chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)
This commit is contained in:
localizeflow[bot]
parent
2cf3095b7a
commit
132c5c3f8f
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:32:51+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:49:35+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-31T17:30:09+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-31T18:04:59+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-31T18:04:45+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-31T18:04:01+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-31T18:02:56+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-31T18:04:31+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-31T18:05:17+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:35:44+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-31T17:33:36+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T06:50:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:29:11+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:15:53+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:17:47+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T06:52:39+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-31T17:46:20+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T15:47:37+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T17:50:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T15:47:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-31T17:50:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T15:47:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-31T17:52:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:55:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T15:42:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-31T17:40:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T15:42:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T15:41:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:58:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T15:42:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-31T17:38:07+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-31T17:38:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T15:44:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T15:44:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T15:43:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-31T17:41:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T15:44:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-31T17:43:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-31T17:35:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T15:51:18+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-31T18:02:45+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T15:50:57+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-31T18:01:29+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T15:49:01+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-31T17:56:45+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T15:50:23+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-31T18:00:42+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T15:48:27+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-31T17:56:09+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T15:49:11+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-31T17:57:59+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T15:49:59+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-31T17:59:35+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T15:49:41+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-31T17:55:03+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T15:40:16+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T15:41:18+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-31T17:33:23+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T15:40:36+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-31T17:32:22+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-31T17:46:37+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-31T17:30:25+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-31T17:35:04+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-31T17:53:52+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-31T17:52:17+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "lt"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:54:51+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:32:51+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Projekto apžvalga
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T06:48:28+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -21,213 +12,212 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Dirbtinis intelektas pradedantiesiems - mokymo programa
|
||||
# Dirbtinis intelektas pradedantiesiems – mokymo programa
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Dirbtinis intelektas pradedantiesiems - _Piešinys pagal [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| Dirbtinis intelektas pradedantiesiems - _Sketchnote by [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Išnagrinėkite **Dirbtinio intelekto** (DI) pasaulį su mūsų 12 savaičių, 24 pamokų mokymo programa! Ji apima praktines pamokas, testus ir laboratorinius darbus. Mokymo programa yra draugiška pradedantiesiems ir apima tokias priemones kaip TensorFlow ir PyTorch, taip pat etikos klausimus DI srityje.
|
||||
Atraskite **Dirbtinio intelekto** (DI) pasaulį su mūsų 12 savaičių, 24 pamokų mokymo programa! Ji apima praktines pamokas, testus ir laboratorinius darbus. Mokymo programa pritaikyta pradedantiesiems ir apima tokias priemones kaip TensorFlow ir PyTorch, taip pat DI etiką.
|
||||
|
||||
### 🌐 Daugiakalbystės palaikymas
|
||||
|
||||
### 🌐 Daugiakalbė palaikymas
|
||||
|
||||
#### Palaikoma per GitHub Action (automatinis ir visada atnaujinamas)
|
||||
#### Palaikoma per GitHub Action (automatizuota ir visada atnaujinta)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](./README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[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](./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)](../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)
|
||||
|
||||
> **Norite klonuoti vietoje?**
|
||||
> **Norite kopijuoti vietoje?**
|
||||
|
||||
> Šis saugykla apima daugiau nei 50 kalbų vertimų, dėl ko smarkiai padidėja atsisiuntimo dydis. Norėdami klonuoti be vertimų, naudokite ribotą patikrinimą:
|
||||
> Ši saugykla turi daugiau nei 50 kalbų vertimų, kurie žymiai padidina atsisiuntimo dydį. Norėdami kopijuoti be vertimų, naudokite sparse checkout:
|
||||
> ```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'
|
||||
> ```
|
||||
> Tai suteikia viską, ko reikia kursui užbaigti, su daug greitesniu atsisiuntimu.
|
||||
> Tai suteikia jums viską, ko reikia kursui baigti, su daug greitesniu atsisiuntimu.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Jei norite, kad būtų palaikomos papildomos vertimų kalbos, jos yra išvardytos [čia](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Jei norite palaikyti papildomas vertimų kalbas, jų sąrašas pateiktas [čia](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Prisijunkite prie bendruomenės
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Ko išmoksite
|
||||
|
||||
**[Kurso protų žemėlapis](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Kurso minties žemėlapis](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Šioje mokymo programoje išmoksite:
|
||||
|
||||
* Skirtingų dirbtinio intelekto požiūrių, įskaitant "senąjį gerą" simbolinį požiūrį su **žinių reprezentacija** ir samprotavimu ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuroninius tinklus** ir **gilųjį mokymąsi**, kurie yra šiuolaikinio DI pagrindas. Šias svarbias temas iliustruosime kodu dviem populiariausiais karkasais - [TensorFlow](http://Tensorflow.org) ir [PyTorch](http://pytorch.org).
|
||||
* **Neuronines architektūras**, skirtas darbui su vaizdais ir tekstu. Aptarsime naujausius modelius, tačiau gali būti šiek tiek trūkumų pažangiausių technologijų srityje.
|
||||
* Mažiau populiarius DI metodus, tokius kaip **genetiniai algoritmai** ir **daugiagentinės sistemos**.
|
||||
* Skirtingus Dirbtinio intelekto požiūrius, įskaitant „gerą seną“ simbolinį požiūrį su **žinių atvaizdavimu** ir samprotavimu ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuroninius tinklus** ir **gilųjį mokymąsi**, kurie yra šiuolaikinio DI pagrindas. Iliustruosime svarbiausias šių temų koncepcijas naudodami kodą dviejose populiariausiose sistemose – [TensorFlow](http://Tensorflow.org) ir [PyTorch](http://pytorch.org).
|
||||
* **Neuronines architektūras** darbui su vaizdais ir tekstu. Apžvelgsime naujausius modelius, tačiau šiek tiek pritrūksime pažangiausių naujovių.
|
||||
* Mažiau populiarius DI metodus, tokius kaip **genetiniai algoritmai** ir **multi-agentų sistemos**.
|
||||
|
||||
Ko šioje mokymo programoje neapimsime:
|
||||
Ką mes neapimsime šioje mokymo programoje:
|
||||
|
||||
> [Raskite visus papildomus šios programos išteklius mūsų Microsoft Learn kolekcijoje](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Raskite visas papildomas šio kurso medžiagas mūsų Microsoft Learn kolekcijoje](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Verslo atvejų, kaip naudoti **DI versle**. Apsvarstykite galimybę imtis [Įvado į DI verslo naudotojams](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) mokymosi takelio Microsoft Learn arba [DI verslo mokyklos](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), sukurtos bendradarbiaujant su [INSEAD](https://www.insead.edu/).
|
||||
* **Klasikinio mašininio mokymosi**, kuris išsamiai aprašytas mūsų [Mašininio mokymosi pradedantiesiems mokymo programoje](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktinių DI programų, sukurtų naudojant **[Kognityvines paslaugas](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Tam rekomenduojame pradėti nuo Microsoft Learn modulių apie [vaizdų atpažinimą](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natūralios kalbos apdorojimą](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatyvinį DI su Azure OpenAI paslauga](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ir kitus dalykus.
|
||||
* Specifinių ML **debesijos karkasų**, tokių kaip [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) ar [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Rekomenduojama naudoti mokymosi takelius [Kurti ir valdyti mašininio mokymosi sprendimus su Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) bei [Kurti ir valdyti mašininio mokymosi sprendimus Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Pokalbinį DI** ir **pokalbių robotus**. Yra atskiras mokymosi takelis [Sukurti pokalbinio DI sprendimus](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), be to, galite pasiskaityti [šį tinklaraščio įrašą](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) plačiau.
|
||||
* **Giliąją matematiką**, slypinčią už giluminio mokymosi. Tam rekomenduojame [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) Ian Goodfellow, Yoshua Bengio ir Aaron Courville, kuri taip pat prieinama internete adresu [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Verslo atvejų, naudojant **DI versle**. Apsvarstykite galimybę išklausyti [Įvadas į DI verslo naudotojams](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) mokymosi kelią Microsoft Learn arba [DI verslo mokyklą](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), sukurtą bendradarbiaujant su [INSEAD](https://www.insead.edu/).
|
||||
* **Klasikinį mašininį mokymąsi**, kuris yra gerai aprašytas mūsų [Mašininio mokymosi pradedantiesiems mokymo programoje](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktines DI programas, sukurtas naudojant **[Kognityvines paslaugas](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Rekomenduojame pradėti nuo Microsoft Learn modulių apie [vaizdą](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natūralios kalbos apdorojimą](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatyvinį DI su Azure OpenAI paslauga](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ir kitus.
|
||||
* Specifines ML **debesijos sistemas**, tokias kaip [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), ar [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Apsvarstykite, naudoti mokymosi kelius [Kurti ir valdyti mašininio mokymosi sprendimus su Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ir [Kurti ir valdyti mašininio mokymosi sprendimus su Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Pokalbių DI** ir **pokalbių robotus**. Yra specialus [Sukurti pokalbių DI sprendimus](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) mokymosi kelias, taip pat galite pasiskaityti [šį tinklaraščio įrašą](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) dėl išsamesnės informacijos.
|
||||
* **Gilųją matematiką**, slypinčią už giluminio mokymosi. Rekomenduojame knygą [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autoriai Ian Goodfellow, Yoshua Bengio bei Aaron Courville, kuri taip pat prieinama internete adresu [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Norėdami švelnaus įvado į _DI debesyje_ temas, galite apsvarstyti [Pradėti dirbtinį intelektą Azure platformoje](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) mokymosi takelį.
|
||||
Jei norite švelnaus įvado į _DI debesyje_ temas, galite rinktis mokymosi kelią [Pradėti dirbtinio intelekto naudojimą Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Turinys
|
||||
|
||||
| | Pamokos Nuoroda | PyTorch/Keras/TensorFlow | Laboratorija |
|
||||
| | Pamokos nuoroda | PyTorch/Keras/TensorFlow | Laboratorija |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Kurso Nustatymai](./lessons/0-course-setup/setup.md) | [Nustatykite savo kūrimo aplinką](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Kurso nustatymai](./lessons/0-course-setup/setup.md) | [Paruoškite savo vystymo aplinką](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Įvadas į DI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [DI įvadas ir istorija](./lessons/1-Intro/README.md) | - | - |
|
||||
| 01 | [Įvadas ir DI istorija](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Simbolinis DI** |
|
||||
| 02 | [Žinių reprezentacija ir ekspertų sistemos](./lessons/2-Symbolic/README.md) | [Ekspertų sistemos](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptų grafas](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Žinių atvaizdavimas ir ekspertų sistemos](./lessons/2-Symbolic/README.md) | [Ekspertų sistemos](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Koncepcijų grafas](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Įvadas į neuroninius tinklus**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptronas](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Užrašų knygelė](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorinis darbas](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Daugiasluoksnis perceptronas ir savo Framework kūrimas](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Užrašų knygelė](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorinis darbas](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Įvadas į Framework’us (PyTorch/TensorFlow) ir perpanaudojimą](./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) | [Laboratorinis darbas](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Kompiuterinė rega**](./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)| [Tyrinėkite Kompiuterinę regą Microsoft Azure platformoje](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Įvadas į Kompiuterinę regą. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Užrašų knygelė](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorinis darbas](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvoliuciniai neuroniniai tinklai](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Konvoliucinių tinklų architektūros](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Laboratorinis darbas](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Iš anksto apmokyti tinklai ir perdavimo mokymasis](./lessons/4-ComputerVision/08-TransferLearning/README.md) ir [Mokymosi triukai](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorinis darbas](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoder’iai ir VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 03 | [Perceptronas](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Užrašų knygelė](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorija](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Daugiasluoksnis perceptronas ir savo framework kūrimas](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Užrašų knygelė](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorija](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Frameworkų įvadas (PyTorch/TensorFlow) ir permokymas](./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) | [Laboratorija](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Kompiuterinė rega**](./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)| [Išbandykite kompiuterinę regą Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Įvadas į kompiuterinę regą. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Užrašų knygelė](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorija](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvoliuciniai neuroniniai tinklai](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN architektūros](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Laboratorija](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Iš anksto apmokyti tinklai ir perkeliamasis mokymasis](./lessons/4-ComputerVision/08-TransferLearning/README.md) ir [Mokymosi triukai](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorija](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkoderiai ir 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 | [Generatyviniai priešiniai tinklai ir meninio stiliaus perkėlimas](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objektų aptikimas](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorinis darbas](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantinė segmentacija. 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 | [**Natūralios kalbos apdorojimas**](./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) | [Tyrinėkite natūralios kalbos apdorojimą Microsoft Azure platformoje](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Teksto reprezentacija. 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 | [Semantinės žodžių įterptinės reprezentacijos. Word2Vec ir 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 | [Kalbos modeliavimo pagrindai. Mokymasis savo įterptinių reprezentacijų](./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) | [Laboratorinis darbas](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Pasikartojantys neuroniniai tinklai](./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 | [Generatyviniai pasikartojantys tinklai](./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) | [Laboratorinis darbas](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformeriai. 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 | [Pavadintųjų asmenų atpažinimas](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorinis darbas](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Dideli kalbos modeliai, komandinė programavimo kalba ir mažo duomenų kiekio užduotys](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 11 | [Objektų aptikimas](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorija](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantinė segmentacija. U-Tinklas](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Gamtos kalbos apdorojimas**](./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) | [Išbandykite gamtos kalbos apdorojimą Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Teksto atvaizdavimas. 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 | [Semantiniai žodžių įterpimai. Word2Vec ir 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 | [Kalbos modeliavimas. Savo įterpimų mokymas](./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) | [Laboratorija](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurentiniai neuroniniai tinklai](./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 | [Generatyviniai rekurentiniai tinklai](./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) | [Laboratorija](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformeriai. 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 | [Pavadintų entitetų atpažinimas](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorija](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Dideli kalbos modeliai, užklausų programavimas ir kelių pavyzdžių užduotys](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Kitos DI technikos** || |
|
||||
| 21 | [Genetiniai algoritmai](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Užrašų knygelė](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Giluminis sustiprintinis mokymasis](./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) | [Laboratorinis darbas](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Daugiaprograminės agentų sistemos](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **DIR Etika** | | |
|
||||
| 22 | [Gylusis stiprinamasis mokymasis](./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) | [Laboratorija](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Daugiaveikėjių sistemos](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **DI etika** | | |
|
||||
| 24 | [DI etika ir atsakingas DI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Atsakingo DI principai](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Papildoma medžiaga** | | |
|
||||
| 25 | [Daugiapoliai tinklai, CLIP ir VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Užrašų knygelė](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Daugiamodaliai tinklai, CLIP ir VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Užrašų knygelė](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Kiekviena pamoka apima
|
||||
|
||||
* Išankstinę medžiagą skaitymui
|
||||
* Vykdomas Jupyter užrašų knygeles, kurios dažnai būna specifinės konkrečiam framework’ui (**PyTorch** arba **TensorFlow**). Vykdoma užrašų knygelė taip pat turi daug teorinės medžiagos, todėl, norint suprasti temą, reikia pereiti bent vieną šios užrašų knygelės versiją (arba PyTorch, arba TensorFlow).
