From 0a9890ad152219e4d5ad73c0de155941c05031f2 Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Fri, 30 Jan 2026 01:39:02 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes) --- translations/mr/.co-op-translator.json | 398 ++++++++++++++++++ translations/mr/AGENTS.md | 9 - translations/mr/README.md | 194 ++++----- translations/mr/SECURITY.md | 9 - translations/mr/etc/CODE_OF_CONDUCT.md | 9 - translations/mr/etc/CONTRIBUTING.md | 9 - translations/mr/etc/Mindmap.md | 9 - translations/mr/etc/SUPPORT.md | 9 - translations/mr/etc/TRANSLATIONS.md | 9 - translations/mr/etc/quiz-app/README.md | 9 - translations/mr/examples/README.md | 9 - .../mr/lessons/0-course-setup/for-teachers.md | 9 - .../mr/lessons/0-course-setup/how-to-run.md | 9 - .../mr/lessons/0-course-setup/setup.md | 9 - translations/mr/lessons/1-Intro/README.md | 9 - translations/mr/lessons/1-Intro/assignment.md | 9 - translations/mr/lessons/2-Symbolic/README.md | 17 +- .../mr/lessons/2-Symbolic/assignment.md | 9 - .../3-NeuralNetworks/03-Perceptron/README.md | 13 +- .../03-Perceptron/lab/README.md | 9 - .../04-OwnFramework/README.md | 11 +- .../04-OwnFramework/lab/README.md | 9 - .../3-NeuralNetworks/05-Frameworks/README.md | 9 - .../05-Frameworks/lab/README.md | 9 - .../mr/lessons/3-NeuralNetworks/README.md | 9 - .../4-ComputerVision/06-IntroCV/README.md | 11 +- .../4-ComputerVision/06-IntroCV/lab/README.md | 9 - .../07-ConvNets/CNN_Architectures.md | 13 +- .../4-ComputerVision/07-ConvNets/README.md | 11 +- .../07-ConvNets/lab/README.md | 9 - .../08-TransferLearning/README.md | 9 - .../08-TransferLearning/TrainingTricks.md | 9 - .../08-TransferLearning/lab/README.md | 9 - .../09-Autoencoders/README.md | 15 +- .../4-ComputerVision/10-GANs/README.md | 13 +- .../11-ObjectDetection/README.md | 9 - .../11-ObjectDetection/lab/README.md | 9 - .../12-Segmentation/README.md | 15 +- .../12-Segmentation/lab/README.md | 9 - .../mr/lessons/4-ComputerVision/README.md | 9 - .../mr/lessons/5-NLP/13-TextRep/README.md | 13 +- .../mr/lessons/5-NLP/13-TextRep/assignment.md | 9 - .../mr/lessons/5-NLP/14-Embeddings/README.md | 9 - .../lessons/5-NLP/14-Embeddings/assignment.md | 9 - .../5-NLP/15-LanguageModeling/README.md | 9 - .../5-NLP/15-LanguageModeling/lab/README.md | 9 - .../mr/lessons/5-NLP/16-RNN/README.md | 11 +- .../mr/lessons/5-NLP/16-RNN/assignment.md | 9 - .../5-NLP/17-GenerativeNetworks/README.md | 11 +- .../5-NLP/17-GenerativeNetworks/lab/README.md | 9 - .../lessons/5-NLP/18-Transformers/README.md | 11 +- .../5-NLP/18-Transformers/assignment.md | 9 - .../mr/lessons/5-NLP/19-NER/README.md | 11 +- .../mr/lessons/5-NLP/19-NER/lab/README.md | 9 - .../mr/lessons/5-NLP/20-LangModels/README.md | 9 - translations/mr/lessons/5-NLP/README.md | 9 - .../6-Other/21-GeneticAlgorithms/README.md | 9 - .../mr/lessons/6-Other/22-DeepRL/README.md | 11 +- .../lessons/6-Other/22-DeepRL/lab/README.md | 9 - .../6-Other/23-MultiagentSystems/README.md | 11 +- .../23-MultiagentSystems/assignment.md | 9 - translations/mr/lessons/7-Ethics/README.md | 9 - translations/mr/lessons/README.md | 9 - .../lessons/X-Extras/X1-MultiModal/README.md | 9 - .../mr/lessons/sketchnotes/LICENSE.md | 9 - translations/mr/lessons/sketchnotes/README.md | 9 - translations/mr/troubleshoot.md | 9 - translations/ne/.co-op-translator.json | 398 ++++++++++++++++++ translations/ne/AGENTS.md | 9 - translations/ne/README.md | 189 ++++----- translations/ne/SECURITY.md | 9 - translations/ne/etc/CODE_OF_CONDUCT.md | 9 - translations/ne/etc/CONTRIBUTING.md | 9 - translations/ne/etc/Mindmap.md | 9 - translations/ne/etc/SUPPORT.md | 9 - translations/ne/etc/TRANSLATIONS.md | 9 - translations/ne/etc/quiz-app/README.md | 9 - translations/ne/examples/README.md | 9 - .../ne/lessons/0-course-setup/for-teachers.md | 9 - .../ne/lessons/0-course-setup/how-to-run.md | 9 - .../ne/lessons/0-course-setup/setup.md | 9 - translations/ne/lessons/1-Intro/README.md | 9 - translations/ne/lessons/1-Intro/assignment.md | 9 - translations/ne/lessons/2-Symbolic/README.md | 17 +- .../ne/lessons/2-Symbolic/assignment.md | 9 - .../3-NeuralNetworks/03-Perceptron/README.md | 13 +- .../03-Perceptron/lab/README.md | 9 - .../04-OwnFramework/README.md | 11 +- .../04-OwnFramework/lab/README.md | 9 - .../3-NeuralNetworks/05-Frameworks/README.md | 9 - .../05-Frameworks/lab/README.md | 9 - .../ne/lessons/3-NeuralNetworks/README.md | 9 - .../4-ComputerVision/06-IntroCV/README.md | 11 +- .../4-ComputerVision/06-IntroCV/lab/README.md | 9 - .../07-ConvNets/CNN_Architectures.md | 13 +- .../4-ComputerVision/07-ConvNets/README.md | 11 +- .../07-ConvNets/lab/README.md | 9 - .../08-TransferLearning/README.md | 9 - .../08-TransferLearning/TrainingTricks.md | 9 - .../08-TransferLearning/lab/README.md | 9 - .../09-Autoencoders/README.md | 15 +- .../4-ComputerVision/10-GANs/README.md | 13 +- .../11-ObjectDetection/README.md | 9 - .../11-ObjectDetection/lab/README.md | 9 - .../12-Segmentation/README.md | 15 +- .../12-Segmentation/lab/README.md | 9 - .../ne/lessons/4-ComputerVision/README.md | 9 - .../ne/lessons/5-NLP/13-TextRep/README.md | 13 +- .../ne/lessons/5-NLP/13-TextRep/assignment.md | 9 - .../ne/lessons/5-NLP/14-Embeddings/README.md | 9 - .../lessons/5-NLP/14-Embeddings/assignment.md | 9 - .../5-NLP/15-LanguageModeling/README.md | 9 - .../5-NLP/15-LanguageModeling/lab/README.md | 9 - .../ne/lessons/5-NLP/16-RNN/README.md | 11 +- .../ne/lessons/5-NLP/16-RNN/assignment.md | 9 - .../5-NLP/17-GenerativeNetworks/README.md | 11 +- .../5-NLP/17-GenerativeNetworks/lab/README.md | 9 - .../lessons/5-NLP/18-Transformers/README.md | 11 +- .../5-NLP/18-Transformers/assignment.md | 9 - .../ne/lessons/5-NLP/19-NER/README.md | 11 +- .../ne/lessons/5-NLP/19-NER/lab/README.md | 9 - .../ne/lessons/5-NLP/20-LangModels/README.md | 9 - translations/ne/lessons/5-NLP/README.md | 9 - .../6-Other/21-GeneticAlgorithms/README.md | 9 - .../ne/lessons/6-Other/22-DeepRL/README.md | 11 +- .../lessons/6-Other/22-DeepRL/lab/README.md | 9 - .../6-Other/23-MultiagentSystems/README.md | 11 +- .../23-MultiagentSystems/assignment.md | 9 - translations/ne/lessons/7-Ethics/README.md | 9 - translations/ne/lessons/README.md | 9 - .../lessons/X-Extras/X1-MultiModal/README.md | 9 - .../ne/lessons/sketchnotes/LICENSE.md | 9 - translations/ne/lessons/sketchnotes/README.md | 9 - translations/ne/troubleshoot.md | 9 - translations/pa/.co-op-translator.json | 398 ++++++++++++++++++ translations/pa/AGENTS.md | 9 - translations/pa/README.md | 273 ++++++------ translations/pa/SECURITY.md | 9 - translations/pa/etc/CODE_OF_CONDUCT.md | 9 - translations/pa/etc/CONTRIBUTING.md | 9 - translations/pa/etc/Mindmap.md | 9 - translations/pa/etc/SUPPORT.md | 9 - translations/pa/etc/TRANSLATIONS.md | 9 - translations/pa/etc/quiz-app/README.md | 9 - translations/pa/examples/README.md | 9 - .../pa/lessons/0-course-setup/for-teachers.md | 9 - .../pa/lessons/0-course-setup/how-to-run.md | 9 - .../pa/lessons/0-course-setup/setup.md | 9 - translations/pa/lessons/1-Intro/README.md | 9 - translations/pa/lessons/1-Intro/assignment.md | 9 - translations/pa/lessons/2-Symbolic/README.md | 17 +- .../pa/lessons/2-Symbolic/assignment.md | 9 - .../3-NeuralNetworks/03-Perceptron/README.md | 13 +- .../03-Perceptron/lab/README.md | 9 - .../04-OwnFramework/README.md | 11 +- .../04-OwnFramework/lab/README.md | 9 - .../3-NeuralNetworks/05-Frameworks/README.md | 9 - .../05-Frameworks/lab/README.md | 9 - .../pa/lessons/3-NeuralNetworks/README.md | 9 - .../4-ComputerVision/06-IntroCV/README.md | 11 +- .../4-ComputerVision/06-IntroCV/lab/README.md | 9 - .../07-ConvNets/CNN_Architectures.md | 13 +- .../4-ComputerVision/07-ConvNets/README.md | 11 +- .../07-ConvNets/lab/README.md | 9 - .../08-TransferLearning/README.md | 9 - .../08-TransferLearning/TrainingTricks.md | 9 - .../08-TransferLearning/lab/README.md | 9 - .../09-Autoencoders/README.md | 15 +- .../4-ComputerVision/10-GANs/README.md | 13 +- .../11-ObjectDetection/README.md | 9 - .../11-ObjectDetection/lab/README.md | 9 - .../12-Segmentation/README.md | 15 +- .../12-Segmentation/lab/README.md | 9 - .../pa/lessons/4-ComputerVision/README.md | 9 - .../pa/lessons/5-NLP/13-TextRep/README.md | 13 +- .../pa/lessons/5-NLP/13-TextRep/assignment.md | 9 - .../pa/lessons/5-NLP/14-Embeddings/README.md | 9 - .../lessons/5-NLP/14-Embeddings/assignment.md | 9 - .../5-NLP/15-LanguageModeling/README.md | 9 - .../5-NLP/15-LanguageModeling/lab/README.md | 9 - .../pa/lessons/5-NLP/16-RNN/README.md | 11 +- .../pa/lessons/5-NLP/16-RNN/assignment.md | 9 - .../5-NLP/17-GenerativeNetworks/README.md | 11 +- .../5-NLP/17-GenerativeNetworks/lab/README.md | 9 - .../lessons/5-NLP/18-Transformers/README.md | 11 +- .../5-NLP/18-Transformers/assignment.md | 9 - .../pa/lessons/5-NLP/19-NER/README.md | 11 +- .../pa/lessons/5-NLP/19-NER/lab/README.md | 9 - .../pa/lessons/5-NLP/20-LangModels/README.md | 9 - translations/pa/lessons/5-NLP/README.md | 9 - .../6-Other/21-GeneticAlgorithms/README.md | 9 - .../pa/lessons/6-Other/22-DeepRL/README.md | 11 +- .../lessons/6-Other/22-DeepRL/lab/README.md | 9 - .../6-Other/23-MultiagentSystems/README.md | 11 +- .../23-MultiagentSystems/assignment.md | 9 - translations/pa/lessons/7-Ethics/README.md | 9 - translations/pa/lessons/README.md | 9 - .../lessons/X-Extras/X1-MultiModal/README.md | 9 - .../pa/lessons/sketchnotes/LICENSE.md | 9 - translations/pa/lessons/sketchnotes/README.md | 9 - translations/pa/troubleshoot.md | 9 - 201 files changed, 1591 insertions(+), 2176 deletions(-) create mode 100644 translations/mr/.co-op-translator.json create mode 100644 translations/ne/.co-op-translator.json create mode 100644 translations/pa/.co-op-translator.json diff --git a/translations/mr/.co-op-translator.json b/translations/mr/.co-op-translator.json new file mode 100644 index 00000000..6b7ce75d --- /dev/null +++ b/translations/mr/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-10-03T09:17:44+00:00", + "source_file": "AGENTS.md", + "language_code": "mr" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T01:35:22+00:00", + "source_file": "README.md", + "language_code": "mr" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-08-26T07:56:00+00:00", + "source_file": "SECURITY.md", + "language_code": "mr" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-08-26T11:17:15+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "mr" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-08-26T11:19:52+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "mr" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-08-26T11:22:27+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "mr" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-08-26T11:16:22+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "mr" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-08-26T11:18:27+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "mr" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-08-26T11:25:50+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "mr" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-10-03T11:29:04+00:00", + "source_file": "examples/README.md", + "language_code": "mr" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-08-26T11:12:14+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "mr" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-15T13:09:07+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "mr" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T19:32:12+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "mr" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-18T21:06:16+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "mr" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-18T21:08:19+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "mr" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-15T13:09:31+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "mr" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-08-26T11:07:09+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-09-23T07:10:15+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-08-29T06:46:20+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-09-23T07:09:50+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-08-26T10:29:23+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-09-23T07:10:35+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-08-26T10:35:21+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "mr" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-10-03T12:45:12+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-09-23T07:05:04+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-08-26T09:41:05+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-09-23T07:04:18+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-09-23T07:04:02+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-10-03T14:53:49+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-09-23T07:04:39+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-08-26T09:48:39+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-08-26T09:53:03+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-09-23T07:06:19+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-09-23T07:07:16+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-09-23T07:05:43+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-08-26T09:25:17+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-09-23T07:06:59+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-08-26T09:12:29+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "mr" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-08-26T09:02:54+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-09-23T07:13:38+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-08-26T08:28:45+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "mr" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-09-23T07:13:20+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-08-26T08:17:58+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "mr" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-09-23T07:11:31+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-08-26T08:32:16+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-09-23T07:12:53+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-08-26T08:13:06+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "mr" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-09-23T07:11:09+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-08-26T08:23:05+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-09-23T07:11:42+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-08-26T08:40:56+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "mr" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-09-23T07:12:34+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-08-26T08:50:53+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-09-23T07:12:14+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "mr" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-08-26T08:04:03+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "mr" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-09-23T07:02:22+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "mr" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-09-23T07:03:29+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "mr" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-08-26T10:16:53+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "mr" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-09-23T07:02:39+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "mr" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-08-26T10:11:19+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "mr" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-08-26T07:59:41+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "mr" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-08-26T07:57:25+00:00", + "source_file": "lessons/README.md", + "language_code": "mr" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-08-26T10:19:31+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "mr" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-08-26T10:47:42+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "mr" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-08-26T10:40:45+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "mr" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-10-03T09:40:20+00:00", + "source_file": "troubleshoot.md", + "language_code": "mr" + } +} \ No newline at end of file diff --git a/translations/mr/AGENTS.md b/translations/mr/AGENTS.md index 29e65429..59067d17 100644 --- a/translations/mr/AGENTS.md +++ b/translations/mr/AGENTS.md @@ -1,12 +1,3 @@ - # AGENTS.md ## प्रकल्पाचा आढावा diff --git a/translations/mr/README.md b/translations/mr/README.md index aadc594c..dfd6f5be 100644 --- a/translations/mr/README.md +++ b/translations/mr/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -21,158 +12,159 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# प्रारंभिकांसाठी कृत्रिम बुद्धिमत्ता - एक अभ्यासक्रम +# आरंभीसाठी कृत्रिम बुद्धिमत्ता - अभ्यासक्रम -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/mr/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/mr/ai-overview.0857791951d19500.webp)| |:---:| -| प्रारंभिकांसाठी एआय - _[@girlie_mac](https://twitter.com/girlie_mac) यांचा स्केचनोट_ | +| आरंभीसाठी AI - _स्केचनोद [@girlie_mac](https://twitter.com/girlie_mac) कडून_ | + +**कृत्रिम बुद्धिमत्तेच्या** (AI) जगाचा शोध घ्या आमच्या 12 आठवड्यांच्या, 24 धड्यांच्या अभ्यासक्रमासह! यात व्यावहारिक धडे, क्विझ आणि लॅब्स आहेत. हा अभ्यासक्रम नवशिक्यांसाठी अनुकूल आहे आणि यात TensorFlow आणि PyTorch सारख्या टूल्स तसेच AI मध्ये नैतिकता यांचा समावेश आहे. -**कृत्रिम बुद्धिमत्ता** (AI) च्या जगात १२ आठवड्यांच्या, २४ धड्यांच्या अभ्यासक्रमासह अन्वेषण करा! यात व्यावहारिक धडे, क्विझ आणि प्रयोगशाळा समाविष्ट आहेत. हा अभ्यासक्रम सुरुवातीसाठी सोपा असून TensorFlow आणि PyTorch सारखे साधने तसेच AI मधील नैतिकता यावरही भाष्य करतो. ### 🌐 बहुभाषिक समर्थन -#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत) +#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अपडेट असलेले) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियन](../bg/README.md) | [बर्मीज (म्यानमार)](../my/README.md) | [चीनी (सोपे)](../zh-CN/README.md) | [चीनी (परंपरागत, हॉंगकॉंग)](../zh-HK/README.md) | [चीनी (परंपरागत, मकाऊ)](../zh-MO/README.md) | [चीनी (परंपरागत, तैवान)](../zh-TW/README.md) | [क्रोएशियन](../hr/README.md) | [चेक](../cs/README.md) | [डॅनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियन](../et/README.md) | [फिन्निश](../fi/README.md) | [फ्रेंच](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिंदी](../hi/README.md) | [हंगेरीयन](../hu/README.md) | [इंडोनेशियन](../id/README.md) | [इटालियन](../it/README.md) | [जपानी](../ja/README.md) | [कन्नड](../kn/README.md) | [कोरियन](../ko/README.md) | [लिथुआनियन](../lt/README.md) | [मलय](../ms/README.md) | [मलयाळम](../ml/README.md) | [मराठी](./README.md) | [नेपाळी](../ne/README.md) | [नायजेरियन पिजिन](../pcm/README.md) | [नॉर्वेजियन](../no/README.md) | [फारसी (पर्शियन)](../fa/README.md) | [पोलीश](../pl/README.md) | [पॉर्चुगिज (ब्राझील)](../pt-BR/README.md) | [पॉर्चुगिज (पोर्तुगाल)](../pt-PT/README.md) | [पंजाबी (गुरमुखी)](../pa/README.md) | [रोमेनियन](../ro/README.md) | [रशियन](../ru/README.md) | [सर्बियन (सिरिलिक)](../sr/README.md) | [स्लोव्हाक](../sk/README.md) | [स्लोव्हेनियन](../sl/README.md) | [स्पॅनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [टगालॉग (फिलिपिनो)](../tl/README.md) | [तमिळ](../ta/README.md) | [तेलुगू](../te/README.md) | [थाई](../th/README.md) | [तुर्की](../tr/README.md) | [युक्रेनियन](../uk/README.md) | [उर्दू](../ur/README.md) | [व्हिएतनामीज](../vi/README.md) -> **स्थानिकरीत्या क्लोन करायचे प्राधान्य द्याल का?** +> **स्थानिक क्लोन प्राधान्य आहे का?** -> या रिपॉझिटरीमध्ये ५०+ भाषा अनुवादांचा समावेश आहे ज्यामुळे डाउनलोड आकार मोठा होतो. अनुवादांशिवाय क्लोन करण्यासाठी sparse checkout वापरा: +> हा संच 50+ भाषांमध्ये भाषांतरांसह आहे ज्यामुळे डाउनलोड आकार खूप वाढतो. भाषांतरांशिवाय क्लोन करण्यासाठी sparse checkout वापरा: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> हे तुम्हाला कोर्स पूर्ण करण्यासाठी आवश्यक असलेली सर्व काही अधिक वेगवान डाउनलोडसह देते. +> यामुळे तुम्हाला या अभ्यासक्रमासाठी आवश्यक असलेली सर्वकाही मिळते, त्याचबरोबर डाउनलोड देखील जलद होते. -**जर तुम्हाला अतिरिक्त अनुवाद भाषा आवश्यक असतील तर त्या [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध आहेत** +**जर तुम्हाला अतिरिक्त भाषांतरांसाठी समर्थन हवे असल्यास ते [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) दिलेले आहेत** ## समुदायात सामील व्हा [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -## तुम्ही काय शिकाल +## तुम्ही काय शिका -**[कोर्सचा मांडलेला नकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[अभ्यासक्रमाचा मनननकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -या अभ्यासक्रमात तुम्ही शिकाल: +या अभ्यासक्रमामध्ये, तुम्ही शिकाल: -* कृत्रिम बुद्धिमत्तेचे वेगवेगळे दृष्टिकोन, ज्यात "चांगल्या जुन्या" सांकेतिक दृष्टिकोनासह **ज्ञान प्रतिनिधित्व** आणि न्यायाने ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **न्यूरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI चे मुख्य आधार आहेत. आम्ही या महत्त्वाच्या विषयांमागील संकल्पना TensorFlow आणि PyTorch या दोन लोकप्रिय फ्रेमवर्कमधील कोड वापरून स्पष्ट करू. -* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्यूरल आर्किटेक्चर**. आम्ही अलीकडील मॉडेल्स कव्हर करू पण यामुळे अत्याधुनिक तंत्रज्ञानापासून थोडे काही कमी असू शकते. -* कमी लोकप्रिय AI दृष्टिकोन, जसे की **जैविक अल्गोरिदम** आणि **मल्टी-एजंट सिस्टिम्स**. +* कृत्रिम बुद्धिमत्तेचे विविध दृष्टिकोन, ज्यामध्ये "चांगला जुना" प्रतीकात्मक दृष्टिकोन सामील आहे ज्यामध्ये **ज्ञान सादरीकरण** आणि निर्णय प्रक्रिया ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) शिकवली आहे. +* **न्युरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI चे मूळ आहेत. आम्ही या महत्त्वाच्या विषयांच्या संकल्पना दोन लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) आणि [PyTorch](http://pytorch.org) मध्ये कोडद्वारे दाखवू. +* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्युरल आर्किटेक्चर्स**. आम्ही अलीकडील मॉडेल्स कव्हर करू पण कदाचित अत्याधुनिक स्थितीत थोडे कमी असू शकते. +* कमी लोकप्रिय AI पद्धती, जसे की **जिनेटिक अल्गोरिदम्स** आणि **मल्टी-एजंट सिस्टम्स**. -या अभ्यासक्रमात आम्ही काय समाविष्ट करणार नाही: +या अभ्यासक्रमात आम्ही काय कव्हर करणार नाही: -> [या कोर्ससाठी सर्व अतिरिक्त संसाधने Microsoft Learn संग्रहात येथे शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधनांचे Microsoft Learn संग्रह येथे शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* **AI इन बिजनेस** च्या व्यवसायिक केसांचा विचार करणे. Microsoft Learn वरील [व्यवसाय वापरकर्त्यांसाठी AI परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) किंवा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जे [INSEAD](https://www.insead.edu/) सोबत सहकार्यात विकसित केले आहे, यांचा विचार करा. -* **क्लासिक मशीन लर्निंग**, ज्याचे वर्णन आमच्या [मशीन लर्निंग फॉर बिगिनर्स कॅरिक्युलम](http://github.com/Microsoft/ML-for-Beginners) मध्ये आहे. -* व्यावहारिक AI अनुप्रयोग **[कॉग्निटिव्ह सर्व्हिसेस](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून. यासाठी आम्ही Microsoft Learn मधील [दृष्टी](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [नैसर्गिक भाषा प्रक्रिया](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा वापरून जनरेटिव्ह AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतर मॉड्यूल सुरु करण्याची शिफारस करतो. -* विशिष्ट ML **क्लाउड फ्रेमवर्क्स**, जसे की [Azure मशीन लर्निंग](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure ML सेवा वापरून मशीन लर्निंग सोल्यूशन्स तयार आणि चालवा](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Azure Databricks वापरून मशीन लर्निंग सोल्यूशन्स तयार व चालवा](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याच्या मार्गांचा विचार करा. -* **संवादात्मक AI** आणि **चॅट बॉट्स**. हा वेगळा [संवादात्मक AI सोल्यूशन्स तयार करा](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग आहे, तसेच तुम्ही [या ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ला अधिक तपशीलासाठी पाहू शकता. -* डीप लर्निंगच्या मागील **गहन गणिताचा** भाग. यासाठी Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांनी लिहिलेल्या [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) या पुस्तकाला आम्ही शिफारस करतो, जे ऑनलाइन https://www.deeplearningbook.org/ वर उपलब्ध आहे. +* **व्यवसायातील AI** च्या व्यवसायिक बाबी. Microsoft Learn वरील [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum), किंवा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जे [INSEAD](https://www.insead.edu/) सोबत सहकार्यासाठी विकसित केले आहे, घेण्याचा विचार करा. +* **क्लासिक मशीन लर्निंग**, जे आमच्या [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मध्ये चांगल्या प्रकारे वर्णन केले आहे. +* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून बनवलेल्या व्यावहारिक AI अनुप्रयोग. यासाठी, Microsoft Learn वरचे [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतर मॉड्यूल्स वापरण्याची शिफारस करतो. +* विशिष्ट ML **क्लाउड फ्रेमवर्क्स**, जसे की [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचे मार्ग वापरण्याचा विचार करा. +* **संवादात्मक AI** आणि **चॅट बॉट्स**. एक स्वतंत्र [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग आहे, आणि तुम्ही अधिक तपशीलासाठी [हा ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) देखील पाहू शकता. +* डीप लर्निंगच्या मागील **गहन गणिती सिद्धांत**. यासाठी, आम्ही Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांचे [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) पुस्तक सुचवतो, जे ऑनलाइन [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) वर उपलब्ध आहे. -_क्लाउडमधील AI_ विषयांच्या सौम्य परिचयासाठी [Azure वर कृत्रिम बुद्धिमत्तीसह प्रारंभ करा](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग विचारात घ्या. +_एजूरवरील AI_ विषयांसाठी एक सौम्य ओळखीकरिता, तुम्ही [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग घेऊ शकता. -# सामग्री +# आशय -| | धडा लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाळा | +| | धड्याचा दुवा | PyTorch/Keras/TensorFlow | लॅब | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास वातावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | | +| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास पर्यावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | | | I | [**AI परिचय**](./lessons/1-Intro/README.md) | | | -| 01 | [AI ची ओळख आणि इतिहास](./lessons/1-Intro/README.md) | - | - | -| II | **सांकेतिक AI** | -| 02 | [ज्ञान प्रतिनिधित्व आणि तज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ओन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्पना ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 01 | [AI चे परिचय आणि इतिहास](./lessons/1-Intro/README.md) | - | - | +| II | **प्रतीकात्मक AI** | +| 02 | [ज्ञान सादरीकरण आणि तज्ज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ऑंटॉलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्पना ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**न्यूरल नेटवर्क्स परिचय**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [परसेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [मल्टि-लेयर्ड परसेप्ट्रॉन आणि आपला स्वतःचा फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [फ्रेमवर्कसाठी परिचय (PyTorch/TensorFlow) आणि ओव्हरफिटिंग](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**कंप्युटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [मायक्रोसॉफ्ट अझूरवर कंप्युटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [कंप्युटर व्हिजनसाठी परिचय. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [कॉनव्होल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [ट्रेनिंग ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [ऑटोएनकोडर्स आणि VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [जेनरेटिव अ‍ॅडव्हरसारियल नेटवर्क्स आणि आर्टिस्टिक स्टाइल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [सेमांटिक सेगमेंटेशन. U-नेट](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | -| V | [**नैसर्गिक भाषा प्रक्रिया**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [मायक्रोसॉफ्ट अझूरवर नैसर्गिक भाषा प्रक्रिया एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [टेक्स्ट प्रतिनिधित्व. बाओ/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | -| 14 | [सेमांटिक शब्द एम्बेडिंग्ज. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [भाषा मॉडेलिंग. आपले स्वतःचे एम्बेडिंग्ज प्रशिक्षण द्या](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 03 | [पर्सेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [लॅब](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [मल्टी-लेयर्ड पर्सेप्ट्रॉन आणि आपले स्वतःचे फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [लॅब](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [फ्रेमवर्क परिचय (PyTorch/TensorFlow) आणि ओव्हरफिटिंग](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लॅब](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**कंप्यूटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure वर कंप्यूटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [कंप्यूटर व्हिजन परिचय. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [लॅब](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [कन्व्होल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [लॅब](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [ट्रेनिंग ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लॅब](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [ऑटोएन्कोडर्स आणि VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [जनरेटिव्ह अ‍ॅडव्हर्सेरियल नेटवर्क्स & आर्टिस्टिक स्टाईल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [लॅब](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [सेमॅंटिक सेगमेंटेशन. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | +| V | [**नॅचरल लँग्वेज प्रोसेसिंग**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure वर नॅचरल लँग्वेज प्रोसेसिंग एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 13 | [टेक्स्ट प्रतिनिधीत्व. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | +| 14 | [सेमॅंटिक वर्ड एम्बेडिंग्ज. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [लँग्वेज मॉडेलिंग. आपले स्वतःचे एम्बेडिंग्ज ट्रेनिंग](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [लॅब](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | | 16 | [रकरंट न्यूरल नेटवर्क्स](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | -| 17 | [जेनरेटिव रकरंट नेटवर्क्स](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | -| 18 | [ट्रांसफॉर्मर्स. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [नामित घटक ओळख](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [मोठे भाषा मॉडेल्स, प्रॉम्प्ट प्रोग्रामिंग आणि फ्यु-शॉट टास्क](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **इतर AI तंत्रे** || | -| 21 | [जेनेटिक अल्गोरिदम्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [डीप रिइन्फोर्समेंट लर्निंग](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [प्रयोगशाळा](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [मल्टि-एजंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | | -| VII | **AI नीतिशास्त्र** | | | -| 24 | [AI नीतिशास्त्र आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 17 | [जनरेटिव्ह रकरंट नेटवर्क्स](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [लॅब](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 18 | [ट्रान्सफॉर्मर्स. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | +| 19 | [नामित एंटिटी ओळख](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [लॅब](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [मोठे लँग्वेज मॉडेल्स, प्रॉम्प्ट प्रोग्रामिंग आणि फ्यू-शॉट टास्क्स](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| VI | **इतर AI तंत्रज्ञान** || | +| 21 | [जनिटिक अल्गोरिदम्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [डीप रिइनफोर्समेंट लर्निंग](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [लॅब](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [मल्टी-एजंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| VII | **AI नैतिकता** | | | +| 24 | [AI नैतिकता आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **अतिरिक्त** | | | -| 25 | [मल्टि-मोडल नेटवर्क्स, CLIP आणि VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 25 | [मल्टी-मॉडल नेटवर्क्स, CLIP आणि VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## प्रत्येक धडा यामध्ये असतो * पूर्व-अभ्यास साहित्य -* अंमलात आणता येण्याजोगे जुपिटर नोटबुक्स, जे अनेकदा फ्रेमवर्कसाठी विशेष ( **PyTorch** किंवा **TensorFlow** ) असतात. अंमलात आणता येणाऱ्या नोटबुकमध्ये बरेच सैद्धांतिक साहित्य देखील असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला नोटबुकच्या किमान एका आवृत्तीचा (PyTorch किंवा TensorFlow) अभ्यास करावा लागेल. -* काही विषयांसाठी **प्रयोगशाळा** उपलब्ध आहेत, ज्यामुळे तुम्हाला तुम्ही शिकलेल्या साहित्याचा उपयोग एखाद्या विशिष्ट समस्येवर करण्याची संधी मिळते. -* काही विभागांमध्ये संबंधित विषय झाकणाऱ्या [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूल्ससाठी दुवे आहेत. +* अंमलात आणण्यायोग्य जुपिटर नोटबुक्स, जे सहसा फ्रेमवर्कशी (**PyTorch** किंवा **TensorFlow**) संबंधित असतात. अंमलात आणण्यायोग्य नोटबुकमध्ये बरेच सैद्धांतिक साहित्य देखील असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला नोटबुकचा किमान एक आवृत्ती (PyTorch किंवा TensorFlow) पाहावी लागते. +* काही विषयांसाठी उपलब्ध **लॅब्स**, जे तुम्हाला शिकलेल्या सामग्रीला विशिष्ट समस्येवर लागू करण्याचा प्रयत्न करण्याची संधी देतात. +* काही विभागांमध्ये [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूलसाठी दुवे असतात, जे संबंधित विषयं कव्हर करतात. ## सुरुवात करणे -### 🎯 AI मध्ये नवीन आहात? येथे प्रारंभ करा! +### 🎯 AI मध्ये नवीन आहात? येथे सुरू करा! -जर तुम्ही पूर्णपणे AI मध्ये नवीन असाल आणि जलद, अभ्यासात्मक उदाहरणे पाहू इच्छित असाल, तर आमचे [**सुरुवातीसाठी सोपे उदाहरणे**](./examples/README.md) पाहा! यात समाविष्ट आहेत: +जर तुम्ही पूर्णपणे AI मध्ये नवीन असाल आणि जलद, व्यावहारिक उदाहरण पहायचे असेल, तर आमचे [**नवशिक्यासाठी सुलभ उदाहरणे**](./examples/README.md) पाहा! यामध्ये समाविष्ट आहे: - 🌟 **हॅलो AI वर्ल्ड** - तुमचा पहिला AI प्रोग्राम (पॅटर्न ओळख) -- 🧠 **साधा न्यूरल नेटवर्क** - शून्यातून न्यूरल नेटवर्क तयार करा -- 🖼️ **इमेज क्लासिफायर** - तपशीलवार टिपणीसह प्रतिमा वर्गीकरण करा -- 💬 **मजकूराची भावना** - सकारात्मक/नकारात्मक मजकूराचे विश्लेषण करा +- 🧠 **सिंपल न्यूरल नेटवर्क** - स्क्रॅचपासून न्यूरल नेटवर्क तयार करा +- 🖼️ **प्रतिमा वर्गीकरणकर्ता** - सविस्तर टिप्पण्या देऊन प्रतिमा वर्गीकरण करा +- 💬 **टेक्स्ट भावना** - सकारात्मक/नकारात्मक मजकूर विश्लेषित करा -हे उदाहरणे तुम्हाला संपूर्ण अभ्यासक्रमात प्रवेश करण्यापूर्वी AI संकल्पना समजून घेण्यासाठी तयार केली आहेत. +ही उदाहरणे तुम्हाला AI संकल्पना समजून घेण्यासाठी पूर्ण अभ्यासक्रमात पुढे जाण्यापूर्वी मदत करण्यासाठी तयार केलेली आहेत. -### 📚 संपूर्ण अभ्यासक्रमाची स्थापना +### 📚 पूर्ण अभ्यासक्रम सेटअप -- आम्ही तुमच्या विकास पर्यावरणाच्या स्थापनेस मदत करण्यासाठी एक [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे. - शिक्षकांसाठी, आम्ही तुमच्यासाठी एक [अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) पण तयार केला आहे! -- VSCode किंवा Codespace मध्ये [कोड कसा चालवावा](./lessons/0-course-setup/how-to-run.md) +- आम्ही तुम्हाला तुमचे विकास पर्यावरण सेटअप करण्यात मदत करण्यासाठी एक [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे. - शिक्षणदात्यांसाठी आम्ही [अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) देखील तयार केला आहे! +- VSCode किंवा Codespace मध्ये [कोड कसा चालवायचा](./lessons/0-course-setup/how-to-run.md) -या पायऱ्या अनुसरा: +हे चरण पाळा: -रेपॉझिटरी फोर्क करा: या पृष्ठाच्या वरच्या- उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा. +रिपॉझिटरी फोर्क करा: या पानाच्या वर उजव्या कोपरीवर "Fork" बटणावर क्लिक करा. -रेपॉझिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git` +रिपॉझिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git` -नंतर पुन्हा शोधण्यासाठी या रेपॉझिटरीला स्टार (🌟) देणे विसरू नका. +हे रेपो नंतर सापडायला सोपे व्हावे म्हणून नक्कीच स्टार (🌟) करा. ## इतर शिकणाऱ्यांशी भेटा -आमच्या [अधिकृत AI डिस्कॉर्ड सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा जेथे तुम्ही हा कोर्स करीत असलेल्या इतर शिकणाऱ्यांशी भेटू शकता आणि नेटवर्किंग करू शकता तसेच सहाय्यता मिळवा. +या कोर्स करत असलेल्या इतर शिकणाऱ्यांशी भेटण्यासाठी आणि जाळे तयार करण्यासाठी आमच्या [अधिकृत AI Discord सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा व मदत मिळवा. -तुमच्याकडे उत्पादनाबाबत अभिप्राय किंवा प्रश्न असल्यास आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या. +जर तुम्हाला उत्पादनावर अभिप्राय किंवा प्रश्न असतील तर आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या. -## प्रश्नमंजुषा +## क्विझेस -> **प्रश्नमंजुषा बद्दल एक नोंद**: सर्व प्रश्नमंजुषा etc\quiz-app मधील Quiz-app फोल्डरमध्ये आहेत, किंवा [ऑनलाइन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांतून लिंक केलेल्या आहेत, प्रश्नमंजुषा अॅप स्थानिकरित्या चालवता येतो किंवा Azure वर तैनात करता येतो; `quiz-app` फोल्डरमधील सूचना अनुसरा. त्यांचा हळूहळू स्थानिकीकरण केले जात आहे. +> **क्विझ्स संदर्भातील एक टीप**: सर्व क्विझेस `etc\quiz-app` मधील Quiz-app फोल्डरमध्ये आहेत किंवा [ऑनलाईन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांच्या आत लिंक केलेल्या आहेत. क्विझ अॅप स्थानिकपणे चालवता येतो किंवा Azure वर वितरित करता येतो; `quiz-app` फोल्डरमधील सूचनांचे पालन करा. त्यांचे स्थानिकीकरण हळूहळू केले जात आहे. -## सहाय्य हवे आहे +## मदतीसाठी हवे आहे -तुमच्याकडे सूचना आहेत का किंवा तुम्हाला स्पेलिंग किंवा कोडमध्ये चुका सापडल्या का? समस्या उघडा किंवा पुल विनंती तयार करा. +तुमच्याकडे सूचना आहेत का किंवा कोणतेही स्पेलिंग किंवा कोड त्रुटी सापडल्या आहेत का? कृपया इश्यू उघडा किंवा पुल विनंती तयार करा. -## विशेष धन्यवाद +## विशेष आभार * **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 संपादक:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 स्केचनोट झाडण्यारा:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ प्रश्नमंजुषा तयार करणारा:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🎨 स्केच नोट चित्रकार:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **✅ क्विझ निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 मुख्य योगदानकर्ते:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## इतर अभ्यासक्रम -आमची टीम इतर अभ्यासक्रम तयार करते! पहा: +आमची टीम इतर अभ्यासक्रम देखील तयार करते! पहा: ### LangChain @@ -189,7 +181,7 @@ _क्लाउडमधील AI_ विषयांच्या सौम् --- -### Generative AI Series +### जनरेटिव AI सिरीज [![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) @@ -197,7 +189,7 @@ _क्लाउडमधील AI_ विषयांच्या सौम् --- -### मुख्य शिका +### कोअर शिक्षण [![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -208,25 +200,25 @@ _क्लाउडमधील AI_ विषयांच्या सौम् --- -### Copilot मालिका +### Copilot सिरीज [![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## मदत मिळवा +## मदत घेणे -जर तुम्हाला कुठे अडचण येत असेल किंवा AI अॅप्स तयार करताना प्रश्न असतील तर MCP बद्दल चर्चा करण्यासाठी इतर शिकणाऱ्या आणि अनुभवी विकसकांसह सामील व्हा. हे एक सहाय्यपूर्ण समुदाय आहे जिथे प्रश्न विचारणे स्वागतार्ह आहे आणि ज्ञान मुक्तपणे वाटले जाते. +जर तुम्हाला अडचण आली किंवा AI अॅप्स बनवताना काही प्रश्न असतील तर. MCP बद्दल चर्चा करणाऱ्या इतर शिकणाऱ्यांशी आणि अनुभवी विकसकांशी जोडा. हे एक सहायक समुदाय आहे जिथे प्रश्नांचे स्वागत केले जाते आणि ज्ञान मुक्तपणे सामायिक केले जाते. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -जर तुम्हाला उत्पादनाबाबत अभिप्राय किंवा तयार करताना त्रुटी आढळल्या तर भेट द्या: +जर तुम्हाला उत्पादनावर अभिप्राय किंवा त्रुटी असतील तर येथे भेट द्या: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**जबाबदारीची सूचना**: -हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित केला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये चुका किंवा तफावत असू शकतात. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला जातो. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजुतीसाठी किंवा चुकीच्या अर्थसंकल्पासाठी आम्ही जबाबदार नाही. +**अस्वीकरण**: +हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) द्वारे भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये चुका किंवा अचूकतेच्या दोष असू शकतात. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीकरिता व्यावसायिक मानवी भाषांतर शिफारसीय आहे. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजुतीसाठी किंवा चुकीच्या अर्थसंग्रहासाठी आम्ही जबाबदार नाही. \ No newline at end of file diff --git a/translations/mr/SECURITY.md b/translations/mr/SECURITY.md index 3ca5a781..74af7413 100644 --- a/translations/mr/SECURITY.md +++ b/translations/mr/SECURITY.md @@ -1,12 +1,3 @@ - ## सुरक्षा मायक्रोसॉफ्ट आपल्या सॉफ्टवेअर उत्पादने आणि सेवांच्या सुरक्षेला प्राधान्य देते, ज्यामध्ये आमच्या GitHub संस्थांद्वारे व्यवस्थापित केलेल्या सर्व स्रोत कोड रिपॉझिटरीजचा समावेश होतो. यामध्ये [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), आणि [आमच्या GitHub संस्थांचा](https://opensource.microsoft.com/) समावेश आहे. diff --git a/translations/mr/etc/CODE_OF_CONDUCT.md b/translations/mr/etc/CODE_OF_CONDUCT.md index 5fdfd5ff..9b3becaf 100644 --- a/translations/mr/etc/CODE_OF_CONDUCT.md +++ b/translations/mr/etc/CODE_OF_CONDUCT.md @@ -1,12 +1,3 @@ - # Microsoft ओपन सोर्स आचारसंहिता या प्रकल्पाने [Microsoft ओपन सोर्स आचारसंहिता](https://opensource.microsoft.com/codeofconduct/) स्वीकारली आहे. diff --git a/translations/mr/etc/CONTRIBUTING.md b/translations/mr/etc/CONTRIBUTING.md index b43099e2..80394549 100644 --- a/translations/mr/etc/CONTRIBUTING.md +++ b/translations/mr/etc/CONTRIBUTING.md @@ -1,12 +1,3 @@ - # योगदान देणे या प्रकल्पात योगदान आणि सूचना स्वागतार्ह आहेत. बहुतेक योगदानांसाठी तुम्हाला Contributor License Agreement (CLA) सहमत होणे आवश्यक आहे, ज्यामध्ये तुम्ही जाहीर करता की तुम्हाला तुमचे योगदान वापरण्याचे अधिकार आहेत आणि तुम्ही आम्हाला ते अधिकार प्रत्यक्षात देत आहात. अधिक माहितीसाठी, https://cla.microsoft.com ला भेट द्या. diff --git a/translations/mr/etc/Mindmap.md b/translations/mr/etc/Mindmap.md index f1a9c9c4..87aa329e 100644 --- a/translations/mr/etc/Mindmap.md +++ b/translations/mr/etc/Mindmap.md @@ -1,12 +1,3 @@ - # एआय (AI) ## [एआयची ओळख](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) diff --git a/translations/mr/etc/SUPPORT.md b/translations/mr/etc/SUPPORT.md index 84862cb3..e2cc3e9b 100644 --- a/translations/mr/etc/SUPPORT.md +++ b/translations/mr/etc/SUPPORT.md @@ -1,12 +1,3 @@ - # समर्थन ## समस्या नोंदविणे आणि मदत कशी मिळवायची diff --git a/translations/mr/etc/TRANSLATIONS.md b/translations/mr/etc/TRANSLATIONS.md index 0398a0f0..1cf6d018 100644 --- a/translations/mr/etc/TRANSLATIONS.md +++ b/translations/mr/etc/TRANSLATIONS.md @@ -1,12 +1,3 @@ - # पाठांचे भाषांतर करून योगदान द्या आम्ही या अभ्यासक्रमातील पाठांसाठी भाषांतरांचे स्वागत करतो! diff --git a/translations/mr/etc/quiz-app/README.md b/translations/mr/etc/quiz-app/README.md index 097fab13..0d2b0641 100644 --- a/translations/mr/etc/quiz-app/README.md +++ b/translations/mr/etc/quiz-app/README.md @@ -1,12 +1,3 @@ - # क्विझेस ही क्विझेस AI अभ्यासक्रमासाठीच्या पूर्व आणि पश्चात व्याख्यानांसाठी आहेत: https://aka.ms/ai-beginners diff --git a/translations/mr/examples/README.md b/translations/mr/examples/README.md index 1ff1c69c..3bd36092 100644 --- a/translations/mr/examples/README.md +++ b/translations/mr/examples/README.md @@ -1,12 +1,3 @@ - # AI साठी सोपे उदाहरणे स्वागत आहे! या डिरेक्टरीमध्ये AI आणि मशीन लर्निंगसाठी सुरुवात करण्यासाठी सोपी, स्वतंत्र उदाहरणे आहेत. प्रत्येक उदाहरण नवशिक्यांसाठी उपयुक्त असून त्यामध्ये सविस्तर टिप्पण्या आणि टप्प्याटप्प्याने स्पष्टीकरण दिले आहे. diff --git a/translations/mr/lessons/0-course-setup/for-teachers.md b/translations/mr/lessons/0-course-setup/for-teachers.md index 820b6407..c0165f3b 100644 --- a/translations/mr/lessons/0-course-setup/for-teachers.md +++ b/translations/mr/lessons/0-course-setup/for-teachers.md @@ -1,12 +1,3 @@ - # शिक्षकांसाठी तुम्हाला हा अभ्यासक्रम तुमच्या वर्गात वापरायचा आहे का? कृपया जरूर वापरा! diff --git a/translations/mr/lessons/0-course-setup/how-to-run.md b/translations/mr/lessons/0-course-setup/how-to-run.md index 4873b28e..010a1f3b 100644 --- a/translations/mr/lessons/0-course-setup/how-to-run.md +++ b/translations/mr/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # कोड कसा चालवायचा या अभ्यासक्रमात चालवायच्या उदाहरणे आणि लॅब्स बऱ्याच आहेत. हे चालवण्यासाठी, तुम्हाला Jupyter Notebooks मध्ये Python कोड एक्सेक्यूट करण्याची क्षमता आवश्यक आहे जी या अभ्यासक्रमाचा भाग म्हणून दिली आहे. कोड चालवण्यासाठी तुम्हाकडे काही पर्याय आहेत: diff --git a/translations/mr/lessons/0-course-setup/setup.md b/translations/mr/lessons/0-course-setup/setup.md index 6c1c2944..1277f7ef 100644 --- a/translations/mr/lessons/0-course-setup/setup.md +++ b/translations/mr/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # या अभ्यासक्रमासह सुरुवात करा ## तुम्ही विद्यार्थी आहात का? diff --git a/translations/mr/lessons/1-Intro/README.md b/translations/mr/lessons/1-Intro/README.md index 0a06a89d..8cc9086b 100644 --- a/translations/mr/lessons/1-Intro/README.md +++ b/translations/mr/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # AI ची ओळख ![AI ची ओळख यावरील सामग्रीचा डूडलमध्ये सारांश](../../../../translated_images/mr/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/mr/lessons/1-Intro/assignment.md b/translations/mr/lessons/1-Intro/assignment.md index 3a285110..1c3dbb3b 100644 --- a/translations/mr/lessons/1-Intro/assignment.md +++ b/translations/mr/lessons/1-Intro/assignment.md @@ -1,12 +1,3 @@ - # गेम जॅम गेम्स हा असा एक क्षेत्र आहे ज्यावर AI आणि ML च्या प्रगतीचा मोठा प्रभाव पडला आहे. या असाइनमेंटमध्ये, तुम्हाला अशा गेमबद्दल एक लघुपत्र लिहायचे आहे जो तुम्हाला आवडतो आणि जो AI च्या उत्क्रांतीमुळे प्रभावित झाला आहे. हा गेम इतका जुना असावा की त्यावर विविध प्रकारच्या संगणकीय प्रक्रिया प्रणालींचा प्रभाव पडलेला असेल. चेस किंवा गो हे चांगले उदाहरण आहे, पण पाँग किंवा पॅक-मॅनसारख्या व्हिडिओ गेम्सकडेही लक्ष द्या. या निबंधात गेमचा भूतकाळ, वर्तमान आणि AI च्या भविष्यासंबंधी चर्चा करा. diff --git a/translations/mr/lessons/2-Symbolic/README.md b/translations/mr/lessons/2-Symbolic/README.md index eed69134..e1b966b8 100644 --- a/translations/mr/lessons/2-Symbolic/README.md +++ b/translations/mr/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # ज्ञान सादरीकरण आणि तज्ज्ञ प्रणाली -![Symbolic AI सामग्रीचा सारांश](../../../../../../translated_images/mr/ai-symbolic.715a30cb610411a6.webp) +![Symbolic AI सामग्रीचा सारांश](../../../../translated_images/mr/ai-symbolic.715a30cb610411a6.webp) > स्केचनोट [Tomomi Imura](https://twitter.com/girlie_mac) यांच्या कडून @@ -41,7 +32,7 @@ Symbolic AI मध्ये एक महत्वाचा संकल्प म्हणून, **ज्ञान सादरीकरण** ची समस्या म्हणजे ज्ञान कॉम्प्युटरच्या आत डेटा स्वरूपात प्रभावीपणे सादर करण्याचा काही मार्ग शोधणे, ज्यामुळे ते स्वयंचलितपणे वापरता येईल. हा एक स्पेक्ट्रम म्हणून पाहिला जाऊ शकतो: -![ज्ञान सादरीकरण स्पेक्ट्रम](../../../../../../translated_images/mr/knowledge-spectrum.b60df631852c0217.webp) +![ज्ञान सादरीकरण स्पेक्ट्रम](../../../../translated_images/mr/knowledge-spectrum.b60df631852c0217.webp) > प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांनी दिलेली @@ -94,7 +85,7 @@ Untyped-Language | नाही आहे | प्रकार व्याख Symbolic AI चा एक प्रारंभिक यश म्हणजे **तज्ज्ञ प्रणाली** - संगणक प्रणाली जी काही मर्यादित समस्या क्षेत्रात तज्ज्ञ म्हणून काम करण्यासाठी तयार केली गेली होती. त्या मानवी तज्ज्ञांकडून घेतलेले **ज्ञान आधार** वापरत होत्या आणि त्यामध्ये काही तर्कशक्ती करणारी **अश्रित यंत्रणा** असायची. -![मानवी वास्तुकला](../../../../../../translated_images/mr/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../../../translated_images/mr/arch-kbs.3ec5c150b09fa8da.webp) +![मानवी वास्तुकला](../../../../translated_images/mr/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/mr/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ मानवी न्यूरल सिस्टमची साधी रूपरेषा | ज्ञान-आधारित प्रणालीची वास्तुकला @@ -106,7 +97,7 @@ Symbolic AI चा एक प्रारंभिक यश म्हणजे उदाहरणार्थ, खालील वनस्पतींच्या शारीरिक वैशिष्ट्यांवरून प्राणी ओळखण्याची तज्ज्ञ प्रणाली पाहू: -![AND-OR झाड](../../../../../../translated_images/mr/AND-OR-Tree.5592d2c70187f283.webp) +![AND-OR झाड](../../../../translated_images/mr/AND-OR-Tree.5592d2c70187f283.webp) > प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांनी दिलेली diff --git a/translations/mr/lessons/2-Symbolic/assignment.md b/translations/mr/lessons/2-Symbolic/assignment.md index bc9a55bf..2766018d 100644 --- a/translations/mr/lessons/2-Symbolic/assignment.md +++ b/translations/mr/lessons/2-Symbolic/assignment.md @@ -1,12 +1,3 @@ - # ऑंटोलॉजी तयार करा ज्ञानाचा आधार तयार करणे म्हणजे एखाद्या विषयाबद्दल तथ्यांचे प्रतिनिधित्व करणाऱ्या मॉडेलचे वर्गीकरण करणे होय. एखादा विषय निवडा - जसे की व्यक्ती, स्थान किंवा वस्तू - आणि त्या विषयाचा मॉडेल तयार करा. या धड्यात वर्णन केलेल्या काही तंत्र आणि मॉडेल तयार करण्याच्या रणनीतींचा वापर करा. उदाहरणार्थ, फर्निचर, दिवे वगैरे असलेल्या लिव्हिंग रूमची ऑंटोलॉजी तयार करणे. लिव्हिंग रूम किचनपासून कशी वेगळी आहे? बाथरूमपासून कशी वेगळी आहे? तुम्हाला कसे कळते की ती लिव्हिंग रूम आहे आणि डायनिंग रूम नाही? तुमची ऑंटोलॉजी तयार करण्यासाठी [Protégé](https://protege.stanford.edu/) वापरा. diff --git a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md index 228bd3a1..a9b7c73c 100644 --- a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # न्यूरल नेटवर्क्सची ओळख: परसेप्ट्रॉन ## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/5) @@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA: | | | |--------------|-----------| -|Frank Rosenblatt | The Mark 1 Perceptron| +|Frank Rosenblatt | The Mark 1 Perceptron| > प्रतिमा [विकिपीडियावरून](https://en.wikipedia.org/wiki/Perceptron) @@ -34,7 +25,7 @@ y(x) = f(wTx) जिथे f हा एक स्टेप अ‍ॅक्टिवेशन फंक्शन आहे - + ## परसेप्ट्रॉनचे प्रशिक्षण diff --git a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index 2ec50eb1..dbefb2e4 100644 --- a/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,12 +1,3 @@ - # मल्टी-क्लास वर्गीकरण परसेप्ट्रॉनसह [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 25bbc9b7..176fadda 100644 --- a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # न्यूरल नेटवर्क्सची ओळख. मल्टी-लेयर्ड परसेप्ट्रॉन मागील विभागात, तुम्ही सर्वात सोपा न्यूरल नेटवर्क मॉडेल - एक-स्तरीय परसेप्ट्रॉन, एक रेषीय दोन-वर्ग वर्गीकरण मॉडेल, याबद्दल शिकले. @@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: लक्षात घ्या की या सर्व अभिव्यक्तींचा डाव्या बाजूचा भाग समान आहे, आणि त्यामुळे आपण लॉस फंक्शनपासून सुरुवात करून "मागे" संगणकीय ग्राफद्वारे डेरिव्हेटिव्ह्ज प्रभावीपणे गणना करू शकतो. त्यामुळे मल्टी-लेयर्ड परसेप्ट्रॉन प्रशिक्षणाची पद्धत **backpropagation**, किंवा 'backprop' म्हणून ओळखली जाते. -compute graph +compute graph > TODO: प्रतिमेचा संदर्भ diff --git a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index b43136b8..6902205d 100644 --- a/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,12 +1,3 @@ - # आमच्या स्वतःच्या फ्रेमवर्कसह MNIST वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 73a5607a..5389a2ce 100644 --- a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # न्यूरल नेटवर्क फ्रेमवर्क्स आम्ही आधीच शिकलो आहोत की, न्यूरल नेटवर्क्स कार्यक्षमतेने प्रशिक्षण देण्यासाठी आपल्याला दोन गोष्टी कराव्या लागतात: diff --git a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index a206ced7..db7a753f 100644 --- a/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,12 +1,3 @@ - # PyTorch/TensorFlow सह वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/3-NeuralNetworks/README.md b/translations/mr/lessons/3-NeuralNetworks/README.md index 2edc06a1..5f902f56 100644 --- a/translations/mr/lessons/3-NeuralNetworks/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # न्यूरल नेटवर्क्सची ओळख ![न्यूरल नेटवर्क्सच्या परिचयाचा सारांश एका चित्रात](../../../../translated_images/mr/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md index 8bfd8ebb..c7f5073b 100644 --- a/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # संगणक दृष्टिकोनाची ओळख [संगणक दृष्टिकोन](https://wikipedia.org/wiki/Computer_vision) ही एक शाखा आहे ज्याचा उद्देश संगणकांना डिजिटल प्रतिमांचे उच्च-स्तरीय आकलन मिळवून देणे आहे. ही व्याख्या खूप व्यापक आहे कारण *आकलन* याचा अर्थ अनेक गोष्टी असू शकतो, जसे की प्रतिमेत एखादी वस्तू शोधणे (**वस्तू शोध**), काय चालले आहे हे समजून घेणे (**घटना शोध**), प्रतिमेचे वर्णन मजकुरात करणे, किंवा दृश्य 3D मध्ये पुन्हा तयार करणे. मानवी प्रतिमांशी संबंधित काही विशेष कार्ये देखील आहेत: वय आणि भावना अंदाज, चेहरा शोध आणि ओळख, आणि 3D पोझ अंदाज, इत्यादी. @@ -115,7 +106,7 @@ AI शोमधील [हा व्हिडिओ](https://docs.microsoft.com/ या प्रयोगशाळेत, तुम्ही साध्या हालचालींसह व्हिडिओ घेणार आहात, आणि तुमचे उद्दिष्ट ऑप्टिकल फ्लो वापरून वर/खाली/डाव्या/उजव्या हालचाली काढणे आहे. -पाम मूव्हमेंट फ्रेम +पाम मूव्हमेंट फ्रेम --- diff --git a/translations/mr/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/mr/lessons/4-ComputerVision/06-IntroCV/lab/README.md index 201a4758..e1a83acb 100644 --- a/translations/mr/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/mr/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # ऑप्टिकल फ्लो वापरून हालचाली शोधणे [AI for Beginners Curriculum](https://aka.ms/ai-beginners) मधील प्रयोग. 