核心思想之一是避免RNN的顺序特性，创建一个在训 ## 🚀 挑战 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/zh/lessons/5-NLP/18-Transformers/READMEtransformers.md index 2e361d8e..d32d1a33 100644 --- a/translations/zh/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/zh/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -1,6 +1,6 @@ # 注意力机制与变换器 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/118) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/35) 自然语言处理领域中最重要的问题之一是**机器翻译**，这是一个支撑像谷歌翻译等工具的基本任务。在这一部分，我们将专注于机器翻译，或者更一般地说，任何*序列到序列*的任务（这也被称为**句子转导**）。 @@ -99,7 +99,7 @@ ## 🚀 挑战 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/218) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/36) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/19-NER/README.md b/translations/zh/lessons/5-NLP/19-NER/README.md index 9442e053..b4027e5b 100644 --- a/translations/zh/lessons/5-NLP/19-NER/README.md +++ b/translations/zh/lessons/5-NLP/19-NER/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 到目前为止，我们主要集中在一个自然语言处理任务——分类。然而，还有其他可以通过神经网络完成的自然语言处理任务。其中一个任务是**[命名实体识别](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)，它处理识别文本中的特定实体，例如地点、人物姓名、日期时间区间、化学公式等。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/119) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/37) ## 使用 NER 的示例 @@ -80,7 +80,7 @@ NER 模型是一种**标记分类模型**，这意味着它可以用于执行标 完成以下链接的作业，训练一个用于医学术语的命名实体识别模型，然后尝试在不同的数据集上应用它。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/219) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/38) ## 复习与自学 diff --git a/translations/zh/lessons/5-NLP/20-LangModels/README.md b/translations/zh/lessons/5-NLP/20-LangModels/README.md index 655899ae..74f2dea7 100644 --- a/translations/zh/lessons/5-NLP/20-LangModels/README.md +++ b/translations/zh/lessons/5-NLP/20-LangModels/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在我们之前的所有任务中，我们都使用标注数据集训练神经网络来完成特定任务。而对于像 BERT 这样的大型 Transformer 模型，我们通过自监督的方式进行语言建模，构建一个语言模型，然后通过进一步的领域特定训练将其专门化用于特定的下游任务。然而，研究表明，大型语言模型甚至可以在没有任何领域特定训练的情况下解决许多任务。这类能够实现这一点的模型家族被称为 **GPT**：生成式预训练 Transformer。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 文本生成与困惑度 @@ -58,7 +58,7 @@ GPT-3 和 GPT-4 模型可以通过 [Microsoft Azure 的认知服务](https://azu 新的通用预训练语言模型不仅能够建模语言结构，还包含大量自然语言知识。因此，它们可以在零样本或少样本的情况下有效地解决一些自然语言处理任务。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免责声明**： 本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原文档的原始语言版本为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用本翻译而引起的任何误解或误读不承担责任。 \ No newline at end of file diff --git a/translations/zh/lessons/5-NLP/20-LangModels/READMELargeLang.md b/translations/zh/lessons/5-NLP/20-LangModels/READMELargeLang.md index 9d74ac6c..56359e5c 100644 --- a/translations/zh/lessons/5-NLP/20-LangModels/READMELargeLang.md +++ b/translations/zh/lessons/5-NLP/20-LangModels/READMELargeLang.md @@ -2,7 +2,7 @@ 在我们之前的所有任务中，我们都在训练一个神经网络，以使用标记数据集执行某项特定任务。对于像 BERT 这样的庞大变换模型，我们使用自我监督的语言建模来构建语言模型，然后通过进一步的领域特定训练将其专门化为特定的下游任务。然而，已经证明大型语言模型也可以在没有任何领域特定训练的情况下解决许多任务。能够做到这一点的一类模型被称为 **GPT**：生成预训练变换器。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/120) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/39) ## 文本生成与困惑度 @@ -49,7 +49,7 @@ GPT-3 和 GPT-4 模型可作为 [Microsoft Azure 的认知服务](https://azure. 