|
||||
* Kai kurios temos turi **laboratorinius darbus**, kurie suteikia galimybę išbandyti įgytas žinias taikant jas konkrečioms problemoms.
|
||||
* Kai kurios skiltys turi nuorodas į [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modulius, kurie apima susijusias temas.
|
||||
* Medžiagos skaitymą prieš pamoką
|
||||
* Vykdomas Jupyter užrašų knygeles, kurios dažnai būna skirtos konkrečiam framework'ui (**PyTorch** arba **TensorFlow**). Vykdoma užrašų knygelė taip pat apima daug teorinės medžiagos, todėl norint suprasti temą, reikia praeiti bent vieną užrašų knygelės versiją (PyTorch arba TensorFlow).
|
||||
* Kai kurioms temoms yra **laboratorijos**, suteikiančios galimybę išbandyti įgytas žinias sprendžiant konkrečią užduotį.
|
||||
* Kai kurios dalys turi nuorodas į [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modulius, kurie apima susijusias temas.
|
||||
|
||||
## Pradžia
|
||||
|
||||
### 🎯 Naujokas DI srityje? Pradėkite čia!
|
||||
### 🎯 Naujas DI? Pradėkite čia!
|
||||
|
||||
Jei visiškai nesate susipažinę su DI ir norite greitų, praktinių pavyzdžių, peržiūrėkite mūsų [**Pradedančiųjų pavyzdžius**](./examples/README.md)! Juose yra:
|
||||
Jei visiškai naujokas DI ir norite greitų, praktinių pavyzdžių, peržiūrėkite mūsų [**Pradedančiųjų draugiškus pavyzdžius**](./examples/README.md)! Jie apima:
|
||||
|
||||
- 🌟 **Sveikas, DI pasauli!** – Jūsų pirma DI programa (paternų atpažinimas)
|
||||
- 🧠 **Paprastas neuroninis tinklas** – Sukurkite neuroninį tinklą nuo nulio
|
||||
- 🖼️ **Vaizdų klasifikatorius** – Klasifikuokite vaizdus su išsamiais komentarais
|
||||
- 💬 **Teksto nuotaika** - Analizuokite teigiamą/ neigiamą tekstą
|
||||
- 🌟 **Sveikas, DI pasauli!** - Jūsų pirmoji DI programa (modelių atpažinimas)
|
||||
- 🧠 **Paprastas neuroninis tinklas** - Sukurkite neuroninį tinklą nuo nulio
|
||||
- 🖼️ **Vaizdų klasifikatorius** - Klasifikuokite vaizdus su išsamiais komentarais
|
||||
- 💬 **Teksto nuotaika** - Analizuokite teigiamą/neigiamą tekstą
|
||||
|
||||
Šie pavyzdžiai skirti padėti suprasti DI sąvokas prieš pradedant visą mokymo programą.
|
||||
|
||||
### 📚 Visos mokymo programos nustatymas
|
||||
### 📚 Pilnas mokymo programos nustatymas
|
||||
|
||||
- Mes sukūrėme [nustatymo pamoką](./lessons/0-course-setup/setup.md), kad padėtume jums sukurti savo kūrimo aplinką. - Mokytojams taip pat sukūrėme [mokymo programos nustatymo pamoką](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kaip [paleisti kodą VSCode arba Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Mes sukūrėme [nustatymo pamoką](./lessons/0-course-setup/setup.md), kuri padės sukurti jūsų vystymo aplinką. - Mokytojams taip pat paruošėme [mokymo programos nustatymo pamoką](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kaip [paleisti kodą VSCode ar Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Vadovaukitės šiais žingsniais:
|
||||
Sekite šiuos žingsnius:
|
||||
|
||||
Sukurkite šaką: Spustelėkite mygtuką „Fork“ šio puslapio viršutiniame dešiniajame kampe.
|
||||
Fork‘inkite saugyklą: Paspauskite "Fork" mygtuką viršutiniame dešiniajame šio puslapio kampe.
|
||||
|
||||
Klonuokite repozitoriją: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Klonuokite saugyklą: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Neužmirškite pažymėti žvaigždute (🌟) šį repo, kad vėliau jį lengviau rastumėte.
|
||||
Nepamirškite pažymėti (🌟) šią saugyklą, kad vėliau lengviau ją rastumėte.
|
||||
|
||||
## Susipažinkite su kitais mokiniais
|
||||
|
||||
Prisijunkite prie mūsų [oficialaus DI Discord serverio](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), kad susipažintumėte ir bendrautumėte su kitais šį kursą lankytais mokiniais ir gautumėte paramą.
|
||||
Prisijunkite prie mūsų [oficialaus DI Discord serverio](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), kad susipažintumėte ir bendrautumėte su šią kursą lankančiais mokiniais bei gautumėte pagalbą.
|
||||
|
||||
Jei turite atsiliepimų apie produktą ar klausimų statant, apsilankykite mūsų [Azure AI Foundry kūrėjų forume](https://aka.ms/foundry/forum)
|
||||
Jei turite produkto atsiliepimų ar klausimų kūrimo metu, apsilankykite mūsų [Azure AI Foundry kūrėjų forume](https://aka.ms/foundry/forum)
|
||||
|
||||
## Testai
|
||||
## Kvizai
|
||||
|
||||
> **Pastaba apie testus**: Visi testai yra saugomi Quiz-app aplanke etc\quiz-app, arba [internete čia](https://ff-quizzes.netlify.app/). Jie yra susieti su pamokomis, testų programėlę galima paleisti lokaliai arba išdiegti į Azure; sekite nurodymus `quiz-app` aplanke. Jie palaipsniui lokalizuojami.
|
||||
> **Pastaba apie kvizus**: Visi kvizai yra Quiz-app aplanke etc\quiz-app, arba [internete čia](https://ff-quizzes.netlify.app/) Jie yra susieti su pamokomis, kvizų programą galima paleisti lokaliai arba diegti Azure; sekite `quiz-app` aplanko instrukcijas. Jie pamažu lokalizuojami.
|
||||
|
||||
## Reikalinga pagalba
|
||||
|
||||
Turite pasiūlymų arba radote rašybos ar kodo klaidų? Praneškite apie problemą arba pateikite pataisą.
|
||||
Turite pasiūlymų ar radote rašybos ar kodo klaidų? Užkelkite problemą arba sukurkite pull request.
|
||||
|
||||
## Specialūs dėkojimai
|
||||
## Specialūs dėkingumai
|
||||
|
||||
* **✍️ Pagrindinis autorius:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redaktorius:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sąsiuvinio iliustratorė:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Testų kūrėja:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Pagrindiniai bendradarbiai:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ Pagrindinis autorius:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redaktorė:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnotų iliustratorė:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Kvizų kūrėja:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Pagrindiniai bendradarbiai:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Kitos mokymo programos
|
||||
|
||||
Mūsų komanda kuria ir kitas mokymo programas! Peržiūrėkite:
|
||||
Mūsų komanda rengia ir kitas mokymo programas! Patikrinkite:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agentai
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agentai
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generatyvinis DI serija
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Generatyvinis DI serija
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Pagrindinis mokymasis
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Pagrindinis mokymasis
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot serija
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Copilot serija
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Gaukite pagalbos
|
||||
## Gaunate pagalbą
|
||||
|
||||
Jei užstrigote arba turite klausimų apie DI programėlių kūrimą. Prisijunkite prie kitų mokinių ir patyrusių kūrėjų diskusijų apie MCP. Tai palaikanti bendruomenė, kurioje laukiami klausimai ir laisvai dalinamasi žiniomis.
|
||||
Jei įstrigote ar kyla klausimų apie DI programų kūrimą. Prisijunkite prie bendraminčių mokinių ir patyrusių kūrėjų diskusijose apie MCP. Tai palaikanti bendruomenė, kurioje klausimai yra laukiami, o žinios dalinamos laisvai.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jei turite atsiliepimų apie produktą arba radote klaidų statant, apsilankykite:
|
||||
Jei turite produkto atsiliepimų ar klaidų kūrimo metu, apsilankykite:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Atsakomybės apribojimas**:
|
||||
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors stengiamės užtikrinti tikslumą, prašome atkreipti dėmesį, kad automatizuoti vertimai gali turėti klaidų ar netikslumų. Pirminis dokumentas originalia kalba laikomas autoritetingu šaltiniu. Svarbiai informacijai rekomenduojama naudotis profesionalaus žmogaus vertimu. Mes neatsakome už jokią painiavą ar neteisingą interpretaciją, kylančią dėl šio vertimo naudojimo.
|
||||
**Atsakomybės apribojimas**:
|
||||
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų arba netikslumų. Pirminis dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Norint gauti svarbią informaciją, rekomenduojamas profesionalus žmogaus atliktas vertimas. Mes neatsakome už bet kokius nesusipratimus ar neteisingą aiškinimą, kilusius naudojant šį vertimą.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-31T17:30:09+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
## Saugumas
|
||||
|
||||
„Microsoft“ rimtai žiūri į savo programinės įrangos produktų ir paslaugų saugumą, įskaitant visus šaltinio kodo saugyklas, valdomas per mūsų „GitHub“ organizacijas, tokias kaip [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) ir [mūsų „GitHub“ organizacijas](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-31T18:04:59+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Microsoft Atvirojo kodo elgesio kodeksas
|
||||
|
||||
Šis projektas priėmė [Microsoft Atvirojo kodo elgesio kodeksą](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-31T18:04:45+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Prisidėjimas
|
||||
|
||||
Šis projektas laukia jūsų indėlio ir pasiūlymų. Dauguma indėlių reikalauja, kad jūs sutiktumėte su Bendradarbio Licencijos Sutartimi (CLA), kurioje patvirtinate, jog turite teisę suteikti mums teises naudoti jūsų indėlį. Daugiau informacijos rasite adresu https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-31T18:04:01+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Įvadas į AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-31T18:02:56+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Palaikymas
|
||||
|
||||
## Kaip pranešti apie problemas ir gauti pagalbą
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-31T18:04:31+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Prisidėkite prie pamokų vertimo
|
||||
|
||||
Mes laukiame pamokų vertimų šioje mokymo programoje!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-31T18:05:17+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Viktorinos
|
||||
|
||||
Šios viktorinos yra prieš ir po paskaitų skirtos AI mokymo programai, esančiai https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:35:44+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Pradedančiųjų AI pavyzdžiai
|
||||
|
||||
Sveiki! Šiame kataloge rasite paprastus, savarankiškus pavyzdžius, kurie padės jums pradėti dirbti su AI ir mašininio mokymosi technologijomis. Kiekvienas pavyzdys yra sukurtas taip, kad būtų draugiškas pradedantiesiems, su išsamiais komentarais ir žingsnis po žingsnio paaiškinimais.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-31T17:33:36+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Mokytojams
|
||||
|
||||
Norėtumėte naudoti šią mokymo programą savo klasėje? Prašome drąsiai tai daryti!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T06:50:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Kaip paleisti kodą
|
||||
|
||||
Ši mokymo programa apima daug vykdomų pavyzdžių ir laboratorinių darbų, kuriuos norėsite paleisti. Tam jums reikalinga galimybė vykdyti Python kodą Jupyter užrašinėse, pateiktose kaip šios mokymo programos dalis. Turite keletą galimybių kodui paleisti:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:29:11+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Pradžia su šia mokymo programa
|
||||
|
||||
## Ar esate studentas?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:15:53+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į dirbtinį intelektą
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:17:47+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Žaidimų kūrimo maratonas
|
||||
|
||||
Žaidimai yra sritis, kurią stipriai paveikė dirbtinio intelekto (DI) ir mašininio mokymosi (MM) pažanga. Šioje užduotyje parašykite trumpą straipsnį apie jums patinkantį žaidimą, kurį paveikė DI evoliucija. Žaidimas turėtų būti pakankamai senas, kad jį būtų paveikę keli kompiuterinių apdorojimo sistemų tipai. Geras pavyzdys galėtų būti šachmatai ar Go, tačiau taip pat galite pažvelgti į vaizdo žaidimus, tokius kaip Pong ar Pac-Man. Parašykite esė, kurioje aptartumėte žaidimo praeitį, dabartį ir DI ateitį.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T06:52:39+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Žinių Atstovavimas ir Ekspertų Sistemos
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote autorius [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Dažniausiai mes griežtai neapibrėžiame žinių, tačiau jas susiejame su kit
|
|||
|
||||
Taigi, problema **žinių atstovavimas** reiškia efektyvų būdą reprezentuoti žinias kompiuterio viduje kaip duomenis, kad jos būtų automatiškai panaudojamos. Tai galima matyti kaip spektrą:
|
||||
|
||||
|
||||
|
||||
|
||||
> Paveikslėlis autorius [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Blokų sintaksė | Įtraukimas | | |
|
|||
|
||||
Viena iš ankstyvųjų simbolinio DI sėkmių buvo vadinamosios **ekspertų sistemos** – kompiuterinės sistemos, sukurtos veikti kaip ekspertas tam tikroje ribotoje problemų srityje. Jos buvo pagrįstos iš vieno ar kelių žmogiškųjų ekspertų išgautomis **žinių bazėmis** ir turėjo **išvedimo variklį**, kuris atlikdavo tam tikrus samprotavimus.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Supaprastinta žmogaus nervų sistemos struktūra | Žinių bazės sistemos architektūra
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Ekspertų sistemos yra kuriamos panašiai kaip žmogaus mąstymo sistema, kuri t
|
|||
|
||||
Pavyzdžiui, apsvarstykime ekspertų sistemą, kuri nustato gyvūną pagal jo fizines savybes:
|
||||
|
||||
|
||||
|
||||
|
||||
> Paveikslėlis autorius [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-31T17:46:20+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Sukurkite Ontologiją
|
||||
|
||||
Žinių bazės kūrimas yra susijęs su modelio, atspindinčio faktus apie tam tikrą temą, kategorizavimu. Pasirinkite temą – pavyzdžiui, asmenį, vietą ar daiktą – ir sukurkite tos temos modelį. Naudokite kai kuriuos šiame pamokoje aprašytus metodus ir modelio kūrimo strategijas. Pavyzdžiui, galite sukurti svetainės ontologiją su baldais, apšvietimu ir pan. Kuo svetainė skiriasi nuo virtuvės? Vonios kambario? Kaip atpažįstate, kad tai svetainė, o ne valgomasis? Naudokite [Protégé](https://protege.stanford.edu/) savo ontologijai sukurti.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T15:47:37+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į neuroninius tinklus: Perceptronas
|
||||
|
||||
## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Vienas iš pirmųjų bandymų sukurti kažką panašaus į šiuolaikinį neuroni
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/lt/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/lt/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Vaizdai [iš Vikipedijos](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
kur f yra slenksčio aktyvacijos funkcija
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/lt/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Perceptrono mokymas
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T17:50:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Klasifikavimas į kelias klases naudojant perceptroną
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T15:47:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į neuroninius tinklus. Daugiasluoksnis perceptronas
|
||||
|
||||
Ankstesniame skyriuje sužinojote apie paprasčiausią neuroninio tinklo modelį – vienasluoksnį perceptroną, kuris yra linijinis dviejų klasių klasifikavimo modelis.