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 b208201c..e908ee4a 100644 --- a/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # प्रसिद्ध CNN आर्किटेक्चर्स ### VGG-16 @@ -25,7 +16,7 @@ VGG-16 हा एक नेटवर्क आहे ज्याने 2014 म ResNet हे मॉडेल्सचे कुटुंब आहे, जे Microsoft Research ने 2015 मध्ये प्रस्तावित केले. ResNet चा मुख्य विचार म्हणजे **रेसिड्युअल ब्लॉक्स** वापरणे: - + > प्रतिमा [या पेपरमधून](https://arxiv.org/pdf/1512.03385.pdf) @@ -37,7 +28,7 @@ ResNet हे मॉडेल्सचे कुटुंब आहे, जे M Google Inception आर्किटेक्चरने या कल्पनेला आणखी एक पाऊल पुढे नेले आहे आणि प्रत्येक नेटवर्क स्तराला अनेक वेगवेगळ्या मार्गांच्या संयोजनाने तयार केले आहे: - + > प्रतिमा [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) वरून घेतलेली आहे. diff --git a/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md index 3ff2a500..83d08766 100644 --- a/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # कॉनव्होल्यूशनल न्यूरल नेटवर्क्स आपण यापूर्वी पाहिले आहे की न्यूरल नेटवर्क्स प्रतिमांसाठी खूप चांगले काम करतात, आणि अगदी एक-लेयर परसेप्ट्रॉन देखील MNIST डेटासेटमधील हस्तलिखित अंक ओळखण्यास योग्य अचूकतेसह सक्षम आहे. मात्र, MNIST डेटासेट खूप खास आहे, आणि सर्व अंक प्रतिमेच्या मध्यभागी असतात, ज्यामुळे कार्य सोपे होते. @@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: उदाहरणार्थ, जर आपण MNIST अंकांवर 3x3 आडव्या कडांचा आणि उभ्या कडांचा फिल्टर लागू केला, तर आपल्याला मूळ प्रतिमेत जिथे आडव्या आणि उभ्या कड्या आहेत तिथे हायलाइट्स (उदा. उच्च मूल्ये) मिळू शकतात. त्यामुळे हे दोन फिल्टर्स "कड्या शोधण्यासाठी" वापरले जाऊ शकतात. त्याचप्रमाणे, इतर कमी-स्तरीय पॅटर्न्स शोधण्यासाठी वेगवेगळे फिल्टर्स डिझाइन करता येतात: - + > प्रतिमा: [लुंग-मालिक फिल्टर बँक](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html) diff --git a/translations/mr/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/mr/lessons/4-ComputerVision/07-ConvNets/lab/README.md index beea7973..eb5e7e37 100644 --- a/translations/mr/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/mr/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # पाळीव प्राण्यांच्या चेहऱ्यांचे वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md index 5e42f372..9f7f1d44 100644 --- a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग CNNs प्रशिक्षण देणे वेळखाऊ असते आणि त्यासाठी मोठ्या प्रमाणात डेटा आवश्यक असतो. मात्र, नेटवर्कला प्रतिमांमधून नमुने काढण्यासाठी वापरता येणारे 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? diff --git a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index 390ef518..43b26425 100644 --- a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,12 +1,3 @@ - # डीप लर्निंग प्रशिक्षण तंत्र जसे न्यूरल नेटवर्क्स अधिक खोलवर जातात, त्यांचे प्रशिक्षण अधिक आव्हानात्मक बनते. एक मोठी समस्या म्हणजे [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) किंवा [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [हा लेख](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) या समस्यांवर चांगले स्पष्टीकरण देतो. diff --git a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index 79c8088b..9451a965 100644 --- a/translations/mr/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/mr/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,12 +1,3 @@ - # ऑक्सफर्ड पाळीव प्राण्यांचे वर्गीकरण ट्रान्सफर लर्निंगचा वापर करून [AI फॉर बिगिनर्स करिक्युलम](https://github.com/microsoft/ai-for-beginners) मधील लॅब असाइनमेंट. diff --git a/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md index 9a74c21d..b46483e9 100644 --- a/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # ऑटोएन्कोडर्स जेव्हा CNNs प्रशिक्षण दिले जाते, तेव्हा एक समस्या म्हणजे आपल्याला मोठ्या प्रमाणात लेबल केलेल्या डेटाची आवश्यकता असते. प्रतिमेच्या वर्गीकरणाच्या बाबतीत, आपल्याला प्रतिमा वेगवेगळ्या वर्गांमध्ये विभागाव्या लागतात, जे एक मॅन्युअल काम आहे. @@ -46,7 +37,7 @@ VAE हा ऑटोएन्कोडर आहे जो लॅटेंट * आम्ही वितरण N(zmean,exp(zlog\_sigma)) मधून `sample` व्हेक्टर घेतो * डिकोडर `sample` इनपुट व्हेक्टर म्हणून वापरून मूळ प्रतिमा डिकोड करण्याचा प्रयत्न करतो - + > प्रतिमा [या ब्लॉग पोस्ट](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) मधून, लेखक: इसाक डायकमन @@ -57,13 +48,13 @@ VAE हा ऑटोएन्कोडर आहे जो लॅटेंट VAE चे एक महत्त्वाचे फायदे म्हणजे नवीन प्रतिमा तुलनेने सोप्या पद्धतीने तयार करणे शक्य होते, कारण आपल्याला लॅटेंट व्हेक्टर कशा वितरणातून नमुना घ्यायचा आहे हे माहित असते. उदाहरणार्थ, जर आपण MNIST वर 2D लॅटेंट व्हेक्टरसह VAE प्रशिक्षण दिले, तर आपण लॅटेंट व्हेक्टरच्या घटकांमध्ये बदल करून वेगवेगळे अंक मिळवू शकतो: -vaemnist +vaemnist > प्रतिमा [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांच्याकडून लक्ष द्या की प्रतिमा एकमेकांमध्ये मिसळतात, कारण आपण लॅटेंट पॅरामीटर स्पेसच्या वेगवेगळ्या भागांमधून लॅटेंट व्हेक्टर मिळवायला सुरुवात करतो. आपण या स्पेसला 2D मध्ये देखील व्हिज्युअलाइझ करू शकतो: -vaemnist cluster +vaemnist cluster > प्रतिमा [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांच्याकडून diff --git a/translations/mr/lessons/4-ComputerVision/10-GANs/README.md b/translations/mr/lessons/4-ComputerVision/10-GANs/README.md index 3523d448..82add731 100644 --- a/translations/mr/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/mr/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # जनरेटिव अड्व्हर्सेरियल नेटवर्क्स मागील विभागात आपण **जनरेटिव मॉडेल्स** म्हणजेच प्रशिक्षण डेटासेटमधील प्रतिमांसारख्या नवीन प्रतिमा तयार करू शकणाऱ्या मॉडेल्सबद्दल शिकले. VAE हे जनरेटिव मॉडेलचे एक चांगले उदाहरण होते. @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: GAN ची मुख्य कल्पना म्हणजे दोन न्यूरल नेटवर्क्स असणे जे एकमेकांविरुद्ध प्रशिक्षित केले जातील: - + > प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांच्याकडून @@ -41,7 +32,7 @@ GAN ची मुख्य कल्पना म्हणजे दोन न > ✅ कारण कॉनव्होल्यूशन स्तर प्रतिमेतून रेषीय फिल्टर म्हणून अंमलात आणला जातो, डी-कॉनव्होल्यूशन मूलत: कॉनव्होल्यूशनसारखेच आहे आणि त्याच स्तर लॉजिक वापरून अंमलात आणले जाऊ शकते. - + > प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांच्याकडून diff --git a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md index adfffcd1..061f532a 100644 --- a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # ऑब्जेक्ट डिटेक्शन आतापर्यंत आपण ज्या इमेज क्लासिफिकेशन मॉडेल्सवर काम केले आहे, त्या एका प्रतिमेवर प्रक्रिया करून एक वर्गीय निकाल देतात, जसे की MNIST समस्येमध्ये 'संख्या' वर्ग. परंतु, अनेक वेळा आपल्याला फक्त हे जाणून घ्यायचे नसते की प्रतिमेत वस्तू आहेत, तर आपल्याला त्यांच्या अचूक स्थानाचा अंदाज लावायचा असतो. **ऑब्जेक्ट डिटेक्शन** याच उद्देशासाठी आहे. diff --git a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index cbaa0aed..654cc257 100644 --- a/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/mr/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,12 +1,3 @@ - # हॉलिवूड हेड्स डेटासेट वापरून हेड डिटेक्शन [AI फॉर बिगिनर्स करिक्युलम](https://github.com/microsoft/ai-for-beginners) मधील लॅब असाइनमेंट. diff --git a/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md index f47658e4..eae9a07a 100644 --- a/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # विभागणी आम्ही यापूर्वी ऑब्जेक्ट डिटेक्शनबद्दल शिकले आहे, ज्यामुळे आम्हाला प्रतिमेमध्ये वस्तूंचे स्थान शोधता येते आणि त्यांच्या *bounding boxes* ची भविष्यवाणी करता येते. परंतु, काही कार्यांसाठी आपल्याला फक्त bounding boxes पुरेसे नसून वस्तूंचे अधिक अचूक स्थान आवश्यक असते. या कार्याला **विभागणी** म्हणतात. @@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: उदाहरणार्थ, इन्स्टन्स विभागणीसाठी या मेंढ्या वेगवेगळ्या वस्तू आहेत, परंतु सामान्य विभागणीसाठी सर्व मेंढ्या एकाच वर्गाने दर्शविल्या जातात. - + > प्रतिमा [या ब्लॉग पोस्टमधून](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50) @@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA: * **एन्कोडर** इनपुट प्रतिमेतून वैशिष्ट्ये काढतो. * **डीकोडर** त्या वैशिष्ट्यांना **मास्क प्रतिमेमध्ये** रूपांतरित करतो, ज्याचा आकार आणि चॅनेलची संख्या वर्गांच्या संख्येशी संबंधित असते. - + > प्रतिमा [या प्रकाशनातून](https://arxiv.org/pdf/2001.05566.pdf) @@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA: > ✅ ही तंत्र वैद्यकीय प्रतिमांसाठी विशेषतः योग्य आहे, परंतु तुम्ही इतर कोणत्या वास्तविक-जगातील अनुप्रयोगांची कल्पना करू शकता? -navi +navi > प्रतिमा PH2 डेटाबेसमधून diff --git a/translations/mr/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/mr/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 94d73459..6c175b4a 100644 --- a/translations/mr/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/mr/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,12 +1,3 @@ - # मानवी शरीर विभाजन [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/4-ComputerVision/README.md b/translations/mr/lessons/4-ComputerVision/README.md index d475761c..6e72acd6 100644 --- a/translations/mr/lessons/4-ComputerVision/README.md +++ b/translations/mr/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # संगणकीय दृष्टिकोन ![संगणकीय दृष्टिकोन विषयाची रेखाचित्रात संक्षिप्त माहिती](../../../../translated_images/mr/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/mr/lessons/5-NLP/13-TextRep/README.md b/translations/mr/lessons/5-NLP/13-TextRep/README.md index 202f1377..fb22159c 100644 --- a/translations/mr/lessons/5-NLP/13-TextRep/README.md +++ b/translations/mr/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # टेक्स्टला टेन्सर्समध्ये दर्शवणे ## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/25) @@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA: जर आपल्याला न्यूरल नेटवर्कसह नैसर्गिक भाषा प्रक्रिया (NLP) कार्ये सोडवायची असतील, तर आपल्याला टेक्स्टला टेन्सर्समध्ये दर्शविण्याचा काहीतरी मार्ग आवश्यक आहे. संगणक आधीच ASCII किंवा UTF-8 सारख्या एन्कोडिंगचा वापर करून स्क्रीनवरील फॉन्ट्ससाठी नकाशा असलेल्या क्रमांकांमध्ये टेक्स्ट वर्ण दर्शवतात. -अक्षराला ASCII आणि बायनरी प्रतिनिधित्वात नकाशा दर्शविणारे आकृती +अक्षराला ASCII आणि बायनरी प्रतिनिधित्वात नकाशा दर्शविणारे आकृती > [प्रतिमा स्रोत](https://www.seobility.net/en/wiki/ASCII) @@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: टेक्स्ट वर्गीकरणासारखी कार्ये सोडवताना, आपल्याला टेक्स्ट एका निश्चित-आकाराच्या व्हेक्टरने दर्शवता यायला हवे, ज्याचा वापर अंतिम घन वर्गीकर्त्यासाठी इनपुट म्हणून केला जाईल. हे करण्याचा एक सोपा मार्ग म्हणजे सर्व वैयक्तिक शब्दांचे प्रतिनिधित्व एकत्र करणे, उदा. त्यांना जोडणे. जर आपण प्रत्येक शब्दाचे एक-हॉट एन्कोडिंग जोडले, तर आपल्याला वारंवारतेचा व्हेक्टर मिळेल, जो दर्शवतो की प्रत्येक शब्द टेक्स्टमध्ये किती वेळा दिसतो. टेक्स्टचे असे प्रतिनिधित्व **बॅग ऑफ वर्ड्स** (BoW) म्हणून ओळखले जाते. - + > लेखकाने तयार केलेली प्रतिमा diff --git a/translations/mr/lessons/5-NLP/13-TextRep/assignment.md b/translations/mr/lessons/5-NLP/13-TextRep/assignment.md index fd8ff356..000923cf 100644 --- a/translations/mr/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/mr/lessons/5-NLP/13-TextRep/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेंट: नोटबुक्स या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, तुमचा स्वतःचा डेटासेट वापरून त्या पुन्हा चालवा, कदाचित Kaggle वरील एखादा डेटासेट, योग्य श्रेयासह वापरा. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. काही नाविन्यपूर्ण डेटासेट वापरून पहा जे आश्चर्यकारक ठरू शकतात, जसे की NUFORC कडून [UFO sightings बद्दलचा हा डेटासेट](https://www.kaggle.com/datasets/NUFORC/ufo-sightings). diff --git a/translations/mr/lessons/5-NLP/14-Embeddings/README.md b/translations/mr/lessons/5-NLP/14-Embeddings/README.md index 1eb24eb2..694959ad 100644 --- a/translations/mr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/mr/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # एम्बेडिंग्स ## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/mr/lessons/5-NLP/14-Embeddings/assignment.md b/translations/mr/lessons/5-NLP/14-Embeddings/assignment.md index 59df4e6d..93809c38 100644 --- a/translations/mr/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/mr/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेंट: नोटबुक्स या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, तुमच्या स्वतःच्या डेटासेटसह त्या पुन्हा चालवा, कदाचित Kaggle वरील एखाद्या डेटासेटचा वापर करून, योग्य श्रेय देऊन. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. वेगळ्या प्रकारचा डेटासेट वापरून पाहा आणि तुमचे निरीक्षण दस्तऐवजीकरण करा, जसे की [हे बीटल्स गाण्यांचे बोल](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) यासारख्या मजकुराचा वापर करून. diff --git a/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md index e931771a..194b5cee 100644 --- a/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/mr/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # भाषा मॉडेलिंग सामान्य अर्थाने एम्बेडिंग्ज, जसे Word2Vec आणि GloVe, हे **भाषा मॉडेलिंग**कडे जाण्याचा पहिला टप्पा आहेत - असे मॉडेल तयार करणे जे काही प्रमाणात भाषेची *समज* (किंवा *प्रतिनिधित्व*) करू शकतात. diff --git a/translations/mr/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/mr/lessons/5-NLP/15-LanguageModeling/lab/README.md index 06889a1c..48ae06fd 100644 --- a/translations/mr/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/mr/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,12 +1,3 @@ - # स्किप-ग्राम मॉडेल प्रशिक्षण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/5-NLP/16-RNN/README.md b/translations/mr/lessons/5-NLP/16-RNN/README.md index a3cb3ea4..e508b7ed 100644 --- a/translations/mr/lessons/5-NLP/16-RNN/README.md +++ b/translations/mr/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # पुनरावृत्ती तंत्रिका नेटवर्क्स ## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/31) @@ -31,7 +22,7 @@ X0,...,Xn या इनपुट टोकन अनुक साध्या RNN सेलमध्ये दोन वजन मॅट्रिसेस असतात: एक इनपुट चिन्ह रूपांतरित करते (त्याला W म्हणूया), आणि दुसरे इनपुट स्थिती रूपांतरित करते (H). या प्रकरणात नेटवर्कचा आउटपुट σ(W×Xi+H×Si-1+b) म्हणून गणना केला जातो, जिथे σ सक्रियता फंक्शन आहे आणि b अतिरिक्त बायस आहे. -RNN सेल रचना +RNN सेल रचना > लेखकाने तयार केलेले चित्र diff --git a/translations/mr/lessons/5-NLP/16-RNN/assignment.md b/translations/mr/lessons/5-NLP/16-RNN/assignment.md index 5af11f44..7d4c089e 100644 --- a/translations/mr/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/mr/lessons/5-NLP/16-RNN/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेंट: नोटबुक्स या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, त्या तुमच्या स्वतःच्या डेटासेटसह पुन्हा चालवा, कदाचित Kaggle वरील एखाद्या डेटासेटचा वापर करून, योग्य श्रेय देऊन. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. वेगळ्या प्रकारचा डेटासेट वापरून पहा आणि तुमचे निष्कर्ष दस्तऐवजीकरण करा, जसे की [हा Kaggle स्पर्धेचा डेटासेट हवामान ट्विट्सबद्दल](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv). diff --git a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md index bfd199de..44e12df4 100644 --- a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # जनरेटिव नेटवर्क्स ## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/33) @@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA: मजकूर तयार करताना (इन्फरन्स दरम्यान), आम्ही काही **प्रॉम्प्ट** पासून सुरुवात करतो, जे RNN सेल्समधून पास होते आणि त्याचा इंटरमीडिएट स्टेट तयार होतो, आणि नंतर त्या स्टेटमधून निर्मिती सुरू होते. आम्ही एकावेळी एक कॅरेक्टर तयार करतो आणि स्टेट आणि तयार केलेला कॅरेक्टर पुढील RNN सेलला पास करतो, जोपर्यंत पुरेसे कॅरेक्टर्स तयार होत नाहीत. - + > लेखकाने तयार केलेली प्रतिमा diff --git a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index eebba8a0..5d01e128 100644 --- a/translations/mr/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/mr/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,12 +1,3 @@ - # शब्द-स्तरीय मजकूर निर्मिती RNNs वापरून [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट. diff --git a/translations/mr/lessons/5-NLP/18-Transformers/README.md b/translations/mr/lessons/5-NLP/18-Transformers/README.md index 863e481d..c7db8701 100644 --- a/translations/mr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/mr/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # लक्षवेध यंत्रणा आणि ट्रान्सफॉर्मर्स ## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/35) @@ -56,7 +47,7 @@ RNNs वापरून, क्रम-ते-क्रम दोन पुनर * टोकन एम्बेडिंगसारखे ट्रेन करण्यायोग्य एम्बेडिंग. ही पद्धत आपण येथे विचारात घेतो. आम्ही टोकन आणि त्यांच्या स्थितींवर एम्बेडिंग स्तर लागू करतो, परिणामी समान परिमाणांचे एम्बेडिंग व्हेक्टर मिळतात, जे आम्ही नंतर एकत्र जोडतो. * मूळ पेपरमध्ये प्रस्तावित निश्चित स्थिती एन्कोडिंग फंक्शन. - + > लेखकाने तयार केलेली प्रतिमा diff --git a/translations/mr/lessons/5-NLP/18-Transformers/assignment.md b/translations/mr/lessons/5-NLP/18-Transformers/assignment.md index 612c6614..cbc3c083 100644 --- a/translations/mr/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/mr/lessons/5-NLP/18-Transformers/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेंट: ट्रान्सफॉर्मर्स HuggingFace वर ट्रान्सफॉर्मर्ससह प्रयोग करा! त्यांच्या साइटवर उपलब्ध असलेल्या विविध मॉडेल्ससह काम करण्यासाठी त्यांनी दिलेली काही स्क्रिप्ट्स वापरून पहा: https://huggingface.co/docs/transformers/run_scripts. त्यांच्या डेटासेट्सपैकी एक वापरून पहा, त्यानंतर या अभ्यासक्रमातील किंवा Kaggle वरून तुमचा स्वतःचा डेटासेट आयात करा आणि तुम्ही मनोरंजक मजकूर तयार करू शकता का ते पाहा. तुमच्या निष्कर्षांसह एक नोटबुक तयार करा. diff --git a/translations/mr/lessons/5-NLP/19-NER/README.md b/translations/mr/lessons/5-NLP/19-NER/README.md index 1e17b4e5..e09d482c 100644 --- a/translations/mr/lessons/5-NLP/19-NER/README.md +++ b/translations/mr/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # नामित घटक ओळख (Named Entity Recognition) आत्तापर्यंत आपण मुख्यतः एका NLP कार्यावर - वर्गीकरणावर लक्ष केंद्रित केले आहे. परंतु, 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. @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: समजा, तुम्हाला Amazon Alexa किंवा Google Assistant सारखा नैसर्गिक भाषा चॅट बॉट विकसित करायचा आहे. हुशार चॅट बॉट्स कसे कार्य करतात? ते वापरकर्त्याला काय हवे आहे हे समजून घेण्यासाठी इनपुट वाक्यावर मजकूर वर्गीकरण करतात. या वर्गीकरणाचा परिणाम म्हणजे **उद्देश (intent)**, जो ठरवतो की चॅट बॉटने काय करावे. -Bot NER +Bot NER > लेखकाने तयार केलेली प्रतिमा diff --git a/translations/mr/lessons/5-NLP/19-NER/lab/README.md b/translations/mr/lessons/5-NLP/19-NER/lab/README.md index 3f98de5b..31f8a73c 100644 --- a/translations/mr/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/mr/lessons/5-NLP/19-NER/lab/README.md @@ -1,12 +1,3 @@ - # NER [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा कार्य. diff --git a/translations/mr/lessons/5-NLP/20-LangModels/README.md b/translations/mr/lessons/5-NLP/20-LangModels/README.md index 3f006756..44af67d4 100644 --- a/translations/mr/lessons/5-NLP/20-LangModels/README.md +++ b/translations/mr/lessons/5-NLP/20-LangModels/README.md @@ -1,12 +1,3 @@ - # पूर्व-प्रशिक्षित मोठे भाषा मॉडेल्स 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 स्वयं-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-ट्रेंड ट्रान्सफॉर्मर म्हणतात. diff --git a/translations/mr/lessons/5-NLP/README.md b/translations/mr/lessons/5-NLP/README.md index bfd8e708..0bf130e6 100644 --- a/translations/mr/lessons/5-NLP/README.md +++ b/translations/mr/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # नैसर्गिक भाषा प्रक्रिया ![NLP कार्यांचा संक्षेप एका चित्रात](../../../../translated_images/mr/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md index 562f0c55..92e0fb61 100644 --- a/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,12 +1,3 @@ - # जनुकात्मक अल्गोरिदम ## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/41) diff --git a/translations/mr/lessons/6-Other/22-DeepRL/README.md b/translations/mr/lessons/6-Other/22-DeepRL/README.md index 2b5b632d..3e7cdc39 100644 --- a/translations/mr/lessons/6-Other/22-DeepRL/README.md +++ b/translations/mr/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # डीप रिइन्फोर्समेंट लर्निंग रिइन्फोर्समेंट लर्निंग (RL) हे मशीन लर्निंगचे एक मूलभूत पॅराडाइम मानले जाते, ज्यामध्ये सुपरवाइज्ड लर्निंग आणि अनसुपरवाइज्ड लर्निंगचा समावेश होतो. 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 न जाणता खेळायला सुरुवात करतो आणि लवकरच फक्त खेळण्याच्या प्रक्रियेद्वारे आणि आपले वर्तन समायोजित करून आपले कौशल्य सुधारतो. @@ -34,7 +25,7 @@ RL साठी एक उत्कृष्ट साधन म्हणजे बॅलन्सिंगची एक साधी आवृत्ती **CartPole** समस्या म्हणून ओळखली जाते. CartPole जगात, आपल्याकडे एक आडवा स्लायडर असतो जो डावीकडे किंवा उजवीकडे हलवू शकतो, आणि उद्दिष्ट म्हणजे स्लायडरवर उभ्या पोलला बॅलन्स करणे. -a cartpole +a cartpole हे पर्यावरण तयार करण्यासाठी आणि वापरण्यासाठी, आपल्याला काही ओळींचा Python कोड आवश्यक आहे: diff --git a/translations/mr/lessons/6-Other/22-DeepRL/lab/README.md b/translations/mr/lessons/6-Other/22-DeepRL/lab/README.md index 27b81a38..90ad0564 100644 --- a/translations/mr/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/mr/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - ## पर्यावरण माउंटन कार पर्यावरणामध्ये एक कार एका दरीत अडकलेली असते. तुमचे उद्दिष्ट दरीतून बाहेर उडी मारून ध्वजापर्यंत पोहोचणे आहे. तुम्ही जे क्रिया करू शकता त्या म्हणजे डावीकडे वेग वाढवणे, उजवीकडे वेग वाढवणे किंवा काहीही न करणे. तुम्ही कारची x-अक्षावरची स्थिती आणि वेग पाहू शकता. diff --git a/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md index 20f3e170..21fcc236 100644 --- a/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/mr/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # मल्टी-एजंट सिस्टीम्स बुद्धिमत्ता मिळवण्याचा एक संभाव्य मार्ग म्हणजे **उत्पन्न** (किंवा **सहकार्यात्मक**) दृष्टिकोन, जो अशा तत्त्वावर आधारित आहे की अनेक तुलनेने साध्या एजंट्सच्या एकत्रित वर्तनामुळे संपूर्ण प्रणालीचे अधिक जटिल (किंवा बुद्धिमान) वर्तन होऊ शकते. सैद्धांतिकदृष्ट्या, हे [सामूहिक बुद्धिमत्ता](https://en.wikipedia.org/wiki/Collective_intelligence), [उत्पन्नवाद](https://en.wikipedia.org/wiki/Global_brain) आणि [विकसनशील सायबरनेटिक्स](https://en.wikipedia.org/wiki/Global_brain) च्या तत्त्वांवर आधारित आहे, जे असे म्हणतात की उच्च-स्तरीय प्रणालींना काही प्रकारचे अतिरिक्त मूल्य मिळते जेव्हा त्यांना योग्य प्रकारे कमी-स्तरीय प्रणालींमधून एकत्रित केले जाते (*मेटासिस्टम ट्रांझिशनचे तत्त्व*). @@ -60,7 +51,7 @@ ask turtles [ NetLogo ची एक उत्तम गोष्ट म्हणजे त्यात कार्यरत मॉडेल्सची लायब्ररी आहे जी तुम्ही वापरून पाहू शकता. **File → Models Library** वर जा, आणि तुम्हाला निवडण्यासाठी अनेक श्रेणीतील मॉडेल्स मिळतील. -NetLogo Models Library +NetLogo Models Library > मॉडेल्स लायब्ररीचा स्क्रीनशॉट - Dmitry Soshnikov diff --git a/translations/mr/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/mr/lessons/6-Other/23-MultiagentSystems/assignment.md index cb866efe..b91de663 100644 --- a/translations/mr/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/mr/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,12 +1,3 @@ - # NetLogo असाइनमेंट NetLogo च्या लायब्ररीतील एका मॉडेलचा वापर करून वास्तविक जीवनातील परिस्थितीचे शक्य तितके जवळून अनुकरण करा. एक चांगले उदाहरण म्हणजे Alternative Visualizations फोल्डरमधील Virus मॉडेलमध्ये बदल करून ते COVID-19 च्या प्रसाराचे मॉडेल कसे बनवता येईल हे दाखवणे. तुम्ही वास्तविक जीवनातील व्हायरल प्रसाराचे अनुकरण करणारे मॉडेल तयार करू शकता का? diff --git a/translations/mr/lessons/7-Ethics/README.md b/translations/mr/lessons/7-Ethics/README.md index eea24dc1..3dcdd90f 100644 --- a/translations/mr/lessons/7-Ethics/README.md +++ b/translations/mr/lessons/7-Ethics/README.md @@ -1,12 +1,3 @@ - # नैतिक आणि जबाबदार AI तुम्ही हा कोर्स जवळजवळ पूर्ण केला आहे, आणि आता तुम्हाला स्पष्टपणे दिसत असेल की AI अनेक औपचारिक गणितीय पद्धतींवर आधारित आहे ज्यामुळे आपल्याला डेटामधील संबंध शोधता येतात आणि मानवी वर्तनाचे काही पैलू पुनरुत्पादित करण्यासाठी मॉडेल्स प्रशिक्षित करता येतात. या इतिहासाच्या टप्प्यावर, आम्ही AI ला डेटा मधून नमुने काढण्यासाठी आणि नवीन समस्या सोडवण्यासाठी त्या नमुन्यांचा उपयोग करण्यासाठी एक अत्यंत शक्तिशाली साधन मानतो. diff --git a/translations/mr/lessons/README.md b/translations/mr/lessons/README.md index 22d67c6c..299562a0 100644 --- a/translations/mr/lessons/README.md +++ b/translations/mr/lessons/README.md @@ -1,12 +1,3 @@ - # आढावा ![डूडलमधील आढावा](../../../translated_images/mr/ai-overview.0857791951d19500.webp) diff --git a/translations/mr/lessons/X-Extras/X1-MultiModal/README.md b/translations/mr/lessons/X-Extras/X1-MultiModal/README.md index c6a3dfc6..ad7f378e 100644 --- a/translations/mr/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/mr/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # मल्टी-मोडल नेटवर्क्स NLP कार्यांसाठी ट्रान्सफॉर्मर मॉडेल्सच्या यशानंतर, त्याच किंवा तत्सम आर्किटेक्चर संगणकीय दृष्टिकोन कार्यांसाठी लागू करण्यात आले. व्हिजन आणि नैसर्गिक भाषा क्षमता *एकत्र* करण्यासाठी मॉडेल्स तयार करण्याची वाढती आवड आहे. अशा प्रयत्नांपैकी एक OpenAI ने केला आहे, ज्याला CLIP आणि DALL.E म्हणतात. diff --git a/translations/mr/lessons/sketchnotes/LICENSE.md b/translations/mr/lessons/sketchnotes/LICENSE.md index 5f69c02b..e85df765 100644 --- a/translations/mr/lessons/sketchnotes/LICENSE.md +++ b/translations/mr/lessons/sketchnotes/LICENSE.md @@ -1,12 +1,3 @@ - अट्रिब्युशन-शेअरअलाइक 4.0 आंतरराष्ट्रीय ======================================================================= diff --git a/translations/mr/lessons/sketchnotes/README.md b/translations/mr/lessons/sketchnotes/README.md index ff11e7d8..e1ea47fb 100644 --- a/translations/mr/lessons/sketchnotes/README.md +++ b/translations/mr/lessons/sketchnotes/README.md @@ -1,12 +1,3 @@ - संपूर्ण अभ्यासक्रमाच्या स्केच नोट्स येथे डाउनलोड केल्या जाऊ शकतात. 🎨 तयार केलेले: टोमोमी इमुरा (ट्विटर: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac)) diff --git a/translations/mr/troubleshoot.md b/translations/mr/troubleshoot.md index aea6235b..22e48010 100644 --- a/translations/mr/troubleshoot.md +++ b/translations/mr/troubleshoot.md @@ -1,12 +1,3 @@ - # AI-For-Beginners समस्या निराकरण मार्गदर्शक ही मार्गदर्शिका [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) रेपॉझिटरी वापरताना किंवा योगदान देताना येणाऱ्या सामान्य समस्यांचे निराकरण करण्यात मदत करते. प्रत्येक समस्येसाठी पार्श्वभूमी, लक्षणे, स्पष्टीकरणे आणि चरण-दर-चरण उपाय दिले आहेत. diff --git a/translations/ne/.co-op-translator.json b/translations/ne/.co-op-translator.json new file mode 100644 index 00000000..fb342956 --- /dev/null +++ b/translations/ne/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-10-03T09:18:16+00:00", + "source_file": "AGENTS.md", + "language_code": "ne" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T01:37:02+00:00", + "source_file": "README.md", + "language_code": "ne" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-08-26T07:56:19+00:00", + "source_file": "SECURITY.md", + "language_code": "ne" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-08-26T11:17:22+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "ne" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-08-26T11:20:01+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "ne" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-08-26T11:23:01+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "ne" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-08-26T11:16:30+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "ne" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-08-26T11:18:38+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "ne" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-08-26T11:26:12+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "ne" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-10-03T11:29:19+00:00", + "source_file": "examples/README.md", + "language_code": "ne" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-08-26T11:12:33+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "ne" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-15T13:12:45+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "ne" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T19:34:23+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "ne" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-18T21:10:11+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "ne" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-18T21:12:06+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "ne" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-15T13:14:13+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "ne" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-08-26T11:07:18+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-09-23T07:21:48+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-08-29T06:49:32+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-09-23T07:21:25+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-08-26T10:29:31+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-09-23T07:22:09+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-08-26T10:35:30+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "ne" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-10-03T12:45:53+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-09-23T07:16:30+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-08-26T09:41:14+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-09-23T07:15:50+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-09-23T07:15:35+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-10-03T14:53:58+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-09-23T07:16:08+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-08-26T09:49:36+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-08-26T09:53:14+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-09-23T07:17:36+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-09-23T07:18:24+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-09-23T07:17:01+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-08-26T09:25:33+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-09-23T07:18:07+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-08-26T09:12:38+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "ne" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-08-26T09:03:02+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-09-23T07:25:09+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-08-26T08:28:51+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "ne" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-09-23T07:24:48+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-08-26T08:18:05+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "ne" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-09-23T07:23:02+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-08-26T08:32:30+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-09-23T07:24:14+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-08-26T08:13:13+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "ne" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-09-23T07:22:39+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-08-26T08:23:15+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-09-23T07:23:15+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-08-26T08:41:04+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "ne" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-09-23T07:23:58+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-08-26T08:51:12+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-09-23T07:23:41+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "ne" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-08-26T08:05:24+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "ne" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-09-23T07:14:02+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "ne" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-09-23T07:15:08+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "ne" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-08-26T10:17:01+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "ne" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-09-23T07:14:43+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "ne" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-08-26T10:11:26+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "ne" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-08-26T08:00:01+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "ne" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-08-26T07:57:31+00:00", + "source_file": "lessons/README.md", + "language_code": "ne" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-08-26T10:20:00+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "ne" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-08-26T10:49:45+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "ne" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-08-26T10:40:51+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "ne" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-10-03T09:40:51+00:00", + "source_file": "troubleshoot.md", + "language_code": "ne" + } +} \ No newline at end of file diff --git a/translations/ne/AGENTS.md b/translations/ne/AGENTS.md index 8e281888..1295a811 100644 --- a/translations/ne/AGENTS.md +++ b/translations/ne/AGENTS.md @@ -1,12 +1,3 @@ - # AGENTS.md ## परियोजना अवलोकन diff --git a/translations/ne/README.md b/translations/ne/README.md index 3472c4ca..1b7fef4f 100644 --- a/translations/ne/README.md +++ b/translations/ne/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -21,158 +12,160 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# शुरुवातकर्ताहरुका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम +# शुरुवातकर्ताका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/ne/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ne/ai-overview.0857791951d19500.webp)| |:---:| -| शुरुवातकर्ताका लागि AI - _स्केच नोट [@girlie_mac](https://twitter.com/girlie_mac) द्वारा_ | +| सुरुमा सिक्नेहरूका लागि AI - _[@girlie_mac](https://twitter.com/girlie_mac) द्वारा स्केचनोट_ | + +हाम्रो १२ साताको, २४ पाठहरूको पाठ्यक्रमसँग **कृत्रिम बुद्धिमत्ता** (AI) को संसार पत्ता लगाउनुहोस्! यसमा व्यावहारिक पाठहरू, क्विज, र ल्याबहरू समावेश छन्। पाठ्यक्रम सुरुमा सिक्नेहरूका लागि उपयुक्त छ र TensorFlow र PyTorch जस्ता उपकरणहरू साथै AI मा नैतिकतासहितको विषयहरू समेट्छ। -हाम्रो १२ हप्ता, २४-पाठको पाठ्यक्रमसँग **कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस्! यसमा व्यावहारिक पाठ, क्विजहरू, र प्रयोगशालाहरू समावेश छन्। यो पाठ्यक्रम शुरुवातकर्तामैत्री छ र TensorFlow र PyTorch जस्ता उपकरणहरू साथै AI मा नैतिकता समेट्छ। ### 🌐 बहुभाषी समर्थन -#### GitHub Action द्वारा समर्थित (स्वचालित र सधैं अपडेट) +#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](./README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](./README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **स्थानीय रूपमा क्लोन गर्न मन लाग्छ?