新的通用预训练语言模型不仅建模语言结构，还包含大量自然语言。因此，它们可以有效地用于在零样本或少样本设置中解决一些 NLP 任务。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/220) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/40) **免责声明**： 本文件使用基于机器的人工智能翻译服务进行翻译。尽管我们努力追求准确性，但请注意，自动翻译可能包含错误或不准确之处。原始文件的母语版本应被视为权威来源。对于关键信息，建议进行专业的人类翻译。我们对因使用此翻译而导致的任何误解或误释不承担责任。 \ No newline at end of file diff --git a/translations/zh/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/zh/lessons/6-Other/21-GeneticAlgorithms/README.md index df1adf18..8a2979b6 100644 --- a/translations/zh/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/zh/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 遗传算法 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/121) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/41) **遗传算法** (GA) 基于一种**进化式方法**，通过模拟种群的进化过程来为给定问题找到最优解。这种方法由 [John Henry Holland](https://wikipedia.org/wiki/John_Henry_Holland) 于1975年提出。 @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: “遗传算法易于实现，但其行为难以理解。” [来源](https://wikipedia.org/wiki/Genetic_algorithm) 进行一些研究，找到一个遗传算法的实现，例如解决数独问题，并通过草图或流程图解释其工作原理。 -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/221) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/42) ## 复习与自学 diff --git a/translations/zh/lessons/6-Other/22-DeepRL/README.md b/translations/zh/lessons/6-Other/22-DeepRL/README.md index 450773cd..b312c2f6 100644 --- a/translations/zh/lessons/6-Other/22-DeepRL/README.md +++ b/translations/zh/lessons/6-Other/22-DeepRL/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 强化学习（RL）被认为是机器学习的基本范式之一，与监督学习和无监督学习并列。与监督学习依赖于已知结果的数据集不同，RL基于**通过实践学习**。例如，当我们第一次看到一款电脑游戏时，即使不知道规则，我们也会开始玩，并通过玩游戏和调整行为逐渐提高技能。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/122) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/43) 要进行强化学习，我们需要： @@ -110,7 +110,7 @@ print(f"Total reward: {total_reward}") 探索“其他强化学习任务”部分列出的应用，并尝试实现其中一个！ -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/222) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/44) ## 复习与自学 diff --git a/translations/zh/lessons/6-Other/23-MultiagentSystems/README.md b/translations/zh/lessons/6-Other/23-MultiagentSystems/README.md index fef8e364..2e9f6ce1 100644 --- a/translations/zh/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/zh/lessons/6-Other/23-MultiagentSystems/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 实现智能的一种可能方法是所谓的**涌现**（或**协同**）方法，其基于这样一个事实：许多相对简单的智能体的组合行为可以导致整个系统表现出更复杂（或更智能）的行为。从理论上讲，这种方法基于[集体智能](https://en.wikipedia.org/wiki/Collective_intelligence)、[涌现论](https://en.wikipedia.org/wiki/Global_brain)和[进化控制论](https://en.wikipedia.org/wiki/Global_brain)的原则，这些理论认为，当低级系统被适当组合成高级系统时，会产生某种附加价值（即所谓的*元系统转变原则*）。 -## [课前测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/123) +## [课前测验](https://ff-quizzes.netlify.app/en/ai/quiz/45) **多智能体系统**这一方向在1990年代因互联网和分布式系统的发展而在人工智能领域兴起。经典的人工智能教材之一[《人工智能：现代方法》](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)从多智能体系统的角度探讨了经典人工智能的视角。 @@ -152,7 +152,7 @@ NetLogo 的世界由以下对象组成： 将本课内容应用于现实世界，尝试构思一个可以解决问题的多智能体系统。例如，一个多智能体系统需要做些什么来优化校车路线？它如何在面包店中工作？ -## [课后测验](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/223) +## [课后测验](https://ff-quizzes.netlify.app/en/ai/quiz/46) ## 复习与自学