|
||||
|
|
@ -65,7 +56,7 @@ Gradientinio nusileidimo algoritmas išliktų toks pat, tačiau gradientų skai
|
|||
|
||||
Atkreipkite dėmesį, kad kairiausia visų šių išraiškų dalis yra ta pati, todėl efektyviai galime apskaičiuoti išvestines, pradedant nuo nuostolių funkcijos ir einant "atgal" per skaičiavimo grafiką. Todėl daugiasluoksnio perceptrono mokymo metodas vadinamas **atgaliniu sklidimu** arba 'backprop'.
|
||||
|
||||
<img alt="skaičiavimo grafikas" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="skaičiavimo grafikas" src="../../../../../translated_images/lt/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: paveikslėlio citata
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-31T17:50:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# MNIST klasifikacija naudojant mūsų sukurtą sistemą
|
||||
|
||||
Laboratorinis darbas iš [AI pradedantiesiems mokymo programos](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T15:47:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Neuroninių tinklų karkasai
|
||||
|
||||
Kaip jau išmokome, norint efektyviai treniruoti neuroninius tinklus, reikia atlikti du dalykus:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-31T17:52:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Klasifikacija su PyTorch/TensorFlow
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:55:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į neuroninius tinklus
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T15:42:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į kompiuterinį matymą
|
||||
|
||||
[Kompiuterinis matymas](https://wikipedia.org/wiki/Computer_vision) yra disciplina, kurios tikslas – suteikti kompiuteriams galimybę aukšto lygio suprasti skaitmeninius vaizdus. Tai gana plati apibrėžtis, nes *supratimas* gali reikšti daugybę skirtingų dalykų, įskaitant objekto radimą nuotraukoje (**objektų aptikimas**), supratimą, kas vyksta (**įvykių aptikimas**), nuotraukos aprašymą tekstu arba scenos rekonstrukciją 3D formatu. Taip pat yra specialių užduočių, susijusių su žmogaus vaizdais: amžiaus ir emocijų nustatymas, veido aptikimas ir identifikavimas, 3D pozos nustatymas ir kt.
|
||||
|
|
@ -115,7 +106,7 @@ Skaitykite daugiau apie optinį srautą [šiame puikiame vadove](https://learnop
|
|||
|
||||
Šioje laboratorijoje turėsite vaizdo įrašą su paprastais gestais, o jūsų tikslas bus išgauti aukštyn/žemyn/kairėn/dešinėn judesius naudojant optinį srautą.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Delno judesio kadras"/>
|
||||
<img src="../../../../../translated_images/lt/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Delno judesio kadras"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-31T17:40:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Judėjimo aptikimas naudojant optinį srautą
|
||||
|
||||
Laboratorinis darbas iš [AI pradedantiesiems mokymo programos](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T15:42:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Gerai žinomos CNN architektūros
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Kaip matote, VGG seka tradicinę piramidės architektūrą, kuri yra konvoliucin
|
|||
|
||||
ResNet yra modelių šeima, kurią 2015 m. pasiūlė Microsoft Research. Pagrindinė ResNet idėja yra naudoti **likutinius blokus**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/lt/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Vaizdas iš [šio straipsnio](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Taip pat galite galvoti apie šį tinklą kaip apie gebantį prisitaikyti prie d
|
|||
|
||||
Google Inception architektūra žengia dar vieną žingsnį į priekį ir kiekvieną tinklo sluoksnį kuria kaip kelių skirtingų kelių kombinaciją:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/lt/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Vaizdas iš [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T15:41:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Konvoliuciniai neuroniniai tinklai
|
||||
|
||||
Anksčiau matėme, kad neuroniniai tinklai gana gerai dirba su vaizdais, ir net vieno sluoksnio perceptronas sugeba atpažinti ranka rašytus skaitmenis iš MNIST duomenų rinkinio su pakankamu tikslumu. Tačiau MNIST duomenų rinkinys yra labai specifinis – visi skaitmenys yra centruoti vaizde, todėl užduotis tampa paprastesnė.
|
||||
|
|
@ -24,7 +15,7 @@ Norėdami išgauti raštus, naudosime **konvoliucinių filtrų** sąvoką. Kaip
|
|||
|
||||
Pavyzdžiui, jei taikome 3x3 vertikalų ir horizontalų kraštų filtrus MNIST skaitmenims, galime išryškinti (pvz., gauti aukštas reikšmes) vietas, kuriose yra vertikalūs ir horizontalūs kraštai originaliame vaizde. Taigi šiuos du filtrus galima naudoti "ieškant" kraštų. Panašiai galime sukurti skirtingus filtrus, kad ieškotume kitų žemo lygio raštų:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/lt/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Vaizdas: [Leung-Malik filtrų rinkinys](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:58:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Naminių gyvūnų veidų klasifikacija
|
||||
|
||||
Laboratorinis darbas iš [AI pradedantiesiems mokymo programos](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T15:42:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Iš anksto apmokyti tinklai ir perkėlimo mokymasis
|
||||
|
||||
CNN mokymas gali užtrukti daug laiko, o tam reikia daug duomenų. Tačiau didžioji dalis laiko praleidžiama mokantis geriausių žemo lygio filtrų, kuriuos tinklas gali naudoti norėdamas išgauti vaizdų šablonus. Kyla natūralus klausimas – ar galime naudoti neuroninį tinklą, apmokytą viename duomenų rinkinyje, ir pritaikyti jį kitų vaizdų klasifikavimui, nereikalaujant pilno mokymo proceso?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-31T17:38:07+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Giliojo mokymosi treniravimo gudrybės
|
||||
|
||||
Kai neuroniniai tinklai tampa gilesni, jų treniravimo procesas tampa vis sudėtingesnis. Viena iš pagrindinių problemų yra vadinamosios [nykstančios gradientės](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) arba [sprogstančios gradientės](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Šis straipsnis](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) pateikia gerą įvadą į šias problemas.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-31T17:38:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Oksfordo augintinių klasifikavimas naudojant perkėlimo mokymą
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T15:44:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Autoenkoderiai
|
||||
|
||||
Mokant CNN, viena iš problemų yra ta, kad reikia daug pažymėtų duomenų. Vaizdų klasifikavimo atveju reikia rankiniu būdu suskirstyti vaizdus į skirtingas klases.
|
||||
|
|
@ -46,7 +37,7 @@ Apibendrinant:
|
|||
* Imame vektorių `sample` iš pasiskirstymo N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* Dekoderis bando dekoduoti originalų vaizdą, naudodamas `sample` kaip įvesties vektorių
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/lt/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> Vaizdas iš [šio tinklaraščio įrašo](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ Variaciniai autoenkoderiai naudoja sudėtingą nuostolių funkciją, kurią suda
|
|||
|
||||
Vienas svarbus VAE privalumas yra tas, kad jie leidžia gana lengvai generuoti naujus vaizdus, nes žinome, iš kurio pasiskirstymo imti latentės vektorius. Pavyzdžiui, jei mokome VAE su 2D latentės vektoriumi MNIST duomenų rinkinyje, galime keisti latentės vektoriaus komponentus, kad gautume skirtingus skaitmenis:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/lt/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> Vaizdas [Dmitrijaus Soshnikovo](http://soshnikov.com)
|
||||
|
||||
Stebėkite, kaip vaizdai susilieja vienas su kitu, kai pradedame gauti latentės vektorius iš skirtingų latentės parametrų erdvės dalių. Taip pat galime vizualizuoti šią erdvę 2D:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/lt/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> Vaizdas [Dmitrijaus Soshnikovo](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T15:44:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Generatyviniai priešiški tinklai
|
||||
|
||||
Ankstesniame skyriuje sužinojome apie **generatyvinius modelius**: modelius, kurie gali generuoti naujus vaizdus, panašius į tuos, kurie yra mokymo duomenų rinkinyje. VAE buvo geras generatyvinio modelio pavyzdys.
|
||||
|
|
@ -17,7 +8,7 @@ Tačiau, jei bandysime generuoti kažką tikrai prasmingo, pavyzdžiui, paveiksl
|
|||
|
||||
Pagrindinė GAN idėja yra turėti du neuroninius tinklus, kurie bus mokomi vienas prieš kitą:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/lt/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> Vaizdas sukurtas [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Generatorius yra šiek tiek sudėtingesnis. Galite jį laikyti apverstu diskrimi
|
|||
|
||||
> ✅ Kadangi konvoliucinis sluoksnis įgyvendinamas kaip linijinis filtras, einantis per vaizdą, dekonvoliucija iš esmės yra panaši į konvoliuciją ir gali būti įgyvendinta naudojant tą pačią sluoksnio logiką.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/lt/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> Vaizdas sukurtas [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T15:43:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Objektų atpažinimas
|
||||
|
||||
Vaizdų klasifikavimo modeliai, su kuriais dirbome iki šiol, paimdavo vaizdą ir pateikdavo kategorinį rezultatą, pavyzdžiui, klasę „skaičius“ MNIST problemos atveju. Tačiau daugeliu atvejų mums nepakanka žinoti, kad paveikslėlyje yra objektų – norime nustatyti jų tikslią vietą. Būtent tai ir yra **objektų atpažinimo** esmė.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-31T17:41:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Galvų aptikimas naudojant Hollywood Heads duomenų rinkinį
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T15:44:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Segmentacija
|
||||
|
||||
Anksčiau išmokome apie objektų aptikimą, kuris leidžia nustatyti objektų vietą vaizde, prognozuojant jų *ribinius langelius*. Tačiau kai kurioms užduotims mums reikia ne tik ribinių langelių, bet ir tikslesnės objektų lokalizacijos. Ši užduotis vadinama **segmentacija**.
|
||||
|
|
@ -20,7 +11,7 @@ Segmentaciją galima laikyti **pikselių klasifikacija**, kur kiekvienam vaizdo
|
|||
|
||||
Pavyzdžiui, objektų segmentacijoje šios avys yra skirtingi objektai, tačiau semantinėje segmentacijoje visos avys yra atvaizduojamos kaip viena klasė.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/lt/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> Vaizdas iš [šio tinklaraščio įrašo](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ Yra įvairių neuroninių architektūrų segmentacijai, tačiau jos visos turi t
|
|||
* **Enkoderis** išgauna savybes iš įvesties vaizdo.
|
||||
* **Dekoderis** transformuoja šias savybes į **kaukės vaizdą**, kurio dydis ir kanalų skaičius atitinka klasių skaičių.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/lt/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> Vaizdas iš [šios publikacijos](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ Ypatingai svarbu paminėti nuostolių funkciją, naudojamą segmentacijai. Naudo
|
|||
|
||||
> ✅ Ši technika ypač tinkama tokio tipo medicininiam vaizdinimui, tačiau kokias kitas realaus pasaulio taikymo sritis galėtumėte įsivaizduoti?