** +> **स्थानीय रूपमा क्लोन गर्नु मन पराउनुहुन्छ?** -> यस रिपोजिटरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड आकार उल्लेखनीय रूपमा बढाउँछ। अनुवादहरू बिना क्लोन गर्न sparse checkout प्रयोग गर्नुहोस्: +> यो रिपोजिटरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड साइजलाई धेरै बढाउँछ। अनुवाद बिना क्लोन गर्न, sparse checkout प्रयोग गर्नुहोस्: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै सामग्री धेरै छिटो डाउनलोड गर्न दिन्छ। +> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै कुराहरू चाँडो डाउनलोड गर्न दिन्छ। -**यदि तपाईं थप अनुवाद भाषाहरूलाई समर्थन गर्न चाहनुहुन्छ भने ती [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध छन्** +**यदि तपाईं थप अनुवाद भाषाहरू थप्न चाहनुहुन्छ भने तिनीहरू [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध छन्** -## कम्युनिटीमा सहभागी हुनुहोस् +## समुदायमा सामेल हुनुहोस् [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -## तपाईं के सिक्नुहुनेछ +## तपाईंले के सिक्नुहुनेछ -**[कोर्सको माइन्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[कोर्सको माइण्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -यस पाठ्यक्रममा, तपाईंले सिक्नुहुनेछ: +यस पाठ्यक्रममा, तपाईंले सिक्नु हुनेछ: -* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जसमा "पुरानो" प्रतीकात्मक दृष्टिकोण सहित **ज्ञान प्रतिनिधित्व** र तर्क ({GOFAI}). -* **न्यूरल नेटवर्कहरू** र **गहिरो सिकाइ**, जुन आधुनिक AI को केन्द्रमा छन्। हामी यी महत्त्वपूर्ण विषयहरूका सैद्धान्तिक पक्षहरूलाई दुई लोकप्रिय फ्रेमवर्कहरूमा कोडको माध्यमबाट देखाउनेछौं - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org)। -* छविहरू र पाठसँग काम गर्न **न्यूरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर सायद सबैभन्दा नयाँ अवस्था (state-of-the-art) मा केही कमी रहला। -* कम लोकप्रिय AI दृष्टिकोणहरू, जस्तै **जेनेटिक एल्गोरिदमहरू** र **बहु-एजेन्ट प्रणालीहरू**। +* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, “पुरानो” प्रतीकात्मक दृष्टिकोण सहित जुन **ज्ञान प्रस्तुति** र तर्क (reasoning) समावेश गर्दछ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))। +* आधुनिक AI को मूलमा रहेको **न्यूरल नेटवर्कहरू** र **डीप लर्निंग**। हामी यी महत्वपूर्ण विषयहरूका सिद्धान्तहरू दुई लोकप्रिय फ्रेमवर्कहरू - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org) मा कोड प्रयोग गरी देखाउनेछौं। +* छविहरू र पाठसँग काम गर्न प्रयुक्त **न्यूरल संरचनाहरू**। हामी हालसालैका मोडेलहरू समेट्नेछौं तर सम्भवतः अत्याधुनिक अवस्थामा केही कम हुन सक्छ। +* कम प्रसिद्ध AI विधिहरू, जस्तै **जेनिटिक अल्गोरिदमहरू** र **बहु-एजेण्ट प्रणालीहरू**। यस पाठ्यक्रममा हामी के समेट्ने छैनौं: -> [यस कोर्सका सबै थप स्रोतहरू Microsoft Learn को संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [यस कोर्सका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* **बिजनेसमा AI को प्रयोग**। यसका लागि [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) Microsoft Learn मा लिनुहोस्, वा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) जुन [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकास गरिएको छ। -* **क्लासिक मशीन लर्निङ** जुन हाम्रो [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ। -* **व्यावहारिक AI अनुप्रयोगहरू**, जो **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरेर बनाइन्छ। यसका लागि Microsoft Learn का [दृष्टि](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [प्राकृतिक भाषा प्रक्रिया](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा सँग जनरेटिभ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** लगायतका मोड्युलहरू सुरु गर्न सिफारिस गरिन्छ। -* विशिष्ट ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। यी सिक्न [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) र [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) लिन सकिन्छ। -* **संवादी AI** र **च्याट बोटहरू**। एक अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिकाइ पथ छ, र थप विवरणका लागि [यस ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) पनि हेर्न सक्नुहुन्छ। -* गहिरो सिकाइ पछाडि रहेको **गहिरो गणित**। यसको लागि हामी [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) लेखक Ian Goodfellow, Yoshua Bengio र Aaron Courville द्वारा लेखिएको सिफारिस गर्छौं, जुन अनलाइन पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) मा। +* **व्यापारमा AI** को प्रयोगका व्यवसायिक केसहरू। यसको लागि Microsoft Learn मा [व्यापार प्रयोगकर्ताहरूका लागि AI परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग लिनुहोस्, वा [AI व्यवसाय स्कूल](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जुन [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकास गरिएको हो। +* **परम्परागत मेशिन लर्निंग**, जुन हाम्रो [सुरुवातकर्ताका लागि मेशिन लर्निंग पाठ्यक्रम](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ। +* **[Cogntive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरी बनेका व्यावहारिक AI एप्लिकेसनहरू। यसका लागि, हामी Microsoft Learn का भिजन, प्राकृतिक भाषा प्रक्रिया जस्ता मोड्युलहरू शुरू गर्न सिफारिस गर्छौं, र **[Azue OpenAI सेवा मार्फत जनरेटिभ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** पनि। +* विशेष ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure ML सेवा प्रयोग गरी मेशिन लर्निंग समाधानहरू निर्माण र संचालन](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) र [Azure Databricks प्रयोग गरेर समाधानहरू निर्माण र संचालन](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्गअनुसार गर्न राम्रो। +* **कन्भर्सेशनल AI** र **च्याट बोटहरू**। यहाँ छुट्टै [कन्भर्सेशनल AI समाधानहरू बनाउने](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग छ, साथै [यो ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) मा विस्तृत विवरण पाउन सकिन्छ। +* डीप लर्निंगको पछाडिको **गहिरो गणित**। यसको लागि, हामी Ian Goodfellow, Yoshua Bengio र Aaron Courville को [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) पुस्तक सिफारिस गर्छौं, जुन अनलाइनमा पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)। -_क्लाउडमा AI_ विषयहरूमा सौम्य परिचयका लागि [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिकाइ पथ लिन सक्नुहुन्छ। +_क्लाउडमा AI_ का लागि सौम्य परिचय चाहनुहुन्छ भने [Azure मा कृत्रिम बुद्धिमत्तासँग शुरुवात गर्ने](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग पनि विचार गर्न सक्नुहुन्छ। # सामग्री -| | पाठ लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाला | +| | पाठ लिंक | PyTorch/Keras/TensorFlow | ल्याब | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | | 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तपाईंको विकास वातावरण सेटअप गर्नुहोस्](./lessons/0-course-setup/how-to-run.md) | | | I | [**AI परिचय**](./lessons/1-Intro/README.md) | | | -| 01 | [AI को परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - | -| II | **प्रतिनिधित्वात्मक AI** | -| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [अन्तरङ्ग](./lessons/2-Symbolic/FamilyOntology.ipynb) /[अवधारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 01 | [AI परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - | +| II | **प्रतीकात्मक AI** | +| 02 | [ज्ञान प्रस्तुति र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [ओन्टोलोजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[धारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**न्यूरल नेटवर्कहरूको परिचय**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [मल्टि-लेयर्ड पर्सेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क सिर्जना गर्ने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [फ्रेमवर्कमा परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**कम्प्युटर भिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [माइक्रोसफ्ट अज्युरमा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [कम्प्युटर भिजनमा परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [कन्वोलुसनल न्यूरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चरहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [अटोएन्कोडरहरू र VAEहरू](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [जनरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक शैली ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [वस्तु पहिचान](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [सेम्यान्टिक सेग्मेन्टेशन। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | -| V | [**प्राकृतिक भाषा प्रशोधन**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [माइक्रोसफ्ट अज्युरमा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 03 | [परसेप्ट्रोन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [बहु-स्तरीय परसेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क बनाउने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [फ्रेमवर्कहरूको परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**कम्प्युटर भिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [माइक्रोसफ्ट अजरमा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [कम्प्युटर भिजनको परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [कन्वोलुशनल न्यूरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN संरचनाहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [प्रशिक्षणका तरिकाहरू](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [अटोएनकोडरहरू र VAEहरू](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [जेनरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक स्टाइल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [वस्तु पत्ता लगाउने](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [सिमान्टिक सेग्मेन्टेशन। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | +| V | [**प्राकृत भाषा प्रशोधन**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [माइक्रोसफ्ट अजरमा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [पाठ प्रतिनिधित्व। बो/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | -| 14 | [सेम्यान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [भाषा मोडलिङ। आफ्नै एम्बेडिङ प्रशिक्षण](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [रकरेन्ट न्यूरल नेटवर्कहरू](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | -| 17 | [जनरेटिभ रकरेन्ट नेटवर्कहरू](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 14 | [सिमान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [भाषा मोडलिङ। आफ्नै एम्बेडिङहरू प्रशिक्षण](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [रेकरेन्ट न्यूरल नेटवर्कहरू](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | +| 17 | [जेनरेटिभ रेकरेन्ट नेटवर्कहरू](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [ट्रान्सफर्मरहरू। BERT।](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [नामित इकाई पहिचान](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [ठूला भाषा मोडलहरू, प्रम्प्ट प्रोग्रामिङ र केहि-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **अन्य AI प्रविधिहरू** || | -| 21 | [जेनेटिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [गहिरो सुदृढीकरण सिकाइ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [मल्टि-एजेन्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | | -| VII | **AI एथिक्स** | | | -| 24 | [AI एथिक्स र जिम्मेवार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **अतिरिक्तहरू** | | | -| 25 | [मल्टि-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 19 | [नेम्ड एन्टिटी रेकग्निशन](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [ठूला भाषा मोडेलहरू, प्रम्प्ट प्रोग्रामिङ र फ्यु-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| VI | **अन्य AI प्रविधिहरु** || | +| 21 | [जेनेटिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [डीप रिइन्फोर्समेन्ट लर्निङ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [प्रयोगशाला](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [बहु-एजेन्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| VII | **एआई नैतिकता** | | | +| 24 | [एआई नैतिकता र जिम्मेवार एआई](./lessons/7-Ethics/README.md) | [Microsoft Learn: जिम्मेवार एआई सिद्धान्तहरू](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| IX | **अतिरिक्त** | | | +| 25 | [बहु-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## प्रत्येक पाठमा समावेश छ +## प्रत्येक पाठमा समावेश छन् * पूर्व-पठन सामग्री -* कार्यान्वयन योग्य जुपिटर नोटबुकहरू, जुन प्रायः फ्रेमवर्क अनुसार विशेष हुन्छन् (**PyTorch** वा **TensorFlow**). कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषय बुझ्न तपाईंले कम्तिमा एक संस्करणको नोटबुक (PyTorch वा TensorFlow) अवश्य हेर्नु पर्छ। -* केही विषयहरूका लागि उपलब्ध **प्रयोगशालाहरू**, जसले तपाईंलाई सिकेको सामग्रीलाई कुनै विशेष समस्यामा लागू गर्ने अवसर दिन्छ। -* केही खण्डहरूमा सम्बन्धित विषयहरू समेटिएका [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोड्यूलहरूको लिंकहरू छन्। +* कार्यान्वयन योग्य ज्युपिटर नोटबुकहरू, जुन प्रायः फ्रेमवर्क ( **PyTorch** वा **TensorFlow**) विशेष हुन्छन्। यो कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषय बुझ्न तपाईंले न्यूनतम एक संस्करण नोटबुक (PyTorch वा TensorFlow) पढ्न आवश्यक छ। +* केही विषयका लागि उपलब्ध **प्रयोगशाला** जसले तपाईंलाई सिकेको सामग्रीलाई विशेष समस्यामा लागू गर्ने अवसर दिन्छ। +* केही खण्डहरूमा सम्बन्धित विषयहरू समेट्ने [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोड्युलहरूको लिंकहरू पनि छन्। -## सुरु गर्ने तरिका +## सुरु गर्नुहोस् -### 🎯 AI मा नयाँ? यहाँबाट सुरु गर्नुहोस्! +### 🎯 एआईमा नयाँ? यहाँबाट सुरु गर्नुहोस्! -यदि तपाईं पूर्ण रूपमा AI मा नयाँ हुनुहुन्छ र छिटो, प्रयोगात्मक उदाहरणहरू खोज्दै हुनुहुन्छ भने, हाम्रा [**शुरुवाती मैत्री उदाहरणहरू**](./examples/README.md) हेर्नुहोस्! यीमा समावेश छन्: +यदि तपाईं एआईमा पूर्ण नयाँ हुनुहुन्छ र छिटो, हातेमालो गर्ने उदाहरणहरू खोज्दै हुनुहुन्छ भने, हाम्रा [**शुरुवाती मैत्री उदाहरणहरू**](./examples/README.md) हेर्नुहोस्! जसमा समावेश छन्: -- 🌟 **Hello AI World** - तपाईंको पहिलो AI प्रोग्राम (प्याटर्न मान्यता) -- 🧠 **साधारण न्यूरल नेटवर्क** - शुन्यबाट न्यूरल नेटवर्क बनाउने -- 🖼️ **छवि वर्गीकर्ता** - विस्तृत टिप्पणीहरू सहित छविहरू वर्गीकरण गर्ने -- 💬 **पाठ भावना** - सकारात्मक/नकारात्मक पाठ विश्लेषण गर्नुहोस् +- 🌟 **हेलो एआई वर्ल्ड** - तपाईंको पहिलो एआई कार्यक्रम (पैटर्न मान्यता) +- 🧠 **साधारण न्यूरल नेटवर्क** - सुरुबाट न्यूरल नेटवर्क निर्माण गर्नुहोस् -यी उदाहरणहरू तपाईंलाई पूर्ण पाठ्यक्रममा डुब्नुअघि AI अवधारणाहरू बुझ्न सहयोग गर्न डिजाइन गरिएको हो। +- 🖼️ **छविहरू वर्गीकरण गर्ने** - विस्तृत टिप्पणीहरूसँग छविहरू वर्गीकरण गर्नुहोस् +- 💬 **पाठ भाव विश्लेषण** - सकारात्मक/नकारात्मक पाठ विश्लेषण गर्नुहोस् -### 📚 पूर्ण पाठ्यक्रम सेटअप +यी उदाहरणहरूले तपाईंलाई पूरा पाठ्यक्रममा डुब्नु अघि AI अवधारणाहरू बुझ्न मद्दत गर्ने गरी डिजाइन गरिएको हो। -- हामीले तपाईंलाई विकास वातावरण सेटअप गर्न सहयोगको लागि [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूका लागि, हामीले तपाईंको लागि पनि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) तयार पारेका छौं! +### 📚 पूरा पाठ्यक्रम सेटअप + +- तपाईंको विकास वातावरण सेटअप गर्नको लागि हामीले [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूको लागि, हामीले तपाईँका लागि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) पनि तयार पारेका छौं! - कसरी [VSCode वा Codespace मा कोड चलाउने](./lessons/0-course-setup/how-to-run.md) -यी चरणहरू पालन गर्नुहोस्: +यी चरणहरू पालना गर्नुहोस्: -रिपोजिटोरी फोर्क गर्नुहोस्: यस पृष्ठको माथिल्लो-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्। +रिपोजिटोरी फल्की गर्नुहोस्: यस पृष्ठको माथिल्लो-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्। रिपोजिटोरी क्लोन गर्नुहोस्: `git clone https://github.com/microsoft/AI-For-Beginners.git` -पछि फेला पार्न सजिलो बनाउन यो रिपोमा स्टार (🌟) दिन नबिर्सनुहोस्। +पछाडि फेला पार्न सजिलो बनाउन यो रिपोमा स्टार (🌟) दिन नबिर्सनुहोस्। -## अन्य शिक्षार्थीहरूलाई भेट्नुहोस् +## अन्य सिक्नेहरूलाई भेट्नुहोस् -हाम्रो [आधिकारिक AI डिस्कार्ड सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सहभागी भएर यस कोर्स लिने अन्य शिक्षार्थीहरूसँग भेट्नुहोस् र नेटवर्क बनाउनुहोस् र सहयोग पाउनुहोस्। +यस कोर्स लिइरहेका अन्य सिक्नेहरूसँग भेट्न र नेटवर्क बनाउन हाम्रो [आधिकारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सामेल हुनुहोस् र सहयोग प्राप्त गर्नुहोस्। -यदि तपाईंले उत्पादन प्रतिक्रिया वा प्रश्नहरू हुनुहुन्छ भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) भ्रमण गर्नुहोस् +निर्माण गर्दा यदि तपाईंसँग उत्पादन प्रतिक्रिया वा प्रश्नहरू छन् भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) मा जानुहोस्। ## क्विजहरू -> **क्विजहरू बारे एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डरमा etc\quiz-app मा समावेश छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/) उपलब्ध छन्। तिनीहरू पाठहरूबाट लिंक गरिएको छन्, क्विज एप स्थानीय रूपमा चलाउन वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा निर्देशनहरू अनुसरण गर्नुहोस्। तिनीहरू क्रमशः स्थानीयकरण हुँदैछन्। +> **क्विजहरू बारे एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डर, etc\quiz-app मा छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/) छन्। ती पाठहरू भित्र लिंक गरिएका छन्। क्विज एप स्थानीय रूपमा चलाउन सकिन्छ वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा भएको निर्देशनहरू पालना गर्नुहोस्। ती क्रमशः स्थानीयकरण हुँदैछन्। ## सहयोग चाहिन्छ -के तपाईंसँग सुझावहरू छन् वा वर्तनी वा कोड त्रुटिहरू भेट्टाउनुभयो? समस्या उठाउनुहोस् वा पुल अनुरोध सिर्जना गर्नुहोस्। +के तपाईंसँग सुझावहरू छन् वा स्पेलिङ वा कोडमा त्रुटिहरू फेला पार्नु भयो? एउटा इश्यू उठाउनुहोस् वा पुल रिक्वेस्ट सिर्जना गर्नुहोस्। ## विशेष धन्यवाद -* **✍️ प्रमुख लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD +* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 सम्पादक:** [Jen Looper](https://twitter.com/jenlooper), PhD * **🎨 स्केचनोट चित्रकार:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ क्विज सिर्जनाकर्ता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 मूल योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **✅ क्विज निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 मुख्य योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## अन्य पाठ्यक्रमहरू -हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्छ! जाँच गर्नुहोस्: +हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्दछ! हेर्नुहोस्: ### LangChain @@ -189,7 +182,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर --- -### जनरेटिभ AI शृंखला +### Generative AI Series [![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) @@ -197,7 +190,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर --- -### कोर सिकाइ +### Core Learning [![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -208,7 +201,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर --- -### कोपिलट श्रृंखला +### Copilot Series [![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) @@ -216,17 +209,17 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर ## सहयोग पाउनुहोस् -यदि तपाईं अड्किनुभयो वा AI अनुप्रयोगहरू निर्माण गर्दा कुनै प्रश्न छ भने। MCP सम्बन्धी छलफलहरूमा सहपाठी शिक्षार्थीहरू र अनुभवी विकासकर्ताहरूसँग सहभागी हुनुहोस्। यो एक सहायक समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ। +यदि तपाईं अडकिनु भयो वा AI एपहरू निर्माण गर्ने बारे कुनै प्रश्न छ भने, MCP सम्बन्धी छलफलहरूमा अन्य सिक्नेहरू र अनुभवी विकासकर्ताहरूसँग मिल्नुहोस्। यो सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ। [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -यदि निर्माण गर्दा तपाईंसँग उत्पादन प्रतिक्रिया वा त्रुटिहरू छन् भने: +निर्माण गर्दा उत्पादन प्रतिक्रिया वा त्रुटिहरू भएमा यहाँ जानुहोस्: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**अस्वीकरण**: -यो कागजात AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा गलतफहमी हुन सक्दछ। मूल कागजात यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलतफहमी वा व्याख्यामा हामी जिम्मेवार हुनेछैनौं। +**अस्वीकरण**: +यो कागजातलाई AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गरिरहेका छौं, तर कृपया जान्नुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता समावेश हुनसक्छ। मूल कागजात यसको स्वदेशी भाषामा अधिकारिक स्रोत मानिनुपर्दछ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलत बुझाइ वा गलत व्याख्याप्रति हामी जिम्मेवार छैनौं। \ No newline at end of file diff --git a/translations/ne/SECURITY.md b/translations/ne/SECURITY.md index b5e8a99b..a83e648b 100644 --- a/translations/ne/SECURITY.md +++ b/translations/ne/SECURITY.md @@ -1,12 +1,3 @@ - ## सुरक्षा माइक्रोसफ्टले आफ्ना सफ्टवेयर उत्पादन र सेवाहरूको सुरक्षा गम्भीरताका साथ लिन्छ, जसमा हाम्रो GitHub संगठनहरूद्वारा व्यवस्थापन गरिएका सबै स्रोत कोड रिपोजिटरीहरू समावेश छन्, जस्तै [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), र [हाम्रो GitHub संगठनहरू](https://opensource.microsoft.com/)। diff --git a/translations/ne/etc/CODE_OF_CONDUCT.md b/translations/ne/etc/CODE_OF_CONDUCT.md index 6c85ba30..cab4d62a 100644 --- a/translations/ne/etc/CODE_OF_CONDUCT.md +++ b/translations/ne/etc/CODE_OF_CONDUCT.md @@ -1,12 +1,3 @@ - # माइक्रोसफ्ट ओपन सोर्स आचार संहिता यस परियोजनाले [माइक्रोसफ्ट ओपन सोर्स आचार संहिता](https://opensource.microsoft.com/codeofconduct/) अपनाएको छ। diff --git a/translations/ne/etc/CONTRIBUTING.md b/translations/ne/etc/CONTRIBUTING.md index 53e79b1e..f7adceaa 100644 --- a/translations/ne/etc/CONTRIBUTING.md +++ b/translations/ne/etc/CONTRIBUTING.md @@ -1,12 +1,3 @@ - # योगदान गर्न यो परियोजनाले योगदान र सुझावहरूलाई स्वागत गर्दछ। अधिकांश योगदानहरूका लागि तपाईंले योगदानकर्ता लाइसेन्स सम्झौता (CLA) मा सहमति जनाउन आवश्यक छ, जसले तपाईंलाई अधिकार छ र वास्तवमै हामीलाई तपाईंको योगदान प्रयोग गर्न अधिकार दिन्छ। थप विवरणको लागि, https://cla.microsoft.com मा जानुहोस्। diff --git a/translations/ne/etc/Mindmap.md b/translations/ne/etc/Mindmap.md index b7d173da..8eda144b 100644 --- a/translations/ne/etc/Mindmap.md +++ b/translations/ne/etc/Mindmap.md @@ -1,12 +1,3 @@ - # एआई ## [एआईको परिचय](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) diff --git a/translations/ne/etc/SUPPORT.md b/translations/ne/etc/SUPPORT.md index 8e0d6c25..680351ab 100644 --- a/translations/ne/etc/SUPPORT.md +++ b/translations/ne/etc/SUPPORT.md @@ -1,12 +1,3 @@ - # समर्थन ## समस्या दर्ता गर्ने र सहयोग प्राप्त गर्ने तरिका diff --git a/translations/ne/etc/TRANSLATIONS.md b/translations/ne/etc/TRANSLATIONS.md index 97fa84ae..22a9bff9 100644 --- a/translations/ne/etc/TRANSLATIONS.md +++ b/translations/ne/etc/TRANSLATIONS.md @@ -1,12 +1,3 @@ - # पाठहरू अनुवाद गरेर योगदान गर्नुहोस् हामी यस पाठ्यक्रमका पाठहरूको अनुवादलाई स्वागत गर्दछौं! diff --git a/translations/ne/etc/quiz-app/README.md b/translations/ne/etc/quiz-app/README.md index 4820186f..b37e184e 100644 --- a/translations/ne/etc/quiz-app/README.md +++ b/translations/ne/etc/quiz-app/README.md @@ -1,12 +1,3 @@ - # क्विजहरू यी क्विजहरू AI पाठ्यक्रमको लागि प्रि-र पोस्ट-लेक्चर क्विजहरू हुन् जुन https://aka.ms/ai-beginners मा उपलब्ध छ। diff --git a/translations/ne/examples/README.md b/translations/ne/examples/README.md index 344c801b..21d29780 100644 --- a/translations/ne/examples/README.md +++ b/translations/ne/examples/README.md @@ -1,12 +1,3 @@ - # सुरु गर्न सजिलो एआई उदाहरणहरू स्वागत छ! यो डाइरेक्टरीले एआई र मेसिन लर्निङमा सुरु गर्न मद्दत गर्ने सरल, स्वतन्त्र उदाहरणहरू समावेश गर्दछ। प्रत्येक उदाहरणलाई विस्तृत टिप्पणीहरू र चरणबद्ध व्याख्याका साथ सुरु गर्न सजिलो बनाइएको छ। diff --git a/translations/ne/lessons/0-course-setup/for-teachers.md b/translations/ne/lessons/0-course-setup/for-teachers.md index c04424d8..c72e961f 100644 --- a/translations/ne/lessons/0-course-setup/for-teachers.md +++ b/translations/ne/lessons/0-course-setup/for-teachers.md @@ -1,12 +1,3 @@ - # शिक्षकहरूका लागि के तपाईं यो पाठ्यक्रम आफ्नो कक्षामा प्रयोग गर्न चाहनुहुन्छ? कृपया निःसंकोच प्रयोग गर्नुहोस्! diff --git a/translations/ne/lessons/0-course-setup/how-to-run.md b/translations/ne/lessons/0-course-setup/how-to-run.md index 682fe5ce..bb96774b 100644 --- a/translations/ne/lessons/0-course-setup/how-to-run.md +++ b/translations/ne/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # कोड कसरी चलाउने यो पाठ्यक्रममा धेरै कार्यान्वयनयोग्य उदाहरणहरू र प्रयोगशाला छन् जुन तपाईंले चलाउन चाहनुहुन्छ। यसलाई गर्नका लागि, तपाईंलाई यो पाठ्यक्रमको एक हिस्सा स्वरूप उपलब्ध गराइएको Jupyter नोटबुकहरूमा Python कोड चलाउने क्षमता आवश्यक छ। तपाईंलाई कोड चलाउनका लागि कयौं विकल्पहरू उपलब्ध छन्: diff --git a/translations/ne/lessons/0-course-setup/setup.md b/translations/ne/lessons/0-course-setup/setup.md index 375784d9..158626cd 100644 --- a/translations/ne/lessons/0-course-setup/setup.md +++ b/translations/ne/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # यो पाठ्यक्रमसँग सुरु गर्दै ## के तपाईं विद्यार्थी हुनुहुन्छ? diff --git a/translations/ne/lessons/1-Intro/README.md b/translations/ne/lessons/1-Intro/README.md index 515011e9..6e0ee83c 100644 --- a/translations/ne/lessons/1-Intro/README.md +++ b/translations/ne/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # एआईको परिचय ![एआईको परिचयको सामग्रीको डूडलमा सारांश](../../../../translated_images/ne/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/ne/lessons/1-Intro/assignment.md b/translations/ne/lessons/1-Intro/assignment.md index b8b4df92..b7a203fb 100644 --- a/translations/ne/lessons/1-Intro/assignment.md +++ b/translations/ne/lessons/1-Intro/assignment.md @@ -1,12 +1,3 @@ - # गेम जाम खेलहरू एक यस्तो क्षेत्र हो जसमा AI र ML को विकासले ठूलो प्रभाव पारेको छ। यस असाइनमेन्टमा, तपाईले AI को विकासले प्रभाव पारेको तपाईलाई मनपर्ने कुनै खेलबारे छोटो लेख लेख्नुहोस्। यो खेल यति पुरानो हुनुपर्छ कि यसले विभिन्न प्रकारका कम्प्युटर प्रोसेसिङ प्रणालीहरूको प्रभाव अनुभव गरेको होस्। राम्रो उदाहरणहरूमा चेस वा गो समावेश छन्, तर भिडियो गेमहरू जस्तै पङ वा प्याक-म्यान पनि हेर्नुहोस्। लेखमा खेलको विगत, वर्तमान, र AI को भविष्यबारे चर्चा गर्नुहोस्। diff --git a/translations/ne/lessons/2-Symbolic/README.md b/translations/ne/lessons/2-Symbolic/README.md index b7a33593..4ebddcb8 100644 --- a/translations/ne/lessons/2-Symbolic/README.md +++ b/translations/ne/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # ज्ञान प्रस्तुतीकरण र विशेषज्ञ प्रणालीहरू -![संकेतिक AI सामग्रीको सारांश](../../../../../../translated_images/ne/ai-symbolic.715a30cb610411a6.webp) +![संकेतिक AI सामग्रीको सारांश](../../../../translated_images/ne/ai-symbolic.715a30cb610411a6.webp) > स्केचनोट द्वारा [टोमोमी इमुरा](https://twitter.com/girlie_mac) @@ -41,7 +32,7 @@ AI को प्रारम्भिक दिनहरूमा, बुद् त्यसैले, **ज्ञान प्रस्तुतीकरण** को समस्या कम्प्युटर भित्र डेटा को रूपमा ज्ञानलाई प्रभावकारी रूपमा प्रस्तुत गर्ने तरिका खोज्नु हो, जसले स्वतः प्रयोग सक्षम बनाओस्। यसलाई एक स्पेक्ट्रमको रूपमा हेर्न सकिन्छ: -![ज्ञान प्रस्तुतीकरण स्पेक्ट्रम](../../../../../../translated_images/ne/knowledge-spectrum.b60df631852c0217.webp) +![ज्ञान प्रस्तुतीकरण स्पेक्ट्रम](../../../../translated_images/ne/knowledge-spectrum.b60df631852c0217.webp) > चित्र द्वारा [डमित्री सोस्नीकोव](http://soshnikov.com) @@ -94,7 +85,7 @@ Block Syntax | Indent | | | संकेतिक AI का प्रारम्भिक सफलताहरू मध्ये एक थिए भनिने **विशेषज्ञ प्रणालीहरू** - कम्प्युटर प्रणालीहरू जुन सीमित समस्या क्षेत्रमा एक विशेषज्ञको रूपमा काम गर्न डिजाइन गरिएका थिए। तिनीहरू कसै एक वा बढी मानव विशेषज्ञबाट निकालेको **ज्ञान आधार** मा आधारित थिए, र तिनीहरू सँग **तर्क इञ्जिन** थियो जसले त्यस माथि केही तर्क गर्छ। -![मानव संरचना](../../../../../../translated_images/ne/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../../../translated_images/ne/arch-kbs.3ec5c150b09fa8da.webp) +![मानव संरचना](../../../../translated_images/ne/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/ne/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ मानव स्नायु प्रणालीको सरल संरचना | ज्ञान-आधारित प्रणालीको वास्तुकला @@ -106,7 +97,7 @@ Block Syntax | Indent | | | उदाहरणका लागि, एउटा जनावरको शारीरिक विशेषताहरूका आधारमा जनावर पहिचान गर्ने विशेषज्ञ प्रणाली लिऔं: -![AND-OR वृक्ष](../../../../../../translated_images/ne/AND-OR-Tree.5592d2c70187f283.webp) +![AND-OR वृक्ष](../../../../translated_images/ne/AND-OR-Tree.5592d2c70187f283.webp) > चित्र द्वारा [डमित्री सोस्नीकोव](http://soshnikov.com) diff --git a/translations/ne/lessons/2-Symbolic/assignment.md b/translations/ne/lessons/2-Symbolic/assignment.md index f358321a..a869a22e 100644 --- a/translations/ne/lessons/2-Symbolic/assignment.md +++ b/translations/ne/lessons/2-Symbolic/assignment.md @@ -1,12 +1,3 @@ - # ओन्टोलोजी निर्माण गर्नुहोस् ज्ञान आधार निर्माण गर्नु भनेको कुनै विषयको तथ्यहरू प्रतिनिधित्व गर्ने मोडेललाई वर्गीकृत गर्नु हो। कुनै विषय चयन गर्नुहोस् - जस्तै व्यक्ति, स्थान, वा वस्तु - र त्यस विषयको मोडेल निर्माण गर्नुहोस्। यस पाठमा वर्णन गरिएका केही प्रविधिहरू र मोडेल निर्माण रणनीतिहरू प्रयोग गर्नुहोस्। एउटा उदाहरण भनेको फर्निचर, बत्तीहरू आदि सहितको बैठक कोठाको ओन्टोलोजी निर्माण गर्नु हो। बैठक कोठा भान्साकोठाबाट कसरी फरक छ? बाथरूमबाट? तपाईंलाई कसरी थाहा हुन्छ कि यो बैठक कोठा हो र भोजन कोठा होइन? आफ्नो ओन्टोलोजी निर्माण गर्न [Protégé](https://protege.stanford.edu/) प्रयोग गर्नुहोस्। diff --git a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md index 1b397bb3..63c45b6a 100644 --- a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # न्यूरल नेटवर्कको परिचय: परसेप्ट्रोन ## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/5) @@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA: | | | |--------------|-----------| -|फ्र्यांक रोसेनब्लाट | मार्क 1 परसेप्ट्रोन| +|फ्र्यांक रोसेनब्लाट | मार्क 1 परसेप्ट्रोन| > तस्बिरहरू [विकिपीडिया](https://en.wikipedia.org/wiki/Perceptron) बाट @@ -34,7 +25,7 @@ y(x) = f(wTx) जहाँ f एक स्टेप सक्रियता (activation) फङ्क्शन हो। - + ## परसेप्ट्रोनलाई तालिम दिने diff --git a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index fc25c053..9d1d6e8d 100644 --- a/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,12 +1,3 @@ - # परसेप्ट्रोनसँग बहु-वर्ग वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 62d10efd..9337f4f1 100644 --- a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # न्युरल नेटवर्कको परिचय। मल्टि-लेयर्ड पर्सेप्ट्रोन अघिल्लो खण्डमा, तपाईंले सबैभन्दा सरल न्युरल नेटवर्क मोडेल - एक-स्तरीय पर्सेप्ट्रोन, एक रेखीय दुई-वर्ग वर्गीकरण मोडेलको बारेमा सिक्नुभयो। @@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ध्यान दिनुहोस् कि यी सबै अभिव्यक्तिहरूको बाँया-पक्षीय भाग उस्तै छ, र यसरी हामी प्रभावकारी रूपमा लस फङ्सनबाट सुरु गरेर "पछाडि" कम्प्युटेशनल ग्राफ मार्फत डेरिभेटिभहरू गणना गर्न सक्छौं। यसरी मल्टि-लेयर्ड पर्सेप्ट्रोनको प्रशिक्षण विधिलाई **backpropagation**, वा 'backprop' भनिन्छ। -compute graph +compute graph > TODO: चित्र स्रोत diff --git a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index c258f87c..9af82a17 100644 --- a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,12 +1,3 @@ - # हाम्रो आफ्नै फ्रेमवर्क प्रयोग गरेर MNIST वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md index a4e29e8b..e28af2b3 100644 --- a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # न्युरल नेटवर्क फ्रेमवर्कहरू जसरी हामीले पहिले नै सिकेका छौं, न्युरल नेटवर्कलाई प्रभावकारी रूपमा प्रशिक्षण गर्न हामीले दुई कुराहरू गर्नुपर्छ: diff --git a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index f5401f1c..66a5319e 100644 --- a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,12 +1,3 @@ - # PyTorch/TensorFlow प्रयोग गरेर वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/3-NeuralNetworks/README.md b/translations/ne/lessons/3-NeuralNetworks/README.md index 7c120fbc..6fd5efef 100644 --- a/translations/ne/lessons/3-NeuralNetworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # न्युरल नेटवर्कको परिचय ![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ne/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md index 2e5e5e94..349e8e6f 100644 --- a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # कम्प्युटर भिजनको परिचय [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 फरक 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। @@ -115,7 +106,7 @@ AI शोको [यो भिडियो](https://docs.microsoft.com/shows/ai- यस प्रयोगशालामा, तपाईंले सरल इशाराहरू भएको भिडियो लिनेछ, र तपाईंको लक्ष्य अप्टिकल फ्लो प्रयोग गरेर माथि/तल/बायाँ/दायाँ गति निकाल्नु हो। -पाम मूभमेन्ट फ्रेम +पाम मूभमेन्ट फ्रेम --- diff --git a/translations/ne/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/ne/lessons/4-ComputerVision/06-IntroCV/lab/README.md index aeff0c27..5fc12383 100644 --- a/translations/ne/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # अप्टिकल फ्लो प्रयोग गरेर चाल पत्ता लगाउने [AI for Beginners Curriculum](https://aka.ms/ai-beginners) बाट ल्याब असाइनमेन्ट। 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 f8342a8b..3f27fae7 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # प्रख्यात CNN आर्किटेक्चरहरू ### VGG-16 @@ -25,7 +16,7 @@ VGG-16 एक नेटवर्क हो जसले २०१४ मा Imag ResNet माइक्रोसफ्ट रिसर्चद्वारा २०१५ मा प्रस्ताव गरिएको मोडेलहरूको परिवार हो। ResNet को मुख्य विचार **residual blocks** प्रयोग गर्नु हो: - + > [यस पेपर](https://arxiv.org/pdf/1512.03385.pdf) बाट छवि @@ -37,7 +28,7 @@ Identity पास-थ्रु प्रयोग गर्ने कारण Google Inception आर्किटेक्चरले यस विचारलाई अझ अगाडि बढाउँछ, र प्रत्येक नेटवर्क लेयरलाई विभिन्न पथहरूको संयोजनको रूपमा निर्माण गर्दछ: - + > [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) बाट छवि diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md index 8370327e..50aea400 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # Convolutional Neural Networks हामीले पहिले देखिसकेका छौं कि न्युरल नेटवर्कहरू छविहरूसँग काम गर्न निकै राम्रो छन्, र एक तहको परसेप्ट्रोनले पनि MNIST डेटासेटबाट हस्तलेखन गरिएको अंकहरू उचित शुद्धतासँग चिन्हित गर्न सक्षम छ। तर, MNIST डेटासेट विशेष छ, र सबै अंकहरू छविको बीचमा केन्द्रित छन्, जसले कार्यलाई सरल बनाउँछ। @@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: उदाहरणका लागि, यदि हामी 3x3 ठाडो किनारा र तेर्सो किनारा फिल्टरहरू MNIST अंकहरूमा लागू गर्छौं भने, हामी मूल छविमा ठाडो र तेर्सो किनाराहरू भएको ठाउँमा हाइलाइटहरू (जस्तै उच्च मानहरू) प्राप्त गर्न सक्छौं। त्यसैले ती दुई फिल्टरहरू किनाराहरू "खोज्न" प्रयोग गर्न सकिन्छ। यसैगरी, हामी अन्य तल्लो-स्तरका ढाँचाहरू खोज्न विभिन्न फिल्टरहरू डिजाइन गर्न सक्छौं: - + > [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html) को छवि diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 15a02273..d2a4b418 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # पाल्तु जनावरको अनुहारको वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md index 3316c981..bd4e3218 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # प्रि-ट्रेन गरिएको नेटवर्कहरू र ट्रान्सफर लर्निङ CNN प्रशिक्षण गर्न धेरै समय लाग्न सक्छ, र त्यसका लागि धेरै डेटा आवश्यक हुन्छ। तर, धेरै समय नेटवर्कले तल्लो-स्तरका फिल्टरहरू सिक्नमा खर्च हुन्छ, जसले छविबाट ढाँचा निकाल्न मद्दत गर्छ। एउटा स्वाभाविक प्रश्न उठ्छ - के हामी एउटा डेटासेटमा प्रशिक्षित न्यूरल नेटवर्कलाई प्रयोग गरेर फरक छविहरू वर्गीकरण गर्न अनुकूलित गर्न सक्छौं, पूर्ण प्रशिक्षण प्रक्रिया बिना? diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index 41025cc6..c5cd9cf6 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,12 +1,3 @@ - # डीप लर्निङ प्रशिक्षणका तरिकाहरू जति जति न्यूरल नेटवर्कहरू गहिरो हुँदै जान्छन्, तिनीहरूको प्रशिक्षण प्रक्रिया झन् चुनौतीपूर्ण बन्दै जान्छ। एउटा मुख्य समस्या भनेको [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) वा [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) हो। [यो पोस्ट](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ले यी समस्याहरूको राम्रो परिचय दिन्छ। diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index e102d0bb..fcb09e26 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,12 +1,3 @@ - # ट्रान्सफर लर्निङ प्रयोग गरेर अक्सफोर्ड पालतू जनावरहरूको वर्गीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md index a665177a..180fd0e8 100644 --- a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # अटोएनकोडरहरू CNNs 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। @@ -46,7 +37,7 @@ VAE भनेको अटोएनकोडर हो जसले गुप् * हामी वितरण N(zmean,exp(zlog\_sigma)) बाट `sample` भेक्टर लिन्छौं * डिकोडरले `sample` लाई इनपुट भेक्टरको रूपमा प्रयोग गरेर मूल छवि डिकोड गर्न प्रयास गर्छ - + > छवि [यो ब्लग पोस्ट](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) बाट, लेखक: इसाक डाइकमन @@ -57,13 +48,13 @@ VAE भनेको अटोएनकोडर हो जसले गुप् VAE को एउटा महत्त्वपूर्ण फाइदा यो हो कि यसले नयाँ छविहरू तुलनात्मक रूपमा सजिलै सिर्जना गर्न अनुमति दिन्छ, किनकि हामीलाई थाहा छ कुन वितरणबाट गुप्त भेक्टरहरू नमूना गर्नुपर्छ। उदाहरणका लागि, यदि हामीले MNIST मा 2D गुप्त भेक्टरको साथ VAE प्रशिक्षण गर्छौं भने, हामी गुप्त भेक्टरका घटकहरू फरक पारेर विभिन्न अंकहरू प्राप्त गर्न सक्छौं: -vaemnist +vaemnist > छवि [दिमित्री सश्निकोभ](http://soshnikov.com) द्वारा ध्यान दिनुहोस् कि छविहरू एकअर्कामा कसरी मिसिन्छन्, किनकि हामी गुप्त प्यारामिटर स्थानको विभिन्न भागहरूबाट गुप्त भेक्टरहरू प्राप्त गर्न थाल्छौं। हामी यस स्थानलाई 2D मा पनि दृश्यात्मक बनाउन सक्छौं: -vaemnist cluster +vaemnist cluster > छवि [दिमित्री सश्निकोभ](http://soshnikov.com) द्वारा diff --git a/translations/ne/lessons/4-ComputerVision/10-GANs/README.md b/translations/ne/lessons/4-ComputerVision/10-GANs/README.md index 49652982..639fdb54 100644 --- a/translations/ne/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/ne/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # जेनेरेटिभ एड्भर्सेरियल नेटवर्कहरू अघिल्लो खण्डमा, हामीले **जेनेरेटिभ मोडेलहरू** को बारेमा सिक्यौं: यस्ता मोडेलहरू जसले प्रशिक्षण डेटासेटमा भएका छविहरू जस्तै नयाँ छविहरू सिर्जना गर्न सक्छ। VAE एक राम्रो उदाहरण थियो जेनेरेटिभ मोडेलको। @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: GAN को मुख्य विचार दुई न्यूरल नेटवर्कहरूलाई एक-अर्काविरुद्ध प्रशिक्षण गराउनु हो: - + > चित्र: [दिमित्री सश्निकोभ](http://soshnikov.com) @@ -41,7 +32,7 @@ CNN डिस्क्रिमिनेटरमा निम्न तहह > ✅ किनभने कन्भोल्युसन तह छविमा रेखीय फिल्टरको रूपमा कार्यान्वयन गरिन्छ, डिकन्भोल्युसन कन्भोल्युसनसँग मिल्दोजुल्दो छ, र समान तह तर्क प्रयोग गरेर कार्यान्वयन गर्न सकिन्छ। - + > चित्र: [दिमित्री सश्निकोभ](http://soshnikov.com) diff --git a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md index 79758f0c..4fb5a9b8 100644 --- a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # वस्तु पहिचान (Object Detection) अहिलेसम्म हामीले अध्ययन गरेका छवि वर्गीकरण मोडेलहरूले एउटा छवि लिएर वर्गीय परिणाम उत्पादन गर्थे, जस्तै MNIST समस्यामा 'संख्या' वर्ग। तर, धेरै अवस्थामा हामीलाई केवल यो थाहा पाउन चाहिँदैन कि तस्वीरमा वस्तुहरू छन्; हामीलाई तिनीहरूको ठ्याक्कै स्थान पनि पत्ता लगाउन चाहिन्छ। यही उद्देश्यका लागि **वस्तु पहिचान (Object Detection)** प्रयोग गरिन्छ। diff --git a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index 26c963fa..1c00e288 100644 --- a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,12 +1,3 @@ - # हलिवुड हेड्स डेटासेट प्रयोग गरेर हेड डिटेक्शन [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md index ae97c07c..ba881fd8 100644 --- a/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/ne/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # सेग्मेन्टेसन हामीले पहिले **Object Detection** को बारेमा सिकेका थियौं, जसले हामीलाई तस्बिरमा वस्तुहरूको *bounding boxes* भविष्यवाणी गरेर तिनीहरूको स्थान पत्ता लगाउन मद्दत गर्छ। तर, केही कार्यहरूको लागि हामीलाई केवल bounding boxes मात्र होइन, वस्तुको अझै सटीक स्थान पत्ता लगाउन आवश्यक हुन्छ। यस कार्यलाई **सेग्मेन्टेसन** भनिन्छ। @@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: उदाहरणका लागि, instance segmentation मा यी भेडाहरू अलग-अलग वस्तुहरू हुन्, तर semantic segmentation मा सबै भेडाहरू एउटै वर्गले प्रतिनिधित्व गरिन्छ। - + > तस्बिर [यस ब्लग पोस्ट](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50) बाट। @@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA: * **Encoder** इनपुट तस्बिरबाट विशेषताहरू निकाल्छ। * **Decoder** ती विशेषताहरूलाई **mask image** मा रूपान्तरण गर्छ, जसको आकार र च्यानलहरूको संख्या वर्गहरूको संख्यालाई प्रतिनिधित्व गर्छ। - + > तस्बिर [यस प्रकाशन](https://arxiv.org/pdf/2001.05566.pdf) बाट। @@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA: > ✅ यो प्रविधि विशेष रूपमा यस प्रकारको मेडिकल इमेजिङका लागि उपयुक्त छ, तर तपाईं अन्य वास्तविक-जीवन अनुप्रयोगहरू के कल्पना गर्न सक्नुहुन्छ? -navi +navi > तस्बिर PH2 Database बाट। diff --git a/translations/ne/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/ne/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 4bf6f6a6..f3bd0cd2 100644 --- a/translations/ne/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,12 +1,3 @@ - # मानव शरीर खण्डीकरण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/4-ComputerVision/README.md b/translations/ne/lessons/4-ComputerVision/README.md index 4d2756cf..6cd509c4 100644 --- a/translations/ne/lessons/4-ComputerVision/README.md +++ b/translations/ne/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # कम्प्युटर भिजन ![कम्प्युटर भिजन सामग्रीको सारांश डुडलमा](../../../../translated_images/ne/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/ne/lessons/5-NLP/13-TextRep/README.md b/translations/ne/lessons/5-NLP/13-TextRep/README.md index 4d349581..907badd1 100644 --- a/translations/ne/lessons/5-NLP/13-TextRep/README.md +++ b/translations/ne/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # टेक्स्टलाई टेन्सरको रूपमा प्रतिनिधित्व गर्ने ## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/25) @@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA: यदि हामी न्यूरल नेटवर्कको साथ प्राकृतिक भाषा प्रशोधन (NLP) कार्यहरू समाधान गर्न चाहन्छौं भने, टेक्स्टलाई टेन्सरको रूपमा प्रतिनिधित्व गर्ने कुनै तरिका आवश्यक छ। कम्प्युटरहरूले पहिले नै ASCII वा UTF-8 जस्ता एन्कोडिङहरू प्रयोग गरेर स्क्रिनमा फन्टहरूमा म्याप गरिएका संख्याहरूको रूपमा पाठ्य वर्णहरू प्रतिनिधित्व गर्छन्। -क्यारेक्टरलाई ASCII र बाइनरी प्रतिनिधित्वमा म्याप गर्ने चित्र देखाउने छवि +क्यारेक्टरलाई ASCII र बाइनरी प्रतिनिधित्वमा म्याप गर्ने चित्र देखाउने छवि > [छवि स्रोत](https://www.seobility.net/en/wiki/ASCII) @@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: टेक्स्ट वर्गीकरण जस्ता कार्यहरू समाधान गर्दा, हामीलाई टेक्स्टलाई एक निश्चित आकारको भेक्टरद्वारा प्रतिनिधित्व गर्न सक्षम हुनुपर्छ, जसलाई अन्तिम घनत्व वर्गीकर्तामा इनपुटको रूपमा प्रयोग गरिन्छ। यसको सबैभन्दा सरल तरिका भनेको सबै व्यक्तिगत शब्द प्रतिनिधित्वहरूलाई संयोजन गर्नु हो, जस्तै तिनीहरूलाई थपेर। यदि हामी प्रत्येक शब्दको एक-हट एन्कोडिङहरू थप्छौं भने, हामी आवृत्तिहरूको भेक्टरमा पुग्छौं, जसले टेक्स्टभित्र प्रत्येक शब्द कति पटक देखा पर्छ भन्ने देखाउँछ। यस्तो टेक्स्टको प्रतिनिधित्वलाई **ब्याग-अफ-वर्ड्स** (BoW) भनिन्छ। - + > लेखकद्वारा छवि diff --git a/translations/ne/lessons/5-NLP/13-TextRep/assignment.md b/translations/ne/lessons/5-NLP/13-TextRep/assignment.md index 58ab240f..bd47bb87 100644 --- a/translations/ne/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/ne/lessons/5-NLP/13-TextRep/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेन्ट: नोटबुकहरू यस पाठसँग सम्बन्धित नोटबुकहरू (PyTorch वा TensorFlow संस्करणमध्ये कुनै एक), आफ्नै डाटासेट प्रयोग गरेर पुन: चलाउनुहोस्, सम्भवतः Kaggle बाट लिएको, जसलाई उचित श्रेय दिनुहोस्। आफ्नो निष्कर्षहरूलाई रेखांकित गर्न नोटबुकलाई पुन: लेख्नुहोस्। केही नवीन डाटासेटहरू प्रयास गर्नुहोस् जसले आश्चर्यजनक परिणाम दिन सक्छ, जस्तै [यो यूएफओ देखिएको घटनाहरूको बारेमा](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) NUFORC बाट। diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/README.md b/translations/ne/lessons/5-NLP/14-Embeddings/README.md index db514579..56e353a4 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ne/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # एम्बेडिङ्स ## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/assignment.md b/translations/ne/lessons/5-NLP/14-Embeddings/assignment.md index e69e295e..86be982b 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/ne/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेन्ट: नोटबुकहरू यस पाठसँग सम्बन्धित नोटबुकहरू (PyTorch वा TensorFlow संस्करण), आफ्नो आफ्नै डाटासेट प्रयोग गरेर पुन: चलाउनुहोस्, सम्भवतः Kaggle बाट लिएको, जसलाई श्रेय दिइएको छ। नोटबुकलाई पुन: लेख्नुहोस् ताकि तपाईंका आफ्नै निष्कर्षहरूलाई जोड दिन सकियोस्। फरक प्रकारको डाटासेट प्रयास गर्नुहोस् र आफ्नो निष्कर्षहरूलाई दस्तावेज गर्नुहोस्, जस्तै [यी Beatles गीतका शब्दहरू](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) प्रयोग गरेर। diff --git a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md index ab64d189..9d2e707d 100644 --- a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # भाषा मोडेलिङ Word2Vec र GloVe जस्ता सेम्यान्टिक एम्बेडिङहरू वास्तवमा **भाषा मोडेलिङ** तर्फको पहिलो कदम हुन् - यस्तो मोडेलहरू बनाउने जसले कुनै प्रकारले भाषा को प्रकृति *बुझ्न* (वा *प्रतिनिधित्व गर्न*) सकून्। diff --git a/translations/ne/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/ne/lessons/5-NLP/15-LanguageModeling/lab/README.md index 24bcf08f..88e54781 100644 --- a/translations/ne/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/ne/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,12 +1,3 @@ - # स्किप-ग्राम मोडेल प्रशिक्षण [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/5-NLP/16-RNN/README.md b/translations/ne/lessons/5-NLP/16-RNN/README.md index cdd7d851..f02ba910 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/README.md +++ b/translations/ne/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # पुनरावर्ती न्यूरल नेटवर्कहरू ## [पूर्व-व्याख्यान प्रश्नोत्तरी](https://ff-quizzes.netlify.app/en/ai/quiz/31) @@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA: साधारण RNN सेलभित्र दुईवटा तौल म्याट्रिक्स हुन्छन्: एउटा इनपुट प्रतीकलाई रूपान्तरण गर्छ (यसलाई W भनौं), र अर्को इनपुट स्थितिलाई रूपान्तरण गर्छ (H)। यस अवस्थामा, नेटवर्कको आउटपुट σ(W×Xi+H×Si-1+b) को रूपमा गणना गरिन्छ, जहाँ σ सक्रियता प्रकार्य हो र b थप पूर्वाग्रह हो। -RNN सेलको संरचना +RNN सेलको संरचना > लेखकद्वारा तयार गरिएको छवि diff --git a/translations/ne/lessons/5-NLP/16-RNN/assignment.md b/translations/ne/lessons/5-NLP/16-RNN/assignment.md index 41b95182..0692d329 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/ne/lessons/5-NLP/16-RNN/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेन्ट: नोटबुकहरू यस पाठसँग सम्बन्धित नोटबुकहरू (PyTorch वा TensorFlow संस्करण), आफ्नो आफ्नै डाटासेट प्रयोग गरेर पुन: चलाउनुहोस्, सम्भवतः Kaggle बाट लिएको, जसलाई श्रेय दिइएको छ। नोटबुकलाई पुन: लेख्नुहोस् ताकि तपाईंका आफ्नै निष्कर्षहरूलाई जोड दिन सकियोस्। फरक प्रकारको डाटासेट प्रयास गर्नुहोस् र आफ्नो निष्कर्षहरूलाई दस्तावेज गर्नुहोस्, जस्तै [यो Kaggle प्रतिस्पर्धा डाटासेट मौसम सम्बन्धी ट्वीटहरूबारे](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv) प्रयोग गरेर। diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md index d7aab15c..8642e689 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # जेनेरेटिभ नेटवर्कहरू ## [प्री-लेक्चर क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/33) @@ -36,7 +27,7 @@ Recurrent Neural Networks (RNNs) र तिनका गेटेड सेल पाठ उत्पन्न गर्दा (इनफरेन्सको समयमा), हामी केही **प्रम्प्ट** बाट सुरु गर्छौं, जुन RNN सेलहरू मार्फत पास गरिन्छ यसको मध्यवर्ती अवस्था उत्पन्न गर्न, र त्यसपछि यो अवस्थाबाट उत्पादन सुरु हुन्छ। हामी एक पटकमा एक क्यारेक्टर उत्पन्न गर्छौं, र अर्को RNN सेलमा अवस्था र उत्पन्न क्यारेक्टर पास गर्छौं अर्को क्यारेक्टर उत्पन्न गर्न, जबसम्म हामी पर्याप्त क्यारेक्टरहरू उत्पन्न गर्दैनौं। - + > लेखकद्वारा चित्र diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index 77d68dd2..6dcf3235 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,12 +1,3 @@ - # शब्द-स्तर पाठ उत्पादन RNNs प्रयोग गरेर [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/5-NLP/18-Transformers/README.md b/translations/ne/lessons/5-NLP/18-Transformers/README.md index b496e1c0..47bb6649 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ne/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # ध्यान मेकानिज्म र ट्रान्सफर्मरहरू ## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/35) @@ -56,7 +47,7 @@ Positional encoding को विचार निम्नानुसार छ * टोकन embedding जस्तै trainable embedding। यो यहाँ हामीले विचार गरेको दृष्टिकोण हो। हामी टोकनहरू र तिनका स्थितिहरूमा embedding लेयरहरू लागू गर्छौं, जसले समान आयामका embedding भेक्टरहरू उत्पादन गर्छ, जुन हामीले एकसाथ थप्छौं। * मूल पेपरमा प्रस्ताव गरिएको fixed position encoding function। - + > लेखकद्वारा चित्र। diff --git a/translations/ne/lessons/5-NLP/18-Transformers/assignment.md b/translations/ne/lessons/5-NLP/18-Transformers/assignment.md index c20242f6..981eb32e 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/ne/lessons/5-NLP/18-Transformers/assignment.md @@ -1,12 +1,3 @@ - # असाइनमेन्ट: ट्रान्सफर्मर्स HuggingFace मा ट्रान्सफर्मर्ससँग प्रयोग गर्नुहोस्! उनीहरूले उपलब्ध गराएका विभिन्न मोडेलहरूसँग काम गर्नका लागि प्रदान गरेका स्क्रिप्टहरू प्रयास गर्नुहोस्: https://huggingface.co/docs/transformers/run_scripts। उनीहरूको कुनै एउटा डाटासेट प्रयास गर्नुहोस्, त्यसपछि यो पाठ्यक्रमबाट वा Kaggle बाट आफ्नो कुनै डाटासेट आयात गर्नुहोस् र हेर्नुहोस् कि तपाईं रोचक पाठहरू उत्पन्न गर्न सक्नुहुन्छ कि सक्नुहुन्न। आफ्नो निष्कर्षहरू सहित एउटा नोटबुक तयार गर्नुहोस्। diff --git a/translations/ne/lessons/5-NLP/19-NER/README.md b/translations/ne/lessons/5-NLP/19-NER/README.md index b175300f..9a41f2b9 100644 --- a/translations/ne/lessons/5-NLP/19-NER/README.md +++ b/translations/ne/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # नामित इकाई पहिचान अहिलेसम्म, हामी प्रायः एक NLP कार्य - वर्गीकरणमा केन्द्रित भएका छौं। तर, न्यूरल नेटवर्कहरू प्रयोग गरेर अन्य NLP कार्यहरू पनि 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। @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: मानौं तपाईंले Amazon Alexa वा Google Assistant जस्तै प्राकृतिक भाषा च्याट बोट विकास गर्न चाहनुहुन्छ। बौद्धिक च्याट बोटहरू यसरी काम गर्छन् कि प्रयोगकर्ताले के चाहन्छ भनेर बुझ्नको लागि इनपुट वाक्यमा पाठ वर्गीकरण गर्छन्। यस वर्गीकरणको नतिजा **इन्टेन्ट** हो, जसले च्याट बोटले के गर्नुपर्छ भन्ने निर्धारण गर्छ। -Bot NER +Bot NER > लेखकद्वारा प्रदान गरिएको छवि diff --git a/translations/ne/lessons/5-NLP/19-NER/lab/README.md b/translations/ne/lessons/5-NLP/19-NER/lab/README.md index a28b4eee..f55798af 100644 --- a/translations/ne/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/ne/lessons/5-NLP/19-NER/lab/README.md @@ -1,12 +1,3 @@ - # NER [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट। diff --git a/translations/ne/lessons/5-NLP/20-LangModels/README.md b/translations/ne/lessons/5-NLP/20-LangModels/README.md index 1d13c92d..48ffeed2 100644 --- a/translations/ne/lessons/5-NLP/20-LangModels/README.md +++ b/translations/ne/lessons/5-NLP/20-LangModels/README.md @@ -1,12 +1,3 @@ - # प्रि-ट्रेन गरिएको ठूला भाषा मोडेलहरू हाम्रा अघिल्ला सबै कार्यहरूमा, हामीले कुनै निश्चित कार्य गर्न तर्फ लक्षित डेटासेट प्रयोग गरेर न्यूरल नेटवर्कलाई प्रशिक्षण गरिरहेका थियौं। ठूला ट्रान्सफर्मर मोडेलहरू, जस्तै BERT, मा हामी भाषा मोडेलिङलाई आत्म-नियन्त्रित तरिकामा प्रयोग गरेर भाषा मोडेल निर्माण गर्छौं, जसलाई पछि थप डोमेन-विशिष्ट प्रशिक्षणद्वारा विशेष कार्यका लागि अनुकूलित गरिन्छ। तर, यो प्रमाणित गरिएको छ कि ठूला भाषा मोडेलहरूले कुनै पनि डोमेन-विशिष्ट प्रशिक्षण बिना नै धेरै कार्यहरू समाधान गर्न सक्छन्। यस्तो मोडेलहरूको परिवारलाई **GPT**: जेनेरेटिभ प्रि-ट्रेन गरिएको ट्रान्सफर्मर भनिन्छ। diff --git a/translations/ne/lessons/5-NLP/README.md b/translations/ne/lessons/5-NLP/README.md index 5a4d3533..eb8932f4 100644 --- a/translations/ne/lessons/5-NLP/README.md +++ b/translations/ne/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # प्राकृतिक भाषा प्रशोधन ![NLP कार्यहरूको सारांश](../../../../translated_images/ne/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md index 1ece6ef4..8db2a026 100644 --- a/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/ne/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,12 +1,3 @@ - # जेनेटिक एल्गोरिथमहरू ## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/41) diff --git a/translations/ne/lessons/6-Other/22-DeepRL/README.md b/translations/ne/lessons/6-Other/22-DeepRL/README.md index 97b80972..8d7753e1 100644 --- a/translations/ne/lessons/6-Other/22-DeepRL/README.md +++ b/translations/ne/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # डीप रिइन्फोर्समेन्ट लर्निङ रिइन्फोर्समेन्ट लर्निङ (RL) लाई सुपरभाइज्ड लर्निङ र अनसुपरभाइज्ड लर्निङसँगै आधारभूत मेसिन लर्निङको एक प्रकारको रूपमा हेरिन्छ। जहाँ सुपरभाइज्ड लर्निङमा हामीलाई निश्चित परिणामसहितको डाटासेट चाहिन्छ, RL भने **गरि सिक्ने** प्रक्रियामा आधारित छ। उदाहरणका लागि, जब हामीले पहिलो पटक कम्प्युटर गेम देख्छौं, हामी खेल्न थाल्छौं, नियमहरू नजाने पनि। खेल्दै जाँदा र आफ्नो व्यवहार समायोजन गर्दै, हामी आफ्नो सीप सुधार गर्न सक्षम हुन्छौं। @@ -34,7 +25,7 @@ RL को लागि एक उत्कृष्ट उपकरण [OpenAI G ब्यालेन्सिङको सरल संस्करणलाई **CartPole** समस्या भनिन्छ। CartPole संसारमा, हामीसँग एउटा तेर्सो स्लाइडर हुन्छ, जसले बायाँ वा दायाँ सर्न सक्छ, र लक्ष्य भनेको स्लाइडरको माथि ठडिएको पोललाई ब्यालेन्स गर्नु हो। -a cartpole +a cartpole यस पर्यावरण सिर्जना गर्न र प्रयोग गर्नका लागि, हामीलाई केही लाइनको Python कोड चाहिन्छ: diff --git a/translations/ne/lessons/6-Other/22-DeepRL/lab/README.md b/translations/ne/lessons/6-Other/22-DeepRL/lab/README.md index 3ea918dc..8d62637d 100644 --- a/translations/ne/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/ne/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - ## वातावरण माउन्टेन कार वातावरणमा कार एउटा उपत्यकाभित्र फसेको छ। तपाईंको लक्ष्य उपत्यकाबाट बाहिर निस्केर झण्डासम्म पुग्नु हो। तपाईंले गर्न सक्ने क्रियाकलापहरूमा बायाँतर्फ गति बढाउनु, दायाँतर्फ गति बढाउनु, वा केही नगर्नु समावेश छ। तपाईंले कारको x-अक्षमा स्थिति र वेगलाई अवलोकन गर्न सक्नुहुन्छ। diff --git a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md index ffacea2c..1d1467bc 100644 --- a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # बहु-एजेन्ट प्रणालीहरू बुद्धिमत्ता प्राप्त गर्ने सम्भावित तरिकाहरू मध्ये एक **उत्पन्न** (वा **सिनर्जेटिक**) दृष्टिकोण हो, 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-स्तरीय प्रणालीहरूले तल्लो-स्तरीय प्रणालीहरूलाई सही तरिकाले संयोजन गर्दा थप मूल्य प्राप्त गर्छन् भन्ने कुरा बताउँछ (*मेटासिस्टम ट्रान्जिसनको सिद्धान्त* भनिन्छ)। @@ -60,7 +51,7 @@ ask turtles [ NetLogo को एक उत्कृष्ट पक्ष यो हो कि यसमा काम गर्ने मोडेलहरूको पुस्तकालय छ जुन तपाईं प्रयास गर्न सक्नुहुन्छ। **File → Models Library** मा जानुहोस्, र तपाईंले मोडेलहरूको धेरै श्रेणीहरू छनोट गर्न सक्नुहुन्छ। -NetLogo Models Library +NetLogo Models Library > Dmitry Soshnikov द्वारा मोडेल पुस्तकालयको स्क्रिनशट diff --git a/translations/ne/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/ne/lessons/6-Other/23-MultiagentSystems/assignment.md index 61986c1e..eefe7360 100644 --- a/translations/ne/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/ne/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,12 +1,3 @@ - # नेटलोगो असाइनमेन्ट नेटलोगोको पुस्तकालयमा रहेको कुनै एउटा मोडेल लिनुहोस् र यसलाई वास्तविक जीवनको परिस्थितिलाई सकेसम्म नजिकबाट अनुकरण गर्न प्रयोग गर्नुहोस्। एउटा राम्रो उदाहरण भनेको अल्टरनेटिभ भिजुअलाइजेसन फोल्डरमा रहेको भाइरस मोडेललाई परिमार्जन गरेर यसलाई COVID-19 को फैलावटलाई मोडल गर्न कसरी प्रयोग गर्न सकिन्छ भन्ने देखाउनु हो। के तपाईं वास्तविक जीवनको भाइरल फैलावटलाई अनुकरण गर्ने मोडेल बनाउन सक्नुहुन्छ? diff --git a/translations/ne/lessons/7-Ethics/README.md b/translations/ne/lessons/7-Ethics/README.md index 9e0a9da8..e4fc8e1e 100644 --- a/translations/ne/lessons/7-Ethics/README.md +++ b/translations/ne/lessons/7-Ethics/README.md @@ -1,12 +1,3 @@ - # नैतिक र जिम्मेवार एआई तपाईंले यो पाठ्यक्रम लगभग समाप्त गर्नुभएको छ, र आशा छ कि अहिले सम्म तपाईंले स्पष्ट रूपमा देख्नुभएको छ कि एआई धेरै औपचारिक गणितीय विधिहरूमा आधारित छ जसले हामीलाई डाटामा सम्बन्धहरू पत्ता लगाउन र केही मानव व्यवहारको पक्षहरू पुन: निर्माण गर्न मोडेलहरू प्रशिक्षण दिन अनुमति दिन्छ। अहिलेको समयमा, हामी एआईलाई डाटाबाट ढाँचा निकाल्न र ती ढाँचाहरूलाई नयाँ समस्याहरू समाधान गर्न लागू गर्न एक धेरै शक्तिशाली उपकरण मान्छौं। diff --git a/translations/ne/lessons/README.md b/translations/ne/lessons/README.md index 86c24757..63fb9ab9 100644 --- a/translations/ne/lessons/README.md +++ b/translations/ne/lessons/README.md @@ -1,12 +1,3 @@ - # अवलोकन ![डुडलमा अवलोकन](../../../translated_images/ne/ai-overview.0857791951d19500.webp) diff --git a/translations/ne/lessons/X-Extras/X1-MultiModal/README.md b/translations/ne/lessons/X-Extras/X1-MultiModal/README.md index 00aae04f..c9b6ebd0 100644 --- a/translations/ne/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/ne/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # मल्टी-मोडल नेटवर्कहरू NLP कार्यहरू समाधान गर्न ट्रान्सफर्मर मोडेलहरूको सफलतापछि, त्यस्तै वा समान आर्किटेक्चरहरू कम्प्युटर भिजन कार्यहरूमा लागू गरिएको छ। भिजन र प्राकृतिक भाषाको क्षमता *जोड्ने* मोडेलहरू निर्माण गर्ने चासो बढ्दै गएको छ। यस्ता प्रयासहरू मध्ये एक OpenAI द्वारा गरिएको थियो, जसलाई CLIP र DALL.E भनिन्छ। diff --git a/translations/ne/lessons/sketchnotes/LICENSE.md b/translations/ne/lessons/sketchnotes/LICENSE.md index 7dfd62b3..5ba5c014 100644 --- a/translations/ne/lessons/sketchnotes/LICENSE.md +++ b/translations/ne/lessons/sketchnotes/LICENSE.md @@ -1,12 +1,3 @@ - अट्रिब्युसन-शेयरअलाइक 4.0 अन्तर्राष्ट्रिय ======================================================================= diff --git a/translations/ne/lessons/sketchnotes/README.md b/translations/ne/lessons/sketchnotes/README.md index 7cda663d..1ef738de 100644 --- a/translations/ne/lessons/sketchnotes/README.md +++ b/translations/ne/lessons/sketchnotes/README.md @@ -1,12 +1,3 @@ - सबै पाठ्यक्रमका स्केच नोट्स यहाँबाट डाउनलोड गर्न सकिन्छ। 