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/lt/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> Vaizdas iš PH<sup>2</sup> duomenų bazės
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-31T17:43:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Žmogaus kūno segmentacija
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-31T17:35:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Kompiuterinis matymas
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T15:51:18+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Teksto atvaizdavimas kaip tensoriai
|
||||
|
||||
## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ Mūsų tikslas bus klasifikuoti naujienų straipsnį į vieną iš kategorijų p
|
|||
|
||||
Jei norime spręsti natūralios kalbos apdorojimo (NLP) užduotis naudojant neuroninius tinklus, mums reikia būdo, kaip tekstą paversti tensoriais. Kompiuteriai jau atvaizduoja tekstinius simbolius kaip skaičius, kurie ekrane susiejami su šriftais, naudojant tokius kodavimus kaip ASCII ar UTF-8.
|
||||
|
||||
<img alt="Vaizdas, rodantis diagramą, kaip simbolis susiejamas su ASCII ir dvejetainiu atvaizdavimu" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="Vaizdas, rodantis diagramą, kaip simbolis susiejamas su ASCII ir dvejetainiu atvaizdavimu" src="../../../../../translated_images/lt/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [Vaizdo šaltinis](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ Kai kuriais atvejais galime apsvarstyti tri-gramų – trijų žodžių kombinac
|
|||
|
||||
Sprendžiant tokias užduotis kaip teksto klasifikavimas, mums reikia galimybės atvaizduoti tekstą vienu fiksuoto dydžio vektoriumi, kurį naudosime kaip įvestį galutiniam tankiam klasifikatoriui. Vienas paprasčiausių būdų tai padaryti yra sujungti visus atskirus žodžių atvaizdavimus, pvz., juos sudedant. Jei sudėsime kiekvieno žodžio vieno karšto kodavimą, gausime dažnių vektorių, kuris parodys, kiek kartų kiekvienas žodis pasirodo tekste. Toks teksto atvaizdavimas vadinamas **žodžių maišu** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/lt/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> Vaizdas sukurtas autoriaus
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-31T18:02:45+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Užduotis: Užrašinės
|
||||
|
||||
Naudodamiesi šiai pamokai priskirtomis užrašinėmis (tiek PyTorch, tiek TensorFlow versijomis), paleiskite jas iš naujo naudodami savo duomenų rinkinį, galbūt iš Kaggle, su tinkamu šaltinio nurodymu. Pakeiskite užrašinę, kad pabrėžtumėte savo pačių atradimus. Išbandykite inovatyvius duomenų rinkinius, kurie gali būti netikėti, pavyzdžiui, [šį apie NSO pastebėjimus](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) iš NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T15:50:57+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įterpiniai
|
||||
|
||||
## [Prieš paskaitos testas](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-31T18:01:29+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Užduotis: Užrašų knygelės
|
||||
|
||||
Naudodamiesi užrašų knygelėmis, susijusiomis su šia pamoka (tiek PyTorch, tiek TensorFlow versija), paleiskite jas iš naujo naudodami savo duomenų rinkinį, galbūt iš Kaggle, su nurodyta šaltinio informacija. Pakeiskite užrašų knygelę, kad pabrėžtumėte savo pačių atradimus. Išbandykite kitokio tipo duomenų rinkinį ir dokumentuokite savo pastebėjimus, naudodami tekstą, pavyzdžiui, [šiuos Beatles dainų tekstus](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T15:49:01+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Kalbos modeliavimas
|
||||
|
||||
Semantiniai įterpiniai, tokie kaip Word2Vec ir GloVe, iš tiesų yra pirmasis žingsnis link **kalbos modeliavimo** – modelių kūrimo, kurie kažkaip *supranta* (arba *atspindi*) kalbos prigimtį.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-31T17:56:45+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Mokymas Skip-Gram Modelio
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T15:50:23+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Rekurentiniai neuroniniai tinklai
|
||||
|
||||
## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ Pažvelkime, kaip organizuota paprasta RNN ląstelė. Ji priima ankstesnę būse
|
|||
|
||||
Paprasta RNN ląstelė turi du svorio matricas viduje: viena transformuoja įvesties simbolį (vadinkime ją W), o kita transformuoja įvesties būseną (H). Tokiu atveju tinklo išvestis apskaičiuojama kaip σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), kur σ yra aktyvavimo funkcija, o b yra papildomas poslinkis.
|
||||
|
||||
<img alt="RNN ląstelės anatomija" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="RNN ląstelės anatomija" src="../../../../../translated_images/lt/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> Vaizdas sukurtas autoriaus
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-31T18:00:42+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Užduotis: Užrašų knygelės
|
||||
|
||||
Naudodami užrašų knygeles, susijusias su šia pamoka (tiek PyTorch, tiek TensorFlow versijas), paleiskite jas iš naujo naudodami savo duomenų rinkinį, galbūt iš Kaggle, su tinkamu priskyrimu. Pakeiskite užrašų knygelę, kad pabrėžtumėte savo pačių išvadas. Išbandykite kitokio tipo duomenų rinkinį ir dokumentuokite savo išvadas, naudodami tekstą, pavyzdžiui, [šį Kaggle konkurso duomenų rinkinį apie orų tviterius](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T15:48:27+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Generatyviniai tinklai
|
||||
|
||||
## [Klausimynas prieš paskaitą](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ Mes išmokysime šį RNN generuoti tekstą žingsnis po žingsnio. Kiekviename
|
|||
|
||||
Generuojant tekstą (inference metu), pradedame nuo tam tikro **pradžios taško**, kuris perduodamas per RNN ląsteles, kad būtų generuojama tarpinė būsena, o tada iš šios būsenos prasideda generavimas. Generuojame po vieną simbolį, perduodame būseną ir sugeneruotą simbolį kitai RNN ląstelei, kad sugeneruotume kitą, kol sugeneruojame pakankamai simbolių.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/lt/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> Paveikslėlis autoriaus
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-31T17:56:09+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Teksto generavimas žodžių lygiu naudojant RNN
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T15:49:11+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Dėmesio mechanizmai ir transformatoriai
|
||||
|
||||
## [Prieš paskaitą testas](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ Pozicinio kodavimo idėja yra tokia:
|
|||
* Mokomasis įterpimas, panašus į žetono įterpimą. Tai metodas, kurį čia apsvarstysime. Mes taikome įterpimo sluoksnius tiek žetonams, tiek jų pozicijoms, gaudami vienodo dydžio įterpimo vektorius, kuriuos vėliau sudedame.
|
||||
* Fiksuota pozicijos kodavimo funkcija, kaip siūloma originaliame straipsnyje.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/lt/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> Vaizdas autoriaus
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-31T17:57:59+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Užduotis: Transformatoriai
|
||||
|
||||
Eksperimentuokite su Transformatoriais naudodami HuggingFace! Išbandykite kai kuriuos jų pateikiamus skriptus, kad galėtumėte dirbti su įvairiais modeliais, esančiais jų svetainėje: https://huggingface.co/docs/transformers/run_scripts. Išbandykite vieną iš jų duomenų rinkinių, tada importuokite vieną iš savo, paimtą iš šios mokymo programos arba iš Kaggle, ir pažiūrėkite, ar galite sugeneruoti įdomių tekstų. Paruoškite užrašų knygelę su savo atradimais.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T15:49:59+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Pavadinimų atpažinimas
|
||||
|
||||
Iki šiol daugiausia dėmesio skyrėme vienai NLP užduočiai – klasifikacijai. Tačiau yra ir kitų NLP užduočių, kurias galima atlikti naudojant neuroninius tinklus. Viena iš tokių užduočių yra **[Pavadinimų atpažinimas](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), kuris susijęs su specifinių objektų atpažinimu tekste, tokių kaip vietovės, asmenų vardai, datos ir laiko intervalai, cheminės formulės ir pan.
|
||||
|
|
@ -17,7 +8,7 @@ Iki šiol daugiausia dėmesio skyrėme vienai NLP užduočiai – klasifikacijai
|
|||
|
||||
Tarkime, norite sukurti natūralios kalbos pokalbių robotą, panašų į Amazon Alexa ar Google Assistant. Išmanūs pokalbių robotai veikia taip, kad *supranta*, ko vartotojas nori, atlikdami teksto klasifikaciją pagal įvestą sakinį. Šios klasifikacijos rezultatas yra vadinamas **intencija**, kuri nurodo, ką pokalbių robotas turėtų atlikti.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/lt/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> Vaizdas sukurtas autoriaus
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-31T17:59:35+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
Laboratorinis darbas iš [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T15:49:41+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Iš anksto apmokyti dideli kalbos modeliai
|
||||
|
||||
Visose ankstesnėse užduotyse mes treniravome neuroninius tinklus atlikti tam tikras užduotis, naudodami pažymėtus duomenų rinkinius. Naudojant didelius transformatorių modelius, tokius kaip BERT, kalbos modeliavimas vykdomas savarankiškai mokantis, siekiant sukurti kalbos modelį, kuris vėliau specializuojamas konkrečiai užduočiai, atliekant papildomą mokymą konkrečioje srityje. Tačiau buvo įrodyta, kad dideli kalbos modeliai gali spręsti daugelį užduočių be JOKIO specifinio mokymo. Modelių šeima, galinti tai atlikti, vadinama **GPT**: Generatyvus iš anksto apmokytas transformatorius.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-31T17:55:03+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Natūralios kalbos apdorojimas
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T15:40:16+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Genetiniai algoritmai
|
||||
|
||||
## [Prieš paskaitos testą](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T15:41:18+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Giliojo stiprinamojo mokymosi pagrindai
|
||||
|
||||
Stiprinamasis mokymasis (RL) laikomas vienu iš pagrindinių mašininio mokymosi paradigmų, greta mokymosi su mokytoju ir mokymosi be mokytojo. Mokymosi su mokytoju metu remiamės duomenų rinkiniu su žinomais rezultatais, o RL pagrįstas **mokymusi per veiksmą**. Pavyzdžiui, kai pirmą kartą matome kompiuterinį žaidimą, pradedame jį žaisti, net nežinodami taisyklių, ir greitai galime tobulinti savo įgūdžius tiesiog žaisdami ir koreguodami savo elgesį.
|
||||
|
|
@ -34,7 +25,7 @@ Tikriausiai visi esate matę modernius balansavimo įrenginius, tokius kaip *Seg
|
|||
|
||||
Supaprastinta balansavimo versija vadinama **CartPole** problema. CartPole pasaulyje turime horizontalų slankiklį, kuris gali judėti į kairę arba į dešinę, o tikslas yra balansuoti vertikalų stulpelį ant slankiklio, kai jis juda.
|
||||
|
||||
<img alt="cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="cartpole" src="../../../../../translated_images/lt/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
Norint sukurti ir naudoti šią aplinką, reikia kelių Python kodo eilučių:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-31T17:33:23+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
## Aplinka
|
||||
|
||||
Mountain Car aplinka susideda iš automobilio, įstrigusio slėnyje. Jūsų tikslas – iššokti iš slėnio ir pasiekti vėliavą. Veiksmai, kuriuos galite atlikti, yra pagreitėti į kairę, į dešinę arba nieko nedaryti. Galite stebėti automobilio padėtį x ašyje ir jo greitį.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T15:40:36+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Daugiagentės sistemos
|
||||
|
||||
Vienas iš galimų būdų pasiekti intelektą yra vadinamasis **emergentinis** (arba **sinerginis**) požiūris, kuris remiasi faktu, kad daugelio palyginti paprastų agentų bendras elgesys gali sukurti sudėtingesnį (arba intelektualesnį) visos sistemos elgesį. Teoriškai tai grindžiama [kolektyvinio intelekto](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentizmo](https://en.wikipedia.org/wiki/Global_brain) ir [evoliucinės kibernetikos](https://en.wikipedia.org/wiki/Global_brain) principais, kurie teigia, kad aukštesnio lygio sistemos įgyja tam tikrą pridėtinę vertę, kai tinkamai sujungiamos iš žemesnio lygio sistemų (*metasistemos perėjimo principas*).
|
||||
|
|
@ -60,7 +51,7 @@ Galite [atsisiųsti](https://ccl.northwestern.edu/netlogo/download.shtml) ir įd
|
|||
|
||||
Puikus dalykas apie NetLogo yra tai, kad ji turi veikiančių modelių biblioteką, kurią galite išbandyti. Eikite į **File → Models Library**, ir turėsite daugybę modelių kategorijų, iš kurių galite rinktis.
|
||||
|
||||
<img alt="NetLogo Modelių biblioteka" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="NetLogo Modelių biblioteka" src="../../../../../translated_images/lt/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> Dmitry Soshnikov modelių bibliotekos ekrano kopija
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-31T17:32:22+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# NetLogo užduotis
|
||||
|
||||
Pasirinkite vieną iš NetLogo bibliotekos modelių ir panaudokite jį, kad kuo tiksliau imituotumėte realią situaciją. Geras pavyzdys būtų pritaikyti Virus modelį iš Alternatyvių vizualizacijų aplanko, kad parodytumėte, kaip jis gali būti naudojamas COVID-19 plitimo modeliavimui. Ar galite sukurti modelį, kuris atspindėtų realų viruso plitimo procesą?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-31T17:46:37+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Etinis ir atsakingas dirbtinis intelektas
|
||||
|
||||
Jūs beveik baigėte šį kursą, ir tikiuosi, kad dabar aiškiai matote, jog dirbtinis intelektas (DI) yra pagrįstas daugybe formalių matematinių metodų, leidžiančių mums rasti ryšius duomenyse ir mokyti modelius atkartoti tam tikrus žmogaus elgesio aspektus. Šiuo istorijos momentu DI laikomas labai galingu įrankiu, padedančiu išgauti duomenų šablonus ir pritaikyti juos naujų problemų sprendimui.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-31T17:30:25+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Apžvalga
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-31T17:35:04+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Daugiarūšiai tinklai
|
||||
|
||||
Po transformatorių modelių sėkmės sprendžiant NLP užduotis, tos pačios arba panašios architektūros buvo pritaikytos kompiuterinio matymo užduotims. Vis labiau domimasi modelių kūrimu, kurie galėtų *sujungti* matymo ir natūralios kalbos galimybes. Vienas iš tokių bandymų buvo atliktas OpenAI, ir jis vadinamas CLIP ir DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-31T17:53:52+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
Attribution-ShareAlike 4.0 Tarptautinė
|
||||
|
||||
=======================================================================
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-31T17:52:17+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
Visos mokymo programos eskizai gali būti atsisiųsti čia.
|
||||
|
||||
🎨 Sukūrė: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:54:51+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# AI-For-Beginners Trikčių Šalinimo Vadovas
|
||||
|
||||
Šis vadovas padės išspręsti dažniausiai pasitaikančias problemas, susijusias su [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) saugyklos naudojimu ar prisidėjimu prie jos. Kiekviena problema apima kontekstą, simptomus, paaiškinimus ir žingsnis po žingsnio sprendimus.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-11T11:12:31+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:51:18+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-10-11T11:16:33+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-10-11T11:52:00+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-10-11T11:50:33+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-10-11T11:51:06+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-10-11T11:51:49+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-10-11T11:50:48+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-10-11T11:52:10+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-11T11:16:53+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-10-11T11:34:31+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T06:55:50+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:31:37+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:17:54+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:19:09+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T06:57:14+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-10-11T11:37:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-10-11T11:31:10+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-10-11T11:31:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-10-11T11:30:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-10-11T11:30:57+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-10-11T11:32:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-10-11T11:32:59+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-11T11:29:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-10-11T11:17:36+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-10-11T11:18:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-10-11T11:25:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-10-11T11:25:51+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-11T11:26:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-10-11T11:19:46+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-10-11T11:20:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-10-11T11:21:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-10-11T11:24:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-10-11T11:18:52+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-10-11T11:22:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-10-11T11:24:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-10-11T11:22:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-10-11T11:22:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-10-11T11:17:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-10-11T11:40:49+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-10-11T11:41:33+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-10-11T11:40:00+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-10-11T11:40:39+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-10-11T11:42:41+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-10-11T11:43:05+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-10-11T11:44:47+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-10-11T11:45:40+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-10-11T11:43:20+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-10-11T11:44:01+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-10-11T11:38:53+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-10-11T11:39:50+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-10-11T11:41:43+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-10-11T11:42:15+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-10-11T11:44:12+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-10-11T11:38:10+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-10-11T11:48:22+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-10-11T11:47:17+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-10-11T11:48:08+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-10-11T11:45:52+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-10-11T11:47:07+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-10-11T11:33:58+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-10-11T11:17:15+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-10-11T11:33:12+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-10-11T11:27:12+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-10-11T11:29:34+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "ta"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-11T11:15:39+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-11T11:12:31+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## திட்டத்தின் மேற்பார்வை
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T06:54:00+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -21,158 +12,159 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# தொடக்கநிலையினருக்கான செயற்கை நுண்ணறிவு - ஒரு பாடத்திட்டம்
|
||||
# தொடக்கம் மற்றும் கற்க்கல் உள்ளடக்கம் - ஒரு பாடத்திட்டம்
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| தொடக்கநிலையினருக்கான செயற்கை நுண்ணறிவு - _ஸ்கெட்ச்நோட் [@girlie_mac](https://twitter.com/girlie_mac) tərəfindən_ |
|
||||
| AI தொடக்க கற்கும் பயிற்சி - _[**@girlie_mac**](https://twitter.com/girlie_mac) இன் ஸ்கெட்ச்தோட்_ |
|
||||
|
||||
எங்கள் 12-வார, 24-பாடத்திட்டத்துடன் **செயற்கை நுண்ணறிவு** (AI) உலகத்தை ஆராய்க! இது நடைமுறை பாடங்கள், வினாத்தாள்கள் மற்றும் ஆய்வுகூடம் ஆகியவற்றைக் கொண்டுள்ளது. பாடத்திட்டம் தொடக்க நிலைக்கு படித்து எளிதாக உள்ளது மற்றும் TensorFlow மற்றும் PyTorch போன்று கருவிகள் மற்றும் AI நெறிமுறைகள் குறித்து கலந்துரையாடுகிறது.
|
||||
**கிரம முறைப்படுத்தப்பட்ட அறிவு (Artificial Intelligence)** உலகத்தை இந்நாம் 12-வாரம், 24 பாடங்கள் கொண்ட பாடத்திட்டம் மூலம் அடைக! இது நடைமுறை வகுப்புகள், வினாடி வினா செயலிகள் மற்றும் பயிற்சித் செயலறைகளை உள்ளடக்குகிறது. முதன்மை புதிதாக கற்றுக்கொள்ளுமவர்களுக்கு ஏற்றவாறு வடிவமைக்கப்பட்டுள்ளதுடன், TensorFlow மற்றும் PyTorch போன்ற கருவிகளை மற்றும் AI இல் உள்ள நெறிமுறைகள் போன்றவற்றையும் கற்றுக்கொடுக்கிறது.
|
||||
|
||||
### 🌐 பன்மொழி ஆதரவு
|
||||
### 🌐 பல மொழி ஆதரவு
|
||||
|
||||
#### GitHub செயல்பாட்டின் மூலம் ஆதரிக்கப்படுகிறது (தானாகவும் எப்போதும் புதுப்பிப்புடன்)
|
||||
#### GitHub செயல்முறையால் ஆதரவு (தானாகவும் என்றும் புதுப்பிக்கப்படும்)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](./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)](../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](./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)
|
||||
|
||||
> **உடனடியாக கிளோன் செய்ய விரும்புகிறீர்களா?**
|
||||
> **உறுப்புணர்ந்து க்ளோன் செய்ய விரும்புகிறீர்களா?**
|
||||
|
||||
> இந்த சேமிப்பகம் 50+ மொழிபெயர்ப்புகளை கொண்டுள்ளது, இது பதிவிறக்கம் அளவை குறிப்பிடத்தக்க அளவில் அதிகரிக்கிறது. மொழிபெயர்ப்புகள் இல்லாமல் கிளோன் செய்ய sparse checkout ஐப் பயன்படுத்தவும்:
|
||||
> இந்த சேமிப்பகத்தில் 50+ மொழி மொழிபெயர்ப்புகள் உள்ளன, இதனால் பதிவிறக்க அளவு மிக அதிகரிக்கிறது. மொழிபெயர்ப்புகள் இல்லாமல் க்ளோன் செய்ய, sparse checkout ஐ பயன்படுத்தவும்:
|
||||
> ```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'
|
||||
> ```
|
||||
> இது உங்களுக்கு பாடத்திட்டத்தை விரைவான பதிவிறக்கத்துடன் முடிக்க தேவையான அனைத்தையும் வழங்கும்.
|
||||
> இது உங்கள் பாடத்திட்டத்தை முடிக்க தேவையான அனைத்து அம்சங்களையும் துரிதமான பதிவிறக்கத்துடன் வழங்கும்.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**மேலும் மொழி ஆதரவு விரும்பினால், அவை இங்கே பட்டியலிடப்பட்டுள்ளன [இங்கு](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**மேலும் ஆதரவு தேவைப்பட்டால் [இங்கே](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) பட்டியலிடப்பட்டுள்ளது**
|
||||
|
||||
## சமூகத்தில் சேரவும்
|
||||
## சமூகத்தில் ஒன்று சேருங்கள்
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## நீங்கள் கற்றுக்கொள்ளப்போவது
|
||||
## நீங்கள் எதை கற்கப்போகிறீர்கள்
|
||||
|
||||
**[பாடத்தின் மனவரையறை வரைபடம்](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[பாடத்திட்டத்தின் மனப்படம்](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
இந்த பாடத்திட்டத்தில், நீங்கள் கற்றுக்கொள்ளப்போக,
|
||||
இந்த பாடத்திட்டத்தில், நீங்கள் கற்பீர்கள்:
|
||||
|
||||
* "நல்ல பழைய" குறியிட்டு (symbolic) முறையை உள்ளடக்கிய செயற்கை நுண்ணறிவுக்கான வெவ்வேறு அணுகுமுறைகள், இதில் **அறிவு பிரதிநிதித்துவம்** மற்றும் காரணமற்று (reasoning) உள்ளது ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* நவீன AI இன் காரணி ஆகும் **நியூரல் நெட்வொர்க்ஸ்** மற்றும் **டீப் லெர்னிங்**. இந்த முக்கிய தலைப்புகளுக்கான கருத்துக்களை நாம் இரண்டு பிரபலமான கட்டமைப்புகளில் உள்ள குறியீட்டுடன் விளக்கப்போகிறோம் - [TensorFlow](http://Tensorflow.org) மற்றும் [PyTorch](http://pytorch.org).
|
||||
* படங்களுடன் மற்றும் உரையுடன் வேலை செய்ய **நியூரல் கட்டமைப்புகள்**. நாங்கள் சமீபத்திய மாதிரிகளை உள்ளடக்கும்; இருப்பினும், மிகவும் முன்னணி நிலைகளை சந்திக்கக் குறைவாக இருக்கலாம்.
|
||||
* குறைந்த பிரபலமான AI அணுகுமுறைகள், உதாரணமாக **ஜெனெடிக் ஆல்கொரிதம்கள்** மற்றும் **பல-செயலாளி அமைப்புகள்**.
|
||||
* "நற்ச.old்" குறியிடப்பட்ட முறையான **அறிவியல் பிரதிநிதித்துவம்** மற்றும் காரணமறிதல் ஆகியவற்றுடன் கூடிய பல்வேறு பரிக்களப்படிகள் ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* நவீன AI இன் தாழ்த்துக்குரிய **நியூரல் நெட்வொர்க்குகள்** மற்றும் **ஆழமான கற்றல்**. இந்த முக்கிய கருத்துக்களை இரண்டு மிகப் பிரபலமான அமைப்புகளில் உள்ள குறியீடுகளுடன் விளக்குவோம் - [TensorFlow](http://Tensorflow.org) மற்றும் [PyTorch](http://pytorch.org).
|
||||
* படங்கள் மற்றும் உரையுடன் பணியாற்ற **நியூரல் கட்டமைப்புகள்**. அண்மை மாதிரிகள் பற்றி பேசுவோம், ஆனால் ஒருசில நாட்களில் முன்னேற்றத்தில் குறைவாக இருக்கலாம்.
|
||||
* **பரிணாம சிக்கல்கள்** மற்றும் **பல முகாமுறை அமைப்புகள்** போன்ற குறைவான AI அணுகுமுறைகள்.
|
||||
|
||||
இந்த பாடத்திட்டத்தில் நாம் பரிசீலிக்காதவை:
|
||||
இந்த பாடத்திட்டத்தில் நாம் மற்றவற்றை கற்பதில்லை:
|
||||
|
||||
> [Microsoft Learn தொகுப்பில் இந்த பாடத்திட்டத்திற்கு கூடுதல் மூலங்கள்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [இந்த பாடத்திட்ட சம்பந்தப்பட்ட அனைத்துக் கூடுதல் வளங்களும் Microsoft Learn தொகுப்பில் உள்ளன](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* வியாபாரத்தில் **AI பயன்பாடுகள்**. Microsoft Learn இல் உள்ள [வியாபார பயனாளர்களுக்கான AI அறிமுகம்](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) கற்றல் பாதை அல்லது [AI வியாபாரம் பள்ளி](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) உடன் இணைந்து உருவாக்கப்பட்டது, எடுத்துக் கொள்ள பரிந்துரைக்கப்படுகிறது.
|
||||
* எங்கள் [தொடக்கநிலையினருக்கான இயந்திரக் கற்றல் பாடத்திட்டம்](http://github.com/Microsoft/ML-for-Beginners) இல் நன்றாக விளக்கப்பட்டுள்ள **முறைபூர்வ இயந்திரக் கற்றல்**.
|
||||
* **[Cogntive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** மூலம் உருவாக்கப்பட்ட நடைமுறை AI பயன்பாடுகள். இதற்காக, Microsoft Learn இல் உள்ள [கண்](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [இயற்கை மொழி செயலாக்கம்](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI சேவையுடன் உருவாக்கும் AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** மற்றும் பிற மாட்ஹுகள் மூலம் படிக்க பரிந்துரைக்கப்படுகிறது.
|
||||
* குறிப்பிட்ட ML **மேகம் தளம்**(Cloud Frameworks), உதாரணமாக [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), அல்லது [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning மூலம் இயந்திரக் கற்றல் தீர்வுகளை உருவாக்கி இயக்கவும்](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) மற்றும் [Azure Databricks உடன் இயந்திரக் கற்றல் தீர்வுகளை உருவாக்கி இயக்கவும்](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ஆகிய பாட பாதைகளைப் பயன்படுத்த பரிந்துரைக்கப்படுகிறது.
|
||||
* **संवादी AI** மற்றும் **சாட் போட்ஸ்**. [சென்றொடர்புடைய AI தீர்வுகளை உருவாக்கு](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) என தனித்தவிர் பாட பாதையும் உள்ளது, மேலும் விரிவாக அறிந்துகொள்ள [இந்த வலைப்பூக் கட்டுரையை](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) காணலாம்.
|
||||
* **ஆழமான கணிதவியல்** (Deep Mathematics) பழகும். இதற்காக, Ian Goodfellow, Yoshua Bengio மற்றும் Aaron Courville அவர்களின் [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) புத்தகத்தை பரிந்துரைக்கிறோம், இது இணையத்திலும் கிடைக்கிறது: [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* வணிகஙகளில் **AI இன் பாவனை** சம்பந்தப்பட்ட வணிகச் சூழல்கள். Microsoft Learn இல் [வணிக பயன்பாட்டாளருக்கான AI அறிமுகவியல்](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) பாடத்திட்டத்தை எடுத்துக்கொள்ளவும் அல்லது [AI வணிகக் கல்வி](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) என்பதை [INSEAD](https://www.insead.edu/) உடன் ஒத்துழைத்து உருவாக்கப்பட்டது.