🎨 सिर्जना गरिएको: टोमोमी इमुरा (ट्विटर: [@girlie_mac](https://twitter.com/girlie_mac), गिटहब: [girliemac](https://github.com/girliemac)) diff --git a/translations/ne/troubleshoot.md b/translations/ne/troubleshoot.md index d171ecda..d62114b0 100644 --- a/translations/ne/troubleshoot.md +++ b/translations/ne/troubleshoot.md @@ -1,12 +1,3 @@ - # AI-For-Beginners समस्या समाधान मार्गदर्शक यो मार्गदर्शकले [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) रिपोजिटरी प्रयोग गर्दा वा योगदान गर्दा देखिने सामान्य समस्याहरू समाधान गर्न मद्दत गर्दछ। प्रत्येक समस्यामा पृष्ठभूमि, लक्षणहरू, व्याख्या, र चरण-दर-चरण समाधानहरू समावेश छन्। diff --git a/translations/pa/.co-op-translator.json b/translations/pa/.co-op-translator.json new file mode 100644 index 00000000..cceecfb6 --- /dev/null +++ b/translations/pa/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-10-03T09:18:46+00:00", + "source_file": "AGENTS.md", + "language_code": "pa" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T01:38:51+00:00", + "source_file": "README.md", + "language_code": "pa" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-08-26T07:56:30+00:00", + "source_file": "SECURITY.md", + "language_code": "pa" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-08-26T11:17:31+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "pa" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-08-26T11:20:10+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "pa" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-08-26T11:23:33+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "pa" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-08-26T11:16:37+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "pa" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-08-26T11:18:49+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "pa" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-08-26T11:26:32+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "pa" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-10-03T11:29:33+00:00", + "source_file": "examples/README.md", + "language_code": "pa" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-08-26T11:12:46+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "pa" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-15T13:19:33+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "pa" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T19:36:37+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "pa" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-18T21:13:56+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "pa" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-18T21:15:35+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "pa" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-15T13:20:03+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "pa" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-08-26T11:07:26+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-09-23T07:37:40+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-08-29T06:53:08+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-09-23T07:37:02+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-08-26T10:29:39+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-09-23T07:38:08+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-08-26T10:35:38+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "pa" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-10-03T12:46:10+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-09-23T07:29:31+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-08-26T09:41:23+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-09-23T07:28:22+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-09-23T07:27:56+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-10-03T14:54:07+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-09-23T07:28:47+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-08-26T09:50:45+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-08-26T09:53:25+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-09-23T07:30:48+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-09-23T07:31:50+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-09-23T07:30:11+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-08-26T09:25:46+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-09-23T07:31:23+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-08-26T09:12:52+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "pa" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-08-26T09:03:10+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-09-23T07:42:40+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-08-26T08:28:59+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "pa" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-09-23T07:42:07+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-08-26T08:18:11+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "pa" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-09-23T07:39:25+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-08-26T08:32:40+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-09-23T07:41:24+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-08-26T08:13:21+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "pa" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-09-23T07:38:50+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-08-26T08:23:21+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-09-23T07:39:41+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-08-26T08:41:10+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "pa" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-09-23T07:40:56+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-08-26T08:51:27+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-09-23T07:40:28+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "pa" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-08-26T08:05:51+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "pa" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-09-23T07:25:31+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "pa" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-09-23T07:27:11+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "pa" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-08-26T10:17:08+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "pa" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-09-23T07:26:26+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "pa" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-08-26T10:11:33+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "pa" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-08-26T08:00:32+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "pa" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-08-26T07:57:36+00:00", + "source_file": "lessons/README.md", + "language_code": "pa" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-08-26T10:20:30+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "pa" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-08-26T10:51:40+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "pa" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-08-26T10:40:58+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "pa" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-10-03T09:41:20+00:00", + "source_file": "troubleshoot.md", + "language_code": "pa" + } +} \ No newline at end of file diff --git a/translations/pa/AGENTS.md b/translations/pa/AGENTS.md index 4fb7c815..7522bd87 100644 --- a/translations/pa/AGENTS.md +++ b/translations/pa/AGENTS.md @@ -1,12 +1,3 @@ - # AGENTS.md ## ਪ੍ਰੋਜੈਕਟ ਝਲਕ diff --git a/translations/pa/README.md b/translations/pa/README.md index 874d82f5..71449adc 100644 --- a/translations/pa/README.md +++ b/translations/pa/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -21,213 +12,213 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# ਸ਼ੁਰੂਆਤੀ ਲਈ ਕృਤਰਿਮ ਬੁੱਧੀ - ਇੱਕ ਕੋਰਸ +# ਬਿਗਿਨਰਾਂ ਲਈ ਕ੍ਰਿਤਿਮ ਬੁੱਧੀ - ਇੱਕ ਕਰਿਕੁਲਮ -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/pa/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/pa/ai-overview.0857791951d19500.webp)| |:---:| -| ਸ਼ੁਰੂਆਤੀ ਲਈ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ - _ਸਕੇਚਨੋਟ ਦੁਆਰਾ [@girlie_mac](https://twitter.com/girlie_mac)_ | +| ਬਿਗਿਨਰਾਂ ਲਈ AI - _ਸਕੇਚਨੋਟ ਦੁਆਰਾ [@girlie_mac](https://twitter.com/girlie_mac)_ | -ਸਾਡੇ 12 ਹਫ਼ਤਿਆਂ, 24 ਪਾਠਾਂ ਦੇ ਕੋਰਸ ਨਾਲ **ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ** (AI) ਦੀ ਦੁਨੀਆ ਦੀ ਖੋਜ ਕਰੋ! ਇਸ ਵਿੱਚ ਵਰਤਮਾਨ ਪਾਠ, ਪ੍ਰਸ਼ਨੋੱਤਰ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਕੋਰਸ ਸ਼ੁਰੂਆਤੀ-ਮਿੱਤਰ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ TensorFlow ਅਤੇ PyTorch ਵਰਗੇ ਉਪਕরণਾਂ ਦੇ ਨਾਲ-ਨਾਲ AI ਵਿੱਚ ਨੈਤਿਕਤਾ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ। +ਸਾਡੇ 12 ਹਫ਼ਤਿਆਂ, 24 ਪਾਠਾਂ ਦੇ ਕਰਿਕੁਲਮ ਨਾਲ **ਕ੍ਰਿਤਿਮ ਬੁੱਧੀ** (AI) ਦੀ ਦੁਨੀਆ ਨੂੰ ਖੋਜੋ! ਇਹ ਵਿੱਚ ਪ੍ਰਾਟੈਕਟਿਕਲ ਪਾਠ, ਕੁਇਜ਼, ਅਤੇ ਲੈਬ ਸ਼ਾਮਲ ਹਨ। ਕਰਿਕੁਲਮ ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਿੱਤਰ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ ਟੈਨਸਰਫਲੋ ਅਤੇ ਪਾਈਟਾਰਚ ਵਰਗੇ ਟੂਲ ਅਤੇ AI ਵਿੱਚ ਨੈਤਿਕਤਾ ਨੂੰ ਵੀ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। -### 🌐 ਬਹੁ-ਭਾਸ਼ਾ ਸਹਾਇਤਾ +### 🌐 ਬਹੁਭਾਸ਼ਾਈ ਸਹਾਇਤਾ -#### ਗਿਟਹੱਬ ਐਕਸ਼ਨ ਰਾਹੀਂ ਸਮਰਥਿਤ (ਆਟੋਮੇਟਿਕ ਅਤੇ ਸਦਾ ਅਪਡੇਟ ਰਹਿੰਦਾ) +#### GitHub ਐਕਸ਼ਨ ਦੁਆਰਾ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ (ਸਵੈਚਾਲਿਤ ਅਤੇ ਸਦਾ ਤਾਜ਼ਾ) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](./README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](./README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **ਕੀ ਤੁਸੀਂ ਲੋਕਲ ਕਲੋਨ ਪ੍ਰਾਥਮਿਕਤਾ ਦਿੰਦੇ ਹੋ?** +> **ਕੀ ਤੁਸੀਂ ਲੋਕਲ ਲਈ ਕਲੋਨ ਕਰਨਾ ਪਸੰਦ ਕਰੋਗੇ?** -> ਇਹ ਰਿਪੋ ਵਿੱਚ 50+ ਭਾਸ਼ਾਈ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਦਾ ਆਕਾਰ ਕਾਫੀ ਵਧਾ ਦਿੰਦੇ ਹਨ। ਬਿਨਾਂ ਅਨੁਵਾਦਾਂ ਦੇ ਕਲੋਨ ਕਰਨ ਲਈ, ਸਪਾਰਸ ਚੇਕਆਊਟ ਵਰਤੋਂ ਕਰੋ: +> ਇਹ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ 50+ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਸਾਈਜ਼ ਨੂੰ ਬਹੁਤ ਵੱਧਾਉਂਦੇ ਹਨ। ਬਿਨਾ ਅਨੁਵਾਦਾਂ ਦੇ ਕਲੋਨ ਕਰਨ ਲਈ, sparse checkout ਵਰਤੋ: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> ਇਸ ਨਾਲ ਤੁਹਾਨੂੰ ਕੋਰਸ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਸਾਰਾ ਕੁਝ ਮਿਲਦਾ ਹੈ ਪਰ ਡਾਊਨਲੋਡ ਬਹੁਤ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ। +> ਇਸ ਨਾਲ ਤੁਹਾਨੂੰ ਕੋਰਸ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਹਰ ਚੀਜ਼ ਮਿਲਦੀ ਹੈ ਤੇ ਡਾਊਨਲੋਡ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ। -**ਜੇ ਤੁਸੀਂ ਹੋਰ ਅਨੁਵਾਦ ਭਾਸ਼ਾਵਾਂ ਦੀ ਮੰਗ ਕਰਦੇ ਹੋ ਤਾਂ ਉਹਨਾਂ ਨੂੰ [ਇੱਥੇ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ਵੇਖੋ** +**ਜੇ ਤੁਸੀਂ ਵਾਧੂ ਅਨੁਵਾਦਾਂ ਲਈ ਬੋਲੀ ਸਰਪੋਰਟ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਉਹ ਇੱਥੇ ਦਰਜ ਹਨ [ਇਥੇ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** -## ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ +## ਕਮਿਊਨਿਟੀ ਨਾਲ ਜੁੜੋ [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ -**[ਕੋਰਸ ਦਾ ਮਾਈਂਡਮੈਪ](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[ਕੋਰਸ ਦੀ ਮਾਈਂਡਮੈਪ](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ: +ਇਸ ਕਰਿਕੁਲਮ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ: -* ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਵੱਖ-ਵੱਖ ਦਾੜ੍ਹ, ਜਿਸ ਵਿੱਚ "ਚੰਗਾ ਪੁਰਾਣਾ" ਪ੍ਰਤੀਕਾਤਮਕ (symbolic) ਰਵੱਈਆ ਸੰਝੇਦਾਰੀ ਰਿਪ੍ਰੈਜ਼ੈਂਟੇਸ਼ਨ ਅਤੇ ਤਰਕ ਵਿਗਿਆਨ ਨਾਲ ਸਹਿਤ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))। -* **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਅਤੇ **ਡੀਪ ਲਰਨਿੰਗ**, ਜੋ ਆਧੁਨਿਕ AI ਦੇ ਕੇਂਦਰ ਹਨ। ਅਸੀਂ ਇਹ ਮੁੱਖ ਮੌਜੂਦਾ ਵਿਸ਼ਿਆਂ ਨੂੰ ਦੋ ਪ੍ਰਸਿੱਧ ਫਰੇਮਵਰਕਸ - [TensorFlow](http://Tensorflow.org) ਅਤੇ [PyTorch](http://pytorch.org) ਵਿੱਚ ਕੋਡ ਦੀ ਵਰਤੋਂ ਨਾਲ ਵਿਵਰਣ ਕਰਾਂਗੇ। -* ਚਿੱਤਰਾਂ ਅਤੇ ਲਿਖਤ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ **ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰਜ਼**। ਅਸੀਂ ਹਾਲੀਆ ਮਾਡਲਜ਼ ਕਵਰ ਕਰਾਂਗੇ ਪਰ ਸਾਇੰਸ ਦੇ ਸਬ ਤੋਂ ਅਗਲੇ ਦਰਜੇ ਵਿੱਚ ਸ਼ਾਇਦ ਕੁਝ ਘਾਟ ਹੋ ਸਕਦੀ ਹੈ। -* ਘੱਟ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ AI ਪਹੁੰਚਾਂ, ਜਿਵੇਂ ਕਿ **ਜੀਨੈਟਿਕ ਐਲਗੋਰਿਥਮਸ** ਅਤੇ **ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਜ਼**। +* ਕ੍ਰਿਤਿਮ ਬੁੱਧੀ ਲਈ ਵੱਖ-ਵੱਖ ਪਹੁੰਚਾਂ, ਜਿਸ ਵਿੱਚ "ਚੰਗੀ ਪੁਰਾਣੀ" ਪ੍ਰਤੀਕਾਤਮਕ ਪਹੁੰਚ ਜਿਸ ਵਿੱਚ **ਜਾਨਕਾਰੀ ਪ੍ਰਤੀਨਿਧਿਤਾ** ਅਤੇ ਤਰਕ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) ਸ਼ਾਮਲ ਹਨ। +* **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਅਤੇ **ਡੀਪ ਲਰਨਿੰਗ**, ਜੋ ਮਾਡਰਨ AI ਦੇ ਮੁੱਖ ਹਨ। ਅਸੀਂ ਇਹ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ਿਆਂ ਨੂੰ ਦੋ ਸਭ ਤੋਂ ਲੋਕਪ੍ਰਿਯ ਫਰੇਮਵਰਕਸ - [TensorFlow](http://Tensorflow.org) ਅਤੇ [PyTorch](http://pytorch.org) ਵਿੱਚ ਕੋਡ ਨਾਲ ਦਰਸਾਵਾਂਗੇ। +* ਤਸਵੀਰਾਂ ਅਤੇ ਲਿਖਤ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ **ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰਸ**। ਅਸੀਂ ਹਾਲੀਆ ਮਾਡਲ ਕਵਰ ਕਰਾਂਗੇ ਪਰ ਸ਼ਾਇਦ ਸਟੇਟ-ਆਫ-ਦ-ਆਰਟ ਤੋਂ ਥੋੜਾ ਪਿੱਛੇ ਰਹਿਣ। +* ਘੱਟ ਪ੍ਰਸਿੱਧ AI ਪਹੁੰਚਾਂ, ਜਿਵੇਂ ਕਿ **ਜੀਨੈਟਿਕ ਅਲਗੋਰਿਦਮ** ਅਤੇ **ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਸ**। -ਇਸ ਕੋਰਸ ਵਿੱਚ ਅਸੀਂ ਕੀ ਨਹੀਂ ਕਵਰ ਕਰਾਂਗੇ: +ਇਸ ਕਰਿਕੁਲਮ ਵਿੱਚ ਅਸੀਂ ਜੋ ਨਹੀਂ ਕਵਰ ਕਰਾਂਗੇ: -> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਾਧਨਾਂ ਨੂੰ ਸਾਡੇ ਮਾਈਕ੍ਰੋਸਾਫਟ ਲਰਨ ਕਲੇਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤਾਂ ਨੂੰ ਸਾਡੇ Microsoft Learn ਕਲੇਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* **ਕਾਰੋਬਾਰ ਵਿੱਚ AI** ਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰੋਬਾਰੀ ਮਾਮਲੇ। ਇਸ ਲਈ, ਤੁਸੀਂ Microsoft Learn 'ਤੇ [ਕਾਰੋਬਾਰੀ ਵਰਤੋਂਕਾਰਾਂ ਲਈ AI ਦਾ ਪਰੀਚਯ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਜਾਂ [AI ਬਿਜ਼ਨਿਸ ਸਕੂਲ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ਜੋ [INSEAD](https://www.insead.edu/) ਨਾਲ ਸਹਿਯੋਗ ਵਿੱਚ ਵਿਕਸਿਤ ਹੈ, ਲੈ ਸਕਦੇ ਹੋ। -* **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ**, ਜੋ ਸਾਡੇ [ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼ ਕੋਰਸ](http://github.com/Microsoft/ML-for-Beginners) ਵਿੱਚ ਵਧੀਆ ਦੱਸਿਆ ਗਿਆ ਹੈ। -* **ਕੌਗਨਿਟਿਵ ਸਰਵਿਸਿਜ਼** ਦੀ ਵਰਤੋਂ ਨਾਲ ਬਣੇ ਕਾਰਗਰ AI ਐਪਲੀਕੇਸ਼ਨ। ਇਸ ਲਈ, ਅਸੀਂ Microsoft Learn 'ਤੇ [ਦ੍ਰਿਸ਼ਟੀ](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI ਸੇਵਾ ਨਾਲ ਜਨਰੇਟਿਵ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ਅਤੇ ਹੋਰ ਮਾਡਿਊਲ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ। -* ਵਿਸ਼ੇਸ਼ ਮਸ਼ੀਨ ਲਰਨਿੰਗ **ਕਲਾਉਡ ਫਰੇਮਵਰਕਸ**, ਜਿਵੇਂ ਕਿ [Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft ਫੈਬਰਿਕ](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ਜਾਂ [Azure ਡੇਟਾਬ੍ਰਿਕਸ](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। ਤੁਸੀਂ [Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਓ ਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ਅਤੇ [Azure ਡੇਟਾਬ੍ਰਿਕਸ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਓ ਅਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਵਰਤ ਸਕਦੇ ਹੋ। -* **ਸੰਵਾਦਾਤਮਕ AI** ਅਤੇ **ਚੈਟ ਬੌਟਸ**। ਇਸ ਲਈ ਇੱਕ ਵੱਖਰਾ [ਸੰਵਾਦਾਤਮਕ AI ਹੱਲ ਬਣਾਓ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਲਈ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ਨੂੰ ਵੀ ਦੇਖ ਸਕਦੇ ਹੋ। -* ਡੀਪ ਲਰਨਿੰਗ ਦਾ **ਗਣਿਤਵਿਗਿਆਨ**। ਇਸ ਲਈ ਸਾਡੀ ਸਿਫਾਰਿਸ਼ ਹੈ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ਜਿਹੜੀ Ian Goodfellow, Yoshua Bengio ਅਤੇ Aaron Courville ਨੇ ਲਿਖੀ ਹੈ, ਜੋ ਆਨਲਾਈਨ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) 'ਤੇ ਵੀ ਉਪਲਬਧ ਹੈ। +* **ਕਾਰੋਬਾਰ ਵਿੱਚ AI** ਦੀ ਕਾਰੋਬਾਰੀ ਸੂਟਾਂ। Microsoft Learn 'ਤੇ [ਕਾਰੋਬਾਰੀ ਯੂਜ਼ਰਾਂ ਲਈ AI ਦਾ ਜਾਣ-ਪਹਿਚਾਣ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਜਾਂ [AI ਬਿਜ਼ਨਸ ਸਕੂਲ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ਜੋ [INSEAD](https://www.insead.edu/) ਨਾਲ ਸਹਿਯੋਗ ਵਿੱਚ ਵਿਕਸਿਤ ਕੀਤੀ ਗਈ ਹੈ, ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ। +* **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ**, ਜਿਸਦਾ ਚੰਗਾ ਵਰਣਨ ਸਾਡੇ [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਹੈ। +* **[ਕੋਗਨਿਟਿਵ ਸਰਵਿਸਿਜ਼](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਬਣਾਈ ਗਈ ਕਾਰਗਰ AI ਐਪਲੀਕੇਸ਼ਨ। ਇਸ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ Microsoft Learn ਦੇ ਮੋਡੀਊਲਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI ਸੇਵਾ ਨਾਲ ਜੈਨਰੇਟਿਵ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ਅਤੇ ਹੋਰ। +* ਖ਼ਾਸ ML **ਕਲਾਉਡ ਫਰੇਮਵਰਕਸ**, ਜਿਵੇਂ ਕਿ [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ਜਾਂ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure Machine Learning ਦੇ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਲੂਸ਼ਨਸ ਬਣਾਓ ਅਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ਅਤੇ [Azure Databricks ਦੇ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਲੂਸ਼ਨਸ ਬਣਾਓ ਅਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਸੋਚੋ। +* **ਗੱਲਬਾਤੀ AI** ਅਤੇ **ਚੈਟ ਬੋਟਸ**। ਇਸ ਲਈ ਇੱਕ ਵੱਖਰਾ [ਗੱਲਬਾਤੀ AI ਸਲੂਸ਼ਨ ਬਣਾਉ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਇਹ ਬਲੌਗ ਪੋਸਟ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ਨੂੰ ਵੀ ਰੈਫਰ ਕਰ ਸਕਦੇ ਹੋ। +* ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਪਿੱਛੇ ਦੀ **ਗਣਿਤ**। ਇਸ ਲਈ, ਅਸੀਂ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ਲੇਖਕ Ian Goodfellow, Yoshua Bengio ਅਤੇ Aaron Courville ਦੀ ਪੁਸਤਕ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ, ਜੋ ਆਨਲਾਈਨ ਵੀ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) ਉਪਲਬਧ ਹੈ। -_ਕਲਾਉਡ ਵਿੱਚ AI_ ਦੇ ਇੱਕ ਹੌਲੀ ਪਰੀਚਯ ਲਈ ਤੁਸੀਂ [Azure 'ਤੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਵੀ ਲੈ ਸਕਦੇ ਹੋ। +_ਕਲਾਊਡ ਵਿੱਚ AI_ ਵਿਚ ਇੱਕ ਨਰਮ ਪਰਿਚਯ ਲਈ ਤੁਸੀਂ [Azure ਉੱਤੇ ਕ੍ਰਿਤਿਮ ਬੁੱਧੀ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਥ ਲੈਣਾ ਵੀ ਸੋਚ ਸਕਦੇ ਹੋ। # ਸਮੱਗਰੀ -| | ਪਾਠ ਲਿੰਕ | PyTorch/Keras/TensorFlow | ਪ੍ਰਯੋਗਸ਼ਾਲਾ | +| | ਪਾਠ ਲਿੰਕ | PyTorch/Keras/TensorFlow | ਲੈਬ | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [ਕੋਰਸ ਸੈੱਟਅਪ](./lessons/0-course-setup/setup.md) | [ਆਪਣੇ ਵਿਕਾਸ ਦਾ ਮਾਹੌਲ ਸੈੱਟ ਕਰੋ](./lessons/0-course-setup/how-to-run.md) | | -| I | [**AI ਦਾ ਪਰਚਯ**](./lessons/1-Intro/README.md) | | | -| 01 | [AI ਦਾ ਪਰਚਯ ਅਤੇ ਇਤਿਹਾਸ](./lessons/1-Intro/README.md) | - | - | +| 0 | [ਕੋਰਸ ਸੈੱਟਅਪ](./lessons/0-course-setup/setup.md) | [ਆਪਣੇ ਵਿਕਾਸ ਦਾ ਵਾਤਾਵਰਣ ਸੈੱਟ ਕਰੋ](./lessons/0-course-setup/how-to-run.md) | | +| I | [**AI ਦਾ ਜਾਣ-ਪਹਿਚਾਣ**](./lessons/1-Intro/README.md) | | | +| 01 | [AI ਦਾ ਜਾਣ-ਪਹਿਚਾਣ ਅਤੇ ਇਤਿਹਾਸ](./lessons/1-Intro/README.md) | - | - | | II | **ਪ੍ਰਤੀਕਾਤਮਕ AI** | -| 02 | [ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਤੀਨਿਧੀ ਅਤੇ ਨਿਪੁੰਨ ਸਿਸਟਮ](./lessons/2-Symbolic/README.md) | [ਨਿਪੁੰਨ ਸਿਸਟਮ](./lessons/2-Symbolic/Animals.ipynb) / [ਓਨਟੋਲੋਜੀ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ਸੰਕਲਪ ਗਰਾਫ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | -| III | [**ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਚਯ**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [ਪਰਸੀਪਟ੍ਰੌਨ](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [ਮਲਟੀ-ਲੇਅਰਡ ਪਰਸੀਪਟ੍ਰੌਨ ਅਤੇ ਆਪਣਾ ਖੁਦ ਦਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [ਫਰੇਮਵਰਕਸ ਦਾ ਪਰਚਿਆ (PyTorch/TensorFlow) ਅਤੇ ਓਵਰਫਿਟਿੰਗ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [ਮਾਇਕ੍ਰੋਸਾਫਟ ਐਜ਼ਯੁਰ 'ਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਿਚਯ। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [ਨੋਟਬੁੱਕ](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [ਕਨਵੋਲੁਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ਆਰਕੀਟੈਕਚਰਸ](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [ਪ्री-ਟ੍ਰੇਨਡ ਨੈੱਟਵਰਕਸ ਅਤੇ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ](./lessons/4-ComputerVision/08-TransferLearning/README.md) ਅਤੇ [ਟ੍ਰੇਨਿੰਗ ਟ੍ਰਿਕਸ](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [ਆਟੋਐਨਕੋਡਰਸ ਅਤੇ VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈੱਟਵਰਕਸ ਅਤੇ ਆਰਟੀਸਟਿਕ ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [ਓਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [ਸੇਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | -| V | [**ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [ਮਾਇਕ੍ਰੋਸਾਫਟ ਐਜ਼ਯੁਰ 'ਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਿਤਾ। Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | -| 14 | [ਸੇਮੈਂਟਿਕ ਵਰਡ ਐਮਬੈਡਿੰਗਸ। Word2Vec ਅਤੇ GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ। ਆਪਣੀਆਂ ਐਮਬੈਡਿੰਗਜ਼ ਸਿੱਖਣਾ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [ਰੀਕਰਨਟ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | -| 17 | [ਜਨਰੇਟਿਵ ਰੀਕਰਨਟ ਨੈੱਟਵਰਕਸ](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ਲੈਬ](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | -| 18 | [ਟ੍ਰਾਂਸਫਰਮਰਜ਼। BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [ਨਾਮਤੌਰ ਅਮਲ ਪਛਾਣ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ, ਪ੍ਰਾਂਪਟ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਅਤੇ ਕੁਝ-ਸ਼ਾਟ ਟਾਸਕ](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 02 | [ਜਾਨਕਾਰੀ ਦੀ ਪ੍ਰਤੀਨਿਧਿਤਾ ਅਤੇ ਮਾਹਿਰ ਸਿਸਟਮਸ](./lessons/2-Symbolic/README.md) | [ਮਾਹਿਰ ਸਿਸਟਮ](./lessons/2-Symbolic/Animals.ipynb) / [ਓਨਟੋਲੋਜੀ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ਛੋਟਾ ਗ੍ਰਾਫ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| III | [**ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਲਈ ਪਰਿਚਯ**](./lessons/3-NeuralNetworks/README.md) ||| +| 03 | [ਪਰਸੈਪਟਰਾਨ](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [ਮਲਟੀ-ਲੇਅਰਡ ਪਰਸੈਪਟਰਾਨ ਅਤੇ ਆਪਣਾ ਖੁਦ ਦਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [ਫਰੇਮਵਰਕਸ ਦਾ ਪਰਚਯ (PyTorch/TensorFlow) ਅਤੇ ਓਵਰਫਿਟਿੰਗ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [ਮਾਇਕਰੋਸਾਫਟ ਅਜ਼ੂਰ 'ਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਿਖੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਚਯ. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [ਨੋਟਬੁੱਕ](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ਆਰਕੀਟੈਕਚਰ](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਨੈੱਟਵਰਕ ਅਤੇ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ](./lessons/4-ComputerVision/08-TransferLearning/README.md) ਅਤੇ [ਟ੍ਰੇਨਿੰਗ ਟ੍ਰਿਕਸ](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [ਆਟੋਇੰਕੋਡਰ ਅਤੇ VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [ਜਨਰੇਟਿਵ ਐਡਵਰਸਰਿਯਲ ਨੈੱਟਵਰਕ ਅਤੇ ਆਰਟਿਸਟਿਕ ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [ਆਬਜੈਕਟ ਡਿਟੇਕਸ਼ਨ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [ਸੈਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ. ਯੂ-ਨੈੱਟ](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | +| V | [**ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [ਮਾਇਕਰੋਸਾਫਟ ਅਜ਼ੂਰ 'ਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 13 | [ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਿਤਾ. ਬੋ/ਟੀਐਫ-ਆਈਡੀਐਫ](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | +| 14 | [ਸੈਮੈਂਟਿਕ ਸ਼ਬਦ ਐਂਬੈੱਡਿੰਗ. ਵਰਡ2ਵੇਕ ਅਤੇ ਗਲੋਵ](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ. ਆਪਣੇ ਐਂਬੈੱਡਿੰਗ ਸਿਖਾਉਣਾ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [ਰੀਕਰਨਟ ਨਿਊਰਲ ਨੈੱਟਵਰਕ](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | +| 17 | [ਜਨਰੇਟਿਵ ਰੀਕਰਨਟ ਨੈੱਟਵਰਕ](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ਲੈਬ](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 18 | [ਟ੍ਰਾਂਸਫਾਰਮਰਜ਼. ਬਰਟ.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | +| 19 | [ਨਾਮਵਾਲੀ ਏਂਟਿਟੀ ਪਛਾਣ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ, ਪ੍ਰੌੰਪਟ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਅਤੇ ਕੁਝ-ਸ਼ੌਟ ਟਾਸਕ](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **ਹੋਰ AI ਤਕਨੀਕਾਂ** || | -| 21 | [ජੀਨටਿਕ ਅਲਗੋਰੀਦਮਸ](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [ਨੋਟਬੁੱਕ](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [ਡੀਪ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ਲੈਬ](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਸ](./lessons/6-Other/23-MultiagentSystems/README.md) | | | -| VII | **AI ਨੈਤੀਕਤਾ** | | | -| 24 | [AI ਨੈਤੀਕਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: ਜ਼ਿੰਮੇਵਾਰ AI ਨੀਤੀਆਂ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **ਵਾਧੂ** | | | -| 25 | [ਮਲਟੀ-ਮੋਡਲ ਨੈੱਟਵਰਕਸ, CLIP ਅਤੇ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [ਨੋਟਬੁੱਕ](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 21 | [ਜੀਨੇਟਿਕ ਅਲਗੋਰਿਦਮ](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [ਨੋਟਬੁੱਕ](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [ਡੀਪ ਰੀਇੰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ਲੈਬ](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| VII | **AI ਨੈਤਿਕਤਾ** | | | +| 24 | [AI ਨੈਤਿਕਤਾ ਅਤੇ ਜਿੰਮੇਵਾਰ AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: ਜਿੰਮੇਵਾਰ AI ਸਿਧਾਂਤ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| IX | **ਵਾਧੂ ਸਾਧਨ** | | | +| 25 | [ਮਲਟੀ-ਮੋਡਲ ਨੈੱਟਵਰਕ, CLIP ਅਤੇ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [ਨੋਟਬੁੱਕ](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ +## ਹਰ ਇਕ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੁੰਦਾ ਹੈ -* ਪੜ੍ਹਨ ਤੋਂ ਪਹਿਲਾਂ ਦਾ ਸਮਗਰੀ -* ਚਲਾਉਣ ਯੋਗ ਜੂਪੀਟਰ ਨੋਟਬੁੱਕ, ਜੋ ਅਕਸਰ ਫਰੇਮਵਰਕ ( **PyTorch** ਜਾਂ **TensorFlow**) ਲਈ ਖਾਸ ਹੁੰਦੇ ਹਨ। ਚਲਾਉਣ ਯੋਗ ਨੋਟਬੁੱਕ ਵਿੱਚ ਕਾਫੀ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਵੀ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਵਿਸ਼ੇ ਨੂੰ ਸਮਝਣ ਲਈ ਤੁਹਾਨੂੰ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਰਜਨ (ਚਾਹੇ PyTorch ਜਾਂ TensorFlow) ਦੇਖਣਾ ਜ਼ਰੂਰੀ ਹੈ। -* ਕੁਝ ਵਿਸ਼ਿਆਂ ਲਈ **ਲੈਬ** ਉਪਲਬਧ ਹਨ, ਜੋ ਤੁਹਾਨੂੰ ਸਿੱਖੇ ਸਮੱਗਰੀ ਨੂੰ ਕਿਸੇ ਖ਼ਾਸ ਸਮੱਸਿਆ ਤੇ ਲਾਗੂ ਕਰਨ ਦਾ ਮੌਕਾ ਦਿੰਦੇ ਹਨ। -* ਕੁਝ ਭਾਗਾਂ ਵਿੱਚ [**ਐਮਐਸ ਲਰਨ**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ਮੌਡੀਊਲਾਂ ਦੇ ਲਿੰਕ ਹਨ ਜੋ ਸਬੰਧਤ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ। +* ਪੜ੍ਹਨ ਲਈ ਸਮੱਗਰੀ +* ਚੱਲਦਾ ਜੂਪਿਟਰ ਨੋਟਬੁੱਕ ਜੋ ਅਕਸਰ ਨਿਰਧਾਰਤ ਫਰੇਮਵਰਕ (**PyTorch** ਜਾਂ **TensorFlow**) ਲਈ ਖਾਸ ਹੁੰਦਾ ਹੈ। ਚੱਲਦਾ ਨੋਟਬੁੱਕ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਨਾਲ ਭਰਪੂਰ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਵਿਸ਼ਾ ਨੂੰ ਸਮਝਣ ਲਈ ਤੁਹਾਨੂੰ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਰਜਨ (PyTorch ਜਾਂ TensorFlow ਵਿੱਚੋਂ ਕੋਈ ਇਕ) ਦੇਖਣਾ ਲਾਜ਼ਮੀ ਹੈ। +* ਕੁਝ ਵਿਸ਼ਿਆਂ ਲਈ ਉਪਲਬਧ **ਲੈਬਾਂ**, ਜੌਂ ਤੁਹਾਨੂੰ ਸਿਖਾਈ ਗਈ ਸਮੱਗਰੀ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਸਮੱਸਿਆ 'ਤੇ ਲਾਗੂ ਕਰਨ ਦਾ ਮੌਕਾ ਦਿੰਦੇ ਹਨ। +* ਕੁਝ ਹਿੱਸੇ ਵਿੱਚ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ਮਾਡਿਊਲਾਂ ਦੇ ਲਿੰਕ ਵੀ ਹੁੰਦੇ ਹਨ ਜੋ ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ। -## ਸ਼ੁਰੂ ਕਰਨਾ +## ਸ਼ੁਰੂਆਤ ਕਰਨਾ -### 🎯 AI ਵਿੱਚ ਨਵਾਂ ਹੋ? ਇੱਥੋਂ ਸ਼ੁਰੂ ਕਰੋ! +### 🎯 AI ਵਿੱਚ ਨਵਾਂ? ਇੱਥੋਂ ਸ਼ੁਰੂ ਕਰੋ! -ਜੇ ਤੁਸੀਂ ਬਿਲਕੁਲ ਨਵੇਂ ਹੋ ਅਤੇ ਤੇਜ਼, ਅਮਲਯੋਗ ਉਦਾਹਰਨਾਂ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਾਡੀਆਂ [**ਸ਼ੁਰੂਆਤੀ-ਦੋਸਤ ਉਦਾਹਰਨਾਂ**](./examples/README.md) ਦਾ ਜਾਇਜ਼ਾ ਲਓ! ਇਸ ਵਿੱਚ ਹਨ: +ਜੇ ਤੁਸੀਂ AI ਵਿੱਚ ਬਿਲਕੁਲ ਨਵੇਂ ਹੋ ਅਤੇ ਤੁਰੰਤ ਪ੍ਰਯੋਗਮਈ ਉਦਾਹਰਣਾਂ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਾਡੇ [**ਰੂੜੀਕ ਭਾਈਫ੍ਰੈਂਡਲੀ ਉਦਾਹਰਣਾਂ**](./examples/README.md) ਨੂੰ ਵੇਖੋ! ਇਨ੍ਹਾਂ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹਨ: -- 🌟 **ਹੈਲੋ AI ਵਰਲਡ** - ਤੁਹਾਡਾ ਪਹਿਲਾ AI ਪ੍ਰੋਗ੍ਰਾਮ (ਪੈਟਰਨ ਪਛਾਣ) -- 🧠 **ਸਰਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ** - ਖ਼ਾਲੀ ਤੋਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਣਾਓ -- 🖼️ **ਚਿੱਤਰ ਵర్గੀਕਰਤਾ** - ਵਿਸਥਾਰ ਨਾਲ ਟਿੱਪਣੀਆਂ ਵਾਲੇ ਚਿੱਤਰਾਂ ਦੀ ਵਰਗੀਕਰਨ -- 💬 **ਟੈਕਸਟ ਸੈਂਟੀਮੈਂਟ** - ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ ਟੈਕਸਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ +- 🌟 **ਹੈਲੋ AI ਵਰਲਡ** - ਤੁਹਾਡਾ ਪਹਿਲਾ AI ਪ੍ਰੋਗਰਾਮ (ਪੈਟਰਨ ਪਹਿਚਾਣ) +- 🧠 **ਸਧਾਰਣ ਨਿਊਰਲ ਨੈੱਟਵਰਕ** - ਸਿਰੇ ਤੋਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਣਾਓ +- 🖼️ **ਇਮੇਜ਼ ਕਲਾਸੀਫਾਇਰ** - ਤਫਸੀਲਦਾਰ ਟਿੱਪਣੀਆਂ ਨਾਲ ਤਸਵੀਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ +- 💬 **ਟੈਕਸਟ ਸੰਵੇਦਨਾ** - ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ ਟੈਕਸਟ ਦਾ ਵਿਸਲੇਸ਼ਣ ਕਰੋ -ਇਹ ਉਦਾਹਰਨ ਤੁਹਾਨੂੰ ਪੂਰੇ ਕੋਰਸ ਵਿੱਚ ਕਦਮ ਰੱਖਣ ਤੋਂ ਪਹਿਲਾਂ AI ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। +ਇਹ ਉਦਾਹਰਨਾਂ ਤੁਹਾਨੂੰ ਪੂਰੇ ਕਰਿਕੁਲਮ ਵਿੱਚ ਡੂੰਘੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਏਆਈ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। -### 📚 ਪੂਰਾ ਕੋਰਸ ਸੈਟਅੱਪ +### 📚 ਪੂਰਾ ਕਰਿਕੁਲਮ ਸੈੱਟਅਪ -- ਅਸੀਂ ਤੁਹਾਡੇ ਵਿਕਾਸ ਮਾਹੌਲ ਨੂੰ ਸੈਟਅੱਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਲਈ ਇੱਕ [ਸੈਟਅੱਪ ਲੈਸਨ](./lessons/0-course-setup/setup.md) ਬਣਾਇਆ ਹੈ। - ਸਿੱਖਿਆਦਾਤਿਆਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਵੀ ਇੱਕ [ਕੋਰਸ ਸੈਟਅੱਪ ਲੈਸਨ](./lessons/0-course-setup/for-teachers.md) ਬਣਾਇਆ ਹੈ! -- VSCode ਜਾਂ Codespace ਵਿੱਚ ਕੋਡ ਕਿਵੇਂ ਚਲਾਉਣਾ ਹੈ ਦੇਖੋ: [Run the code in a VSCode or a Codespace](./lessons/0-course-setup/how-to-run.md) +- ਅਸੀਂ ਤੁਹਾਡੇ ਵਿਕਾਸ ਵਾਲੇ ਵਾਤਾਵਰਣ ਦੀ ਸੈੱਟਅਪ ਵਿੱਚ ਮਦਦ ਲਈ ਇੱਕ [ਸੈੱਟਅਪ ਪਾਠ](./lessons/0-course-setup/setup.md) ਤਿਆਰ ਕੀਤਾ ਹੈ। - ਸਿੱਖਿਆਕਾਰਾਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਵੀ ਇੱਕ [ਕਰਿਕੁਲਮ ਸੈੱਟਅਪ ਪਾਠ](./lessons/0-course-setup/for-teachers.md) ਬਣਾਇਆ ਹੈ! +- ਕਿਵੇਂ [VSCode ਜਾਂ Codespace ਵਿੱਚ ਕੋਡ ਚਲਾਵੋ](./lessons/0-course-setup/how-to-run.md) -ਇਹ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ: +ਇਹ ਕਦਮ ਫੋਲੋ ਕਰੋ: -ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ Fork ਕਰੋ: ਇਸ ਪੇਜ ਦੇ ਉਪਰ-ਸੱਜੇ ਕੋਨੇ 'Fork' ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ। +ਰਿਪੋਜ਼ੀਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ: ਇਸ ਪੰਨੇ ਦੇ ਉੱਪਰ-ਜਮ੍ਹਾ ਖੱਬੇ ਕੋਨੇ ਵਿੱਚ "Fork" ਬਟਨ ਤੇ ਕਲਿੱਕ ਕਰੋ। -ਰਿਪੋਜ਼ਟਰੀ ਕਲੋਨ ਕਰੋ: `git clone https://github.com/microsoft/AI-For-Beginners.git` +ਰਿਪੋਜ਼ੀਟਰੀ ਕਲੋਨ ਕਰੋ: `git clone https://github.com/microsoft/AI-For-Beginners.git` -ਇਸ ਰਿਪੋ ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਅਸਾਨੀ ਨਾਲ ਲੱਭਣ ਲਈ ਸਟਾਰ (🌟) ਕਰਨਾ ਨਾ ਭੁੱਲੋ। +ਇਸ ਰਿਪੋ ਨੂੰ ਬਾਦ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਲੱਭਣ ਲਈ ਸਤਾਰ (🌟) ਕਰਨਾ ਨਾ ਭੁੱਲੋ। -## ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ +## ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ -ਸਾਡੇ [ਆਧਿਕਾਰਿਕ AI ਡਿਸਕੋਰਡ ਸਰਵਰ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਅਤੇ ਇਸ ਕੋਰਸ ਲੈ ਰਹੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ ਅਤੇ ਆਪਣੇ ਸਵਾਲਾਂ ਲਈ ਸਹਿਯੋਗ ਪ੍ਰਾਪਤ ਕਰੋ। +ਸਾਡੇ [ਅਧਿਕਾਰਕ AI Discord ਸਰਵਰ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਇਸ ਕੋਰਸ ਨੂੰ ਕਰ ਰਹੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲ ਸਕਦੇ ਹੋ ਅਤੇ ਸਹਿਯੋਗ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। -ਜੇ ਤੁਹਾਨੂੰ ਪ੍ਰੋਡਕਟ ਫੀਡਬੈਕ ਜਾਂ ਸਵਾਲ ਹਨ ਜਦੋਂ ਤੁਸੀਂ ਬਿਲਡ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸਾਡੇ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) 'ਤੇ ਜਾਓ। +ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਜਾਂ ਪ੍ਰਸ਼ਨ ਹਨ ਤਾਂ ਬਿਲਡਿੰਗ ਦੌਰਾਨ ਸਾਡੇ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ਵੇਖੋ। -## ਕੁਇਜ਼ਜ਼ +## QUIZZES -> **ਕੁਇਜ਼ ਲਈ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕੁਇਜ਼ਜ਼ Quiz-app ਫੋਲਡਰ ਵਿੱਚ etc\quiz-app ਵਿੱਚ ਹਨ ਜਾਂ [ਆਨਲਾਈਨ ਇੱਥੇ](https://ff-quizzes.netlify.app/). ਇਹ ਲੈਸਨਾਂ ਦੇ ਅੰਦਰ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ। ਕੁਇਜ਼ ਐਪ ਨੂੰ ਲੋਕਲ ਵਿੱਚ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੋਇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਨੂੰ ਪਾਲਣਾ ਕਰੋ। ਇਹ ਧੀਰੇ-ਧੀਰੇ ਅਨੇਕ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੋ ਰਹੇ ਹਨ। +> **ਕੁਇਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕੁਇਜ਼ਾਂ `etc\quiz-app` ਫੋਲਡਰ ਵਿੱਚ Quiz-app ਵਿੱਚ ਹਨ, ਜਾਂ [ONLINE ਇੱਥੇ](https://ff-quizzes.netlify.app/). ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਹੈ। ਕੁਇਜ਼ ਐਪ ਸਥਾਨਕ ਤੌਰ ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ Azure 'ਤੇ ਤੈਨਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੇ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਪਾਲਣ ਕਰੋ। ਇਹਨਾਂ ਨੂੰ ਧੀਰੇ-ਧੀਰੇ ਸਥਾਨਕ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। -## ਮਦਦ ਦੀ ਲੋੜ +## ਸਹਾਇਤਾ ਦੀ ਲੋੜ ਹੈ -ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਸੁਝਾਅ ਹਨ ਜਾਂ ਕੋਈ ਸਪੈਲਿੰਗ ਜਾਂ ਕੋਡ ਗਲਤੀਆਂ ਮਿਲੀਆਂ ਹਨ? ਕੋਈ ਮੁੱਦਾ ਉਠਾਓ ਜਾਂ ਪੁਲ ਰਿਕਵੇਸਟ ਬਣਾਓ। +ਤੁਹਾਡੇ ਕੋਲ ਸੁਝਾਅ ਹਨ ਜਾਂ ਟਾਈਪੋ ਜਾਂ ਕੋਡ ਗਲਤੀਆਂ ਮਿਲੀਆਂ ਹਨ? ਇੱਕ ਇਸ਼ੂ ਖੋਲ੍ਹੋ ਜਾਂ ਪੁਲ ਰਿਕਵੇਸਟ ਬਨਾਓ। -## ਖ਼ਾਸ ਧੰਨਵਾਦ +## ਖ਼ਾਸ ਧੰਨਵਾਦ -* **✍️ ਪ੍ਰਧਾਨ ਲੇਖਕ:** [Dmitry Soshnikov](http://soshnikov.com), PhD -* **🔥 ਸੰਪਾਦਕ:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 ਸਕੈਚਨੋਟ ਚિત્રਕਾਰ:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ ਕੁਇਜ਼ ਸਿਰਜਣਹਾਰ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 ਮੁੱਖ ਯੋਗਦਾਨਕਾਰ:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **✍️ ਮੁੱਖ ਲੇਖਕ:** [Dmitry Soshnikov](http://soshnikov.com), ਪੀਐਚਡੀ +* **🔥 ਸੰਪਾਦਕ:** [Jen Looper](https://twitter.com/jenlooper), ਪੀਐਚਡੀ +* **🎨 ਸਕੈਚਨੋਟ ਇੱਲਸਟਰੇਟਰ:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **✅ ਕੁਇਜ਼ ਰਚਿਆਕਾਰ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 ਮੁੱਖ ਯੋਗਦਾਨਕਾਰ:** [Evgenii Pishchik](https://github.com/Pe4enIks) -## ਹੋਰ ਕੋਰਸ +## ਹੋਰ ਕਰਿਕੁਲਮਾਂ -ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ: +ਸਾਡੀ ਟੀਮ ਹੋਰ ਕਰਿਕੁਲਮ ਵੀ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ: - -### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) + +### LangChain +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) ---- +--- -### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Agents +[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) ---- +--- -### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generative AI Series +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) ---- +--- -### ਕੋਰ ਲਰਨਿੰਗ -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### ਕੋਰ ਲਰਨਿੰਗ +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) ---- +--- -### ਕੋਪਾਇਲਟ ਸੀਰੀਜ਼ -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) - +### ਕੋਪਾਇਲਟ ਸੀਰੀਜ਼ +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) + -## ਮਦਦ ਲੈਣਾ +## ਮਦਦ ਪ੍ਰਾਪਤ ਕਰਨਾ -ਜੇ ਤੁਸੀਂ ਫਸ ਜਾਂਦੇ ਹੋ ਜਾਂ AI ਐਪ ਬਣਾਉਣ ਸਬੰਧੀ ਕੋਈ ਵੀ ਸਵਾਲ ਹੈ, ਤਾਂ MCP ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਲਈ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਅਨੁਭਵੀ ਵਿਕਾਸਕਾਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇਹ ਇੱਕ ਸਹਾਇਕ ਭਾਈਚਾਰਾ ਹੈ ਜਿੱਥੇ ਸਵਾਲਾ ਦਾ ਸਵਾਗਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਗਿਆਨ ਖੁੱਲ੍ਹੇ ਦਿਲ ਨਾਲ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। +ਜੇ ਤੁਹਾਨੂੰ ਰੁਕਾਵਟ ਆਵੇ ਜਾਂ AI ਐਪ ਬਣਾਉਣ ਬਾਰੇ ਕੋਈ ਵੀ ਸਵਾਲ ਹੋਵੇ। MCP ਬਾਰੇ ਚਰਚਿਆਂ ਵਿੱਚ ਸਾਥੀ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਅਨੁਭਵੀ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਜੁੜੋ। ਇਹ ਇਕ ਸਹਿਯੋਗੀ ਸਮੁਦਾਇ ਹੈ ਜਿੱਥੇ ਸਵਾਲ ਵਰਤੋਂğe ਹੁੰਦੇ ਹਨ ਅਤੇ ਗਿਆਨ ਖੁੱਲ੍ਹਾ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -ਜੇ ਤੁਹਾਨੂੰ ਬਣਾਉਣ ਦੌਰਾਨ ਪ੍ਰੋਡਕਟ ਫੀਡਬੈਕ ਜਾਂ ਗਲਤੀਆਂ ਮਿਲਦੀਆਂ ਹਨ ਤਾਂ ਇਸਤੇ: +ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਜਾਂ ਗਲਤੀਆਂ ਹਨ ਤਾਂ ਬਣਾਉਣ ਦੌਰਾਨ ਵੇਖੋ: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**ਅਸਵੀਕਾਰੋਪੱਤਰ**: -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 ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮਰੱਥਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੇ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜ਼ਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ ਪ੍ਰੋਫੈਸ਼ਨਲ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਲਾਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਵਰਤੋਂ ਨਾਲ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਭੁਲ-ਵੇਖਿਆਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ। +**ਅਸਵੀਕਾਰਨ**: +ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਸਵੈਕਾਰ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਣਸੁਚਿਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੇ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੀ ਪ੍ਰਮਾਣਿਕ ਸੂਤਰ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪ੍ਰੋਫੈਸ਼ਨਲ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਉਪਜਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਸਮਝਿਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \ No newline at end of file diff --git a/translations/pa/SECURITY.md b/translations/pa/SECURITY.md index ed49e3af..3b52e912 100644 --- a/translations/pa/SECURITY.md +++ b/translations/pa/SECURITY.md @@ -1,12 +1,3 @@ - ## ਸੁਰੱਖਿਆ ਮਾਈਕਰੋਸਾਫਟ ਆਪਣੇ ਸੌਫਟਵੇਅਰ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਾਡੇ GitHub ਸੰਸਥਾਵਾਂ ਰਾਹੀਂ ਪ੍ਰਬੰਧਿਤ ਸਾਰੇ ਸਰੋਤ ਕੋਡ ਰਿਪੋਜ਼ਿਟਰੀ ਸ਼ਾਮਲ ਹਨ, ਜਿਵੇਂ ਕਿ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ਅਤੇ [ਸਾਡੀਆਂ GitHub ਸੰਸਥਾਵਾਂ](https://opensource.microsoft.com/)। diff --git a/translations/pa/etc/CODE_OF_CONDUCT.md b/translations/pa/etc/CODE_OF_CONDUCT.md index 87006488..066f8c18 100644 --- a/translations/pa/etc/CODE_OF_CONDUCT.md +++ b/translations/pa/etc/CODE_OF_CONDUCT.md @@ -1,12 +1,3 @@ - # ਮਾਈਕਰੋਸਾਫਟ ਓਪਨ ਸੋਰਸ ਕੋਡ ਆਫ ਕੰਡਕਟ ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੇ [ਮਾਈਕਰੋਸਾਫਟ ਓਪਨ ਸੋਰਸ ਕੋਡ ਆਫ ਕੰਡਕਟ](https://opensource.microsoft.com/codeofconduct/) ਨੂੰ ਅਪਨਾਇਆ ਹੈ। diff --git a/translations/pa/etc/CONTRIBUTING.md b/translations/pa/etc/CONTRIBUTING.md index 37933841..b6985960 100644 --- a/translations/pa/etc/CONTRIBUTING.md +++ b/translations/pa/etc/CONTRIBUTING.md @@ -1,12 +1,3 @@ - # ਯੋਗਦਾਨ ਦੇਣਾ ਇਹ ਪ੍ਰੋਜੈਕਟ ਯੋਗਦਾਨ ਅਤੇ ਸੁਝਾਵਾਂ ਦਾ ਸਵਾਗਤ ਕਰਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਯੋਗਦਾਨ ਲਈ ਤੁਹਾਨੂੰ ਇੱਕ ਯੋਗਦਾਨਕਾਰ ਲਾਇਸੈਂਸ ਸਮਝੌਤਾ (CLA) ਨਾਲ ਸਹਿਮਤ ਹੋਣਾ ਪਵੇਗਾ, ਜਿਸ ਵਿੱਚ ਤੁਸੀਂ ਇਹ ਘੋਸ਼ਣਾ ਕਰਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸਾਡੇ ਨਾਲ ਆਪਣਾ ਯੋਗਦਾਨ ਸਾਂਝਾ ਕਰਨ ਦੇ ਅਧਿਕਾਰ ਹਨ ਅਤੇ ਤੁਸੀਂ ਸਾਨੂੰ ਇਸਨੂੰ ਵਰਤਣ ਦੇ ਅਧਿਕਾਰ ਦਿੰਦੇ ਹੋ। ਵਿਸਥਾਰ ਲਈ, https://cla.microsoft.com 'ਤੇ ਜਾਓ। diff --git a/translations/pa/etc/Mindmap.md b/translations/pa/etc/Mindmap.md index f5a56504..e524a411 100644 --- a/translations/pa/etc/Mindmap.md +++ b/translations/pa/etc/Mindmap.md @@ -1,12 +1,3 @@ - # AI ## [AI ਦਾ ਪਰਿਚਯ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) diff --git a/translations/pa/etc/SUPPORT.md b/translations/pa/etc/SUPPORT.md index a1cae4e2..cbc949c0 100644 --- a/translations/pa/etc/SUPPORT.md +++ b/translations/pa/etc/SUPPORT.md @@ -1,12 +1,3 @@ - # ਸਹਾਇਤਾ ## ਮਸਲੇ ਦਰਜ ਕਰਨ ਅਤੇ ਮਦਦ ਪ੍ਰਾਪਤ ਕਰਨ ਦਾ ਤਰੀਕਾ diff --git a/translations/pa/etc/TRANSLATIONS.md b/translations/pa/etc/TRANSLATIONS.md index b6c375a6..b7f6d556 100644 --- a/translations/pa/etc/TRANSLATIONS.md +++ b/translations/pa/etc/TRANSLATIONS.md @@ -1,12 +1,3 @@ - # ਪਾਠਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਕੇ ਯੋਗਦਾਨ ਦਿਓ ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਪਾਠਾਂ ਦੇ ਅਨੁਵਾਦਾਂ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! diff --git a/translations/pa/etc/quiz-app/README.md b/translations/pa/etc/quiz-app/README.md index 3422874d..31073646 100644 --- a/translations/pa/etc/quiz-app/README.md +++ b/translations/pa/etc/quiz-app/README.md @@ -1,12 +1,3 @@ - # ਕਵਿਜ਼ ਇਹ ਕਵਿਜ਼ AI ਕਰੀਕੁਲਮ ਲਈ ਲੈਕਚਰ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਦੇ ਕਵਿਜ਼ ਹਨ: https://aka.ms/ai-beginners diff --git a/translations/pa/examples/README.md b/translations/pa/examples/README.md index a118f68c..fb5ba52c 100644 --- a/translations/pa/examples/README.md +++ b/translations/pa/examples/README.md @@ -1,12 +1,3 @@ - # ਸ਼ੁਰੂਆਤੀ ਪੱਧਰ ਦੇ AI ਉਦਾਹਰਨ ਸਵਾਗਤ ਹੈ! ਇਹ ਡਾਇਰੈਕਟਰੀ ਸਧਾਰਨ, ਖੁਦ-ਨਿਰਭਰਤ ਉਦਾਹਰਨਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ AI ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ। ਹਰ ਉਦਾਹਰਨ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਪੱਧਰ ਦੇ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਸਥਾਰਿਤ ਟਿੱਪਣੀਆਂ ਅਤੇ ਕਦਮ-ਦਰ-ਕਦਮ ਵਿਆਖਿਆਵਾਂ ਹਨ। diff --git a/translations/pa/lessons/0-course-setup/for-teachers.md b/translations/pa/lessons/0-course-setup/for-teachers.md index 26450daf..bd2c2cc3 100644 --- a/translations/pa/lessons/0-course-setup/for-teachers.md +++ b/translations/pa/lessons/0-course-setup/for-teachers.md @@ -1,12 +1,3 @@ - # ਸਿੱਖਿਆਕਾਰਾਂ ਲਈ ਕੀ ਤੁਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੋਗੇ? ਬੇਝਿਜਕ ਵਰਤੋ! diff --git a/translations/pa/lessons/0-course-setup/how-to-run.md b/translations/pa/lessons/0-course-setup/how-to-run.md index aa1d1ebe..84f95f46 100644 --- a/translations/pa/lessons/0-course-setup/how-to-run.md +++ b/translations/pa/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # ਕੋਡ ਨੂੰ ਕਿਵੇਂ ਚਲਾਉਣਾ ਹੈ ਇਸ ਸਿੱਕਲ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਚਲਾਏ ਜਾ ਸਕਣ ਵਾਲੇ ਉਦਾਹਰਨਾਂ ਅਤੇ ਲੈਬ ਹਨ ਜੋ ਤੁਸੀਂ ਚਲਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ। ਇਹ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਸ ਸਿੱਕਲ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਦਿੱਤੇ ਗਏ Jupyter Notebooks ਵਿੱਚ Python ਕੋਡ ਚਲਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦੀ ਲੋੜ ਹੈ। ਕੋਡ ਚਲਾਉਣ ਲਈ ਤੁਹਾਡੇ ਕੋਲ ਕਈ ਵਿਕਲਪ ਹਨ: diff --git a/translations/pa/lessons/0-course-setup/setup.md b/translations/pa/lessons/0-course-setup/setup.md index 3f7b9838..1e69c3db 100644 --- a/translations/pa/lessons/0-course-setup/setup.md +++ b/translations/pa/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # ਇਸ ਕੋਰਸ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ ## ਕੀ ਤੁਸੀਂ ਵਿਦਿਆਰਥੀ ਹੋ? diff --git a/translations/pa/lessons/1-Intro/README.md b/translations/pa/lessons/1-Intro/README.md index 88736606..ed5c852d 100644 --- a/translations/pa/lessons/1-Intro/README.md +++ b/translations/pa/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # AI ਦਾ ਪਰਿਚਯ ![AI ਸਮੱਗਰੀ ਦੇ ਪਰਿਚਯ ਦਾ ਡੂਡਲ ਵਿੱਚ ਸਾਰ](../../../../translated_images/pa/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/pa/lessons/1-Intro/assignment.md b/translations/pa/lessons/1-Intro/assignment.md index db6d7a0a..81b74578 100644 --- a/translations/pa/lessons/1-Intro/assignment.md +++ b/translations/pa/lessons/1-Intro/assignment.md @@ -1,12 +1,3 @@ - # ਗੇਮ ਜੈਮ ਖੇਡਾਂ ਇੱਕ ਐਸਾ ਖੇਤਰ ਹਨ ਜੋ AI ਅਤੇ ML ਵਿੱਚ ਹੋਈ ਵਿਕਾਸ ਦੇ ਕਾਰਨ ਬਹੁਤ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹਨ। ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਉਸ ਖੇਡ ਬਾਰੇ ਇੱਕ ਛੋਟਾ ਲੇਖ ਲਿਖੋ ਜੋ ਤੁਹਾਨੂੰ ਪਸੰਦ ਹੈ ਅਤੇ ਜੋ AI ਦੇ ਵਿਕਾਸ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਹੋਈ ਹੈ। ਇਹ ਖੇਡ ਕਾਫੀ ਪੁਰਾਣੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ ਤਾਂ ਜੋ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕੰਪਿਊਟਰ ਪ੍ਰੋਸੈਸਿੰਗ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੋ ਸਕੇ। ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਨ ਸ਼ਤਰੰਜ ਜਾਂ ਗੋ ਹੈ, ਪਰ ਵੀਡੀਓ ਗੇਮਾਂ ਜਿਵੇਂ ਪੋਂਗ ਜਾਂ ਪੈਕ-ਮੈਨ ਨੂੰ ਵੀ ਦੇਖੋ। ਇੱਕ ਲੇਖ ਲਿਖੋ ਜੋ ਖੇਡ ਦੇ ਭੂਤਕਾਲ, ਵਰਤਮਾਨ ਅਤੇ AI ਦੇ ਭਵਿੱਖ ਬਾਰੇ ਚਰਚਾ ਕਰੇ। diff --git a/translations/pa/lessons/2-Symbolic/README.md b/translations/pa/lessons/2-Symbolic/README.md index 7576adfd..b26440bd 100644 --- a/translations/pa/lessons/2-Symbolic/README.md +++ b/translations/pa/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # ਗਿਆਨ ਪ੍ਰਤੀਨਿਧਿਤਾ ਅਤੇ ਮਾਹਿਰ ਪ੍ਰਣਾਲੀਆਂ -![ਸੰਕੇਤਕ AI ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../../../translated_images/pa/ai-symbolic.715a30cb610411a6.webp) +![ਸੰਕੇਤਕ AI ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/pa/ai-symbolic.715a30cb610411a6.webp) > ਸਕੈਚਨੋਟ ਦੁਆਰਾ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://twitter.com/girlie_mac) @@ -41,7 +32,7 @@ AI ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ, ਬੁੱਧਿ ਇਸ ਤਰ੍ਹਾਂ, **ਗਿਆਨ ਪ੍ਰਤੀਨਿਧਿਤਾ** ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ ਕੰਪਿਊਟਰ ਵਿੱਚ ਡੇਟਾ ਦੇ ਰੂਪ ਵਿੱਚ ਗਿਆਨ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਤੀਨਿਧਿਤ ਕੀਤਾ ਜਾਵੇ ਤਾਂ ਜੋ ਇਹ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਯੋਗ ਹੋਵੇ। ਇਸਨੂੰ ਇੱਕ ਸਪੈਕਟਰਮ ਵਜੋਂ ਵੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ: -![ਗਿਆਨ ਪ੍ਰਤੀਨਿਧਿਤਾ ਸਪੈਕਟਰਮ](../../../../../../translated_images/pa/knowledge-spectrum.b60df631852c0217.webp) +![ਗਿਆਨ ਪ੍ਰਤੀਨਿਧਿਤਾ ਸਪੈਕਟਰਮ](../../../../translated_images/pa/knowledge-spectrum.b60df631852c0217.webp) > ਚਿੱਤਰ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਵੱਲੋਂ @@ -94,7 +85,7 @@ Untyped-Language | ਨਹੀਂ ਹੈ | ਟਾਈਪ ਪਰਿਭਾਸ਼ਾ ਸੰਕੇਤਕ AI ਦੀਆਂ ਪਹਿਲੀਆਂ ਸਫਲਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਸਨ **ਮਾਹਿਰ ਪ੍ਰਣਾਲੀਆਂ** - ਐਸੀਆਂ ਕੰਪਿਊਟਰ ਪ੍ਰਣਾਲੀਆਂ ਜਿਹੜੀਆਂ ਕਿਸੇ ਸੀਮਤ ਸਮੱਸਿਆ ਖੇਤਰ ਵਿੱਚ ਮਾਹਿਰ ਵਜੋਂ ਕੰਮ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ। ਇਹ ਇਕ ਜਾਂ ਵੱਧ ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਤੋਂ ਕੱਢੇ ਗਿਆਨ ਦੇ **ਗਿਆਨ ਬੇਸ** ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੀਆਂ ਸਨ, ਅਤੇ ਇਹਨਾਂ ਵਿੱਚ ਇੱਕ **ਤਰਕ ਯੰਤਰ** ਹੁੰਦਾ ਹੈ ਜੋ ਇਸ 'ਤੇ ਕੁਝ ਤਰਕ ਕਰਦਾ ਹੈ। -![ਮਨੁੱਖੀ ਸੰਰਚਨਾ](../../../../../../translated_images/pa/arch-human.5d4d35f1bba3ab1c.webp) | ![ਗਿਆਨ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀ](../../../../../../translated_images/pa/arch-kbs.3ec5c150b09fa8da.webp) +![ਮਨੁੱਖੀ ਸੰਰਚਨਾ](../../../../translated_images/pa/arch-human.5d4d35f1bba3ab1c.webp) | ![ਗਿਆਨ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀ](../../../../translated_images/pa/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ ਮਨੁੱਖੀ ਨਿuroਲ ਪ੍ਰਣਾਲੀ ਦੀ ਸਧਾਰਿਤ ਬਣਤਰ | ਗਿਆਨ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀ ਦੀ ਸੰਰਚਨਾ @@ -106,7 +97,7 @@ Untyped-Language | ਨਹੀਂ ਹੈ | ਟਾਈਪ ਪਰਿਭਾਸ਼ਾ ਇਸਦਾ ਉਦਾਹਰਨ ਵਜੋਂ, ਆਓ ਕਿਸੇ ਜਾਨਵਰ ਨੂੰ ਉਸ ਦੀ ਭੌਤਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਪੂਰਨ ਕਰਨ ਵਾਲੀ ਮਾਹਿਰ ਪ੍ਰਣਾਲੀ ਬਾਰੇ ਸੋਚੀਏ: -![AND-OR ਟ੍ਰੀ](../../../../../../translated_images/pa/AND-OR-Tree.5592d2c70187f283.webp) +![AND-OR ਟ੍ਰੀ](../../../../translated_images/pa/AND-OR-Tree.5592d2c70187f283.webp) > ਚਿੱਤਰ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਵੱਲੋਂ diff --git a/translations/pa/lessons/2-Symbolic/assignment.md b/translations/pa/lessons/2-Symbolic/assignment.md index 8220da48..da622d21 100644 --- a/translations/pa/lessons/2-Symbolic/assignment.md +++ b/translations/pa/lessons/2-Symbolic/assignment.md @@ -1,12 +1,3 @@ - # ਓਂਟੋਲੋਜੀ ਬਣਾਓ ਗਿਆਨ ਅਧਾਰ ਬਣਾਉਣਾ ਇੱਕ ਮਾਡਲ ਨੂੰ ਵਰਗਬੱਧ ਕਰਨ ਬਾਰੇ ਹੈ ਜੋ ਕਿਸੇ ਵਿਸ਼ੇ ਨਾਲ ਸੰਬੰਧਿਤ ਤੱਥਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇੱਕ ਵਿਸ਼ਾ ਚੁਣੋ - ਜਿਵੇਂ ਕਿ ਕੋਈ ਵਿਅਕਤੀ, ਥਾਂ ਜਾਂ ਚੀਜ਼ - ਅਤੇ ਫਿਰ ਉਸ ਵਿਸ਼ੇ ਦਾ ਮਾਡਲ ਬਣਾਓ। ਇਸ ਪਾਠ ਵਿੱਚ ਵਰਣਨ ਕੀਤੀਆਂ ਕੁਝ ਤਕਨੀਕਾਂ ਅਤੇ ਮਾਡਲ-ਬਿਲਡਿੰਗ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇੱਕ ਉਦਾਹਰਣ ਹੋ ਸਕਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਇੱਕ ਲਿਵਿੰਗ ਰੂਮ ਦੀ ਓਂਟੋਲੋਜੀ ਬਣਾਈ ਜਾਵੇ ਜਿਸ ਵਿੱਚ ਫਰਨੀਚਰ, ਲਾਈਟਾਂ ਆਦਿ ਸ਼ਾਮਲ ਹਨ। ਲਿਵਿੰਗ ਰੂਮ ਕਿਥੇ ਕਿਚਨ ਤੋਂ ਵੱਖਰਾ ਹੈ? ਬਾਥਰੂਮ ਤੋਂ? ਤੁਹਾਨੂੰ ਕਿਵੇਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਲਿਵਿੰਗ ਰੂਮ ਹੈ ਨਾ ਕਿ ਡਾਈਨਿੰਗ ਰੂਮ? ਆਪਣੀ ਓਂਟੋਲੋਜੀ ਬਣਾਉਣ ਲਈ [Protégé](https://protege.stanford.edu/) ਦੀ ਵਰਤੋਂ ਕਰੋ। diff --git a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md index f97ef0a8..44d89bec 100644 --- a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇ: ਪਰਸੈਪਟ੍ਰਾਨ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/5) @@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA: | | | |--------------|-----------| -|Frank Rosenblatt | The Mark 1 Perceptron| +|Frank Rosenblatt | The Mark 1 Perceptron| > ਚਿੱਤਰ [ਵਿਕੀਪੀਡੀਆ ਤੋਂ](https://en.wikipedia.org/wiki/Perceptron) @@ -34,7 +25,7 @@ y(x) = f(wTx) ਜਿੱਥੇ f ਇੱਕ ਸਟੀਪ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਹੈ - + ## ਪਰਸੈਪਟ੍ਰਾਨ ਦੀ ਟ੍ਰੇਨਿੰਗ diff --git a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index ce846e93..df3d173a 100644 --- a/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,12 +1,3 @@ - # ਪਰਸੈਪਟ੍ਰਾਨ ਨਾਲ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਨ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md index fc4319f6..762eaaa3 100644 --- a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇਅ. ਮਲਟੀ-ਲੇਅਰਡ ਪਰਸੈਪਟ੍ਰਾਨ ਪਿਛਲੇ ਭਾਗ ਵਿੱਚ, ਤੁਸੀਂ ਸਭ ਤੋਂ ਸਧਾਰਨ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲ - ਇੱਕ-ਲੇਅਰਡ ਪਰਸੈਪਟ੍ਰਾਨ, ਜੋ ਕਿ ਇੱਕ ਰੇਖੀ ਦੋ-ਕਲਾਸ ਵਰਗੀਕਰਨ ਮਾਡਲ ਹੈ, ਬਾਰੇ ਸਿੱਖਿਆ। @@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ਧਿਆਨ ਦਿਓ ਕਿ ਸਾਰੇ ਹੇਠਾਂ-ਵਾਲੇ ਹਿੱਸੇ ਦੇ ਬਾਈਂ ਪਾਸੇ ਦਾ ਹਿੱਸਾ ਇੱਕੋ ਜਿਹਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਅਸੀਂ ਲਾਸ ਫੰਕਸ਼ਨ ਤੋਂ ਸ਼ੁਰੂ ਕਰਕੇ ਅਤੇ "ਪਿੱਛੇ" ਗਣਨਾ ਗ੍ਰਾਫ ਦੇ ਰਾਹੀਂ ਜਾ ਕੇ ਡੈਰੀਵੇਟਿਵਜ਼ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਸ ਤਰ੍ਹਾਂ ਮਲਟੀ-ਲੇਅਰਡ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਦੀ ਵਿਧੀ ਨੂੰ **ਬੈਕਪ੍ਰੋਪਾਗੇਸ਼ਨ**, ਜਾਂ 'ਬੈਕਪ੍ਰੋਪ' ਕਿਹਾ ਜਾਂਦਾ ਹੈ। -ਕੰਪਿਊਟ ਗ੍ਰਾਫ +ਕੰਪਿਊਟ ਗ੍ਰਾਫ > TODO: ਚਿੱਤਰ ਦਾ ਹਵਾਲਾ diff --git a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index 25994165..49deb1d8 100644 --- a/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,12 +1,3 @@ - # ਐਮਐਨਆਈਐਸਟੀ ਵਰਗੀਕਰਨ ਆਪਣੇ ਫਰੇਮਵਰਕ ਨਾਲ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md index e987d8e7..f9893e8c 100644 --- a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # ਨਿਊਰਲ ਨੈਟਵਰਕ ਫ੍ਰੇਮਵਰਕਸ ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਸਿੱਖ ਚੁੱਕੇ ਹਾਂ, ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਸਾਨੂੰ ਦੋ ਗੱਲਾਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ: diff --git a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index 4358dd61..60836d72 100644 --- a/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,12 +1,3 @@ - # ਪਾਈਟਾਰਚ/ਟੈਂਸਰਫਲੋ ਨਾਲ ਵਰਗੀਕਰਨ [AI ਫਾਰ ਬਿਗਿਨਰਜ਼ ਕਰਿਕੁਲਮ](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/3-NeuralNetworks/README.md b/translations/pa/lessons/3-NeuralNetworks/README.md index c3e1c613..44f4a374 100644 --- a/translations/pa/lessons/3-NeuralNetworks/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਿਚਯ ![ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/pa/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md index 0bc0c0c7..146a4a85 100644 --- a/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/pa/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਚੇ [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ](https://wikipedia.org/wiki/Computer_vision) ਇੱਕ ਵਿਭਾਗ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਡਿਜ਼ਿਟਲ ਚਿੱਤਰਾਂ ਦੀ ਉੱਚ-ਸਤ੍ਹਾ 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 ਕੋਈ ਵਸਤੂ 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 ਕੰਮ ਵੀ ਹਨ: ਉਮਰ ਅਤੇ ਭਾਵਨਾ ਅਨੁਮਾਨ, ਚਿਹਰਾ ਪਛਾਣ ਅਤੇ ਪਛਾਣ, ਅਤੇ 3D ਪੋਜ਼ ਅਨੁਮਾਨ। @@ -115,7 +106,7 @@ AI ਸ਼ੋ ਤੋਂ [ਇਹ ਵੀਡੀਓ](https://docs.microsoft.com/shows ਇਸ ਲੈਬ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਨ ਇਸ਼ਾਰਿਆਂ ਵਾਲੀ ਇੱਕ ਵੀਡੀਓ ਲਵੋਗੇ, ਅਤੇ ਤੁਹਾਡਾ ਉਦੇਸ਼ ਆਪਟਿਕਲ ਫਲੋ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉੱਪਰ/ਹੇਠਾਂ/ਖੱਬੇ/ਸੱਜੇ ਗਤੀ ਨੂੰ ਕੱਢਣਾ ਹੋਵੇਗਾ। -Palm Movement Frame +Palm Movement Frame --- diff --git a/translations/pa/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/pa/lessons/4-ComputerVision/06-IntroCV/lab/README.md index 3fe91ef9..8acd5916 100644 --- a/translations/pa/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/pa/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # ਆਪਟੀਕਲ ਫਲੋ ਦੀ ਵਰਤੋਂ ਨਾਲ ਹਿਲਚਲ ਦੀ ਪਛਾਣ [AI for Beginners Curriculum](https://aka.ms/ai-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। 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 b13b949b..155afffa 100644 --- a/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/pa/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # ਪ੍ਰਸਿੱਧ CNN ਆਰਕੀਟੈਕਚਰਾਂ ### VGG-16 @@ -25,7 +16,7 @@ VGG-16 ਇੱਕ ਨੈਟਵਰਕ ਹੈ ਜਿਸ ਨੇ 2014 ਵਿੱਚ Im ResNet ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਦੁਆਰਾ 2015 ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਹੈ। ResNet ਦਾ ਮੁੱਖ ਵਿਚਾਰ **ਰੈਜ਼ੀਡੂਅਲ ਬਲਾਕ** ਵਰਤਣਾ ਹੈ: - + > ਚਿੱਤਰ [ਇਸ ਪੇਪਰ](https://arxiv.org/pdf/1512.03385.pdf) ਤੋਂ @@ -37,7 +28,7 @@ ResNet ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਦੁਆਰਾ 2015 ਵ Google Inception ਆਰਕੀਟੈਕਚਰ ਇਸ ਵਿਚਾਰ ਨੂੰ ਇੱਕ ਕਦਮ ਅੱਗੇ ਲੈ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਹਰ ਨੈਟਵਰਕ ਲੇਅਰ ਨੂੰ ਕਈ ਵੱਖ-ਵੱਖ ਪਾਥਾਂ ਦੇ ਸੰਯੋਜਨ ਵਜੋਂ ਬਣਾਉਂਦਾ ਹੈ: - + > ਚਿੱਤਰ [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) ਤੋਂ diff --git a/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md index 7845f8ca..2aadbc95 100644 --- a/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/pa/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # ਕਨਵੋਲੂਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ 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। @@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ਉਦਾਹਰਣ ਲਈ, ਜੇ ਅਸੀਂ MNIST ਅੰਕਾਂ 'ਤੇ 3x3 ਵਰਟਿਕਲ ਐਜ ਅਤੇ ਹੋਰਿਜ਼ਾਂਟਲ ਐਜ ਫਿਲਟਰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹਾਈਲਾਈਟਸ (ਜਿਵੇਂ ਕਿ ਉੱਚ ਮੁੱਲ) ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ ਜਿੱਥੇ ਮੂਲ ਚਿੱਤਰ ਵਿੱਚ ਵਰਟਿਕਲ ਅਤੇ ਹੋਰਿਜ਼ਾਂਟਲ ਐਜ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ ਇਹ ਦੋ ਫਿਲਟਰ "ਐਜ" ਲੱਭਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸੇ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਹੋਰ ਨੀਚਲੇ-ਸਤਰ ਦੇ ਪੈਟਰਨਜ਼ ਲੱਭਣ ਲਈ ਵੱਖ-ਵੱਖ ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ ਕਰ ਸਕਦੇ ਹਾਂ: - + > ਚਿੱਤਰ: [ਲਿਊਂਗ-ਮਾਲਿਕ ਫਿਲਟਰ ਬੈਂਕ](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html) diff --git a/translations/pa/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/pa/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 2fe779dd..48e9bf44 100644 --- a/translations/pa/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/pa/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # ਪਾਲਤੂ ਜਾਨਵਰਾਂ ਦੇ ਚਿਹਰਿਆਂ ਦੀ ਵਰਗੀਕਰਨ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md index f7bcc69d..2f1fc77e 100644 --- a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਨੈਟਵਰਕ ਅਤੇ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ CNNs ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਕਾਫ਼ੀ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਅਤੇ ਇਸ ਕੰਮ ਲਈ ਕਾਫ਼ੀ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਨੈਟਵਰਕ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਲੋ-ਲੈਵਲ ਫਿਲਟਰ ਸਿੱਖਣ ਵਿੱਚ ਲੱਗਦਾ ਹੈ, ਜੋ ਚਿੱਤਰਾਂ ਤੋਂ ਪੈਟਰਨ ਕੱਢਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇੱਕ ਕੁਦਰਤੀ ਸਵਾਲ ਉੱਠਦਾ ਹੈ - ਕੀ ਅਸੀਂ ਇੱਕ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਵਰਤ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸ ਨੂੰ ਵੱਖ-ਵੱਖ ਚਿੱਤਰਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਕਰ ਸਕਦੇ ਹਾਂ ਬਿਨਾਂ ਪੂਰੇ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਲੋੜ ਪਈ? diff --git a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index 334f1d11..a913ce87 100644 --- a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,12 +1,3 @@ - # ਡੀਪ ਲਰਨਿੰਗ ਟ੍ਰੇਨਿੰਗ ਟ੍ਰਿਕਸ ਜਿਵੇਂ ਨਿਊਰਲ ਨੈਟਵਰਕ ਗਹਿਰੇ ਹੁੰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੀ ਟ੍ਰੇਨਿੰਗ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਅਤੇ ਹੋਰ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਵੱਡੀ ਸਮੱਸਿਆ [ਵੈਨਿਸਿੰਗ ਗ੍ਰੇਡੀਅੰਟ](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) ਜਾਂ [ਐਕਸਪਲੋਡਿੰਗ ਗ੍ਰੇਡੀਅੰਟ](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) ਹੈ। [ਇਹ ਪੋਸਟ](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ਉਨ੍ਹਾਂ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਚੰਗੀ ਜਾਣਕਾਰੀ ਦਿੰਦੀ ਹੈ। diff --git a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index e21a098a..83bef7e9 100644 --- a/translations/pa/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/pa/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,12 +1,3 @@ - # ਆਕਸਫੋਰਡ ਪੈਟਸ ਦੀ ਵਰਗੀਕਰਨ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md index e2b3c711..9efdac12 100644 --- a/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/pa/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # ਆਟੋਇਨਕੋਡਰ ਜਦੋਂ CNNs ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਮੁੱਦਾ ਇਹ ਹੈ ਕਿ ਸਾਨੂੰ ਬਹੁਤ ਸਾਰਾ ਲੇਬਲ ਕੀਤਾ ਡਾਟਾ ਚਾਹੀਦਾ ਹੈ। ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਸਾਨੂੰ ਚਿੱਤਰਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਵਰਗਾਂ ਵਿੱਚ ਵੰਡਣਾ ਪੈਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮੈਨੂਅਲ ਪ੍ਰਯਾਸ ਹੈ। @@ -46,7 +37,7 @@ VAE ਉਹ ਆਟੋਇਨਕੋਡਰ ਹੈ ਜੋ latent ਪੈਰਾਮੀ * ਅਸੀਂ distribution N(zmean,exp(zlog\_sigma)) ਤੋਂ ਇੱਕ `sample` ਵੇਕਟਰ ਲੈਂਦੇ ਹਾਂ * ਡਿਕੋਡਰ `sample` ਨੂੰ ਇਨਪੁਟ ਵੇਕਟਰ ਵਜੋਂ ਵਰਤ ਕੇ ਮੂਲ ਚਿੱਤਰ ਨੂੰ ਡਿਕੋਡ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ - + > ਚਿੱਤਰ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) ਤੋਂ, ਲਿਖਿਆ ਗਿਆ Isaak Dykeman ਦੁਆਰਾ @@ -57,13 +48,13 @@ Variational auto-encoders ਇੱਕ ਜਟਿਲ ਲੌਸ ਫੰਕਸ਼ਨ VAEs ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਇਹ ਸਾਨੂੰ ਨਵੇਂ ਚਿੱਤਰਾਂ ਨੂੰ ਸ نسبਤ ਆਸਾਨੀ ਨਾਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ, ਕਿਉਂਕਿ ਸਾਨੂੰ ਪਤਾ ਹੁੰਦਾ ਹੈ ਕਿ latent vectors ਨੂੰ ਕਿਹੜੇ distribution ਤੋਂ ਲੈਣਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇ ਅਸੀਂ MNIST 'ਤੇ 2D latent vector ਨਾਲ VAE ਨੂੰ ਟ੍ਰੇਨ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ latent vector ਦੇ ਹਿੱਸਿਆਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਅੰਕ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ: -vaemnist +vaemnist > ਚਿੱਤਰ [Dmitry Soshnikov](http://soshnikov.com) ਦੁਆਰਾ ਧਿਆਨ ਦਿਓ ਕਿ ਚਿੱਤਰ ਕਿਵੇਂ ਇੱਕ ਦੂਜੇ ਵਿੱਚ ਮਿਲਦੇ ਹਨ, ਜਦੋਂ ਅਸੀਂ latent parameter space ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਤੋਂ latent vectors ਲੈਣੇ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇਸ space ਨੂੰ 2D ਵਿੱਚ ਵੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰ ਸਕਦੇ ਹਾਂ: -vaemnist cluster +vaemnist cluster > ਚਿੱਤਰ [Dmitry Soshnikov](http://soshnikov.com) ਦੁਆਰਾ diff --git a/translations/pa/lessons/4-ComputerVision/10-GANs/README.md b/translations/pa/lessons/4-ComputerVision/10-GANs/README.md index 4978de6c..6bbc9c5e 100644 --- a/translations/pa/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/pa/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈੱਟਵਰਕਸ ਪਿਛਲੇ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ **ਜਨਰੇਟਿਵ ਮਾਡਲਜ਼** ਬਾਰੇ ਸਿੱਖਿਆ: ਮਾਡਲ ਜੋ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਤਸਵੀਰਾਂ ਵਰਗੀਆਂ ਨਵੀਆਂ ਤਸਵੀਰਾਂ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ। VAE ਜਨਰੇਟਿਵ ਮਾਡਲ ਦਾ ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਨ ਸੀ। @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: GAN ਦਾ ਮੁੱਖ ਵਿਚਾਰ ਦੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਖਿਲਾਫ ਟ੍ਰੇਨ ਕਰਨ ਦਾ ਹੈ: - + > ਚਿੱਤਰ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਦੁਆਰਾ @@ -41,7 +32,7 @@ GAN ਦਾ ਮੁੱਖ ਵਿਚਾਰ ਦੋ ਨਿਊਰਲ ਨੈੱਟਵ > ✅ ਕਿਉਂਕਿ ਕਨਵੋਲੂਸ਼ਨ ਲੇਅਰ ਨੂੰ ਇੱਕ ਰੇਖਿਕ ਫਿਲਟਰ ਵਜੋਂ ਤਸਵੀਰ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਡੀਕਨਵੋਲੂਸ਼ਨ ਅਸਲ ਵਿੱਚ ਕਨਵੋਲੂਸ਼ਨ ਵਰਗਾ ਹੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਉਹੀ ਲੇਅਰ ਲਾਜਿਕ ਵਰਤ ਕੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। - + > ਚਿੱਤਰ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਦੁਆਰਾ diff --git a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md index 6be70046..d52f7252 100644 --- a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ ਜੋ ਇਮੇਜ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਮਾਡਲਾਂ ਨਾਲ ਅਸੀਂ ਹੁਣ ਤੱਕ ਡੀਲ ਕੀਤਾ ਹੈ, ਉਹ ਇੱਕ ਤਸਵੀਰ ਲੈਂਦੇ ਹਨ ਅਤੇ ਇੱਕ ਸ਼੍ਰੇਣੀਕਰਣ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ MNIST ਸਮੱਸਿਆ ਵਿੱਚ 'ਨੰਬਰ' ਸ਼੍ਰੇਣੀ। ਹਾਲਾਂਕਿ, ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਅਸੀਂ ਸਿਰਫ ਇਹ ਨਹੀਂ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਕਿ ਤਸਵੀਰ ਵਿੱਚ ਵਸਤੂਆਂ ਹਨ - ਅਸੀਂ ਇਹ ਵੀ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਉਹਨਾਂ ਦੀ ਸਹੀ ਸਥਿਤੀ ਕੀ ਹੈ। ਇਹੀ **ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ** ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਹੈ। diff --git a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index e1ab1755..39970107 100644 --- a/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/pa/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,12 +1,3 @@ - # ਹਾਲੀਵੁੱਡ ਹੈਡਸ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਨਾਲ ਸਿਰ ਦੀ ਪਛਾਣ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md index 211191e2..ae842892 100644 --- a/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/pa/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # ਸੈਗਮੈਂਟੇਸ਼ਨ ਅਸੀਂ ਪਹਿਲਾਂ Object Detection ਬਾਰੇ ਸਿੱਖਿਆ ਸੀ, ਜੋ ਸਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਵਸਤੂਆਂ ਨੂੰ ਲੱਭਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਅਸੀਂ ਉਨ੍ਹਾਂ ਦੇ *bounding boxes* ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਦੇ ਹਾਂ। ਹਾਲਾਂਕਿ, ਕੁਝ ਕੰਮਾਂ ਲਈ ਸਾਨੂੰ ਸਿਰਫ bounding boxes ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ, ਸਗੋਂ ਵਸਤੂਆਂ ਦੀ ਹੋਰ ਸਹੀ ਸਥਿਤੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਕੰਮ ਨੂੰ **ਸੈਗਮੈਂਟੇਸ਼ਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। @@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇੰਸਟੈਂਸ ਸੈਗਮੈਂਟੇਸ਼ਨ ਵਿੱਚ, ਇਹ ਭੇੜਾਂ ਵੱਖ-ਵੱਖ ਵਸਤੂਆਂ ਹਨ, ਪਰ ਸੈਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ ਵਿੱਚ ਸਾਰੀਆਂ ਭੇੜਾਂ ਨੂੰ ਇੱਕ ਕਲਾਸ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। - + > ਚਿੱਤਰ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50) ਤੋਂ @@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA: * **Encoder** ਇਨਪੁਟ ਚਿੱਤਰ ਤੋਂ ਫੀਚਰ ਕੱਢਦਾ ਹੈ। * **Decoder** ਉਹਨਾਂ ਫੀਚਰਾਂ ਨੂੰ **mask image** ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਜਿਸਦਾ ਆਕਾਰ ਅਤੇ ਚੈਨਲਾਂ ਦੀ ਗਿਣਤੀ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਅਨੁਸਾਰ ਹੁੰਦੀ ਹੈ। - + > ਚਿੱਤਰ [ਇਸ ਪ੍ਰਕਾਸ਼ਨ](https://arxiv.org/pdf/2001.05566.pdf) ਤੋਂ @@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA: > ✅ ਇਹ ਤਕਨੀਕ ਇਸ ਕਿਸਮ ਦੀ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਉਚਿਤ ਹੈ, ਪਰ ਤੁਸੀਂ ਹੋਰ ਕਿਹੜੇ ਹਕੀਕਤੀ-ਜਗਤ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਕਲਪਨਾ ਕਰ ਸਕਦੇ ਹੋ? -navi +navi > ਚਿੱਤਰ PH2 ਡੇਟਾਬੇਸ ਤੋਂ diff --git a/translations/pa/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/pa/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 1d9f2ad4..b183ab4c 100644 --- a/translations/pa/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/pa/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,12 +1,3 @@ - # ਮਨੁੱਖੀ ਸਰੀਰ ਸੈਗਮੈਂਟੇਸ਼ਨ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/4-ComputerVision/README.md b/translations/pa/lessons/4-ComputerVision/README.md index 0ffcf8e6..061ffec7 100644 --- a/translations/pa/lessons/4-ComputerVision/README.md +++ b/translations/pa/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ![ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਸਮੱਗਰੀ ਦਾ ਇੱਕ ਡੂਡਲ ਵਿੱਚ ਸਾਰ](../../../../translated_images/pa/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/pa/lessons/5-NLP/13-TextRep/README.md b/translations/pa/lessons/5-NLP/13-TextRep/README.md index cba93b2e..ab903b5c 100644 --- a/translations/pa/lessons/5-NLP/13-TextRep/README.md +++ b/translations/pa/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # ਟੈਕਸਟ ਨੂੰ ਟੈਂਸਰ ਵਜੋਂ ਦਰਸਾਉਣਾ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/25) @@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA: ਜੇਕਰ ਅਸੀਂ ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ (NLP) ਟਾਸਕ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨਾਲ ਹੱਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਟੈਕਸਟ ਨੂੰ ਟੈਂਸਰ ਵਜੋਂ ਦਰਸਾਉਣ ਦਾ ਕੋਈ ਤਰੀਕਾ ਚਾਹੀਦਾ ਹੈ। ਕੰਪਿਊਟਰ ਪਹਿਲਾਂ ਹੀ ASCII ਜਾਂ UTF-8 ਵਰਗੇ ਐਨਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੈਕਸਟ ਅੱਖਰਾਂ ਨੂੰ ਨੰਬਰਾਂ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਸਕ੍ਰੀਨ 'ਤੇ ਫੌਂਟਸ ਨਾਲ ਮੈਪ ਹੁੰਦੇ ਹਨ। -ਚਿੱਤਰ ਜੋ ਇੱਕ ਅੱਖਰ ਨੂੰ ASCII ਅਤੇ ਬਾਈਨਰੀ ਪ੍ਰਤੀਨਿਧਤਾ ਨਾਲ ਮੈਪ ਕਰਨ ਵਾਲਾ ਡਾਇਗ੍ਰਾਮ ਦਿਖਾਉਂਦਾ ਹੈ +ਚਿੱਤਰ ਜੋ ਇੱਕ ਅੱਖਰ ਨੂੰ ASCII ਅਤੇ ਬਾਈਨਰੀ ਪ੍ਰਤੀਨਿਧਤਾ ਨਾਲ ਮੈਪ ਕਰਨ ਵਾਲਾ ਡਾਇਗ੍ਰਾਮ ਦਿਖਾਉਂਦਾ ਹੈ > [ਚਿੱਤਰ ਸਰੋਤ](https://www.seobility.net/en/wiki/ASCII) @@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: ਜਦੋਂ ਅਸੀਂ ਟੈਕਸਟ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਵਰਗੇ ਟਾਸਕ ਹੱਲ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਟੈਕਸਟ ਨੂੰ ਇੱਕ ਫਿਕਸਡ-ਸਾਈਜ਼ ਵੇਕਟਰ ਦੁਆਰਾ ਦਰਸਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਅੰਤਮ ਡੈਂਸ ਕਲਾਸੀਫਾਇਰ ਵਿੱਚ ਇਨਪੁਟ ਵਜੋਂ ਵਰਤਿਆ ਜਾਵੇਗਾ। ਇਸ ਨੂੰ ਕਰਨ ਦੇ ਸਭ ਤੋਂ ਸਧਾਰਨ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਹੈ ਕਿ ਸਾਰੇ ਵਿਅਕਤੀਗਤ ਸ਼ਬਦ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਨੂੰ ਜੋੜ ਕੇ ਦਰਸਾਇਆ ਜਾਵੇ। ਜੇਕਰ ਅਸੀਂ ਹਰ ਸ਼ਬਦ ਦੀ ਇੱਕ-ਹਾਟ ਐਨਕੋਡਿੰਗ ਨੂੰ ਜੋੜਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਫ੍ਰੀਕਵੈਂਸੀਜ਼ ਦੇ ਇੱਕ ਵੇਕਟਰ ਦੇ ਨਾਲ ਖਤਮ ਕਰਾਂਗੇ, ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਟੈਕਸਟ ਵਿੱਚ ਹਰ ਸ਼ਬਦ ਕਿੰਨੀ ਵਾਰ ਆਉਂਦਾ ਹੈ। ਟੈਕਸਟ ਦੀ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ **bag of words** (BoW) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। - + > ਚਿੱਤਰ ਲੇਖਕ ਦੁਆਰਾ diff --git a/translations/pa/lessons/5-NLP/13-TextRep/assignment.md b/translations/pa/lessons/5-NLP/13-TextRep/assignment.md index 2790fbe0..c016002d 100644 --- a/translations/pa/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/pa/lessons/5-NLP/13-TextRep/assignment.md @@ -1,12 +1,3 @@ - # ਅਸਾਈਨਮੈਂਟ: ਨੋਟਬੁੱਕਸ ਇਸ ਪਾਠ ਨਾਲ ਸੰਬੰਧਿਤ ਨੋਟਬੁੱਕਸ (ਚਾਹੇ PyTorch ਜਾਂ TensorFlow ਵਰਜਨ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਆਪਣੇ ਡਾਟਾਸੈੱਟ ਨਾਲ ਦੁਬਾਰਾ ਚਲਾਓ, ਸ਼ਾਇਦ Kaggle ਤੋਂ ਇੱਕ, ਜੋ ਸਹੀ ਸ਼੍ਰੇਯ ਦੇ ਨਾਲ ਵਰਤਿਆ ਗਿਆ ਹੋਵੇ। ਨੋਟਬੁੱਕ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖੋ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਆਪਣੇ ਨਤੀਜੇ ਹਾਈਲਾਈਟ ਹੋਣ। ਕੁਝ ਨਵਾਟੀ ਡਾਟਾਸੈੱਟਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਜੋ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਸਾਬਤ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ [ਇਹ UFO ਦੇ ਦ੍ਰਿਸ਼ਟਾਂਤਾਂ ਬਾਰੇ](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) NUFORC ਤੋਂ। diff --git a/translations/pa/lessons/5-NLP/14-Embeddings/README.md b/translations/pa/lessons/5-NLP/14-Embeddings/README.md index 8e40a988..f457d996 100644 --- a/translations/pa/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/pa/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # ਐਮਬੈਡਿੰਗਸ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/pa/lessons/5-NLP/14-Embeddings/assignment.md b/translations/pa/lessons/5-NLP/14-Embeddings/assignment.md index 769019b0..9d116c4e 100644 --- a/translations/pa/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/pa/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,12 +1,3 @@ - # ਅਸਾਈਨਮੈਂਟ: ਨੋਟਬੁੱਕਸ ਇਸ ਪਾਠ ਨਾਲ ਸੰਬੰਧਿਤ ਨੋਟਬੁੱਕਸ (ਚਾਹੇ PyTorch ਜਾਂ TensorFlow ਵਰਜਨ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਆਪਣੇ ਡਾਟਾਸੈੱਟ ਨਾਲ ਉਨ੍ਹਾਂ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਓ, ਸ਼ਾਇਦ Kaggle ਤੋਂ ਇੱਕ ਡਾਟਾਸੈੱਟ, ਜਿਸਦਾ ਸਹੀ ਸ੍ਰੋਤ ਦਿੱਤਾ ਗਿਆ ਹੋਵੇ। ਨੋਟਬੁੱਕ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖੋ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਆਪਣੇ ਨਤੀਜੇ ਹਾਈਲਾਈਟ ਹੋਣ। ਇੱਕ ਵੱਖਰੇ ਕਿਸਮ ਦੇ ਡਾਟਾਸੈੱਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਆਪਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ਬੱਧ ਕਰੋ, ਜਿਵੇਂ ਕਿ [ਇਹ Beatles ਗੀਤਾਂ ਦੇ ਬੋਲ](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) ਵਰਤ ਕੇ। diff --git a/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md b/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md index 060d8742..fe7e9786 100644 --- a/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/pa/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ ਸੈਮੈਂਟਿਕ ਐਮਬੈਡਿੰਗਜ਼, ਜਿਵੇਂ ਕਿ Word2Vec ਅਤੇ GloVe, ਅਸਲ ਵਿੱਚ **ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ** ਵੱਲ ਪਹਿਲਾ ਕਦਮ ਹਨ - ਅਜਿਹੇ ਮਾਡਲ ਬਣਾਉਣਾ ਜੋ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਭਾਸ਼ਾ ਦੀ ਕੁਦਰਤ ਨੂੰ *ਸਮਝਦੇ* (ਜਾਂ *ਪ੍ਰਸਤੁਤ ਕਰਦੇ*) ਹਨ। diff --git a/translations/pa/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/pa/lessons/5-NLP/15-LanguageModeling/lab/README.md index 9b524fef..2da465ba 100644 --- a/translations/pa/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/pa/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,12 +1,3 @@ - # ਸਕਿਪ-ਗ੍ਰਾਮ ਮਾਡਲ ਦੀ ਟ੍ਰੇਨਿੰਗ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/5-NLP/16-RNN/README.md b/translations/pa/lessons/5-NLP/16-RNN/README.md index ee13b478..3dc605a6 100644 --- a/translations/pa/lessons/5-NLP/16-RNN/README.md +++ b/translations/pa/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # ਰਿਕਰੰਟ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/31) @@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA: ਇੱਕ ਸਧਾਰਨ RNN ਸੈਲ ਵਿੱਚ ਦੋ ਵਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਹੁੰਦੀਆਂ ਹਨ: ਇੱਕ ਇਨਪੁਟ ਚਿੰਨ੍ਹ ਨੂੰ ਰੂਪਾਂਤਰਿਤ ਕਰਦਾ ਹੈ (ਇਸਨੂੰ W ਕਹੀਏ), ਅਤੇ ਦੂਜਾ ਇਨਪੁਟ ਸਟੇਟ ਨੂੰ ਰੂਪਾਂਤਰਿਤ ਕਰਦਾ ਹੈ (H)। ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਨੈਟਵਰਕ ਦਾ ਆਉਟਪੁਟ σ(W×Xi+H×Si-1+b) ਵਜੋਂ ਗਣਨਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ σ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਹੈ ਅਤੇ b ਵਾਧੂ ਬਾਇਸ ਹੈ। -RNN ਸੈਲ ਦੀ ਬਣਤਰ +RNN ਸੈਲ ਦੀ ਬਣਤਰ > ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ diff --git a/translations/pa/lessons/5-NLP/16-RNN/assignment.md b/translations/pa/lessons/5-NLP/16-RNN/assignment.md index 3165c497..46735727 100644 --- a/translations/pa/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/pa/lessons/5-NLP/16-RNN/assignment.md @@ -1,12 +1,3 @@ - # ਅਸਾਈਨਮੈਂਟ: ਨੋਟਬੁੱਕਸ ਇਸ ਪਾਠ ਨਾਲ ਜੁੜੀਆਂ ਨੋਟਬੁੱਕਸ (ਚਾਹੇ PyTorch ਜਾਂ TensorFlow ਵਰਜਨ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਆਪਣੇ ਖੁਦ ਦੇ ਡਾਟਾਸੈਟ ਨਾਲ ਇਨ੍ਹਾਂ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਓ। ਸ਼ਾਇਦ ਕੋਈ ਡਾਟਾਸੈਟ Kaggle ਤੋਂ ਲਵੋ, ਜਿਸਦਾ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਹੋਵੇ। ਨੋਟਬੁੱਕ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖੋ ਅਤੇ ਆਪਣੇ ਖੁਦ ਦੇ ਨਤੀਜੇ ਹਾਈਲਾਈਟ ਕਰੋ। ਕਿਸੇ ਵੱਖਰੇ ਕਿਸਮ ਦੇ ਡਾਟਾਸੈਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਆਪਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ਬੱਧ ਕਰੋ, ਜਿਵੇਂ ਕਿ [ਇਹ Kaggle ਮੁਕਾਬਲੇ ਦਾ ਡਾਟਾਸੈਟ ਮੌਸਮ ਟਵੀਟਸ ਬਾਰੇ](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv)। diff --git a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md index 5629ba49..86ec759a 100644 --- a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # ਜਨਰੇਟਿਵ ਨੈਟਵਰਕਸ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/33) @@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA: ਜਦੋਂ ਟੈਕਸਟ ਪੈਦਾ ਕਰਨਾ (ਇਨਫਰੈਂਸ ਦੌਰਾਨ), ਅਸੀਂ ਕੁਝ **ਪ੍ਰਾਂਪਟ** ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਜਿਸਨੂੰ RNN ਸੈਲਸ ਵਿੱਚੋਂ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਸਦਾ ਮੱਧਵਰਤੀ ਸਟੇਟ ਪੈਦਾ ਕੀਤਾ ਜਾ ਸਕੇ, ਅਤੇ ਫਿਰ ਇਸ ਸਟੇਟ ਤੋਂ ਜਨਰੇਸ਼ਨ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਕਿਰਦਾਰ ਪੈਦਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਸਟੇਟ ਅਤੇ ਪੈਦਾ ਕੀਤੇ ਕਿਰਦਾਰ ਨੂੰ ਅਗਲੇ RNN ਸੈਲ ਵਿੱਚ ਪਾਸ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਅਗਲਾ ਪੈਦਾ ਕੀਤਾ ਜਾ ਸਕੇ, ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਕਾਫ਼ੀ ਕਿਰਦਾਰ ਪੈਦਾ ਨਹੀਂ ਕਰ ਲੈਂਦੇ। - + > ਚਿੱਤਰ ਲੇਖਕ ਦੁਆਰਾ diff --git a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index be80d954..d6d104ac 100644 --- a/translations/pa/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/pa/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,12 +1,3 @@ - # ਸ਼ਬਦ-ਪੱਧਰੀ ਪਾਠ ਉਤਪੱਤੀ RNNs ਦੀ ਵਰਤੋਂ ਕਰਕੇ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/5-NLP/18-Transformers/README.md b/translations/pa/lessons/5-NLP/18-Transformers/README.md index da7eca75..1af21a13 100644 --- a/translations/pa/lessons/5-NLP/18-Transformers/README.md +++ b/translations/pa/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # ਧਿਆਨ ਮਕੈਨਿਜ਼ਮ ਅਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/35) @@ -56,7 +47,7 @@ Positional encoding ਦਾ ਵਿਚਾਰ ਹੇਠਾਂ ਦਿੱਤਾ ਗ * Trainable embedding, ਟੋਕਨ embedding ਦੇ ਸਮਾਨ। ਇਹ ਪਹੁੰਚ ਅਸੀਂ ਇੱਥੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਟੋਕਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਥਾਨਾਂ ਦੋਵਾਂ 'ਤੇ embedding layers ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਨਾਲ ਇੱਕੋ ਮਾਪ ਦੇ embedding ਵੇਕਟਰ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਫਿਰ ਇਕੱਠੇ ਜੋੜਦੇ ਹਾਂ। * Fixed position encoding function, ਜਿਵੇਂ ਕਿ ਮੂਲ ਪੇਪਰ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। - + > ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ diff --git a/translations/pa/lessons/5-NLP/18-Transformers/assignment.md b/translations/pa/lessons/5-NLP/18-Transformers/assignment.md index 0d2c75c8..cb5fbb5b 100644 --- a/translations/pa/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/pa/lessons/5-NLP/18-Transformers/assignment.md @@ -1,12 +1,3 @@ - # ਅਸਾਈਨਮੈਂਟ: ਟ੍ਰਾਂਸਫਾਰਮਰਜ਼ HuggingFace 'ਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰਜ਼ ਨਾਲ ਅਨੁਭਵ ਕਰੋ! ਉਹਨਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਉਪਲਬਧ ਸਕ੍ਰਿਪਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ: https://huggingface.co/docs/transformers/run_scripts। ਉਹਨਾਂ ਦੇ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਫਿਰ ਇਸ ਕੋਰਸ ਜਾਂ Kaggle ਤੋਂ ਆਪਣਾ ਡੇਟਾ ਆਯਾਤ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਕੀ ਤੁਸੀਂ ਦਿਲਚਸਪ ਟੈਕਸਟ ਜਨਰੇਟ ਕਰ ਸਕਦੇ ਹੋ। ਆਪਣੇ ਨਤੀਜਿਆਂ ਨਾਲ ਇੱਕ ਨੋਟਬੁੱਕ ਤਿਆਰ ਕਰੋ। diff --git a/translations/pa/lessons/5-NLP/19-NER/README.md b/translations/pa/lessons/5-NLP/19-NER/README.md index ab0286a5..730821e2 100644 --- a/translations/pa/lessons/5-NLP/19-NER/README.md +++ b/translations/pa/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # ਨਾਂਦਤ ਇਕਾਈ ਪਛਾਣ (Named Entity Recognition) ਅੱਜ ਤੱਕ, ਅਸੀਂ ਜ਼ਿਆਦਾਤਰ ਇੱਕ NLP ਕੰਮ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ 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 ਦੀ ਪਛਾਣ ਕਰਨ ਨਾਲ ਸਬੰਧਿਤ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਥਾਨ, ਵਿਅਕਤੀ ਦੇ ਨਾਮ, ਮਿਤੀ-ਸਮਾਂ ਅੰਤਰਾਲ, ਰਸਾਇਣਕ ਫਾਰਮੂਲੇ ਆਦਿ। @@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA: ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਇੱਕ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਚੈਟ ਬੌਟ ਵਿਕਸਿਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ ਐਮਾਜ਼ਾਨ ਐਲੇਕਸਾ ਜਾਂ ਗੂਗਲ ਅਸਿਸਟੈਂਟ। ਸਮਾਰਟ ਚੈਟ ਬੌਟ ਇਸ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ ਕਿ ਉਹ ਵਰਤੋਂਕਾਰ ਦੀ ਗੱਲ ਨੂੰ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਜਿਸ ਲਈ ਉਹ ਇਨਪੁਟ ਵਾਕ 'ਤੇ ਟੈਕਸਟ ਵਰਗੀਕਰਨ ਕਰਦੇ ਹਨ। ਇਸ ਵਰਗੀਕਰਨ ਦਾ ਨਤੀਜਾ **ਇਰਾਦਾ (intent)** ਹੁੰਦਾ ਹੈ, ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਚੈਟ ਬੌਟ ਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। -Bot NER +Bot NER > ਲੇਖਕ ਦੁਆਰਾ ਤਸਵੀਰ diff --git a/translations/pa/lessons/5-NLP/19-NER/lab/README.md b/translations/pa/lessons/5-NLP/19-NER/lab/README.md index 34d0e806..28104678 100644 --- a/translations/pa/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/pa/lessons/5-NLP/19-NER/lab/README.md @@ -1,12 +1,3 @@ - # NER [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ। diff --git a/translations/pa/lessons/5-NLP/20-LangModels/README.md b/translations/pa/lessons/5-NLP/20-LangModels/README.md index 325e1007..3c9512a9 100644 --- a/translations/pa/lessons/5-NLP/20-LangModels/README.md +++ b/translations/pa/lessons/5-NLP/20-LangModels/README.md @@ -1,12 +1,3 @@ - # ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਸਾਡੇ ਪਿਛਲੇ ਸਾਰੇ ਕੰਮਾਂ ਵਿੱਚ, ਅਸੀਂ ਲੇਬਲ ਕੀਤੇ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਇੱਕ ਖਾਸ ਕੰਮ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਕਰ ਰਹੇ ਸਾਂ। ਵੱਡੇ ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲਾਂ, ਜਿਵੇਂ ਕਿ BERT, ਵਿੱਚ ਅਸੀਂ ਸਵੈ-ਸੰਪਰਕਤਮਕ ਢੰਗ ਨਾਲ ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਬਣਾਇਆ ਜਾ ਸਕੇ, ਜਿਸ ਨੂੰ ਫਿਰ ਖਾਸ ਡਾਊਨਸਟ੍ਰੀਮ ਕੰਮ ਲਈ ਖੇਤਰ-ਵਿਸ਼ੇਸ਼ ਟ੍ਰੇਨਿੰਗ ਨਾਲ ਵਿਸ਼ੇਸ਼ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸਾਬਤ ਹੋਇਆ ਹੈ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਬਿਨਾਂ ਕਿਸੇ ਖੇਤਰ-ਵਿਸ਼ੇਸ਼ ਟ੍ਰੇਨਿੰਗ ਦੇ ਵੀ ਕਈ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਪਰਿਵਾਰ ਨੂੰ ਜੋ ਇਹ ਕਰਨ ਦੇ ਯੋਗ ਹਨ, **GPT** ਕਿਹਾ ਜਾਂਦਾ ਹੈ: ਜਨਰੇਟਿਵ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਟ੍ਰਾਂਸਫਾਰਮਰ। diff --git a/translations/pa/lessons/5-NLP/README.md b/translations/pa/lessons/5-NLP/README.md index 4d4801f2..1f8cc0e5 100644 --- a/translations/pa/lessons/5-NLP/README.md +++ b/translations/pa/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ ![NLP ਟਾਸਕਾਂ ਦਾ ਸਾਰ](../../../../translated_images/pa/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md index 9ec19fde..3b57d041 100644 --- a/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/pa/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,12 +1,3 @@ - # ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਥਮ ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ai/quiz/41) diff --git a/translations/pa/lessons/6-Other/22-DeepRL/README.md b/translations/pa/lessons/6-Other/22-DeepRL/README.md index 118d0093..e8251ed4 100644 --- a/translations/pa/lessons/6-Other/22-DeepRL/README.md +++ b/translations/pa/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # ਡੀਪ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (RL) ਨੂੰ ਸਿੱਖਿਆ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਿੰਨ ਮੁੱਖ ਪੈਰਾਗ੍ਰਾਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਅਤੇ ਅਨਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ। ਜਦੋਂ ਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਵਿੱਚ ਅਸੀਂ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਵਾਲੇ ਡਾਟਾਸੈਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ, RL **ਕਰ ਕੇ ਸਿੱਖਣ** 'ਤੇ ਅਧਾਰਿਤ ਹੈ। ਉਦਾਹਰਣ ਲਈ, 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। @@ -34,7 +25,7 @@ RL ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਟੂਲ [OpenAI Gym](https://gym.ope ਬੈਲੈਂਸਿੰਗ ਦਾ ਇੱਕ ਸਰਲ ਵਰਜਨ **CartPole** ਸਮੱਸਿਆ ਦੇ ਨਾਮ ਨਾਲ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। CartPole ਦੁਨੀਆ ਵਿੱਚ, ਸਾਡੇ ਕੋਲ ਇੱਕ ਹੋਰਿਜ਼ਾਂਟਲ ਸਲਾਈਡਰ ਹੁੰਦਾ ਹੈ ਜੋ ਖੱਬੇ ਜਾਂ ਸੱਜੇ ਵੱਲ ਹਿਲ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਦੇਸ਼ ਸਲਾਈਡਰ ਦੇ ਉੱਪਰ ਇੱਕ ਵਰਟਿਕਲ ਪੋਲ ਨੂੰ ਬੈਲੈਂਸ ਕਰਨਾ ਹੁੰਦਾ ਹੈ। -a cartpole +a cartpole ਇਸ ਮਾਹੌਲ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਵਰਤਣ ਲਈ, ਸਾਨੂੰ ਕੁਝ ਪਾਈਥਨ ਕੋਡ ਦੀ ਲਾਈਨਾਂ ਦੀ ਲੋੜ ਹੈ: diff --git a/translations/pa/lessons/6-Other/22-DeepRL/lab/README.md b/translations/pa/lessons/6-Other/22-DeepRL/lab/README.md index 671b97e8..41c66325 100644 --- a/translations/pa/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/pa/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - ## ਪਰਿਵਰਤਨਸ਼ੀਲ ਮਾਊਂਟੇਨ ਕਾਰ ਵਾਤਾਵਰਣ ਵਿੱਚ ਇੱਕ ਕਾਰ ਇੱਕ ਘਾਟੀ ਵਿੱਚ ਫਸੀ ਹੋਈ ਹੈ। ਤੁਹਾਡਾ ਮਕਸਦ ਘਾਟੀ ਤੋਂ ਬਾਹਰ ਛਾਲ ਮਾਰ ਕੇ ਝੰਡੇ ਤੱਕ ਪਹੁੰਚਣਾ ਹੈ। ਤੁਸੀਂ ਜੋ ਕਾਰਵਾਈਆਂ ਕਰ ਸਕਦੇ ਹੋ ਉਹ ਹਨ: ਖੱਬੇ ਵੱਲ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣਾ, ਸੱਜੇ ਵੱਲ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣਾ, ਜਾਂ ਕੁਝ ਨਾ ਕਰਨਾ। ਤੁਸੀਂ ਕਾਰ ਦੀ x-ਅਕਸ ਦੇ ਨਾਲ ਸਥਿਤੀ ਅਤੇ ਗਤੀ ਦਾ ਅਵਲੋਕਨ ਕਰ ਸਕਦੇ ਹੋ। diff --git a/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md b/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md index 2ae97831..9f663ec3 100644 --- a/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/pa/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਬੁੱਧੀਮਾਨੀ ਹਾਸਲ ਕਰਨ ਦੇ ਸੰਭਾਵਿਤ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਤਰੀਕਾ **ਉਭਰਤਾ** (ਜਾਂ **ਸਹਿਯੋਗੀ**) ਪਹੁੰਚ ਹੈ, ਜੋ ਇਸ ਗੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਕਿ ਕਈ ਸਧਾਰਣ ਏਜੰਟਾਂ ਦੇ ਮਿਲੇ-ਜੁਲੇ ਵਿਵਹਾਰ ਨਾਲ ਪੂਰੇ ਸਿਸਟਮ ਦਾ ਕੁੱਲ ਵਿਵਹਾਰ ਜ਼ਿਆਦਾ ਜਟਿਲ (ਜਾਂ ਬੁੱਧੀਮਾਨ) ਹੋ ਸਕਦਾ ਹੈ। ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਇਹ [ਸੰਯੁਕਤ ਬੁੱਧੀਮਾਨੀ](https://en.wikipedia.org/wiki/Collective_intelligence), [ਉਭਰਤਾਵਾਦ](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-ਪੱਧਰ ਦੇ ਸਿਸਟਮ ਨੂੰ ਕੁਝ ਵਾਧੂ ਮੁੱਲ ਮਿਲਦਾ ਹੈ ਜਦੋਂ ਉਹ ਠੀਕ ਤਰੀਕੇ ਨਾਲ ਹੇਠਲੇ ਪੱਧਰ ਦੇ ਸਿਸਟਮਾਂ ਤੋਂ ਜੋੜੇ ਜਾਂਦੇ ਹਨ (ਜਿਸਨੂੰ *ਮੈਟਾਸਿਸਟਮ ਟ੍ਰਾਂਜ਼ੀਸ਼ਨ ਦਾ ਸਿਧਾਂਤ* ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। @@ -60,7 +51,7 @@ ask turtles [ ਨੈਟਲੋਗੋ ਦੀ ਇੱਕ ਵਧੀਆ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਸ਼ਾਮਲ ਹੈ, ਜਿਸਨੂੰ ਤੁਸੀਂ ਅਜ਼ਮਾ ਸਕਦੇ ਹੋ। **File → Models Library** 'ਤੇ ਜਾਓ, ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਮਾਡਲਾਂ ਦੀਆਂ ਕਈ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚੋਂ ਚੁਣਨ ਲਈ ਹੈ। -ਨੈਟਲੋਗੋ ਮਾਡਲਾਂ ਦੀ ਲਾਇਬ੍ਰੇਰੀ +ਨੈਟਲੋਗੋ ਮਾਡਲਾਂ ਦੀ ਲਾਇਬ੍ਰੇਰੀ > ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ ਦੁਆਰਾ ਮਾਡਲ ਲਾਇਬ੍ਰੇਰੀ ਦਾ ਸਕ੍ਰੀਨਸ਼ਾਟ diff --git a/translations/pa/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/pa/lessons/6-Other/23-MultiagentSystems/assignment.md index eae6f37d..4792d393 100644 --- a/translations/pa/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/pa/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,12 +1,3 @@ - # ਨੈਟਲੋਗੋ ਅਸਾਈਨਮੈਂਟ ਨੈਟਲੋਗੋ ਦੀ ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚੋਂ ਇੱਕ ਮਾਡਲ ਲਓ ਅਤੇ ਇਸਨੂੰ ਹਕੀਕਤ ਵਿੱਚ ਹੋਣ ਵਾਲੀ ਸਥਿਤੀ ਨੂੰ ਜਿੰਨਾ ਹੋ ਸਕੇ ਨਜ਼ਦੀਕੀ ਤਰੀਕੇ ਨਾਲ ਨਕਲ ਕਰਨ ਲਈ ਵਰਤੋ। ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਨ ਇਹ ਹੋਵੇਗੀ ਕਿ ਵਾਇਰਸ ਮਾਡਲ ਨੂੰ ਆਲਟਰਨੇਟਿਵ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨਜ਼ ਫੋਲਡਰ ਵਿੱਚ ਟਵੀਕ ਕਰਕੇ ਦਿਖਾਇਆ ਜਾਵੇ ਕਿ ਇਹ COVID-19 ਦੇ ਫੈਲਾਅ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਕੀ ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋ ਜੋ ਹਕੀਕਤ ਵਿੱਚ ਵਾਇਰਲ ਫੈਲਾਅ ਦੀ ਨਕਲ ਕਰ ਸਕੇ? diff --git a/translations/pa/lessons/7-Ethics/README.md b/translations/pa/lessons/7-Ethics/README.md index 0bbf1d97..e3fb71f3 100644 --- a/translations/pa/lessons/7-Ethics/README.md +++ b/translations/pa/lessons/7-Ethics/README.md @@ -1,12 +1,3 @@ - # ਨੈਤਿਕ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI ਤੁਸੀਂ ਇਹ ਕੋਰਸ ਲਗਭਗ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ, ਅਤੇ ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਹੁਣ ਤੱਕ ਤੁਹਾਨੂੰ ਸਪਸ਼ਟ ਹੋ ਗਿਆ ਹੋਵੇਗਾ ਕਿ AI ਕਈ ਗਣਿਤਕ ਵਿਧੀਆਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਜੋ ਸਾਨੂੰ ਡਾਟਾ ਵਿੱਚ ਸਬੰਧ ਲੱਭਣ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਦੇ ਕੁਝ ਪੱਖਾਂ ਨੂੰ ਦੁਹਰਾਉਣ ਲਈ ਸਿਖਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਸ ਸਮੇਂ, ਅਸੀਂ AI ਨੂੰ ਡਾਟਾ ਵਿੱਚੋਂ ਪੈਟਰਨ ਕੱਢਣ ਅਤੇ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੰਦ ਮੰਨਦੇ ਹਾਂ। diff --git a/translations/pa/lessons/README.md b/translations/pa/lessons/README.md index 657134b4..2c5cb618 100644 --- a/translations/pa/lessons/README.md +++ b/translations/pa/lessons/README.md @@ -1,12 +1,3 @@ - # ਝਲਕ ![ਝਲਕ ਇੱਕ ਡੂਡਲ ਵਿੱਚ](../../../translated_images/pa/ai-overview.0857791951d19500.webp) diff --git a/translations/pa/lessons/X-Extras/X1-MultiModal/README.md b/translations/pa/lessons/X-Extras/X1-MultiModal/README.md index 243ce194..d73154b9 100644 --- a/translations/pa/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/pa/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # ਮਲਟੀ-ਮੋਡਲ ਨੈਟਵਰਕ NLP ਟਾਸਕਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲਾਂ ਦੀ ਸਫਲਤਾ ਤੋਂ ਬਾਅਦ, ਉਹੀ ਜਾਂ ਇਸਦੇ ਸਮਾਨ ਆਰਕੀਟੈਕਚਰ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਟਾਸਕਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤੇ ਗਏ। ਵਿਜ਼ਨ ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਸਮਰਥਾਵਾਂ ਨੂੰ *ਮਿਲਾਉਣ* ਵਾਲੇ ਮਾਡਲ ਬਣਾਉਣ ਵਿੱਚ ਦਿਲਚਸਪੀ ਵਧ ਰਹੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਇੱਕ ਯਤਨ ਨੂੰ OpenAI ਦੁਆਰਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸਨੂੰ CLIP ਅਤੇ DALL.E ਕਿਹਾ ਜਾਂਦਾ ਹੈ। diff --git a/translations/pa/lessons/sketchnotes/LICENSE.md b/translations/pa/lessons/sketchnotes/LICENSE.md index 22b81feb..91d20277 100644 --- a/translations/pa/lessons/sketchnotes/LICENSE.md +++ b/translations/pa/lessons/sketchnotes/LICENSE.md @@ -1,12 +1,3 @@ - ਅਟ੍ਰਿਬਿਊਸ਼ਨ-ਸ਼ੇਅਰਅਲਾਈਕ 4.0 ਇੰਟਰਨੈਸ਼ਨਲ ======================================================================= diff --git a/translations/pa/lessons/sketchnotes/README.md b/translations/pa/lessons/sketchnotes/README.md index 57741873..4900ea13 100644 --- a/translations/pa/lessons/sketchnotes/README.md +++ b/translations/pa/lessons/sketchnotes/README.md @@ -1,12 +1,3 @@ - ਸਾਰੇ ਪਾਠਕ੍ਰਮ ਦੇ ਸਕੈਚਨੋਟ ਇੱਥੋਂ ਡਾਊਨਲੋਡ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। 🎨 ਬਣਾਇਆ ਗਿਆ: ਟੋਮੋਮੀ ਇਮੁਰਾ (ਟਵਿੱਟਰ: [@girlie_mac](https://twitter.com/girlie_mac), ਗਿਟਹੱਬ: [girliemac](https://github.com/girliemac)) diff --git a/translations/pa/troubleshoot.md b/translations/pa/troubleshoot.md index c2c962db..ff54bb7d 100644 --- a/translations/pa/troubleshoot.md +++ b/translations/pa/troubleshoot.md @@ -1,12 +1,3 @@ - # AI-For-Beginners Troubleshooting Guide ਇਹ ਗਾਈਡ ਤੁਹਾਨੂੰ [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) ਰਿਪੋਜ਼ਟਰੀ ਦੀ ਵਰਤੋਂ ਜਾਂ ਯੋਗਦਾਨ ਦੇਣ ਦੌਰਾਨ ਆਮ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਹਰ ਸਮੱਸਿਆ ਵਿੱਚ ਪਿਛੋਕੜ, ਲੱਛਣ, ਵਿਆਖਿਆਵਾਂ ਅਤੇ ਕਦਮ-ਦਰ-ਕਦਮ ਹੱਲ ਸ਼ਾਮਲ ਹਨ।