|
||||
* **சாதாரண இயந்திர கற்றல்** , இது நமது [கற்றல் இயந்திரம் தொடக்கறிஞர்களுக்கான பாடத்திட்டத்தில்](http://github.com/Microsoft/ML-for-Beginners) நன்கு விளக்கப்பட்டுள்ளது.
|
||||
* **[உணர்திறன் சேவைகள்](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ஐ பயன்படுத்தி உருவாக்கப்பட்ட நடைமுறை AI பயன்பாடுகள். இதற்காக Microsoft Learn இல் உள்ள [காட்சி](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [இயற்கை மொழி செயலாக்கம்](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI சேவையுடன் உருவான AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** மற்றும் பிற முறை விரிவுகளை தொடங்க பரிந்துரைக்கப்படுகிறது.
|
||||
* குறிப்பிட்ட மெஷின் லெர்னிங் **மேக அமைப்புகள்**, உதாரணமாக [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), அல்லது [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning உடன் இயந்திர கற்றல் தீர்வுகள் கட்டவும் இயக்கவும்](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) மற்றும் [Azure Databricks உடன் இயந்திர கற்றல் தீர்வுகள் கட்டவும் இயக்கவும்](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) பாடத்திட்டங்களை பயன்படுத்த பரிந்துரைக்கப்படுகிறது.
|
||||
* **பேச்சுவழி AI** மற்றும் **செயல் உரையாடல் பொறிகள்**. தனித்த [பேச்சுவழி AI தீர்வுகளை உருவாக்கி செயல்படுத்தும்](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) பாடத்திட்டமும் உள்ளது; மேலும் விவரங்களுக்கு [இந்த வலைப்பதிவு](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) பார்க்கவும்.
|
||||
* ஆழ்ந்த கற்றலைச் சார்ந்த **ஆழ்ந்த கணிதவியல்**. இதற்கான பரிந்துரையான நூல் [ஆழ்ந்த கற்றல் (Deep Learning)](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) இன் இயானுகூடிவ், யோஷுவா பெங்கியோ மற்றும் ஆரூன் கார்விலின் எழுதியது, இது ஆன்லைனிலும் கிடைக்கிறது [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
_மேகத்தில் AI_ பற்றிய மென்மையான முன்னோட்டத்திற்கு [Azure இல் செயற்கை நுண்ணறிவை தொடங்குவது](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) கற்றல் பாதையை எடுத்துக்கொள்ளலாம்.
|
||||
_மேகத்தில் AI தொடர்பான_ மென்மையான அறிமுகத்தின் விருப்பத்துடன் இருந்தால், [Azure இல் கலைத்தின் தொடக்கம்](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) பாடத்திட்டத்தைக் கவனிக்கலாம்.
|
||||
|
||||
# உள்ளடக்கம்
|
||||
|
||||
| | பாட இணைப்பு | PyTorch/Keras/TensorFlow | ஆய்வுக் கூடம் |
|
||||
| | படிப்பு இணைப்பு | PyTorch/Keras/TensorFlow | ஆய்வு |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [பாடத்தின் அமைப்பு](./lessons/0-course-setup/setup.md) | [உங்கள் மேம்பாட்டு சூழலை அமைக்கவும்](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [பாடம் அமைப்பு](./lessons/0-course-setup/setup.md) | [உங்கள் மேம்பட்ட கட்டமைப்பை அமைக்கவும்](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI அறிமுகம்**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI அறிமுகம் மற்றும் வரலாறு](./lessons/1-Intro/README.md) | - | - |
|
||||
| 01 | [AI இன் அறிமுகம் மற்றும் வரலாறு](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **குறியீட்டு AI** |
|
||||
| 02 | [அறிவு பிரதிநிதித்துவம் மற்றும் நிபுணர் அமைப்புகள்](./lessons/2-Symbolic/README.md) | [நிபுணர் அமைப்புகள்](./lessons/2-Symbolic/Animals.ipynb) / [ஒன்டாலஜி](./lessons/2-Symbolic/FamilyOntology.ipynb) /[கருத்து வரைபடம்](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**நியூரல் நெட்வொர்க்குகளுக்கான அறிமுகம்**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [பெர்செப்ட்ரான்](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [நோட்புக்](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [லேப்](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [பல-செருகலுடைய பெர்செப்ட்ரான் மற்றும் எங்கள் சொந்த கட்டமைப்பை உருவாக்குதல்](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [நோட்புக்](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [லேப்](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [கட்டமைப்புகளுக்கான அறிமுகம் (PyTorch/TensorFlow) மற்றும் மிகைப்படுத்தல்](./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) | [லேப்](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**கணினி பார்வை**](./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)| [மைக்ரோசாப்ட் அசுரில் கணினி பார்வையை ஆராயவும்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [கணினி பார்வைக்கான அறிமுகம். OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [நோட்புக்](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [லேப்](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [ஒற்றுமை நரம்பு வலைப்பின்னல்கள்](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN கட்டமைப்புகள்](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [லேப்](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [முன்னதாக பயிற்சி பெற்ற வலைப்பின்னல்கள் மற்றும் மாற்ற முறைப்பயிற்சி](./lessons/4-ComputerVision/08-TransferLearning/README.md) மற்றும் [பயிற்சி தர்பொழுக்கள்](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [லேப்](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ஆட்டோஎன்கோடர்கள் மற்றும் VAE-கள்](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [உற்பத்தி எதிர்ப்புப் வலைப்பின்னல்கள் மற்றும் கலைப்பாணி மாற்றம்](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [பொருள் கண்டறிதல்](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [லேப்](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [பொருந்தும் பகிர்வு. 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 | [**இயற்கை மொழி செயலாக்கம்**](./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) | [மைக்ரோசாப்ட் அசுரில் இயற்கை மொழி செயலாக்கத்தை ஆராயவும்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 02 | [அறிவுநிலை பிரதிநிதித்துவமும் நிபுண முறைமைகள்](./lessons/2-Symbolic/README.md) | [நிபுண முறைமைகள்](./lessons/2-Symbolic/Animals.ipynb) / [ஒண்டாலஜி](./lessons/2-Symbolic/FamilyOntology.ipynb) /[கருத்து வரைபடம்](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**நியூரல் நெட்வொர்க்க்களுக்கு அறிமுகம்**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [பெர்ஸெப்ட்ரான்](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [பதியகம்](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ ஆய்வகம்](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [பன்முக அகுதட பெர்ஸெப்ட்ரான் மற்றும் எங்கள் சொந்த வடிவமைப்பை உருவாக்குதல்](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [பதியகம்](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ ஆய்வகம்](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [வடிவமைப்புகளுக்கு அறிமுகம் (PyTorch/TensorFlow) மற்றும் அதிகபடுத்தல்](./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) | [ ஆய்வகம்](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**கணினி பார்வை**](./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 இல் கணினி பார்வையை ஆராயவும்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [கணினி பார்வைக்கு அறிமுகம். OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [பதியகம்](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ ஆய்வகம்](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [கன்வோல்யூஷனல் நியூரல் நெட்வொர்க்குகள்](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN வடிவமைப்புகள்](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ ஆய்வகம்](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [முன்பயிற்சியுள்ள நெட்வொர்க்குகள் மற்றும் மாற்று கற்றல்](./lessons/4-ComputerVision/08-TransferLearning/README.md) மற்றும் [பயிற்சி நுட்பங்கள்](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ ஆய்வகம்](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ஆட்டோஎன்கோடர்கள் மற்றும் 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 | [பெருமொழி தந்திர நெட்வொர்க்குகள் மற்றும் கலைச் ஸ்டைல் மாற்றம்](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [பொருள் கண்டறிதல்](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ ஆய்வகம்](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [அர்த்தப்பட்ட பிரிவு. 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 | [**பொது மொழி செயலாக்கம்**](./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 இல் பொது மொழி செயலாக்கத்தை ஆராயவும்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [உரை பிரதிநிதித்துவம். 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 | [பொருள் வார்த்தை புகுத்தங்கள். Word2Vec மற்றும் 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 | [மொழி மாதிரிகள். உங்கள் சொந்த புகுத்தங்களை பயிற்றுவித்தல்](./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) | [லேப்](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [மறுநடை நரம்பு வலைப்பின்னல்கள்](./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 | [உற்பத்தி மறுநடை வலைப்பின்னல்கள்](./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) | [லேப்](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 14 | [அர்த்தப்பட்ட வார்த்தை செருகல்கள். Word2Vec மற்றும் 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 | [மொழி மாதிரிமுறை. உங்கள் சொந்த செருகல்களை பயிற்சி செய்தல்](./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) | [ ஆய்வகம்](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [திரும்பும் நியூரல் நெட்வொர்க்குகள்](./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 | [பெருமொழி திரும்பும் நெட்வொர்க்குகள்](./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) | [ ஆய்வகம்](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [டிரான்ஸ்ஃபார்மர்கள். 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 | [பெயர் உருப்படி හඳුනාத்தல்](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [லேப்](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [பெரிய மொழி மாதிரிகள், ப்ராம்ட் நிரலாக்கம் மற்றும் குறைந்த-காட்சி பணிகள்](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **மற்ற AI நுட்பங்கள்** || |
|
||||
| 21 | [மரபணு அணுகுமுறை](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [நோட்புக்](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ஆழ்ந்த பலவீனி கற்றல்](./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) | [லேப்](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [பல-செயலாளர் அமைப்புகள்](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI நெறிமுறை** | | |
|
||||
| 24 | [AI நெறிமுறை மற்றும் பொறுப்பிற்குரிய AI](./lessons/7-Ethics/README.md) | [மைக்ரோசாஃப்ட் கற்றல்: பொறுப்பிற்குரிய AI கொள்கைகள்](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 19 | [பெயரிடப்பட்ட உதவிக் கூறுகள் அங்கீகாரம்](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ ஆய்வகம்](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [பெரிய மொழி மாதிரிகள், முன்னெச்சரிக்கை நிரலாக்கம் மற்றும் குறைந்த-காட்சி பணிகள்](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **மற்ற AI தொழில்நுட்பங்கள்** || |
|
||||
| 21 | [உரைணுக்கல் ஆல்கொரிதம்கள்](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [பதியகம்](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ஆழமான ஊக்கமளிக்கும் கற்றல்](./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) | [ ஆய்வகம்](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [பல-நிலை முகவரிடல் சிஸ்டங்கள்](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI நெறிமுறைகள்** | | |
|
||||
| 24 | [AI நெறிமுறைகள் மற்றும் பொறுப்பான AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: பொறுப்பான AI/principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **கூடுதல்** | | |
|
||||
| 25 | [பல்வேறு மாதிரிகள், CLIP மற்றும் VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [நோட்புக்](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [பல-முறைக்கான நெட்வொர்க்குகள், CLIP மற்றும் VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [பதியகம்](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ஒவ்வொரு பாடமும் கொண்டிருக்கிறது
|
||||
## ஒவ்வொரு பாடத்திலும்
|
||||
|
||||
* முன்படிப்பு பொருள்
|
||||
* இயங்கக்கூடிய ஜூபைட்டர் நோட்புக்குகள், அவை பெரும்பாலும் கட்டமைப்பிற்கு ( **PyTorch** அல்லது **TensorFlow**) குறிப்பாக இருக்கும். இயங்கக்கூடிய நோட்புக் அதிகமாக ஆராய்ச்சி பொருள்களை உள்ளடக்கியது, ஆகவே தலைப்பை புரிந்துகொள்ள, நீங்கள் குறைந்தது ஒரு பதிப்பை (PyTorch அல்லது TensorFlow) முழுமையாகப் பார்க்க வேண்டும்.
|
||||
* சில தலைப்புகளுக்கு **லேப்கள்** உள்ளன, இவைகள் நீங்கள் கற்றுக்கொண்ட பொருளை ஒரு குறிப்பிட்ட பிரச்சனையில் பாவனை செய்ய முயற்சிக்க முடியும்.
|
||||
* சில பிரிவுகளில் தொடர்புடைய தலைப்புகளை உள்ளடக்கும் [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) பாடங்கள் உள்ளன.
|
||||
* முன்னேற்பாடான வாசிப்பு பரப்பு
|
||||
* இயக்கக்கூடிய Jupyter பதியகங்கள், அவை பெரும்பாலும் வடிவமைப்புக்கு ( **PyTorch** அல்லது **TensorFlow**) இசையாக இருக்கும். இயக்கக்கூடிய பதியகம் பல கோட்பாட்டு பொருட்களை கொண்டுள்ளது, ஆகவே தலைப்பை புரிந்து கொள்ள ஒரேயொரு பதியகம் (PyTorch அல்லது TensorFlow) பதிப்பைப் படிக்க வேண்டும்.
|
||||
* சில தலைப்புகளுக்கான **ஆய்வகங்கள்**, நீங்கள் கற்றுக் கொண்ட பொருளை ஒரு குறிப்பிட்ட பிரச்சினைக்கு செயல்படுத்த முயற்சிக்க வாய்ப்பளிக்கின்றன.
|
||||
* சில பகுதிகள் தொடர்புடைய பொருட்களை உள்ளடக்கிய [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ஒன்றுகூடலை குறிப்பிடுகின்றன.
|
||||
|
||||
## தொடங்குவோம்
|
||||
## தொடங்குவது எப்படி
|
||||
|
||||
### 🎯 AI-க்கு புதியவரா? இங்கிருந்து ஆரம்பிக்கவும்!
|
||||
### 🎯 AI-க்கு புதியவரா? இங்கு தொடங்குங்கள்!
|
||||
|
||||
நீங்கள் AI-வில் முழுமையாக புதியவராகவும் விரைவான, கைபடி எடுத்துக்காட்டு முறைமைகள் வேண்டும் என்றாலும், எங்கள் [**ஆரம்பக்காரர்கள்-Friendly எடுத்துக்காட்டுகள்**](./examples/README.md) காண்க! இதில் உள்ளன:
|
||||
நீங்கள் AI-க்கு முற்றிலும் புதியவராக இருந்து விரைவான, கையால் செய்யக்கூடிய எடுத்துக்காட்டுகளை விரும்பினால், எங்கள் [**ஆறுதல் தருமுனைப் படிப்புகள்**](./examples/README.md) ஐ பார்க்கவும்! இதில் உள்ளவை:
|
||||
|
||||
- 🌟 **வணக்கம் AI உலகம்** - உங்கள் முதல் AI நிகழ்ச்சி (வடிவம் அறிதல்)
|
||||
- 🧠 **எளிய நரம்பு வலைப்பு** - ஆரம்பத்திலிருந்தே ஒரு நரம்பு வலைப்பை கட்டவும்
|
||||
- 🖼️ **பட வகைப்படுத்தி** - விவரமான கருத்துக்களுடன் படங்களை வகைப்படுத்தவும்
|
||||
- 💬 **உரை உணர்வு** - நேர்மறை/எதிர்மறை உரையை பகுப்பாய்வு செய்யவும்
|
||||
- 🌟 **ஹலோ AI உலகம்** - உங்கள் முதல் AI நிகழ்ச்சி (முறை குறிப்பறிதல்)
|
||||
- 🧠 **சாதாரண நியூரல் நெட்வொர்க்கு** - ஆரம்பத்திலிருந்து நியூரல் நெட்வொர்க்கை கட்டியமைக்கவும்
|
||||
|
||||
இவை முழு பாடத்திட்டத்தின் ஆரம்பத்தில் AI கருத்துக்களை புரிந்து கொள்வதற்கு உதவ வடிவமைக்கப்பட்ட உதாரணங்கள்.
|
||||
- 🖼️ **பட வகைப்படுத்தி** - விரிவான குறிப்புகளுடன் படங்களை வகைப்படுத்து
|
||||
- 💬 **உரை உணர்ச்சி** - நேர்மறை/எதிர்மறை உரையை பகுப்பாய்வு செய்க
|
||||
|
||||
இந்த எடுத்துக்காடுகள் முழு பாடத்திட்டத்தில் ஆழமாகப் போகும் முன் AI கருத்துக்களைப் புரிந்து கொள்ள உதவ வடிவமைக்கப்பட்டுள்ளன.
|
||||
|
||||
### 📚 முழு பாடத்திட்ட அமைப்பு
|
||||
|
||||
- உங்கள் மேம்பாட்டு சூழலை அமைப்பதற்கு உதவ [அமைப்பு பாடம்](./lessons/0-course-setup/setup.md) உருவாக்கப்பட்டுள்ளது. - ஆசிரியர்களுக்கு, அவர்களுக்கும் உதவ [பாடத்திட்ட அமைப்பு பாடம்](./lessons/0-course-setup/for-teachers.md) உருவாக்கியுள்ளோம்!
|
||||
- VSCode அல்லது Codespace இல் [குறியீட்டை இயக்குவது எப்படி](./lessons/0-course-setup/how-to-run.md)
|
||||
- உங்கள் அபிவிருத்தி சூழலை அமைக்க உதவ நாங்கள் ஒரு [அமைப்பு பாடம்](./lessons/0-course-setup/setup.md) உருவாக்கியுள்ளோம். - ஆசிரியர்களுக்காகவும், நாங்கள் ஒரு [பாடத்திட்ட அமைப்பு பாடம்](./lessons/0-course-setup/for-teachers.md) தயார் செய்துள்ளோம்!
|
||||
- VSCode அல்லது Codespace இல் [குறியீட்டை எப்படி இயக்குவது](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
இந்த படிகளைக் கடைபிடிக்கவும்:
|
||||
இந்த படிகளை பின்பற்றவும்:
|
||||
|
||||
அர்.இணைவை பிரித்து ரசிப்பது: இக்கணினியின் மேலே-வலது மூலையில் உள்ள "Fork" பொத்தானை சொடுக்கவும்.
|
||||
Repository ஐ Fork செய்யவும்: இந்த பக்கத்தின் மேலே வலது மூலையில் உள்ள "Fork" பொத்தானை கிளிக் செய்யவும்.
|
||||
|
||||
அர்.இணைவை நகலெடுக்க: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Repository ஐ Clone செய்யவும்: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
தயவுசெய்து பின்னர் எளிதில் கண்டுபிடிக்க இந்த ரெப்போவை நட்சத்திரப்படுத்த (🌟) மறக்க வேண்டாம்.
|
||||
பின்னர் எளிதாக கண்டுபிடிக்க இந்த repo ஐ நட்சத்திரம் (🌟) அடையாளம் இட மறக்க வேண்டாம்.
|
||||
|
||||
## மற்ற கற்றல் பயணிகளை சந்தியுங்கள்
|
||||
## பிற கற்றவர்களை சந்திக்கவும்
|
||||
|
||||
இந்தப் படிப்பில் கலந்து கொள்வோர் மற்றும் ஆதரவு பெற [அது அதிகாரபூர்வ AI Discord சேவை](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) இணைந்து, மற்ற கற்றல் பயணிகளைக் காணுங்கள் மற்றும் தொடர்பு கொள்ளுங்கள்.
|
||||
இந்த பாடத்தை எடுத்துக்கொண்ட மற்ற கற்றவர்களை சந்திக்க மற்றும் உறவாட [எமது அங்கீகார AI Discord சேவையகம்](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) இணைந்துகொள்ளவும்.
|
||||
|
||||
உற்பத்தியாளர் கருத்து அல்லது கேள்விகளுக்காக, கட்டுமானத்தில் எமது [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) பார்க்கவும்
|
||||
உற்பத்தியின் கருத்துக்கள் அல்லது கேள்விகள் இருந்தால், கட்டுமானத்தின் போது எமது [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ஐ பார்வையிடவும்
|
||||
|
||||
## வினாத்தாள்கள்
|
||||
## கணினொட்டங்கள்
|
||||
|
||||
> **வினாத்தாள்கள் பற்றிய குறிப்பு**: அனைத்து வினாத்தாள்களும் Quiz-app கோப்புறையில் etc\quiz-app என உள்ளன, அல்லது [இணையத்தில் இங்கே](https://ff-quizzes.netlify.app/) உள்ளது. அவை பாடங்களுக்குள் இணைக்கப்பட்டுள்ளன, வினாத்தாள் பயன்பாட்டை உள்ளூர் அல்லது Azure இல் இயக்கலாம்; `quiz-app` கோப்புறையில் உள்ள வழிமுறைகளை பின்பற்றவும். அவை படிப்படியாக உள்ளூர் மொழிகளுக்கு மாற்றப்படுகின்றன.
|
||||
> **கணினொட்டுகள் பற்றிய ஒரு குறிப்பு**: அனைத்து கணினொட்டுகளும் Quiz-app கோப்பகத்தில் etc\quiz-app இல் அல்லது [இணையத்தில் இங்கு](https://ff-quizzes.netlify.app/) உள்ளன. அவை பாடங்களில் உள்ள இணைப்புகளாக இணைக்கப்பட்டுள்ளன; quiz app ஐ உள்ளூர் முறையில் இயக்கு அல்லது Azure இல் தள்ளீடு செய்ய முடியும்; `quiz-app` கோப்பகத்தில் உள்ள வழிமுறைகளை பின்பற்றவும். அவை படிப்படியாக மொழிபெயர்க்கப்படுகின்றன.
|
||||
|
||||
## உதவி தேவை
|
||||
|
||||
மின்னஞ்சலோ குறியீட்டுப் பிழைகளை நீங்கள் கண்டுபிடித்ததாக இருந்தால் அல்லது பரிந்துரைகள் இருந்தால், ஒரு பிரச்சனையை எழுப்பவும் அல்லது पुल் விண்ணப்பத்தை உருவாக்கவும்.
|
||||
சூasuஸ் அல்லது எழுத்துப்பிழைகள் அல்லது குறியீடு தவறுகள் கண்டிருந்தால், ஒரு பிரச்சனை எழுப்ப அல்லது पुल் வேண்டுகோள் உருவாக்கவும்.
|
||||
|
||||
## சிறப்பு நன்றி
|
||||
|
||||
* **✍️ பிரதான ஆசிரியர்:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 ஆசிரியர்:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 வரைபடக் கலைஞர்:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ வினாத்தாள் உருவாக்குனர்:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 கோர் பங்களிப்பாளர்கள்:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ முதன்மை எழுத்தாளர்:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 தொகுப்பாளர்:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 ஸ்கெட்ச் நோட் ஓவியக்காரர்:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ கணினொட்டு உருவாக்குநர்:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 முக்கிய பங்களிப்பாளர்கள்:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## மற்ற பாடத்திட்டங்கள்
|
||||
## பிற பாடத்திட்டங்கள்
|
||||
|
||||
எமது குழு மற்ற பாடத்திட்டங்களையும் உருவாக்குகிறது! இதைப் பார்வையிடுங்கள்:
|
||||
எமது குழு பிற பாடத்திட்டங்களையும் உருவாக்குகிறது! பார்:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -181,52 +173,52 @@ _மேகத்தில் AI_ பற்றிய மென்மையான
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / ஏஜெண்ட்கள்
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generative AI Series
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### உருவாக்கும் AI தொடர்
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Core Learning
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### மையக் கற்றல்
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot Series
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Copilot தொடர்
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## உதவி பெறுதல்
|
||||
## உதவி பெறுவது
|
||||
|
||||
AI பயன்பாடுகளை உருவாக்கும்போது சிக்கல்களில் சிக்கினால் அல்லது ஏதேனும் கேள்விகள் இருந்தால், MCP குறித்து மற்ற கற்றல் பயணிகள் மற்றும் அனுபவசாலி மேம்படுத்திகள் சேர்ந்து விவாதிக்கின்றனர். இது ஒரு ஆதரவான சமூகமாகும், அங்கு கேள்விகள் வரவேற்கப்படுகின்றன மற்றும் அறிவு விடாமுயற்சியுடன் பகிரப்படுகிறது.
|
||||
AI செயலிகளை உருவாக்குவதில் தடுமாறினால் அல்லது கேள்விகள் இருந்தால். MCP பற்றி பேசுவதற்கு மற்றும் அனுபவம் மிகுந்த டெவலப்பர்கள் மற்றும் மற்ற கற்றவர்கள் கூட்டம் உள்ள குழுவில் சேரவும். இது கேள்விகளுக்கு வாசலாகும், அறிவு இலவசமாக பகிரப்படும் ஒரு ஆதரவு சமூகம்.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
உற்பத்தி தொடர்பான கருத்துக்கள் அல்லது பிழைகள் இருந்தால்:
|
||||
உற்பத்தியின் கருத்துக்கள் அல்லது பிழைகள் இருந்தால்:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**அறிவுறுத்தல்**:
|
||||
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டது. நாங்கள் துல்லியத்தைக் குறிக்க ஆசைப்படினாலும், தானாகம் மொழிபெயர்ப்புகளில் தவறுகள் அல்லது தவறிய விளக்கங்கள் இருக்க வாய்ப்பு உள்ளது என்பதை தயவுசெய்து கவனிக்கவும். அதன் தாய்மொழியில் உள்ள அசல் ஆவணம் அதிகாரப்பூர்வமான ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவலுக்கு, தகுதியான மனித மொழிபெயர்ப்பாளர் மூலம் மொழிபெயர்ப்பு செய்தல் பரிந்துரைக்கப்படுகின்றது. இந்த மொழிபெயர்ப்பை பயன்படுத்துவதால் ஏற்பட்ட எந்த தவறான புரிதலும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பு கொள்ளமாட்டோம்.
|
||||
**குறிப்பு**:
|
||||
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டது. நாங்கள் துல்லியத்திற்காக முயலினாலும், தானியங்கி மாற்றங்களில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை பகிர்ந்துகொள்ள விரும்புகிறோம். மூல ஆவணம் அதன் சொந்த மொழியிலே அதிகாரபூர்வ ஆதாரமாகக் கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பை பரிந்துரைக்கிறோம். இந்த மொழிபெயர்ப்பு பயன்பாட்டினால் ஏற்படும் எந்தவொரு தவறான புரிதல்களுக்கு அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-10-11T11:16:33+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
<!-- BEGIN MICROSOFT SECURITY.MD V0.0.7 BLOCK -->
|
||||
|
||||
## பாதுகாப்பு
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-10-11T11:52:00+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# மைக்ரோசாஃப்ட் திறந்த மூல நடத்தை விதிமுறைகள்
|
||||
|
||||
இந்த திட்டம் [மைக்ரோசாஃப்ட் திறந்த மூல நடத்தை விதிமுறைகளை](https://opensource.microsoft.com/codeofconduct/) ஏற்றுக்கொண்டுள்ளது.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-10-11T11:50:33+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# பங்களிப்பு
|
||||
|
||||
இந்த திட்டம் பங்களிப்புகளையும் பரிந்துரைகளையும் வரவேற்கிறது. பெரும்பாலான பங்களிப்புகளுக்கு நீங்கள் பங்களிப்பு உரிமம் ஒப்பந்தம் (CLA) உடன் ஒப்புக்கொள்வது தேவைப்படும், இது உங்கள் பங்களிப்பை பயன்படுத்துவதற்கான உரிமைகளை நமக்கு வழங்க நீங்கள் உரிமையுடையவராகவும், உண்மையில் அதை வழங்குகிறீர்களாகவும் அறிவிக்கிறது. மேலும் விவரங்களுக்கு https://cla.microsoft.com ஐ பார்வையிடவும்.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-10-11T11:51:06+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [AI அறிமுகம்](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-10-11T11:51:49+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# ஆதரவு
|
||||
|
||||
## பிரச்சினைகளை பதிவு செய்வது மற்றும் உதவி பெறுவது எப்படி
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-10-11T11:50:48+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# பாடங்களை மொழிபெயர்த்து பங்களிக்கவும்
|
||||
|
||||
இந்த பாடத்திட்டத்தில் உள்ள பாடங்களுக்கு மொழிபெயர்ப்புகளை வரவேற்கிறோம்!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-10-11T11:52:10+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# கேள்விகள்
|
||||
|
||||
இந்த கேள்விகள் AI பாடத்திட்டத்திற்கான முன் மற்றும் பின்-வகுப்பு கேள்விகள் ஆகும். https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-11T11:16:53+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# தொடக்கநிலை AI உதாரணங்கள்
|
||||
|
||||
வரவேற்கிறோம்! இந்த அடைவு எளிய, தனித்துவமான உதாரணங்களை கொண்டுள்ளது, இது உங்களை AI மற்றும் இயந்திரக் கற்றலில் தொடங்க உதவுகிறது. ஒவ்வொரு உதாரணமும் தொடக்கநிலைக்கு ஏற்றவாறு வடிவமைக்கப்பட்டுள்ளது, விரிவான கருத்துரைகள் மற்றும் படிப்படியாக விளக்கங்களுடன்.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-10-11T11:34:31+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# ஆசிரியர்களுக்காக
|
||||
|
||||
இந்த பாடத்திட்டத்தை உங்கள் வகுப்பறையில் பயன்படுத்த விரும்புகிறீர்களா? தயவுசெய்து பயன்படுத்துங்கள்!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T06:55:50+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# குறியீட்டை எப்படி இயக்குவது
|
||||
|
||||
இந்த பாடத்திட்டத்தில் நீங்கள் இயக்க விரும்பும் நிறைய செயலாக்கக் கூடிய உதாரணங்கள் மற்றும் 실습களைக் கொண்டுள்ளது. இதைச் செய்ய, நீங்கள் இந்த பாடத்திட்டத்தின் ஒரு பகுதியான Jupyter Notebooks இல் Python குறியீட்டை இயக்கும் திறனுடன் இருக்க வேண்டும். குறியீட்டை இயக்குவதற்கு உங்களுக்கு பலவிதமான விருப்பங்கள் உள்ளன:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:31:37+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# இந்த பாடத்திட்டத்தை தொடங்குவது எப்படி
|
||||
|
||||
## நீங்கள் ஒரு மாணவரா?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:17:54+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# AI அறிமுகம்
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:19:09+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# கேம் ஜாம்
|
||||
|
||||
விளையாட்டுகள் என்பது AI மற்றும் ML வளர்ச்சியால் பெரிதும் பாதிக்கப்பட்ட ஒரு துறை. இந்த பணியில், AI வளர்ச்சியால் பாதிக்கப்பட்ட ஒரு விளையாட்டைப் பற்றி ஒரு குறுகிய கட்டுரை எழுதுங்கள். அது பல வகையான கணினி செயலாக்க அமைப்புகளால் பாதிக்கப்பட்ட ஒரு பழைய விளையாட்டு இருக்க வேண்டும். ஒரு நல்ல உதாரணம் சதுரங்கம் அல்லது கோ ஆகும், ஆனால் பாங் அல்லது பேக்-மேன் போன்ற வீடியோ விளையாட்டுகளையும் பாருங்கள். அந்த விளையாட்டின் கடந்த காலம், தற்போதைய நிலை மற்றும் AI எதிர்காலத்தை விவரிக்கும் ஒரு கட்டுரையை எழுதுங்கள்.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T06:57:14+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# அறிவுத்திறன் பிரதிநிதித்துவமும் நிபுணர் அமைப்புகளும்
|
||||
|
||||
|
||||
|
||||
|
||||
> ஸ்கெட்ச் நோட் [டோமோமி இமுரா](https://twitter.com/girlie_mac) அவர்களால்
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
இந்த வகையில், **அறிவுரைப் பிரதிநிதித்துவம்** பிரச்சனையை ஒரு கணினியின் உள்ளே தரவு வடிவில் அறிவுரையை பிரதிநிதித்துவம் செய்யக்கூடிய சிறந்த முறையை கண்டறிவதற்கான பிரச்சனை என பார்க்கலாம். இது ஒரு வரம்பு போலும் பார்க்கலாம்:
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [ட்மிட்ரீ சோஷ்னிகோவ்](http://soshnikov.com) அவர்களின் படைப்பு
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
குறியீட்டு AI இன் ஆரம்ப வெற்றிகளில் ஒன்று **நிபுணர் அமைப்புகள்** எனப்படும், குறிப்பிட்ட பிரச்சனையில் நிபුණராக செயல்பட வடிவமைக்கப்பட்ட கணினி அமைப்புகள். இவை மனித நிபுணர்களிடமிருந்து ஒரு அல்லது பலரிடமிருந்து பெற்ற **அறிவு அங்கம்** மற்றும் அதற்கு மேலே சில காரணீயம் செய்யும் **காரண இயந்திரம்** கொண்டவை.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
மனித நியூரல் அமைப்பின் எளிமையான உருவகம் | அறிவுரைப் பிரச்சனை அமைப்பின் கட்டமைப்பு
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
உதாரணமாக, ஒரு நிபுணர் அமைப்பு, ஒரு உயிரினத்தை அதன் உடலியல் பண்புகளின் அடிப்படையில் கண்டறிக்கும் அமைப்பை எடுத்துக்கொள்வோம்:
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [ட்மிட்ரீ சோஷ்னிகோவ்](http://soshnikov.com) உருவாக்கப்பட்டது
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-10-11T11:37:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# ஒரு ஒன்டாலஜியை உருவாக்கவும்
|
||||
|
||||
ஒரு அறிவு அடிப்படையை உருவாக்குவது என்பது ஒரு தலைப்பைப் பற்றிய உண்மைகளை பிரதிநிதித்துவப்படுத்தும் மாதிரியை வகைப்படுத்துவதில் உள்ளது. ஒரு தலைப்பைத் தேர்ந்தெடுக்கவும் - ஒரு நபர், ஒரு இடம் அல்லது ஒரு பொருள் போன்றது - பின்னர் அந்த தலைப்பின் மாதிரியை உருவாக்கவும். இந்த பாடத்தில் விவரிக்கப்பட்ட சில தொழில்நுட்பங்கள் மற்றும் மாதிரி உருவாக்கும் உத்திகளைப் பயன்படுத்தவும். ஒரு உதாரணமாக, ஒரு வாழும் அறையின் ஒன்டாலஜியை உருவாக்குவது, அதில் மரச்சாமான்கள், விளக்குகள் மற்றும் இதர பொருட்கள் அடங்கும். வாழும் அறை சமையலறையிலிருந்து எப்படி வேறுபடுகிறது? குளியலறை? அது வாழும் அறை, உணவறை அல்ல என்பதை நீங்கள் எப்படி அறிகிறீர்கள்? உங்கள் ஒன்டாலஜியை உருவாக்க [Protégé](https://protege.stanford.edu/) ஐப் பயன்படுத்தவும்.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-10-11T11:31:10+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# நரம்பியல் வலைகள்: பெர்செப்ட்ரான் அறிமுகம்
|
||||
|
||||
## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-10-11T11:31:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# பன்முக வகைப்பாடு Perceptron உடன்
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) இல் இருந்து ஆய்வக பணிக்குறிப்பு.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-10-11T11:30:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# நர்வியல் நெட்வொர்க்குகளுக்கான அறிமுகம். பன்மடங்கு அடுக்கப்பட்ட பர்செப்ட்ரான்
|
||||
|
||||
முந்தைய பகுதியில், நீங்கள் மிகவும் எளிய நர்வியல் நெட்வொர்க்கு மாதிரியைப் பற்றி கற்றீர்கள் - ஒரு அடுக்கு பர்செப்ட்ரான், இது ஒரு நேரியல் இரு வகை வகைப்படுத்தல் மாதிரி.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-10-11T11:30:57+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# எங்கள் சொந்த கட்டமைப்புடன் MNIST வகைப்பாடு
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) இலிருந்து ஆய்வகப் பணிக்கான பணிக்குறிப்பு.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-10-11T11:32:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# நரம்பியல் நெட்வொர்க் கட்டமைப்புகள்
|
||||
|
||||
நாம் ஏற்கனவே கற்றுக்கொண்டது போல, நரம்பியல் நெட்வொர்க்குகளை திறம்பட பயிற்சி செய்ய, இரண்டு முக்கியமான காரியங்களை செய்ய வேண்டும்:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-10-11T11:32:59+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# PyTorch/TensorFlow மூலம் வகைப்படுத்தல்
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) இலிருந்து ஆய்வகப் பணிக்கான ஒதுக்கீடு.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-11T11:29:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# நரம்பு வலையமைப்புகளுக்கான அறிமுகம்
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-10-11T11:17:36+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# கணினி பார்வை அறிமுகம்
|
||||
|
||||
[கணினி பார்வை](https://wikipedia.org/wiki/Computer_vision) என்பது கணினிகள் டிஜிட்டல் படங்களை உயர்நிலை புரிதலுடன் புரிந்து கொள்ள உதவுவதற்கான ஒரு துறையாகும். இது மிகவும் பரந்த வரையறையாகும், ஏனெனில் *புரிதல்* பலவிதமான பொருள்களை குறிக்கலாம், அதில் ஒரு படத்தில் பொருளை கண்டறிதல் (**பொருள் கண்டறிதல்**), என்ன நடக்கிறது என்பதைப் புரிதல் (**நிகழ்வு கண்டறிதல்**), ஒரு படத்தை உரையில் விவரித்தல் அல்லது 3D-யில் ஒரு காட்சியை மீண்டும் உருவாக்குதல் ஆகியவை அடங்கும். மனித படங்களுடன் தொடர்புடைய சிறப்பு பணிகளும் உள்ளன: வயது மற்றும் உணர்ச்சி மதிப்பீடு, முகம் கண்டறிதல் மற்றும் அடையாளம் காண்தல், மற்றும் 3D போஸ் மதிப்பீடு போன்றவை.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-10-11T11:18:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# ஆப்டிக்கல் ஃப்ளோவை பயன்படுத்தி இயக்கங்களை கண்டறிதல்
|
||||
|
||||
[AI for Beginners Curriculum](https://aka.ms/ai-beginners) இல் இருந்து ஆய்வக பணிக்கான ஒதுக்கீடு.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-10-11T11:25:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# பிரபலமான CNN கட்டமைப்புகள்
|
||||
|
||||
### VGG-16
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-10-11T11:25:51+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# கன்வல்யூஷனல் நியூரல் நெட்வொர்க்ஸ்
|
||||
|
||||
முந்தைய பாடங்களில் நியூரல் நெட்வொர்க்ஸ் படங்களை கையாளுவதில் மிகவும் திறமையானவை என்பதை பார்த்தோம். ஒரு லேயர் பர்செப்ட்ரான் கூட MNIST தரவுத்தொகுப்பில் உள்ள கை எழுதிய எண்களை நியாயமான துல்லியத்துடன் அடையாளம் காண முடியும். ஆனால், MNIST தரவுத்தொகுப்பு மிகவும் தனித்துவமானது, மேலும் அனைத்து எண்களும் படத்தின் மையத்தில் அமைந்துள்ளன, இது பணியை எளிதாக்குகிறது.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-11T11:26:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# செல்லப்பிராணிகளின் முகங்களை வகைப்படுத்துதல்
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) இலிருந்து ஆய்வகப் பணிக்கான ஒதுக்கீடு.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-10-11T11:19:46+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# முன்பே பயிற்சி பெற்ற நெட்வொர்க்குகள் மற்றும் மாற்றக் கற்றல்
|
||||
|
||||
CNNகளை பயிற்சி செய்வது மிகவும் நேரம் எடுத்துக்கொள்ளக்கூடியது, மேலும் அதற்கான பணிக்குத் தேவையான தரவுகள் அதிகமாகவே இருக்க வேண்டும். ஆனால், பெரும்பாலான நேரம், ஒரு நெட்வொர்க்கு படங்களிலிருந்து வடிவங்களை எடுக்க சிறந்த தாழ்நிலை வடிகட்டிகளை கற்றுக்கொள்வதில் செலவிடப்படுகிறது. ஒரு இயற்கையான கேள்வி எழுகிறது - ஒரு தரவுத்தொகுப்பில் பயிற்சி பெற்ற நரம்பியல் நெட்வொர்க்கை பயன்படுத்தி, முழுமையான பயிற்சி செயல்முறையைத் தேவையில்லாமல் வேறு படங்களை வகைப்படுத்த மாற்றமுடியுமா?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-10-11T11:20:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# டீப் லெர்னிங் பயிற்சி முறைகள்
|
||||
|
||||
நரம்பியல் நெட்வொர்க்குகள் ஆழமாக ஆழமாக செல்லும்போது, அவற்றின் பயிற்சி செயல்முறை மேலும் மேலும் சவாலாக மாறுகிறது. முக்கியமான பிரச்சினைகளில் ஒன்று [வெனிஷிங் கிரேடியண்ட்ஸ்](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) அல்லது [எக்ஸ்ப்ளோடிங் கிரேடியண்ட்ஸ்](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) எனப்படும் பிரச்சினைகள். [இந்த பதிவு](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) இந்த பிரச்சினைகளுக்கு ஒரு நல்ல அறிமுகத்தை வழங்குகிறது.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-10-11T11:21:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
-->
|
||||
# ஆக்ஸ்போர்ட் செல்லப்பிராணிகள் வகைப்படுத்தல் - டிரான்ஸ்ஃபர் லெர்னிங் பயன்படுத்தி
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) லிருந்து லேப் பணிக்கான ஒதுக்கீடு.
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue