🌐 Update translations via Co-op Translator
This commit is contained in:
leestott
GitHub
parent
d105bd9165
commit
1755330efa
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f3a6b0ddf7e6e3f33b2a543baf086dc9",
|
||||
"translation_date": "2025-08-26T07:42:00+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:36:09+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
|
|
@ -23,86 +23,97 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# الذكاء الاصطناعي للمبتدئين - منهج دراسي
|
||||
|
||||
|](./lessons/sketchnotes/ai-overview.png)|
|
||||
||
|
||||
|:---:|
|
||||
| الذكاء الاصطناعي للمبتدئين - _رسم توضيحي من إعداد [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| الذكاء الاصطناعي للمبتدئين - _رسم توضيحي بواسطة [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
استكشف عالم **الذكاء الاصطناعي** (AI) من خلال منهج دراسي يمتد لـ 12 أسبوعًا ويشمل 24 درسًا! يتضمن المنهج دروسًا عملية، اختبارات، وتجارب مختبرية. المنهج مناسب للمبتدئين ويغطي أدوات مثل TensorFlow وPyTorch، بالإضافة إلى أخلاقيات الذكاء الاصطناعي.
|
||||
استكشف عالم **الذكاء الاصطناعي** (AI) من خلال منهج دراسي يمتد لـ 12 أسبوعًا ويشمل 24 درسًا! يتضمن دروسًا عملية، اختبارات، ومختبرات. المنهج مناسب للمبتدئين ويغطي أدوات مثل TensorFlow وPyTorch، بالإضافة إلى أخلاقيات الذكاء الاصطناعي.
|
||||
|
||||
### 🌐 دعم متعدد اللغات
|
||||
|
||||
#### مدعوم عبر GitHub Action (تلقائي ودائم التحديث)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](./README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**إذا كنت ترغب في دعم لغات إضافية، يمكنك الاطلاع على القائمة [هنا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## انضم إلى المجتمع
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## ما الذي ستتعلمه
|
||||
|
||||
**[خريطة ذهنية للدورة](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
في هذا المنهج، ستتعلم:
|
||||
في هذا المنهج الدراسي، ستتعلم:
|
||||
|
||||
* طرق مختلفة للذكاء الاصطناعي، بما في ذلك النهج الرمزي التقليدي باستخدام **تمثيل المعرفة** والاستدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **الشبكات العصبية** و**التعلم العميق**، وهما جوهر الذكاء الاصطناعي الحديث. سنوضح المفاهيم الأساسية لهذه المواضيع المهمة باستخدام الكود في اثنين من أكثر الأطر شيوعًا - [TensorFlow](http://Tensorflow.org) و[PyTorch](http://pytorch.org).
|
||||
* **الهياكل العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة ولكن قد نفتقر قليلاً إلى أحدث ما توصلت إليه التكنولوجيا.
|
||||
* طرق أقل شيوعًا في الذكاء الاصطناعي، مثل **الخوارزميات الجينية** و**أنظمة الوكلاء المتعددة**.
|
||||
* طرق مختلفة للذكاء الاصطناعي، بما في ذلك النهج الرمزي التقليدي مع **تمثيل المعرفة** والاستدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **الشبكات العصبية** و**التعلم العميق**، التي تشكل جوهر الذكاء الاصطناعي الحديث. سنوضح المفاهيم وراء هذه المواضيع المهمة باستخدام الكود في اثنين من أكثر الأطر شيوعًا - [TensorFlow](http://Tensorflow.org) و[PyTorch](http://pytorch.org).
|
||||
* **الهياكل العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة ولكن قد نفتقر قليلاً إلى أحدث التقنيات.
|
||||
* طرق أقل شيوعًا للذكاء الاصطناعي، مثل **الخوارزميات الجينية** و**أنظمة الوكلاء المتعددين**.
|
||||
|
||||
ما لن نغطيه في هذا المنهج:
|
||||
ما لن نغطيه في هذا المنهج الدراسي:
|
||||
|
||||
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* حالات استخدام **الذكاء الاصطناعي في الأعمال**. يمكنك أخذ [مقدمة إلى الذكاء الاصطناعي لمستخدمي الأعمال](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) على Microsoft Learn، أو [مدرسة الأعمال للذكاء الاصطناعي](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)، التي تم تطويرها بالتعاون مع [INSEAD](https://www.insead.edu/).
|
||||
* **التعلم الآلي الكلاسيكي**، الذي تم وصفه بشكل جيد في [منهج التعلم الآلي للمبتدئين](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* تطبيقات الذكاء الاصطناعي العملية التي تم إنشاؤها باستخدام **[الخدمات المعرفية](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. نوصي بالبدء مع وحدات Microsoft Learn لـ [الرؤية](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [معالجة اللغة الطبيعية](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[الذكاء الاصطناعي التوليدي مع خدمة Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* أطر عمل السحابة الخاصة بالتعلم الآلي مثل [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)، أو [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). يمكنك استخدام [بناء وتشغيل حلول التعلم الآلي باستخدام Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و[بناء وتشغيل حلول التعلم الآلي باستخدام Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **الذكاء الاصطناعي الحواري** و**روبوتات الدردشة**. هناك مسار تعليمي منفصل [إنشاء حلول الذكاء الاصطناعي الحواري](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)، ويمكنك أيضًا الرجوع إلى [هذه المقالة](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) لمزيد من التفاصيل.
|
||||
* **الرياضيات العميقة** وراء التعلم العميق. لهذا، نوصي بكتاب [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) من تأليف Ian Goodfellow وYoshua Bengio وAaron Courville، والمتوفر أيضًا عبر الإنترنت على [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* تطبيقات الذكاء الاصطناعي العملية باستخدام **[الخدمات المعرفية](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. نوصي بالبدء مع وحدات Microsoft Learn لـ [الرؤية](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [معالجة اللغة الطبيعية](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[الذكاء الاصطناعي التوليدي باستخدام خدمة Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* أطر عمل **السحابة للتعلم الآلي**، مثل [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)، أو [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). يمكنك أخذ [بناء وتشغيل حلول التعلم الآلي باستخدام Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و[بناء وتشغيل حلول التعلم الآلي باستخدام Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **الذكاء الاصطناعي الحواري** و**روبوتات الدردشة**. هناك مسار تعلم منفصل [إنشاء حلول الذكاء الاصطناعي الحواري](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)، ويمكنك أيضًا الرجوع إلى [هذه المقالة](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) لمزيد من التفاصيل.
|
||||
* **الرياضيات العميقة** وراء التعلم العميق. لهذا، نوصي بكتاب [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) بواسطة Ian Goodfellow، Yoshua Bengio وAaron Courville، وهو متاح أيضًا عبر الإنترنت على [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
للحصول على مقدمة بسيطة لمواضيع _الذكاء الاصطناعي في السحابة_، يمكنك أخذ مسار التعلم [البدء مع الذكاء الاصطناعي على Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
للحصول على مقدمة لطيفة حول مواضيع _الذكاء الاصطناعي في السحابة_ يمكنك أخذ [البدء مع الذكاء الاصطناعي على Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) مسار التعلم.
|
||||
|
||||
# المحتوى
|
||||
|
||||
| | رابط الدرس | PyTorch/Keras/TensorFlow | المختبر |
|
||||
| | رابط الدرس | PyTorch/Keras/TensorFlow | مختبر |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [إعداد الدورة](./lessons/0-course-setup/setup.md) | [إعداد بيئة التطوير الخاصة بك](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**مقدمة إلى الذكاء الاصطناعي**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [مقدمة وتاريخ الذكاء الاصطناعي](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **الذكاء الاصطناعي الرمزي** |
|
||||
| 02 | [تمثيل المعرفة وأنظمة الخبراء](./lessons/2-Symbolic/README.md) | [أنظمة الخبراء](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb) / [الأونتولوجيا](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb) /[مخطط المفاهيم](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [تمثيل المعرفة وأنظمة الخبراء](./lessons/2-Symbolic/README.md) | [أنظمة الخبراء](./lessons/2-Symbolic/Animals.ipynb) / [علم الوجود](./lessons/2-Symbolic/FamilyOntology.ipynb) /[مخطط المفاهيم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**مقدمة إلى الشبكات العصبية**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [بيرسيبترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفتر الملاحظات](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [مختبر](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [بيرسيبترون متعدد الطبقات وإنشاء إطار العمل الخاص بنا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفتر الملاحظات](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [مختبر](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمة إلى الأطر (PyTorch/TensorFlow) والتجاوز](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**الرؤية الحاسوبية**](./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)| [استكشاف الرؤية الحاسوبية على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمة إلى الرؤية الحاسوبية. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفتر الملاحظات](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [مختبر](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [الشبكات العصبية الالتفافية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [هياكل الشبكات العصبية الالتفافية](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [مختبر](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [الشبكات المدربة مسبقًا والتعلم بالنقل](./lessons/4-ComputerVision/08-TransferLearning/README.md) و[حيل التدريب](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [التشفير التلقائي وVAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [الشبكات التوليدية التنافسية ونقل الأسلوب الفني](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [اكتشاف الكائنات](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [مختبر](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [التجزئة الدلالية. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](../../(https:/github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)) | |
|
||||
| 03 | [بيرسيبترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفتر الملاحظات](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [مختبر](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [بيرسيبترون متعدد الطبقات وإنشاء إطار العمل الخاص بنا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفتر الملاحظات](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [مختبر](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمة إلى الأطر (PyTorch/TensorFlow) والإفراط في التعميم](./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) | [مختبر](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**الرؤية الحاسوبية**](./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)| [استكشاف الرؤية الحاسوبية على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمة إلى الرؤية الحاسوبية. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفتر ملاحظات](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [مختبر](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [الشبكات العصبية الالتفافية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [هياكل CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [مختبر](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [الشبكات المدربة مسبقًا والتعلم بالنقل](./lessons/4-ComputerVision/08-TransferLearning/README.md) و [حيل التدريب](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [المشفّرات التلقائية و 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 | [الشبكات التوليدية التنافسية ونقل الأسلوب الفني](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [كشف الأجسام](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [مختبر](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [التجزئة الدلالية. 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 | [**معالجة اللغة الطبيعية**](./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) | [استكشاف معالجة اللغة الطبيعية على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [تمثيل النصوص. 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 | [التضمينات الدلالية للكلمات. Word2Vec وGloVe](./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 | [نمذجة اللغة. تدريب التضمينات الخاصة بك](./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) | [مختبر](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [الشبكات العصبية المتكررة](./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 | [الشبكات التوليدية المتكررة](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [مختبر](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [المحولات. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.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 | [التعرف على الكيانات المسماة](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [مختبر](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [نماذج اللغة الكبيرة، برمجة التوجيه والمهام قليلة الأمثلة](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **تقنيات أخرى للذكاء الاصطناعي** || |
|
||||
| 21 | [الخوارزميات الجينية](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر ملاحظات](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [التعلم العميق المعزز](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [مختبر](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [الأنظمة متعددة الوكلاء](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 13 | [تمثيل النصوص. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [التضمينات الدلالية للكلمات. Word2Vec و GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [نمذجة اللغة. تدريب التضمينات الخاصة بك](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [مختبر](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [الشبكات العصبية المتكررة](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [الشبكات التوليدية المتكررة](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [مختبر](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [المحوّلات. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [التعرف على الكيانات المسماة](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [مختبر](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [نماذج اللغة الكبيرة، برمجة المطالبات والمهام قليلة الأمثلة](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **تقنيات الذكاء الاصطناعي الأخرى** || |
|
||||
| 21 | [الخوارزميات الجينية](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر ملاحظات](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [التعلم العميق المعزز](./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) | [مختبر](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [أنظمة الوكلاء المتعددين](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **أخلاقيات الذكاء الاصطناعي** | | |
|
||||
| 24 | [أخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [أخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول](./lessons/7-Ethics/README.md) | [Microsoft Learn: مبادئ الذكاء الاصطناعي المسؤول](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **إضافات** | | |
|
||||
| 25 | [الشبكات متعددة الوسائط، CLIP وVQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر ملاحظات](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [الشبكات متعددة الوسائط، CLIP و VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر ملاحظات](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## تحتوي كل درس على
|
||||
|
||||
* مواد للقراءة المسبقة
|
||||
* دفاتر Jupyter القابلة للتنفيذ، والتي غالبًا ما تكون مخصصة للإطار (**PyTorch** أو **TensorFlow**). تحتوي دفاتر الملاحظات القابلة للتنفيذ أيضًا على الكثير من المواد النظرية، لذا لفهم الموضوع، تحتاج إلى مراجعة نسخة واحدة على الأقل من دفتر الملاحظات (إما PyTorch أو TensorFlow).
|
||||
* **مختبرات** متوفرة لبعض المواضيع، والتي تمنحك فرصة لتطبيق المواد التي تعلمتها على مشكلة محددة.
|
||||
* تحتوي بعض الأقسام على روابط إلى [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) التي تغطي مواضيع ذات صلة.
|
||||
* مواد قراءة مسبقة
|
||||
* دفاتر ملاحظات Jupyter قابلة للتنفيذ، وغالبًا ما تكون مخصصة للإطار (**PyTorch** أو **TensorFlow**). تحتوي دفاتر الملاحظات القابلة للتنفيذ أيضًا على الكثير من المواد النظرية، لذا لفهم الموضوع، يجب عليك مراجعة نسخة واحدة على الأقل من دفتر الملاحظات (إما PyTorch أو TensorFlow).
|
||||
* **مختبرات** متوفرة لبعض المواضيع، والتي تمنحك فرصة لتطبيق المواد التي تعلمتها على مشكلة محددة.
|
||||
* تحتوي بعض الأقسام على روابط إلى [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) التي تغطي مواضيع ذات صلة.
|
||||
|
||||
## البدء
|
||||
|
||||
- لقد أنشأنا [درس إعداد](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - بالنسبة للمعلمين، قمنا بإنشاء [درس إعداد المناهج](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/for-teachers.md) لكم أيضًا!
|
||||
- كيفية [تشغيل الكود في VSCode أو Codepace](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/how-to-run.md)
|
||||
- لقد أنشأنا [درس إعداد](./lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - للمعلمين، قمنا بإنشاء [درس إعداد المناهج](./lessons/0-course-setup/for-teachers.md) لكم أيضًا!
|
||||
- كيفية [تشغيل الكود في VSCode أو Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
اتبع هذه الخطوات:
|
||||
|
||||
|
|
@ -114,12 +125,12 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## تعرف على متعلمين آخرين
|
||||
|
||||
انضم إلى [خادم Discord الرسمي للذكاء الاصطناعي](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) للتواصل مع متعلمين آخرين يأخذون هذه الدورة والحصول على الدعم.
|
||||
انضم إلى [خادم Discord الرسمي للذكاء الاصطناعي](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) للتواصل مع متعلمين آخرين يأخذون هذا المساق والحصول على الدعم.
|
||||
|
||||
إذا كان لديك ملاحظات على المنتج أو أسئلة أثناء البناء، قم بزيارة [منتدى مطوري Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## الاختبارات
|
||||
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في مجلد Quiz-app داخل etc\quiz-app، وهي مرتبطة بالدروس. يمكن تشغيل تطبيق الاختبارات محليًا أو نشره على Azure؛ اتبع التعليمات الموجودة في مجلد `quiz-app`. يتم ترجمتها تدريجيًا.
|
||||
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في مجلد Quiz-app في etc\quiz-app، أو [عبر الإنترنت هنا](https://ff-quizzes.netlify.app/). يتم ربطها من داخل الدروس. يمكن تشغيل تطبيق الاختبارات محليًا أو نشره على Azure؛ اتبع التعليمات الموجودة في مجلد `quiz-app`. يتم ترجمتها تدريجيًا.
|
||||
## مطلوب مساعدة
|
||||
|
||||
هل لديك اقتراحات أو وجدت أخطاء إملائية أو في الكود؟ قم بفتح قضية أو إنشاء طلب سحب.
|
||||
|
|
@ -128,7 +139,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
* **✍️ المؤلف الرئيسي:** [دميتري سوشنيكوف](http://soshnikov.com)، دكتوراه
|
||||
* **🔥 المحررة:** [جين لوبر](https://twitter.com/jenlooper)، دكتوراه
|
||||
* **🎨 رسامة الرسوم التوضيحية:** [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
* **🎨 رسامة الرسومات التوضيحية:** [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
* **✅ منشئة الاختبارات:** [لطيفة بيلو](https://github.com/CinnamonXI)، [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 المساهمون الأساسيون:** [إفجيني بيششيك](https://github.com/Pe4enIks)
|
||||
|
||||
|
|
@ -151,5 +162,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
- [إتقان GitHub Copilot لمطوري C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [اختر مغامرتك الخاصة مع Copilot](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**إخلاء المسؤولية**:
|
||||
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
|
||||
تم ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
|
||||
|
|
@ -13,7 +13,7 @@
|
|||
"\n",
|
||||
"> هذا الدفتر هو جزء من [منهج الذكاء الاصطناعي للمبتدئين](http://github.com/microsoft/ai-for-beginners). قم بزيارة المستودع للحصول على مجموعة كاملة من مواد التعلم.\n",
|
||||
"\n",
|
||||
"كما ناقشنا، يتيح لك بيرسيبترون حل **مشكلة التصنيف الثنائي**، أي تصنيف أمثلة الإدخال إلى فئتين - يمكننا تسميتهما **إيجابية** و**سلبية**.\n",
|
||||
"كما ناقشنا سابقًا، يتيح لك بيرسيبترون حل **مشكلة التصنيف الثنائي**، أي تصنيف الأمثلة المدخلة إلى فئتين - يمكننا تسميتهما **إيجابية** و**سلبية**.\n",
|
||||
"\n",
|
||||
"أولاً، دعونا نستورد بعض المكتبات المطلوبة.\n"
|
||||
]
|
||||
|
|
@ -95,7 +95,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"دعونا أيضًا نرسم مجموعة البيانات:\n"
|
||||
"دعونا نرسم مجموعة البيانات أيضًا:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -154,11 +154,11 @@
|
|||
"source": [
|
||||
"## بيرسيبترون\n",
|
||||
"\n",
|
||||
"بما أن بيرسيبترون هو مصنف ثنائي، فإن الناتج لكل متجه إدخال $x$ سيكون إما +1 أو -1، اعتمادًا على الفئة. يتم حساب الناتج باستخدام الصيغة:\n",
|
||||
"بما أن بيرسيبترون هو مصنف ثنائي، فإن ناتج بيرسيبترون لكل متجه إدخال $x$ سيكون إما +1 أو -1، وذلك بناءً على الفئة. يتم حساب الناتج باستخدام الصيغة:\n",
|
||||
"\n",
|
||||
"$$y(\\mathbf{x}) = f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x})$$\n",
|
||||
"\n",
|
||||
"حيث $\\mathbf{w}$ هو متجه الأوزان، و $f$ هي دالة تفعيل خطوة:\n",
|
||||
"حيث $\\mathbf{w}$ هو متجه الأوزان، و$f$ هو دالة تفعيل خطوة:\n",
|
||||
"$$\n",
|
||||
"f(x) = \\begin{cases}\n",
|
||||
" +1 & x \\geq 0 \\\\\n",
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"ومع ذلك، فإن النموذج الخطي العام يجب أن يحتوي أيضًا على انحياز، أي أنه من الناحية المثالية يجب أن نحسب $y$ كـ $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. لتبسيط النموذج، يمكننا التخلص من هذا المصطلح الخاص بالانحياز عن طريق إضافة بُعد إضافي إلى ميزات الإدخال، والذي تكون قيمته دائمًا 1:\n"
|
||||
"ومع ذلك، فإن النموذج الخطي العام يجب أن يحتوي أيضًا على انحياز، أي أنه من المثالي أن نحسب $y$ كـ $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. لتبسيط نموذجنا، يمكننا التخلص من هذا المصطلح الخاص بالانحياز عن طريق إضافة بُعد إضافي إلى ميزات الإدخال لدينا، والذي تكون قيمته دائمًا تساوي 1:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,20 +206,20 @@
|
|||
"source": [
|
||||
"## خوارزمية التدريب\n",
|
||||
"\n",
|
||||
"لتدريب الـ perceptron، نحتاج إلى إيجاد الأوزان $\\mathbf{w}$ التي ستقلل الخطأ. يتم تعريف الخطأ باستخدام **معيار perceptron**:\n",
|
||||
"لتدريب الـ perceptron، نحتاج إلى إيجاد الأوزان $\\mathbf{w}$ التي ستقلل من الخطأ. يتم تعريف الخطأ باستخدام **معيار الـ perceptron**:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
"\n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ لعينة التدريب السلبية والإيجابية على التوالي\n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ للقيم السلبية والإيجابية لعينة التدريب على التوالي\n",
|
||||
" * $\\mathcal{M}$ - مجموعة الأمثلة التي تم تصنيفها بشكل خاطئ\n",
|
||||
" \n",
|
||||
"سنستخدم عملية **الانحدار التدريجي**. بدءًا من أوزان عشوائية أولية $\\mathbf{w}^{(0)}$، سنقوم بتعديل الأوزان في كل خطوة من التدريب باستخدام التدرج لـ $E$:\n",
|
||||
"\n",
|
||||
"سنستخدم عملية **الانحدار التدريجي**. بدءًا من أوزان عشوائية ابتدائية $\\mathbf{w}^{(0)}$، سنقوم بتعديل الأوزان في كل خطوة من خطوات التدريب باستخدام التدرج لـ $E$:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"حيث $\\eta$ هو **معدل التعلم**، و $\\tau\\in\\mathbb{N}$ - عدد التكرارات.\n",
|
||||
"\n",
|
||||
"لنعرّف هذه الخوارزمية باستخدام Python:\n"
|
||||
"لنقم بتعريف هذه الخوارزمية باستخدام Python:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## تقييم على مجموعة بيانات الاختبار\n",
|
||||
"\n",
|
||||
"في البداية، قمنا بفصل بعض البيانات لمجموعة بيانات الاختبار. دعونا نرى مدى دقة المصنف الخاص بنا على هذه المجموعة. للقيام بذلك، نقوم أيضًا بتوسيع مجموعة بيانات الاختبار بإضافة بُعد إضافي، ثم نضربها في مصفوفة الأوزان، ونتأكد من أن القيمة الناتجة تحمل نفس الإشارة مثل التصنيف (+1 أو -1). بعد ذلك، نجمع جميع القيم المنطقية ونقسمها على طول عينة الاختبار للحصول على الدقة:\n"
|
||||
"في البداية، قمنا بفصل بعض البيانات لمجموعة بيانات الاختبار. دعونا نرى مدى دقة المصنف الخاص بنا على هذه المجموعة. لتحقيق ذلك، نقوم أيضًا بتوسيع مجموعة بيانات الاختبار بإضافة بُعد إضافي، ثم نضربها في مصفوفة الأوزان، ونتأكد من أن القيمة الناتجة تحمل نفس الإشارة مثل التصنيف (+1 أو -1). بعد ذلك، نجمع جميع القيم المنطقية ونقسمها على طول عينة الاختبار للحصول على الدقة:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## مراقبة عملية التدريب\n",
|
||||
"\n",
|
||||
"لقد رأينا سابقًا كيف تنخفض الدقة أثناء التدريب. سيكون من الجيد رؤية كيف تتغير خط الفصل خلال عملية التدريب. الكود أدناه سيقوم بتصور كل شيء على رسم بياني واحد، ويجب أن تكون قادرًا على تحريك المنزلق لـ\"السفر عبر الزمن\" خلال عملية التدريب.\n"
|
||||
"لقد رأينا سابقًا كيف تنخفض الدقة أثناء التدريب. سيكون من الجيد رؤية كيف تتغير خط الفصل خلال عملية التدريب. الكود أدناه سيقوم بتصور كل شيء على رسم بياني واحد، وستتمكن من تحريك شريط التمرير لـ\"السفر عبر الزمن\" خلال عملية التدريب.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -537,7 +537,7 @@
|
|||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"دعونا نحاول القيام بذلك! سنقوم يدويًا بملء جميع عينات التدريب الإيجابية والسلبية، ثم نستدعي دالة التدريب التي قمنا بتعريفها أعلاه:\n"
|
||||
"دعونا نحاول القيام بذلك! سنقوم بملء جميع عينات التدريب الإيجابية والسلبية يدويًا، ثم نستدعي دالة التدريب التي قمنا بتعريفها أعلاه:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -616,7 +616,7 @@
|
|||
"\n",
|
||||
"جميع الأرقام ممثلة بصور رمادية بمقاس 28x28 بكسل.\n",
|
||||
"\n",
|
||||
"> مجموعة بيانات MNIST متاحة كمسابقة تدريبية على [Kaggle](https://www.kaggle.com/c/digit-recognizer)، وهو موقع يستضيف مسابقات وتحديات التعلم الآلي. بمجرد أن تتعلم كيفية تصنيف أرقام MNIST، يمكنك تقديم حلك على Kaggle لمعرفة كيف يتم تقييمه بين المشاركين الآخرين.\n",
|
||||
"> مجموعة بيانات MNIST متاحة كمنافسة تدريبية على [Kaggle](https://www.kaggle.com/c/digit-recognizer)، وهو موقع يستضيف مسابقات ومنافسات في مجال التعلم الآلي. بمجرد أن تتعلم كيفية تصنيف أرقام MNIST، يمكنك تقديم حلك على Kaggle لمعرفة كيف يتم تقييمه بين المشاركين الآخرين.\n",
|
||||
"\n",
|
||||
"نبدأ بتحميل مجموعة بيانات MNIST:\n"
|
||||
]
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"لأن بيرسيبترون هو مصنف ثنائي، سنقتصر مشكلتنا على التعرف على رقمين فقط. ستقوم الدالة أدناه بملء مصفوفات العينات الإيجابية والسلبية برقمين محددين (وستعرض أيضًا عينات من هذه الأرقام للتوضيح).\n"
|
||||
"لأن بيرسيبترون هو مصنف ثنائي، سنقتصر مشكلتنا على التعرف على رقمين فقط. الدالة أدناه ستملأ مصفوفات العينات الإيجابية والسلبية برقمين معينين (وستعرض أيضًا عينات من هذه الأرقام للتوضيح).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,11 +830,11 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"يرجى ملاحظة كيف تزداد الدقة بسرعة لتصل إلى ما يقارب 100%.\n",
|
||||
"يرجى ملاحظة كيف ترتفع الدقة بسرعة لتصل إلى ما يقرب من 100%.\n",
|
||||
"\n",
|
||||
"يرجى تحريك الشريط إلى موقع ما نحو نهاية التدريب، وملاحظة مصفوفة الأوزان المرسومة على اليسار. هذه المصفوفة ستساعدك على فهم كيفية عمل الـ perceptron فعليًا. يمكنك رؤية القيم العالية للأوزان في منتصف الحقل، والتي تتوافق مع البكسلات التي تكون عادةً موجودة للرقم 1، والقيم السلبية المنخفضة على الجوانب، حيث توجد أجزاء من الرقم 0. لذلك، إذا كان الرقم المعروض على الـ perceptron هو في الواقع 1، فإن الجزء الأوسط منه سيتم ضربه بقيم عالية، مما ينتج عنه نتيجة إيجابية. وعلى العكس، عندما يلاحظ الـ perceptron الرقم 0، فإن البكسلات المقابلة سيتم ضربها بأرقام سلبية.\n",
|
||||
"يرجى تحريك المؤشر إلى موقع ما نحو نهاية التدريب، وملاحظة مصفوفة الأوزان المرسومة على اليسار. هذه المصفوفة ستساعدك على فهم كيفية عمل البرسيبترون فعليًا. يمكنك رؤية قيم الأوزان العالية في منتصف المجال، والتي تتوافق مع البكسلات التي تكون عادةً موجودة للرقم 1، وقيم سلبية منخفضة على الجوانب، حيث توجد أجزاء من الرقم 0. لذلك، إذا كان الرقم المعروض على البرسيبترون هو بالفعل 1، فإن الجزء الأوسط منه سيتم ضربه بقيم عالية، مما ينتج عنه نتيجة إيجابية. وعلى العكس، عندما يلاحظ البرسيبترون الرقم 0، سيتم ضرب البكسلات المقابلة بأرقام سلبية.\n",
|
||||
"\n",
|
||||
"> قد تلاحظ أنه إذا قدمنا للـ perceptron الرقم 1 مع انحراف طفيف أفقيًا، بحيث تشغل بكسلاته المكان الذي توجد فيه الأجزاء الرأسية للرقم 0، فقد نحصل على نتيجة غير صحيحة. نظرًا لأن طبيعة مجموعة بيانات MNIST هي أن جميع الأرقام تكون متمركزة ومضبوطة بشكل صحيح، ويعتمد الـ perceptron على ذلك للتمييز بين الأرقام.\n",
|
||||
"> قد تلاحظ أنه إذا أعطينا البرسيبترون الرقم 1 وكان منحرفًا قليلاً أفقيًا، بحيث تشغل بكسلاته المكان الذي توجد فيه الأجزاء العمودية للرقم 0، فقد نحصل على نتيجة غير صحيحة. نظرًا لأن طبيعة مجموعة بيانات MNIST هي أن جميع الأرقام تكون متمركزة وموضوعة بشكل صحيح، ويعتمد البرسيبترون على ذلك للتمييز بين الأرقام.\n",
|
||||
"\n",
|
||||
"الآن دعونا نجرب أرقامًا مختلفة:\n"
|
||||
]
|
||||
|
|
@ -910,13 +910,13 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## المناقشة\n",
|
||||
"## النقاش\n",
|
||||
"\n",
|
||||
"لسبب ما، الرقمين 2 و5 ليس من السهل فصلهما بشكل واضح. على الرغم من أننا نحصل على دقة عالية نسبيًا (أكثر من 85%)، يمكننا بوضوح رؤية كيف يتوقف نموذج الـ perceptron عن التعلم في مرحلة معينة.\n",
|
||||
"لسبب ما، لا يمكن فصل الرقمين 2 و5 بسهولة. على الرغم من أننا نحصل على دقة عالية نسبيًا (أكثر من 85%)، يمكننا بوضوح ملاحظة كيف يتوقف perceptron عن التعلم في مرحلة معينة.\n",
|
||||
"\n",
|
||||
"لفهم سبب حدوث ذلك، يمكننا محاولة استخدام [تحليل المكونات الرئيسية](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA). إنها تقنية تعلم آلي تُستخدم لتقليل الأبعاد في مجموعة البيانات المدخلة، بطريقة تتيح الحصول على أفضل فصل بين الفئات.\n",
|
||||
"لفهم سبب حدوث ذلك، يمكننا محاولة استخدام [تحليل المكونات الرئيسية](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA). وهي تقنية تعلم آلي تُستخدم لتقليل أبعاد مجموعة البيانات المدخلة، بطريقة تتيح الحصول على أفضل فصل بين الفئات.\n",
|
||||
"\n",
|
||||
"في حالتنا، تحتوي الصورة المدخلة على 784 بكسل (ميزات المدخلات)، ونريد استخدام PCA لتقليل عدد المعاملات إلى اثنين فقط، حتى نتمكن من رسمهما على الرسم البياني. هذان المعاملان سيكونان مزيجًا خطيًا من الميزات الأصلية، ويمكننا اعتبار هذه العملية بمثابة \"تدوير\" فضائنا الأصلي ذي الأبعاد الـ784 ومراقبة إسقاطه على فضاء ثنائي الأبعاد، حتى نحصل على أفضل رؤية تفصل بين الفئات.\n"
|
||||
"في حالتنا، تحتوي الصورة المدخلة على 784 بكسل (ميزات الإدخال)، ونريد استخدام PCA لتقليل عدد المعاملات إلى 2 فقط، حتى نتمكن من رسمها على الرسم البياني. هذان المعاملان سيكونان مزيجًا خطيًا من الميزات الأصلية، ويمكننا اعتبار هذه العملية بمثابة \"تدوير\" فضائنا الأصلي ذي الأبعاد الـ 784 ومراقبة إسقاطه على فضاء ثنائي الأبعاد، حتى نحصل على أفضل رؤية تفصل بين الفئات.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1026,17 +1026,17 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"كما ترى، يمكن فصل الرقمين 0 و1 بوضوح باستخدام خط مستقيم. يشير هذا إلى أنه في الفضاء الأصلي ذي الأبعاد الـ784، يمكن فصل النقاط التي تمثل الأرقام خطيًا أيضًا. أما في حالة الرقمين 2 و5، فلا يمكننا العثور على إسقاط جيد يفصل الأرقام بوضوح، وبالتالي هناك بعض الحالات التي يحدث فيها تصنيف خاطئ.\n",
|
||||
"كما ترى، يمكن فصل الرقمين 0 و 1 بوضوح بواسطة خط مستقيم. يشير هذا إلى أنه في الفضاء الأصلي ذو الأبعاد الـ784، النقاط التي تمثل الأرقام قابلة للفصل خطيًا أيضًا. أما في حالة الرقمين 2 و 5، لا يمكننا العثور على إسقاط جيد يفصل بين الأرقام بوضوح، وبالتالي هناك بعض الحالات التي يتم فيها التصنيف بشكل خاطئ.\n",
|
||||
"\n",
|
||||
"> لاحقًا في هذه الدورة، سنتعلم كيفية إنشاء مصنفات غير خطية باستخدام الشبكات العصبية، وكيفية التعامل مع مشكلة عدم محاذاة الأرقام بشكل صحيح. قريبًا جدًا سنصل إلى دقة تتجاوز 99% في تصنيف أرقام MNIST، مع تصنيفها إلى 10 فئات مختلفة.\n",
|
||||
"\n",
|
||||
"## النقاط الرئيسية\n",
|
||||
"\n",
|
||||
" * تعلمنا عن أبسط بنية للشبكات العصبية - وهي بيرسيبترون ذو الطبقة الواحدة.\n",
|
||||
" * قمنا بتنفيذ بيرسيبترون \"يدويًا\"، باستخدام إجراء تدريب بسيط يعتمد على الانحدار التدريجي.\n",
|
||||
" * على الرغم من بساطته، يمكن لبيرسيبترون ذو الطبقة الواحدة حل مشاكل معقدة نسبيًا مثل التعرف على الأرقام المكتوبة بخط اليد.\n",
|
||||
" * بيرسيبترون ذو الطبقة الواحدة هو مصنف خطي، وبالتالي يوفر نفس قوة التصنيف التي تقدمها الانحدار اللوجستي.\n",
|
||||
" * في فضاء العينات، يمكن لبيرسيبترون فصل فئتين من بيانات الإدخال باستخدام فرط المستوى (Hyperplane).\n"
|
||||
" * تعلمنا عن أبسط بنية للشبكات العصبية - وهي الإدراك أحادي الطبقة.\n",
|
||||
" * قمنا بتنفيذ الإدراك \"يدويًا\"، باستخدام إجراء تدريب بسيط يعتمد على الانحدار التدريجي.\n",
|
||||
" * على الرغم من بساطته، يمكن للإدراك أحادي الطبقة حل مشاكل معقدة نسبيًا مثل التعرف على الأرقام المكتوبة بخط اليد.\n",
|
||||
" * الإدراك أحادي الطبقة هو مصنف خطي، وبالتالي يوفر نفس قوة التصنيف التي تقدمها الانحدار اللوجستي.\n",
|
||||
" * في فضاء العينات، يمكن للإدراك فصل فئتين من بيانات الإدخال باستخدام مستوى فوقي.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1045,14 +1045,14 @@
|
|||
"source": [
|
||||
"## الشكر والتقدير\n",
|
||||
"\n",
|
||||
"هذا الدفتر هو جزء من [منهج الذكاء الاصطناعي للمبتدئين](http://github.com/microsoft/ai-for-beginners)، وقد تم إعداده بواسطة [دميتري سوشنيكوف](http://soshnikov.com). مستوحى من ورشة عمل الشبكات العصبية في Microsoft Research Cambridge. تم أخذ بعض الأكواد والمواد التوضيحية من عروض تقديمية لـ [كاتيا هوفمان](https://www.microsoft.com/en-us/research/people/kahofman/)، [ماثيو جونسون](https://www.microsoft.com/en-us/research/people/matjoh/) و[ريوتو توميوكا](https://www.microsoft.com/en-us/research/people/ryoto/)، ومن مستودع [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
"هذا الدفتر هو جزء من [منهج الذكاء الاصطناعي للمبتدئين](http://github.com/microsoft/ai-for-beginners)، وقد تم إعداده بواسطة [دميتري سوشنيكوف](http://soshnikov.com). وهو مستوحى من ورشة عمل الشبكات العصبية في Microsoft Research Cambridge. بعض الأكواد والمواد التوضيحية مأخوذة من عروض تقديمية لـ [كاتيا هوفمان](https://www.microsoft.com/en-us/research/people/kahofman/)، [ماثيو جونسون](https://www.microsoft.com/en-us/research/people/matjoh/) و[ريوتو توميوكا](https://www.microsoft.com/en-us/research/people/ryoto/)، ومن مستودع [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**إخلاء المسؤولية**: \nتم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.\n"
|
||||
"\n---\n\n**إخلاء المسؤولية**: \nتمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1081,8 +1081,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T03:46:56+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:38:50+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "ar"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,31 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:13+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:37:38+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التصنيف متعدد الفئات باستخدام Perceptron
|
||||
|
||||
واجب مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
واجب عملي من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
||||
## المهمة
|
||||
|
||||
باستخدام الكود الذي قمنا بتطويره في هذا الدرس لتصنيف MNIST الثنائي للأرقام المكتوبة بخط اليد، قم بإنشاء مصنف متعدد الفئات يمكنه التعرف على أي رقم. احسب دقة التصنيف على مجموعة بيانات التدريب والاختبار، واطبع مصفوفة الالتباس.
|
||||
باستخدام الكود الذي قمنا بتطويره في هذا الدرس لتصنيف ثنائي لأرقام MNIST المكتوبة بخط اليد، قم بإنشاء مصنف متعدد الفئات يكون قادرًا على التعرف على أي رقم. احسب دقة التصنيف على مجموعة بيانات التدريب والاختبار، واطبع مصفوفة الالتباس.
|
||||
|
||||
## تلميحات
|
||||
|
||||
1. لكل رقم، قم بإنشاء مجموعة بيانات لمصنف ثنائي "هذا الرقم مقابل جميع الأرقام الأخرى".
|
||||
1. قم بتدريب 10 perceptrons مختلفة للتصنيف الثنائي (واحد لكل رقم).
|
||||
1. قم بتعريف دالة تقوم بتصنيف الرقم المدخل.
|
||||
1. قم بتعريف دالة تقوم بتصنيف الرقم المُدخل.
|
||||
|
||||
> **تلميح**: إذا قمنا بدمج أوزان جميع الـ perceptrons العشرة في مصفوفة واحدة، يمكننا تطبيق جميع الـ perceptrons العشرة على الأرقام المدخلة من خلال عملية ضرب مصفوفة واحدة. يمكن العثور على الرقم الأكثر احتمالاً فقط من خلال تطبيق عملية `argmax` على الناتج.
|
||||
> **تلميح**: إذا قمنا بدمج أوزان جميع perceptrons العشرة في مصفوفة واحدة، فيمكننا تطبيق جميع perceptrons العشرة على الأرقام المُدخلة من خلال عملية ضرب مصفوفة واحدة. الرقم الأكثر احتمالاً يمكن تحديده فقط من خلال تطبيق عملية `argmax` على الناتج.
|
||||
|
||||
## بدء الدفتر
|
||||
## الدفتر المبدئي
|
||||
|
||||
ابدأ المختبر بفتح [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb)
|
||||
ابدأ العمل بفتح [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb)
|
||||
|
||||
---
|
||||
|
||||
**إخلاء المسؤولية**:
|
||||
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:30:04+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:55:03+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "bn"
|
||||
}
|
||||
|
|
@ -21,62 +21,62 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott)
|
||||
|
||||
# কৃত্রিম বুদ্ধিমত্তা শিক্ষার্থীদের জন্য - একটি পাঠ্যক্রম
|
||||
# কৃত্রিম বুদ্ধিমত্তা শিক্ষার জন্য প্রাথমিক পাঠক্রম
|
||||
|
||||
||
|
||||
|:---:|
|
||||
| শিক্ষার্থীদের জন্য কৃত্রিম বুদ্ধিমত্তা - _স্কেচনোট [@girlie_mac](https://twitter.com/girlie_mac) দ্বারা_ |
|
||||
||
|
||||
|:---:|
|
||||
| কৃত্রিম বুদ্ধিমত্তা শিক্ষার জন্য প্রাথমিক পাঠক্রম - _স্কেচনোট [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
**কৃত্রিম বুদ্ধিমত্তা** (AI)-এর জগৎ আবিষ্কার করুন আমাদের ১২-সপ্তাহের, ২৪-টি পাঠের পাঠ্যক্রমের মাধ্যমে! এতে রয়েছে ব্যবহারিক পাঠ, কুইজ এবং ল্যাব। এই পাঠ্যক্রমটি শিক্ষার্থীবান্ধব এবং এতে TensorFlow এবং PyTorch-এর মতো টুলস এবং AI-এর নৈতিকতা অন্তর্ভুক্ত রয়েছে।
|
||||
**কৃত্রিম বুদ্ধিমত্তা** (AI)-এর জগৎ আবিষ্কার করুন আমাদের ১২-সপ্তাহের, ২৪-টি পাঠের পাঠক্রমের মাধ্যমে! এতে রয়েছে ব্যবহারিক পাঠ, কুইজ এবং ল্যাব। এই পাঠক্রমটি নতুনদের জন্য উপযোগী এবং এতে TensorFlow এবং PyTorch-এর মতো টুলস এবং AI-এর নৈতিকতা অন্তর্ভুক্ত।
|
||||
|
||||
### 🌐 বহু-ভাষার সমর্থন
|
||||
### 🌐 বহু-ভাষা সমর্থন
|
||||
|
||||
#### GitHub Action এর মাধ্যমে সমর্থিত (স্বয়ংক্রিয় এবং সর্বদা আপডেটেড)
|
||||
#### GitHub Action-এর মাধ্যমে সমর্থিত (স্বয়ংক্রিয় এবং সর্বদা আপডেটেড)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](./README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**যদি আপনি অতিরিক্ত ভাষার অনুবাদ চান, সমর্থিত ভাষার তালিকা [এখানে](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) পাওয়া যাবে।**
|
||||
**যদি আপনি অতিরিক্ত ভাষার অনুবাদ চান, তাহলে [এখানে](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) তালিকাভুক্ত ভাষাগুলি দেখুন।**
|
||||
|
||||
## সম্প্রদায়ে যোগ দিন
|
||||
## কমিউনিটিতে যোগ দিন
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## আপনি কী শিখবেন
|
||||
|
||||
**[কোর্সের মানচিত্র](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
এই পাঠ্যক্রমে, আপনি শিখবেন:
|
||||
এই পাঠক্রমে আপনি শিখবেন:
|
||||
|
||||
* কৃত্রিম বুদ্ধিমত্তার বিভিন্ন পদ্ধতি, যার মধ্যে রয়েছে "পুরনো দিনের" প্রতীকী পদ্ধতি **জ্ঞান উপস্থাপনা** এবং যুক্তি ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))।
|
||||
* **নিউরাল নেটওয়ার্ক** এবং **ডিপ লার্নিং**, যা আধুনিক AI-এর মূল ভিত্তি। আমরা এই গুরুত্বপূর্ণ বিষয়গুলোর ধারণা দুটি জনপ্রিয় ফ্রেমওয়ার্ক - [TensorFlow](http://Tensorflow.org) এবং [PyTorch](http://pytorch.org)-এ কোড ব্যবহার করে ব্যাখ্যা করব।
|
||||
* চিত্র এবং টেক্সট নিয়ে কাজ করার জন্য **নিউরাল আর্কিটেকচার**। আমরা সাম্প্রতিক মডেলগুলো কভার করব, তবে সর্বাধুনিক প্রযুক্তিতে কিছুটা ঘাটতি থাকতে পারে।
|
||||
* **নিউরাল নেটওয়ার্ক** এবং **ডিপ লার্নিং**, যা আধুনিক AI-এর মূল ভিত্তি। আমরা এই গুরুত্বপূর্ণ বিষয়গুলির ধারণাগুলি ব্যাখ্যা করব দুটি জনপ্রিয় ফ্রেমওয়ার্ক - [TensorFlow](http://Tensorflow.org) এবং [PyTorch](http://pytorch.org)-এর কোড ব্যবহার করে।
|
||||
* চিত্র এবং টেক্সট নিয়ে কাজ করার জন্য **নিউরাল আর্কিটেকচার**। আমরা সাম্প্রতিক মডেলগুলি কভার করব, তবে সর্বশেষ প্রযুক্তি সম্পর্কে কিছুটা কম থাকতে পারে।
|
||||
* কম জনপ্রিয় AI পদ্ধতি, যেমন **জেনেটিক অ্যালগরিদম** এবং **মাল্টি-এজেন্ট সিস্টেম**।
|
||||
|
||||
এই পাঠ্যক্রমে যা অন্তর্ভুক্ত করা হবে না:
|
||||
এই পাঠক্রমে যা অন্তর্ভুক্ত নয়:
|
||||
|
||||
> [এই কোর্সের জন্য সমস্ত অতিরিক্ত সম্পদ Microsoft Learn সংগ্রহে পাওয়া যাবে](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [এই কোর্সের জন্য সমস্ত অতিরিক্ত সম্পদ Microsoft Learn সংগ্রহে খুঁজুন](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **ব্যবসায়িক ক্ষেত্রে AI-এর ব্যবহার**। Microsoft Learn-এ [ব্যবসায়িক ব্যবহারকারীদের জন্য AI পরিচিতি](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ বা [AI ব্যবসায়িক স্কুল](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), যা [INSEAD](https://www.insead.edu/) এর সহযোগিতায় তৈরি করা হয়েছে, গ্রহণ করার কথা বিবেচনা করুন।
|
||||
* **ক্লাসিক মেশিন লার্নিং**, যা আমাদের [শিক্ষার্থীদের জন্য মেশিন লার্নিং পাঠ্যক্রমে](http://github.com/Microsoft/ML-for-Beginners) ভালোভাবে বর্ণনা করা হয়েছে।
|
||||
* **[কগনিটিভ সার্ভিসেস](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ব্যবহার করে তৈরি করা ব্যবহারিক AI অ্যাপ্লিকেশন। এর জন্য, আমরা Microsoft Learn-এ [ভিশন](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI সার্ভিসের সাথে জেনারেটিভ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** এবং অন্যান্য মডিউল দিয়ে শুরু করার পরামর্শ দিই।
|
||||
* **ব্যবসায়িক ক্ষেত্রে AI-এর ব্যবহার**। Microsoft Learn-এ [ব্যবসায়িক ব্যবহারকারীদের জন্য AI পরিচিতি](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ বা [AI ব্যবসায়িক স্কুল](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), যা [INSEAD](https://www.insead.edu/)-এর সহযোগিতায় তৈরি করা হয়েছে, গ্রহণ করার কথা বিবেচনা করুন।
|
||||
* **ক্লাসিক মেশিন লার্নিং**, যা আমাদের [মেশিন লার্নিং শিক্ষার জন্য প্রাথমিক পাঠক্রম](http://github.com/Microsoft/ML-for-Beginners)-এ ভালোভাবে বর্ণনা করা হয়েছে।
|
||||
* **[কগনিটিভ সার্ভিসেস](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ব্যবহার করে তৈরি করা ব্যবহারিক AI অ্যাপ্লিকেশন। এর জন্য, আমরা Microsoft Learn-এর [ভিশন](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI সার্ভিসের সাথে জেনারেটিভ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** এবং অন্যান্য মডিউল দিয়ে শুরু করার পরামর্শ দিই।
|
||||
* নির্দিষ্ট ML **ক্লাউড ফ্রেমওয়ার্ক**, যেমন [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), বা [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) এবং [Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ ব্যবহার করার কথা বিবেচনা করুন।
|
||||
* **কথোপকথনমূলক AI** এবং **চ্যাট বট**। এর জন্য একটি আলাদা [কথোপকথনমূলক AI সমাধান তৈরি করুন](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ রয়েছে, এবং আরও বিশদ জানতে [এই ব্লগ পোস্টটি](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) দেখতে পারেন।
|
||||
* **কথোপকথনমূলক AI** এবং **চ্যাট বট**। এর জন্য একটি আলাদা [কথোপকথনমূলক AI সমাধান তৈরি করুন](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ রয়েছে, এবং আরও বিশদ জানতে [এই ব্লগ পোস্টটি](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) দেখুন।
|
||||
* **ডিপ লার্নিং-এর গভীর গণিত**। এর জন্য, আমরা Ian Goodfellow, Yoshua Bengio এবং Aaron Courville-এর [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) বইটি সুপারিশ করি, যা অনলাইনে [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) এও পাওয়া যায়।
|
||||
|
||||
_ক্লাউডে AI_-এর বিষয়গুলোর একটি সহজ পরিচিতির জন্য, আপনি [Azure-এ কৃত্রিম বুদ্ধিমত্তার সাথে শুরু করুন](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ গ্রহণ করতে পারেন।
|
||||
_ক্লাউডে AI-এর_ বিষয়গুলির একটি সহজ পরিচিতির জন্য, আপনি [Azure-এ কৃত্রিম বুদ্ধিমত্তার সাথে শুরু করুন](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) শেখার পথ গ্রহণ করতে পারেন।
|
||||
|
||||
# বিষয়বস্তু
|
||||
|
||||
| | পাঠের লিঙ্ক | PyTorch/Keras/TensorFlow | ল্যাব |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [কোর্স সেটআপ](./lessons/0-course-setup/setup.md) | [আপনার ডেভেলপমেন্ট এনভায়রনমেন্ট সেটআপ করুন](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI-এর পরিচিতি**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI-এর পরিচিতি এবং ইতিহাস](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **প্রতীকী AI** |
|
||||
| 02 | [জ্ঞান উপস্থাপনা এবং বিশেষজ্ঞ সিস্টেম](./lessons/2-Symbolic/README.md) | [বিশেষজ্ঞ সিস্টেম](./lessons/2-Symbolic/Animals.ipynb) / [অন্টোলজি](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ধারণা গ্রাফ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**নিউরাল নেটওয়ার্কের পরিচিতি**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [পারসেপট্রন](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [নোটবুক](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ল্যাব](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| | পাঠের লিঙ্ক | PyTorch/Keras/TensorFlow | ল্যাব |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [কোর্স সেটআপ](./lessons/0-course-setup/setup.md) | [আপনার ডেভেলপমেন্ট এনভায়রনমেন্ট সেটআপ করুন](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI-এর পরিচিতি**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI-এর পরিচিতি এবং ইতিহাস](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **প্রতীকী AI** |
|
||||
| 02 | [জ্ঞান উপস্থাপনা এবং বিশেষজ্ঞ সিস্টেম](./lessons/2-Symbolic/README.md) | [বিশেষজ্ঞ সিস্টেম](./lessons/2-Symbolic/Animals.ipynb) / [অন্তর্ভুক্তি](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ধারণা গ্রাফ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**নিউরাল নেটওয়ার্কের পরিচিতি**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [পারসেপট্রন](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [নোটবুক](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ল্যাব](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [মাল্টি-লেয়ার পারসেপট্রন এবং আমাদের নিজস্ব ফ্রেমওয়ার্ক তৈরি করা](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [নোটবুক](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ল্যাব](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ফ্রেমওয়ার্কের পরিচিতি (PyTorch/TensorFlow) এবং ওভারফিটিং](./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) | [ল্যাব](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| 05 | [ফ্রেমওয়ার্ক (PyTorch/TensorFlow) এবং ওভারফিটিং এর পরিচিতি](./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) | [ল্যাব](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**কম্পিউটার ভিশন**](./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-এ কম্পিউটার ভিশন অন্বেষণ করুন](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [কম্পিউটার ভিশনের পরিচিতি। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [নোটবুক](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ল্যাব](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [কনভলিউশনাল নিউরাল নেটওয়ার্ক](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN আর্কিটেকচার](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ল্যাব](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
|
|
@ -101,27 +101,27 @@ _ক্লাউডে AI_-এর বিষয়গুলোর একটি
|
|||
| VII | **AI নৈতিকতা** | | |
|
||||
| 24 | [AI নৈতিকতা এবং দায়িত্বশীল AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: দায়িত্বশীল AI নীতিমালা](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **অতিরিক্ত বিষয়** | | |
|
||||
| 25 | [মাল্টি-মডাল নেটওয়ার্ক, CLIP এবং VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [নোটবুক](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [মাল্টি-মোডাল নেটওয়ার্ক, CLIP এবং VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [নোটবুক](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## প্রতিটি পাঠে অন্তর্ভুক্ত
|
||||
|
||||
* প্রি-রিডিং উপকরণ
|
||||
* এক্সিকিউটেবল Jupyter নোটবুক, যা প্রায়ই ফ্রেমওয়ার্ক (**PyTorch** বা **TensorFlow**) অনুযায়ী নির্দিষ্ট। এক্সিকিউটেবল নোটবুকে প্রচুর তাত্ত্বিক উপকরণও থাকে, তাই বিষয়টি বুঝতে হলে আপনাকে অন্তত একটি সংস্করণ (PyTorch বা TensorFlow) পড়তে হবে।
|
||||
* **ল্যাব** কিছু বিষয়ের জন্য উপলব্ধ, যা আপনাকে শিখানো উপকরণ একটি নির্দিষ্ট সমস্যায় প্রয়োগ করার সুযোগ দেয়।
|
||||
* **ল্যাব** কিছু বিষয়ে উপলব্ধ, যা আপনাকে শিখানো উপকরণ একটি নির্দিষ্ট সমস্যায় প্রয়োগ করার সুযোগ দেয়।
|
||||
* কিছু বিভাগে [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) মডিউলের লিঙ্ক রয়েছে যা সম্পর্কিত বিষয়গুলি কভার করে।
|
||||
|
||||
## শুরু করার জন্য
|
||||
## শুরু করা
|
||||
|
||||
- আমরা একটি [সেটআপ পাঠ](./lessons/0-course-setup/setup.md) তৈরি করেছি যা আপনার ডেভেলপমেন্ট পরিবেশ সেটআপে সাহায্য করবে। - শিক্ষকদের জন্য, আমরা একটি [কারিকুলা সেটআপ পাঠ](./lessons/0-course-setup/for-teachers.md) তৈরি করেছি!
|
||||
- কীভাবে [VSCode বা Codepace-এ কোড চালাবেন](./lessons/0-course-setup/how-to-run.md)
|
||||
- আমরা একটি [সেটআপ পাঠ](./lessons/0-course-setup/setup.md) তৈরি করেছি যা আপনার ডেভেলপমেন্ট পরিবেশ সেটআপে সাহায্য করবে। - শিক্ষকদের জন্য, আমরা একটি [কারিকুলাম সেটআপ পাঠ](./lessons/0-course-setup/for-teachers.md) তৈরি করেছি!
|
||||
- কিভাবে [VSCode বা Codepace-এ কোড চালাবেন](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
এই ধাপগুলি অনুসরণ করুন:
|
||||
|
||||
রিপোজিটরি ফর্ক করুন: এই পৃষ্ঠার উপরের ডান কোণে "Fork" বোতামে ক্লিক করুন।
|
||||
রিপোজিটরি ফর্ক করুন: এই পৃষ্ঠার উপরের ডানদিকে "Fork" বোতামে ক্লিক করুন।
|
||||
|
||||
রিপোজিটরি ক্লোন করুন: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
এই রিপোজিটরিটিকে সহজে খুঁজে পেতে 🌟 দিয়ে স্টার দিতে ভুলবেন না।
|
||||
এই রিপোজিটরিকে সহজে খুঁজে পেতে 🌟 দিয়ে চিহ্নিত করতে ভুলবেন না।
|
||||
|
||||
## অন্যান্য শিক্ষার্থীদের সাথে পরিচিত হন
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ _ক্লাউডে AI_-এর বিষয়গুলোর একটি
|
|||
যদি আপনার পণ্য সম্পর্কিত মতামত বা প্রশ্ন থাকে, আমাদের [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)-এ যান।
|
||||
|
||||
## কুইজ
|
||||
> **কুইজ সম্পর্কে একটি নোট**: সমস্ত কুইজ `etc\quiz-app` ফোল্ডারের Quiz-app ফোল্ডারে সংরক্ষিত আছে, অথবা [অনলাইনে এখানে](https://ff-quizzes.netlify.app/) পাওয়া যাবে। এগুলো পাঠের মধ্যে থেকে লিঙ্ক করা হয়েছে। কুইজ অ্যাপটি স্থানীয়ভাবে চালানো বা Azure-এ ডিপ্লয় করা যেতে পারে; `quiz-app` ফোল্ডারের নির্দেশনা অনুসরণ করুন। এগুলো ধীরে ধীরে স্থানীয় ভাষায় রূপান্তরিত হচ্ছে।
|
||||
> **কুইজ সম্পর্কে একটি নোট**: সমস্ত কুইজ `etc\quiz-app`-এর Quiz-app ফোল্ডারে সংরক্ষিত আছে, অথবা [অনলাইনে এখানে](https://ff-quizzes.netlify.app/) পাওয়া যাবে। এগুলো পাঠের মধ্যে থেকে লিঙ্ক করা হয়েছে। কুইজ অ্যাপটি স্থানীয়ভাবে চালানো বা Azure-এ ডিপ্লয় করা যেতে পারে; `quiz-app` ফোল্ডারে দেওয়া নির্দেশনা অনুসরণ করুন। এগুলো ধীরে ধীরে স্থানীয় ভাষায় অনুবাদ করা হচ্ছে।
|
||||
## সাহায্যের প্রয়োজন
|
||||
|
||||
আপনার কি কোনো পরামর্শ আছে বা বানান বা কোডের ভুল খুঁজে পেয়েছেন? একটি ইস্যু উত্থাপন করুন বা একটি পুল রিকোয়েস্ট তৈরি করুন।
|
||||
|
|
@ -147,22 +147,22 @@ _ক্লাউডে AI_-এর বিষয়গুলোর একটি
|
|||
|
||||
আমাদের দল অন্যান্য পাঠক্রমও তৈরি করে! দেখে নিন:
|
||||
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [AI for Beginners](https://aka.ms/ai-beginners)
|
||||
- [Data Science for Beginners](https://aka.ms/datascience-beginners)
|
||||
- [ML for Beginners](https://aka.ms/ml-beginners)
|
||||
- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
||||
- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [Mastering GitHub Copilot for Agentic use](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
||||
- [শুরুদের জন্য জেনারেটিভ এআই](https://aka.ms/genai-beginners)
|
||||
- [শুরুদের জন্য জেনারেটিভ এআই .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [জাভাস্ক্রিপ্ট দিয়ে জেনারেটিভ এআই](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [জাভা দিয়ে জেনারেটিভ এআই](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [শুরুদের জন্য এআই](https://aka.ms/ai-beginners)
|
||||
- [শুরুদের জন্য ডেটা সায়েন্স](https://aka.ms/datascience-beginners)
|
||||
- [শুরুদের জন্য মেশিন লার্নিং](https://aka.ms/ml-beginners)
|
||||
- [শুরুদের জন্য সাইবারসিকিউরিটি](https://github.com/microsoft/Security-101)
|
||||
- [শুরুদের জন্য ওয়েব ডেভেলপমেন্ট](https://aka.ms/webdev-beginners)
|
||||
- [শুরুদের জন্য IoT](https://aka.ms/iot-beginners)
|
||||
- [শুরুদের জন্য XR ডেভেলপমেন্ট](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [এজেন্টিক ব্যবহারের জন্য GitHub Copilot আয়ত্ত করা](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [C#/.NET ডেভেলপারদের জন্য GitHub Copilot আয়ত্ত করা](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [আপনার নিজস্ব Copilot অ্যাডভেঞ্চার বেছে নিন](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**অস্বীকৃতি**:
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হয়। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।
|
||||
|
|
@ -13,7 +13,7 @@
|
|||
"\n",
|
||||
"> এই নোটবুকটি [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners)-এর একটি অংশ। সম্পূর্ণ শিক্ষাসামগ্রী পেতে রেপোজিটরিটি ভিজিট করুন।\n",
|
||||
"\n",
|
||||
"আমরা আগেই আলোচনা করেছি, পারসেপট্রন আপনাকে **বাইনারি ক্লাসিফিকেশন সমস্যা** সমাধান করতে সাহায্য করে, অর্থাৎ ইনপুট উদাহরণগুলোকে দুটি শ্রেণিতে ভাগ করতে - আমরা এগুলোকে **পজিটিভ** এবং **নেগেটিভ** বলতে পারি।\n",
|
||||
"যেমনটি আমরা আলোচনা করেছি, পারসেপট্রন আপনাকে **বাইনারি ক্লাসিফিকেশন সমস্যা** সমাধান করতে সাহায্য করে, অর্থাৎ ইনপুট উদাহরণগুলোকে দুটি শ্রেণিতে শ্রেণীবদ্ধ করতে - আমরা এগুলোকে **পজিটিভ** এবং **নেগেটিভ** বলতে পারি।\n",
|
||||
"\n",
|
||||
"প্রথমে, চলুন কিছু প্রয়োজনীয় লাইব্রেরি ইমপোর্ট করি।\n"
|
||||
]
|
||||
|
|
@ -47,11 +47,11 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## খেলনা সমস্যা\n",
|
||||
"## টয় সমস্যা\n",
|
||||
"\n",
|
||||
"শুরুতে, চলুন একটি খেলনা সমস্যার সাথে শুরু করি, যেখানে আমাদের দুটি ইনপুট বৈশিষ্ট্য রয়েছে। উদাহরণস্বরূপ, চিকিৎসায় আমরা টিউমারগুলোকে সাইজ এবং বয়সের উপর ভিত্তি করে নিরাময়যোগ্য এবং ক্ষতিকারক শ্রেণিতে ভাগ করতে চাই।\n",
|
||||
"শুরু করার জন্য, চলুন একটি টয় সমস্যার সাথে শুরু করি, যেখানে আমাদের দুটি ইনপুট ফিচার রয়েছে। উদাহরণস্বরূপ, চিকিৎসা ক্ষেত্রে আমরা টিউমারগুলোকে আকার এবং বয়সের উপর ভিত্তি করে বিনাইন এবং ম্যালিগন্যান্ট শ্রেণিবদ্ধ করতে চাই।\n",
|
||||
"\n",
|
||||
"আমরা SciKit Learn লাইব্রেরির `make_classification` ফাংশন ব্যবহার করে একটি র্যান্ডম শ্রেণিবিন্যাস ডেটাসেট তৈরি করব:\n"
|
||||
"আমরা SciKit Learn লাইব্রেরির `make_classification` ফাংশন ব্যবহার করে একটি র্যান্ডম শ্রেণিবিন্যাস ডেটাসেট তৈরি করব:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -95,7 +95,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"চলুন dataset-টি প্লট করি:\n"
|
||||
"চলুন dataset-টিও প্লট করি:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -154,11 +154,11 @@
|
|||
"source": [
|
||||
"## পারসেপট্রন\n",
|
||||
"\n",
|
||||
"যেহেতু পারসেপট্রন একটি বাইনারি ক্লাসিফায়ার, প্রতিটি ইনপুট ভেক্টর $x$ এর জন্য আমাদের পারসেপট্রনের আউটপুট হবে +1 অথবা -1, যা ক্লাসের উপর নির্ভর করবে। আউটপুটটি নিম্নলিখিত সূত্র ব্যবহার করে গণনা করা হবে:\n",
|
||||
"যেহেতু পারসেপট্রন একটি বাইনারি শ্রেণীবিভাজক, প্রতিটি ইনপুট ভেক্টর $x$ এর জন্য আমাদের পারসেপট্রনের আউটপুট হবে +1 বা -1, যা শ্রেণির উপর নির্ভর করবে। আউটপুটটি নিচের সূত্র ব্যবহার করে গণনা করা হবে:\n",
|
||||
"\n",
|
||||
"$$y(\\mathbf{x}) = f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x})$$\n",
|
||||
"\n",
|
||||
"যেখানে $\\mathbf{w}$ একটি ওজন ভেক্টর এবং $f$ একটি স্টেপ অ্যাক্টিভেশন ফাংশন:\n",
|
||||
"যেখানে $\\mathbf{w}$ একটি ওজন ভেক্টর, $f$ একটি স্টেপ অ্যাক্টিভেশন ফাংশন:\n",
|
||||
"$$\n",
|
||||
"f(x) = \\begin{cases}\n",
|
||||
" +1 & x \\geq 0 \\\\\n",
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"তবে, একটি সাধারণ লিনিয়ার মডেলে একটি বায়াসও থাকা উচিত, অর্থাৎ আদর্শভাবে আমাদের $y$ গণনা করা উচিত $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ হিসেবে। আমাদের মডেলটি সহজ করার জন্য, আমরা ইনপুট ফিচারগুলিতে একটি অতিরিক্ত মাত্রা যোগ করতে পারি, যা সবসময় 1 এর সমান হবে, এবং এই বায়াস টার্মটি বাদ দিতে পারি:\n"
|
||||
"তবে, একটি সাধারণ লিনিয়ার মডেলে একটি বায়াস (bias) থাকা উচিত, অর্থাৎ আদর্শভাবে আমাদের $y$ গণনা করা উচিত $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ হিসেবে। আমাদের মডেলটি সহজ করার জন্য, আমরা এই বায়াস টার্মটি বাদ দিতে পারি যদি আমরা আমাদের ইনপুট ফিচারে একটি অতিরিক্ত মাত্রা যোগ করি, যা সর্বদা 1 এর সমান:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,18 +206,18 @@
|
|||
"source": [
|
||||
"## প্রশিক্ষণ অ্যালগরিদম\n",
|
||||
"\n",
|
||||
"পার্সেপট্রন প্রশিক্ষণ করার জন্য, আমাদের $\\mathbf{w}$ ওজনগুলি খুঁজে বের করতে হবে যা ত্রুটি কমাবে। ত্রুটি **পার্সেপট্রন ক্রাইটেরিয়া** ব্যবহার করে সংজ্ঞায়িত করা হয়:\n",
|
||||
"পার্সেপট্রন প্রশিক্ষণ করার জন্য, আমাদের এমন ওজন $\\mathbf{w}$ খুঁজে বের করতে হবে যা ত্রুটি কমাবে। ত্রুটি **পার্সেপট্রন ক্রাইটেরিয়া** ব্যবহার করে সংজ্ঞায়িত করা হয়:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ নেতিবাচক এবং ইতিবাচক প্রশিক্ষণ নমুনার জন্য যথাক্রমে\n",
|
||||
" * $\\mathcal{M}$ - ভুলভাবে শ্রেণীবদ্ধ উদাহরণগুলির একটি সেট\n",
|
||||
" * $\\mathcal{M}$ - ভুলভাবে শ্রেণীবদ্ধ উদাহরণগুলোর একটি সেট\n",
|
||||
" \n",
|
||||
"আমরা **গ্রেডিয়েন্ট ডিসেন্ট** প্রক্রিয়া ব্যবহার করব। কিছু প্রাথমিক র্যান্ডম ওজন $\\mathbf{w}^{(0)}$ দিয়ে শুরু করে, আমরা প্রশিক্ষণের প্রতিটি ধাপে $E$-এর গ্রেডিয়েন্ট ব্যবহার করে ওজন সামঞ্জস্য করব:\n",
|
||||
"আমরা **গ্রেডিয়েন্ট ডিসেন্ট** প্রক্রিয়া ব্যবহার করব। কিছু প্রাথমিক র্যান্ডম ওজন $\\mathbf{w}^{(0)}$ দিয়ে শুরু করে, আমরা প্রশিক্ষণের প্রতিটি ধাপে ত্রুটির গ্রেডিয়েন্ট ব্যবহার করে ওজন সামঞ্জস্য করব:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"যেখানে $\\eta$ একটি **লার্নিং রেট**, এবং $\\tau\\in\\mathbb{N}$ - ইটারেশনের সংখ্যা।\n",
|
||||
"যেখানে $\\eta$ হল **লার্নিং রেট**, এবং $\\tau\\in\\mathbb{N}$ - ইটারেশনের সংখ্যা।\n",
|
||||
"\n",
|
||||
"চলুন এই অ্যালগরিদমটি পাইথনে সংজ্ঞায়িত করি:\n"
|
||||
]
|
||||
|
|
@ -313,7 +313,7 @@
|
|||
"source": [
|
||||
"যেমনটি দেখা যাচ্ছে, প্রাথমিক সঠিকতার হার প্রায় ৫০%, তবে এটি দ্রুত বৃদ্ধি পেয়ে ৯০%-এর কাছাকাছি উচ্চ মানে পৌঁছে যায়।\n",
|
||||
"\n",
|
||||
"এখন দেখা যাক কিভাবে শ্রেণিগুলি পৃথক হয়। আমাদের শ্রেণিবিন্যাস ফাংশনটি $\\mathbf{w}^Tx$ এর মতো দেখায়, এবং এটি একটি শ্রেণির জন্য ০-এর বেশি এবং অন্যটির জন্য ০-এর নিচে থাকে। সুতরাং, শ্রেণি বিভাজন রেখাটি $\\mathbf{w}^Tx = 0$ দ্বারা সংজ্ঞায়িত হয়। যেহেতু আমাদের মাত্র দুটি মাত্রা $x_0$ এবং $x_1$ রয়েছে, রেখার সমীকরণটি হবে $w_0x_0+w_1x_1+w_2 = 0$ (মনে রাখবেন যে আমরা স্পষ্টভাবে একটি অতিরিক্ত মাত্রা $x_2=1$ সংজ্ঞায়িত করেছি)। চলুন এই রেখাটি অঙ্কন করি:\n"
|
||||
"এখন চলুন দেখি কীভাবে শ্রেণিগুলি পৃথক হয়। আমাদের শ্রেণীবিন্যাস ফাংশন $\\mathbf{w}^Tx$ এর মতো দেখায়, এবং এটি একটি শ্রেণির জন্য ০-এর বেশি এবং অন্যটির জন্য ০-এর নিচে থাকে। সুতরাং, শ্রেণি বিভাজন রেখাটি $\\mathbf{w}^Tx = 0$ দ্বারা সংজ্ঞায়িত হয়। যেহেতু আমাদের মাত্র দুটি মাত্রা $x_0$ এবং $x_1$ রয়েছে, রেখার সমীকরণটি হবে $w_0x_0+w_1x_1+w_2 = 0$ (মনে রাখবেন যে আমরা স্পষ্টভাবে একটি অতিরিক্ত মাত্রা $x_2=1$ সংজ্ঞায়িত করেছি)। এখন চলুন এই রেখাটি অঙ্কন করি:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,9 +379,9 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## পরীক্ষার ডেটাসেটে মূল্যায়ন করুন\n",
|
||||
"## টেস্ট ডেটাসেটে মূল্যায়ন করুন\n",
|
||||
"\n",
|
||||
"শুরুতে, আমরা কিছু ডেটা আলাদা করে পরীক্ষার ডেটাসেটে রেখেছি। চলুন দেখি আমাদের শ্রেণীবিভাজক এই পরীক্ষার ডেটাসেটে কতটা সঠিক। এটি করার জন্য, আমরা পরীক্ষার ডেটাসেটকে একটি অতিরিক্ত মাত্রা দিয়ে প্রসারিত করি, ওজন ম্যাট্রিক্স দিয়ে গুণ করি, এবং নিশ্চিত করি যে প্রাপ্ত মান লেবেলের ( +1 বা -1) মতো একই চিহ্নের। এরপর আমরা সমস্ত বুলিয়ান মান যোগ করি এবং পরীক্ষার নমুনার দৈর্ঘ্য দিয়ে ভাগ করি, সঠিকতা নির্ধারণ করার জন্য।\n"
|
||||
"শুরুতে, আমরা কিছু ডেটা টেস্ট ডেটাসেটের জন্য আলাদা করে রেখেছি। চলুন দেখি আমাদের ক্লাসিফায়ার এই টেস্ট ডেটাসেটে কতটা সঠিক। এটি করার জন্য, আমরা টেস্ট ডেটাসেটকে একটি অতিরিক্ত ডাইমেনশনে প্রসারিত করি, ওজন ম্যাট্রিক্সের সাথে গুণ করি, এবং নিশ্চিত করি যে প্রাপ্ত মান লেবেলের (+1 বা -1) মতো একই চিহ্নের। এরপর আমরা সমস্ত বুলিয়ান মান একত্রিত করি এবং টেস্ট স্যাম্পলের দৈর্ঘ্য দিয়ে ভাগ করি, যাতে সঠিকতার মান পাওয়া যায়:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -422,7 +422,7 @@
|
|||
"source": [
|
||||
"## প্রশিক্ষণ প্রক্রিয়া পর্যবেক্ষণ করা\n",
|
||||
"\n",
|
||||
"আমরা আগেও দেখেছি কীভাবে প্রশিক্ষণের সময় সঠিকতা কমে যায়। প্রশিক্ষণের সময় বিভাজন রেখাটি কীভাবে আচরণ করে তা দেখা মজার হবে। নিচের কোডটি সবকিছু এক গ্রাফে চিত্রিত করবে, এবং আপনি স্লাইডারটি সরিয়ে প্রশিক্ষণ প্রক্রিয়ার মধ্য দিয়ে \"সময়ের ভ্রমণ\" করতে পারবেন।\n"
|
||||
"আমরা আগেও দেখেছি কীভাবে প্রশিক্ষণের সময় সঠিকতার হার কমে যায়। প্রশিক্ষণের সময় বিভাজন রেখাটি কীভাবে আচরণ করে তা দেখা ভালো হবে। নিচের কোডটি সবকিছু এক গ্রাফে চিত্রিত করবে, এবং আপনি স্লাইডারটি সরিয়ে প্রশিক্ষণ প্রক্রিয়ার মধ্য দিয়ে \"সময়ের ভ্রমণ\" করতে পারবেন।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -530,16 +530,16 @@
|
|||
"source": [
|
||||
"## পারসেপট্রনের সীমাবদ্ধতা\n",
|
||||
"\n",
|
||||
"উপরের আলোচনায় আপনি দেখেছেন, পারসেপট্রন একটি **লিনিয়ার ক্লাসিফায়ার**। এটি দুটি শ্রেণি ভালোভাবে আলাদা করতে পারে যদি তারা **লিনিয়ারলি সেপারেবল** হয়, অর্থাৎ একটি সরল রেখা দিয়ে আলাদা করা যায়। অন্যথায়, পারসেপট্রনের প্রশিক্ষণ প্রক্রিয়া সঠিকভাবে সম্পন্ন হবে না।\n",
|
||||
"উপরে যেমন দেখা গেছে, পারসেপট্রন একটি **লিনিয়ার ক্লাসিফায়ার**। এটি দুটি শ্রেণিকে ভালোভাবে আলাদা করতে পারে যদি তারা **লিনিয়ারলি সেপারেবল** হয়, অর্থাৎ একটি সরল রেখা দিয়ে আলাদা করা যায়। অন্যথায়, পারসেপট্রনের প্রশিক্ষণ প্রক্রিয়া সঠিকভাবে সম্পন্ন হবে না।\n",
|
||||
"\n",
|
||||
"একটি সুস্পষ্ট উদাহরণ যেখানে পারসেপট্রন সমস্যার সমাধান করতে পারে না তা হলো তথাকথিত **XOR সমস্যা**। আমরা চাই আমাদের পারসেপট্রন XOR বুলিয়ান ফাংশনটি শিখুক, যার সত্যতার টেবিল নিম্নরূপ:\n",
|
||||
"পারসেপট্রন দিয়ে সমাধান করা যায় না এমন একটি সমস্যার সবচেয়ে সুস্পষ্ট উদাহরণ হল তথাকথিত **XOR সমস্যা**। আমরা চাই আমাদের পারসেপট্রন XOR বুলিয়ান ফাংশনটি শিখুক, যার সত্যতার টেবিল নিম্নরূপ:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"চলুন এটি চেষ্টা করে দেখি! আমরা ম্যানুয়ালি সব পজিটিভ এবং নেগেটিভ প্রশিক্ষণ নমুনা পূরণ করব, তারপর উপরে সংজ্ঞায়িত আমাদের train ফাংশনটি কল করব:\n"
|
||||
"চলুন এটি চেষ্টা করে দেখি! আমরা ম্যানুয়ালি সব পজিটিভ এবং নেগেটিভ প্রশিক্ষণ নমুনা পূরণ করব, তারপর উপরে সংজ্ঞায়িত আমাদের train ফাংশনটি কল করব:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -606,19 +606,19 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"যেমনটি উপরের গ্রাফ থেকে দেখা যাচ্ছে, সঠিকতার হার কখনোই ৭৫% এর উপরে যায় না, কারণ এমন একটি সরল রেখা আঁকা অসম্ভব যা সমস্ত উদাহরণকে সঠিকভাবে আলাদা করতে পারে।\n",
|
||||
"যেমনটি উপরের গ্রাফ থেকে দেখা যাচ্ছে, সঠিকতার হার কখনোই ৭৫% এর উপরে যায় না, কারণ এমন একটি সরল রেখা আঁকা অসম্ভব যা দিয়ে সব উদাহরণ সঠিকভাবে আলাদা করা যায়।\n",
|
||||
"\n",
|
||||
"XOR সমস্যা হলো পারসেপট্রনের সীমাবদ্ধতার একটি ক্লাসিক উদাহরণ, এবং এটি ১৯৬৯ সালে মারভিন মিনস্কি এবং সেমুর প্যাপার্ট তাদের বই [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) এ উল্লেখ করেছিলেন। এই পর্যবেক্ষণ প্রায় ১০ বছর ধরে নিউরাল নেটওয়ার্ক গবেষণাকে সীমিত করেছিল, যদিও - এবং আমরা আমাদের কোর্সের পরবর্তী অংশে এটি দেখব - বহু-স্তরযুক্ত পারসেপট্রন এমন সমস্যাগুলি সমাধান করতে পুরোপুরি সক্ষম।\n",
|
||||
"XOR সমস্যা হলো পারসেপট্রনের সীমাবদ্ধতার একটি ক্লাসিক উদাহরণ, এবং এটি ১৯৬৯ সালে মারভিন মিনস্কি এবং সেমুর প্যাপার্ট তাদের বই [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book))-এ উল্লেখ করেছিলেন। এই পর্যবেক্ষণ প্রায় ১০ বছর ধরে নিউরাল নেটওয়ার্ক গবেষণাকে সীমিত করে রেখেছিল, যদিও - এবং আমরা আমাদের কোর্সের পরবর্তী অংশে এটি দেখব - বহুস্তর বিশিষ্ট পারসেপট্রন এমন সমস্যাগুলি সমাধান করতে পুরোপুরি সক্ষম।\n",
|
||||
"\n",
|
||||
"## জটিল উদাহরণ - MNIST\n",
|
||||
"\n",
|
||||
"যদিও পারসেপট্রন XOR সমস্যাটি সমাধান করতে পারে না, এটি আরও অনেক জটিল সমস্যা সমাধান করতে পারে, যেমন হাতে লেখা অক্ষর সনাক্তকরণ।\n",
|
||||
"যদিও পারসেপট্রন XOR সমস্যাটি সমাধান করতে পারে না, এটি আরও অনেক জটিল সমস্যা সমাধান করতে পারে, যেমন হাতে লেখা অক্ষর শনাক্তকরণ।\n",
|
||||
"\n",
|
||||
"যে ডেটাসেটটি মেশিন লার্নিং শিখতে প্রায়ই ব্যবহৃত হয় সেটি [MNIST](https://en.wikipedia.org/wiki/MNIST_database) নামে পরিচিত। এটি Modified National Institute of Standards and Technology দ্বারা তৈরি করা হয়েছে এবং এতে ৬০,০০০ হাতে লেখা সংখ্যার একটি প্রশিক্ষণ সেট রয়েছে, যা প্রায় ২৫০ জন ছাত্র এবং ইনস্টিটিউটের কর্মচারীদের কাছ থেকে সংগ্রহ করা হয়েছে। এছাড়াও ১০,০০০ সংখ্যার একটি টেস্ট ডেটাসেট রয়েছে, যা বিভিন্ন ব্যক্তির কাছ থেকে সংগ্রহ করা হয়েছে।\n",
|
||||
"যে ডেটাসেটটি মেশিন লার্নিং শিখতে প্রায়ই ব্যবহৃত হয়, সেটি [MNIST](https://en.wikipedia.org/wiki/MNIST_database) নামে পরিচিত। এটি মডিফাইড ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি দ্বারা তৈরি করা হয়েছে এবং এতে ৬০,০০০ হাতে লেখা সংখ্যার একটি প্রশিক্ষণ সেট রয়েছে, যা প্রায় ২৫০ জন ছাত্র এবং ইনস্টিটিউটের কর্মচারীদের কাছ থেকে সংগ্রহ করা হয়েছে। এছাড়াও, ১০,০০০ সংখ্যার একটি টেস্ট ডেটাসেট রয়েছে, যা বিভিন্ন ব্যক্তির কাছ থেকে সংগ্রহ করা হয়েছে।\n",
|
||||
"\n",
|
||||
"সব সংখ্যাগুলি ২৮x২৮ পিক্সেলের গ্রেস্কেল ইমেজ হিসেবে উপস্থাপিত।\n",
|
||||
"সব সংখ্যাগুলি ২৮x২৮ পিক্সেলের গ্রেস্কেল ইমেজ আকারে উপস্থাপিত।\n",
|
||||
"\n",
|
||||
"> MNIST ডেটাসেট [Kaggle](https://www.kaggle.com/c/digit-recognizer) এ একটি প্রশিক্ষণ প্রতিযোগিতা হিসেবে উপলব্ধ, যা মেশিন লার্নিং প্রতিযোগিতা এবং কনটেস্ট হোস্ট করে। একবার আপনি MNIST সংখ্যাগুলি শ্রেণীবদ্ধ করতে শিখলে, আপনি আপনার সমাধান Kaggle এ জমা দিতে পারেন এবং দেখতে পারেন এটি অন্যান্য অংশগ্রহণকারীদের মধ্যে কীভাবে রেট করা হয়।\n",
|
||||
"> MNIST ডেটাসেট [Kaggle](https://www.kaggle.com/c/digit-recognizer)-এ একটি প্রশিক্ষণ প্রতিযোগিতা হিসেবে উপলব্ধ, যা মেশিন লার্নিং প্রতিযোগিতা এবং কনটেস্ট হোস্ট করে। একবার আপনি MNIST সংখ্যাগুলি শ্রেণীবদ্ধ করতে শিখে গেলে, আপনি আপনার সমাধান Kaggle-এ জমা দিতে পারেন এবং অন্যান্য অংশগ্রহণকারীদের মধ্যে এটি কীভাবে রেট করা হয় তা দেখতে পারেন।\n",
|
||||
"\n",
|
||||
"আমরা MNIST ডেটাসেট লোড করা দিয়ে শুরু করি:\n"
|
||||
]
|
||||
|
|
@ -638,7 +638,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -696,7 +696,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"কারণ পারসেপট্রন একটি দ্বিমুখী শ্রেণীবিন্যাসকারী, আমরা আমাদের সমস্যাকে শুধুমাত্র দুটি সংখ্যা সনাক্ত করার মধ্যে সীমাবদ্ধ রাখব। নিচের ফাংশনটি দুটি প্রদত্ত সংখ্যার সাথে ইতিবাচক এবং নেতিবাচক নমুনা অ্যারে পূরণ করবে (এবং স্পষ্টতার জন্য সেই সংখ্যাগুলির নমুনাও দেখাবে)।\n"
|
||||
"কারণ পারসেপট্রন একটি বাইনারি শ্রেণীবিভাজক, আমরা আমাদের সমস্যাকে কেবল দুটি সংখ্যা সনাক্ত করার মধ্যে সীমাবদ্ধ রাখব। নিচের ফাংশনটি দুটি প্রদত্ত সংখ্যার জন্য পজিটিভ এবং নেগেটিভ নমুনার অ্যারে পূরণ করবে (এবং স্পষ্টতার জন্য সেই সংখ্যাগুলোর নমুনাও দেখাবে)।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -736,7 +736,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"আমরা ০ এবং ১ এর মধ্যে শ্রেণীবদ্ধ করার চেষ্টা দিয়ে শুরু করব:\n"
|
||||
"আমরা ০ এবং ১ এর মধ্যে শ্রেণীবিভাজন করার চেষ্টা দিয়ে শুরু করব:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -832,9 +832,11 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"অনুগ্রহ করে লক্ষ্য করুন, প্রশিক্ষণের শেষের দিকে স্লাইডারটি কিছু অবস্থানে সরান এবং বাম দিকে প্রদর্শিত ওজন ম্যাট্রিক্সটি পর্যবেক্ষণ করুন। এই ম্যাট্রিক্সটি আপনাকে বুঝতে সাহায্য করবে কীভাবে পারসেপট্রন কার্যকরভাবে কাজ করে। আপনি ক্ষেত্রের মাঝখানে উচ্চ ওজন মান দেখতে পাবেন, যা সাধারণত সংখ্যা ১-এর জন্য উপস্থিত পিক্সেলগুলোর সাথে সম্পর্কিত, এবং পাশের দিকে নিম্ন নেতিবাচক মান, যেখানে সংখ্যা ০-এর অংশগুলো থাকে। সুতরাং, যদি পারসেপট্রনকে প্রদর্শিত সংখ্যা প্রকৃতপক্ষে ১ হয়, এর মাঝের অংশটি উচ্চ মান দ্বারা গুণিত হবে, যা একটি ইতিবাচক ফলাফল তৈরি করবে। বিপরীতভাবে, যখন পারসেপট্রন ০ পর্যবেক্ষণ করে, সংশ্লিষ্ট পিক্সেলগুলো নেতিবাচক সংখ্যাগুলোর সাথে গুণিত হবে।\n",
|
||||
"অনুগ্রহ করে লক্ষ্য করুন যে কীভাবে নির্ভুলতা খুব দ্রুত প্রায় ১০০% পর্যন্ত পৌঁছে যায়।\n",
|
||||
"\n",
|
||||
"> আপনি লক্ষ্য করতে পারেন যে যদি আমরা আমাদের পারসেপট্রনকে একটি সংখ্যা ১ দিই যা সামান্য অনুভূমিকভাবে সরানো হয়েছে, যাতে এর পিক্সেলগুলো সেই স্থানে থাকে যেখানে ০-এর উল্লম্ব অংশগুলো রয়েছে, আমরা ভুল ফলাফল পেতে পারি। যেহেতু আমাদের MNIST ডেটাসেটের প্রকৃতি এমন যে সমস্ত সংখ্যাগুলো কেন্দ্রীভূত এবং সঠিকভাবে অবস্থান করা থাকে, এবং পারসেপট্রন এই বৈশিষ্ট্যের উপর নির্ভর করে সংখ্যাগুলো পার্থক্য করতে।\n",
|
||||
"অনুগ্রহ করে স্লাইডারটি প্রশিক্ষণের শেষের দিকে কোনো অবস্থানে সরান এবং বাম দিকে প্রদর্শিত ওজন ম্যাট্রিক্সটি পর্যবেক্ষণ করুন। এই ম্যাট্রিক্সটি আপনাকে বুঝতে সাহায্য করবে যে পারসেপট্রন কীভাবে কাজ করে। আপনি ক্ষেত্রের মাঝখানে উচ্চ ওজন মান দেখতে পাবেন, যা সাধারণত সংখ্যা ১-এর জন্য উপস্থিত পিক্সেলগুলোর সাথে মিলে যায়, এবং পাশের দিকে নিম্ন নেতিবাচক মান, যেখানে সংখ্যা ০-এর অংশ থাকে। সুতরাং, যদি পারসেপট্রনের কাছে প্রদর্শিত সংখ্যা প্রকৃতপক্ষে ১ হয়, তবে এর মাঝের অংশটি উচ্চ মান দ্বারা গুণিত হবে এবং একটি ধনাত্মক ফলাফল তৈরি করবে। বিপরীতে, যখন পারসেপট্রন ০ পর্যবেক্ষণ করে, সংশ্লিষ্ট পিক্সেলগুলো নেতিবাচক সংখ্যার সাথে গুণিত হবে।\n",
|
||||
"\n",
|
||||
"> আপনি লক্ষ্য করতে পারেন যে যদি আমরা আমাদের পারসেপট্রনকে সামান্য অনুভূমিকভাবে সরানো একটি সংখ্যা ১ দিই, যাতে এর পিক্সেলগুলো এমন স্থানে থাকে যেখানে ০-এর উল্লম্ব অংশ থাকে, তাহলে আমরা ভুল ফলাফল পেতে পারি। যেহেতু আমাদের MNIST ডেটাসেটের প্রকৃতি এমন যে সমস্ত সংখ্যাগুলো কেন্দ্রীভূত এবং সঠিকভাবে অবস্থান করা থাকে, এবং পারসেপট্রন এই বৈশিষ্ট্যের উপর নির্ভর করে সংখ্যাগুলো আলাদা করতে।\n",
|
||||
"\n",
|
||||
"এখন চলুন বিভিন্ন সংখ্যা চেষ্টা করি:\n"
|
||||
]
|
||||
|
|
@ -912,11 +914,11 @@
|
|||
"source": [
|
||||
"## আলোচনা\n",
|
||||
"\n",
|
||||
"কোনো এক কারণে, ২ এবং ৫ সহজে আলাদা করা যায় না। যদিও আমরা তুলনামূলকভাবে উচ্চ সঠিকতা (৮৫% এর উপরে) পাই, তবুও স্পষ্টভাবে দেখা যায় যে, পারসেপট্রন একটি পর্যায়ে গিয়ে শেখা বন্ধ করে দেয়।\n",
|
||||
"কোনো এক কারণে, ২ এবং ৫ সহজে আলাদা করা যায় না। যদিও আমরা তুলনামূলকভাবে উচ্চ নির্ভুলতা (৮৫% এর উপরে) পাই, তবুও স্পষ্টভাবে দেখা যায় যে, কিছু পর্যায়ে গিয়ে পারসেপট্রন শেখা বন্ধ করে দেয়।\n",
|
||||
"\n",
|
||||
"এটি কেন ঘটে তা বুঝতে, আমরা [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) ব্যবহার করতে পারি। এটি একটি মেশিন লার্নিং পদ্ধতি যা ইনপুট ডেটাসেটের মাত্রা কমানোর জন্য ব্যবহৃত হয়, যাতে শ্রেণিগুলোর মধ্যে সর্বোত্তম আলাদা করার ক্ষমতা পাওয়া যায়।\n",
|
||||
"এটি কেন ঘটে তা বুঝতে, আমরা [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) ব্যবহার করতে পারি। এটি একটি মেশিন লার্নিং কৌশল যা ইনপুট ডেটাসেটের মাত্রা কমানোর জন্য ব্যবহৃত হয়, যাতে শ্রেণিগুলোর মধ্যে সর্বোত্তম আলাদা করার ক্ষমতা পাওয়া যায়।\n",
|
||||
"\n",
|
||||
"আমাদের ক্ষেত্রে, একটি ইনপুট ইমেজে ৭৮৪টি পিক্সেল (ইনপুট ফিচার) থাকে, এবং আমরা PCA ব্যবহার করে প্যারামিটারের সংখ্যা ২-এ কমাতে চাই, যাতে আমরা সেগুলো গ্রাফে প্লট করতে পারি। এই দুটি প্যারামিটার মূল ফিচারগুলোর একটি লিনিয়ার কম্বিনেশন হবে, এবং আমরা এই প্রক্রিয়াকে আমাদের মূল ৭৮৪-মাত্রিক স্পেসকে \"ঘোরানো\" এবং তার প্রক্ষেপণকে ২D-স্পেসে পর্যবেক্ষণ করার মতো দেখতে পারি, যতক্ষণ না আমরা শ্রেণিগুলোর মধ্যে সর্বোত্তম আলাদা করার দৃশ্য পাই।\n"
|
||||
"আমাদের ক্ষেত্রে, একটি ইনপুট ইমেজে ৭৮৪ পিক্সেল (ইনপুট ফিচার) থাকে, এবং আমরা PCA ব্যবহার করে প্যারামিটারের সংখ্যা মাত্র ২-এ কমাতে চাই, যাতে আমরা সেগুলো গ্রাফে প্লট করতে পারি। এই দুই প্যারামিটার মূল ফিচারগুলোর একটি লিনিয়ার কম্বিনেশন হবে, এবং আমরা এই প্রক্রিয়াকে আমাদের মূল ৭৮৪-ডাইমেনশনাল স্পেসকে \"ঘোরানো\" এবং তার প্রক্ষেপণকে ২D-স্পেসে পর্যবেক্ষণ করার মতো দেখতে পারি, যতক্ষণ না আমরা শ্রেণিগুলোর মধ্যে সর্বোত্তম আলাদা করার দৃশ্য পাই।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1026,15 +1028,15 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"যেমন দেখা যাচ্ছে, 0 এবং 1 একটি সরল রেখা দ্বারা স্পষ্টভাবে পৃথক করা যায়। এটি নির্দেশ করে যে মূল ৭৮৪-মাত্রিক স্থানে সংখ্যাগুলোর সাথে সম্পর্কিত বিন্দুগুলোও সরলরেখায় পৃথকযোগ্য। তবে ২ এবং ৫ এর ক্ষেত্রে, এমন একটি ভালো প্রক্ষেপণ খুঁজে পাওয়া যায় না যা সংখ্যাগুলোকে স্পষ্টভাবে পৃথক করবে, এবং এর ফলে কিছু ভুল শ্রেণীবিন্যাসের ঘটনা ঘটে।\n",
|
||||
"যেমনটি দেখা যাচ্ছে, 0 এবং 1 একটি সরল রেখা দ্বারা স্পষ্টভাবে পৃথক করা যায়। এটি নির্দেশ করে যে মূল ৭৮৪-মাত্রিক স্থানে সংখ্যাগুলোর সাথে সম্পর্কিত বিন্দুগুলোও সরলরেখায় পৃথকযোগ্য। তবে ২ এবং ৫ এর ক্ষেত্রে, এমন একটি ভালো প্রক্ষেপণ খুঁজে পাওয়া যায় না যা সংখ্যাগুলোকে স্পষ্টভাবে পৃথক করবে, এবং এর ফলে কিছু ভুল শ্রেণীবিন্যাস ঘটে।\n",
|
||||
"\n",
|
||||
"> এই কোর্সে আমরা পরে শিখব কীভাবে নিউরাল নেটওয়ার্ক ব্যবহার করে অ-রৈখিক শ্রেণীবিন্যাসকারী তৈরি করা যায় এবং কীভাবে সংখ্যাগুলো সঠিকভাবে সারিবদ্ধ না থাকলে সেই সমস্যার সমাধান করা যায়। খুব শীঘ্রই আমরা MNIST সংখ্যাগুলোর শ্রেণীবিন্যাসে ৯৯% এরও বেশি সঠিকতা অর্জন করব, যেখানে এগুলোকে ১০টি ভিন্ন শ্রেণীতে শ্রেণীবদ্ধ করা হবে।\n",
|
||||
"> এই কোর্সে আমরা পরে শিখব কীভাবে নিউরাল নেটওয়ার্ক ব্যবহার করে অ-রৈখিক শ্রেণীবিন্যাসকারী তৈরি করা যায় এবং কীভাবে সংখ্যাগুলো সঠিকভাবে সারিবদ্ধ না থাকার সমস্যার সমাধান করা যায়। খুব শীঘ্রই আমরা MNIST সংখ্যাগুলোর শ্রেণীবিন্যাসে ৯৯% এর উপরে সঠিকতা অর্জন করব, যেখানে এগুলোকে ১০টি ভিন্ন শ্রেণীতে শ্রেণীবদ্ধ করা হবে।\n",
|
||||
"\n",
|
||||
"## মূল বিষয়বস্তু\n",
|
||||
"\n",
|
||||
" * আমরা সবচেয়ে সহজ নিউরাল নেটওয়ার্ক আর্কিটেকচার - এক-স্তরের পারসেপট্রন সম্পর্কে শিখেছি।\n",
|
||||
" * আমরা পারসেপট্রন \"নিজে হাতে\" বাস্তবায়ন করেছি, যেখানে সাধারণ গ্রেডিয়েন্ট ডিজসেন্ট ভিত্তিক প্রশিক্ষণ পদ্ধতি ব্যবহার করা হয়েছে।\n",
|
||||
" * সরলতার পরেও, এক-স্তরের পারসেপট্রন হাতে লেখা সংখ্যাগুলোর স্বীকৃতির মতো জটিল সমস্যাগুলো সমাধান করতে সক্ষম।\n",
|
||||
" * আমরা পারসেপট্রন \"নিজে হাতে\" বাস্তবায়ন করেছি, যেখানে সাধারণ গ্রেডিয়েন্ট ডিজেন্ট ভিত্তিক প্রশিক্ষণ পদ্ধতি ব্যবহার করা হয়েছে।\n",
|
||||
" * সরলতার পরেও, এক-স্তরের পারসেপট্রন হাতে লেখা সংখ্যাগুলোর স্বীকৃতির মতো জটিল সমস্যাগুলো সমাধান করতে পারে।\n",
|
||||
" * এক-স্তরের পারসেপট্রন একটি রৈখিক শ্রেণীবিন্যাসকারী, এবং তাই এটি লজিস্টিক রিগ্রেশনের মতো একই শ্রেণীবিন্যাস ক্ষমতা প্রদান করে।\n",
|
||||
" * নমুনা স্থানে, পারসেপট্রন একটি হাইপারপ্লেন ব্যবহার করে ইনপুট ডেটার দুটি শ্রেণীকে পৃথক করতে পারে।\n"
|
||||
]
|
||||
|
|
@ -1043,16 +1045,16 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"## ক্রেডিট\n",
|
||||
"## ক্রেডিটস\n",
|
||||
"\n",
|
||||
"এই নোটবুকটি [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners)-এর একটি অংশ, এবং এটি [Dmitry Soshnikov](http://soshnikov.com) দ্বারা প্রস্তুত করা হয়েছে। এটি Microsoft Research Cambridge-এ Neural Network Workshop দ্বারা অনুপ্রাণিত। কিছু কোড এবং চিত্রিত উপকরণ [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) এবং [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) এর উপস্থাপনা থেকে নেওয়া হয়েছে, এবং [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) রিপোজিটরি থেকে।\n"
|
||||
"এই নোটবুকটি [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners)-এর একটি অংশ এবং এটি [Dmitry Soshnikov](http://soshnikov.com) দ্বারা প্রস্তুত করা হয়েছে। এটি Microsoft Research Cambridge-এ Neural Network Workshop দ্বারা অনুপ্রাণিত। কিছু কোড এবং চিত্রণমূলক উপকরণ [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) এবং [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) এর উপস্থাপনা থেকে নেওয়া হয়েছে, এবং [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) রিপোজিটরি থেকেও সংগ্রহ করা হয়েছে।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**অস্বীকৃতি**: \nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।\n"
|
||||
"\n---\n\n**অস্বীকৃতি**: \nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1081,8 +1083,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T11:38:37+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:58:01+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "bn"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,31 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:37+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:56:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "bn"
|
||||
}
|
||||
-->
|
||||
# পারসেপট্রনের মাধ্যমে মাল্টি-ক্লাস শ্রেণীবিন্যাস
|
||||
# পারসেপট্রনের মাধ্যমে মাল্টি-ক্লাস শ্রেণীবিভাগ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) থেকে ল্যাব অ্যাসাইনমেন্ট।
|
||||
|
||||
## কাজ
|
||||
|
||||
এই পাঠে আমরা MNIST হাতে লেখা সংখ্যার বাইনারি শ্রেণীবিন্যাসের জন্য যে কোড তৈরি করেছি, তা ব্যবহার করে একটি মাল্টি-ক্লাস শ্রেণীবিন্যাসকারী তৈরি করুন, যা যেকোনো সংখ্যা সনাক্ত করতে সক্ষম হবে। ট্রেন এবং টেস্ট ডেটাসেটে শ্রেণীবিন্যাসের সঠিকতা গণনা করুন এবং কনফিউশন ম্যাট্রিক্স প্রিন্ট করুন।
|
||||
এই পাঠে আমরা MNIST হাতে লেখা সংখ্যার বাইনারি শ্রেণীবিভাগের জন্য যে কোড তৈরি করেছি, তা ব্যবহার করে একটি মাল্টি-ক্লাস শ্রেণীবিভাগ তৈরি করুন যা যেকোনো সংখ্যা সনাক্ত করতে সক্ষম হবে। ট্রেন এবং টেস্ট ডেটাসেটে শ্রেণীবিভাগের সঠিকতা গণনা করুন এবং বিভ্রান্তি ম্যাট্রিক্স প্রিন্ট করুন।
|
||||
|
||||
## পরামর্শ
|
||||
|
||||
1. প্রতিটি সংখ্যার জন্য একটি ডেটাসেট তৈরি করুন, যা "এই সংখ্যা বনাম অন্যান্য সব সংখ্যা" এর জন্য একটি বাইনারি শ্রেণীবিন্যাসকারী হবে।
|
||||
1. বাইনারি শ্রেণীবিন্যাসের জন্য ১০টি ভিন্ন পারসেপট্রন প্রশিক্ষণ দিন (প্রতিটি সংখ্যার জন্য একটি করে)।
|
||||
1. একটি ফাংশন সংজ্ঞায়িত করুন, যা ইনপুট সংখ্যাকে শ্রেণীবিন্যাস করবে।
|
||||
1. প্রতিটি সংখ্যার জন্য একটি ডেটাসেট তৈরি করুন যা "এই সংখ্যা বনাম অন্যান্য সব সংখ্যা" এর জন্য একটি বাইনারি শ্রেণীবিভাগকারী হিসেবে কাজ করবে।
|
||||
2. বাইনারি শ্রেণীবিভাগের জন্য ১০টি ভিন্ন পারসেপট্রন প্রশিক্ষণ দিন (প্রতিটি সংখ্যার জন্য একটি করে)।
|
||||
3. একটি ফাংশন সংজ্ঞায়িত করুন যা ইনপুট সংখ্যাকে শ্রেণীবদ্ধ করবে।
|
||||
|
||||
> **পরামর্শ**: যদি আমরা ১০টি পারসেপট্রনের ওজন একত্রিত করে একটি ম্যাট্রিক্স তৈরি করি, তবে আমরা একটি ম্যাট্রিক্স গুণফল ব্যবহার করে ইনপুট সংখ্যার উপর ১০টি পারসেপট্রন প্রয়োগ করতে পারব। তারপর আউটপুটে `argmax` অপারেশন প্রয়োগ করে সবচেয়ে সম্ভাব্য সংখ্যাটি খুঁজে বের করা যাবে।
|
||||
> **পরামর্শ**: যদি আমরা ১০টি পারসেপট্রনের ওজন একত্রিত করে একটি ম্যাট্রিক্স তৈরি করি, তাহলে আমরা একটি ম্যাট্রিক্স গুণফল ব্যবহার করে ইনপুট সংখ্যার উপর ১০টি পারসেপট্রন প্রয়োগ করতে পারব। আউটপুটে `argmax` অপারেশন প্রয়োগ করলেই সবচেয়ে সম্ভাব্য সংখ্যাটি খুঁজে পাওয়া যাবে।
|
||||
|
||||
## শুরু করার নোটবুক
|
||||
## শুরুর নোটবুক
|
||||
|
||||
ল্যাব শুরু করতে [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) খুলুন।
|
||||
ল্যাব শুরু করতে [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) খুলুন।
|
||||
|
||||
---
|
||||
|
||||
**অস্বীকৃতি**:
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা তার জন্য দায়ী থাকব না।
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:33:18+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T07:00:47+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "mo"
|
||||
}
|
||||
|
|
@ -23,19 +23,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# 人工智慧入門課程 - 課程大綱
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| 人工智慧入門課程 - _速記筆記由 [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| 人工智慧入門課程 - _由 [@girlie_mac](https://twitter.com/girlie_mac) 繪製的手繪筆記_ |
|
||||
|
||||
探索 **人工智慧** (AI) 的世界，透過我們為期 12 週、共 24 節課的課程！課程包含實用的教學內容、測驗及實驗室練習。此課程適合初學者，涵蓋 TensorFlow 和 PyTorch 等工具，以及人工智慧的倫理議題。
|
||||
探索 **人工智慧** (AI) 的世界，透過我們為期 12 週、共 24 節課的課程！課程包含實作教學、測驗以及實驗室練習。此課程適合初學者，涵蓋 TensorFlow 和 PyTorch 等工具，以及人工智慧的倫理議題。
|
||||
|
||||
### 🌐 多語言支援
|
||||
|
||||
#### 透過 GitHub Action 支援 (自動化且保持最新)
|
||||
|
||||
[法文](../fr/README.md) | [西班牙文](../es/README.md) | [德文](../de/README.md) | [俄文](../ru/README.md) | [阿拉伯文](../ar/README.md) | [波斯文 (法爾西)](../fa/README.md) | [烏爾都文](../ur/README.md) | [中文 (簡體)](../zh/README.md) | [中文 (繁體，澳門)](./README.md) | [中文 (繁體，香港)](../hk/README.md) | [中文 (繁體，台灣)](../tw/README.md) | [日文](../ja/README.md) | [韓文](../ko/README.md) | [印地文](../hi/README.md) | [孟加拉文](../bn/README.md) | [馬拉地文](../mr/README.md) | [尼泊爾文](../ne/README.md) | [旁遮普文 (古木基文)](../pa/README.md) | [葡萄牙文 (葡萄牙)](../pt/README.md) | [葡萄牙文 (巴西)](../br/README.md) | [義大利文](../it/README.md) | [波蘭文](../pl/README.md) | [土耳其文](../tr/README.md) | [希臘文](../el/README.md) | [泰文](../th/README.md) | [瑞典文](../sv/README.md) | [丹麥文](../da/README.md) | [挪威文](../no/README.md) | [芬蘭文](../fi/README.md) | [荷蘭文](../nl/README.md) | [希伯來文](../he/README.md) | [越南文](../vi/README.md) | [印尼文](../id/README.md) | [馬來文](../ms/README.md) | [他加祿文 (菲律賓)](../tl/README.md) | [斯瓦希里文](../sw/README.md) | [匈牙利文](../hu/README.md) | [捷克文](../cs/README.md) | [斯洛伐克文](../sk/README.md) | [羅馬尼亞文](../ro/README.md) | [保加利亞文](../bg/README.md) | [塞爾維亞文 (西里爾文)](../sr/README.md) | [克羅埃西亞文](../hr/README.md) | [斯洛維尼亞文](../sl/README.md) | [烏克蘭文](../uk/README.md) | [緬甸文 (緬甸)](../my/README.md)
|
||||
[法文](../fr/README.md) | [西班牙文](../es/README.md) | [德文](../de/README.md) | [俄文](../ru/README.md) | [阿拉伯文](../ar/README.md) | [波斯文 (法爾西)](../fa/README.md) | [烏爾都文](../ur/README.md) | [中文 (簡體)](../zh/README.md) | [中文 (繁體，澳門)](./README.md) | [中文 (繁體，香港)](../hk/README.md) | [中文 (繁體，台灣)](../tw/README.md) | [日文](../ja/README.md) | [韓文](../ko/README.md) | [印地文](../hi/README.md) | [孟加拉文](../bn/README.md) | [馬拉地文](../mr/README.md) | [尼泊爾文](../ne/README.md) | [旁遮普文 (古木基文)](../pa/README.md) | [葡萄牙文 (葡萄牙)](../pt/README.md) | [葡萄牙文 (巴西)](../br/README.md) | [義大利文](../it/README.md) | [波蘭文](../pl/README.md) | [土耳其文](../tr/README.md) | [希臘文](../el/README.md) | [泰文](../th/README.md) | [瑞典文](../sv/README.md) | [丹麥文](../da/README.md) | [挪威文](../no/README.md) | [芬蘭文](../fi/README.md) | [荷蘭文](../nl/README.md) | [希伯來文](../he/README.md) | [越南文](../vi/README.md) | [印尼文](../id/README.md) | [馬來文](../ms/README.md) | [他加祿文 (菲律賓)](../tl/README.md) | [斯瓦希里文](../sw/README.md) | [匈牙利文](../hu/README.md) | [捷克文](../cs/README.md) | [斯洛伐克文](../sk/README.md) | [羅馬尼亞文](../ro/README.md) | [保加利亞文](../bg/README.md) | [塞爾維亞文 (西里爾字母)](../sr/README.md) | [克羅埃西亞文](../hr/README.md) | [斯洛維尼亞文](../sl/README.md) | [烏克蘭文](../uk/README.md) | [緬甸文 (緬甸)](../my/README.md)
|
||||
|
||||
**如果您希望支援其他語言，請參考 [此處](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**如果您希望支援其他語言，請參考 [此處](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) 列出的支援語言**
|
||||
|
||||
## 加入社群
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
|
@ -48,21 +48,21 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
* 不同的人工智慧方法，包括「經典」符號方法，透過 **知識表示** 和推理 ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))。
|
||||
* **神經網路** 和 **深度學習**，這是現代人工智慧的核心。我們將使用兩個最受歡迎的框架 [TensorFlow](http://Tensorflow.org) 和 [PyTorch](http://pytorch.org) 的程式碼來說明這些重要主題的概念。
|
||||
* **神經架構**，用於處理影像和文字。我們將涵蓋近期的模型，但可能稍微缺乏最前沿的技術。
|
||||
* 用於處理影像和文字的 **神經架構**。我們將涵蓋近期的模型，但可能稍微缺乏最前沿的技術。
|
||||
* 不太流行的人工智慧方法，例如 **遺傳演算法** 和 **多代理系統**。
|
||||
|
||||
我們不會在這門課程中涵蓋：
|
||||
|
||||
> [在 Microsoft Learn 的課程集合中找到所有額外資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [在 Microsoft Learn 集合中找到所有額外的課程資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **人工智慧在商業中的應用案例**。建議參加 [商業使用者的人工智慧入門](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，或由 [INSEAD](https://www.insead.edu/) 合作開發的 [AI 商業學院](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。
|
||||
* **人工智慧在商業中的應用案例**。建議參加 [商業用戶的人工智慧入門](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，或由 [INSEAD](https://www.insead.edu/) 合作開發的 [AI 商業學院](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。
|
||||
* **經典機器學習**，這在我們的 [機器學習入門課程](http://github.com/Microsoft/ML-for-Beginners) 中有詳細描述。
|
||||
* 使用 **[認知服務](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 建立的實際人工智慧應用。建議從 Microsoft Learn 的模組開始，例如 [影像](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)、[自然語言處理](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)、**[Azure OpenAI Service 的生成式人工智慧](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** 等。
|
||||
* 特定的機器學習 **雲端框架**，例如 [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) 或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。建議參加 [使用 Azure Machine Learning 建立和操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) 和 [使用 Azure Databricks 建立和操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) 學習路徑。
|
||||
* 使用 **[認知服務](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 建立的實際人工智慧應用。建議從 Microsoft Learn 的模組開始，例如 [視覺](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)、[自然語言處理](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)、**[Azure OpenAI Service 的生成式人工智慧](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** 等。
|
||||
* 特定的機器學習 **雲端框架**，例如 [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) 或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。建議使用 [Azure Machine Learning 建立和操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) 和 [Azure Databricks 建立和操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) 學習路徑。
|
||||
* **對話式人工智慧** 和 **聊天機器人**。有一個單獨的 [建立對話式人工智慧解決方案](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，您也可以參考 [這篇部落格文章](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) 了解更多細節。
|
||||
* **深度學習的數學基礎**。建議參考 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 的 [深度學習](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)，也可在線上取得 [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)。
|
||||
* **深度學習的數學基礎**。建議參考 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 所著的 [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)，此書也可在線上取得：[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)。
|
||||
|
||||
若想輕鬆入門 _雲端人工智慧_ 主題，建議參加 [在 Azure 上開始人工智慧學習](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) 學習路徑。
|
||||
若想輕鬆入門 _雲端人工智慧_ 主題，建議參加 [Azure 人工智慧入門](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) 學習路徑。
|
||||
|
||||
# 課程內容
|
||||
|
||||
|
|
@ -90,7 +90,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
| 14 | [語義詞嵌入. Word2Vec 和 GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [語言建模. 訓練自己的嵌入](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [實驗](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [循環神經網絡（RNNs）](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [生成式循環網絡](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [實驗](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [生成型循環網絡](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [實驗](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [命名實體識別（NER）](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [實驗](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [大型語言模型、提示編程與少樣本任務](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
|
|
@ -108,18 +108,18 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* 預讀材料
|
||||
* 可執行的 Jupyter 筆記本，通常針對特定框架（**PyTorch** 或 **TensorFlow**）。可執行的筆記本還包含大量理論材料，因此要理解主題，您需要至少完成一個版本的筆記本（PyTorch 或 TensorFlow）。
|
||||
* **實驗**（Labs）可用於某些主題，讓您有機會將所學材料應用於特定問題。
|
||||
* 某些章節包含指向 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 模組的連結，涵蓋相關主題。
|
||||
* 部分章節包含指向 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 模組的連結，涵蓋相關主題。
|
||||
|
||||
## 開始學習
|
||||
## 開始使用
|
||||
|
||||
- 我們已創建一個 [設置課程](./lessons/0-course-setup/setup.md)，幫助您設置開發環境。 - 對於教育工作者，我們也創建了一個 [課程設置課程](./lessons/0-course-setup/for-teachers.md)！
|
||||
- 我們已創建 [設置課程](./lessons/0-course-setup/setup.md)，幫助您設置開發環境。 - 對於教育工作者，我們也創建了 [課程設置指南](./lessons/0-course-setup/for-teachers.md)！
|
||||
- 如何 [在 VSCode 或 Codepace 中運行代碼](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
請按照以下步驟：
|
||||
|
||||
Fork 此倉庫：點擊此頁面右上角的 "Fork" 按鈕。
|
||||
分叉（Fork）倉庫：點擊此頁面右上角的 "Fork" 按鈕。
|
||||
|
||||
克隆倉庫：`git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
克隆（Clone）倉庫：`git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
別忘了給此倉庫加星（🌟），以便日後更容易找到。
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Fork 此倉庫：點擊此頁面右上角的 "Fork" 按鈕。
|
|||
如果您在構建過程中有產品反饋或問題，請訪問我們的 [Azure AI Foundry 開發者論壇](https://aka.ms/foundry/forum)
|
||||
|
||||
## 測驗
|
||||
> **關於測驗的注意事項**：所有測驗都包含在 Quiz-app 資料夾中，位於 etc\quiz-app，或可在[線上查看](https://ff-quizzes.netlify.app/)。它們已在課程中連結，測驗應用程式可以在本地執行或部署到 Azure；請按照 `quiz-app` 資料夾中的指示操作。測驗正在逐步進行本地化。
|
||||
> **關於測驗的注意事項**：所有測驗都包含在 Quiz-app 資料夾中，位於 etc\quiz-app，或[線上版本](https://ff-quizzes.netlify.app/)。它們已在課程中連結，測驗應用程式可以在本地執行或部署到 Azure；請按照 `quiz-app` 資料夾中的指示操作。測驗正在逐步進行本地化。
|
||||
## 幫助需求
|
||||
|
||||
您有任何建議或發現拼寫或程式碼錯誤嗎？請提交一個問題或建立一個拉取請求。
|
||||
|
|
@ -160,9 +160,9 @@ Fork 此倉庫：點擊此頁面右上角的 "Fork" 按鈕。
|
|||
- [XR 開發初學者課程](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [精通 GitHub Copilot 的智能應用](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [精通 GitHub Copilot 的 C#/.NET 開發者課程](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [選擇你的 Copilot 冒險](https://github.com/microsoft/CopilotAdventures)
|
||||
- [選擇你的 Copilot 冒險之旅](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**免責聲明**：
|
||||
本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。
|
||||
本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而產生的任何誤解或錯誤解讀概不負責。
|
||||
|
|
@ -11,11 +11,11 @@
|
|||
"source": [
|
||||
"## 感知器\n",
|
||||
"\n",
|
||||
"> 此筆記本是 [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) 的一部分。請造訪該儲存庫以獲取完整的學習資料。\n",
|
||||
"> 本筆記本是 [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) 的一部分。請訪問該倉庫以獲取完整的學習資料。\n",
|
||||
"\n",
|
||||
"如我們所討論的，感知器可以用來解決**二元分類問題**，也就是將輸入範例分類為兩個類別——我們可以稱之為**正類**和**負類**。\n",
|
||||
"如我們所討論的，感知器可以用來解決**二元分類問題**，也就是將輸入範例分類為兩個類別——我們可以稱它們為**正類**和**負類**。\n",
|
||||
"\n",
|
||||
"首先，讓我們匯入一些必要的函式庫。\n"
|
||||
"首先，讓我們導入一些必要的庫。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -49,7 +49,7 @@
|
|||
"source": [
|
||||
"## 玩具問題\n",
|
||||
"\n",
|
||||
"首先，我們從一個玩具問題開始，這個問題包含兩個輸入特徵。例如，在醫學中，我們可能希望根據腫瘤的大小和年齡將其分類為良性或惡性。\n",
|
||||
"首先，讓我們從一個玩具問題開始，這個問題包含兩個輸入特徵。例如，在醫學中，我們可能希望根據腫瘤的大小和年齡將其分類為良性或惡性。\n",
|
||||
"\n",
|
||||
"我們將使用 SciKit Learn 庫中的 `make_classification` 函數生成一個隨機分類數據集：\n"
|
||||
]
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"然而，一般的線性模型通常還需要一個偏置項，也就是說，理想情況下我們應該計算 $y$ 為 $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$。為了簡化模型，我們可以通過在輸入特徵中添加一個始終等於 1 的維度來消除這個偏置項：\n"
|
||||
"然而，一般的線性模型通常還需要一個偏置項，也就是說，理想情況下我們應該計算 $y$ 為 $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$。為了簡化模型，我們可以通過在輸入特徵中添加一個始終等於 1 的維度來去除這個偏置項：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,20 +206,20 @@
|
|||
"source": [
|
||||
"## 訓練算法\n",
|
||||
"\n",
|
||||
"為了訓練感知器，我們需要找出權重 $\\mathbf{w}$，以最小化錯誤。錯誤是使用**感知器準則**定義的：\n",
|
||||
"為了訓練感知器，我們需要找出權重 $\\mathbf{w}$，以最小化錯誤。錯誤是通過**感知器準則**定義的：\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ 分別代表負樣本和正樣本\n",
|
||||
" * $\\mathcal{M}$ - 錯誤分類的樣本集合\n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ 分別對應於負樣本和正樣本\n",
|
||||
" * $\\mathcal{M}$ - 被錯誤分類的樣本集合\n",
|
||||
" \n",
|
||||
"我們將使用**梯度下降**的過程。從一些初始隨機權重 $\\mathbf{w}^{(0)}$ 開始，我們會在訓練的每一步根據 $E$ 的梯度調整權重：\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"其中 $\\eta$ 是**學習率**，$\\tau\\in\\mathbb{N}$ 是迭代次數。\n",
|
||||
"其中 $\\eta$ 是**學習率**，$\\tau\\in\\mathbb{N}$ 表示迭代次數。\n",
|
||||
"\n",
|
||||
"讓我們用 Python 定義這個算法：\n"
|
||||
"我們用 Python 定義這個算法：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -309,9 +309,9 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"如你所見，初始準確率約為 50%，但很快就提升至接近 90% 的高值。\n",
|
||||
"正如你所見，初始準確率約為 50%，但很快就會提升到接近 90% 的高值。\n",
|
||||
"\n",
|
||||
"讓我們來視覺化類別的分隔情況。我們的分類函數形式為 $\\mathbf{w}^Tx$，對於某一類別，其值大於 0；對於另一類別，其值則小於 0。因此，類別分隔線由 $\\mathbf{w}^Tx = 0$ 定義。由於我們只有兩個維度 $x_0$ 和 $x_1$，該直線的方程式為 $w_0x_0+w_1x_1+w_2 = 0$（請記住，我們已明確定義了一個額外的維度 $x_2=1$）。現在讓我們繪製這條直線：\n"
|
||||
"讓我們來視覺化類別是如何分開的。我們的分類函數看起來像 $\\mathbf{w}^Tx$，對於某一類別，它大於 0；對於另一類別，它小於 0。因此，類別分隔線由 $\\mathbf{w}^Tx = 0$ 定義。由於我們只有兩個維度 $x_0$ 和 $x_1$，該直線的方程式為 $w_0x_0+w_1x_1+w_2 = 0$（記住，我們已經明確定義了一個額外的維度 $x_2=1$）。讓我們繪製這條直線：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## 在測試數據集上進行評估\n",
|
||||
"\n",
|
||||
"一開始，我們已經將部分數據分離出來作為測試數據集。現在來看看我們的分類器在這個測試數據集上的準確度如何。為了做到這一點，我們需要將測試數據集擴展一個額外的維度，與權重矩陣相乘，並確保得到的值與標籤的符號一致（+1 或 -1）。接著，我們將所有布林值相加，並除以測試樣本的長度，來計算出準確度：\n"
|
||||
"一開始，我們已經將部分數據分離出來作為測試數據集。現在來看看我們的分類器在這個測試數據集上的準確性如何。為了做到這一點，我們需要將測試數據集擴展一個額外的維度，與權重矩陣相乘，並確保得到的值與標籤的符號一致（+1 或 -1）。接著，我們將所有布林值相加，並除以測試樣本的長度，來計算準確率：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## 觀察訓練過程\n",
|
||||
"\n",
|
||||
"我們之前已經看到，準確率在訓練過程中會下降。能夠觀察分隔線在訓練過程中的變化會很有趣。以下的程式碼會將所有內容可視化在一個圖表上，您可以移動滑桿來「時光倒流」，查看訓練過程中的不同階段。\n"
|
||||
"我們之前已經看到，準確率在訓練過程中會下降。能夠觀察分隔線在訓練過程中的變化會很有趣。以下的程式碼會將所有內容可視化在一個圖表上，您可以移動滑桿來「時光倒流」檢視訓練過程。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -528,16 +528,16 @@
|
|||
"source": [
|
||||
"## 感知器的限制\n",
|
||||
"\n",
|
||||
"如上所述，感知器是一種**線性分類器**。如果兩個類別是**線性可分**的，也就是可以用一條直線分開，那麼感知器可以很好地區分它們。否則，感知器的訓練過程將無法收斂。\n",
|
||||
"如上所述，感知器是一種**線性分類器**。如果兩個類別是**線性可分**的，也就是說可以用一條直線分開，那麼感知器可以很好地區分它們。否則，感知器的訓練過程將無法收斂。\n",
|
||||
"\n",
|
||||
"一個最明顯的例子是感知器無法解決的問題，即所謂的**XOR問題**。我們希望感知器能學習XOR布林函數，其真值表如下：\n",
|
||||
"一個最明顯的例子是感知器無法解決的問題，即所謂的**XOR 問題**。我們希望感知器學習 XOR 布林函數，其真值表如下：\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"讓我們試試看！我們將手動填入所有正樣本和負樣本，然後調用我們之前定義的訓練函數：\n"
|
||||
"讓我們試試看！我們將手動填入所有正樣本和負樣本，然後調用上面定義的訓練函數：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -604,21 +604,21 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"從上圖可以看出，準確率永遠不會超過 75%，因為不可能畫出一條直線來正確涵蓋所有可能的例子。\n",
|
||||
"從上圖可以看出，準確率從未超過 75%，因為無法畫出一條直線來正確分類所有可能的例子。\n",
|
||||
"\n",
|
||||
"XOR 問題是感知器局限性的經典例子，這一點在 1969 年由 Marvin Minsky 和 Seymour Papert 在他們的書籍 [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) 中指出。這一觀察限制了神經網絡領域的研究近十年，儘管——我們會在課程的下一部分看到——多層感知器完全有能力解決這類問題。\n",
|
||||
"XOR 問題是感知器（perceptron）局限性的經典範例，這一點在 1969 年由 Marvin Minsky 和 Seymour Papert 在他們的書籍 [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) 中提出。這一觀察限制了神經網絡領域的研究近 10 年，儘管如此——我們會在課程的下一節看到——多層感知器（multi-layered perceptrons）完全能夠解決這類問題。\n",
|
||||
"\n",
|
||||
"## 複雜範例 - MNIST\n",
|
||||
"\n",
|
||||
"儘管感知器無法解決 XOR 問題，但它可以解決更多複雜的問題，例如手寫字符識別。\n",
|
||||
"雖然感知器無法解決 XOR 問題，但它可以解決許多更為複雜的問題，例如手寫字符識別。\n",
|
||||
"\n",
|
||||
"在學習機器學習時，經常使用的一個數據集叫做 [MNIST](https://en.wikipedia.org/wiki/MNIST_database)。它由美國國家標準技術研究所（Modified National Institute of Standards and Technology）創建，包含一個由 60000 個手寫數字組成的訓練集，這些數字來自研究所的約 250 名學生和員工。此外，還有一個由 10000 個數字組成的測試數據集，這些數字來自不同的個體。\n",
|
||||
"在學習機器學習時，經常使用的一個數據集叫做 [MNIST](https://en.wikipedia.org/wiki/MNIST_database)。這個數據集由美國國家標準與技術研究院（Modified National Institute of Standards and Technology）創建，包含一個由 60000 個手寫數字組成的訓練集，這些數字來自該研究院約 250 名學生和員工。此外，還有一個由 10000 個數字組成的測試數據集，這些數字來自不同的個體。\n",
|
||||
"\n",
|
||||
"所有數字都以 28x28 像素的灰度圖像表示。\n",
|
||||
"\n",
|
||||
"> MNIST 數據集作為一個訓練競賽可在 [Kaggle](https://www.kaggle.com/c/digit-recognizer) 上找到，Kaggle 是一個舉辦機器學習競賽和比賽的網站。一旦你學會如何分類 MNIST 數字，你可以將你的解決方案提交到 Kaggle，看看它在其他參賽者中的排名。\n",
|
||||
"> MNIST 數據集作為一個訓練競賽可在 [Kaggle](https://www.kaggle.com/c/digit-recognizer) 上獲取，Kaggle 是一個舉辦機器學習競賽和比賽的網站。一旦你學會如何分類 MNIST 數字，你可以將你的解決方案提交到 Kaggle，看看你的表現如何與其他參賽者相比。\n",
|
||||
"\n",
|
||||
"我們首先載入 MNIST 數據集：\n"
|
||||
"我們從加載 MNIST 數據集開始：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"因為感知器是一個二元分類器，我們將把問題限制為僅識別兩個數字。下面的函數將使用兩個給定的數字填充正樣本和負樣本數組（並且還會顯示這些數字的樣本以便清楚）。\n"
|
||||
"因為感知器是一個二元分類器，我們將把問題限制為僅識別兩個數字。以下函數將使用兩個給定的數字填充正樣本和負樣本數組（並且還會顯示這些數字的樣本以便清楚）。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -734,7 +734,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"我們將開始嘗試在 0 和 1 之間進行分類：\n"
|
||||
"我們將從嘗試在 0 和 1 之間進行分類開始：\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,11 +830,11 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"請注意，準確率會非常快速地接近 100%。\n",
|
||||
"請注意，準確率會非常快速地接近接近 100%。\n",
|
||||
"\n",
|
||||
"請將滑桿移動到訓練接近尾聲的位置，觀察左側繪製的權重矩陣。這個矩陣可以幫助你理解感知器的實際運作方式。你可以看到矩陣中間的高權重值，這些對應於數字 1 通常出現的像素位置；而在矩陣兩側則是低的負值，這些對應於數字 0 的部分。因此，如果呈現給感知器的數字確實是 1，那麼中間部分的像素會與高權重值相乘，產生正的結果。相反地，當感知器觀察到數字 0 時，對應的像素會與負數相乘。\n",
|
||||
"請將滑桿移動到訓練過程接近尾聲的位置，並觀察左側繪製的權重矩陣。這個矩陣將幫助你理解感知器的實際運作方式。你可以看到在矩陣中間的高權重值，這些對應於數字 1 通常出現的像素位置；而在矩陣兩側則是低的負值，這些對應於數字 0 的部分。因此，如果呈現給感知器的數字確實是 1，那麼中間部分的像素將與高權重值相乘，產生正的結果。相反地，當感知器觀察到數字 0 時，對應的像素將與負數相乘。\n",
|
||||
"\n",
|
||||
"> 你可能會注意到，如果我們給感知器一個稍微水平偏移的數字 1，使其像素佔據了數字 0 垂直部分的位置，我們可能會得到錯誤的結果。由於 MNIST 數據集的特性，所有數字都是居中且正確定位的，而感知器依賴這一點來區分數字。\n",
|
||||
"> 你可能會注意到，如果我們給感知器一個稍微水平偏移的數字 1，導致其像素佔據了數字 0 垂直部分的位置，那麼我們可能會得到錯誤的結果。由於 MNIST 數據集的特性是所有數字都居中且定位正確，而感知器正是依賴這一點來區分數字。\n",
|
||||
"\n",
|
||||
"現在讓我們嘗試不同的數字：\n"
|
||||
]
|
||||
|
|
@ -916,7 +916,7 @@
|
|||
"\n",
|
||||
"為了理解為什麼會發生這種情況，我們可以嘗試使用[主成分分析](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA)。這是一種機器學習技術，用於降低輸入數據集的維度，以便獲得最佳的類別可分性。\n",
|
||||
"\n",
|
||||
"在我們的例子中，一張輸入圖片有 784 個像素（輸入特徵），我們希望使用 PCA 將參數數量減少到僅僅 2 個，這樣我們就可以在圖上繪製它們。這兩個參數將是原始特徵的線性組合，我們可以將這個過程視為“旋轉”原始的 784 維空間，並觀察其在 2D 空間中的投影，直到我們獲得最佳的視角來分離類別。\n"
|
||||
"在我們的例子中，輸入圖像有 784 個像素（輸入特徵），我們希望使用 PCA 將參數數量減少到僅僅 2 個，這樣我們就可以在圖表上繪製它們。這兩個參數將是原始特徵的線性組合，我們可以將這個過程視為“旋轉”我們原本的 784 維空間，並觀察其投影到 2D 空間的結果，直到我們獲得最佳的視角來分離類別。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1026,17 +1026,17 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"如你所見，0 和 1 可以用一條直線清楚地分隔開來。這表明在原始的784維空間中，對應於數字的點也是線性可分的。至於數字2和5，我們無法找到能清楚分隔這些數字的良好投影，因此會出現一些錯誤分類的情況。\n",
|
||||
"如你所見，0 和 1 可以用一條直線清楚地分開。這表明在原始的 784 維空間中，對應於這些數字的點也是線性可分的。而對於 2 和 5，我們無法找到一個能清楚分開這些數字的良好投影，因此會出現一些錯誤分類的情況。\n",
|
||||
"\n",
|
||||
"> 在這門課程的後續部分，我們將學習如何使用神經網絡來建立非線性分類器，以及如何解決數字未正確對齊的問題。不久之後，我們將在MNIST數字分類中達到超過99%的準確率，同時將數字分類為10個不同的類別。\n",
|
||||
"> 在這門課程的後續部分，我們將學習如何使用神經網絡來創建非線性分類器，以及如何處理數字未正確對齊的問題。不久之後，我們將在 MNIST 數字分類中達到超過 99% 的準確率，同時將這些數字分類為 10 個不同的類別。\n",
|
||||
"\n",
|
||||
"## 重點\n",
|
||||
"## 重點回顧\n",
|
||||
"\n",
|
||||
" * 我們學習了最簡單的神經網絡架構——單層感知器。\n",
|
||||
" * 我們通過手動實現了感知器，使用基於梯度下降的簡單訓練程序。\n",
|
||||
" * 儘管簡單，單層感知器可以解決相當複雜的手寫數字識別問題。\n",
|
||||
" * 單層感知器是一個線性分類器，因此它提供了與邏輯回歸相同的分類能力。\n",
|
||||
" * 在樣本空間中，感知器可以使用超平面分隔輸入數據的兩個類別。\n"
|
||||
" * 我們手動實現了感知器，使用基於梯度下降的簡單訓練過程。\n",
|
||||
" * 儘管簡單，單層感知器仍能解決手寫數字識別這樣相對複雜的問題。\n",
|
||||
" * 單層感知器是一種線性分類器，因此它提供的分類能力與邏輯回歸相同。\n",
|
||||
" * 在樣本空間中，感知器可以使用超平面分開兩類輸入數據。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1045,14 +1045,14 @@
|
|||
"source": [
|
||||
"## 致謝\n",
|
||||
"\n",
|
||||
"此筆記本是 [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) 的一部分，由 [Dmitry Soshnikov](http://soshnikov.com) 編寫，靈感來自於微軟劍橋研究院的神經網路工作坊。一些程式碼和示例材料取自 [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/)、[Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) 和 [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) 的演示文稿，以及 [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) 資源庫。\n"
|
||||
"此筆記本是 [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) 的一部分，由 [Dmitry Soshnikov](http://soshnikov.com) 編寫。靈感來自於微軟劍橋研究院的神經網絡工作坊。一些程式碼和示例材料取自 [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/)、[Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) 和 [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) 的演示文稿，以及 [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) 資源庫。\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**免責聲明**： \n本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。\n"
|
||||
"\n---\n\n**免責聲明**： \n本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而產生的任何誤解或錯誤解讀概不負責。\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1081,8 +1081,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T11:40:51+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T07:07:26+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "mo"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,15 +1,15 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:30+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T07:06:01+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "mo"
|
||||
}
|
||||
-->
|
||||
# 使用感知器進行多類別分類
|
||||
|
||||
來自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的實驗作業。
|
||||
來自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的實驗課程。
|
||||
|
||||
## 任務
|
||||
|
||||
|
|
@ -21,11 +21,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
1. 訓練 10 個不同的感知器進行二元分類（每個數字一個感知器）。
|
||||
1. 定義一個函數，用於分類輸入的數字。
|
||||
|
||||
> **提示**：如果我們將所有 10 個感知器的權重合併成一個矩陣，我們應該能夠透過一次矩陣乘法將所有 10 個感知器應用於輸入數字。最可能的數字可以透過對輸出進行 `argmax` 操作來找到。
|
||||
> **提示**：如果我們將所有 10 個感知器的權重合併成一個矩陣，我們應該能夠透過一次矩陣乘法將所有 10 個感知器應用到輸入數字上。最可能的數字可以透過對輸出進行 `argmax` 操作來找到。
|
||||
|
||||
## 起始筆記本
|
||||
|
||||
開啟 [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) 開始實驗。
|
||||
開啟 [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) 開始實驗。
|
||||
|
||||
---
|
||||
|
||||
**免責聲明**：
|
||||
本文檔已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
|
||||
本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:05:12+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:44:32+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "mr"
|
||||
}
|
||||
|
|
@ -21,74 +21,74 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott)
|
||||
|
||||
# नवशिक्यांसाठी कृत्रिम बुद्धिमत्ता - अभ्यासक्रम
|
||||
# नवशिक्यांसाठी कृत्रिम बुद्धिमत्ता - अभ्यासक्रम
|
||||
|
||||
||
|
||||
|:---:|
|
||||
| नवशिक्यांसाठी AI - _[@girlie_mac](https://twitter.com/girlie_mac) यांचे स्केच_ |
|
||||
||
|
||||
|:---:|
|
||||
| नवशिक्यांसाठी AI - _[@girlie_mac](https://twitter.com/girlie_mac) यांचे स्केच नोट_ |
|
||||
|
||||
**कृत्रिम बुद्धिमत्ता** (AI) च्या जगात आमच्या 12 आठवड्यांच्या, 24 धड्यांच्या अभ्यासक्रमासह प्रवास करा! यात व्यावहारिक धडे, प्रश्नमंजुषा आणि प्रयोगशाळा समाविष्ट आहेत. हा अभ्यासक्रम नवशिक्यांसाठी अनुकूल आहे आणि TensorFlow आणि PyTorch यांसारख्या साधनांसह AI मधील नैतिकतेवर प्रकाश टाकतो.
|
||||
**कृत्रिम बुद्धिमत्ता** (AI) च्या जगात 12 आठवड्यांचा, 24 धड्यांचा अभ्यासक्रम शोधा! यात प्रात्यक्षिक धडे, प्रश्नमंजुषा आणि प्रयोगशाळा समाविष्ट आहेत. हा अभ्यासक्रम नवशिक्यांसाठी अनुकूल आहे आणि TensorFlow आणि PyTorch यांसारख्या साधनांसह AI मधील नैतिकतेचा समावेश करतो.
|
||||
|
||||
### 🌐 बहुभाषिक समर्थन
|
||||
### 🌐 बहुभाषिक समर्थन
|
||||
|
||||
#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)
|
||||
#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**जर तुम्हाला अतिरिक्त भाषांमध्ये भाषांतर हवे असेल तर [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध भाषांमध्ये समर्थन उपलब्ध आहे.**
|
||||
**जर तुम्हाला अतिरिक्त भाषांमध्ये भाषांतर हवे असेल, तर समर्थित भाषांची यादी [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) पाहा.**
|
||||
|
||||
## समुदायामध्ये सामील व्हा
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## तुम्ही काय शिकाल
|
||||
## तुम्ही काय शिकाल
|
||||
|
||||
**[अभ्यासक्रमाचा मनाचा नकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[अभ्यासक्रमाचा मनोमनी नकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
या अभ्यासक्रमात तुम्ही शिकाल:
|
||||
या अभ्यासक्रमात, तुम्ही शिकाल:
|
||||
|
||||
* कृत्रिम बुद्धिमत्तेचे विविध दृष्टिकोन, ज्यामध्ये **ज्ञान प्रतिनिधित्व** आणि तर्कसंगततेसह "चांगले जुने" प्रतीकात्मक दृष्टिकोन ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) समाविष्ट आहे.
|
||||
* **न्यूरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI च्या केंद्रस्थानी आहेत. आम्ही या महत्त्वाच्या विषयांमागील संकल्पना दोन लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) आणि [PyTorch](http://pytorch.org) चा कोड वापरून स्पष्ट करू.
|
||||
* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्यूरल आर्किटेक्चर्स**. आम्ही अलीकडील मॉडेल्स कव्हर करू, परंतु अत्याधुनिक तंत्रज्ञान थोडे कमी असू शकते.
|
||||
* कमी लोकप्रिय AI दृष्टिकोन, जसे की **Genetic Algorithms** आणि **Multi-Agent Systems**.
|
||||
* कृत्रिम बुद्धिमत्तेचे विविध दृष्टिकोन, ज्यामध्ये **ज्ञानाचे प्रतिनिधित्व** आणि तर्क यांसह "जुने चांगले" प्रतीकात्मक दृष्टिकोन ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) समाविष्ट आहे.
|
||||
* **न्यूरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI च्या केंद्रस्थानी आहेत. आम्ही या महत्त्वाच्या विषयांमागील संकल्पना दोन लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) आणि [PyTorch](http://pytorch.org) च्या कोडसह स्पष्ट करू.
|
||||
* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्यूरल आर्किटेक्चर्स**. आम्ही अलीकडील मॉडेल्स कव्हर करू, परंतु अत्याधुनिकतेत थोडी कमतरता असू शकते.
|
||||
* कमी लोकप्रिय AI दृष्टिकोन, जसे की **जेनेटिक अल्गोरिदम्स** आणि **मल्टी-एजंट सिस्टीम्स**.
|
||||
|
||||
या अभ्यासक्रमात आम्ही काय कव्हर करणार नाही:
|
||||
या अभ्यासक्रमात आम्ही कव्हर करणार नाही:
|
||||
|
||||
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **व्यवसायातील AI** चा वापर करण्याचे व्यवसाय प्रकरण. Microsoft Learn वर [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग किंवा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) सह विकसित केलेला विचार करा.
|
||||
* **क्लासिक मशीन लर्निंग**, जे आमच्या [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मध्ये चांगले वर्णन केले आहे.
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून तयार केलेले व्यावहारिक AI अनुप्रयोग. यासाठी, आम्ही Microsoft Learn मधील [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतर मॉड्यूल्ससह सुरुवात करण्याची शिफारस करतो.
|
||||
* विशिष्ट ML **Cloud Frameworks**, जसे की [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचे मार्ग वापरण्याचा विचार करा.
|
||||
* **संवादी AI** आणि **चॅट बॉट्स**. [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग वेगळा आहे, आणि अधिक तपशीलांसाठी तुम्ही [हा ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) पाहू शकता.
|
||||
* **डीप गणित** जे डीप लर्निंगच्या मागे आहे. यासाठी, आम्ही Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांचे [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) शिफारस करतो, जे [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) वर ऑनलाइन उपलब्ध आहे.
|
||||
* **व्यवसायातील AI चा वापर** याचे व्यवसाय प्रकरणे. [व्यवसाय वापरकर्त्यांसाठी AI ची ओळख](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग किंवा [AI बिझनेस स्कूल](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) सह विकसित केलेला, यावर विचार करा.
|
||||
* **क्लासिक मशीन लर्निंग**, जे आमच्या [नवशिक्यांसाठी मशीन लर्निंग अभ्यासक्रम](http://github.com/Microsoft/ML-for-Beginners) मध्ये चांगल्या प्रकारे वर्णन केले आहे.
|
||||
* **[कॉग्निटिव्ह सर्व्हिसेस](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून तयार केलेल्या व्यावहारिक AI अनुप्रयोगांसाठी, [दृष्टी](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [नैसर्गिक भाषा प्रक्रिया](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतरांसाठी Microsoft Learn मॉड्यूल्ससह प्रारंभ करण्याची शिफारस करतो.
|
||||
* विशिष्ट ML **क्लाउड फ्रेमवर्क्स**, जसे की [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचे मार्ग वापरण्याचा विचार करा.
|
||||
* **संवादी AI** आणि **चॅट बॉट्स**. यासाठी, [संवादी AI सोल्यूशन्स तयार करा](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग आहे, तसेच [या ब्लॉग पोस्टला](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) अधिक तपशीलांसाठी संदर्भित करू शकता.
|
||||
* **डीप लर्निंगमागील गणितीय संकल्पना**. यासाठी, Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांचे [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) वाचण्याची शिफारस करतो, जे [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) येथे ऑनलाइन उपलब्ध आहे.
|
||||
|
||||
_क्लाउडमधील AI_ विषयांमध्ये सौम्य परिचयासाठी तुम्ही [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग विचार करू शकता.
|
||||
_क्लाउडमधील AI_ विषयांची सौम्य ओळख मिळवण्यासाठी, [Azure वर कृत्रिम बुद्धिमत्तेसह प्रारंभ करा](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग घ्या.
|
||||
|
||||
# सामग्री
|
||||
# सामग्री
|
||||
|
||||
| | धड्याचा दुवा | PyTorch/Keras/TensorFlow | प्रयोगशाळा |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास वातावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI ची ओळख**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI ची ओळख आणि इतिहास](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **प्रतीकात्मक AI** |
|
||||
| 02 | [ज्ञान प्रतिनिधित्व आणि तज्ज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ऑन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्प ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**न्यूरल नेटवर्क्सची ओळख**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [मल्टी-लेयर्ड Perceptron आणि आपले स्वतःचे फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| | धड्याचा दुवा | PyTorch/Keras/TensorFlow | प्रयोगशाळा |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [अभ्यासक्रम सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास वातावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI ची ओळख**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI ची ओळख आणि इतिहास](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **प्रतीकात्मक AI** |
|
||||
| 02 | [ज्ञानाचे प्रतिनिधित्व आणि तज्ज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ऑन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्प ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**न्यूरल नेटवर्क्सची ओळख**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [परसेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [मल्टी-लेयर्ड परसेप्ट्रॉन आणि आपले स्वतःचे फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [फ्रेमवर्क्सची ओळख (PyTorch/TensorFlow) आणि ओव्हरफिटिंग](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**कंप्युटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure वर कंप्युटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| IV | [**कंप्युटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [मायक्रोसॉफ्ट Azure वर कंप्युटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [कंप्युटर व्हिजनची ओळख. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [कन्व्होल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [प्रशिक्षण युक्त्या](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 07 | [कन्फ्युलेशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [प्री-ट्रेंड नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [ट्रेनिंग ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ऑटोएन्कोडर्स आणि VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [जनरेटिव्ह अॅडव्हर्सेरियल नेटवर्क्स आणि आर्टिस्टिक स्टाईल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 10 | [जनरेटिव्ह अॅडव्हर्सेरियल नेटवर्क्स आणि आर्टिस्टिक स्टाइल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [सिमॅंटिक सेगमेंटेशन. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**नॅचरल लँग्वेज प्रोसेसिंग**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure वर नॅचरल लँग्वेज प्रोसेसिंग एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 12 | [सेमॅंटिक सेगमेंटेशन. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**नॅचरल लँग्वेज प्रोसेसिंग**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [मायक्रोसॉफ्ट Azure वर नॅचरल लँग्वेज प्रोसेसिंग एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [टेक्स्ट रिप्रेझेंटेशन. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [सिमॅंटिक वर्ड एम्बेडिंग्स. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [लँग्वेज मॉडेलिंग. स्वतःचे एम्बेडिंग्स प्रशिक्षण द्या](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 14 | [सेमॅंटिक वर्ड एम्बेडिंग्ज. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [लँग्वेज मॉडेलिंग. स्वतःचे एम्बेडिंग्ज तयार करा](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [रिकरंट न्यूरल नेटवर्क्स](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [जनरेटिव्ह रिकरंट नेटवर्क्स](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [प्रयोगशाळा](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ट्रान्सफॉर्मर्स. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
|
|
@ -97,46 +97,45 @@ _क्लाउडमधील AI_ विषयांमध्ये सौम
|
|||
| VI | **इतर AI तंत्रज्ञान** || |
|
||||
| 21 | [जेनेटिक अल्गोरिदम्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [डीप रिइन्फोर्समेंट लर्निंग](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [प्रयोगशाळा](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [मल्टी-एजंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI नैतिकता** | | |
|
||||
| 24 | [AI नैतिकता आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 23 | [मल्टी-एजंट सिस्टीम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI नीतिशास्त्र** | | |
|
||||
| 24 | [AI नीतिशास्त्र आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **अतिरिक्त** | | |
|
||||
| 25 | [मल्टी-मोडल नेटवर्क्स, CLIP आणि VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## प्रत्येक धड्यात समाविष्ट आहे
|
||||
|
||||
* पूर्व-वाचन साहित्य
|
||||
* कार्यक्षम Jupyter नोटबुक्स, जे प्रामुख्याने फ्रेमवर्क (**PyTorch** किंवा **TensorFlow**) साठी विशिष्ट आहेत. कार्यक्षम नोटबुकमध्ये बरेच सैद्धांतिक साहित्य देखील असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला किमान एक नोटबुक (PyTorch किंवा TensorFlow) वाचणे आवश्यक आहे.
|
||||
* **प्रयोगशाळा** काही विषयांसाठी उपलब्ध आहेत, ज्या तुम्हाला शिकलेल्या सामग्रीचा विशिष्ट समस्येवर उपयोग करण्याची संधी देतात.
|
||||
* काही विभागांमध्ये संबंधित विषयांवर [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूल्सचे दुवे आहेत.
|
||||
* पूर्व-वाचन साहित्य
|
||||
* कार्यक्षम Jupyter नोटबुक्स, जे प्रामुख्याने फ्रेमवर्क (**PyTorch** किंवा **TensorFlow**) साठी विशिष्ट असतात. कार्यक्षम नोटबुकमध्ये बऱ्याच प्रमाणात सैद्धांतिक सामग्री असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला किमान एक नोटबुक (PyTorch किंवा TensorFlow) वाचणे आवश्यक आहे.
|
||||
* **प्रयोगशाळा** काही विषयांसाठी उपलब्ध आहेत, ज्या तुम्हाला शिकलेल्या सामग्रीचा विशिष्ट समस्यांवर उपयोग करण्याची संधी देतात.
|
||||
* काही विभागांमध्ये [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूल्सचे दुवे आहेत, जे संबंधित विषयांवर प्रकाश टाकतात.
|
||||
|
||||
## सुरुवात कशी करावी
|
||||
|
||||
- तुमच्या विकास वातावरणाची सेटअप करण्यात मदत करण्यासाठी आम्ही [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे.
|
||||
- शिक्षकांसाठी, आम्ही [शिक्षकांसाठी अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) देखील तयार केला आहे!
|
||||
- [VSCode किंवा Codepace मध्ये कोड कसा चालवायचा](./lessons/0-course-setup/how-to-run.md) याबद्दल जाणून घ्या.
|
||||
- तुमच्या विकास वातावरणाची सेटअप करण्यात मदत करण्यासाठी आम्ही [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे. - शिक्षकांसाठी, आम्ही [शिक्षकांसाठी अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) देखील तयार केला आहे!
|
||||
- [VSCode किंवा Codepace मध्ये कोड कसा चालवायचा](./lessons/0-course-setup/how-to-run.md) याबद्दल जाणून घ्या.
|
||||
|
||||
या चरणांचे अनुसरण करा:
|
||||
|
||||
रेपॉझिटरी फोर्क करा: या पृष्ठाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
|
||||
रेपॉजिटरी फोर्क करा: या पृष्ठाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
|
||||
|
||||
रेपॉझिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
रेपॉजिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
या रेपोला नंतर सोपे सापडण्यासाठी स्टार (🌟) करायला विसरू नका.
|
||||
या रेपॉजिटरीला नंतर सोपे सापडण्यासाठी स्टार (🌟) करायला विसरू नका.
|
||||
|
||||
## इतर शिकणाऱ्यांना भेटा
|
||||
|
||||
आमच्या [अधिकृत AI Discord सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा, जिथे तुम्ही या कोर्सचे इतर शिकणारे लोक भेटू शकता आणि नेटवर्किंग करू शकता तसेच मदत मिळवू शकता.
|
||||
आमच्या [अधिकृत AI Discord सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा, जिथे तुम्ही या कोर्समध्ये सहभागी होणाऱ्या इतर शिकणाऱ्यांशी संवाद साधू शकता आणि मदत मिळवू शकता.
|
||||
|
||||
जर तुम्हाला उत्पादनाबद्दल अभिप्राय द्यायचा असेल किंवा तयार करताना काही प्रश्न असतील, तर आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या.
|
||||
जर तुम्हाला उत्पादनाबद्दल अभिप्राय द्यायचा असेल किंवा तयार करताना काही प्रश्न असतील, तर आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या.
|
||||
|
||||
## क्विझेस
|
||||
> **क्विझेसबद्दल एक टीप**: सर्व क्विझेस Quiz-app फोल्डरमध्ये etc\quiz-app मध्ये आहेत, किंवा [ऑनलाइन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांमधून लिंक केल्या जातात. क्विझ अॅप स्थानिक पातळीवर चालवले जाऊ शकते किंवा Azure वर तैनात केले जाऊ शकते; `quiz-app` फोल्डरमधील सूचनांचे पालन करा. त्या हळूहळू स्थानिक भाषेत उपलब्ध केल्या जात आहेत.
|
||||
## मदतीची गरज आहे
|
||||
## क्विझेस
|
||||
> **क्विझेसबद्दल एक टीप**: सर्व क्विझेस `Quiz-app` फोल्डरमध्ये `etc\quiz-app` मध्ये आहेत, किंवा [ऑनलाइन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांमधून लिंक केलेल्या आहेत. `quiz-app` स्थानिक पातळीवर चालवता येते किंवा Azure वर तैनात करता येते; `quiz-app` फोल्डरमधील सूचनांचे पालन करा. त्या हळूहळू स्थानिक भाषेत अनुवादित केल्या जात आहेत.
|
||||
## मदतीची आवश्यकता
|
||||
|
||||
तुमच्याकडे काही सूचना आहेत का किंवा तुम्हाला शब्दलेखन किंवा कोडमधील चुका सापडल्या आहेत का? कृपया एक समस्या उघडा किंवा एक पुल रिक्वेस्ट तयार करा.
|
||||
तुमच्याकडे काही सूचना आहेत का किंवा तुम्हाला स्पेलिंग किंवा कोडमधील चुका सापडल्या आहेत का? कृपया एक इश्यू उघडा किंवा एक पुल रिक्वेस्ट तयार करा.
|
||||
|
||||
## विशेष आभार
|
||||
## विशेष धन्यवाद
|
||||
|
||||
* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), पीएचडी
|
||||
* **🔥 संपादक:** [Jen Looper](https://twitter.com/jenlooper), पीएचडी
|
||||
|
|
@ -146,7 +145,7 @@ _क्लाउडमधील AI_ विषयांमध्ये सौम
|
|||
|
||||
## इतर अभ्यासक्रम
|
||||
|
||||
आमची टीम इतर अभ्यासक्रम देखील तयार करते! खालील अभ्यासक्रम पहा:
|
||||
आमची टीम इतर अभ्यासक्रम देखील तयार करते! येथे पहा:
|
||||
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
|
|
@ -166,4 +165,4 @@ _क्लाउडमधील AI_ विषयांमध्ये सौम
|
|||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार नाही.
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमजांकरिता किंवा चुकीच्या अर्थ लावण्याकरिता आम्ही जबाबदार राहणार नाही.
|
||||
|
|
@ -13,7 +13,7 @@
|
|||
"\n",
|
||||
"> हे नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) चा एक भाग आहे. संपूर्ण शिक्षण सामग्रीसाठी रेपॉझिटरीला भेट द्या.\n",
|
||||
"\n",
|
||||
"जसे आपण चर्चा केली आहे, परसेप्ट्रॉन तुम्हाला **द्विआधारी वर्गीकरण समस्या** सोडवण्यास अनुमती देते, म्हणजेच इनपुट उदाहरणांना दोन वर्गांमध्ये वर्गीकृत करणे - आपण त्यांना **सकारात्मक** आणि **नकारात्मक** म्हणू शकतो.\n",
|
||||
"जसे आपण चर्चा केली आहे, परसेप्ट्रॉन तुम्हाला **द्वि-वर्गीकरण समस्या** सोडवण्याची परवानगी देते, म्हणजेच इनपुट उदाहरणांना दोन वर्गांमध्ये वर्गीकृत करणे - आपण त्यांना **सकारात्मक** आणि **नकारात्मक** म्हणू शकतो.\n",
|
||||
"\n",
|
||||
"सर्वप्रथम, काही आवश्यक लायब्ररी आयात करूया.\n"
|
||||
]
|
||||
|
|
@ -47,9 +47,9 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## खेळणी समस्या\n",
|
||||
"## खेळण्यासारखी समस्या\n",
|
||||
"\n",
|
||||
"सुरुवातीला, आपण एक साधी समस्या घेऊ, जिथे आपल्याकडे दोन इनपुट वैशिष्ट्ये आहेत. उदाहरणार्थ, वैद्यकीय क्षेत्रात आपण ट्यूमरला त्याच्या आकार आणि वयाच्या आधारे सौम्य आणि घातक वर्गांमध्ये वर्गीकृत करू इच्छितो.\n",
|
||||
"सुरुवातीला, आपण एक साधी समस्या घेऊ, जिथे आपल्याकडे दोन इनपुट वैशिष्ट्ये आहेत. उदाहरणार्थ, वैद्यकीय क्षेत्रात, आपण ट्यूमरचा आकार आणि वय यावर आधारित त्यांना सौम्य आणि घातक वर्गांमध्ये वर्गीकृत करू इच्छितो.\n",
|
||||
"\n",
|
||||
"आपण SciKit Learn लायब्ररीमधील `make_classification` फंक्शन वापरून एक रँडम वर्गीकरण डेटासेट तयार करू:\n"
|
||||
]
|
||||
|
|
@ -154,11 +154,11 @@
|
|||
"source": [
|
||||
"## परसेप्ट्रॉन\n",
|
||||
"\n",
|
||||
"परसेप्ट्रॉन एक द्विआधारी वर्गीकरण करणारा मॉडेल असल्यामुळे, प्रत्येक इनपुट व्हेक्टर $x$ साठी परसेप्ट्रॉनचा आउटपुट +1 किंवा -1 असेल, वर्गावर अवलंबून. आउटपुट खालील सूत्राचा वापर करून गणना केली जाईल:\n",
|
||||
"परसेप्ट्रॉन हा एक बायनरी वर्गीकरण करणारा मॉडेल असल्यामुळे, प्रत्येक इनपुट व्हेक्टर $x$ साठी परसेप्ट्रॉनचा आउटपुट +1 किंवा -1 पैकी एक असेल, जो वर्गावर अवलंबून असेल. आउटपुट खालील सूत्राचा वापर करून काढला जाईल:\n",
|
||||
"\n",
|
||||
"$$y(\\mathbf{x}) = f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x})$$\n",
|
||||
"\n",
|
||||
"जिथे $\\mathbf{w}$ हे वजन व्हेक्टर आहे, आणि $f$ ही स्टेप अॅक्टिवेशन फंक्शन आहे:\n",
|
||||
"इथे $\\mathbf{w}$ हा वेट व्हेक्टर आहे, आणि $f$ ही एक स्टेप अॅक्टिव्हेशन फंक्शन आहे:\n",
|
||||
"$$\n",
|
||||
"f(x) = \\begin{cases}\n",
|
||||
" +1 & x \\geq 0 \\\\\n",
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"तथापि, एक सामान्य रेषीय मॉडेलमध्ये बायस असावा, म्हणजे आदर्शतः $y$ ची गणना $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ अशी केली पाहिजे. आपले मॉडेल सोपे करण्यासाठी, आपण इनपुट फीचर्समध्ये एक अतिरिक्त डिमेन्शन जोडू शकतो, ज्याची किंमत नेहमी 1 असते, ज्यामुळे बायस टर्म काढून टाकता येईल:\n"
|
||||
"तथापि, एक सामान्य रेषीय मॉडेलमध्ये बायस असणे आवश्यक आहे, म्हणजेच आदर्शतः $y$ चे गणन $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ या प्रकारे केले पाहिजे. आपले मॉडेल सोपे करण्यासाठी, आपण इनपुट फिचर्समध्ये एक नवीन डायमेंशन जोडू शकतो, ज्याची किंमत नेहमी 1 असेल, यामुळे बायस टर्म काढून टाकता येईल:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,20 +206,20 @@
|
|||
"source": [
|
||||
"## प्रशिक्षण अल्गोरिदम\n",
|
||||
"\n",
|
||||
"परसेप्ट्रॉन प्रशिक्षणासाठी, आपल्याला अशा $\\mathbf{w}$ वजनांचा शोध घ्यावा लागेल ज्यामुळे त्रुटी कमी होईल. त्रुटी **परसेप्ट्रॉन निकष** वापरून परिभाषित केली जाते:\n",
|
||||
"पर्सेप्ट्रॉन प्रशिक्षणासाठी, आपल्याला $\\mathbf{w}$ वजन शोधावे लागतील जे त्रुटी कमी करतील. त्रुटी **पर्सेप्ट्रॉन निकष** वापरून परिभाषित केली जाते:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ नकारात्मक आणि सकारात्मक प्रशिक्षण नमुन्यांसाठी अनुक्रमे\n",
|
||||
" * $\\mathcal{M}$ - चुकीच्या वर्गीकृत उदाहरणांचा संच\n",
|
||||
" \n",
|
||||
"आपण **ग्रेडियंट डिसेंट** प्रक्रियेचा वापर करू. प्रारंभिक यादृच्छिक वजन $\\mathbf{w}^{(0)}$ पासून सुरुवात करून, प्रशिक्षणाच्या प्रत्येक टप्प्यावर $E$ च्या ग्रेडियंटचा वापर करून वजन समायोजित करू:\n",
|
||||
"आपण **ग्रेडियंट डिसेंट** प्रक्रिया वापरणार आहोत. प्रारंभिक यादृच्छिक वजन $\\mathbf{w}^{(0)}$ पासून सुरुवात करून, प्रशिक्षणाच्या प्रत्येक टप्प्यावर $E$ च्या ग्रेडियंटचा वापर करून वजन समायोजित करू:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"इथे $\\eta$ हा **शिकण्याचा दर** आहे, आणि $\\tau\\in\\mathbb{N}$ - पुनरावृत्ती क्रमांक.\n",
|
||||
"इथे $\\eta$ म्हणजे **लर्निंग रेट**, आणि $\\tau\\in\\mathbb{N}$ - पुनरावृत्तीची संख्या.\n",
|
||||
"\n",
|
||||
"आता आपण हा अल्गोरिदम Python मध्ये परिभाषित करूया:\n"
|
||||
"चला हा अल्गोरिदम Python मध्ये परिभाषित करू:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"source": [
|
||||
"जसे तुम्ही पाहू शकता, सुरुवातीची अचूकता सुमारे 50% आहे, पण ती लवकरच वाढून 90% च्या जवळ पोहोचते.\n",
|
||||
"\n",
|
||||
"चला वर्ग कसे वेगळे केले जातात ते दृश्य स्वरूपात पाहूया. आपले वर्गीकरण कार्य $\\mathbf{w}^Tx$ सारखे दिसते, आणि एका वर्गासाठी ते 0 पेक्षा जास्त असते, तर दुसऱ्या वर्गासाठी ते 0 पेक्षा कमी असते. त्यामुळे वर्ग विभाजन रेषा $\\mathbf{w}^Tx = 0$ ने परिभाषित केली जाते. कारण आपल्याकडे फक्त दोन परिमाणे $x_0$ आणि $x_1$ आहेत, रेषेसाठी समीकरण असे असेल: $w_0x_0+w_1x_1+w_2 = 0$ (लक्षात ठेवा की आपण स्पष्टपणे एक अतिरिक्त परिमाण $x_2=1$ परिभाषित केले आहे). चला ही रेषा प्लॉट करूया:\n"
|
||||
"चला वर्ग कसे वेगळे केले जातात ते पाहूया. आपले वर्गीकरण फंक्शन $\\mathbf{w}^Tx$ असे दिसते, आणि ते एका वर्गासाठी 0 पेक्षा जास्त असते, तर दुसऱ्या वर्गासाठी 0 पेक्षा कमी असते. त्यामुळे, वर्ग विभाजन रेषा $\\mathbf{w}^Tx = 0$ ने परिभाषित केली जाते. कारण आपल्याकडे फक्त दोन परिमाणे $x_0$ आणि $x_1$ आहेत, रेषेसाठी समीकरण असे असेल $w_0x_0+w_1x_1+w_2 = 0$ (लक्षात ठेवा की आपण स्पष्टपणे एक अतिरिक्त परिमाण $x_2=1$ परिभाषित केले आहे). चला ही रेषा प्लॉट करूया:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## चाचणी डेटासेटवर मूल्यमापन करा\n",
|
||||
"\n",
|
||||
"सुरुवातीला, आम्ही काही डेटा वेगळा ठेवून चाचणी डेटासेट तयार केला आहे. चला पाहूया की आमचा वर्गीकरणकर्ता या चाचणी डेटासेटवर किती अचूक आहे. हे करण्यासाठी, आम्ही चाचणी डेटासेटमध्ये एक अतिरिक्त परिमाण जोडतो, वेट्स मॅट्रिक्सने गुणाकार करतो, आणि खात्री करतो की मिळालेली किंमत लेबल (+1 किंवा -1) सारखीच चिन्ह असलेली आहे. त्यानंतर आम्ही सर्व बूलियन मूल्ये एकत्र करतो आणि चाचणी नमुन्याच्या लांबीने भागून अचूकता प्राप्त करतो:\n"
|
||||
"सुरुवातीला, आम्ही काही डेटा वेगळा ठेवून चाचणी डेटासेट तयार केला आहे. चला पाहूया की आमचा वर्गीकरणकर्ता या चाचणी डेटासेटवर किती अचूक आहे. हे करण्यासाठी, आम्ही चाचणी डेटासेटमध्ये एक अतिरिक्त परिमाण जोडतो, वजने मॅट्रिक्सने गुणाकार करतो, आणि खात्री करतो की मिळालेली किंमत लेबल (+1 किंवा -1) सारखीच चिन्ह असलेली आहे. त्यानंतर आम्ही सर्व बूलियन मूल्ये एकत्र करतो आणि चाचणी नमुन्याच्या लांबीने भागून अचूकता प्राप्त करतो:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## प्रशिक्षण प्रक्रियेचे निरीक्षण करणे\n",
|
||||
"\n",
|
||||
"आपण यापूर्वी पाहिले आहे की प्रशिक्षणादरम्यान अचूकता कशी कमी होते. प्रशिक्षणादरम्यान विभाजन रेषा कशी वागते हे पाहणे छान होईल. खालील कोड सर्वकाही एका ग्राफवर दृश्यमान करेल, आणि तुम्ही स्लायडर हलवून प्रशिक्षण प्रक्रियेत \"वेळ प्रवास\" करू शकाल.\n"
|
||||
"आम्ही यापूर्वी पाहिले आहे की प्रशिक्षणादरम्यान अचूकता कशी कमी होते. प्रशिक्षणादरम्यान विभाजन रेषा कशी वागते हे पाहणे छान होईल. खालील कोड सर्वकाही एका ग्राफवर दृश्यमान करेल, आणि तुम्ही स्लायडर हलवून प्रशिक्षण प्रक्रियेच्या \"वेळ प्रवास\"ाचा अनुभव घेऊ शकाल.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -530,7 +530,7 @@
|
|||
"\n",
|
||||
"जसे तुम्ही वर पाहिले, परसेप्ट्रॉन हा एक **रेखीय वर्गीकरण करणारा** आहे. जर दोन वर्ग **रेखीय विभाजनीय** असतील, म्हणजे सरळ रेषेने विभाजित करता येत असतील, तर तो त्यांच्यातील फरक व्यवस्थित ओळखू शकतो. अन्यथा, परसेप्ट्रॉन प्रशिक्षण प्रक्रिया यशस्वी होणार नाही.\n",
|
||||
"\n",
|
||||
"परसेप्ट्रॉनने सोडवता न येणाऱ्या समस्येचे सर्वात स्पष्ट उदाहरण म्हणजे **XOR समस्या**. आपल्याला परसेप्ट्रॉनने XOR बूलियन फंक्शन शिकावे असे वाटते, ज्याचे सत्य टेबल खालीलप्रमाणे आहे:\n",
|
||||
"परसेप्ट्रॉनद्वारे सोडवता न येणाऱ्या समस्येचे सर्वात स्पष्ट उदाहरण म्हणजे **XOR समस्या**. आपल्याला परसेप्ट्रॉनला XOR बूलियन फंक्शन शिकवायचे आहे, ज्याचे खालील सत्य टेबल आहे:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
|
|
@ -604,19 +604,19 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"वरील ग्राफकडे पाहिल्यास, अचूकता कधीही 75% पेक्षा जास्त जात नाही, कारण अशी सरळ रेषा काढणे अशक्य आहे जी सर्व संभाव्य उदाहरणे योग्य ठरवेल.\n",
|
||||
"वर दिलेल्या ग्राफवरून तुम्ही पाहू शकता की अचूकता कधीच 75% पेक्षा जास्त होत नाही, कारण सर्व उदाहरणे योग्यरीत्या मिळवण्यासाठी सरळ रेषा काढणे अशक्य आहे.\n",
|
||||
"\n",
|
||||
"XOR समस्या ही परसेप्ट्रॉनच्या मर्यादांचे एक क्लासिकल उदाहरण आहे, आणि 1969 मध्ये मार्विन मिन्स्की आणि सीमोर पॅपर्ट यांनी त्यांच्या [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) या पुस्तकात याकडे लक्ष वेधले. या निरीक्षणामुळे न्यूरल नेटवर्क्सच्या क्षेत्रातील संशोधन जवळजवळ 10 वर्षे मर्यादित राहिले, जरी - आणि आपण आपल्या अभ्यासक्रमाच्या पुढील विभागात हे पाहू - मल्टी-लेयर्ड परसेप्ट्रॉन अशा समस्यांचे निराकरण करण्यास पूर्णपणे सक्षम आहेत.\n",
|
||||
"XOR समस्या ही परसेप्ट्रॉनच्या मर्यादांची एक पारंपरिक उदाहरण आहे, आणि मार्विन मिंस्की आणि सीमोर पॅपर्ट यांनी 1969 मध्ये त्यांच्या [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) या पुस्तकात याचा उल्लेख केला होता. या निरीक्षणामुळे न्यूरल नेटवर्क्सच्या क्षेत्रातील संशोधन जवळजवळ 10 वर्षे मर्यादित झाले, जरी - आणि आपण आपल्या अभ्यासक्रमाच्या पुढील विभागात हे पाहू - मल्टी-लेयर्ड परसेप्ट्रॉन अशा समस्यांचे निराकरण करण्यास पूर्णपणे सक्षम आहेत.\n",
|
||||
"\n",
|
||||
"## जटिल उदाहरण - MNIST\n",
|
||||
"\n",
|
||||
"जरी परसेप्ट्रॉन XOR समस्या सोडवू शकत नाही, तरीही तो हस्तलिखित अक्षर ओळख यांसारख्या अनेक अधिक जटिल समस्या सोडवू शकतो.\n",
|
||||
"जरी परसेप्ट्रॉन XOR समस्या सोडवू शकत नाही, तरी ते हस्तलिखित अक्षर ओळखण्यासारख्या अनेक अधिक जटिल समस्या सोडवू शकते.\n",
|
||||
"\n",
|
||||
"मशीन लर्निंगमध्ये प्रावीण्य मिळवताना जे डेटासेट वारंवार वापरले जाते त्याला [MNIST](https://en.wikipedia.org/wiki/MNIST_database) म्हणतात. हे Modified National Institute of Standards and Technology ने तयार केले आहे आणि यात 60000 हस्तलिखित अंकांचा प्रशिक्षण संच आहे, जो सुमारे 250 विद्यार्थी आणि संस्थेच्या कर्मचाऱ्यांकडून गोळा केला गेला आहे. याशिवाय, 10000 अंकांचा चाचणी डेटासेट आहे, जो वेगवेगळ्या व्यक्तींमधून गोळा केला गेला आहे.\n",
|
||||
"मशीन लर्निंग शिकताना वापरला जाणारा एक डेटासेट [MNIST](https://en.wikipedia.org/wiki/MNIST_database) म्हणून ओळखला जातो. हे मॉडिफाइड नॅशनल इन्स्टिट्यूट ऑफ स्टँडर्ड्स अँड टेक्नॉलॉजीने तयार केले आहे आणि यात 60000 हस्तलिखित अंकांचा प्रशिक्षण संच आहे, जो सुमारे 250 विद्यार्थी आणि संस्थेच्या कर्मचाऱ्यांकडून गोळा केला आहे. याशिवाय, 10000 अंकांचा चाचणी डेटासेट आहे, जो वेगवेगळ्या व्यक्तींमधून गोळा केला आहे.\n",
|
||||
"\n",
|
||||
"सर्व अंक 28x28 पिक्सेल आकाराच्या ग्रेस्केल प्रतिमांद्वारे दर्शविले जातात.\n",
|
||||
"सर्व अंक 28x28 पिक्सेल आकाराच्या ग्रेस्केल प्रतिमांद्वारे दर्शवले जातात.\n",
|
||||
"\n",
|
||||
"> MNIST डेटासेट [Kaggle](https://www.kaggle.com/c/digit-recognizer) वर प्रशिक्षण स्पर्धा म्हणून उपलब्ध आहे, जे मशीन लर्निंग स्पर्धा आणि स्पर्धा आयोजित करणारे एक संकेतस्थळ आहे. एकदा तुम्ही MNIST अंक वर्गीकृत करणे कसे करायचे हे शिकलात, की तुम्ही तुमचे समाधान Kaggle वर सबमिट करू शकता आणि इतर सहभागींच्या तुलनेत त्याचे मूल्यांकन कसे होते ते पाहू शकता.\n",
|
||||
"> MNIST डेटासेट [Kaggle](https://www.kaggle.com/c/digit-recognizer) वर प्रशिक्षण स्पर्धा म्हणून उपलब्ध आहे, जे मशीन लर्निंग स्पर्धा आणि स्पर्धा आयोजित करणारे एक साइट आहे. एकदा तुम्ही MNIST अंक वर्गीकृत करणे शिकलात की, तुम्ही तुमचे समाधान Kaggle वर सबमिट करू शकता आणि इतर सहभागींच्या तुलनेत त्याचे मूल्यांकन कसे होते ते पाहू शकता.\n",
|
||||
"\n",
|
||||
"आम्ही MNIST डेटासेट लोड करून सुरुवात करतो:\n"
|
||||
]
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"कारण परसेप्ट्रॉन एक द्विआधारी वर्गीकरण करणारा आहे, आपण आपली समस्या फक्त दोन अंक ओळखण्यापुरती मर्यादित ठेवू. खालील फंक्शन दोन दिलेल्या अंकांसह सकारात्मक आणि नकारात्मक नमुना ऍरे भरवेल (आणि स्पष्टतेसाठी त्या अंकांचे नमुने देखील दाखवेल).\n"
|
||||
"कारण परसेप्ट्रॉन हा एक द्वि-श्रेणी वर्गीकर्ता आहे, त्यामुळे आपण आपली समस्या फक्त दोन अंक ओळखण्यापुरती मर्यादित ठेवू. खालील फंक्शन दोन दिलेल्या अंकांसह सकारात्मक आणि नकारात्मक नमुना अॅरे भरून काढेल (आणि स्पष्टतेसाठी त्या अंकांचे नमुने देखील दाखवेल).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,9 +830,9 @@
|
|||
"source": [
|
||||
"कृपया लक्षात घ्या की अचूकता खूप वेगाने जवळजवळ 100% पर्यंत पोहोचते.\n",
|
||||
"\n",
|
||||
"कृपया प्रशिक्षणाच्या शेवटाकडे स्लायडर काही प्रमाणात हलवा आणि डावीकडे प्लॉट केलेले वजन मॅट्रिक्स पाहा. हे मॅट्रिक्स तुम्हाला समजून घेण्यास मदत करेल की परसेप्ट्रॉन प्रत्यक्षात कसे कार्य करते. तुम्ही क्षेत्राच्या मध्यभागी उच्च वजन मूल्ये पाहू शकता, जी सहसा अंक 1 साठी असलेल्या पिक्सेलशी संबंधित असतात, आणि बाजूने कमी नकारात्मक मूल्ये, जिथे 0 अंकाचे भाग असतात. त्यामुळे, जर परसेप्ट्रॉनला सादर केलेला अंक खरोखरच 1 असेल, तर त्याचा मध्यभाग उच्च मूल्यांनी गुणाकार केला जाईल, ज्यामुळे सकारात्मक परिणाम मिळेल. उलट, जेव्हा परसेप्ट्रॉन 0 पाहतो, तेव्हा संबंधित पिक्सेल नकारात्मक संख्यांनी गुणाकार केले जातील.\n",
|
||||
"कृपया प्रशिक्षणाच्या शेवटाकडे स्लायडर हलवा आणि डावीकडे प्लॉट केलेले वजन मॅट्रिक्स निरीक्षण करा. हे मॅट्रिक्स तुम्हाला समजून घेण्यास मदत करेल की परसेप्ट्रॉन प्रत्यक्षात कसे कार्य करते. तुम्हाला क्षेत्राच्या मध्यभागी उच्च वजन मूल्ये दिसतील, जी सहसा अंक 1 साठी असलेल्या पिक्सेल्सशी संबंधित असतात, आणि बाजूंना कमी नकारात्मक मूल्ये दिसतील, जिथे अंक 0 च्या भागांचा समावेश असतो. त्यामुळे, जर परसेप्ट्रॉनला सादर केलेला अंक खरोखरच 1 असेल, तर त्याचा मध्यभाग उच्च मूल्यांनी गुणाकार केला जाईल, ज्यामुळे सकारात्मक परिणाम मिळेल. उलट, जेव्हा परसेप्ट्रॉन 0 पाहतो, तेव्हा संबंधित पिक्सेल्स नकारात्मक संख्यांनी गुणाकार केले जातील.\n",
|
||||
"\n",
|
||||
"> तुम्ही हे लक्षात घेऊ शकता की जर आपण आपल्या परसेप्ट्रॉनला थोडासा आडवा हलवलेला अंक 1 दिला, ज्यामुळे त्याचे पिक्सेल त्या ठिकाणी जातील जिथे 0 चे उभे भाग असतात, तर आपल्याला चुकीचा परिणाम मिळू शकतो. कारण आमच्या MNIST डेटासेटची रचना अशी आहे की सर्व अंक केंद्रित आणि योग्यरित्या स्थित आहेत, आणि परसेप्ट्रॉन यावर अवलंबून असतो अंकांमधील फरक ओळखण्यासाठी.\n",
|
||||
"> तुम्ही हे लक्षात घेऊ शकता की जर आपण आपल्या परसेप्ट्रॉनला थोडासा आडवा हलवलेला अंक 1 दिला, ज्यामुळे त्याचे पिक्सेल्स अशा ठिकाणी जातील जिथे 0 चे उभे भाग असतात, तर आपल्याला चुकीचा परिणाम मिळू शकतो. कारण आमच्या MNIST डेटासेटची रचना अशी आहे की सर्व अंक केंद्रित आणि योग्यरित्या स्थित असतात, आणि परसेप्ट्रॉन यावर अवलंबून असतो अंकांमधील फरक ओळखण्यासाठी.\n",
|
||||
"\n",
|
||||
"आता वेगवेगळ्या अंकांचा प्रयत्न करूया:\n"
|
||||
]
|
||||
|
|
@ -914,7 +914,7 @@
|
|||
"\n",
|
||||
"हे का घडतंय हे समजून घेण्यासाठी, आपण [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) वापरून पाहू शकतो. ही एक मशीन लर्निंग तंत्र आहे जी इनपुट डेटासेटची परिमाणं कमी करण्यासाठी वापरली जाते, अशा प्रकारे की वर्गांमधील सर्वोत्तम वेगळेपणा मिळवता येईल.\n",
|
||||
"\n",
|
||||
"आपल्या बाबतीत, एका इनपुट प्रतिमेमध्ये 784 पिक्सेल्स (इनपुट वैशिष्ट्ये) असतात, आणि आपण PCA चा वापर करून पॅरामीटर्सची संख्या फक्त 2 पर्यंत कमी करू इच्छितो, जेणेकरून आपण त्यांना ग्राफवर प्लॉट करू शकू. हे दोन पॅरामीटर्स मूळ वैशिष्ट्यांचे रेखीय संयोजन असतील, आणि आपण या प्रक्रियेला असे पाहू शकतो की जणू आपण मूळ 784-परिमाणीय जागा \"फिरवत\" आहोत आणि तिचं प्रक्षेपण 2D-जागेत पाहत आहोत, जोपर्यंत वर्गांना वेगळं करण्यासाठी सर्वोत्तम दृश्य मिळत नाही.\n"
|
||||
"आपल्या बाबतीत, एका इनपुट प्रतिमेमध्ये 784 पिक्सेल्स (इनपुट वैशिष्ट्ये) असतात, आणि आपण PCA चा वापर करून पॅरामीटर्सची संख्या फक्त 2 पर्यंत कमी करू इच्छितो, जेणेकरून आपण त्यांना ग्राफवर प्लॉट करू शकू. हे दोन पॅरामीटर्स मूळ वैशिष्ट्यांचे रेषीय संयोजन असतील, आणि आपण या प्रक्रियेला असे पाहू शकतो की आपण मूळ 784-परिमाणीय जागेला \"फिरवत\" आहोत आणि त्याच्या 2D-स्थानातील प्रक्षेपणाचे निरीक्षण करत आहोत, जोपर्यंत वर्गांना वेगळं करण्यासाठी सर्वोत्तम दृश्य मिळत नाही.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1026,15 +1026,15 @@
|
|||
"source": [
|
||||
"जसे तुम्ही पाहू शकता, 0 आणि 1 यांना सरळ रेषेने स्पष्टपणे वेगळे करता येते. याचा अर्थ असा की मूळ 784-आयामी जागेत अंकांशी संबंधित बिंदू देखील रेषीय विभाजनीय आहेत. 2 आणि 5 च्या बाबतीत, अंकांना स्पष्टपणे वेगळे करणारे चांगले प्रक्षेपण शोधता येत नाही, आणि त्यामुळे चुकीच्या वर्गीकरणाच्या काही घटना घडतात.\n",
|
||||
"\n",
|
||||
"> या कोर्समध्ये पुढे आपण Neural Networks वापरून रेषीय नसलेले वर्गीकरण कसे तयार करायचे हे शिकू, आणि अंक योग्य प्रकारे संरेखित नसल्याच्या समस्येचा सामना कसा करायचा हे देखील शिकू. लवकरच आपण MNIST अंक वर्गीकरणामध्ये 99% पेक्षा जास्त अचूकता गाठू, जिथे आपण त्यांना 10 वेगवेगळ्या वर्गांमध्ये वर्गीकृत करू.\n",
|
||||
"> या कोर्समध्ये पुढे आपण Neural Networks वापरून रेषीय नसलेले वर्गीकरण कसे तयार करायचे हे शिकू, तसेच अंक योग्य प्रकारे संरेखित नसल्याच्या समस्येचा सामना कसा करायचा हे देखील शिकू. लवकरच आपण MNIST अंक वर्गीकरणामध्ये 99% पेक्षा जास्त अचूकता गाठू, जिथे आपण त्यांना 10 वेगवेगळ्या वर्गांमध्ये वर्गीकृत करू.\n",
|
||||
"\n",
|
||||
"## मुख्य मुद्दे\n",
|
||||
"\n",
|
||||
" * आपण सर्वात सोपी neural network आर्किटेक्चर - एक-स्तरीय perceptron बद्दल शिकलो.\n",
|
||||
" * आपण gradient descent आधारित साध्या प्रशिक्षण प्रक्रियेचा वापर करून perceptron \"हाताने\" अंमलात आणला.\n",
|
||||
" * आपण perceptron \"हाताने\" अंमलात आणला, gradient descent आधारित साध्या प्रशिक्षण प्रक्रियेचा वापर करून.\n",
|
||||
" * साधेपण असूनही, एक-स्तरीय perceptron हस्तलिखित अंक ओळखण्याच्या तुलनेने जटिल समस्या सोडवू शकतो.\n",
|
||||
" * एक-स्तरीय perceptron हा रेषीय वर्गीकरणकर्ता आहे, आणि त्यामुळे तो logistic regression इतकीच वर्गीकरण क्षमता प्रदान करतो.\n",
|
||||
" * नमुना जागेत, perceptron hyperplane चा वापर करून इनपुट डेटाच्या दोन वर्गांना वेगळे करू शकतो.\n"
|
||||
" * एक-स्तरीय perceptron हा रेषीय वर्गीकरण करणारा आहे, आणि त्यामुळे तो logistic regression इतकीच वर्गीकरण क्षमता प्रदान करतो.\n",
|
||||
" * नमुना जागेत, perceptron इनपुट डेटाच्या दोन वर्गांना hyperplane चा वापर करून वेगळे करू शकतो.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1043,14 +1043,14 @@
|
|||
"source": [
|
||||
"## श्रेय\n",
|
||||
"\n",
|
||||
"ही नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) चा एक भाग आहे आणि [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांनी तयार केली आहे. ही नोटबुक Microsoft Research Cambridge मधील Neural Network Workshop वरून प्रेरित आहे. काही कोड आणि स्पष्टीकरणात्मक सामग्री [काट्जा हॉफमन](https://www.microsoft.com/en-us/research/people/kahofman/), [मॅथ्यू जॉन्सन](https://www.microsoft.com/en-us/research/people/matjoh/) आणि [र्योतो टोमिओका](https://www.microsoft.com/en-us/research/people/ryoto/) यांच्या सादरीकरणांमधून घेतली आहे, तसेच [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) रेपॉजिटरीमधून घेतली आहे.\n"
|
||||
"ही नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) चा एक भाग आहे आणि [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांनी तयार केली आहे. ही नोटबुक Microsoft Research Cambridge येथील Neural Network Workshop वरून प्रेरित आहे. काही कोड आणि चित्रात्मक सामग्री [काट्जा हॉफमन](https://www.microsoft.com/en-us/research/people/kahofman/), [मॅथ्यू जॉन्सन](https://www.microsoft.com/en-us/research/people/matjoh/) आणि [र्योतो टोमिओका](https://www.microsoft.com/en-us/research/people/ryoto/) यांच्या सादरीकरणांमधून घेतली आहे, तसेच [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) रेपॉजिटरीमधून घेतली आहे.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**अस्वीकरण**: \nहा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.\n"
|
||||
"\n---\n\n**अस्वीकरण**: \nहा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1079,8 +1079,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T08:45:35+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:47:46+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "mr"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:46+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:46:20+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "mr"
|
||||
}
|
||||
|
|
@ -17,15 +17,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## सूचना
|
||||
|
||||
1. प्रत्येक अंकासाठी, "हा अंक विरुद्ध इतर सर्व अंक" अशा बायनरी वर्गीकृतसाठी डेटासेट तयार करा.
|
||||
1. प्रत्येक अंकासाठी, "हा अंक विरुद्ध इतर सर्व अंक" यासाठी बायनरी वर्गीकृत डेटासेट तयार करा.
|
||||
1. बायनरी वर्गीकरणासाठी 10 वेगवेगळे परसेप्ट्रॉन ट्रेन करा (प्रत्येक अंकासाठी एक).
|
||||
1. इनपुट अंक वर्गीकृत करणारे एक फंक्शन परिभाषित करा.
|
||||
|
||||
> **सूचना**: जर आपण सर्व 10 परसेप्ट्रॉनचे वजन एका मॅट्रिक्समध्ये एकत्र केले, तर आपण एका मॅट्रिक्स गुणाकाराद्वारे इनपुट अंकांवर सर्व 10 परसेप्ट्रॉन लागू करू शकतो. सर्वात संभाव्य अंक फक्त `argmax` ऑपरेशन लागू करून शोधला जाऊ शकतो.
|
||||
> **सूचना**: जर आपण सर्व 10 परसेप्ट्रॉनचे वजन एका मॅट्रिक्समध्ये एकत्र केले, तर एका मॅट्रिक्स गुणाकाराने सर्व 10 परसेप्ट्रॉन इनपुट अंकांवर लागू करता येतील. सर्वात संभाव्य अंक फक्त `argmax` ऑपरेशन लागू करून शोधता येईल.
|
||||
|
||||
## प्रारंभिक नोटबुक
|
||||
|
||||
[PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) उघडून प्रयोगशाळा सुरू करा.
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) उघडून प्रयोगशाळा सुरू करा.
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:06:46+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:47:46+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ne"
|
||||
}
|
||||
|
|
@ -21,73 +21,73 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott)
|
||||
|
||||
# सुरुवातका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम
|
||||
# सुरुवातीका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम
|
||||
|
||||
||
|
||||
|:---:|
|
||||
| सुरुवातका लागि AI - _[@girlie_mac](https://twitter.com/girlie_mac) द्वारा स्केच नोट_ |
|
||||
||
|
||||
|:---:|
|
||||
| सुरुवातीका लागि AI - _Sketchnote by [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
**कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस् हाम्रो १२ हप्ताको, २४ पाठहरूको पाठ्यक्रमसँग! यसमा व्यावहारिक पाठहरू, प्रश्नोत्तर, र प्रयोगशालाहरू समावेश छन्। यो पाठ्यक्रम सुरुवातकर्ताहरूका लागि अनुकूल छ र TensorFlow र PyTorch जस्ता उपकरणहरू, साथै AI मा नैतिकता समेट्छ।
|
||||
**कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस् हाम्रो १२ हप्ताको, २४ पाठको पाठ्यक्रमसँग! यसमा व्यावहारिक पाठहरू, क्विजहरू, र प्रयोगशालाहरू समावेश छन्। पाठ्यक्रम सुरुवातीका लागि उपयुक्त छ र TensorFlow र PyTorch जस्ता उपकरणहरू, साथै AI मा नैतिकता समेट्छ।
|
||||
|
||||
### 🌐 बहुभाषिक समर्थन
|
||||
### 🌐 बहुभाषी समर्थन
|
||||
|
||||
#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक)
|
||||
#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](./README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**यदि तपाईं थप भाषाहरूको अनुवाद चाहनुहुन्छ भने, यहाँ सूचीबद्ध [भाषाहरू](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) हेर्नुहोस्।**
|
||||
**यदि तपाईं थप भाषाहरूको अनुवाद चाहनुहुन्छ भने यहाँ सूचीबद्ध छन् [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## समुदायमा सामेल हुनुहोस्
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## तपाईंले के सिक्नुहुनेछ
|
||||
|
||||
**[पाठ्यक्रमको माईन्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[पाठ्यक्रमको मनम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
यस पाठ्यक्रममा, तपाईंले सिक्नुहुनेछ:
|
||||
|
||||
* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जस्तै "पुरानो" प्रतीकात्मक दृष्टिकोण **ज्ञान प्रतिनिधित्व** र तर्कसहित ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))।
|
||||
* **न्यूरल नेटवर्कहरू** र **डीप लर्निङ**, जुन आधुनिक AI को केन्द्रमा छन्। हामी यी महत्त्वपूर्ण विषयहरूको अवधारणाहरू दुई लोकप्रिय फ्रेमवर्कहरू - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org) मा कोड प्रयोग गरेर देखाउनेछौं।
|
||||
* छविहरू र पाठहरूसँग काम गर्नका लागि **न्यूरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर अत्याधुनिक मोडेलहरूमा अलि कमी हुन सक्छ।
|
||||
* कम लोकप्रिय AI दृष्टिकोणहरू, जस्तै **जेनेटिक एल्गोरिदमहरू** र **मल्टि-एजेन्ट प्रणालीहरू**।
|
||||
* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जसमा "पुरानो राम्रो" प्रतीकात्मक दृष्टिकोण **ज्ञान प्रतिनिधित्व** र तर्क ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) समावेश छ।
|
||||
* **न्यूरल नेटवर्कहरू** र **डीप लर्निङ**, जुन आधुनिक AI को केन्द्रमा छन्। हामी यी महत्त्वपूर्ण विषयहरूको अवधारणालाई दुई लोकप्रिय फ्रेमवर्कहरू - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org) को कोड प्रयोग गरेर चित्रण गर्नेछौं।
|
||||
* छविहरू र पाठसँग काम गर्नका लागि **न्यूरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर अत्याधुनिकमा केही कमी हुन सक्छ।
|
||||
* कम लोकप्रिय AI दृष्टिकोणहरू, जस्तै **जेनेटिक एल्गोरिदमहरू** र **मल्टि-एजेन्ट सिस्टमहरू**।
|
||||
|
||||
हामीले यस पाठ्यक्रममा समेट्ने छैनौं:
|
||||
|
||||
> [यस पाठ्यक्रमका सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **व्यवसायमा AI को प्रयोग**। [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) पाठ्यक्रम लिनुहोस्, वा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) हेर्नुहोस्।
|
||||
* **क्लासिक मेसिन लर्निङ**, जुन हाम्रो [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ।
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरेर बनाइएका व्यावहारिक AI अनुप्रयोगहरू।
|
||||
* **क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum)।
|
||||
* **वार्तालाप AI** र **च्याट बटहरू**।
|
||||
* **डीप लर्निङको गहिरो गणितीय पक्ष**।
|
||||
* **व्यवसायमा AI को प्रयोग** को व्यापारिक केसहरू। [व्यवसाय प्रयोगकर्ताहरूका लागि AI को परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सिक्ने मार्ग Microsoft Learn मा लिनुहोस्, वा [AI व्यवसाय स्कूल](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकसित।
|
||||
* **क्लासिक मेसिन लर्निङ**, जुन हाम्रो [सुरुवातीका लागि मेसिन लर्निङ पाठ्यक्रम](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ।
|
||||
* **[कग्निटिभ सर्भिसहरू](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरेर व्यावहारिक AI अनुप्रयोगहरू। यसका लागि, हामी तपाईंलाई Microsoft Learn मा [दृष्टि](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [प्राकृतिक भाषा प्रशोधन](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा प्रयोग गरेर जेनेरेटिभ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** र अन्यका लागि मोड्युलहरू सुरु गर्न सिफारिस गर्छौं।
|
||||
* **विशिष्ट मेसिन लर्निङ क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) र [Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) सिक्ने मार्गहरू प्रयोग गर्न विचार गर्नुहोस्।
|
||||
* **संवादात्मक AI** र **च्याट बोटहरू**। त्यहाँ छुट्टै [संवादात्मक AI समाधानहरू सिर्जना गर्नुहोस्](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिक्ने मार्ग छ, र तपाईं [यो ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) मा थप विवरणका लागि सन्दर्भ गर्न सक्नुहुन्छ।
|
||||
* **डीप लर्निङको गहिरो गणित**। यसका लागि, हामी [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) Ian Goodfellow, Yoshua Bengio र Aaron Courville द्वारा सिफारिस गर्छौं, जुन [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) मा अनलाइन उपलब्ध छ।
|
||||
|
||||
कृत्रिम बुद्धिमत्ताको _क्लाउड_ विषयहरूको कोमल परिचयका लागि [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) लिनुहोस्।
|
||||
क्लाउडमा _AI_ को कोमल परिचयका लागि तपाईं [Azure मा कृत्रिम बुद्धिमत्तासँग सुरु गर्नुहोस्](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिक्ने मार्ग लिन विचार गर्न सक्नुहुन्छ।
|
||||
|
||||
# सामग्री
|
||||
|
||||
| | पाठ लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाला |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [पाठ्यक्रम सेटअप](./lessons/0-course-setup/setup.md) | [तपाईंको विकास वातावरण सेटअप गर्नुहोस्](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI को परिचय**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI को परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **प्रतीकात्मक AI** |
|
||||
| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**न्यूरल नेटवर्कहरूको परिचय**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [परसेप्ट्रोन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [मल्टि-लेयर्ड परसेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क बनाउने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| | पाठ लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाला |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [पाठ्यक्रम सेटअप](./lessons/0-course-setup/setup.md) | [तपाईंको विकास वातावरण सेटअप गर्नुहोस्](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI को परिचय**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI को परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **प्रतीकात्मक AI** |
|
||||
| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**न्यूरल नेटवर्कहरूको परिचय**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [मल्टि-लेयर्ड Perceptron र हाम्रो आफ्नै फ्रेमवर्क सिर्जना गर्दै](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [फ्रेमवर्क्स (PyTorch/TensorFlow) र ओभरफिटिङको परिचय](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**कम्प्युटर भिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure मा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [कम्प्युटर भिजनको परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [कन्भोलुसनल न्युरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चरहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [प्रि-ट्रेन गरिएको नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [ट्रेनिङ ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [प्रशिक्षणका तरिकाहरू](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [अटोइन्कोडरहरू र 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 | [जेनेरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक शैली ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [वस्तु पहिचान](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [सेम्यान्टिक सेग्मेन्टेसन। 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) | |
|
||||
| 12 | [सिमान्टिक सेग्मेन्टेसन। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**प्राकृतिक भाषा प्रशोधन**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure मा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [पाठ प्रतिनिधित्व। Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [सेम्यान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 14 | [सिमान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [भाषा मोडलिङ। आफ्नै एम्बेडिङहरू प्रशिक्षण गर्नुहोस्](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [पुनरावर्ती न्युरल नेटवर्कहरू](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [जेनेरेटिभ पुनरावर्ती नेटवर्कहरू](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [प्रयोगशाला](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
|
|
@ -106,13 +106,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
## प्रत्येक पाठमा समावेश छ
|
||||
|
||||
* पूर्व-पढाइ सामग्री
|
||||
* कार्यान्वयन योग्य Jupyter नोटबुकहरू, जुन प्रायः फ्रेमवर्क (**PyTorch** वा **TensorFlow**) मा आधारित हुन्छन्। कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि समावेश छ, त्यसैले विषयलाई बुझ्नको लागि कम्तीमा एउटा संस्करण (PyTorch वा TensorFlow) नोटबुक हेर्नु आवश्यक छ।
|
||||
* कार्यान्वयन योग्य Jupyter नोटबुकहरू, जुन प्रायः फ्रेमवर्क (**PyTorch** वा **TensorFlow**) का लागि विशिष्ट हुन्छन्। कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि समावेश छ, त्यसैले विषयलाई बुझ्नको लागि तपाईंले कम्तीमा एउटा संस्करणको नोटबुक (PyTorch वा TensorFlow) हेर्नुपर्छ।
|
||||
* **प्रयोगशालाहरू** केही विषयहरूको लागि उपलब्ध छन्, जसले तपाईंलाई सिकेको सामग्रीलाई विशेष समस्यामा लागू गर्ने अवसर दिन्छ।
|
||||
* केही खण्डहरूमा [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मा सम्बन्धित विषयहरू समेट्ने लिंकहरू समावेश छन्।
|
||||
|
||||
## सुरु गर्दै
|
||||
|
||||
- हामीले तपाईंलाई विकास वातावरण सेटअप गर्न मद्दत गर्न [सेटअप पाठ](./lessons/0-course-setup/setup.md) तयार गरेका छौं। - शिक्षकहरूको लागि, हामीले [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) पनि तयार गरेका छौं!
|
||||
- हामीले तपाईंलाई विकास वातावरण सेटअप गर्न मद्दत गर्न [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूको लागि, हामीले [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) पनि सिर्जना गरेका छौं!
|
||||
- [VSCode वा Codepace मा कोड कसरी चलाउने](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
यी चरणहरू पालना गर्नुहोस्:
|
||||
|
|
@ -125,20 +125,20 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## अन्य सिक्नेहरूसँग भेट्नुहोस्
|
||||
|
||||
हाम्रो [औपचारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सामेल हुनुहोस् ताकि यस पाठ्यक्रम लिने अन्य सिक्नेहरूसँग भेटघाट र नेटवर्क गर्न सक्नुहोस् र सहयोग प्राप्त गर्न सक्नुहोस्।
|
||||
हाम्रो [औपचारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सामेल हुनुहोस् ताकि यस कोर्स लिने अन्य सिक्नेहरूसँग भेटघाट र नेटवर्क गर्न सक्नुहोस् र सहयोग प्राप्त गर्न सक्नुहोस्।
|
||||
|
||||
यदि तपाईंलाई उत्पादन प्रतिक्रिया वा निर्माण गर्दा प्रश्नहरू छन् भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) मा जानुहोस्।
|
||||
|
||||
## क्विजहरू
|
||||
> **क्विजहरूको बारेमा नोट**: सबै क्विजहरू `Quiz-app` फोल्डरमा `etc\quiz-app` मा समावेश छन्, वा [अनलाइन यहाँ](https://ff-quizzes.netlify.app/) उपलब्ध छन्। ती पाठहरूभित्र लिंक गरिएको छ। `quiz-app` स्थानीय रूपमा चलाउन सकिन्छ वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा दिइएको निर्देशनहरू पालना गर्नुहोस्। ती क्रमिक रूपमा स्थानीयकरण गरिँदैछन्।
|
||||
## सहयोग आवश्यक छ
|
||||
> **क्विजहरूको बारेमा नोट**: सबै क्विजहरू `Quiz-app` फोल्डरमा etc\quiz-app मा समावेश छन्, वा [अनलाइन यहाँ](https://ff-quizzes.netlify.app/) उपलब्ध छन्। ती पाठहरूबाट लिंक गरिएको छ। `quiz-app` स्थानीय रूपमा चलाउन सकिन्छ वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा दिइएको निर्देशनहरू पालना गर्नुहोस्। ती क्रमिक रूपमा स्थानीयकरण गरिँदैछन्।
|
||||
## सहयोग चाहिएको छ
|
||||
|
||||
के तपाईंसँग सुझावहरू छन् वा कुनै हिज्जे वा कोड त्रुटि फेला पार्नुभएको छ? कृपया एउटा मुद्दा उठाउनुहोस् वा पुल अनुरोध सिर्जना गर्नुहोस्।
|
||||
|
||||
## विशेष धन्यवाद
|
||||
|
||||
* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), पीएचडी
|
||||
* **🔥 सम्पादक:** [Jen Looper](https://twitter.com/jenlooper), पीएचडी
|
||||
* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 सम्पादक:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 स्केच नोट चित्रकार:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ क्विज सिर्जनाकर्ता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 मुख्य योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
|
@ -147,22 +147,22 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
हाम्रो टोलीले अन्य पाठ्यक्रमहरू पनि उत्पादन गर्दछ! हेर्नुहोस्:
|
||||
|
||||
- [सुरुवातीका लागि Generative AI](https://aka.ms/genai-beginners)
|
||||
- [सुरुवातीका लागि Generative AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [JavaScript सँग Generative AI](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Java सँग Generative AI](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [सुरुवातीका लागि AI](https://aka.ms/ai-beginners)
|
||||
- [सुरुवातीका लागि डेटा विज्ञान](https://aka.ms/datascience-beginners)
|
||||
- [सुरुवातीका लागि ML](https://aka.ms/ml-beginners)
|
||||
- [सुरुवातीका लागि साइबर सुरक्षा](https://github.com/microsoft/Security-101)
|
||||
- [सुरुवातीका लागि वेब विकास](https://aka.ms/webdev-beginners)
|
||||
- [सुरुवातीका लागि IoT](https://aka.ms/iot-beginners)
|
||||
- [सुरुवातीका लागि XR विकास](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [एजेन्टिक प्रयोगका लागि GitHub Copilot मास्टरी](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [C#/.NET विकासकर्ताहरूका लागि GitHub Copilot मास्टरी](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [आफ्नै Copilot साहसिक यात्रा चयन गर्नुहोस्](https://github.com/microsoft/CopilotAdventures)
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [AI for Beginners](https://aka.ms/ai-beginners)
|
||||
- [Data Science for Beginners](https://aka.ms/datascience-beginners)
|
||||
- [ML for Beginners](https://aka.ms/ml-beginners)
|
||||
- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
||||
- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [Mastering GitHub Copilot for Agentic use](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
|
|
@ -11,11 +11,11 @@
|
|||
"source": [
|
||||
"## पर्सेप्ट्रोन\n",
|
||||
"\n",
|
||||
"> यो नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) को एक भाग हो। पूर्ण सिकाइ सामग्रीको लागि रिपोजिटरी भ्रमण गर्नुहोस्।\n",
|
||||
"> यो नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) को एक हिस्सा हो। सम्पूर्ण अध्ययन सामग्रीको लागि रिपोजिटरी भ्रमण गर्नुहोस्।\n",
|
||||
"\n",
|
||||
"जसरी हामीले चर्चा गर्यौं, पर्सेप्ट्रोनले तपाईंलाई **द्विआधारी वर्गीकरण समस्या** समाधान गर्न अनुमति दिन्छ, अर्थात् इनपुट उदाहरणहरूलाई दुई वर्गहरूमा वर्गीकृत गर्न - हामी तिनीहरूलाई **सकारात्मक** र **नकारात्मक** भन्न सक्छौं।\n",
|
||||
"जसरी हामीले छलफल गरिसकेका छौं, पर्सेप्ट्रोनले तपाईंलाई **द्विआधारी वर्गीकरण समस्या** समाधान गर्न अनुमति दिन्छ, अर्थात् इनपुट उदाहरणहरूलाई दुई वर्गहरूमा वर्गीकृत गर्न - हामी तिनीहरूलाई **सकारात्मक** र **नकारात्मक** भन्न सक्छौं।\n",
|
||||
"\n",
|
||||
"पहिले, केही आवश्यक पुस्तकालयहरू आयात गरौं।\n"
|
||||
"सुरुमा, आवश्यक पुस्तकालयहरू आयात गरौं।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -49,9 +49,9 @@
|
|||
"source": [
|
||||
"## खेलौना समस्या\n",
|
||||
"\n",
|
||||
"सुरु गर्नका लागि, हामी दुईवटा इनपुट विशेषताहरू भएको एउटा खेलौना समस्या सुरु गरौं। उदाहरणका लागि, चिकित्सा क्षेत्रमा हामी ट्युमरहरूलाई यसको आकार र उमेरको आधारमा सौम्य र घातक वर्गमा वर्गीकृत गर्न चाहन सक्छौं।\n",
|
||||
"सुरुमा, हामी दुईवटा इनपुट विशेषताहरू भएको एउटा सानो समस्या लिएर सुरु गरौं। उदाहरणका लागि, चिकित्सा क्षेत्रमा हामी ट्युमरहरूलाई यसको आकार र उमेरको आधारमा सौम्य र घातकमा वर्गीकृत गर्न चाहन सक्छौं।\n",
|
||||
"\n",
|
||||
"हामी SciKit Learn पुस्तकालयको `make_classification` फंक्शन प्रयोग गरेर एउटा र्यान्डम वर्गीकरण डेटासेट उत्पन्न गर्नेछौं:\n"
|
||||
"हामी SciKit Learn पुस्तकालयको `make_classification` फंक्शन प्रयोग गरेर एउटा र्यान्डम वर्गीकरण डेटासेट तयार गर्नेछौं:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"तर, एक सामान्य रेखीय मोडेलमा बायस पनि हुनुपर्छ, अर्थात् आदर्श रूपमा हामी $y$ लाई $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ को रूपमा गणना गर्नुपर्छ। हाम्रो मोडेललाई सरल बनाउन, हामी इनपुट विशेषताहरूमा एउटा थप आयाम थपेर यो बायस पद हटाउन सक्छौं, जुन सधैं 1 बराबर हुन्छ:\n"
|
||||
"तर, एक सामान्य रेखीय मोडेलमा बायस पनि हुनुपर्छ, अर्थात् आदर्श रूपमा हामी $y$ लाई $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ को रूपमा गणना गर्नुपर्छ। हाम्रो मोडेललाई सरल बनाउनको लागि, हामी इनपुट विशेषताहरूमा एउटा थप आयाम थप्न सक्छौं, जुन सधैं 1 बराबर हुन्छ, यस बायस पदलाई हटाउन:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,20 +206,20 @@
|
|||
"source": [
|
||||
"## प्रशिक्षण एल्गोरिदम\n",
|
||||
"\n",
|
||||
"पर्सेप्ट्रोनलाई प्रशिक्षण दिनको लागि, हामी $\\mathbf{w}$ तौलहरू पत्ता लगाउन आवश्यक छ जसले त्रुटि न्यूनतम बनाउँछ। त्रुटि **पर्सेप्ट्रोन मापदण्ड** प्रयोग गरेर परिभाषित गरिन्छ:\n",
|
||||
"Perceptron लाई प्रशिक्षण दिनको लागि, हामीले तौलहरू $\\mathbf{w}$ पत्ता लगाउनुपर्छ जसले त्रुटि न्यूनतम बनाउँछ। त्रुटि **perceptron मापदण्ड** प्रयोग गरेर परिभाषित गरिन्छ:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ नकारात्मक र सकारात्मक प्रशिक्षण नमूनाहरूको लागि क्रमशः\n",
|
||||
" * $\\mathcal{M}$ - गलत वर्गीकृत उदाहरणहरूको सेट\n",
|
||||
" \n",
|
||||
"हामी **ग्रेडियन्ट डिसेन्ट** प्रक्रिया प्रयोग गर्नेछौं। केही प्रारम्भिक र्यान्डम तौलहरू $\\mathbf{w}^{(0)}$ बाट सुरु गर्दै, हामी प्रशिक्षणको प्रत्येक चरणमा $E$ को ग्रेडियन्ट प्रयोग गरेर तौलहरू समायोजन गर्नेछौं:\n",
|
||||
"हामी **gradient descent** प्रक्रियाको प्रयोग गर्नेछौं। केही प्रारम्भिक अनियमित तौलहरू $\\mathbf{w}^{(0)}$ बाट सुरु गर्दै, हामी प्रत्येक प्रशिक्षण चरणमा $E$ को gradient प्रयोग गरेर तौलहरू समायोजन गर्नेछौं:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"जहाँ $\\eta$ **शिक्षण दर** हो, र $\\tau\\in\\mathbb{N}$ - पुनरावृत्तिको संख्या।\n",
|
||||
"जहाँ $\\eta$ **learning rate** हो, र $\\tau\\in\\mathbb{N}$ - iteration को संख्या।\n",
|
||||
"\n",
|
||||
"अब यस एल्गोरिदमलाई Python मा परिभाषित गरौं:\n"
|
||||
"यस एल्गोरिदमलाई Python मा यसरी परिभाषित गरौं:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -309,9 +309,9 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"जस्तो देखिन्छ, सुरुवाती शुद्धता लगभग ५०% छ, तर यो चाँडै बढेर ९०% नजिकका उच्च मानहरूमा पुग्छ।\n",
|
||||
"जस्तो कि तपाईंले देख्न सक्नुहुन्छ, सुरुवाती शुद्धता लगभग ५०% छ, तर यो छिट्टै बढेर ९०% नजिकका उच्च मानहरूमा पुग्छ।\n",
|
||||
"\n",
|
||||
"अब कक्षाहरू कसरी छुट्याइन्छन् भनेर दृश्यात्मक रूपमा हेर्न प्रयास गरौं। हाम्रो वर्गीकरण कार्य $\\mathbf{w}^Tx$ जस्तो देखिन्छ, र यो एक कक्षाको लागि ० भन्दा ठूलो हुन्छ, र अर्को कक्षाको लागि ० भन्दा सानो। त्यसैले, कक्षा छुट्याउने रेखा $\\mathbf{w}^Tx = 0$ द्वारा परिभाषित हुन्छ। किनकि हामीसँग केवल दुई आयाम $x_0$ र $x_1$ छन्, रेखाको समीकरण $w_0x_0+w_1x_1+w_2 = 0$ हुनेछ (याद गर्नुहोस् कि हामीले स्पष्ट रूपमा एक अतिरिक्त आयाम $x_2=1$ परिभाषित गरेका छौं)। अब यो रेखा प्लट गरौं:\n"
|
||||
"अब कक्षाहरू कसरी छुट्याइन्छन् भन्ने कुरा दृश्यात्मक रूपमा हेरौं। हाम्रो वर्गीकरण कार्य $\\mathbf{w}^Tx$ जस्तो देखिन्छ, र यो एक कक्षाको लागि ० भन्दा ठूलो हुन्छ, र अर्को कक्षाको लागि ० भन्दा सानो। त्यसैले, कक्षा छुट्याउने रेखा $\\mathbf{w}^Tx = 0$ द्वारा परिभाषित हुन्छ। किनकि हामीसँग केवल दुई आयाम $x_0$ र $x_1$ छन्, रेखाको समीकरण $w_0x_0+w_1x_1+w_2 = 0$ हुनेछ (याद गर्नुहोस् कि हामीले स्पष्ट रूपमा एक अतिरिक्त आयाम $x_2=1$ परिभाषित गरेका छौं)। अब यो रेखा प्लट गरौं:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## परीक्षण डाटासेटमा मूल्यांकन गर्नुहोस्\n",
|
||||
"\n",
|
||||
"सुरुमा, हामीले केही डाटा छुट्याएर परीक्षण डाटासेटमा राखेका छौं। अब हेरौं कि हाम्रो वर्गीकरणकर्ता यो परीक्षण डाटासेटमा कति सही छ। यसलाई गर्नको लागि, हामी परीक्षण डाटासेटलाई एउटा अतिरिक्त आयामसँग विस्तार गर्छौं, तौल म्याट्रिक्ससँग गुणन गर्छौं, र सुनिश्चित गर्छौं कि प्राप्त मान लेबल (+1 वा -1) को समान चिन्हको छ। त्यसपछि हामी सबै बूलियन मानहरूलाई जोड्छौं र परीक्षण नमूनाको लम्बाइले भाग गर्छौं, सहीताको मूल्य प्राप्त गर्न:\n"
|
||||
"सुरुमा, हामीले केही डाटा छुट्याएर परीक्षण डाटासेटमा राखेका छौं। अब हेरौं कि हाम्रो वर्गीकरणकर्ता यो परीक्षण डाटासेटमा कति सही छ। यसलाई गर्नको लागि, हामी परीक्षण डाटासेटमा एउटा अतिरिक्त आयाम थप्छौं, तौल म्याट्रिक्ससँग गुणन गर्छौं, र सुनिश्चित गर्छौं कि प्राप्त मान लेबल (+1 वा -1) को समान चिन्हको छ। त्यसपछि हामी सबै बूलियन मानहरूलाई जोड्छौं र परीक्षण नमूनाको लम्बाइले भाग लगाउँछौं, सटीकता प्राप्त गर्न:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## प्रशिक्षण प्रक्रियालाई अवलोकन गर्दै\n",
|
||||
"\n",
|
||||
"हामीले पहिले देखिसकेका छौं कि प्रशिक्षणको क्रममा शुद्धता कसरी घट्छ। प्रशिक्षणको क्रममा छुट्टिने रेखा कसरी व्यवहार गर्छ भन्ने हेर्न पाउनु राम्रो हुनेछ। तलको कोडले सबै कुरा एउटै ग्राफमा देखाउनेछ, र तपाईंले स्लाइडर सारेर प्रशिक्षण प्रक्रियामा \"समय यात्रा\" गर्न सक्नुहुनेछ।\n"
|
||||
"हामीले पहिले देखिसकेका छौं कि प्रशिक्षणको क्रममा शुद्धता कसरी घट्छ। प्रशिक्षणको क्रममा छुट्ट्याउने रेखा कसरी व्यवहार गर्छ भन्ने हेर्न पाउनु राम्रो हुनेछ। तलको कोडले सबै कुरा एउटै ग्राफमा देखाउनेछ, र तपाईंले स्लाइडर सारेर प्रशिक्षण प्रक्रियामा \"समय यात्रा\" गर्न सक्नुहुनेछ।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -526,18 +526,18 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## पर्सेप्ट्रोनको सीमाहरू\n",
|
||||
"## परसेप्ट्रोनको सीमितताहरू\n",
|
||||
"\n",
|
||||
"जस्तो तपाईंले माथि देख्नुभयो, पर्सेप्ट्रोन एक **रेखीय वर्गीकरणकर्ता** हो। यदि दुई वर्गहरू **रेखीय रूपमा छुट्याउन सकिने** छन्, अर्थात् सीधा रेखाले छुट्याउन सकिन्छ भने, यसले ती वर्गहरू राम्रोसँग छुट्याउन सक्छ। अन्यथा, पर्सेप्ट्रोनको प्रशिक्षण प्रक्रिया सफलतापूर्वक समाप्त हुँदैन।\n",
|
||||
"जस्तो तपाईंले माथि देख्नुभयो, परसेप्ट्रोन एक **रेखीय वर्गीकरणकर्ता** हो। यदि दुई वर्गहरू **रेखीय रूपमा छुट्याउन सकिने** छन्, अर्थात् सीधा रेखाले छुट्याउन सकिन्छ भने, परसेप्ट्रोनले ती वर्गहरू राम्रोसँग छुट्याउन सक्छ। अन्यथा, परसेप्ट्रोनको प्रशिक्षण प्रक्रिया सफलतापूर्वक समाप्त हुँदैन।\n",
|
||||
"\n",
|
||||
"पर्सेप्ट्रोनले समाधान गर्न नसक्ने समस्याको सबैभन्दा स्पष्ट उदाहरण भनेको **XOR समस्या** हो। हामी चाहन्छौं कि हाम्रो पर्सेप्ट्रोनले XOR बूलियन फलन सिकून, जसको सत्य तालिका निम्नानुसार छ:\n",
|
||||
"परसेप्ट्रोनले समाधान गर्न नसक्ने समस्याको सबैभन्दा स्पष्ट उदाहरण भनेको **XOR समस्या** हो। हामी चाहन्छौं कि हाम्रो परसेप्ट्रोनले XOR बूलियन फलन सिकून, जसको सत्यतालिका निम्न प्रकारको छ:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"आउनुहोस्, यसलाई प्रयास गरौं! हामी सबै सकारात्मक र नकारात्मक प्रशिक्षण नमूनाहरू म्यानुअली भर्नेछौं, त्यसपछि माथि परिभाषित गरिएको हाम्रो train function कल गर्नेछौं:\n"
|
||||
"आउनुहोस्, यसलाई प्रयास गरौं! हामी सबै सकारात्मक र नकारात्मक प्रशिक्षण नमूनाहरू म्यानुअली भर्नेछौं, अनि माथि परिभाषित गरिएको हाम्रो train function लाई कल गर्नेछौं:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -604,7 +604,7 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"जस्तो कि माथिको ग्राफबाट देख्न सकिन्छ, शुद्धता कहिल्यै ७५% भन्दा माथि जान सक्दैन, किनभने सबै सम्भावित उदाहरणहरूलाई सही बनाउनको लागि सीधा रेखा कोर्न असम्भव छ।\n",
|
||||
"जस्तो कि माथिको ग्राफबाट देख्न सकिन्छ, सटीकता कहिल्यै ७५% भन्दा माथि जान सक्दैन, किनभने सबै सम्भावित उदाहरणहरूलाई सही बनाउनको लागि सीधा रेखा कोर्न असम्भव छ।\n",
|
||||
"\n",
|
||||
"XOR समस्या परसेप्ट्रोनको सीमाहरूको एक क्लासिकल उदाहरण हो, र यो १९६९ मा मार्विन मिन्स्की र सेमोर पेपर्टले आफ्नो पुस्तक [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) मा औंल्याएका थिए। यो अवलोकनले न्यूरल नेटवर्कको क्षेत्रमा लगभग १० वर्षसम्म अनुसन्धानलाई सीमित गर्यो, यद्यपि - र हामी यो हाम्रो पाठको अर्को खण्डमा देख्नेछौं - बहु-स्तरीय परसेप्ट्रोनहरूले यस्ता समस्याहरू समाधान गर्न पूर्ण रूपमा सक्षम छन्।\n",
|
||||
"\n",
|
||||
|
|
@ -612,9 +612,9 @@
|
|||
"\n",
|
||||
"यद्यपि परसेप्ट्रोनले XOR समस्या समाधान गर्न सक्दैन, यसले हस्तलिखित अक्षर पहिचान जस्ता धेरै जटिल समस्याहरू समाधान गर्न सक्छ।\n",
|
||||
"\n",
|
||||
"मेसिन लर्निङ सिक्दा प्राय: प्रयोग गरिने डाटासेटलाई [MNIST](https://en.wikipedia.org/wiki/MNIST_database) भनिन्छ। यो Modified National Institute of Standards and Technology द्वारा बनाइएको हो, र यसमा ६०,००० हस्तलिखित अंकहरूको प्रशिक्षण सेट समावेश छ, जुन लगभग २५० विद्यार्थी र संस्थाका कर्मचारीहरूबाट सङ्कलन गरिएको हो। साथै, १०,००० अंकहरूको परीक्षण डाटासेट पनि छ, जुन फरक व्यक्तिहरूबाट सङ्कलन गरिएको छ।\n",
|
||||
"मेसिन लर्निङ सिक्दा प्राय: प्रयोग गरिने डाटासेटलाई [MNIST](https://en.wikipedia.org/wiki/MNIST_database) भनिन्छ। यो Modified National Institute of Standards and Technology द्वारा सिर्जना गरिएको हो, र यसमा ६०,००० हस्तलिखित अंकहरूको प्रशिक्षण सेट समावेश छ, जुन लगभग २५० विद्यार्थी र संस्थाका कर्मचारीहरूबाट सङ्कलन गरिएको हो। साथै, १०,००० अंकहरूको परीक्षण डाटासेट पनि छ, जुन फरक व्यक्तिहरूबाट सङ्कलन गरिएको छ।\n",
|
||||
"\n",
|
||||
"सबै अंकहरू २८x२८ पिक्सेल आकारका ग्रेस्केल छविहरूद्वारा प्रतिनिधित्व गरिएका छन्।\n",
|
||||
"सबै अंकहरू २८x२८ पिक्सेल साइजका ग्रेस्केल छविहरूद्वारा प्रतिनिधित्व गरिएका छन्।\n",
|
||||
"\n",
|
||||
"> MNIST डाटासेट [Kaggle](https://www.kaggle.com/c/digit-recognizer) मा प्रशिक्षण प्रतियोगिताको रूपमा उपलब्ध छ, जुन मेसिन लर्निङ प्रतियोगिता र प्रतिस्पर्धाहरू आयोजना गर्ने साइट हो। एकपटक तपाईंले MNIST अंकहरू वर्गीकृत गर्न सिक्नुभयो भने, तपाईं आफ्नो समाधान Kaggle मा पेश गर्न सक्नुहुन्छ र अन्य सहभागीहरूसँग तुलना गरेर यसको मूल्याङ्कन हेर्न सक्नुहुन्छ।\n",
|
||||
"\n",
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"किनभने पर्सेप्ट्रोन एक द्विपक्षीय वर्गीकरणकर्ता हो, हामी हाम्रो समस्यालाई केवल दुई अंकहरू पहिचान गर्न सीमित गर्नेछौं। तलको कार्यले दुई दिइएका अंकहरू सहित सकारात्मक र नकारात्मक नमूना एरेहरू भर्नेछ (र स्पष्टताको लागि ती अंकहरूको नमूना पनि देखाउनेछ)।\n"
|
||||
"किनभने परसेप्ट्रोन एक द्विआधारी वर्गीकरणकर्ता हो, हामी हाम्रो समस्यालाई केवल दुई अंकहरूलाई चिन्नेमा सीमित गर्नेछौं। तलको कार्यले दुई दिइएका अंकहरूका साथ सकारात्मक र नकारात्मक नमूना एरेहरू भर्नेछ (र स्पष्टताको लागि ती अंकहरूको नमूनाहरू पनि देखाउनेछ)।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,11 +830,11 @@
|
|||
"source": [
|
||||
"कृपया ध्यान दिनुहोस् कि कसरी सटीकता धेरै छिटो लगभग १००% सम्म पुग्छ।\n",
|
||||
"\n",
|
||||
"कृपया, प्रशिक्षणको अन्त्यतिर स्लाइडरलाई केही स्थानमा सार्नुहोस्, र बायाँपट्टि प्लट गरिएको वजन म्याट्रिक्सलाई अवलोकन गर्नुहोस्। यो म्याट्रिक्सले तपाईलाई बुझ्न मद्दत गर्नेछ कि कसरी परसेप्ट्रोन वास्तवमा काम गर्छ। तपाईले क्षेत्रको बीचमा उच्च वजन मानहरू देख्न सक्नुहुन्छ, जुन सामान्यतया अंक १ को लागि उपस्थित पिक्सेलहरूसँग मेल खान्छ, र छेउतिर कम नकारात्मक मानहरू, जहाँ अंक ० का भागहरू हुन्छन्। त्यसैले, यदि परसेप्ट्रोनलाई प्रस्तुत गरिएको अंक वास्तवमै १ हो भने, यसको बीचको भाग उच्च मानहरूसँग गुणा हुनेछ, जसले सकारात्मक परिणाम उत्पादन गर्नेछ। यसको विपरीत, जब परसेप्ट्रोनले ० अवलोकन गर्छ, त्यससँग सम्बन्धित पिक्सेलहरू नकारात्मक संख्याहरूसँग गुणा हुनेछन्।\n",
|
||||
"कृपया, प्रशिक्षणको अन्त्यतिर स्लाइडरलाई केही स्थानमा सार्नुहोस्, र बायाँपट्टि प्लट गरिएको वजन म्याट्रिक्सलाई अवलोकन गर्नुहोस्। यो म्याट्रिक्सले तपाईलाई बुझ्न मद्दत गर्नेछ कि कसरी परसेप्ट्रोन वास्तवमा काम गर्छ। तपाईले क्षेत्रको बीचमा उच्च वजन मानहरू देख्न सक्नुहुन्छ, जुन ती पिक्सेलहरूसँग मेल खान्छ जुन सामान्यतया अंक १ को लागि हुन्छ, र छेउतिर कम नकारात्मक मानहरू, जहाँ अंक ० का भागहरू हुन्छन्। त्यसैले, यदि परसेप्ट्रोनलाई प्रस्तुत गरिएको अंक वास्तवमा १ हो भने, यसको बीचको भाग उच्च मानहरूसँग गुणा हुनेछ, जसले सकारात्मक परिणाम उत्पादन गर्नेछ। यसको विपरीत, जब परसेप्ट्रोनले ० देख्छ, त्यससँग सम्बन्धित पिक्सेलहरू नकारात्मक संख्याहरूले गुणा गरिनेछ।\n",
|
||||
"\n",
|
||||
"> तपाईले ध्यान दिन सक्नुहुन्छ कि यदि हामी हाम्रो परसेप्ट्रोनलाई हल्का रूपमा तेर्सो सरेको अंक १ दिन्छौं, जसका पिक्सेलहरूले त्यस्तो स्थान ओगट्छन् जहाँ ० को ठाडो भागहरू हुन्छन्, हामीले गलत परिणाम प्राप्त गर्न सक्छौं। किनभने हाम्रो MNIST डेटासेटको प्रकृति यस्तो छ कि सबै अंकहरू केन्द्रित र सही रूपमा स्थित छन्, र परसेप्ट्रोनले अंकहरू छुट्याउन यसमा निर्भर गर्दछ।\n",
|
||||
"> तपाईले यो पनि देख्न सक्नुहुन्छ कि यदि हामीले हाम्रो परसेप्ट्रोनलाई अलिकति तेर्सो सरेको अंक १ दियौं, जसले गर्दा यसको पिक्सेलहरूले त्यस्तो स्थान ओगट्छ जहाँ ० को ठाडो भागहरू हुन्छन्, हामीले गलत परिणाम प्राप्त गर्न सक्छौं। किनभने हाम्रो MNIST डेटासेटको प्रकृति यस्तो छ कि सबै अंकहरू केन्द्रित र सही रूपमा स्थित छन्, र परसेप्ट्रोनले अंकहरू छुट्याउन यसमा निर्भर गर्दछ।\n",
|
||||
"\n",
|
||||
"अब, विभिन्न अंकहरू प्रयास गरौं:\n"
|
||||
"अब विभिन्न अंकहरू प्रयास गरौं:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -910,11 +910,11 @@
|
|||
"source": [
|
||||
"## छलफल\n",
|
||||
"\n",
|
||||
"केही कारणले गर्दा, २ र ५ यति सजिलै छुट्याउन सकिँदैन। यद्यपि हामी तुलनात्मक रूपमा उच्च शुद्धता (८५% भन्दा माथि) प्राप्त गर्छौं, हामी स्पष्ट रूपमा देख्न सक्छौं कि कुनै बिन्दुमा परसेप्ट्रोनले सिक्न रोक्छ।\n",
|
||||
"केही कारणले गर्दा, २ र ५ लाई सजिलै छुट्याउन सकिँदैन। यद्यपि हामीलाई तुलनात्मक रूपमा उच्च शुद्धता (८५% भन्दा माथि) प्राप्त हुन्छ, हामी स्पष्ट रूपमा देख्न सक्छौं कि कुनै बिन्दुमा perceptron ले सिक्न छोड्छ।\n",
|
||||
"\n",
|
||||
"यो किन हुन्छ भनेर बुझ्नका लागि, हामी [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) प्रयोग गर्न सक्छौं। यो एक मेसिन लर्निङ प्रविधि हो जसले इनपुट डेटासेटको आयाम घटाउन प्रयोग गरिन्छ, ताकि वर्गहरू बीचको उत्तम छुट्ट्याउने क्षमता प्राप्त गर्न सकियोस्।\n",
|
||||
"यो किन हुन्छ भनेर बुझ्नका लागि, हामी [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) प्रयोग गर्न सक्छौं। यो एक मेसिन लर्निङ प्रविधि हो जसले इनपुट डेटासेटको आयाम घटाउन प्रयोग गरिन्छ, जसले गर्दा वर्गहरू बीचको छुट्टयाउने क्षमता अधिकतम हुन्छ।\n",
|
||||
"\n",
|
||||
"हाम्रो केसमा, इनपुट इमेजमा ७८४ पिक्सलहरू (इनपुट विशेषताहरू) छन्, र हामी PCA प्रयोग गरेर प्यारामिटरहरूको संख्या केवल २ मा घटाउन चाहन्छौं, ताकि हामी तिनीहरूलाई ग्राफमा प्लट गर्न सकौं। ती दुई प्यारामिटरहरू मूल विशेषताहरूको रेखीय संयोजन हुनेछन्, र हामी यस प्रक्रियालाई हाम्रो मूल ७८४-आयामीय स्थानलाई \"घुमाउने\" र यसको प्रक्षेपणलाई २D-स्थानमा अवलोकन गर्ने रूपमा हेर्न सक्छौं, जबसम्म वर्गहरू छुट्याउने उत्तम दृश्य प्राप्त हुँदैन।\n"
|
||||
"हाम्रो अवस्थामा, इनपुट छविमा ७८४ पिक्सेलहरू (इनपुट विशेषताहरू) हुन्छन्, र हामी PCA प्रयोग गरेर प्यारामिटरहरूको संख्या घटाएर २ मा ल्याउन चाहन्छौं, ताकि हामी तिनीहरूलाई ग्राफमा प्लट गर्न सकौं। ती दुई प्यारामिटरहरू मूल विशेषताहरूको रेखीय संयोजन हुनेछन्, र हामी यस प्रक्रियालाई हाम्रो मूल ७८४-आयामीय स्थानलाई \"घुमाउने\" र यसको प्रक्षेपणलाई २D-स्थानमा अवलोकन गर्ने रूपमा हेर्न सक्छौं, जबसम्म हामी वर्गहरूलाई छुट्याउनको लागि सबैभन्दा राम्रो दृश्य प्राप्त गर्दैनौं।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1024,16 +1024,16 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"जस्तो कि तपाईंले देख्न सक्नुहुन्छ, 0 र 1 लाई सीधा रेखाले स्पष्ट रूपमा छुट्याउन सकिन्छ। यसले संकेत गर्दछ कि मूल 784-आयामीय स्थानमा अंकहरूलाई प्रतिनिधित्व गर्ने बिन्दुहरू पनि रेखीय रूपमा छुट्याउन सकिन्छ। तर, 2 र 5 को मामलामा, अंकहरूलाई स्पष्ट रूपमा छुट्याउने राम्रो प्रक्षेपण पाउन सकिँदैन, जसका कारण केही गलत वर्गीकरणका केसहरू देखिन्छन्।\n",
|
||||
"जस्तो कि तपाईंले देख्न सक्नुहुन्छ, 0 र 1 लाई सीधा रेखाले स्पष्ट रूपमा छुट्याउन सकिन्छ। यसले संकेत गर्दछ कि मूल 784-आयामीय स्थानमा अंकहरूलाई प्रतिनिधित्व गर्ने बिन्दुहरू पनि रेखीय रूपमा छुट्याउन सकिन्छ। तर 2 र 5 को मामलामा, अंकहरूलाई स्पष्ट रूपमा छुट्याउने राम्रो प्रक्षेपण पाउन सकिँदैन, जसका कारण केही गलत वर्गीकरणका केसहरू देखिन्छन्।\n",
|
||||
"\n",
|
||||
"> यस पाठक्रमको पछि हामी Neural Networks प्रयोग गरेर गैर-रेखीय वर्गीकरणकर्ता कसरी बनाउने भन्ने कुरा सिक्नेछौं, र अंकहरू सही रूपमा नजोडिएको समस्यालाई कसरी समाधान गर्ने भन्ने कुरा पनि बुझ्नेछौं। धेरै चाँडै हामी MNIST अंक वर्गीकरणमा 99% भन्दा माथिको शुद्धता हासिल गर्नेछौं, जहाँ हामी अंकहरूलाई 10 विभिन्न वर्गहरूमा वर्गीकृत गर्नेछौं।\n",
|
||||
"> यस पाठक्रममा पछि हामी Neural Networks प्रयोग गरेर गैर-रेखीय वर्गीकरणकर्ता कसरी बनाउने भन्ने कुरा सिक्नेछौं, र अंकहरू सही रूपमा नजोडिएको समस्यालाई कसरी समाधान गर्ने भन्ने कुरा पनि बुझ्नेछौं। धेरै चाँडै हामी MNIST अंक वर्गीकरणमा 99% भन्दा माथिको शुद्धता प्राप्त गर्नेछौं, जहाँ हामी अंकहरूलाई 10 विभिन्न वर्गहरूमा वर्गीकृत गर्नेछौं।\n",
|
||||
"\n",
|
||||
"## मुख्य कुरा\n",
|
||||
"\n",
|
||||
" * हामीले सबैभन्दा सरल Neural Network संरचना - एक-स्तरीय Perceptron को बारेमा सिक्यौं।\n",
|
||||
" * हामीले Gradient Descent मा आधारित सरल प्रशिक्षण प्रक्रिया प्रयोग गरेर Perceptron \"हातले\" कार्यान्वयन गर्यौं।\n",
|
||||
" * सरल भए पनि, एक-स्तरीय Perceptron हस्तलेखन गरिएको अंक पहिचानको जटिल समस्याहरू समाधान गर्न सक्षम छ।\n",
|
||||
" * एक-स्तरीय Perceptron एक रेखीय वर्गीकरणकर्ता हो, र यसले Logistic Regression जत्तिकै वर्गीकरण क्षमता प्रदान गर्दछ।\n",
|
||||
" * सरलताका बाबजुद, एक-स्तरीय Perceptron हस्तलेखन गरिएको अंक पहिचानको जटिल समस्याहरू समाधान गर्न सक्षम छ।\n",
|
||||
" * एक-स्तरीय Perceptron एक रेखीय वर्गीकरणकर्ता हो, र यसले Logistic Regression जत्तिकै वर्गीकरण शक्ति प्रदान गर्दछ।\n",
|
||||
" * नमूना स्थानमा, Perceptron ले Hyperplane प्रयोग गरेर इनपुट डाटाका दुई वर्गहरू छुट्याउन सक्छ।\n"
|
||||
]
|
||||
},
|
||||
|
|
@ -1043,14 +1043,14 @@
|
|||
"source": [
|
||||
"## श्रेय\n",
|
||||
"\n",
|
||||
"यो नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) को एक भाग हो, र [Dmitry Soshnikov](http://soshnikov.com) द्वारा तयार गरिएको हो। यो Microsoft Research Cambridge मा आयोजित Neural Network Workshop बाट प्रेरित छ। केही कोड र चित्रात्मक सामग्रीहरू [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) र [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) का प्रस्तुतीकरणहरूबाट लिइएको छ, साथै [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) रिपोजिटरीबाट पनि।\n"
|
||||
"यो नोटबुक [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) को एक भाग हो, र [Dmitry Soshnikov](http://soshnikov.com) द्वारा तयार गरिएको हो। यो Microsoft Research Cambridge मा आयोजित Neural Network Workshop बाट प्रेरित छ। केही कोड र चित्रात्मक सामग्रीहरू [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) र [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) का प्रस्तुतीकरणहरूबाट लिइएको हो, साथै [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) रिपोजिटरीबाट पनि।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**अस्वीकरण**: \nयो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।\n"
|
||||
"\n---\n\n**अस्वीकरण**: \nयो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं। \n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1079,8 +1079,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T08:47:00+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:50:55+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "ne"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,31 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:54+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:49:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ne"
|
||||
}
|
||||
-->
|
||||
# परसेप्ट्रनको साथ बहु-वर्ग वर्गीकरण
|
||||
# परसेप्ट्रोनसँग बहु-वर्ग वर्गीकरण
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।
|
||||
|
||||
## कार्य
|
||||
|
||||
यस पाठमा हामीले MNIST हस्तलेख अंकहरूको द्विआधारी वर्गीकरणका लागि विकास गरेको कोड प्रयोग गर्दै, एउटा बहु-वर्ग वर्गीकृतकर्ता बनाउनुहोस् जसले कुनै पनि अंकलाई चिन्हित गर्न सक्दछ। ट्रेन र टेस्ट डाटासेटमा वर्गीकरणको शुद्धता गणना गर्नुहोस्, र भ्रम म्याट्रिक्स प्रिन्ट गर्नुहोस्।
|
||||
यस पाठमा MNIST हस्तलेख अंकहरूको द्विआधारी वर्गीकरणका लागि विकास गरिएको कोड प्रयोग गर्दै, बहु-वर्ग वर्गीकृत बनाउनुहोस् जसले कुनै पनि अंकलाई चिन्हित गर्न सक्दछ। ट्रेन र टेस्ट डाटासेटमा वर्गीकरणको शुद्धता गणना गर्नुहोस्, र भ्रम म्याट्रिक्स प्रिन्ट गर्नुहोस्।
|
||||
|
||||
## सुझावहरू
|
||||
|
||||
1. प्रत्येक अंकका लागि, "यो अंक बनाम अन्य सबै अंक" को लागि द्विआधारी वर्गीकृतकर्ताको डाटासेट तयार गर्नुहोस्।
|
||||
1. द्विआधारी वर्गीकरणका लागि १० फरक परसेप्ट्रनहरू ट्रेन गर्नुहोस् (प्रत्येक अंकका लागि एउटा)।
|
||||
1. प्रत्येक अंकका लागि, "यो अंक बनाम अन्य सबै अंक" को लागि द्विआधारी वर्गीकर्ताको डाटासेट तयार गर्नुहोस्।
|
||||
1. द्विआधारी वर्गीकरणका लागि १० फरक परसेप्ट्रोनहरू (प्रत्येक अंकका लागि एक) ट्रेन गर्नुहोस्।
|
||||
1. इनपुट अंक वर्गीकृत गर्ने एउटा function परिभाषित गर्नुहोस्।
|
||||
|
||||
> **सुझाव**: यदि हामी सबै १० परसेप्ट्रनहरूको तौललाई एउटै म्याट्रिक्समा संयोजन गर्छौं भने, हामी एउटा म्याट्रिक्स गुणनद्वारा इनपुट अंकहरूमा सबै १० परसेप्ट्रनहरू लागू गर्न सक्षम हुनेछौं। सबैभन्दा सम्भावित अंक `argmax` अपरेसनलाई आउटपुटमा लागू गरेर पत्ता लगाउन सकिन्छ।
|
||||
> **सुझाव**: यदि हामी सबै १० परसेप्ट्रोनहरूको तौललाई एउटै म्याट्रिक्समा संयोजन गर्छौं भने, हामी एउटा म्याट्रिक्स गुणनद्वारा इनपुट अंकहरूमा सबै १० परसेप्ट्रोनहरू लागू गर्न सक्षम हुनेछौं। त्यसपछि सबैभन्दा सम्भावित अंक `argmax` अपरेसन प्रयोग गरेर सजिलै पत्ता लगाउन सकिन्छ।
|
||||
|
||||
## सुरुवाती नोटबुक
|
||||
|
||||
[PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) खोल्दै ल्याब सुरु गर्नुहोस्।
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) खोल्दै ल्याब सुरु गर्नुहोस्।
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धि हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:08:20+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:50:55+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "pa"
|
||||
}
|
||||
|
|
@ -23,19 +23,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# ਸ਼ੁਰੂਆਤੀ ਲਈ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ - ਇੱਕ ਪਾਠਕ੍ਰਮ
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| ਸ਼ੁਰੂਆਤੀ ਲਈ AI - _ਸਕੈਚਨੋਟ [@girlie_mac](https://twitter.com/girlie_mac) ਦੁਆਰਾ_ |
|
||||
| ਸ਼ੁਰੂਆਤੀ ਲਈ AI - _[@girlie_mac](https://twitter.com/girlie_mac) ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸਕੈਚਨੋਟ_ |
|
||||
|
||||
**ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ** (AI) ਦੀ ਦੁਨੀਆ ਨੂੰ ਖੋਜੋ ਸਾਡੇ 12 ਹਫ਼ਤਿਆਂ ਦੇ, 24 ਪਾਠਾਂ ਵਾਲੇ ਪਾਠਕ੍ਰਮ ਨਾਲ! ਇਸ ਵਿੱਚ ਵਿਹਾਰਕ ਪਾਠ, ਪ੍ਰਸ਼ਨੋਤਰੀ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਪਾਠਕ੍ਰਮ ਸ਼ੁਰੂਆਤੀ ਲਈ ਅਨੁਕੂਲ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ TensorFlow ਅਤੇ PyTorch ਵਰਗੇ ਟੂਲਾਂ ਦੇ ਨਾਲ ਨਾਲ AI ਵਿੱਚ ਨੈਤਿਕਤਾ ਨੂੰ ਵੀ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ।
|
||||
**ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ** (AI) ਦੀ ਦੁਨੀਆ ਨੂੰ ਖੋਜੋ ਸਾਡੇ 12 ਹਫ਼ਤਿਆਂ ਦੇ, 24 ਪਾਠਾਂ ਵਾਲੇ ਪਾਠਕ੍ਰਮ ਨਾਲ! ਇਸ ਵਿੱਚ ਵਿਹਾਰਕ ਪਾਠ, ਪ੍ਰਸ਼ਨੋਤਰੀ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਪਾਠਕ੍ਰਮ ਸ਼ੁਰੂਆਤੀ ਲਈ ਅਨੁਕੂਲ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ TensorFlow ਅਤੇ PyTorch ਵਰਗੇ ਟੂਲਾਂ ਦੇ ਨਾਲ ਨਾਲ AI ਵਿੱਚ ਨੈਤਿਕਤਾ ਵੀ ਸ਼ਾਮਲ ਹੈ।
|
||||
|
||||
### 🌐 ਬਹੁ-ਭਾਸ਼ਾਈ ਸਹਾਇਤਾ
|
||||
|
||||
#### GitHub Action ਰਾਹੀਂ ਸਹਾਇਕ (ਸਵੈਚਾਲਿਤ ਅਤੇ ਹਮੇਸ਼ਾਂ ਅਪ-ਟੂ-ਡੇਟ)
|
||||
#### GitHub Action ਰਾਹੀਂ ਸਹਾਇਕ (ਆਟੋਮੈਟਿਕ ਅਤੇ ਹਮੇਸ਼ਾ ਅਪ-ਟੂ-ਡੇਟ)
|
||||
|
||||
[ਫਰਾਂਸੀਸੀ](../fr/README.md) | [ਸਪੇਨੀ](../es/README.md) | [ਜਰਮਨ](../de/README.md) | [ਰੂਸੀ](../ru/README.md) | [ਅਰਬੀ](../ar/README.md) | [ਫ਼ਾਰਸੀ](../fa/README.md) | [ਉਰਦੂ](../ur/README.md) | [ਚੀਨੀ (ਸਰਲ)](../zh/README.md) | [ਚੀਨੀ (ਰਵਾਇਤੀ, ਮਕਾਉ)](../mo/README.md) | [ਚੀਨੀ (ਰਵਾਇਤੀ, ਹਾਂਗਕਾਂਗ)](../hk/README.md) | [ਚੀਨੀ (ਰਵਾਇਤੀ, ਤਾਈਵਾਨ)](../tw/README.md) | [ਜਾਪਾਨੀ](../ja/README.md) | [ਕੋਰੀਆਈ](../ko/README.md) | [ਹਿੰਦੀ](../hi/README.md) | [ਬੰਗਾਲੀ](../bn/README.md) | [ਮਰਾਠੀ](../mr/README.md) | [ਨੇਪਾਲੀ](../ne/README.md) | [ਪੰਜਾਬੀ (ਗੁਰਮੁਖੀ)](./README.md) | [ਪੁਰਤਗਾਲੀ (ਪੁਰਤਗਾਲ)](../pt/README.md) | [ਪੁਰਤਗਾਲੀ (ਬ੍ਰਾਜ਼ੀਲ)](../br/README.md) | [ਇਟਾਲਵੀ](../it/README.md) | [ਪੋਲਿਸ਼](../pl/README.md) | [ਤੁਰਕੀ](../tr/README.md) | [ਯੂਨਾਨੀ](../el/README.md) | [ਥਾਈ](../th/README.md) | [ਸਵੀਡਿਸ਼](../sv/README.md) | [ਡੈਨਿਸ਼](../da/README.md) | [ਨਾਰਵੇਜੀਅਨ](../no/README.md) | [ਫਿਨਿਸ਼](../fi/README.md) | [ਡੱਚ](../nl/README.md) | [ਹਿਬਰੂ](../he/README.md) | [ਵਿਯਤਨਾਮੀ](../vi/README.md) | [ਇੰਡੋਨੇਸ਼ੀਆਈ](../id/README.md) | [ਮਲੇ](../ms/README.md) | [ਟੈਗਾਲੋਗ (ਫਿਲੀਪੀਨੋ)](../tl/README.md) | [ਸਵਾਹਿਲੀ](../sw/README.md) | [ਹੰਗਰੀਅਨ](../hu/README.md) | [ਚੈਕ](../cs/README.md) | [ਸਲੋਵਾਕ](../sk/README.md) | [ਰੋਮਾਨੀਅਨ](../ro/README.md) | [ਬੁਲਗਾਰੀਆਈ](../bg/README.md) | [ਸਰਬੀਅਨ (ਸਿਰਿਲਿਕ)](../sr/README.md) | [ਕਰੋਏਸ਼ੀਆਈ](../hr/README.md) | [ਸਲੋਵੇਨੀਆਈ](../sl/README.md) | [ਯੂਕਰੇਨੀ](../uk/README.md) | [ਬਰਮੀ (ਮਿਆਂਮਾਰ)](../my/README.md)
|
||||
[ਫਰਾਂਸੀਸੀ](../fr/README.md) | [ਸਪੇਨੀ](../es/README.md) | [ਜਰਮਨ](../de/README.md) | [ਰੂਸੀ](../ru/README.md) | [ਅਰਬੀ](../ar/README.md) | [ਫ਼ਾਰਸੀ](../fa/README.md) | [ਉਰਦੂ](../ur/README.md) | [ਚੀਨੀ (ਸਰਲ)](../zh/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਮਕਾਉ)](../mo/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਹਾਂਗਕਾਂਗ)](../hk/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਤਾਈਵਾਨ)](../tw/README.md) | [ਜਾਪਾਨੀ](../ja/README.md) | [ਕੋਰੀਆਈ](../ko/README.md) | [ਹਿੰਦੀ](../hi/README.md) | [ਬੰਗਾਲੀ](../bn/README.md) | [ਮਰਾਠੀ](../mr/README.md) | [ਨੇਪਾਲੀ](../ne/README.md) | [ਪੰਜਾਬੀ (ਗੁਰਮੁਖੀ)](./README.md) | [ਪੁਰਤਗਾਲੀ (ਪੁਰਤਗਾਲ)](../pt/README.md) | [ਪੁਰਤਗਾਲੀ (ਬ੍ਰਾਜ਼ੀਲ)](../br/README.md) | [ਇਟਾਲਵੀ](../it/README.md) | [ਪੋਲਿਸ਼](../pl/README.md) | [ਤੁਰਕੀ](../tr/README.md) | [ਯੂਨਾਨੀ](../el/README.md) | [ਥਾਈ](../th/README.md) | [ਸਵੀਡਿਸ਼](../sv/README.md) | [ਡੈਨਿਸ਼](../da/README.md) | [ਨਾਰਵੇਜੀਅਨ](../no/README.md) | [ਫਿਨਿਸ਼](../fi/README.md) | [ਡੱਚ](../nl/README.md) | [ਹਿਬਰੂ](../he/README.md) | [ਵਿਯਤਨਾਮੀ](../vi/README.md) | [ਇੰਡੋਨੇਸ਼ੀਆਈ](../id/README.md) | [ਮਲੇ](../ms/README.md) | [ਟੈਗਾਲੋਗ (ਫਿਲੀਪੀਨੋ)](../tl/README.md) | [ਸਵਾਹਿਲੀ](../sw/README.md) | [ਹੰਗਰੀਅਨ](../hu/README.md) | [ਚੈਕ](../cs/README.md) | [ਸਲੋਵਾਕ](../sk/README.md) | [ਰੋਮਾਨੀਅਨ](../ro/README.md) | [ਬੁਲਗਾਰੀਆਈ](../bg/README.md) | [ਸਰਬੀਅਨ (ਸਿਰਿਲਿਕ)](../sr/README.md) | [ਕਰੋਏਸ਼ੀਆਈ](../hr/README.md) | [ਸਲੋਵੇਨੀਆਈ](../sl/README.md) | [ਯੂਕਰੇਨੀ](../uk/README.md) | [ਬਰਮੀ (ਮਿਆਂਮਾਰ)](../my/README.md)
|
||||
|
||||
**ਜੇ ਤੁਸੀਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਵਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਹਾਇਕ ਭਾਸ਼ਾਵਾਂ ਦੀ ਸੂਚੀ [ਇੱਥੇ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ਉਪਲਬਧ ਹੈ।**
|
||||
**ਜੇ ਤੁਸੀਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਵਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਹਾਇਕ ਭਾਸ਼ਾਵਾਂ ਦੀ ਸੂਚੀ [ਇੱਥੇ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ਮਿਲੇਗੀ।**
|
||||
|
||||
## ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
|
@ -46,23 +46,23 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ:
|
||||
|
||||
* ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਵੱਖ-ਵੱਖ ਪਹੁੰਚਾਂ, ਜਿਵੇਂ ਕਿ "ਪੁਰਾਣੀ" ਪ੍ਰਤੀਕਾਤਮਕ ਪਹੁੰਚ ਜਿਸ ਵਿੱਚ **ਗਿਆਨ ਪ੍ਰਸਤੁਤੀ** ਅਤੇ ਤਰਕ ਸ਼ਾਮਲ ਹਨ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))।
|
||||
* **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਅਤੇ **ਡੀਪ ਲਰਨਿੰਗ**, ਜੋ ਆਧੁਨਿਕ AI ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹਨ। ਅਸੀਂ ਇਨ੍ਹਾਂ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ਿਆਂ ਦੇ ਪਿੱਛੇ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਦੋ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਫਰੇਮਵਰਕਸ - [TensorFlow](http://Tensorflow.org) ਅਤੇ [PyTorch](http://pytorch.org) ਵਿੱਚ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਰਸਾਵਾਂਗੇ।
|
||||
* ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਵੱਖ-ਵੱਖ ਪਹੁੰਚਾਂ, ਜਿਵੇਂ ਕਿ "ਪੁਰਾਣਾ" ਪ੍ਰਤੀਕਾਤਮਕ ਪਹੁੰਚ ਜਿਸ ਵਿੱਚ **ਗਿਆਨ ਪ੍ਰਸਤੁਤੀ** ਅਤੇ ਤਰਕ ਸ਼ਾਮਲ ਹਨ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))।
|
||||
* **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਅਤੇ **ਡੀਪ ਲਰਨਿੰਗ**, ਜੋ ਆਧੁਨਿਕ AI ਦਾ ਕੇਂਦਰ ਹਨ। ਅਸੀਂ ਇਨ੍ਹਾਂ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ਿਆਂ ਦੇ ਪਿੱਛੇ ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਦੋ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਫਰੇਮਵਰਕਸ - [TensorFlow](http://Tensorflow.org) ਅਤੇ [PyTorch](http://pytorch.org) ਵਿੱਚ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਰਸਾਵਾਂਗੇ।
|
||||
* ਚਿੱਤਰਾਂ ਅਤੇ ਪਾਠਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ **ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰਸ**। ਅਸੀਂ ਹਾਲੀਆ ਮਾਡਲਾਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ ਪਰ ਸ਼ਾਇਦ ਸਟੇਟ-ਆਫ-ਦ-ਆਰਟ ਵਿੱਚ ਥੋੜੇ ਘਾਟੇ ਹੋ ਸਕਦੇ ਹਨ।
|
||||
* ਘੱਟ ਪ੍ਰਸਿੱਧ AI ਪਹੁੰਚਾਂ, ਜਿਵੇਂ ਕਿ **ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਥਮਸ** ਅਤੇ **ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮਸ**।
|
||||
|
||||
ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕੀ ਕਵਰ ਨਹੀਂ ਕਰਾਂਗੇ:
|
||||
ਜੋ ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਵਰ ਨਹੀਂ ਕਰਾਂਗੇ:
|
||||
|
||||
> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **ਵਪਾਰ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ** ਦੇ ਕਾਰੋਬਾਰੀ ਕੇਸ। [ਵਪਾਰਕ ਉਪਭੋਗਤਾਵਾਂ ਲਈ AI ਦਾ ਪਰਿਚਯ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਜਾਂ [AI ਬਿਜ਼ਨਸ ਸਕੂਲ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ਜੋ [INSEAD](https://www.insead.edu/) ਦੇ ਸਹਿਯੋਗ ਨਾਲ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਲੈਣ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
|
||||
* **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ**, ਜੋ ਸਾਡੇ [ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਾਠਕ੍ਰਮ](http://github.com/Microsoft/ML-for-Beginners) ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਰਣਿਤ ਹੈ।
|
||||
* **[ਕਾਗਨੀਟਿਵ ਸਰਵਿਸਿਜ਼](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਵਿਹਾਰਕ AI ਐਪਲੀਕੇਸ਼ਨ। ਇਸ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ Microsoft Learn ਦੇ ਮਾਡਿਊਲਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਜਿਵੇਂ ਕਿ [ਦ੍ਰਿਸ਼ਟੀ](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ਅਤੇ ਹੋਰ।
|
||||
* ਖਾਸ ML **ਕਲਾਉਡ ਫਰੇਮਵਰਕਸ**, ਜਿਵੇਂ ਕਿ [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ਜਾਂ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ਅਤੇ [Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
|
||||
* **ਸੰਵਾਦਾਤਮਕ AI** ਅਤੇ **ਚੈਟ ਬੌਟਸ**। ਇਸ ਲਈ ਇੱਕ ਵੱਖਰਾ [ਸੰਵਾਦਾਤਮਕ AI ਹੱਲ ਬਣਾਓ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਹੋਰ ਵੇਰਵੇ ਲਈ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ਨੂੰ ਵੀ ਵੇਖ ਸਕਦੇ ਹੋ।
|
||||
* ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਪਿੱਛੇ ਦੀ **ਗਹਿਰੀ ਗਣਿਤ**। ਇਸ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ [ਡੀਪ ਲਰਨਿੰਗ](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ਇਆਨ ਗੁੱਡਫੈਲੋ, ਯੋਸ਼ੂਆ ਬੈਂਜਿਓ ਅਤੇ ਐਰਨ ਕੌਰਵਿਲ ਦੁਆਰਾ, ਜੋ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) 'ਤੇ ਵੀ ਉਪਲਬਧ ਹੈ।
|
||||
* **ਵਪਾਰ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰੋਬਾਰੀ ਕੇਸ**। Microsoft Learn 'ਤੇ [ਵਪਾਰਕ ਉਪਭੋਗਤਾਵਾਂ ਲਈ AI ਦਾ ਪਰਿਚਯ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਜਾਂ [AI ਬਿਜ਼ਨਸ ਸਕੂਲ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ਜੋ [INSEAD](https://www.insead.edu/) ਦੇ ਸਹਿਯੋਗ ਨਾਲ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਲੈਣ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
|
||||
* **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ**, ਜੋ ਸਾਡੇ [ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਾਠਕ੍ਰਮ](http://github.com/Microsoft/ML-for-Beginners) ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ।
|
||||
* **[ਕਾਗਨੀਟਿਵ ਸਰਵਿਸਿਜ਼](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਵਿਹਾਰਕ AI ਐਪਲੀਕੇਸ਼ਨ। ਇਸ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ Microsoft Learn ਦੇ ਮਾਡਿਊਲਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਜਿਵੇਂ ਕਿ [ਦ੍ਰਿਸ਼ਟੀ](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI Service ਨਾਲ ਜੈਨਰੇਟਿਵ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ਅਤੇ ਹੋਰ।
|
||||
* ਖਾਸ ML **ਕਲਾਉਡ ਫਰੇਮਵਰਕਸ**, ਜਿਵੇਂ ਕਿ [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ਜਾਂ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure Machine Learning ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਓ ਅਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ਅਤੇ [Azure Databricks ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਓ ਅਤੇ ਚਲਾਓ](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
|
||||
* **ਕੰਵਰਸੇਸ਼ਨਲ AI** ਅਤੇ **ਚੈਟ ਬੌਟਸ**। ਇਸ ਲਈ ਇੱਕ ਵੱਖਰਾ [ਕੰਵਰਸੇਸ਼ਨਲ AI ਹੱਲ ਬਣਾਓ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਹੋਰ ਵੇਰਵੇ ਲਈ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ਨੂੰ ਵੀ ਵੇਖ ਸਕਦੇ ਹੋ।
|
||||
* **ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਪਿੱਛੇ ਦੀ ਗਹਿਰਾਈ ਵਾਲੀ ਗਣਿਤ**। ਇਸ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ [ਡੀਪ ਲਰਨਿੰਗ](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ਇਆਨ ਗੁਡਫੈਲੋ, ਯੋਸ਼ੂਆ ਬੈਂਜਿਓ ਅਤੇ ਐਰਨ ਕੌਰਵਿਲ ਦੁਆਰਾ, ਜੋ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) 'ਤੇ ਵੀ ਉਪਲਬਧ ਹੈ।
|
||||
|
||||
ਕਲਾਉਡ ਵਿੱਚ _AI_ ਵਿਸ਼ਿਆਂ ਲਈ ਇੱਕ ਹੌਲੀ ਸ਼ੁਰੂਆਤ ਲਈ, ਤੁਸੀਂ [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਲੈਣ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ।
|
||||
ਕਲਾਉਡ ਵਿੱਚ _AI_ ਦੇ ਵਿਸ਼ਿਆਂ ਲਈ ਹੌਲੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ ਤੁਸੀਂ [Azure 'ਤੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) ਲਰਨਿੰਗ ਪਾਠ ਲੈ ਸਕਦੇ ਹੋ।
|
||||
|
||||
# ਸਮੱਗਰੀ
|
||||
|
||||
|
|
@ -72,98 +72,97 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
| I | [**AI ਦਾ ਪਰਿਚਯ**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI ਦਾ ਪਰਿਚਯ ਅਤੇ ਇਤਿਹਾਸ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **ਪ੍ਰਤੀਕਾਤਮਕ AI** |
|
||||
| 02 | [ਗਿਆਨ ਪ੍ਰਸਤੁਤੀ ਅਤੇ ਵਿਸ਼ੇਸ਼ਜਗ ਵਿਧਾਨ](./lessons/2-Symbolic/README.md) | [ਵਿਸ਼ੇਸ਼ਜਗ ਵਿਧਾਨ](./lessons/2-Symbolic/Animals.ipynb) / [ਓਨਟੋਲੋਜੀ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ਕੰਸੈਪਟ ਗ੍ਰਾਫ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [ਗਿਆਨ ਪ੍ਰਸਤੁਤੀ ਅਤੇ ਵਿਸ਼ੇਸ਼ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ](./lessons/2-Symbolic/README.md) | [ਵਿਸ਼ੇਸ਼ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ](./lessons/2-Symbolic/Animals.ipynb) / [ਓਨਟੋਲੋਜੀ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ਸੰਕਲਪ ਗ੍ਰਾਫ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਿਚਯ**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [ਪਰਸੈਪਟਰਾਨ](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ਪ੍ਰਯੋਗਸ਼ਾਲਾ](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ਮਲਟੀ-ਲੇਅਰਡ ਪਰਸੈਪਟਰਾਨ ਅਤੇ ਆਪਣਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [ਨੋਟਬੁੱਕ](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ਪ੍ਰਯੋਗਸ਼ਾਲਾ](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ਫ੍ਰੇਮਵਰਕਸ (PyTorch/TensorFlow) ਅਤੇ ਓਵਰਫਿਟਿੰਗ ਦਾ ਪਰਿਚਯ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [ਮਾਈਕਰੋਸਾਫਟ ਐਜ਼ਿਊਰ 'ਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਿਚਯ। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [ਨੋਟਬੁੱਕ](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [ਕਨਵੋਲੂਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ](./lessons/4-ComputerVision/07-ConvNets/README.md) ਅਤੇ [CNN ਆਰਕੀਟੈਕਚਰ](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਨੈਟਵਰਕਸ ਅਤੇ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ](./lessons/4-ComputerVision/08-TransferLearning/README.md) ਅਤੇ [ਟ੍ਰੇਨਿੰਗ ਟ੍ਰਿਕਸ](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ਆਟੋਇੰਕੋਡਰ ਅਤੇ 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 | [ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈਟਵਰਕਸ ਅਤੇ ਕਲਾਤਮਕ ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ਲੈਬ](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [ਸੈਮੈਂਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [ਮਾਈਕਰੋਸਾਫਟ ਐਜ਼ਿਊਰ 'ਤੇ ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਿਤਾ। Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [ਸੈਮੈਂਟਿਕ ਵਰਡ ਐਮਬੈਡਿੰਗਸ। Word2Vec ਅਤੇ GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [ਭਾਸ਼ਾ ਮਾਡਲਿੰਗ। ਆਪਣੇ ਐਮਬੈਡਿੰਗਸ ਟ੍ਰੇਨ ਕਰੋ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [ਰੀਕਰਨਟ ਨਿਊਰਲ ਨੈਟਵਰਕਸ](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [ਜਨਰੇਟਿਵ ਰੀਕਰਨਟ ਨੈਟਵਰਕਸ](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [ਲੈਬ](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ਟ੍ਰਾਂਸਫਾਰਮਰ। BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [ਨੇਮਡ ਐਂਟਿਟੀ ਰਿਕਗਨਿਸ਼ਨ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [ਲੈਬ](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ, ਪ੍ਰੌਮਪਟ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਤੇ ਫਿਊ-ਸ਼ਾਟ ਟਾਸਕਸ](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 05 | [Frameworks (PyTorch/TensorFlow) ਅਤੇ Overfitting ਦਾ ਪਰਚੇ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure 'ਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਚੇ. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Pre-trained Networks ਅਤੇ Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) ਅਤੇ [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders ਅਤੇ VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks ਅਤੇ Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Object Detection](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantic Segmentation. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Natural Language Processing**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure 'ਤੇ Natural Language Processing ਦੀ ਖੋਜ ਕਰੋ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Text Representation. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantic word embeddings. Word2Vec ਅਤੇ GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Language Modeling. ਆਪਣੇ embeddings ਨੂੰ train ਕਰੋ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Large Language Models, Prompt Programming ਅਤੇ Few-Shot Tasks](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **ਹੋਰ AI ਤਕਨੀਕਾਂ** || |
|
||||
| 21 | [ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਥਮ](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [ਨੋਟਬੁੱਕ](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ਡੀਪ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ਲੈਬ](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI ਨੈਤਿਕਤਾ** | | |
|
||||
| 24 | [AI ਨੈਤਿਕਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI](./lessons/7-Ethics/README.md) | [ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ: ਜ਼ਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **ਵਾਧੂ ਸਮੱਗਰੀ** | | |
|
||||
| 25 | [ਮਲਟੀ-ਮੋਡਲ ਨੈਟਵਰਕਸ, CLIP ਅਤੇ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [ਨੋਟਬੁੱਕ](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 21 | [Genetic Algorithms](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multi-Agent Systems](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI Ethics** | | |
|
||||
| 24 | [AI Ethics ਅਤੇ Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extras** | | |
|
||||
| 25 | [Multi-Modal Networks, CLIP ਅਤੇ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ
|
||||
|
||||
* ਪੜ੍ਹਨ ਲਈ ਪਹਿਲਾਂ ਦੀ ਸਮੱਗਰੀ
|
||||
* ਚਲਣਯੋਗ Jupyter ਨੋਟਬੁੱਕਸ, ਜੋ ਅਕਸਰ ਫ੍ਰੇਮਵਰਕ (**PyTorch** ਜਾਂ **TensorFlow**) ਲਈ ਵਿਸ਼ੇਸ਼ ਹੁੰਦੀਆਂ ਹਨ। ਚਲਣਯੋਗ ਨੋਟਬੁੱਕ ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਵੀ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਵਿਸ਼ੇ ਨੂੰ ਸਮਝਣ ਲਈ ਤੁਹਾਨੂੰ ਘੱਟੋ-ਘੱਟ ਨੋਟਬੁੱਕ ਦੇ ਇੱਕ ਸੰਸਕਰਣ (PyTorch ਜਾਂ TensorFlow) ਨੂੰ ਪੜ੍ਹਨਾ ਜ਼ਰੂਰੀ ਹੈ।
|
||||
* ਕੁਝ ਵਿਸ਼ਿਆਂ ਲਈ ਉਪਲਬਧ **ਲੈਬਸ**, ਜੋ ਤੁਹਾਨੂੰ ਸਿੱਖੀ ਸਮੱਗਰੀ ਨੂੰ ਕਿਸੇ ਖਾਸ ਸਮੱਸਿਆ 'ਤੇ ਲਾਗੂ ਕਰਨ ਦਾ ਮੌਕਾ ਦਿੰਦੇ ਹਨ।
|
||||
* ਕੁਝ ਭਾਗਾਂ ਵਿੱਚ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ਮੌਡਿਊਲਾਂ ਦੇ ਲਿੰਕ ਸ਼ਾਮਲ ਹਨ ਜੋ ਸੰਬੰਧਤ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ।
|
||||
* ਪੜ੍ਹਨ ਲਈ ਪਹਿਲਾਂ ਦਾ ਸਮੱਗਰੀ
|
||||
* ਚਲਾਉਣ ਯੋਗ Jupyter Notebooks, ਜੋ ਅਕਸਰ framework (**PyTorch** ਜਾਂ **TensorFlow**) ਲਈ ਵਿਸ਼ੇਸ਼ ਹੁੰਦੇ ਹਨ। ਚਲਾਉਣ ਯੋਗ notebook ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਵੀ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਵਿਸ਼ੇ ਨੂੰ ਸਮਝਣ ਲਈ ਤੁਹਾਨੂੰ ਘੱਟੋ-ਘੱਟ ਇੱਕ notebook ਦਾ ਵਰਜਨ (PyTorch ਜਾਂ TensorFlow) ਦੇਖਣਾ ਪਵੇਗਾ।
|
||||
* **Labs** ਕੁਝ ਵਿਸ਼ਿਆਂ ਲਈ ਉਪਲਬਧ ਹਨ, ਜੋ ਤੁਹਾਨੂੰ ਸਿੱਖੀ ਗਈ ਸਮੱਗਰੀ ਨੂੰ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਸਮੱਸਿਆ 'ਤੇ ਲਾਗੂ ਕਰਨ ਦਾ ਮੌਕਾ ਦਿੰਦੇ ਹਨ।
|
||||
* ਕੁਝ ਭਾਗਾਂ ਵਿੱਚ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modules ਦੇ ਲਿੰਕ ਸ਼ਾਮਲ ਹਨ ਜੋ ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ।
|
||||
|
||||
## ਸ਼ੁਰੂਆਤ ਕਰਨਾ
|
||||
|
||||
- ਅਸੀਂ ਤੁਹਾਡੀ ਡਿਵੈਲਪਮੈਂਟ ਵਾਤਾਵਰਣ ਸੈਟਅੱਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਇੱਕ [ਸੈਟਅੱਪ ਪਾਠ](./lessons/0-course-setup/setup.md) ਬਣਾਇਆ ਹੈ।
|
||||
- ਅਧਿਆਪਕਾਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਇੱਕ [ਪਾਠਕ੍ਰਮ ਸੈਟਅੱਪ ਪਾਠ](./lessons/0-course-setup/for-teachers.md) ਵੀ ਬਣਾਇਆ ਹੈ!
|
||||
- [VSCode ਜਾਂ Codepace ਵਿੱਚ ਕੋਡ ਚਲਾਉਣ ਦਾ ਤਰੀਕਾ](./lessons/0-course-setup/how-to-run.md)
|
||||
- ਅਸੀਂ ਤੁਹਾਡੇ ਵਿਕਾਸ ਦੇ ਮਾਹੌਲ ਨੂੰ ਸੈਟਅੱਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਇੱਕ [setup lesson](./lessons/0-course-setup/setup.md) ਬਣਾਇਆ ਹੈ। - ਸ਼ਿਕਸ਼ਕਾਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਇੱਕ [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) ਵੀ ਬਣਾਇਆ ਹੈ!
|
||||
- [VSCode ਜਾਂ Codepace ਵਿੱਚ ਕੋਡ ਨੂੰ ਚਲਾਉਣ ਦਾ ਤਰੀਕਾ](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
ਇਹ ਕਦਮ ਅਨੁਸਰੋ:
|
||||
ਇਹ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
|
||||
|
||||
ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ: ਇਸ ਪੰਨੇ ਦੇ ਸੱਜੇ-ਉੱਪਰਲੇ ਕੋਨੇ 'ਤੇ "Fork" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
|
||||
Repository ਨੂੰ Fork ਕਰੋ: ਇਸ ਪੰਨੇ ਦੇ ਸਿਖਰ-ਦਾਖਣੇ 'Fork' ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
|
||||
|
||||
ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਕਲੋਨ ਕਰੋ: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Repository ਨੂੰ Clone ਕਰੋ: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਲੱਭਣ ਲਈ ਇਸਨੂੰ ਸਟਾਰ (🌟) ਕਰਨਾ ਨਾ ਭੁੱਲੋ।
|
||||
ਇਸ repo ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਲੱਭਣ ਲਈ ਇਸ ਨੂੰ star (🌟) ਕਰਨਾ ਨਾ ਭੁੱਲੋ।
|
||||
|
||||
## ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ
|
||||
## ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨੂੰ ਮਿਲੋ
|
||||
|
||||
ਸਾਡੇ [ਆਧਿਕਾਰਿਕ AI Discord ਸਰਵਰ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਤਾਂ ਜੋ ਇਸ ਕੋਰਸ ਨੂੰ ਕਰਨ ਵਾਲੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲ ਸਕੋ ਅਤੇ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕੋ।
|
||||
ਸਾਡੇ [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਤਾਂ ਜੋ ਇਸ ਕੋਰਸ ਨੂੰ ਲੈਣ ਵਾਲੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲ ਸਕੋ ਅਤੇ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕੋ।
|
||||
|
||||
ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਹੈ ਜਾਂ ਬਿਲਡਿੰਗ ਦੌਰਾਨ ਸਵਾਲ ਹਨ ਤਾਂ ਸਾਡੇ [ਐਜ਼ਿਊਰ AI ਫਾਉਂਡਰੀ ਡਿਵੈਲਪਰ ਫੋਰਮ](https://aka.ms/foundry/forum) 'ਤੇ ਜਾਓ।
|
||||
ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਹੈ ਜਾਂ ਬਣਾਉਣ ਦੌਰਾਨ ਸਵਾਲ ਹਨ ਤਾਂ ਸਾਡੇ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) 'ਤੇ ਜਾਓ।
|
||||
|
||||
## ਪ੍ਰਸ਼ਨੋੱਤਰੀ
|
||||
> **ਕੁਇਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੀਆਂ ਕੁਇਜ਼ਾਂ Quiz-app ਫੋਲਡਰ ਵਿੱਚ etc\quiz-app ਵਿੱਚ ਮੌਜੂਦ ਹਨ, ਜਾਂ [ਇੱਥੇ ਆਨਲਾਈਨ](https://ff-quizzes.netlify.app/)। ਇਹ ਕੁਇਜ਼ਾਂ ਪਾਠਾਂ ਦੇ ਅੰਦਰੋਂ ਲਿੰਕ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਕੁਇਜ਼ ਐਪ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਇਹ ਹੌਲੀ-ਹੌਲੀ ਸਥਾਨਕ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦਿਤ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ।
|
||||
## ਮਦਦ ਦੀ ਲੋੜ ਹੈ
|
||||
## ਪ੍ਰਸ਼ਨ
|
||||
> **ਕੁਇਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੀਆਂ ਕੁਇਜ਼ਾਂ Quiz-app ਫੋਲਡਰ ਵਿੱਚ etc\quiz-app ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ, ਜਾਂ [Online Here](https://ff-quizzes.netlify.app/)। ਇਹ ਪਾਠਾਂ ਵਿੱਚੋਂ ਲਿੰਕ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਕੁਇਜ਼ ਐਪ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਇਹ ਹੌਲੀ-ਹੌਲੀ ਸਥਾਨਕ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦਿਤ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ।
|
||||
## ਮਦਦ ਦੀ ਲੋੜ
|
||||
|
||||
ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਸੁਝਾਅ ਹਨ ਜਾਂ ਤੁਸੀਂ ਕੋਈ ਸ਼ਬਦ ਜਾਂ ਕੋਡ ਦੀ ਗਲਤੀ ਲੱਭੀ ਹੈ? ਇੱਕ ਇਸ਼ੂ ਰੇਜ਼ ਕਰੋ ਜਾਂ ਪੁਲ ਰਿਕਵੈਸਟ ਬਣਾਓ।
|
||||
ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਸੁਝਾਵ ਹਨ ਜਾਂ ਤੁਸੀਂ ਕੋਈ ਸ਼ਬਦ ਜਾਂ ਕੋਡ ਦੀ ਗਲਤੀ ਲੱਭੀ ਹੈ? ਇੱਕ ਇਸ਼ੂ ਰੇਜ਼ ਕਰੋ ਜਾਂ ਪੁਲ ਰਿਕਵੈਸਟ ਬਣਾਓ।
|
||||
|
||||
## ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ
|
||||
## ਖਾਸ ਧੰਨਵਾਦ
|
||||
|
||||
* **✍️ ਮੁੱਖ ਲੇਖਕ:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 ਸੰਪਾਦਕ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 ਸਕੈਚਨੋਟ ਇਲਸਟ੍ਰੇਟਰ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ ਕਵਿਜ ਬਣਾਉਣ ਵਾਲਾ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 ਮੁੱਖ ਯੋਗਦਾਨਕਰਤਾ:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ ਮੁੱਖ ਲੇਖਕ:** [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com), ਪੀਐਚਡੀ
|
||||
* **🔥 ਸੰਪਾਦਕ:** [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper), ਪੀਐਚਡੀ
|
||||
* **🎨 ਸਕੈਚਨੋਟ ਇਲਸਟਰੇਟਰ:** [ਤੋਮੋਮੀ ਇਮੁਰਾ](https://twitter.com/girlie_mac)
|
||||
* **✅ ਕਵਿਜ਼ ਬਣਾਉਣ ਵਾਲਾ:** [ਲਤੀਫਾ ਬੇਲੋ](https://github.com/CinnamonXI), [ਐਮਐਲਐਸਏ](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 ਮੁੱਖ ਯੋਗਦਾਨਕਰਤਾ:** [ਏਵਗੇਨੀ ਪਿਸ਼ਚਿਕ](https://github.com/Pe4enIks)
|
||||
|
||||
## ਹੋਰ ਪਾਠਕ੍ਰਮ
|
||||
|
||||
ਸਾਡੀ ਟੀਮ ਹੋਰ ਪਾਠਕ੍ਰਮ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਜाँच ਕਰੋ:
|
||||
ਸਾਡੀ ਟੀਮ ਹੋਰ ਪਾਠਕ੍ਰਮ ਵੀ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਜ਼ਰੂਰ ਦੇਖੋ:
|
||||
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [AI for Beginners](https://aka.ms/ai-beginners)
|
||||
- [Data Science for Beginners](https://aka.ms/datascience-beginners)
|
||||
- [ML for Beginners](https://aka.ms/ml-beginners)
|
||||
- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
||||
- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [Mastering GitHub Copilot for Agentic use](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਜਨਰੇਟਿਵ AI](https://aka.ms/genai-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਜਨਰੇਟਿਵ AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [ਜਾਵਾਸਕ੍ਰਿਪਟ ਨਾਲ ਜਨਰੇਟਿਵ AI](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [ਜਾਵਾ ਨਾਲ ਜਨਰੇਟਿਵ AI](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ AI](https://aka.ms/ai-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਡਾਟਾ ਸਾਇੰਸ](https://aka.ms/datascience-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ](https://aka.ms/ml-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਸਾਇਬਰਸੁਰੱਖਿਆ](https://github.com/microsoft/Security-101)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਵੈੱਬ ਡਿਵੈਲਪਮੈਂਟ](https://aka.ms/webdev-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ IoT](https://aka.ms/iot-beginners)
|
||||
- [ਸ਼ੁਰੂਆਤੀ ਲਈ XR ਡਿਵੈਲਪਮੈਂਟ](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [ਏਜੈਂਟਿਕ ਵਰਤੋਂ ਲਈ GitHub Copilot ਵਿੱਚ ਨਿਪੁੰਨਤਾ](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [C#/.NET ਡਿਵੈਲਪਰਾਂ ਲਈ GitHub Copilot ਵਿੱਚ ਨਿਪੁੰਨਤਾ](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [ਆਪਣੇ ਆਪ ਦੀ Copilot ਐਡਵੈਂਚਰ ਚੁਣੋ](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**ਅਸਵੀਕਰਤੀ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
|
|
@ -11,11 +11,11 @@
|
|||
"source": [
|
||||
"## ਪਰਸੈਪਟ੍ਰਾਨ\n",
|
||||
"\n",
|
||||
"> ਇਹ ਨੋਟਬੁੱਕ [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) ਦਾ ਹਿੱਸਾ ਹੈ। ਪੂਰੇ ਸਿੱਖਣ ਸਮੱਗਰੀ ਦੇ ਸੈੱਟ ਲਈ ਰਿਪੋਜ਼ਟਰੀ 'ਤੇ ਜਾਓ।\n",
|
||||
"> ਇਹ ਨੋਟਬੁੱਕ [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) ਦਾ ਹਿੱਸਾ ਹੈ। ਪੂਰੇ ਸਿੱਖਣ ਸਮੱਗਰੀ ਦੇ ਸੈੱਟ ਲਈ ਰਿਪੋਜ਼ਟਰੀ ਵੇਖੋ।\n",
|
||||
"\n",
|
||||
"ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਚਰਚਾ ਕੀਤੀ ਹੈ, ਪਰਸੈਪਟ੍ਰਾਨ ਤੁਹਾਨੂੰ **ਬਾਈਨਰੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਸਮੱਸਿਆ** ਹੱਲ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਯਾਨੀ ਇਨਪੁਟ ਉਦਾਹਰਣਾਂ ਨੂੰ ਦੋ ਵਰਗਾਂ ਵਿੱਚ ਵੰਡਣ ਲਈ - ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ **ਪੋਜ਼ਿਟਿਵ** ਅਤੇ **ਨੈਗਟਿਵ** ਕਹਿ ਸਕਦੇ ਹਾਂ।\n",
|
||||
"ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਚਰਚਾ ਕੀਤੀ ਹੈ, ਪਰਸੈਪਟ੍ਰਾਨ ਤੁਹਾਨੂੰ **ਬਾਈਨਰੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਸਮੱਸਿਆ** ਹੱਲ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਅਰਥਾਤ, ਇਨਪੁਟ ਉਦਾਹਰਣਾਂ ਨੂੰ ਦੋ ਵਰਗਾਂ ਵਿੱਚ ਵੰਡਣਾ - ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ **ਪੌਜ਼ਿਟਿਵ** ਅਤੇ **ਨੈਗਟਿਵ** ਕਹਿ ਸਕਦੇ ਹਾਂ।\n",
|
||||
"\n",
|
||||
"ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਆਓ ਕੁਝ ਲੋੜੀਂਦੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਇਮਪੋਰਟ ਕਰੀਏ।\n"
|
||||
"ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਆਓ ਕੁਝ ਲੋੜੀਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਇੰਪੋਰਟ ਕਰੀਏ।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -49,7 +49,7 @@
|
|||
"source": [
|
||||
"## ਖਿਡੌਣਾ ਸਮੱਸਿਆ\n",
|
||||
"\n",
|
||||
"ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਆਓ ਇੱਕ ਖਿਡੌਣਾ ਸਮੱਸਿਆ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ, ਜਿੱਥੇ ਸਾਡੇ ਕੋਲ ਦੋ ਇਨਪੁਟ ਫੀਚਰ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਦਵਾਈ ਵਿੱਚ ਅਸੀਂ ਟਿਊਮਰਾਂ ਨੂੰ ਸਾਈਜ਼ ਅਤੇ ਉਮਰ ਦੇ ਆਧਾਰ 'ਸਹੀਮ' ਅਤੇ 'ਘਾਤਕ' ਵਿੱਚ ਵੰਡਣਾ ਚਾਹੁੰਦੇ ਹਾਂ।\n",
|
||||
"ਚਲੋ ਸ਼ੁਰੂਆਤ ਇੱਕ ਖਿਡੌਣਾ ਸਮੱਸਿਆ ਨਾਲ ਕਰੀਏ, ਜਿੱਥੇ ਸਾਡੇ ਕੋਲ ਦੋ ਇਨਪੁਟ ਫੀਚਰ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਦਵਾਈ ਵਿੱਚ ਅਸੀਂ ਟਿਊਮਰਾਂ ਨੂੰ ਸਾਈਜ਼ ਅਤੇ ਉਮਰ ਦੇ ਆਧਾਰ 'ਸਹੀਮ' ਅਤੇ 'ਘਾਤਕ' ਵਿੱਚ ਵੰਡਣਾ ਚਾਹੁੰਦੇ ਹਾਂ।\n",
|
||||
"\n",
|
||||
"ਅਸੀਂ SciKit Learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ `make_classification` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਰੈਂਡਮ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਡੇਟਾਸੈੱਟ ਤਿਆਰ ਕਰਾਂਗੇ:\n"
|
||||
]
|
||||
|
|
@ -206,12 +206,12 @@
|
|||
"source": [
|
||||
"## ਟ੍ਰੇਨਿੰਗ ਐਲਗੋਰਿਥਮ\n",
|
||||
"\n",
|
||||
"ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਉਹ ਵਜ਼ਨ $\\mathbf{w}$ ਲੱਭਣੇ ਪੈਣਗੇ ਜੋ ਗਲਤੀ ਨੂੰ ਘਟਾਉਣਗੇ। ਗਲਤੀ ਨੂੰ **ਪਰਸੈਪਟ੍ਰਾਨ ਮਾਪਦੰਡ** ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:\n",
|
||||
"ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ, ਸਾਨੂੰ $\\mathbf{w}$ ਵਜ਼ਨ ਲੱਭਣੇ ਪੈਣਗੇ ਜੋ ਗਲਤੀ ਨੂੰ ਘਟਾਉਣਗੇ। ਗਲਤੀ ਨੂੰ **ਪਰਸੈਪਟ੍ਰਾਨ ਮਾਪਦੰਡ** ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ ਨਕਾਰਾਤਮਕ ਅਤੇ ਸਕਾਰਾਤਮਕ ਟ੍ਰੇਨਿੰਗ ਨਮੂਨਿਆਂ ਲਈ, ਅਨੁਕ੍ਰਮ ਵਿੱਚ\n",
|
||||
" * $\\mathcal{M}$ - ਗਲਤ ਵਰਗਬੱਧ ਕੀਤੇ ਉਦਾਹਰਣਾਂ ਦਾ ਸੈੱਟ\n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ ਨਕਾਰਾਤਮਕ ਅਤੇ ਸਕਾਰਾਤਮਕ ਟ੍ਰੇਨਿੰਗ ਨਮੂਨਿਆਂ ਲਈ, ਅਨੁਕ੍ਰਮਵਾਰ\n",
|
||||
" * $\\mathcal{M}$ - ਗਲਤ ਵਰਗੀਕ੍ਰਿਤ ਉਦਾਹਰਣਾਂ ਦਾ ਸੈੱਟ\n",
|
||||
" \n",
|
||||
"ਅਸੀਂ **ਗ੍ਰੇਡੀਅੰਟ ਡਿਸੈਂਟ** ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ। ਕੁਝ ਸ਼ੁਰੂਆਤੀ ਰੈਂਡਮ ਵਜ਼ਨਾਂ $\\mathbf{w}^{(0)}$ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਟ੍ਰੇਨਿੰਗ ਦੇ ਹਰ ਕਦਮ 'ਤੇ ਗਲਤੀ $E$ ਦੇ ਗ੍ਰੇਡੀਅੰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਜ਼ਨਾਂ ਨੂੰ ਢਾਲਾਂਗੇ:\n",
|
||||
"\n",
|
||||
|
|
@ -309,9 +309,9 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ, ਸ਼ੁਰੂਆਤੀ ਸਹੀਤਾ ਲਗਭਗ 50% ਹੈ, ਪਰ ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਕੇ 90% ਦੇ ਨੇੜੇ ਉੱਚ ਮੁੱਲਾਂ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ।\n",
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਸ਼ੁਰੂਆਤੀ ਸਹੀਤਾ ਲਗਭਗ 50% ਹੈ, ਪਰ ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਕੇ 90% ਦੇ ਨੇੜੇ ਉੱਚ ਮੁੱਲਾਂ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ।\n",
|
||||
"\n",
|
||||
"ਆਓ ਵੇਖੀਏ ਕਿ ਕਿਵੇਂ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖਰਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਾਡਾ ਵਰਗੀਕਰਨ ਫੰਕਸ਼ਨ $\\mathbf{w}^Tx$ ਵਰਗਾ ਹੈ, ਅਤੇ ਇਹ ਇੱਕ ਕਲਾਸ ਲਈ 0 ਤੋਂ ਵੱਧ ਹੈ, ਅਤੇ ਦੂਜੇ ਲਈ 0 ਤੋਂ ਘੱਟ। ਇਸ ਤਰ੍ਹਾਂ, ਕਲਾਸ ਵੱਖਰੇ ਕਰਨ ਵਾਲੀ ਰੇਖਾ $\\mathbf{w}^Tx = 0$ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਕਿਉਂਕਿ ਸਾਡੇ ਕੋਲ ਸਿਰਫ ਦੋ ਡਾਈਮੇਂਸ਼ਨ $x_0$ ਅਤੇ $x_1$ ਹਨ, ਰੇਖਾ ਲਈ ਸਮੀਕਰਨ $w_0x_0+w_1x_1+w_2 = 0$ ਹੋਵੇਗਾ (ਯਾਦ ਰੱਖੋ ਕਿ ਅਸੀਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਇੱਕ ਵਾਧੂ ਡਾਈਮੇਂਸ਼ਨ $x_2=1$ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ)। ਆਓ ਇਸ ਰੇਖਾ ਨੂੰ ਪਲਾਟ ਕਰੀਏ:\n"
|
||||
"ਆਓ ਵੇਖੀਏ ਕਿ ਕਿਵੇਂ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਾਡਾ ਵਰਗੀਕਰਨ ਫੰਕਸ਼ਨ $\\mathbf{w}^Tx$ ਵਰਗਾ ਹੈ, ਅਤੇ ਇਹ ਇੱਕ ਕਲਾਸ ਲਈ 0 ਤੋਂ ਵੱਧ ਹੈ, ਅਤੇ ਦੂਜੇ ਲਈ 0 ਤੋਂ ਘੱਟ। ਇਸ ਤਰ੍ਹਾਂ, ਕਲਾਸ ਵੱਖਰਨ ਦੀ ਰੇਖਾ $\\mathbf{w}^Tx = 0$ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਕਿਉਂਕਿ ਸਾਡੇ ਕੋਲ ਸਿਰਫ ਦੋ ਡਾਈਮੇਂਸ਼ਨ ਹਨ $x_0$ ਅਤੇ $x_1$, ਰੇਖਾ ਲਈ ਸਮੀਕਰਨ $w_0x_0+w_1x_1+w_2 = 0$ ਹੋਵੇਗਾ (ਯਾਦ ਕਰੋ ਕਿ ਅਸੀਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਇੱਕ ਵਾਧੂ ਡਾਈਮੇਂਸ਼ਨ $x_2=1$ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ)। ਆਓ ਇਸ ਰੇਖਾ ਨੂੰ ਪਲਾਟ ਕਰੀਏ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## ਟੈਸਟ ਡੇਟਾਸੈੱਟ 'ਤੇ ਮੁਲਾਂਕਨ ਕਰੋ\n",
|
||||
"\n",
|
||||
"ਸ਼ੁਰੂ ਵਿੱਚ, ਅਸੀਂ ਕੁਝ ਡੇਟਾ ਨੂੰ ਟੈਸਟ ਡੇਟਾਸੈੱਟ ਲਈ ਅਲੱਗ ਕੀਤਾ ਸੀ। ਆਓ ਵੇਖੀਏ ਕਿ ਸਾਡਾ ਕਲਾਸੀਫਾਇਰ ਇਸ ਟੈਸਟ ਡੇਟਾਸੈੱਟ 'ਤੇ ਕਿੰਨਾ ਸਹੀ ਹੈ। ਇਹ ਕਰਨ ਲਈ, ਅਸੀਂ ਟੈਸਟ ਡੇਟਾਸੈੱਟ ਨੂੰ ਇੱਕ ਵਾਧੂ ਡਾਇਮੈਂਸ਼ਨ ਨਾਲ ਵਧਾਉਂਦੇ ਹਾਂ, ਵਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਗੁਣਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਾਂ ਕਿ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਮੁੱਲ ਲੇਬਲ (+1 ਜਾਂ -1) ਦੇ ਸਮਾਨ ਚਿੰਨ੍ਹ ਦੀ ਹੈ। ਫਿਰ ਅਸੀਂ ਸਾਰੇ ਬੂਲੀਅਨ ਮੁੱਲਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਟੈਸਟ ਨਮੂਨੇ ਦੀ ਲੰਬਾਈ ਨਾਲ ਵੰਡਦੇ ਹਾਂ, ਤਾਕਿ ਸਹੀਤਾ ਪ੍ਰਾਪਤ ਹੋ ਸਕੇ:\n"
|
||||
"ਸ਼ੁਰੂ ਵਿੱਚ, ਅਸੀਂ ਕੁਝ ਡੇਟਾ ਨੂੰ ਟੈਸਟ ਡੇਟਾਸੈੱਟ ਲਈ ਅਲੱਗ ਕੀਤਾ ਸੀ। ਆਓ ਵੇਖੀਏ ਕਿ ਸਾਡਾ ਕਲਾਸੀਫਾਇਰ ਇਸ ਟੈਸਟ ਡੇਟਾਸੈੱਟ 'ਤੇ ਕਿੰਨਾ ਸਹੀ ਹੈ। ਇਹ ਕਰਨ ਲਈ, ਅਸੀਂ ਟੈਸਟ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਇੱਕ ਵਾਧੂ ਡਾਇਮੈਂਸ਼ਨ ਸ਼ਾਮਲ ਕਰਦੇ ਹਾਂ, ਵਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਗੁਣਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਾਂ ਕਿ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਮੁੱਲ ਲੇਬਲ (+1 ਜਾਂ -1) ਦੇ ਸਮਾਨ ਚਿੰਨ੍ਹ ਦੀ ਹੈ। ਫਿਰ ਅਸੀਂ ਸਾਰੇ ਬੂਲੀਅਨ ਮੁੱਲਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਟੈਸਟ ਨਮੂਨੇ ਦੀ ਲੰਬਾਈ ਨਾਲ ਵੰਡਦੇ ਹਾਂ, ਸਹੀਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੇਖਣਾ\n",
|
||||
"\n",
|
||||
"ਅਸੀਂ ਪਹਿਲਾਂ ਵੇਖਿਆ ਹੈ ਕਿ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਸਹੀਤਾ ਕਿਵੇਂ ਘਟਦੀ ਹੈ। ਇਹ ਦੇਖਣਾ ਚੰਗਾ ਹੋਵੇਗਾ ਕਿ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਵੱਖਰੇ ਕਰਨ ਵਾਲੀ ਰੇਖਾ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ। ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ ਇੱਕ ਗ੍ਰਾਫ 'ਤੇ ਦਿਖਾਵੇਗਾ, ਅਤੇ ਤੁਸੀਂ ਸਲਾਈਡਰ ਨੂੰ ਹਿਲਾ ਕੇ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ \"ਸਮੇਂ ਦੀ ਯਾਤਰਾ\" ਕਰ ਸਕੋਗੇ।\n"
|
||||
"ਅਸੀਂ ਪਹਿਲਾਂ ਵੇਖਿਆ ਹੈ ਕਿ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਸਹੀਤਾ ਕਿਵੇਂ ਘਟਦੀ ਹੈ। ਇਹ ਦੇਖਣਾ ਚੰਗਾ ਹੋਵੇਗਾ ਕਿ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਵੱਖਰੇ ਕਰਨ ਵਾਲੀ ਰੇਖਾ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ। ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਸਭ ਕੁਝ ਇੱਕ ਗ੍ਰਾਫ 'ਤੇ ਦਿਖਾਵੇਗਾ, ਅਤੇ ਤੁਸੀਂ ਸਲਾਈਡਰ ਨੂੰ ਹਿਲਾ ਕੇ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ \"ਸਮੇਂ ਦੀ ਯਾਤਰਾ\" ਕਰ ਸਕੋਗੇ।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -528,16 +528,16 @@
|
|||
"source": [
|
||||
"## ਪਰਸੈਪਟ੍ਰਾਨ ਦੀਆਂ ਸੀਮਾਵਾਂ\n",
|
||||
"\n",
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਉੱਪਰ ਵੇਖਿਆ, ਪਰਸੈਪਟ੍ਰਾਨ ਇੱਕ **ਰੇਖੀਕ ਵਰਗੀਕਰਨ ਵਾਲਾ** ਹੈ। ਇਹ ਦੋ ਵਰਗਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵੱਖ ਕਰ ਸਕਦਾ ਹੈ ਜੇ ਉਹ **ਰੇਖੀਕ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਕੀਤੇ ਜਾ ਸਕਣ** (ਜਿਵੇਂ ਕਿ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕੇ)। ਨਹੀਂ ਤਾਂ, ਪਰਸੈਪਟ੍ਰਾਨ ਦਾ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਇਕੱਠੀ ਨਹੀਂ ਹੋਵੇਗੀ।\n",
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਉੱਪਰ ਵੇਖਿਆ, ਪਰਸੈਪਟ੍ਰਾਨ ਇੱਕ **ਰੇਖੀਕ ਵਰਗੀਕਰਨ ਵਾਲਾ** ਹੈ। ਇਹ ਦੋ ਵਰਗਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵੱਖ ਕਰ ਸਕਦਾ ਹੈ ਜੇ ਉਹ **ਰੇਖੀਕ ਤੌਰ 'ਤੇ ਵੱਖਰੇ** ਹੋਣ, ਅਰਥਾਤ ਜੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕੇ। ਨਹੀਂ ਤਾਂ, ਪਰਸੈਪਟ੍ਰਾਨ ਦੀ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਕਦੇ ਵੀ ਸੰਮਤ ਨਹੀਂ ਹੋਵੇਗੀ।\n",
|
||||
"\n",
|
||||
"ਇੱਕ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਉਦਾਹਰਨ ਜਿਸਨੂੰ ਪਰਸੈਪਟ੍ਰਾਨ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਉਹ ਹੈ **XOR ਸਮੱਸਿਆ**। ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਪਰਸੈਪਟ੍ਰਾਨ XOR ਬੂਲੀਅਨ ਫੰਕਸ਼ਨ ਸਿੱਖੇ, ਜਿਸਦਾ ਸੱਚਾਈ ਟੇਬਲ ਹੇਠਾਂ ਦਿੱਤਾ ਗਿਆ ਹੈ:\n",
|
||||
"ਇੱਕ ਸਭ ਤੋਂ ਸਪਸ਼ਟ ਉਦਾਹਰਨ ਜਿਸਨੂੰ ਪਰਸੈਪਟ੍ਰਾਨ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਉਹ ਹੈ **XOR ਸਮੱਸਿਆ**। ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਪਰਸੈਪਟ੍ਰਾਨ XOR ਬੂਲੀਅਨ ਫੰਕਸ਼ਨ ਸਿੱਖੇ, ਜਿਸਦਾ ਸੱਚਾਈ ਸਾਰਣੀ ਹੇਠਾਂ ਦਿੱਤੀ ਗਈ ਹੈ:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"ਆਓ ਇਸਨੂੰ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ! ਅਸੀਂ ਸਾਰੇ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਟ੍ਰੇਨਿੰਗ ਨਮੂਨਿਆਂ ਨੂੰ ਮੈਨੁਅਲ ਤੌਰ 'ਤੇ ਭਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਉੱਪਰ ਦਿੱਤੀ ਟ੍ਰੇਨ ਫੰਕਸ਼ਨ ਨੂੰ ਕਾਲ ਕਰਾਂਗੇ:\n"
|
||||
"ਆਓ ਇਸਨੂੰ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ! ਅਸੀਂ ਸਾਰੇ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਟ੍ਰੇਨਿੰਗ ਨਮੂਨਿਆਂ ਨੂੰ ਮੈਨੁਅਲ ਤੌਰ 'ਤੇ ਭਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਉੱਪਰ ਪਰਿਭਾਸ਼ਿਤ ਸਾਡੀ train ਫੰਕਸ਼ਨ ਨੂੰ ਕਾਲ ਕਰਾਂਗੇ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -606,19 +606,19 @@
|
|||
"source": [
|
||||
"ਜਿਵੇਂ ਕਿ ਉੱਪਰ ਦਿੱਤੇ ਗ੍ਰਾਫ ਤੋਂ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ, ਸਹੀਤਾ ਕਦੇ ਵੀ 75% ਤੋਂ ਵੱਧ ਨਹੀਂ ਜਾਂਦੀ, ਕਿਉਂਕਿ ਸਾਰੇ ਸੰਭਾਵਿਤ ਉਦਾਹਰਣਾਂ ਨੂੰ ਸਹੀ ਕਰਨ ਲਈ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਖਿੱਚਣਾ ਅਸੰਭਵ ਹੈ।\n",
|
||||
"\n",
|
||||
"XOR ਸਮੱਸਿਆ ਪਰਸੈਪਟ੍ਰਾਨ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਇੱਕ ਕਲਾਸਿਕ ਉਦਾਹਰਣ ਹੈ, ਅਤੇ ਇਸਨੂੰ 1969 ਵਿੱਚ ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਅਤੇ ਸੇਮੂਰ ਪੇਪਰਟ ਨੇ ਆਪਣੀ ਕਿਤਾਬ [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) ਵਿੱਚ ਦਰਸਾਇਆ ਸੀ। ਇਸ ਅਵਲੋਕਨ ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਲਗਭਗ 10 ਸਾਲਾਂ ਤੱਕ ਖੋਜ ਨੂੰ ਸੀਮਿਤ ਕਰ ਦਿੱਤਾ, ਹਾਲਾਂਕਿ - ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਆਪਣੇ ਕੋਰਸ ਦੇ ਅਗਲੇ ਭਾਗ ਵਿੱਚ ਵੇਖਾਂਗੇ - ਬਹੁ-ਪਰਤ ਵਾਲੇ ਪਰਸੈਪਟ੍ਰਾਨ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਹਨ।\n",
|
||||
"XOR ਸਮੱਸਿਆ ਪਰਸੈਪਟ੍ਰਾਨ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਇੱਕ ਕਲਾਸਿਕ ਉਦਾਹਰਣ ਹੈ, ਅਤੇ ਇਸਨੂੰ 1969 ਵਿੱਚ ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਅਤੇ ਸੇਮੂਰ ਪੇਪਰਟ ਨੇ ਆਪਣੀ ਕਿਤਾਬ [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) ਵਿੱਚ ਦਰਸਾਇਆ ਸੀ। ਇਸ ਅਵਲੋਕਨ ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਲਗਭਗ 10 ਸਾਲਾਂ ਤੱਕ ਖੋਜ ਨੂੰ ਸੀਮਿਤ ਕਰ ਦਿੱਤਾ, ਹਾਲਾਂਕਿ - ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਆਪਣੇ ਕੋਰਸ ਦੇ ਅਗਲੇ ਭਾਗ ਵਿੱਚ ਵੇਖਾਂਗੇ - ਬਹੁ-ਪਰਤਾਂ ਵਾਲੇ ਪਰਸੈਪਟ੍ਰਾਨ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਹਨ।\n",
|
||||
"\n",
|
||||
"## ਜਟਿਲ ਉਦਾਹਰਣ - MNIST\n",
|
||||
"\n",
|
||||
"ਹਾਲਾਂਕਿ ਪਰਸੈਪਟ੍ਰਾਨ XOR ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਪਰ ਇਹ ਕਈ ਹੋਰ ਜਟਿਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੱਖਰਾਂ ਦੀ ਪਹਿਚਾਣ।\n",
|
||||
"\n",
|
||||
"ਇੱਕ ਡੇਟਾਸੈਟ ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿੱਖਣ ਸਮੇਂ ਅਕਸਰ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਉਸਨੂੰ [MNIST](https://en.wikipedia.org/wiki/MNIST_database) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਮੋਡੀਫਾਈਡ ਨੈਸ਼ਨਲ ਇੰਸਟੀਟਿਊਟ ਆਫ ਸਟੈਂਡਰਡਸ ਐਂਡ ਟੈਕਨੋਲੋਜੀ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ 60000 ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਦਾ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਲਗਭਗ 250 ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਸੰਸਥਾ ਦੇ ਕਰਮਚਾਰੀਆਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਹਨ। ਇਸਦੇ ਨਾਲ ਹੀ 10000 ਅੰਕਾਂ ਦਾ ਟੈਸਟ ਡੇਟਾਸੈਟ ਵੀ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ ਵਿਅਕਤੀਆਂ ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ।\n",
|
||||
"ਇੱਕ ਡਾਟਾਸੈਟ ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿੱਖਣ ਦੌਰਾਨ ਅਕਸਰ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਉਸਨੂੰ [MNIST](https://en.wikipedia.org/wiki/MNIST_database) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਮੋਡੀਫਾਇਡ ਨੈਸ਼ਨਲ ਇੰਸਟੀਟਿਊਟ ਆਫ ਸਟੈਂਡਰਡਸ ਐਂਡ ਟੈਕਨੋਲੋਜੀ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ 60000 ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਦਾ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਲਗਭਗ 250 ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਸੰਸਥਾ ਦੇ ਕਰਮਚਾਰੀਆਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਹਨ। ਇਸਦੇ ਨਾਲ ਹੀ 10000 ਅੰਕਾਂ ਦਾ ਇੱਕ ਟੈਸਟ ਡਾਟਾਸੈਟ ਵੀ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ ਵਿਅਕਤੀਆਂ ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ।\n",
|
||||
"\n",
|
||||
"ਸਾਰੇ ਅੰਕ 28x28 ਪਿਕਸਲ ਦੇ ਗ੍ਰੇਸਕੇਲ ਚਿੱਤਰਾਂ ਰੂਪ ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਹਨ।\n",
|
||||
"\n",
|
||||
"> MNIST ਡੇਟਾਸੈਟ [Kaggle](https://www.kaggle.com/c/digit-recognizer) 'ਤੇ ਇੱਕ ਟ੍ਰੇਨਿੰਗ ਮੁਕਾਬਲੇ ਵਜੋਂ ਉਪਲਬਧ ਹੈ, ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮੁਕਾਬਲਿਆਂ ਅਤੇ ਪ੍ਰਤੀਯੋਗਿਤਾਵਾਂ ਦੀ ਮਿਜ਼ਬਾਨੀ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ MNIST ਅੰਕਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰਨਾ ਸਿੱਖ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣਾ ਹੱਲ Kaggle 'ਤੇ ਜਮ੍ਹਾਂ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਵੇਖਿਆ ਜਾ ਸਕੇ ਕਿ ਇਹ ਹੋਰ ਭਾਗੀਦਾਰਾਂ ਵਿੱਚ ਕਿਵੇਂ ਦਰਜਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।\n",
|
||||
"> MNIST ਡਾਟਾਸੈਟ [Kaggle](https://www.kaggle.com/c/digit-recognizer) 'ਤੇ ਇੱਕ ਟ੍ਰੇਨਿੰਗ ਮੁਕਾਬਲੇ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮੁਕਾਬਲਿਆਂ ਅਤੇ ਪ੍ਰਤੀਯੋਗਿਤਾਵਾਂ ਦੀ ਮਿਜ਼ਬਾਨੀ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ MNIST ਅੰਕਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰਨਾ ਸਿੱਖ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣਾ ਹੱਲ Kaggle 'ਤੇ ਜਮ੍ਹਾਂ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਵੇਖਿਆ ਜਾ ਸਕੇ ਕਿ ਇਹ ਹੋਰ ਭਾਗੀਦਾਰਾਂ ਵਿੱਚ ਕਿਵੇਂ ਦਰਜਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।\n",
|
||||
"\n",
|
||||
"ਅਸੀਂ MNIST ਡੇਟਾਸੈਟ ਨੂੰ ਲੋਡ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ:\n"
|
||||
"ਅਸੀਂ MNIST ਡਾਟਾਸੈਟ ਨੂੰ ਲੋਡ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -636,14 +636,14 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ਚਲੋ ਹੁਣ ਡੇਟਾਸੈਟ ਨੂੰ ਪਲਾਟ ਕਰੀਏ:\n"
|
||||
"ਚਲੋ ਹੁਣ ਡੇਟਾਸੈੱਟ ਨੂੰ ਪਲਾਟ ਕਰੀਏ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ਕਿਉਂਕਿ ਪਰਸੈਪਟ੍ਰਾਨ ਇੱਕ ਬਾਈਨਰੀ ਕਲਾਸੀਫਾਇਰ ਹੈ, ਅਸੀਂ ਆਪਣੀ ਸਮੱਸਿਆ ਨੂੰ ਸਿਰਫ਼ ਦੋ ਅੰਕਾਂ ਨੂੰ ਪਛਾਣਨ ਤੱਕ ਸੀਮਿਤ ਕਰਾਂਗੇ। ਹੇਠਾਂ ਦਿੱਤਾ ਫੰਕਸ਼ਨ ਦੋ ਦਿੱਤੇ ਅੰਕਾਂ ਨਾਲ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਨਮੂਨਾ ਐਰੇ ਭਰੇਗਾ (ਅਤੇ ਸਪਸ਼ਟਤਾ ਲਈ ਉਹਨਾਂ ਅੰਕਾਂ ਦੇ ਨਮੂਨੇ ਵੀ ਦਿਖਾਵੇਗਾ)।\n"
|
||||
"ਕਿਉਂਕਿ ਪਰਸੈਪਟ੍ਰੋਨ ਇੱਕ ਦੁਇਕ ਵਰਗੀਕਰਨ ਵਾਲਾ ਹੈ, ਅਸੀਂ ਆਪਣੀ ਸਮੱਸਿਆ ਨੂੰ ਸਿਰਫ ਦੋ ਅੰਕਾਂ ਨੂੰ ਪਛਾਣਣ ਤੱਕ ਸੀਮਿਤ ਕਰਾਂਗੇ। ਹੇਠਾਂ ਦਿੱਤਾ ਫੰਕਸ਼ਨ ਦੋ ਦਿੱਤੇ ਗਏ ਅੰਕਾਂ ਨਾਲ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਨਮੂਨਾ ਐਰੇ ਭਰਨਗਾ (ਅਤੇ ਸਪਸ਼ਟਤਾ ਲਈ ਉਹਨਾਂ ਅੰਕਾਂ ਦੇ ਨਮੂਨੇ ਵੀ ਦਿਖਾਵੇਗਾ)।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -734,7 +734,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ਅਸੀਂ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਵੰਡਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਾਂਗੇ:\n"
|
||||
"ਅਸੀਂ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਵੱਖਰਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਾਂਗੇ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,11 +830,11 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ਕਿਰਪਾ ਕਰਕੇ ਸਲਾਈਡਰ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਦੇ ਅੰਤ ਵੱਲ ਖਿਸਕਾਓ ਅਤੇ ਵੇਖੋ ਕਿ ਵਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਖੱਬੇ ਪਾਸੇ ਕਿਵੇਂ ਪਲਾਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮੈਟ੍ਰਿਕਸ ਤੁਹਾਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ ਕਿ ਪਰਸੈਪਟ੍ਰਾਨ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਖੇਤਰ ਦੇ ਵਿਚਕਾਰ ਉੱਚੇ ਵਜ਼ਨ ਵਾਲੇ ਮੁੱਲਾਂ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ, ਜੋ ਪਿਕਸਲਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਅੰਕ 1 ਲਈ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਪਾਸੇ ਘੱਟ ਨਕਾਰਾਤਮਕ ਮੁੱਲਾਂ, ਜਿੱਥੇ 0 ਅੰਕ ਦੇ ਹਿੱਸੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ, ਜੇ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਅੰਕ ਅਸਲ ਵਿੱਚ 1 ਹੈ, ਤਾਂ ਇਸਦਾ ਵਿਚਕਾਰਲਾ ਹਿੱਸਾ ਉੱਚੇ ਮੁੱਲਾਂ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਵੇਗਾ, ਜਿਸ ਨਾਲ ਸਕਾਰਾਤਮਕ ਨਤੀਜਾ ਨਿਕਲਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਜਦੋਂ ਪਰਸੈਪਟ੍ਰਾਨ 0 ਨੂੰ ਵੇਖਦਾ ਹੈ, ਤਾਂ ਸੰਬੰਧਿਤ ਪਿਕਸਲਾਂ ਨੂੰ ਨਕਾਰਾਤਮਕ ਗਿਣਤੀਆਂ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਵੇਗਾ।\n",
|
||||
"ਕਿਰਪਾ ਕਰਕੇ ਸਲਾਈਡਰ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਦੇ ਅੰਤ ਵੱਲ ਖਿਸਕਾਓ ਅਤੇ ਵੇਖੋ ਕਿ ਵਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਖੱਬੇ ਪਾਸੇ ਕਿਵੇਂ ਪਲਾਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮੈਟ੍ਰਿਕਸ ਤੁਹਾਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ ਕਿ ਪਰਸੈਪਟ੍ਰਾਨ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਖੇਤਰ ਦੇ ਵਿਚਕਾਰ ਉੱਚੇ ਵਜ਼ਨ ਵਾਲੇ ਮੁੱਲਾਂ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ, ਜੋ ਪਿਕਸਲਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਅੰਕ 1 ਲਈ ਮੌਜੂਦ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਪਾਸੇ ਨੀਵੇਂ ਨਕਾਰਾਤਮਕ ਮੁੱਲਾਂ, ਜਿੱਥੇ 0 ਅੰਕ ਦੇ ਹਿੱਸੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ, ਜੇ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਅੰਕ ਅਸਲ ਵਿੱਚ 1 ਹੈ, ਤਾਂ ਇਸਦਾ ਵਿਚਲਾ ਹਿੱਸਾ ਉੱਚੇ ਮੁੱਲਾਂ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਵੇਗਾ, ਜਿਸ ਨਾਲ ਸਕਾਰਾਤਮਕ ਨਤੀਜਾ ਨਿਕਲਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਜਦੋਂ ਪਰਸੈਪਟ੍ਰਾਨ 0 ਨੂੰ ਵੇਖਦਾ ਹੈ, ਤਾਂ ਸੰਬੰਧਿਤ ਪਿਕਸਲਾਂ ਨੂੰ ਨਕਾਰਾਤਮਕ ਸੰਖਿਆਵਾਂ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਵੇਗਾ।\n",
|
||||
"\n",
|
||||
"> ਤੁਸੀਂ ਧਿਆਨ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਜੇ ਅਸੀਂ ਆਪਣੇ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਅੰਕ 1 ਦੇਵਾਂ ਜੋ ਹੌਲੀ-ਹੌਲੀ ਖਿਤਿਜੀ ਰੂਪ ਵਿੱਚ ਖਿਸਕਿਆ ਹੋਇਆ ਹੈ, ਤਾਂ ਇਸਦੇ ਪਿਕਸਲ ਉਹ ਜਗ੍ਹਾ ਘੇਰ ਲੈਂਦੇ ਹਨ ਜਿੱਥੇ 0 ਦੇ ਖੜੇ ਹਿੱਸੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਸਾਨੂੰ ਗਲਤ ਨਤੀਜਾ ਮਿਲ ਸਕਦਾ ਹੈ। ਕਿਉਂਕਿ ਸਾਡੇ MNIST ਡੇਟਾਸੈਟ ਦੀ ਪ੍ਰਕਿਰਤੀ ਅਜਿਹੀ ਹੈ ਕਿ ਸਾਰੇ ਅੰਕ ਕੇਂਦਰਿਤ ਅਤੇ ਢੰਗ ਨਾਲ ਸਥਿਤ ਹਨ, ਅਤੇ ਪਰਸੈਪਟ੍ਰਾਨ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਅੰਕਾਂ ਵਿੱਚ ਫਰਕ ਕੀਤਾ ਜਾ ਸਕੇ।\n",
|
||||
"> ਤੁਸੀਂ ਧਿਆਨ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਜੇ ਅਸੀਂ ਆਪਣੇ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਅੰਕ 1 ਹੌਲੀ ਜਿਹਾ ਖਿੱਸਕਾ ਕੇ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਕਿ ਇਸਦੇ ਪਿਕਸਲ ਉਹ ਜਗ੍ਹਾ ਘੇਰ ਲੈਂਦੇ ਹਨ ਜਿੱਥੇ 0 ਦੇ ਖੜੇ ਹਿੱਸੇ ਹਨ, ਤਾਂ ਸਾਨੂੰ ਗਲਤ ਨਤੀਜਾ ਮਿਲ ਸਕਦਾ ਹੈ। ਕਿਉਂਕਿ ਸਾਡੇ MNIST ਡੇਟਾਸੈਟ ਦੀ ਪ੍ਰਕਿਰਤੀ ਅਜਿਹੀ ਹੈ ਕਿ ਸਾਰੇ ਅੰਕ ਕੇਂਦਰਿਤ ਅਤੇ ਢੰਗ ਨਾਲ ਸਥਿਤ ਹਨ, ਅਤੇ ਪਰਸੈਪਟ੍ਰਾਨ ਇਸ 'ਤੇ ਨੰਬਰਾਂ ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।\n",
|
||||
"\n",
|
||||
"ਹੁਣ ਆਓ ਵੱਖ-ਵੱਖ ਅੰਕਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ:\n"
|
||||
"ਹੁਣ ਆਓ ਵੱਖ-ਵੱਖ ਅੰਕਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -910,11 +910,11 @@
|
|||
"source": [
|
||||
"## ਚਰਚਾ\n",
|
||||
"\n",
|
||||
"ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ, 2 ਅਤੇ 5 ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਵੱਖ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਹਾਲਾਂਕਿ ਸਾਨੂੰ ਕਾਫ਼ੀ ਉੱਚੀ ਸਹੀਤਾ (85% ਤੋਂ ਵੱਧ) ਮਿਲਦੀ ਹੈ, ਪਰ ਅਸੀਂ ਸਾਫ਼ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ perceptron ਕਿਸੇ ਸਮੇਂ ਸਿੱਖਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ।\n",
|
||||
"ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ, 2 ਅਤੇ 5 ਨੂੰ ਵੱਖਰਾ ਕਰਨਾ ਇੰਨਾ ਆਸਾਨ ਨਹੀਂ ਹੈ। ਹਾਲਾਂਕਿ ਸਾਨੂੰ ਕਾਫ਼ੀ ਉੱਚੀ ਸਹੀਤਾ (85% ਤੋਂ ਵੱਧ) ਮਿਲਦੀ ਹੈ, ਪਰ ਅਸੀਂ ਸਾਫ਼ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ perceptron ਕਿਸੇ ਸਮੇਂ ਸਿੱਖਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ।\n",
|
||||
"\n",
|
||||
"ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਇਹ ਕਿਉਂ ਹੁੰਦਾ ਹੈ, ਅਸੀਂ [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕ ਹੈ ਜੋ ਇਨਪੁਟ ਡਾਟਾਸੈੱਟ ਦੀ dimensionality ਨੂੰ ਘਟਾਉਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕਿ ਕਲਾਸਾਂ ਦੇ ਵਿਚਕਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਵੱਖਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ।\n",
|
||||
"\n",
|
||||
"ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਇੱਕ ਇਨਪੁਟ ਚਿੱਤਰ ਵਿੱਚ 784 ਪਿਕਸਲ (ਇਨਪੁਟ ਫੀਚਰ) ਹੁੰਦੇ ਹਨ, ਅਤੇ ਅਸੀਂ PCA ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੈਰਾਮੀਟਰ ਦੀ ਗਿਣਤੀ ਸਿਰਫ 2 ਤੱਕ ਘਟਾਉਣੀ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਗ੍ਰਾਫ 'ਤੇ ਪਲਾਟ ਕਰ ਸਕੀਏ। ਇਹ ਦੋ ਪੈਰਾਮੀਟਰ ਮੂਲ ਫੀਚਰਾਂ ਦੇ ਲੀਨੀਅਰ ਕੌੰਬੀਨੇਸ਼ਨ ਹੋਣਗੇ, ਅਤੇ ਅਸੀਂ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਜਿਵੇਂ ਅਸੀਂ ਆਪਣੇ ਮੂਲ 784-ਡਾਈਮੇਨਸ਼ਨਲ ਸਪੇਸ ਨੂੰ \"ਘੁਮਾ\" ਰਹੇ ਹਾਂ ਅਤੇ ਇਸਦੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਨੂੰ 2D-ਸਪੇਸ ਵਿੱਚ ਦੇਖ ਰਹੇ ਹਾਂ, ਜਦ ਤੱਕ ਸਾਨੂੰ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨਹੀਂ ਮਿਲ ਜਾਂਦਾ।\n"
|
||||
"ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਇੱਕ ਇਨਪੁਟ ਚਿੱਤਰ ਵਿੱਚ 784 ਪਿਕਸਲ (ਇਨਪੁਟ ਫੀਚਰ) ਹੁੰਦੇ ਹਨ, ਅਤੇ ਅਸੀਂ PCA ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੈਰਾਮੀਟਰ ਦੀ ਗਿਣਤੀ ਨੂੰ ਸਿਰਫ 2 ਤੱਕ ਘਟਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਗ੍ਰਾਫ 'ਤੇ ਪਲਾਟ ਕਰ ਸਕੀਏ। ਇਹ ਦੋ ਪੈਰਾਮੀਟਰ ਮੂਲ ਫੀਚਰਾਂ ਦੇ ਲੀਨੀਅਰ ਕੌੰਬੀਨੇਸ਼ਨ ਹੋਣਗੇ, ਅਤੇ ਅਸੀਂ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਜਿਵੇਂ ਅਸੀਂ ਆਪਣੇ ਮੂਲ 784-ਡਾਈਮੇਨਸ਼ਨਲ ਸਪੇਸ ਨੂੰ \"ਘੁਮਾ\" ਰਹੇ ਹਾਂ ਅਤੇ ਇਸਦੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਨੂੰ 2D-ਸਪੇਸ ਵਿੱਚ ਦੇਖ ਰਹੇ ਹਾਂ, ਜਦ ਤੱਕ ਸਾਨੂੰ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖਰਾ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨਹੀਂ ਮਿਲ ਜਾਂਦਾ।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1024,17 +1024,17 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, 0 ਅਤੇ 1 ਨੂੰ ਸਿੱਧੀ ਰੇਖਾ ਦੁਆਰਾ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੂਲ 784-ਡਾਈਮੇਨਸ਼ਨਲ ਸਪੇਸ ਵਿੱਚ ਅੰਕਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਡਾਟਾ ਬਿੰਦੂ ਵੀ ਲੀਨੀਅਰ ਤਰੀਕੇ ਨਾਲ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। 2 ਅਤੇ 5 ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਅੰਕਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੱਖ ਕਰਨ ਲਈ ਚੰਗੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਨਹੀਂ ਲੱਭ ਸਕਦੇ, ਅਤੇ ਇਸ ਕਰਕੇ ਕੁਝ ਗਲਤ ਵਰਗੀਕਰਨ ਦੇ ਮਾਮਲੇ ਹੁੰਦੇ ਹਨ।\n",
|
||||
"ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, 0 ਅਤੇ 1 ਨੂੰ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਮੂਲ 784-ਡਾਈਮੇਨਸ਼ਨਲ ਸਪੇਸ ਵਿੱਚ ਅੰਕਾਂ ਨਾਲ ਸਬੰਧਤ ਬਿੰਦੂ ਵੀ ਰੇਖੀ ਰੂਪ ਵਿੱਚ ਵੱਖ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। 2 ਅਤੇ 5 ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਅਜਿਹੀ ਚੰਗੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਨਹੀਂ ਲੱਭ ਸਕਦੇ ਜੋ ਅੰਕਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੱਖ ਕਰ ਸਕੇ, ਅਤੇ ਇਸ ਕਰਕੇ ਕੁਝ ਗਲਤ ਵਰਗੀਕਰਨ ਦੇ ਮਾਮਲੇ ਹੋ ਸਕਦੇ ਹਨ।\n",
|
||||
"\n",
|
||||
"> ਇਸ ਕੋਰਸ ਵਿੱਚ ਅੱਗੇ ਜਾ ਕੇ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਨਾਨ-ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰਜ਼ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਅੰਕਾਂ ਦੇ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਅਲਾਈਨ ਨਾ ਹੋਣ ਦੀ ਸਮੱਸਿਆ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਬਹੁਤ ਜਲਦੀ ਅਸੀਂ MNIST ਅੰਕ ਵਰਗੀਕਰਨ ਵਿੱਚ 99% ਤੋਂ ਵੱਧ ਸਹੀਤਾ ਹਾਸਲ ਕਰਾਂਗੇ, ਜਦੋਂ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ 10 ਵੱਖ-ਵੱਖ ਕਲਾਸਾਂ ਵਿੱਚ ਵਰਗੀਕਰ ਰਹੇ ਹੋਵਾਂਗੇ।\n",
|
||||
"> ਇਸ ਕੋਰਸ ਦੇ ਅੱਗੇ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੈਰ-ਰੇਖੀ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਬਣਾਈ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਅੰਕਾਂ ਦੇ ਠੀਕ ਤਰੀਕੇ ਨਾਲ ਸਧਾਰਨ ਨਾ ਹੋਣ ਦੀ ਸਮੱਸਿਆ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਬਹੁਤ ਜਲਦੀ ਅਸੀਂ MNIST ਅੰਕ ਵਰਗੀਕਰਨ ਵਿੱਚ 99% ਤੋਂ ਵੱਧ ਸਹੀ ਦਰਜਾ ਹਾਸਲ ਕਰ ਲਵਾਂਗੇ, ਜਦੋਂ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ 10 ਵੱਖ-ਵੱਖ ਵਰਗਾਂ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕਰਾਂਗੇ।\n",
|
||||
"\n",
|
||||
"## ਸਿੱਟਾ\n",
|
||||
"## ਸਿੱਖਿਆ\n",
|
||||
"\n",
|
||||
" * ਅਸੀਂ ਸਭ ਤੋਂ ਸਧਾਰਨ ਨਿਊਰਲ ਨੈਟਵਰਕ ਆਰਕੀਟੈਕਚਰ - ਇੱਕ-ਲੇਅਰ ਪਰਸੈਪਟ੍ਰਾਨ ਬਾਰੇ ਸਿੱਖਿਆ ਹੈ।\n",
|
||||
" * ਅਸੀਂ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ \"ਹੱਥੋਂ\" ਲਾਗੂ ਕੀਤਾ ਹੈ, ਸਧਾਰਨ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜੋ ਗ੍ਰੇਡੀਅੰਟ ਡਿਸੈਂਟ 'ਤੇ ਆਧਾਰਿਤ ਹੈ।\n",
|
||||
" * ਸਧਾਰਨਤਾ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ-ਲੇਅਰ ਪਰਸੈਪਟ੍ਰਾਨ ਹੱਥੋਂ ਲਿਖੇ ਅੰਕਾਂ ਦੀ ਪਹਿਚਾਣ ਦੇ ਕਾਫੀ ਜਟਿਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ।\n",
|
||||
" * ਇੱਕ-ਲੇਅਰ ਪਰਸੈਪਟ੍ਰਾਨ ਇੱਕ ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਇਹ ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਸਮਾਨ ਵਰਗੀਕਰਨ ਸਮਰੱਥਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।\n",
|
||||
" * ਸੈਂਪਲ ਸਪੇਸ ਵਿੱਚ, ਪਰਸੈਪਟ੍ਰਾਨ ਹਾਈਪਰਪਲੇਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਨਪੁਟ ਡਾਟਾ ਦੀ ਦੋ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖ ਕਰ ਸਕਦਾ ਹੈ।\n"
|
||||
" * ਅਸੀਂ ਸਭ ਤੋਂ ਆਸਾਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਬਾਰੇ ਸਿੱਖਿਆ - ਇੱਕ-ਪਰਤ ਪਰਸੈਪਟ੍ਰਾਨ।\n",
|
||||
" * ਅਸੀਂ ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ \"ਹੱਥੋਂ\" ਲਾਗੂ ਕੀਤਾ, ਸਧਾਰਨ ਟ੍ਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜੋ ਗ੍ਰੇਡੀਅੰਟ ਡਿਸੈਂਟ 'ਤੇ ਆਧਾਰਿਤ ਹੈ।\n",
|
||||
" * ਸਧਾਰਨ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ-ਪਰਤ ਪਰਸੈਪਟ੍ਰਾਨ ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਦੀ ਪਛਾਣ ਦੇ ਕਾਫ਼ੀ ਜਟਿਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ।\n",
|
||||
" * ਇੱਕ-ਪਰਤ ਪਰਸੈਪਟ੍ਰਾਨ ਇੱਕ ਰੇਖੀ ਵਰਗੀਕਰਤਾ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਇਹ ਲਾਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਬਰਾਬਰ ਵਰਗੀਕਰਨ ਦੀ ਸਮਰੱਥਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।\n",
|
||||
" * ਨਮੂਨਾ ਸਪੇਸ ਵਿੱਚ, ਪਰਸੈਪਟ੍ਰਾਨ ਹਾਈਪਰਪਲੇਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਨਪੁਟ ਡਾਟਾ ਦੇ ਦੋ ਵਰਗਾਂ ਨੂੰ ਵੱਖ ਕਰ ਸਕਦਾ ਹੈ।\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1050,7 +1050,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**ਅਸਵੀਕਰਤੀ**: \nਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।\n"
|
||||
"\n---\n\n**ਅਸਵੀਕਰਤੀ**: \nਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਛਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1079,8 +1079,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T08:48:41+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:55:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "pa"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,31 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:40:03+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:53:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "pa"
|
||||
}
|
||||
-->
|
||||
# ਪੈਰਸੈਪਟ੍ਰਾਨ ਨਾਲ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਨ
|
||||
# ਪਰਸੈਪਟ੍ਰਾਨ ਨਾਲ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਨ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ਤੋਂ ਲੈਬ ਅਸਾਈਨਮੈਂਟ।
|
||||
|
||||
## ਕੰਮ
|
||||
|
||||
ਇਸ ਪਾਠ ਵਿੱਚ MNIST ਹੱਥੋਂ ਲਿਖੇ ਅੰਕਾਂ ਦੀ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਵਿਕਸਿਤ ਕੀਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇੱਕ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਨ ਬਣਾਓ ਜੋ ਕਿਸੇ ਵੀ ਅੰਕ ਨੂੰ ਪਛਾਣ ਸਕੇ। ਟ੍ਰੇਨ ਅਤੇ ਟੈਸਟ ਡਾਟਾਸੈਟ 'ਤੇ ਵਰਗੀਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਕਨਫਿਊਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਿੰਟ ਕਰੋ।
|
||||
ਇਸ ਪਾਠ ਵਿੱਚ MNIST ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਦੀ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਵਿਕਸਿਤ ਕੀਤੇ ਗਏ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇੱਕ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਨ ਬਣਾਓ ਜੋ ਕਿਸੇ ਵੀ ਅੰਕ ਨੂੰ ਪਛਾਣ ਸਕੇ। ਟ੍ਰੇਨ ਅਤੇ ਟੈਸਟ ਡਾਟਾਸੈੱਟ 'ਤੇ ਵਰਗੀਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਕਨਫਿਊਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਿੰਟ ਕਰੋ।
|
||||
|
||||
## ਸੁਝਾਅ
|
||||
## ਸੰਕੇਤ
|
||||
|
||||
1. ਹਰ ਅੰਕ ਲਈ, "ਇਹ ਅੰਕ ਬਨਾਮ ਸਾਰੇ ਹੋਰ ਅੰਕ" ਦੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਡਾਟਾਸੈਟ ਬਣਾਓ।
|
||||
1. ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ 10 ਵੱਖ-ਵੱਖ ਪੈਰਸੈਪਟ੍ਰਾਨ ਟ੍ਰੇਨ ਕਰੋ (ਹਰ ਅੰਕ ਲਈ ਇੱਕ)।
|
||||
1. ਹਰ ਅੰਕ ਲਈ, "ਇਹ ਅੰਕ ਬਨਾਮ ਸਾਰੇ ਹੋਰ ਅੰਕ" ਦੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਡਾਟਾਸੈੱਟ ਬਣਾਓ।
|
||||
1. ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ 10 ਵੱਖਰੇ ਪਰਸੈਪਟ੍ਰਾਨ ਟ੍ਰੇਨ ਕਰੋ (ਹਰ ਅੰਕ ਲਈ ਇੱਕ)।
|
||||
1. ਇੱਕ ਫੰਕਸ਼ਨ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਜੋ ਇਨਪੁਟ ਅੰਕ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰੇ।
|
||||
|
||||
> **ਸੁਝਾਅ**: ਜੇਕਰ ਅਸੀਂ ਸਾਰੇ 10 ਪੈਰਸੈਪਟ੍ਰਾਨ ਦੇ ਵਜ਼ਨਾਂ ਨੂੰ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਜੋੜੀਏ, ਤਾਂ ਅਸੀਂ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਗੁਣਾ ਕਰਕੇ ਸਾਰੇ 10 ਪੈਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਇਨਪੁਟ ਅੰਕਾਂ 'ਤੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਅੰਕ ਨੂੰ ਫਿਰ `argmax` ਓਪਰੇਸ਼ਨ ਲਾਗੂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
|
||||
> **ਸੰਕੇਤ**: ਜੇ ਅਸੀਂ ਸਾਰੇ 10 ਪਰਸੈਪਟ੍ਰਾਨ ਦੇ ਵਜ਼ਨਾਂ ਨੂੰ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਜੋੜੀਏ, ਤਾਂ ਅਸੀਂ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਗੁਣਾ ਕਰਕੇ ਸਾਰੇ 10 ਪਰਸੈਪਟ੍ਰਾਨ ਨੂੰ ਇਨਪੁਟ ਅੰਕਾਂ 'ਤੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਅੰਕ ਨੂੰ ਫਿਰ ਸਿਰਫ਼ ਆਉਟਪੁੱਟ 'ਤੇ `argmax` ਆਪਰੇਸ਼ਨ ਲਾਗੂ ਕਰਕੇ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ।
|
||||
|
||||
## ਸ਼ੁਰੂਆਤੀ ਨੋਟਬੁੱਕ
|
||||
|
||||
ਲੈਬ ਸ਼ੁਰੂ ਕਰਨ ਲਈ [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) ਖੋਲ੍ਹੋ।
|
||||
ਲੈਬ ਨੂੰ [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) ਖੋਲ੍ਹ ਕੇ ਸ਼ੁਰੂ ਕਰੋ।
|
||||
|
||||
**ਅਸਵੀਕਾਰਨਾ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
---
|
||||
|
||||
**ਅਸਵੀਕਰਤੀ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "335144a809cc5695988bb1504c67066d",
|
||||
"translation_date": "2025-08-28T10:31:45+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:58:01+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ru"
|
||||
}
|
||||
|
|
@ -21,21 +21,21 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott)
|
||||
|
||||
# Искусственный интеллект для начинающих - учебная программа
|
||||
# Искусственный интеллект для начинающих — учебный курс
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Искусственный интеллект для начинающих - _Скетчноут от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| Искусственный интеллект для начинающих — _Скетчноут от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Исследуйте мир **Искусственного интеллекта** (AI) с нашей 12-недельной учебной программой, включающей 24 урока! Она включает практические занятия, тесты и лабораторные работы. Программа подходит для начинающих и охватывает инструменты, такие как TensorFlow и PyTorch, а также вопросы этики в AI.
|
||||
Изучите мир **искусственного интеллекта** (ИИ) с нашим 12-недельным курсом, состоящим из 24 уроков! Включает практические занятия, тесты и лабораторные работы. Курс подходит для начинающих и охватывает такие инструменты, как TensorFlow и PyTorch, а также вопросы этики в ИИ.
|
||||
|
||||
### 🌐 Поддержка нескольких языков
|
||||
|
||||
#### Поддерживается через GitHub Action (автоматически и всегда актуально)
|
||||
#### Доступно через GitHub Action (автоматически и всегда актуально)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](./README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**Если вы хотите добавить поддержку дополнительных языков, список доступных языков можно найти [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Если вы хотите добавить поддержку других языков, список доступных языков можно найти [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Присоединяйтесь к сообществу
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
|
@ -44,49 +44,49 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**[Ментальная карта курса](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
В рамках этой учебной программы вы изучите:
|
||||
В этом курсе вы изучите:
|
||||
|
||||
* Различные подходы к искусственному интеллекту, включая "старый добрый" символический подход с **представлением знаний** и рассуждением ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Нейронные сети** и **глубокое обучение**, которые лежат в основе современного AI. Мы иллюстрируем концепции этих важных тем с помощью кода в двух самых популярных фреймворках - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Нейронные архитектуры** для работы с изображениями и текстом. Мы рассмотрим современные модели, но можем немного отставать от передовых разработок.
|
||||
* Менее популярные подходы к AI, такие как **генетические алгоритмы** и **многоагентные системы**.
|
||||
* Различные подходы к искусственному интеллекту, включая "старый добрый" символический подход с использованием **представления знаний** и рассуждений ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Нейронные сети** и **глубокое обучение**, которые лежат в основе современного ИИ. Мы объясним концепции этих важных тем с помощью кода на двух самых популярных фреймворках — [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Нейронные архитектуры** для работы с изображениями и текстом. Мы рассмотрим современные модели, хотя они могут быть не самыми передовыми.
|
||||
* Менее популярные подходы к ИИ, такие как **генетические алгоритмы** и **многоагентные системы**.
|
||||
|
||||
Что мы не будем рассматривать в этой учебной программе:
|
||||
Что мы не будем рассматривать в этом курсе:
|
||||
|
||||
> [Найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Все дополнительные материалы к этому курсу можно найти в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Бизнес-кейсы использования **AI в бизнесе**. Рекомендуем пройти учебный путь [Введение в AI для бизнес-пользователей](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработанный в сотрудничестве с [INSEAD](https://www.insead.edu/).
|
||||
* **Классическое машинное обучение**, которое хорошо описано в нашей учебной программе [Машинное обучение для начинающих](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практические приложения AI, созданные с использованием **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Для этого рекомендуем начать с модулей Microsoft Learn для [компьютерного зрения](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обработки естественного языка](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративного AI с Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и других.
|
||||
* Конкретные облачные фреймворки для ML, такие как [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) или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Рекомендуем учебные пути [Создание и управление решениями машинного обучения с Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Создание и управление решениями машинного обучения с Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорный AI** и **чат-боты**. Существует отдельный учебный путь [Создание решений разговорного AI](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а также можно ознакомиться с [этой статьей](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для получения дополнительной информации.
|
||||
* **Глубокая математика** за глубоким обучением. Для этого рекомендуем книгу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) Иэна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля, которая также доступна онлайн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Бизнес-кейсы использования **ИИ в бизнесе**. Рекомендуем пройти учебный путь [Введение в ИИ для бизнес-пользователей](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn или [Школу ИИ для бизнеса](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработанную в сотрудничестве с [INSEAD](https://www.insead.edu/).
|
||||
* **Классическое машинное обучение**, которое подробно описано в нашем курсе [Машинное обучение для начинающих](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практические приложения ИИ, созданные с использованием **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Для этого рекомендуем начать с модулей Microsoft Learn для [компьютерного зрения](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обработки естественного языка](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративного ИИ с Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и других.
|
||||
* Конкретные облачные фреймворки для машинного обучения, такие как [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) или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Рассмотрите учебные пути [Создание и эксплуатация решений машинного обучения с Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Создание и эксплуатация решений машинного обучения с Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорный ИИ** и **чат-боты**. Существует отдельный учебный путь [Создание решений разговорного ИИ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а также вы можете ознакомиться с [этой статьей](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для получения дополнительной информации.
|
||||
* **Глубокая математика**, лежащая в основе глубокого обучения. Для этого мы рекомендуем книгу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) Иэна Гудфеллоу, Йошуа Бенджио и Аарона Курвиля, которая также доступна онлайн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Для мягкого введения в темы _AI в облаке_ можно рассмотреть учебный путь [Начало работы с искусственным интеллектом на Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Для мягкого введения в темы _ИИ в облаке_ вы можете пройти учебный путь [Начало работы с искусственным интеллектом на Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Содержание
|
||||
|
||||
| | Ссылка на урок | PyTorch/Keras/TensorFlow | Лабораторная работа |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Настройка курса](./lessons/0-course-setup/setup.md) | [Настройка среды разработки](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Введение в AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Введение и история AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Символический AI** |
|
||||
| 02 | [Представление знаний и экспертные системы](./lessons/2-Symbolic/README.md) | [Экспертные системы](./lessons/2-Symbolic/Animals.ipynb) / [Онтология](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф концептов](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Введение в нейронные сети**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Ноутбук](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лабораторная работа](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| | Ссылка на урок | PyTorch/Keras/TensorFlow | Лабораторная работа |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Настройка курса](./lessons/0-course-setup/setup.md) | [Настройка среды разработки](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Введение в ИИ**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Введение и история ИИ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Символический ИИ** |
|
||||
| 02 | [Представление знаний и экспертные системы](./lessons/2-Symbolic/README.md) | [Экспертные системы](./lessons/2-Symbolic/Animals.ipynb) / [Онтология](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф концептов](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Введение в нейронные сети**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Ноутбук](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лабораторная работа](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Многослойный перцептрон и создание собственного фреймворка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Ноутбук](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лабораторная работа](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Введение в фреймворки (PyTorch/TensorFlow) и переобучение](./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) | [Лабораторная работа](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Компьютерное зрение**](./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)| [Изучите компьютерное зрение на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Введение в компьютерное зрение. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Ноутбук](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лабораторная работа](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Сверточные нейронные сети](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архитектуры CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лабораторная работа](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Предобученные сети и трансферное обучение](./lessons/4-ComputerVision/08-TransferLearning/README.md) и [Трюки обучения](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лабораторная работа](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автоэнкодеры и вариационные автоэнкодеры (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 | [Генеративно-состязательные сети (GAN) и перенос художественного стиля](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 08 | [Предобученные сети и перенос обучения](./lessons/4-ComputerVision/08-TransferLearning/README.md) и [Трюки обучения](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лабораторная работа](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автокодировщики и вариационные автокодировщики (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 | [Генеративно-состязательные сети и перенос художественного стиля](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Обнаружение объектов](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лабораторная работа](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Семантическая сегментация. 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 | [**Обработка естественного языка (NLP)**](./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) | [Изучите обработку естественного языка на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представление текста. BoW/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| V | [**Обработка естественного языка**](./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) | [Изучите обработку естественного языка на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представление текста. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Семантические векторные представления слов. Word2Vec и GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Моделирование языка. Обучение собственных векторных представлений](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Лабораторная работа](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Рекуррентные нейронные сети](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
|
|
@ -97,23 +97,23 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
| VI | **Другие методы ИИ** || |
|
||||
| 21 | [Генетические алгоритмы](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Ноутбук](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Глубокое обучение с подкреплением](./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) | [Лабораторная работа](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Многоагентные системы](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 23 | [Мультиагентные системы](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Этика ИИ** | | |
|
||||
| 24 | [Этика ИИ и ответственный ИИ](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципы ответственного ИИ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Дополнительно** | | |
|
||||
| IX | **Дополнения** | | |
|
||||
| 25 | [Мультимодальные сети, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Ноутбук](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Каждая лекция включает
|
||||
|
||||
* Материалы для предварительного чтения
|
||||
* Исполняемые Jupyter-ноутбуки, которые часто специфичны для фреймворка (**PyTorch** или **TensorFlow**). Исполняемый ноутбук также содержит много теоретического материала, поэтому для понимания темы необходимо изучить хотя бы одну версию ноутбука (PyTorch или TensorFlow).
|
||||
* Материалы для предварительного изучения
|
||||
* Исполняемые Jupyter-ноутбуки, которые часто специфичны для фреймворка (**PyTorch** или **TensorFlow**). Исполняемый ноутбук также содержит много теоретического материала, поэтому для понимания темы необходимо изучить хотя бы одну версию ноутбука (либо PyTorch, либо TensorFlow).
|
||||
* **Лабораторные работы**, доступные для некоторых тем, которые дают возможность применить изученный материал к конкретной задаче.
|
||||
* Некоторые разделы содержат ссылки на модули [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), охватывающие связанные темы.
|
||||
|
||||
## Начало работы
|
||||
|
||||
- Мы создали [урок по настройке](./lessons/0-course-setup/setup.md), чтобы помочь вам настроить вашу среду разработки. - Для преподавателей мы также подготовили [урок по настройке учебного плана](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Как [запустить код в VSCode или CodeSpace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Мы создали [урок по настройке](./lessons/0-course-setup/setup.md), чтобы помочь вам настроить вашу среду разработки. - Для преподавателей мы также создали [урок по настройке учебного плана](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Как [запустить код в VSCode или Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Следуйте этим шагам:
|
||||
|
||||
|
|
@ -121,13 +121,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Клонируйте репозиторий: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Не забудьте поставить звезду (🌟) этому репозиторию, чтобы потом было проще его найти.
|
||||
Не забудьте поставить звезду (🌟) этому репозиторию, чтобы легче было его найти позже.
|
||||
|
||||
## Познакомьтесь с другими учащимися
|
||||
|
||||
Присоединяйтесь к нашему [официальному серверу AI в Discord](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), чтобы познакомиться и пообщаться с другими учащимися, проходящими этот курс, и получить поддержку.
|
||||
Присоединяйтесь к нашему [официальному серверу AI в Discord](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), чтобы познакомиться и наладить связи с другими учащимися, проходящими этот курс, и получить поддержку.
|
||||
|
||||
Если у вас есть отзывы о продукте или вопросы во время работы, посетите наш [форум разработчиков Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
Если у вас есть отзывы о продукте или вопросы во время разработки, посетите наш [форум разработчиков Azure AI Foundry](https://aka.ms/foundry/forum).
|
||||
|
||||
## Викторины
|
||||
> **Примечание о викторинах**: Все викторины находятся в папке Quiz-app в etc\quiz-app, или [Онлайн здесь](https://ff-quizzes.netlify.app/). Они связаны с уроками, и приложение для викторин можно запускать локально или развертывать на Azure; следуйте инструкциям в папке `quiz-app`. Постепенно они переводятся на другие языки.
|
||||
|
|
@ -165,4 +165,4 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
---
|
||||
|
||||
**Отказ от ответственности**:
|
||||
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
|
||||
Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется использовать профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
|
||||
|
|
@ -13,7 +13,7 @@
|
|||
"\n",
|
||||
"> Этот ноутбук является частью [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners). Посетите репозиторий, чтобы получить полный набор учебных материалов.\n",
|
||||
"\n",
|
||||
"Как мы уже обсуждали, перцептрон позволяет решать задачу **бинарной классификации**, то есть классифицировать входные примеры на два класса — мы можем назвать их **положительный** и **отрицательный**.\n",
|
||||
"Как мы уже обсуждали, перцептрон позволяет решать задачу **бинарной классификации**, то есть классифицировать входные примеры на два класса - мы можем назвать их **положительный** и **отрицательный**.\n",
|
||||
"\n",
|
||||
"Сначала давайте импортируем некоторые необходимые библиотеки.\n"
|
||||
]
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"Однако, общая линейная модель должна также включать смещение (bias), то есть, в идеале, мы должны вычислять $y$ как $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. Чтобы упростить нашу модель, мы можем избавиться от терма смещения, добавив еще одно измерение к нашим входным признакам, которое всегда равно 1:\n"
|
||||
"Однако, общая линейная модель должна также включать смещение (bias), то есть, в идеале, мы должны вычислять $y$ как $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. Чтобы упростить нашу модель, мы можем избавиться от этого смещения, добавив еще одно измерение к нашим входным признакам, которое всегда равно 1:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,7 +206,7 @@
|
|||
"source": [
|
||||
"## Алгоритм обучения\n",
|
||||
"\n",
|
||||
"Для обучения перцептрона необходимо найти веса $\\mathbf{w}$, которые минимизируют ошибку. Ошибка определяется с использованием **критерия перцептрона**:\n",
|
||||
"Для обучения перцептрона необходимо найти веса $\\mathbf{w}$, которые минимизируют ошибку. Ошибка определяется с помощью **критерия перцептрона**:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
|
|
@ -217,9 +217,9 @@
|
|||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"где $\\eta$ — **скорость обучения**, а $\\tau\\in\\mathbb{N}$ — номер итерации.\n",
|
||||
"где $\\eta$ - **скорость обучения**, а $\\tau\\in\\mathbb{N}$ - номер итерации.\n",
|
||||
"\n",
|
||||
"Давайте определим этот алгоритм на Python:\n"
|
||||
"Определим этот алгоритм на Python:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## Оценка на тестовом наборе данных\n",
|
||||
"\n",
|
||||
"С самого начала мы отложили часть данных для тестового набора. Давайте посмотрим, насколько точен наш классификатор на этом тестовом наборе. Для этого мы также расширяем тестовый набор на дополнительное измерение, умножаем на матрицу весов и проверяем, чтобы полученное значение имело тот же знак, что и метка (+1 или -1). Затем мы суммируем все булевы значения и делим на длину тестовой выборки, чтобы получить точность:\n"
|
||||
"С самого начала мы выделили часть данных для тестового набора. Давайте проверим, насколько точен наш классификатор на этом тестовом наборе. Для этого мы также расширяем тестовый набор, добавляя дополнительное измерение, умножаем на матрицу весов и убеждаемся, что полученное значение имеет тот же знак, что и метка (+1 или -1). Затем мы суммируем все булевы значения и делим на длину тестовой выборки, чтобы получить точность:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -528,16 +528,16 @@
|
|||
"source": [
|
||||
"## Ограничения перцептрона\n",
|
||||
"\n",
|
||||
"Как вы уже видели, перцептрон является **линейным классификатором**. Он хорошо различает два класса, если они **линейно разделимы**, то есть могут быть разделены прямой линией. В противном случае процесс обучения перцептрона не будет сходиться.\n",
|
||||
"Как вы уже видели, перцептрон является **линейным классификатором**. Он хорошо справляется с разделением двух классов, если они **линейно разделимы**, то есть их можно разделить прямой линией. В противном случае процесс обучения перцептрона не будет сходиться.\n",
|
||||
"\n",
|
||||
"Самый очевидный пример задачи, которую невозможно решить с помощью перцептрона, — это так называемая **задача XOR**. Мы хотим, чтобы наш перцептрон научился булевой функции XOR, которая имеет следующую таблицу истинности:\n",
|
||||
"Самый очевидный пример задачи, которую перцептрон не может решить, — это так называемая **задача XOR**. Мы хотим, чтобы наш перцептрон научился булевой функции XOR, которая имеет следующую таблицу истинности:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"Давайте попробуем это сделать! Мы вручную заполним все положительные и отрицательные обучающие примеры, а затем вызовем нашу функцию train, определённую выше:\n"
|
||||
"Давайте попробуем это сделать! Мы вручную заполним все положительные и отрицательные обучающие примеры, а затем вызовем нашу функцию обучения, определённую выше:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -604,21 +604,21 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"Как видно из графика выше, точность никогда не превышает 75%, потому что невозможно провести прямую линию так, чтобы правильно классифицировать все возможные примеры.\n",
|
||||
"Как видно из графика выше, точность никогда не превышает 75%, потому что невозможно провести прямую линию так, чтобы она правильно классифицировала все возможные примеры.\n",
|
||||
"\n",
|
||||
"Проблема XOR является классическим примером ограничений перцептрона, и на нее обратили внимание Марвин Минский и Сеймур Пейперт в 1969 году в своей книге [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)). Это наблюдение затормозило исследования в области нейронных сетей почти на 10 лет, хотя - как мы увидим в следующем разделе нашего курса - многослойные перцептроны вполне способны решать такие задачи.\n",
|
||||
"Проблема XOR является классическим примером ограничений перцептрона, и на нее обратили внимание Марвин Мински и Сеймур Пейперт в 1969 году в своей книге [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)). Это наблюдение затормозило исследования в области нейронных сетей почти на 10 лет, хотя - как мы увидим в следующем разделе нашего курса - многослойные перцептроны вполне способны решать такие задачи.\n",
|
||||
"\n",
|
||||
"## Сложный пример - MNIST\n",
|
||||
"\n",
|
||||
"Хотя перцептрон не может решить проблему XOR, он может справляться с гораздо более сложными задачами, такими как распознавание рукописных символов.\n",
|
||||
"\n",
|
||||
"Набор данных, который часто используется при изучении машинного обучения, называется [MNIST](https://en.wikipedia.org/wiki/MNIST_database). Он был создан Модифицированным Национальным институтом стандартов и технологий и содержит обучающую выборку из 60 000 рукописных цифр, собранных примерно у 250 студентов и сотрудников института. Также имеется тестовый набор данных из 10 000 цифр, собранных у других людей.\n",
|
||||
"Набор данных, который часто используется при изучении машинного обучения, называется [MNIST](https://en.wikipedia.org/wiki/MNIST_database). Он был создан Модифицированным Национальным институтом стандартов и технологий и содержит обучающую выборку из 60000 рукописных цифр, собранных примерно у 250 студентов и сотрудников института. Также имеется тестовый набор данных из 10000 цифр, собранных у других людей.\n",
|
||||
"\n",
|
||||
"Все цифры представлены в виде черно-белых изображений размером 28x28 пикселей.\n",
|
||||
"\n",
|
||||
"> Набор данных MNIST доступен в качестве тренировочного соревнования на [Kaggle](https://www.kaggle.com/c/digit-recognizer), сайте, который проводит конкурсы и соревнования по машинному обучению. Как только вы научитесь классифицировать цифры из MNIST, вы можете отправить свое решение на Kaggle, чтобы узнать, как оно оценивается среди других участников.\n",
|
||||
"\n",
|
||||
"Мы начинаем с загрузки набора данных MNIST:\n"
|
||||
"Мы начнем с загрузки набора данных MNIST:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -828,13 +828,13 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Обратите внимание, как точность быстро достигает почти 100%.\n",
|
||||
"Обратите внимание, как точность очень быстро достигает почти 100%.\n",
|
||||
"\n",
|
||||
"Пожалуйста, переместите ползунок ближе к концу обучения и обратите внимание на матрицу весов, отображаемую слева. Эта матрица поможет вам понять, как работает перцептрон. Вы можете увидеть высокие значения весов в середине поля, которые соответствуют пикселям, обычно присутствующим для цифры 1, и низкие отрицательные значения по краям, где находятся части цифры 0. Таким образом, если цифра, поданная на вход перцептрону, действительно является 1, центральная часть будет умножена на высокие значения, что даст положительный результат. Напротив, когда перцептрон видит 0, соответствующие пиксели умножаются на отрицательные числа.\n",
|
||||
"Пожалуйста, переместите ползунок ближе к концу обучения и обратите внимание на матрицу весов, отображённую слева. Эта матрица поможет вам понять, как работает перцептрон. Вы можете увидеть высокие значения весов в середине поля, которые соответствуют пикселям, обычно присутствующим для цифры 1, и низкие отрицательные значения по краям, где находятся части цифры 0. Таким образом, если цифра, поданная на вход перцептрону, действительно является 1, её центральная часть будет умножена на высокие значения, что даст положительный результат. Напротив, когда перцептрон видит цифру 0, соответствующие пиксели умножаются на отрицательные числа.\n",
|
||||
"\n",
|
||||
"> Вы можете заметить, что если мы подадим перцептрону цифру 1, слегка сдвинутую по горизонтали, так что её пиксели займут место, где находятся вертикальные части цифры 0, мы можем получить некорректный результат. Поскольку природа нашего набора данных MNIST такова, что все цифры центрированы и правильно расположены, перцептрон полагается на это для различения цифр.\n",
|
||||
"> Вы можете заметить, что если мы подадим перцептрону цифру 1, слегка сдвинутую по горизонтали, так что её пиксели займут место, где находятся вертикальные части цифры 0, мы можем получить некорректный результат. Это связано с тем, что природа нашего набора данных MNIST такова, что все цифры центрированы и правильно расположены, и перцептрон полагается на это для различения цифр.\n",
|
||||
"\n",
|
||||
"Теперь давайте попробуем разные цифры:\n"
|
||||
"Теперь давайте попробуем другие цифры:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -910,11 +910,11 @@
|
|||
"source": [
|
||||
"## Обсуждение\n",
|
||||
"\n",
|
||||
"По какой-то причине цифры 2 и 5 не так легко разделить. Несмотря на то, что мы достигаем относительно высокой точности (выше 85%), можно заметить, что в какой-то момент персептрон перестает обучаться.\n",
|
||||
"По какой-то причине цифры 2 и 5 не так легко разделить. Несмотря на то, что мы достигаем относительно высокой точности (выше 85%), можно заметить, что в какой-то момент перцептрон перестает обучаться.\n",
|
||||
"\n",
|
||||
"Чтобы понять, почему это происходит, мы можем попробовать использовать [Анализ главных компонент](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA). Это метод машинного обучения, который используется для снижения размерности входного набора данных таким образом, чтобы обеспечить наилучшее разделение между классами.\n",
|
||||
"\n",
|
||||
"В нашем случае входное изображение имеет 784 пикселя (входных признака), и мы хотим использовать PCA, чтобы уменьшить количество параметров до всего лишь 2, чтобы можно было их отобразить на графике. Эти два параметра будут линейной комбинацией исходных признаков, и этот процесс можно представить как \"поворот\" нашего исходного 784-мерного пространства и наблюдение его проекции на 2D-пространство, пока мы не получим наилучший вид, который разделяет классы.\n"
|
||||
"В нашем случае входное изображение имеет 784 пикселя (входных признака), и мы хотим использовать PCA, чтобы уменьшить количество параметров до всего лишь 2, чтобы можно было построить их график. Эти два параметра будут линейной комбинацией исходных признаков, и этот процесс можно представить как \"поворот\" нашего исходного 784-мерного пространства и наблюдение его проекции на 2D-пространство, пока мы не получим наилучший вид, который разделяет классы.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1033,7 +1033,7 @@
|
|||
" * Мы узнали о самой простой архитектуре нейронной сети — однослойном перцептроне.\n",
|
||||
" * Мы реализовали перцептрон \"вручную\", используя простую процедуру обучения на основе градиентного спуска.\n",
|
||||
" * Несмотря на простоту, однослойный перцептрон способен решать довольно сложные задачи распознавания рукописных цифр.\n",
|
||||
" * Однослойный перцептрон является линейным классификатором, и, следовательно, обладает той же классификационной мощностью, что и логистическая регрессия.\n",
|
||||
" * Однослойный перцептрон является линейным классификатором, и, таким образом, обладает той же классификационной мощностью, что и логистическая регрессия.\n",
|
||||
" * В пространстве выборки перцептрон может разделять два класса входных данных с помощью гиперплоскости.\n"
|
||||
]
|
||||
},
|
||||
|
|
@ -1043,14 +1043,14 @@
|
|||
"source": [
|
||||
"## Благодарности\n",
|
||||
"\n",
|
||||
"Этот ноутбук является частью [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) и был подготовлен [Дмитрием Сошниковым](http://soshnikov.com). Он вдохновлен семинаром по нейронным сетям в Microsoft Research Cambridge. Некоторый код и иллюстративные материалы взяты из презентаций [Катьи Хоффман](https://www.microsoft.com/en-us/research/people/kahofman/), [Мэттью Джонсона](https://www.microsoft.com/en-us/research/people/matjoh/) и [Рёто Томиоки](https://www.microsoft.com/en-us/research/people/ryoto/), а также из репозитория [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
"Этот ноутбук является частью [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) и был подготовлен [Дмитрием Сошниковым](http://soshnikov.com). Он вдохновлен мастерской по нейронным сетям в Microsoft Research Cambridge. Часть кода и иллюстративных материалов взята из презентаций [Катьи Хоффман](https://www.microsoft.com/en-us/research/people/kahofman/), [Мэттью Джонсона](https://www.microsoft.com/en-us/research/people/matjoh/) и [Рёто Томиоки](https://www.microsoft.com/en-us/research/people/ryoto/), а также из репозитория [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**Отказ от ответственности**: \nЭтот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.\n"
|
||||
"\n---\n\n**Отказ от ответственности**: \nЭтот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1079,8 +1079,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T11:39:45+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T07:00:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "ru"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T06:48:14+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:59:27+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ru"
|
||||
}
|
||||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## Задание
|
||||
|
||||
Используя код, который мы разработали на этом уроке для бинарной классификации рукописных цифр MNIST, создайте многоклассовый классификатор, который сможет распознавать любую цифру. Вычислите точность классификации на обучающем и тестовом наборах данных и выведите матрицу ошибок.
|
||||
Используя код, который мы разработали на этом уроке для бинарной классификации рукописных цифр из набора данных MNIST, создайте многоклассовый классификатор, способный распознавать любую цифру. Вычислите точность классификации на обучающем и тестовом наборах данных и выведите матрицу ошибок.
|
||||
|
||||
## Подсказки
|
||||
|
||||
|
|
@ -21,11 +21,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
1. Обучите 10 различных перцептронов для бинарной классификации (по одному для каждой цифры).
|
||||
1. Определите функцию, которая будет классифицировать входную цифру.
|
||||
|
||||
> **Подсказка**: Если объединить веса всех 10 перцептронов в одну матрицу, мы сможем применить все 10 перцептронов к входным цифрам с помощью одной матричной операции умножения. Наиболее вероятную цифру можно определить, просто применив операцию `argmax` к результату.
|
||||
> **Подсказка**: Если объединить веса всех 10 перцептронов в одну матрицу, мы сможем применить все 10 перцептронов к входным цифрам с помощью одной матричной операции. Наиболее вероятную цифру можно определить, просто применив операцию `argmax` к результату.
|
||||
|
||||
## Начальный ноутбук
|
||||
|
||||
Начните лабораторную работу, открыв [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb)
|
||||
Начните выполнение лабораторной работы, открыв [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb)
|
||||
|
||||
---
|
||||
|
||||
**Отказ от ответственности**:
|
||||
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
|
||||
Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f3a6b0ddf7e6e3f33b2a543baf086dc9",
|
||||
"translation_date": "2025-08-28T02:24:46+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:41:31+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "tl"
|
||||
}
|
||||
|
|
@ -23,35 +23,46 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Artipisyal na Intelihensiya para sa mga Baguhan - Isang Kurikulum
|
||||
|
||||
|](./lessons/sketchnotes/ai-overview.png)|
|
||||
||
|
||||
|:---:|
|
||||
| AI Para sa mga Baguhan - _Sketchnote ni [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Tuklasin ang mundo ng **Artipisyal na Intelihensiya** (AI) gamit ang aming 12-linggong, 24-aralin na kurikulum! Kasama dito ang mga praktikal na aralin, pagsusulit, at mga laboratoryo. Ang kurikulum ay para sa mga baguhan at sumasaklaw sa mga kasangkapan tulad ng TensorFlow at PyTorch, pati na rin ang etika sa AI.
|
||||
Tuklasin ang mundo ng **Artipisyal na Intelihensiya** (AI) gamit ang aming 12-linggong, 24-aralin na kurikulum! Kasama rito ang mga praktikal na aralin, pagsusulit, at mga laboratoryo. Ang kurikulum na ito ay para sa mga baguhan at sumasaklaw sa mga tool tulad ng TensorFlow at PyTorch, pati na rin ang etika sa AI.
|
||||
|
||||
## Ano ang iyong matututunan
|
||||
### 🌐 Suporta sa Iba't Ibang Wika
|
||||
|
||||
#### Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Laging Napapanahon)
|
||||
|
||||
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](./README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
||||
|
||||
**Kung nais mong magkaroon ng karagdagang mga pagsasalin, ang mga sinusuportahang wika ay nakalista [dito](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Sumali sa Komunidad
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## Ano ang Matututuhan Mo
|
||||
|
||||
**[Mindmap ng Kurso](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Sa kurikulum na ito, matututunan mo:
|
||||
Sa kurikulum na ito, matututuhan mo:
|
||||
|
||||
* Iba't ibang pamamaraan sa Artipisyal na Intelihensiya, kabilang ang "lumang pamamaraan" na simbolikong paraan gamit ang **Knowledge Representation** at pangangatwiran ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neural Networks** at **Deep Learning**, na siyang sentro ng modernong AI. Ipapakita namin ang mga konsepto sa likod ng mga mahahalagang paksa gamit ang code sa dalawang pinakasikat na framework - [TensorFlow](http://Tensorflow.org) at [PyTorch](http://pytorch.org).
|
||||
* **Neural Architectures** para sa pagproseso ng mga imahe at teksto. Sasaklawin namin ang mga kamakailang modelo ngunit maaaring kulang sa pinakabagong teknolohiya.
|
||||
* Mas hindi sikat na mga pamamaraan ng AI, tulad ng **Genetic Algorithms** at **Multi-Agent Systems**.
|
||||
* Iba't ibang paraan sa Artipisyal na Intelihensiya, kabilang ang "lumang paraan" na simbolikong diskarte gamit ang **Knowledge Representation** at pangangatwiran ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neural Networks** at **Deep Learning**, na nasa sentro ng modernong AI. Ipapakita namin ang mga konsepto sa likod ng mga mahahalagang paksang ito gamit ang code sa dalawang pinakasikat na framework - [TensorFlow](http://Tensorflow.org) at [PyTorch](http://pytorch.org).
|
||||
* **Neural Architectures** para sa pagproseso ng mga imahe at teksto. Tatalakayin namin ang mga kamakailang modelo ngunit maaaring kulang sa pinakabagong estado ng sining.
|
||||
* Hindi gaanong kilalang mga diskarte sa AI, tulad ng **Genetic Algorithms** at **Multi-Agent Systems**.
|
||||
|
||||
Ano ang hindi namin sasaklawin sa kurikulum na ito:
|
||||
Ano ang hindi namin tatalakayin sa kurikulum na ito:
|
||||
|
||||
> [Hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Mga kaso sa negosyo ng paggamit ng **AI sa Negosyo**. Isaalang-alang ang pagkuha ng [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) learning path sa Microsoft Learn, o [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), na binuo sa pakikipagtulungan sa [INSEAD](https://www.insead.edu/).
|
||||
* **Klasikong Machine Learning**, na mahusay na nailarawan sa aming [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktikal na aplikasyon ng AI na binuo gamit ang **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Para dito, inirerekumenda namin na magsimula sa mga module ng Microsoft Learn para sa [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** at iba pa.
|
||||
* Mga kaso ng negosyo ng paggamit ng **AI sa Negosyo**. Isaalang-alang ang pagkuha ng [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) learning path sa Microsoft Learn, o [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), na binuo kasama ang [INSEAD](https://www.insead.edu/).
|
||||
* **Classic Machine Learning**, na mahusay na ipinaliwanag sa aming [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktikal na aplikasyon ng AI gamit ang **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Para dito, inirerekomenda naming magsimula sa mga module ng Microsoft Learn para sa [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** at iba pa.
|
||||
* Mga partikular na ML **Cloud Frameworks**, tulad ng [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), o [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Isaalang-alang ang paggamit ng [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) at [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) learning paths.
|
||||
* **Conversational AI** at **Chat Bots**. May hiwalay na [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) learning path, at maaari ka ring sumangguni sa [blog post na ito](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) para sa higit pang detalye.
|
||||
* **Malalim na Matematika** sa likod ng deep learning. Para dito, inirerekumenda namin ang [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ni Ian Goodfellow, Yoshua Bengio, at Aaron Courville, na makukuha rin online sa [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* **Malalim na Matematika** sa likod ng deep learning. Para dito, inirerekomenda namin ang [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) nina Ian Goodfellow, Yoshua Bengio, at Aaron Courville, na makukuha rin online sa [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Para sa banayad na pagpapakilala sa mga paksa ng _AI sa Cloud_, maaari mong isaalang-alang ang pagkuha ng [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path.
|
||||
Para sa isang magaan na pagpapakilala sa mga paksang _AI in the Cloud_, maaari mong isaalang-alang ang pagkuha ng [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path.
|
||||
|
||||
# Nilalaman
|
||||
|
||||
|
|
@ -61,48 +72,48 @@ Para sa banayad na pagpapakilala sa mga paksa ng _AI sa Cloud_, maaari mong isaa
|
|||
| I | [**Panimula sa AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Panimula at Kasaysayan ng AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Simbolikong AI** |
|
||||
| 02 | [Knowledge Representation at Expert Systems](./lessons/2-Symbolic/README.md) | [Expert Systems](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb) / [Ontology](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Knowledge Representation at Expert Systems](./lessons/2-Symbolic/README.md) | [Expert Systems](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Panimula sa Neural Networks**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron at Paglikha ng Sariling Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Panimula sa Frameworks (PyTorch/TensorFlow) at Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Explore Computer Vision on Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Panimula sa Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Mga Pre-trained na Network at Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) at [Mga Teknik sa Pagsasanay](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders at VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks at Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Pag-detect ng Objekto](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantic Segmentation. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow]((https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)) | |
|
||||
| V | [**Natural Language Processing**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Alamin ang Natural Language Processing sa Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Text Representation. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantic word embeddings. Word2Vec at GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Language Modeling. Pagsasanay ng sarili mong embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Malalaking Language Models, Prompt Programming at Few-Shot Tasks](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Iba pang Teknik sa AI** || |
|
||||
| 21 | [Genetic Algorithms](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron at Paglikha ng Sariling Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Intro sa Frameworks (PyTorch/TensorFlow) at Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Explore Computer Vision on Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Intro sa Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Mga Arkitektura ng CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Pre-trained Networks at Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) at [Mga Teknik sa Pagsasanay](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders at VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks at Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Object Detection](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantic Segmentation. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Natural Language Processing**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Explore Natural Language Processing on Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Text Representation. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantic word embeddings. Word2Vec at GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Language Modeling. Pagsasanay ng Sariling Embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Malalaking Language Models, Prompt Programming at Few-Shot Tasks](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Iba Pang Teknik sa AI** || |
|
||||
| 21 | [Genetic Algorithms](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multi-Agent Systems](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika ng AI** | | |
|
||||
| 24 | [Etika ng AI at Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Mga Prinsipyo ng Responsible AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| VII | **AI Ethics** | | |
|
||||
| 24 | [AI Ethics at Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Mga Extra** | | |
|
||||
| 25 | [Multi-Modal Networks, CLIP at VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Multi-Modal Networks, CLIP at VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Ang Bawat Aralin ay Naglalaman ng
|
||||
## Ang Bawat Lesson ay Naglalaman ng
|
||||
|
||||
* Mga materyal na dapat basahin bago magsimula
|
||||
* Mga executable na Jupyter Notebook, na madalas na partikular sa framework (**PyTorch** o **TensorFlow**). Ang mga executable notebook ay naglalaman din ng maraming teoretikal na materyal, kaya upang maunawaan ang paksa, kailangan mong dumaan sa kahit isa sa mga bersyon ng notebook (PyTorch o TensorFlow).
|
||||
* **Mga Lab** na magagamit para sa ilang mga paksa, na nagbibigay sa iyo ng pagkakataong subukan ang paggamit ng mga natutunan sa isang partikular na problema.
|
||||
* Mga Jupyter Notebook na maaaring i-execute, na madalas na partikular sa framework (**PyTorch** o **TensorFlow**). Ang mga executable notebook ay naglalaman din ng maraming teoryang materyal, kaya upang maunawaan ang paksa, kailangan mong dumaan sa kahit isang bersyon ng notebook (PyTorch o TensorFlow).
|
||||
* **Mga Lab** na magagamit para sa ilang mga paksa, na nagbibigay ng pagkakataon na subukan ang paggamit ng mga natutunan sa isang partikular na problema.
|
||||
* Ang ilang mga seksyon ay naglalaman ng mga link sa [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) na mga module na sumasaklaw sa mga kaugnay na paksa.
|
||||
|
||||
## Pagsisimula
|
||||
|
||||
- Gumawa kami ng isang [setup lesson](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/setup.md) upang tulungan ka sa pag-set up ng iyong development environment. - Para sa mga Guro, gumawa rin kami ng isang [curricula setup lesson](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/for-teachers.md) para sa inyo!
|
||||
- Paano [Patakbuhin ang code sa VSCode o Codepace](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/how-to-run.md)
|
||||
- Gumawa kami ng isang [setup lesson](./lessons/0-course-setup/setup.md) upang tulungan ka sa pag-set up ng iyong development environment. - Para sa mga guro, gumawa rin kami ng isang [curricula setup lesson](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Paano [Patakbuhin ang code sa VSCode o Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Sundin ang mga hakbang na ito:
|
||||
|
||||
|
|
@ -112,17 +123,17 @@ Clone ang Repository: `git clone https://github.com/microsoft/AI-For-Beginners.g
|
|||
|
||||
Huwag kalimutang i-star (🌟) ang repo na ito upang mas madali mo itong mahanap sa hinaharap.
|
||||
|
||||
## Makipagkita sa Ibang Mga Nag-aaral
|
||||
## Kilalanin ang Iba Pang Mga Nag-aaral
|
||||
|
||||
Sumali sa aming [opisyal na AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) upang makipagkita at makipag-network sa iba pang mga nag-aaral na kumukuha ng kursong ito at makakuha ng suporta.
|
||||
|
||||
Kung mayroon kang feedback sa produkto o mga tanong habang gumagawa, bisitahin ang aming [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Mga Quiz
|
||||
> **Isang paalala tungkol sa mga pagsusulit**: Ang lahat ng pagsusulit ay matatagpuan sa folder na Quiz-app sa etc\quiz-app. Ang mga ito ay naka-link mula sa loob ng mga aralin. Ang quiz app ay maaaring patakbuhin nang lokal o i-deploy sa Azure; sundin ang mga tagubilin sa folder na `quiz-app`. Unti-unti itong isinasalin sa iba't ibang wika.
|
||||
## Tulong Kailangan
|
||||
> **Isang paalala tungkol sa mga pagsusulit**: Ang lahat ng pagsusulit ay matatagpuan sa Quiz-app folder sa etc\quiz-app, o [Online Dito](https://ff-quizzes.netlify.app/). Ang mga ito ay naka-link mula sa loob ng mga aralin. Ang quiz app ay maaaring patakbuhin nang lokal o i-deploy sa Azure; sundin ang mga tagubilin sa `quiz-app` folder. Unti-unti itong isinasalin sa iba't ibang wika.
|
||||
## Kailangan ng Tulong
|
||||
|
||||
May mga suhestiyon ka ba o nakakita ng mga maling baybay o error sa code? Mag-raise ng issue o gumawa ng pull request.
|
||||
May mga suhestiyon ka ba o nakakita ng mga pagkakamali sa spelling o code? Magbukas ng isyu o gumawa ng pull request.
|
||||
|
||||
## Espesyal na Pasasalamat
|
||||
|
||||
|
|
@ -134,24 +145,24 @@ May mga suhestiyon ka ba o nakakita ng mga maling baybay o error sa code? Mag-ra
|
|||
|
||||
## Iba Pang Kurikulum
|
||||
|
||||
Ang aming team ay gumagawa ng iba pang kurikulum! Tingnan ang:
|
||||
Ang aming team ay gumagawa rin ng iba pang kurikulum! Tingnan ang mga ito:
|
||||
|
||||
- [Generative AI para sa mga Baguhan](https://aka.ms/genai-beginners)
|
||||
- [Generative AI para sa mga Baguhan .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [Generative AI gamit ang JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Generative AI gamit ang Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [AI para sa mga Baguhan](https://aka.ms/ai-beginners)
|
||||
- [Data Science para sa mga Baguhan](https://aka.ms/datascience-beginners)
|
||||
- [ML para sa mga Baguhan](https://aka.ms/ml-beginners)
|
||||
- [Cybersecurity para sa mga Baguhan](https://github.com/microsoft/Security-101)
|
||||
- [Web Dev para sa mga Baguhan](https://aka.ms/webdev-beginners)
|
||||
- [IoT para sa mga Baguhan](https://aka.ms/iot-beginners)
|
||||
- [XR Development para sa mga Baguhan](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [Mastering GitHub Copilot para sa Agentic na Paggamit](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [Mastering GitHub Copilot para sa mga C#/.NET Developer](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [Piliin ang Iyong Sariling Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [AI for Beginners](https://aka.ms/ai-beginners)
|
||||
- [Data Science for Beginners](https://aka.ms/datascience-beginners)
|
||||
- [ML for Beginners](https://aka.ms/ml-beginners)
|
||||
- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
||||
- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [Mastering GitHub Copilot for Agentic use](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**Paunawa**:
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot para sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.
|
||||
|
|
@ -51,7 +51,7 @@
|
|||
"\n",
|
||||
"Para magsimula, simulan natin sa isang simpleng problema, kung saan mayroon tayong dalawang input na katangian. Halimbawa, sa medisina, maaaring gusto nating uriin ang mga tumor bilang benign o malignant, depende sa laki at edad nito.\n",
|
||||
"\n",
|
||||
"Gagawa tayo ng random na dataset para sa klasipikasyon gamit ang `make_classification` na function mula sa SciKit Learn library:\n"
|
||||
"Gagawa tayo ng random na classification dataset gamit ang `make_classification` na function mula sa SciKit Learn library:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"Gayunpaman, ang isang pangkalahatang linear na modelo ay dapat ding may bias, ibig sabihin, sa ideal na sitwasyon, dapat nating kalkulahin ang $y$ bilang $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. Upang gawing mas simple ang ating modelo, maaari nating alisin ang bias term na ito sa pamamagitan ng pagdaragdag ng isa pang dimensyon sa ating input features, na laging katumbas ng 1:\n"
|
||||
"Gayunpaman, ang isang generic linear model ay dapat ding may bias, ibig sabihin, sa ideal na sitwasyon, dapat nating kalkulahin ang $y$ bilang $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$. Upang gawing mas simple ang ating modelo, maaari nating alisin ang bias term na ito sa pamamagitan ng pagdaragdag ng isa pang dimensyon sa ating input features, na laging katumbas ng 1:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -206,18 +206,18 @@
|
|||
"source": [
|
||||
"## Algorithm sa Pagsasanay\n",
|
||||
"\n",
|
||||
"Upang sanayin ang perceptron, kailangan nating hanapin ang mga timbang $\\mathbf{w}$ na magpapaliit sa error. Ang error ay tinutukoy gamit ang **perceptron criteria**:\n",
|
||||
"Upang masanay ang perceptron, kailangan nating hanapin ang mga weights $\\mathbf{w}$ na magpapaliit sa error. Ang error ay tinutukoy gamit ang **perceptron criteria**:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ para sa mga negatibo at positibong training samples, ayon sa pagkakabanggit\n",
|
||||
" * $\\mathcal{M}$ - isang hanay ng mga maling na-classify na halimbawa\n",
|
||||
" * $\\mathcal{M}$ - isang set ng mga maling na-classify na halimbawa\n",
|
||||
" \n",
|
||||
"Gagamitin natin ang proseso ng **gradient descent**. Magsisimula tayo sa ilang paunang random na timbang $\\mathbf{w}^{(0)}$, at ia-adjust natin ang mga timbang sa bawat hakbang ng pagsasanay gamit ang gradient ng $E$:\n",
|
||||
"Gagamitin natin ang proseso ng **gradient descent**. Magsisimula tayo sa ilang paunang random na weights $\\mathbf{w}^{(0)}$, at ia-adjust natin ang weights sa bawat hakbang ng pagsasanay gamit ang gradient ng $E$:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"kung saan ang $\\eta$ ay ang **learning rate**, at $\\tau\\in\\mathbb{N}$ - bilang ng iteration.\n",
|
||||
"kung saan ang $\\eta$ ay isang **learning rate**, at $\\tau\\in\\mathbb{N}$ - bilang ng iteration.\n",
|
||||
"\n",
|
||||
"Tukuyin natin ang algorithm na ito sa Python:\n"
|
||||
]
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## Suriin sa Test Dataset\n",
|
||||
"\n",
|
||||
"Sa simula, itinabi natin ang ilang datos para sa test dataset. Tingnan natin kung gaano katumpak ang ating classifier sa test dataset na ito. Upang magawa ito, pinapalawak din natin ang test dataset gamit ang isang karagdagang dimensyon, imumultiply sa weights matrix, at tinitiyak na ang nakuha na halaga ay may parehong tanda tulad ng label (+1 o -1). Pagkatapos, pinagsasama-sama natin ang lahat ng boolean values at hinahati sa haba ng test sample upang makuha ang accuracy:\n"
|
||||
"Sa simula, itinabi natin ang ilang datos para sa test dataset. Tingnan natin kung gaano katumpak ang ating classifier sa test dataset na ito. Para magawa ito, pinapalawak din natin ang test dataset gamit ang isang karagdagang dimensyon, imumultiply sa weights matrix, at tinitiyak na ang nakuha na halaga ay may parehong tanda tulad ng label (+1 o -1). Pagkatapos, pinagsasama-sama natin ang lahat ng boolean values at hinahati sa haba ng test sample upang makuha ang accuracy:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -420,7 +420,7 @@
|
|||
"source": [
|
||||
"## Pagmamasid sa proseso ng pagsasanay\n",
|
||||
"\n",
|
||||
"Nakita na natin dati kung paano bumababa ang accuracy habang nagsasanay. Maganda sanang makita kung paano gumagalaw ang linya ng paghihiwalay habang nasa proseso ng pagsasanay. Ang code sa ibaba ay magpapakita ng lahat sa isang graph, at magagawa mong ilipat ang slider upang \"maglakbay sa oras\" sa buong proseso ng pagsasanay.\n"
|
||||
"Nakita na natin dati kung paano bumababa ang accuracy habang nagsasanay. Maganda sana kung makikita natin kung paano gumagalaw ang linya ng paghihiwalay habang nagsasanay. Ang code sa ibaba ay magpapakita ng lahat sa isang graph, at magagawa mong ilipat ang slider upang \"mag-time travel\" sa proseso ng pagsasanay.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -530,7 +530,7 @@
|
|||
"\n",
|
||||
"Tulad ng nakita mo sa itaas, ang perceptron ay isang **linear classifier**. Magaling itong makapagtangi sa pagitan ng dalawang klase kung ang mga ito ay **linearly separable**, ibig sabihin, maaaring paghiwalayin gamit ang isang tuwid na linya. Kung hindi, ang proseso ng pagsasanay ng perceptron ay hindi magtatagumpay.\n",
|
||||
"\n",
|
||||
"Ang pinaka-halatang halimbawa ng isang problema na hindi malulutas ng perceptron ay ang tinatawag na **XOR problem**. Gusto nating matutunan ng ating perceptron ang XOR boolean function, na may sumusunod na truth table:\n",
|
||||
"Ang pinaka-halatang halimbawa ng isang problema na hindi kayang lutasin ng perceptron ay ang tinatawag na **XOR problem**. Gusto nating matutunan ng ating perceptron ang XOR boolean function, na may sumusunod na truth table:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
|
|
@ -604,13 +604,13 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"Tulad ng makikita sa graph sa itaas, ang accuracy ay hindi kailanman lumalagpas sa 75%, dahil imposibleng gumuhit ng tuwid na linya na makakakuha ng lahat ng posibleng halimbawa nang tama.\n",
|
||||
"Tulad ng makikita sa graph sa itaas, ang accuracy ay hindi kailanman lumalagpas sa 75%, dahil imposibleng gumuhit ng isang tuwid na linya na makakakuha ng lahat ng tamang halimbawa.\n",
|
||||
"\n",
|
||||
"Ang XOR problem ay isang klasikong halimbawa ng mga limitasyon ng perceptron, at ito ay itinuro nina Marvin Minsky at Seymour Papert noong 1969 sa kanilang aklat na [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)). Ang obserbasyong ito ay naglimita sa pananaliksik sa larangan ng neural networks sa halos 10 taon, kahit na - at makikita natin ito sa susunod na bahagi ng ating kurso - ang multi-layered perceptrons ay kayang-kayang lutasin ang ganitong mga problema.\n",
|
||||
"Ang XOR problem ay isang klasikong halimbawa ng mga limitasyon ng perceptron, at ito ay itinuro nina Marvin Minsky at Seymour Papert noong 1969 sa kanilang aklat na [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)). Ang obserbasyong ito ay naglimita sa pananaliksik sa larangan ng neural networks sa halos 10 taon, kahit na - at makikita natin ito sa susunod na bahagi ng ating kurso - ang mga multi-layered perceptrons ay kayang-kayang lutasin ang ganitong mga problema.\n",
|
||||
"\n",
|
||||
"## Masalimuot na Halimbawa - MNIST\n",
|
||||
"\n",
|
||||
"Kahit na hindi kayang lutasin ng perceptron ang XOR problem, kaya nitong lutasin ang mas masalimuot na mga problema, tulad ng pagkilala sa sulat-kamay na mga karakter.\n",
|
||||
"Kahit na hindi kayang lutasin ng perceptron ang XOR problem, kaya nitong lutasin ang mas masalimuot na mga problema, tulad ng pagkilala sa mga sulat-kamay na karakter.\n",
|
||||
"\n",
|
||||
"Ang isang dataset na madalas gamitin sa pag-aaral ng machine learning ay tinatawag na [MNIST](https://en.wikipedia.org/wiki/MNIST_database). Ito ay nilikha ng Modified National Institute of Standards and Technology, at naglalaman ng training set na may 60,000 sulat-kamay na mga numero, na nakolekta mula sa humigit-kumulang 250 estudyante at empleyado ng institusyon. Mayroon ding test dataset na may 10,000 numero, na nakolekta mula sa iba't ibang indibidwal.\n",
|
||||
"\n",
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Dahil ang perceptron ay isang binary classifier, lilimitahan natin ang ating problema sa pagkilala ng dalawang numero lamang. Ang function sa ibaba ay magpupuno ng positibo at negatibong sample arrays gamit ang dalawang ibinigay na numero (at magpapakita rin ng mga sample ng mga numerong iyon para sa kalinawan).\n"
|
||||
"Dahil ang perceptron ay isang binary classifier, lilimitahan natin ang ating problema sa pagkilala ng dalawang numero lamang. Ang function sa ibaba ay pupunan ang mga positibo at negatibong sample array gamit ang dalawang ibinigay na numero (at ipapakita rin ang mga sample ng mga numerong iyon para sa kalinawan).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -830,9 +830,9 @@
|
|||
"source": [
|
||||
"Pakitandaan kung paano mabilis na tumataas ang katumpakan hanggang halos 100%.\n",
|
||||
"\n",
|
||||
"Pakisuyo, ilipat ang slider sa isang posisyon malapit sa dulo ng pagsasanay, at obserbahan ang weight matrix na naka-plot sa kaliwa. Ang matrix na ito ay magpapahintulot sa iyo na maunawaan kung paano talaga gumagana ang perceptron. Makikita mo ang mataas na halaga ng timbang sa gitna ng field, na tumutugma sa mga pixel na karaniwang naroroon para sa digit na 1, at mababang negatibong halaga sa mga gilid, kung saan naroroon ang mga bahagi ng digit na 0. Kaya, kung ang digit na ipinakita sa perceptron ay talagang 1, ang gitnang bahagi nito ay mumultiplika sa mataas na halaga, na magreresulta sa positibong resulta. Sa kabaligtaran, kapag ang perceptron ay nakakita ng 0, ang mga kaukulang pixel ay mumultiplika sa mga negatibong numero.\n",
|
||||
"Pakiusog ang slider sa isang posisyon malapit sa dulo ng pagsasanay, at obserbahan ang weight matrix na ipinapakita sa kaliwa. Ang matrix na ito ay magpapahintulot sa iyo na maunawaan kung paano talaga gumagana ang perceptron. Makikita mo ang mataas na halaga ng timbang sa gitna ng field, na tumutugma sa mga pixel na karaniwang naroroon para sa digit na 1, at mababang negatibong halaga sa mga gilid, kung saan matatagpuan ang mga bahagi ng digit na 0. Kaya, kung ang digit na ipinakita sa perceptron ay talagang 1, ang gitnang bahagi nito ay mumultiplika sa mataas na halaga, na magreresulta sa positibong resulta. Sa kabaligtaran, kapag ang perceptron ay nakakita ng 0, ang mga kaukulang pixel ay mumultiplika sa mga negatibong numero.\n",
|
||||
"\n",
|
||||
"> Mapapansin mo na kung bibigyan natin ang ating perceptron ng digit na 1 na bahagyang na-shift nang pahalang, kaya't ang mga pixel nito ay sumasakop sa lugar kung saan naroroon ang mga patayong bahagi ng 0, maaari tayong makakuha ng maling resulta. Dahil ang kalikasan ng ating MNIST dataset ay ang lahat ng mga digit ay nakasentro at maayos ang pagkakaposisyon, at ang perceptron ay umaasa dito upang makilala ang mga digit.\n",
|
||||
"> Mapapansin mo na kung bibigyan natin ang ating perceptron ng digit na 1 na bahagyang nausog nang pahalang, kaya't ang mga pixel nito ay sumasakop sa lugar kung saan naroroon ang mga patayong bahagi ng 0, maaari tayong makakuha ng maling resulta. Dahil ang kalikasan ng ating MNIST dataset ay ang lahat ng mga digit ay nakasentro at maayos ang pagkakaposisyon, at ang perceptron ay umaasa dito upang makilala ang mga digit.\n",
|
||||
"\n",
|
||||
"Ngayon, subukan natin ang iba't ibang mga digit:\n"
|
||||
]
|
||||
|
|
@ -910,11 +910,11 @@
|
|||
"source": [
|
||||
"## Talakayan\n",
|
||||
"\n",
|
||||
"Sa ilang kadahilanan, hindi madaling paghiwalayin ang 2 at 5. Kahit na nakakamit natin ang medyo mataas na accuracy (higit sa 85%), malinaw nating nakikita kung paano humihinto ang perceptron sa pagkatuto sa isang punto.\n",
|
||||
"Sa ilang kadahilanan, hindi madaling paghiwalayin ang 2 at 5. Kahit na nakakakuha tayo ng medyo mataas na accuracy (higit sa 85%), malinaw na makikita kung paano humihinto ang perceptron sa pagkatuto sa isang punto.\n",
|
||||
"\n",
|
||||
"Upang maunawaan kung bakit ito nangyayari, maaari nating subukang gumamit ng [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA). Isa itong teknik sa machine learning na ginagamit upang bawasan ang dimensionality ng input dataset, sa paraang makakamit ang pinakamainam na pagkakahiwalay ng mga klase.\n",
|
||||
"\n",
|
||||
"Sa ating kaso, ang isang input na imahe ay may 784 pixels (mga input feature), at nais nating gamitin ang PCA upang bawasan ang bilang ng mga parameter sa dalawa lamang, upang maipakita natin ang mga ito sa graph. Ang dalawang parameter na ito ay magiging linear na kombinasyon ng mga orihinal na feature, at maaari nating tingnan ang prosesong ito bilang \"pag-ikot\" ng ating orihinal na 784-dimensional na espasyo at pagmasdan ang projection nito sa ating 2D-space, hanggang sa makuha natin ang pinakamainam na view na naghihiwalay sa mga klase.\n"
|
||||
"Sa ating kaso, ang isang input na imahe ay may 784 pixels (mga input feature), at nais nating gamitin ang PCA upang bawasan ang bilang ng mga parameter sa dalawa lamang, upang maipakita natin ito sa graph. Ang dalawang parameter na ito ay magiging linear na kombinasyon ng mga orihinal na feature, at maaari nating tingnan ang prosesong ito bilang \"pag-ikot\" ng ating orihinal na 784-dimensional na espasyo at pagmasdan ang projection nito sa ating 2D-space, hanggang sa makuha natin ang pinakamainam na view na naghihiwalay sa mga klase.\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1024,16 +1024,16 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"Tulad ng nakikita mo, ang 0 at 1 ay malinaw na maihihiwalay gamit ang isang tuwid na linya. Ipinapakita nito na sa orihinal na 784-dimensional na espasyo, ang mga tuldok na tumutukoy sa mga numero ay linearly separable din. Sa kaso ng 2 at 5, hindi natin mahanap ang tamang projection na malinaw na maghihiwalay sa mga numero, kaya't may ilang pagkakataon ng maling pagkakaklasipika.\n",
|
||||
"Tulad ng nakikita, ang 0 at 1 ay maaaring malinaw na paghiwalayin gamit ang isang tuwid na linya. Ipinapakita nito na sa orihinal na 784-dimensional na espasyo, ang mga tuldok na tumutukoy sa mga digit ay maaari ring paghiwalayin nang linear. Sa kaso ng 2 at 5, hindi natin mahanap ang tamang projection na maghihiwalay nang malinaw sa mga digit, kaya't may ilang pagkakataon ng maling klasipikasyon.\n",
|
||||
"\n",
|
||||
"> Sa susunod na bahagi ng kursong ito, matututuhan natin kung paano lumikha ng mga non-linear classifier gamit ang Neural Networks, at kung paano harapin ang problema ng mga numerong hindi maayos na naka-align. Sa lalong madaling panahon, maaabot natin ang higit sa 99% na katumpakan sa MNIST digit classification, habang iniuuri ang mga ito sa 10 iba't ibang klase.\n",
|
||||
"> Sa susunod na bahagi ng kursong ito, matututuhan natin kung paano gumawa ng mga non-linear na classifier gamit ang Neural Networks, at kung paano harapin ang problema ng mga digit na hindi maayos na naka-align. Hindi magtatagal, maaabot natin ang higit sa 99% na accuracy sa MNIST digit classification, habang ikinuklasipika ang mga ito sa 10 iba't ibang klase.\n",
|
||||
"\n",
|
||||
"## Mga Mahalagang Punto\n",
|
||||
"\n",
|
||||
" * Natutunan natin ang pinakasimpleng arkitektura ng neural network - ang one-layer perceptron.\n",
|
||||
" * Naipatupad natin ang perceptron \"nang manu-mano,\" gamit ang simpleng proseso ng pagsasanay na nakabatay sa gradient descent.\n",
|
||||
" * Sa kabila ng pagiging simple, ang one-layered perceptron ay kayang lutasin ang medyo komplikadong problema ng pagkilala sa sulat-kamay na mga numero.\n",
|
||||
" * Ang one-layered perceptron ay isang linear classifier, kaya't nagbibigay ito ng parehong kakayahan sa pagkakaklasipika tulad ng logistic regression.\n",
|
||||
" * Naipatupad natin ang perceptron \"sa pamamagitan ng kamay,\" gamit ang simpleng proseso ng pagsasanay na nakabatay sa gradient descent.\n",
|
||||
" * Sa kabila ng pagiging simple, ang one-layered perceptron ay kayang lutasin ang medyo komplikadong problema ng pagkilala sa mga sulat-kamay na digit.\n",
|
||||
" * Ang one-layered perceptron ay isang linear classifier, kaya't nagbibigay ito ng parehong kakayahan sa klasipikasyon tulad ng logistic regression.\n",
|
||||
" * Sa sample space, kayang paghiwalayin ng perceptron ang dalawang klase ng input data gamit ang hyperplane.\n"
|
||||
]
|
||||
},
|
||||
|
|
@ -1043,14 +1043,14 @@
|
|||
"source": [
|
||||
"## Mga Kredito\n",
|
||||
"\n",
|
||||
"Ang notebook na ito ay bahagi ng [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners), at inihanda ni [Dmitry Soshnikov](http://soshnikov.com). Ito ay inspirasyon mula sa Neural Network Workshop sa Microsoft Research Cambridge. Ang ilang code at mga materyal na pang-illustrasyon ay kinuha mula sa mga presentasyon nina [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/), at [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/), at mula sa repositoryong [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
"Ang notebook na ito ay bahagi ng [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners), at inihanda ni [Dmitry Soshnikov](http://soshnikov.com). Ito ay inspirasyon mula sa Neural Network Workshop sa Microsoft Research Cambridge. Ang ilang code at mga materyal na pang-illustrasyon ay kinuha mula sa mga presentasyon nina [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/), [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) at [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/), at mula sa repository ng [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop).\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**Paunawa**: \nAng dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.\n"
|
||||
"\n---\n\n**Paunawa**: \nAng dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1079,8 +1079,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T03:49:05+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:44:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "tl"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,33 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-28T02:38:38+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:43:14+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "tl"
|
||||
}
|
||||
-->
|
||||
# Multi-Class Classification gamit ang Perceptron
|
||||
|
||||
Takdang-Aralin mula sa [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
Gawain mula sa [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
||||
## Gawain
|
||||
|
||||
Gamit ang code na ating ginawa sa araling ito para sa binary classification ng MNIST handwritten digits, gumawa ng isang multi-class classifier na makakakilala ng anumang digit. Kalkulahin ang classification accuracy sa train at test dataset, at ipakita ang confusion matrix.
|
||||
Gamit ang code na ating binuo sa araling ito para sa binary classification ng MNIST handwritten digits, gumawa ng isang multi-class classifier na kayang makilala ang anumang digit. Kalkulahin ang classification accuracy sa train at test dataset, at ipakita ang confusion matrix.
|
||||
|
||||
## Mga Pahiwatig
|
||||
|
||||
1. Para sa bawat digit, gumawa ng dataset para sa binary classifier ng "ang digit na ito vs. lahat ng iba pang digit"
|
||||
1. Para sa bawat digit, gumawa ng dataset para sa binary classifier ng "ang digit na ito laban sa lahat ng iba pang mga digit"
|
||||
1. Mag-train ng 10 iba't ibang perceptrons para sa binary classification (isa para sa bawat digit)
|
||||
1. Mag-define ng function na magka-classify sa input digit
|
||||
1. Magtakda ng isang function na magka-classify sa input digit
|
||||
|
||||
> **Pahiwatig**: Kung pagsasamahin natin ang weights ng lahat ng 10 perceptrons sa isang matrix, magagamit natin ang lahat ng 10 perceptrons sa input digits sa pamamagitan ng isang matrix multiplication. Ang pinaka-probable na digit ay maaaring mahanap gamit lamang ang `argmax` operation sa output.
|
||||
> **Pahiwatig**: Kung pagsasamahin natin ang mga weights ng lahat ng 10 perceptrons sa isang matrix, magagamit natin ang lahat ng 10 perceptrons sa input digits sa pamamagitan ng isang matrix multiplication. Ang pinaka-malamang na digit ay maaaring mahanap sa pamamagitan lamang ng paggamit ng `argmax` operation sa output.
|
||||
|
||||
## Panimulang Notebook
|
||||
## Simulang Notebook
|
||||
|
||||
Simulan ang lab sa pamamagitan ng pagbukas ng [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb)
|
||||
Simulan ang gawain sa pamamagitan ng pagbubukas ng [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb)
|
||||
|
||||
---
|
||||
|
||||
**Paunawa**:
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f3a6b0ddf7e6e3f33b2a543baf086dc9",
|
||||
"translation_date": "2025-08-26T07:43:33+00:00",
|
||||
"original_hash": "07191303b7ea2aff1d47e2b0fe4bb862",
|
||||
"translation_date": "2025-08-29T06:38:50+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ur"
|
||||
}
|
||||
|
|
@ -23,11 +23,22 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# مصنوعی ذہانت برائے ابتدائی افراد - ایک نصاب
|
||||
|
||||
| ](./lessons/sketchnotes/ai-overview.png)|
|
||||
||
|
||||
|:---:|
|
||||
| مصنوعی ذہانت برائے ابتدائی افراد - _اسکیچ نوٹ از [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
**مصنوعی ذہانت** (AI) کی دنیا کو دریافت کریں ہمارے 12 ہفتوں کے، 24 اسباق پر مشتمل نصاب کے ساتھ! یہ عملی اسباق، کوئزز، اور لیبز پر مشتمل ہے۔ یہ نصاب ابتدائی افراد کے لیے دوستانہ ہے اور TensorFlow اور PyTorch جیسے ٹولز کے ساتھ ساتھ AI میں اخلاقیات کا احاطہ کرتا ہے۔
|
||||
**مصنوعی ذہانت** (AI) کی دنیا کو دریافت کریں ہمارے 12 ہفتوں اور 24 اسباق پر مشتمل نصاب کے ساتھ! اس میں عملی اسباق، کوئزز، اور لیبز شامل ہیں۔ یہ نصاب ابتدائی افراد کے لیے موزوں ہے اور TensorFlow اور PyTorch جیسے ٹولز کے ساتھ ساتھ AI میں اخلاقیات کا احاطہ کرتا ہے۔
|
||||
|
||||
### 🌐 کثیر لسانی معاونت
|
||||
|
||||
#### GitHub ایکشن کے ذریعے معاونت (خودکار اور ہمیشہ تازہ ترین)
|
||||
|
||||
[فرانسیسی](../fr/README.md) | [ہسپانوی](../es/README.md) | [جرمن](../de/README.md) | [روسی](../ru/README.md) | [عربی](../ar/README.md) | [فارسی](../fa/README.md) | [اردو](./README.md) | [چینی (آسان)](../zh/README.md) | [چینی (روایتی، مکاؤ)](../mo/README.md) | [چینی (روایتی، ہانگ کانگ)](../hk/README.md) | [چینی (روایتی، تائیوان)](../tw/README.md) | [جاپانی](../ja/README.md) | [کوریائی](../ko/README.md) | [ہندی](../hi/README.md) | [بنگالی](../bn/README.md) | [مراٹھی](../mr/README.md) | [نیپالی](../ne/README.md) | [پنجابی (گرمکھی)](../pa/README.md) | [پرتگالی (پرتگال)](../pt/README.md) | [پرتگالی (برازیل)](../br/README.md) | [اطالوی](../it/README.md) | [پولش](../pl/README.md) | [ترکی](../tr/README.md) | [یونانی](../el/README.md) | [تھائی](../th/README.md) | [سویڈش](../sv/README.md) | [ڈینش](../da/README.md) | [نارویجین](../no/README.md) | [فنش](../fi/README.md) | [ڈچ](../nl/README.md) | [عبرانی](../he/README.md) | [ویتنامی](../vi/README.md) | [انڈونیشیائی](../id/README.md) | [ملائی](../ms/README.md) | [ٹیگالوگ (فلپائنی)](../tl/README.md) | [سواحلی](../sw/README.md) | [ہنگری](../hu/README.md) | [چیک](../cs/README.md) | [سلوواک](../sk/README.md) | [رومانیائی](../ro/README.md) | [بلغاریائی](../bg/README.md) | [سربیائی (سیریلیک)](../sr/README.md) | [کروشین](../hr/README.md) | [سلووینیائی](../sl/README.md) | [یوکرینیائی](../uk/README.md) | [برمی (میانمار)](../my/README.md)
|
||||
|
||||
**اگر آپ اضافی زبانوں میں ترجمہ چاہتے ہیں تو معاون زبانوں کی فہرست [یہاں](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) دستیاب ہے۔**
|
||||
|
||||
## کمیونٹی میں شامل ہوں
|
||||
[](https://discord.gg/kzRShWzttr)
|
||||
|
||||
## آپ کیا سیکھیں گے
|
||||
|
||||
|
|
@ -35,8 +46,8 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
اس نصاب میں، آپ سیکھیں گے:
|
||||
|
||||
* مصنوعی ذہانت کے مختلف طریقے، بشمول "پرانا" علامتی طریقہ **علم کی نمائندگی** اور استدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) کے ساتھ۔
|
||||
* **نیورل نیٹ ورکس** اور **ڈیپ لرننگ**، جو جدید AI کے مرکز میں ہیں۔ ہم ان اہم موضوعات کے پیچھے تصورات کو دو مشہور فریم ورک - [TensorFlow](http://Tensorflow.org) اور [PyTorch](http://pytorch.org) - میں کوڈ کے ذریعے واضح کریں گے۔
|
||||
* مصنوعی ذہانت کے مختلف طریقے، بشمول "پرانا" علامتی طریقہ **علم کی نمائندگی** اور استدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))۔
|
||||
* **نیورل نیٹ ورکس** اور **ڈیپ لرننگ**، جو جدید AI کا مرکز ہیں۔ ہم ان اہم موضوعات کے پیچھے تصورات کو دو مشہور فریم ورکس - [TensorFlow](http://Tensorflow.org) اور [PyTorch](http://pytorch.org) - کے ذریعے کوڈ کے ساتھ واضح کریں گے۔
|
||||
* **نیورل آرکیٹیکچرز** جو تصاویر اور متن کے ساتھ کام کرتے ہیں۔ ہم حالیہ ماڈلز کا احاطہ کریں گے لیکن جدید ترین میں کچھ کمی ہو سکتی ہے۔
|
||||
* کم مقبول AI طریقے، جیسے **جینیٹک الگورتھمز** اور **ملٹی ایجنٹ سسٹمز**۔
|
||||
|
||||
|
|
@ -44,65 +55,65 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> [اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **کاروبار میں AI کے استعمال کے کیسز**۔ [کاروباری صارفین کے لیے AI کا تعارف](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) سیکھنے کا راستہ Microsoft Learn پر لیں، یا [AI بزنس اسکول](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)، جو [INSEAD](https://www.insead.edu/) کے تعاون سے تیار کیا گیا ہے۔
|
||||
* **کاروبار میں AI کے استعمال کے کیسز**۔ [کاروباری صارفین کے لیے AI کا تعارف](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) یا [AI بزنس اسکول](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) پر غور کریں، جو [INSEAD](https://www.insead.edu/) کے تعاون سے تیار کیا گیا ہے۔
|
||||
* **کلاسیکی مشین لرننگ**، جو ہمارے [مشین لرننگ برائے ابتدائی افراد کے نصاب](http://github.com/Microsoft/ML-for-Beginners) میں اچھی طرح بیان کی گئی ہے۔
|
||||
* **[کگنیٹیو سروسز](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** کا استعمال کرتے ہوئے عملی AI ایپلیکیشنز۔ اس کے لیے، ہم تجویز کرتے ہیں کہ آپ Microsoft Learn کے ماڈیولز سے آغاز کریں جیسے [ویژن](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [قدرتی زبان کی پروسیسنگ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[Azure OpenAI سروس کے ساتھ جنریٹو AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** اور دیگر۔
|
||||
* مخصوص ML **کلاؤڈ فریم ورک**، جیسے [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)، یا [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)۔ [Azure Machine Learning کے ساتھ مشین لرننگ حل بنائیں اور چلائیں](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) اور [Azure Databricks کے ساتھ مشین لرننگ حل بنائیں اور چلائیں](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) سیکھنے کے راستے استعمال کریں۔
|
||||
* **بات چیت پر مبنی AI** اور **چیٹ بوٹس**۔ ایک علیحدہ [بات چیت پر مبنی AI حل بنائیں](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) سیکھنے کا راستہ موجود ہے، اور آپ مزید تفصیل کے لیے [اس بلاگ پوسٹ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) کا حوالہ دے سکتے ہیں۔
|
||||
* **ڈیپ لرننگ کے پیچھے گہری ریاضی**۔ اس کے لیے، ہم تجویز کریں گے [ڈیپ لرننگ](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) از ایان گڈفیلو، یوشوا بینگیو اور آرون کورویلے، جو آن لائن بھی دستیاب ہے [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)۔
|
||||
* مخصوص ML **کلاؤڈ فریم ورکس**، جیسے [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)، یا [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)۔
|
||||
* **بات چیت پر مبنی AI** اور **چیٹ بوٹس**۔ اس کے لیے ایک علیحدہ [بات چیت پر مبنی AI حل بنائیں](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) لرننگ پاتھ موجود ہے، اور آپ مزید تفصیل کے لیے [یہ بلاگ پوسٹ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) بھی دیکھ سکتے ہیں۔
|
||||
* **ڈیپ لرننگ کے پیچھے گہری ریاضی**۔ اس کے لیے، ہم تجویز کرتے ہیں [ڈیپ لرننگ](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) از ایان گڈفیلو، یوشوا بینگیو اور آرون کورویل، جو آن لائن بھی دستیاب ہے [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)۔
|
||||
|
||||
کلاؤڈ میں _AI_ کے موضوعات کا نرم تعارف حاصل کرنے کے لیے، آپ [Azure پر مصنوعی ذہانت کے ساتھ شروعات کریں](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) سیکھنے کا راستہ لے سکتے ہیں۔
|
||||
_کلاؤڈ میں AI_ کے موضوعات کا نرم تعارف حاصل کرنے کے لیے آپ [Azure پر مصنوعی ذہانت کے ساتھ شروعات کریں](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) لرننگ پاتھ لے سکتے ہیں۔
|
||||
|
||||
# مواد
|
||||
|
||||
| | سبق کا لنک | PyTorch/Keras/TensorFlow | لیب |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [کورس سیٹ اپ](./lessons/0-course-setup/setup.md) | [اپنے ترقیاتی ماحول کو سیٹ اپ کریں](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [کورس سیٹ اپ](./lessons/0-course-setup/setup.md) | [اپنے ڈیولپمنٹ ماحول کو سیٹ اپ کریں](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI کا تعارف**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI کا تعارف اور تاریخ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **علامتی AI** |
|
||||
| 02 | [علم کی نمائندگی اور ماہر نظام](./lessons/2-Symbolic/README.md) | [ماہر نظام](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb) / [اونٹولوجی](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb) /[تصوری گراف](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [علم کی نمائندگی اور ماہر نظام](./lessons/2-Symbolic/README.md) | [ماہر نظام](./lessons/2-Symbolic/Animals.ipynb) / [اونٹولوجی](./lessons/2-Symbolic/FamilyOntology.ipynb) /[تصوری گراف](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**نیورل نیٹ ورکس کا تعارف**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [پرسپٹرون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [نوٹ بک](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [لیب](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ملٹی لیئرڈ پرسپٹرون اور اپنا فریم ورک بنانا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [نوٹ بک](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [لیب](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [فریم ورک کا تعارف (PyTorch/TensorFlow) اور اوورفٹنگ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [لیب](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**کمپیوٹر وژن**](./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 پر کمپیوٹر وژن کو دریافت کریں](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [کمپیوٹر وژن کا تعارف۔ اوپن سی وی](./lessons/4-ComputerVision/06-IntroCV/README.md) | [نوٹ بک](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [لیب](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [کنوولوشنل نیورل نیٹ ورکس](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN آرکیٹیکچرز](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [لیب](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [پری ٹرینڈ نیٹ ورکس اور ٹرانسفر لرننگ](./lessons/4-ComputerVision/08-TransferLearning/README.md) اور [ٹریننگ ٹرکس](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [لیب](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [آٹو اینکوڈرز اور وی اے ایز](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [جنریٹو ایڈورسریل نیٹ ورکس اور آرٹسٹک اسٹائل ٹرانسفر](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [آبجیکٹ ڈیٹیکشن](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [لیب](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [سیمینٹک سیگمنٹیشن۔ یو نیٹ](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](../../(https:/github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb)) | |
|
||||
| V | [**نیچرل لینگویج پروسیسنگ**](./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) | [مائیکروسافٹ ایزور پر نیچرل لینگویج پروسیسنگ کو دریافت کریں](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ٹیکسٹ ریپریزنٹیشن۔ بو/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 | [سیمینٹک ورڈ ایمبیڈنگز۔ ورڈ2ویک اور گلوو](./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 | [لینگویج ماڈلنگ۔ اپنے ایمبیڈنگز کو ٹرین کریں](./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) | [لیب](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [ریکَرَنٹ نیورل نیٹ ورکس](./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 | [جنریٹو ریکَرَنٹ نیٹ ورکس](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [لیب](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ٹرانسفارمرز۔ بی ای آر ٹی۔](./lessons/5-NLP/18-Transformers/READMEtransformers.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 | [نامزد ادارہ شناخت](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [لیب](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [بڑے لینگویج ماڈلز، پرامپٹ پروگرامنگ اور فیو شاٹ ٹاسکس](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **دیگر اے آئی تکنیکیں** || |
|
||||
| 21 | [جینیٹک الگورتھمز](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [نوٹ بک](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ڈیپ ری انفورسمنٹ لرننگ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [لیب](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 03 | [پرسپٹرون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [نوٹ بک](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [لیب](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ملٹی لیئرڈ پرسپٹرون اور اپنا فریم ورک بنانا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [نوٹ بک](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [لیب](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [فریم ورک کا تعارف (PyTorch/TensorFlow) اور اوورفٹنگ](./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) | [لیب](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**کمپیوٹر وژن**](./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 پر کمپیوٹر وژن کو دریافت کریں](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [کمپیوٹر وژن کا تعارف۔ OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [نوٹ بک](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [لیب](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [کنوولوشنل نیورل نیٹ ورکس](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN آرکیٹیکچرز](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [لیب](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [پری ٹرینڈ نیٹ ورکس اور ٹرانسفر لرننگ](./lessons/4-ComputerVision/08-TransferLearning/README.md) اور [ٹریننگ ٹرکس](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [لیب](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [آٹو اینکوڈرز اور 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 | [جنریٹو ایڈورسریل نیٹ ورکس اور آرٹسٹک اسٹائل ٹرانسفر](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [آبجیکٹ ڈیٹیکشن](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [لیب](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [سیمینٹک سیگمنٹیشن۔ 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 | [**نیچرل لینگویج پروسیسنگ**](./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 پر نیچرل لینگویج پروسیسنگ کو دریافت کریں](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ٹیکسٹ ریپریزنٹیشن۔ Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](./lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [سیمینٹک ورڈ ایمبیڈنگز۔ Word2Vec اور GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](./lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [لینگویج ماڈلنگ۔ اپنے ایمبیڈنگز کو ٹرین کریں](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](./lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [لیب](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [ریکَرَنٹ نیورل نیٹ ورکس](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](./lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](./lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [جنریٹو ریکَرَنٹ نیٹ ورکس](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](./lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.md) / [TensorFlow](./lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.md) | [لیب](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ٹرانسفارمرز۔ BERT.](./lessons/5-NLP/18-Transformers/READMEtransformers.md) | [PyTorch](./lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](./lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [نامزد ادارہ پہچان](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](./lessons/5-NLP/19-NER/NER-TF.ipynb) | [لیب](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [بڑے لینگویج ماڈلز، پرامپٹ پروگرامنگ اور فیو شاٹ ٹاسکس](./lessons/5-NLP/20-LangModels/READMELargeLang.md) | [PyTorch](./lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **دیگر AI تکنیکیں** || |
|
||||
| 21 | [جینیٹک الگورتھمز](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [نوٹ بک](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ڈیپ ریئنفورسمنٹ لرننگ](./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) | [لیب](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [ملٹی ایجنٹ سسٹمز](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **اے آئی اخلاقیات** | | |
|
||||
| 24 | [اے آئی اخلاقیات اور ذمہ دار اے آئی](./lessons/7-Ethics/README.md) | [مائیکروسافٹ لرن: ذمہ دار اے آئی اصول](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| VII | **AI اخلاقیات** | | |
|
||||
| 24 | [AI اخلاقیات اور ذمہ دار AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: ذمہ دار AI اصول](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **اضافی مواد** | | |
|
||||
| 25 | [ملٹی موڈل نیٹ ورکس، کلپ اور وی کیو جی اے این](./lessons/X-Extras/X1-MultiModal/README.md) | [نوٹ بک](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [ملٹی موڈل نیٹ ورکس، CLIP اور VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [نوٹ بک](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ہر سبق میں شامل ہے
|
||||
|
||||
* پری ریڈنگ مواد
|
||||
* قابل عمل جیوپیٹر نوٹ بکس، جو اکثر فریم ورک (**PyTorch** یا **TensorFlow**) کے لیے مخصوص ہوتے ہیں۔ قابل عمل نوٹ بک میں بہت سا نظریاتی مواد بھی شامل ہوتا ہے، لہذا موضوع کو سمجھنے کے لیے آپ کو نوٹ بک کے کم از کم ایک ورژن (PyTorch یا TensorFlow) سے گزرنا ہوگا۔
|
||||
* قابل عمل Jupyter نوٹ بکس، جو اکثر فریم ورک (**PyTorch** یا **TensorFlow**) کے لیے مخصوص ہوتے ہیں۔ قابل عمل نوٹ بک میں بہت سا نظریاتی مواد بھی شامل ہوتا ہے، لہذا موضوع کو سمجھنے کے لیے آپ کو کم از کم ایک ورژن (PyTorch یا TensorFlow) کے ذریعے جانا ہوگا۔
|
||||
* **لیبز** کچھ موضوعات کے لیے دستیاب ہیں، جو آپ کو سیکھے گئے مواد کو کسی خاص مسئلے پر لاگو کرنے کا موقع فراہم کرتی ہیں۔
|
||||
* کچھ سیکشنز میں [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ماڈیولز کے لنکس شامل ہیں جو متعلقہ موضوعات کا احاطہ کرتے ہیں۔
|
||||
|
||||
## شروعات کریں
|
||||
|
||||
- ہم نے آپ کے ترقیاتی ماحول کو ترتیب دینے میں مدد کے لیے ایک [سیٹ اپ سبق](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/setup.md) بنایا ہے۔ - اساتذہ کے لیے، ہم نے آپ کے لیے بھی ایک [نصاب سیٹ اپ سبق](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/for-teachers.md) بنایا ہے!
|
||||
- کوڈ کو [VSCode یا Codepace میں چلانے کا طریقہ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/0-course-setup/how-to-run.md)
|
||||
- ہم نے آپ کے ترقیاتی ماحول کو ترتیب دینے میں مدد کے لیے ایک [سیٹ اپ سبق](./lessons/0-course-setup/setup.md) بنایا ہے۔ - اساتذہ کے لیے، ہم نے آپ کے لیے بھی ایک [نصاب سیٹ اپ سبق](./lessons/0-course-setup/for-teachers.md) بنایا ہے!
|
||||
- کوڈ کو [VSCode یا Codepace میں کیسے چلائیں](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
یہ اقدامات کریں:
|
||||
|
||||
|
|
@ -110,46 +121,48 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
ریپوزیٹری کو کلون کریں: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
اس ریپو کو بعد میں آسانی سے تلاش کرنے کے لیے اسے اسٹار (🌟) کرنا نہ بھولیں۔
|
||||
اس ریپو کو اسٹار (🌟) کرنا نہ بھولیں تاکہ بعد میں اسے آسانی سے تلاش کر سکیں۔
|
||||
|
||||
## دیگر سیکھنے والوں سے ملاقات کریں
|
||||
## دیگر سیکھنے والوں سے ملیں
|
||||
|
||||
ہمارے [سرکاری اے آئی ڈسکارڈ سرور](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) میں شامل ہوں تاکہ اس کورس کو لینے والے دیگر سیکھنے والوں سے ملاقات کریں اور نیٹ ورک کریں اور مدد حاصل کریں۔
|
||||
ہمارے [سرکاری AI Discord سرور](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) میں شامل ہوں تاکہ اس کورس کو لینے والے دیگر سیکھنے والوں سے ملاقات کریں اور نیٹ ورک کریں اور مدد حاصل کریں۔
|
||||
|
||||
اگر آپ کے پاس پروڈکٹ فیڈبیک یا سوالات ہیں تو ہمارے [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) پر جائیں۔
|
||||
|
||||
## کوئزز
|
||||
> **کوئز کے بارے میں ایک نوٹ**: تمام کوئز Quiz-app فولڈر میں موجود ہیں جو کہ etc\quiz-app میں ہے۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں۔ کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے یا Azure پر ڈپلائے کیا جا سکتا ہے؛ `quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں۔ یہ بتدریج مقامی زبان میں ترجمہ کیے جا رہے ہیں۔
|
||||
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز Quiz-app فولڈر میں etc\quiz-app کے اندر موجود ہیں، یا [یہاں آن لائن دستیاب ہیں](https://ff-quizzes.netlify.app/)۔ یہ اسباق کے اندر سے منسلک ہیں۔ کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے یا Azure پر ڈپلائے کیا جا سکتا ہے؛ `quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں۔ یہ بتدریج مقامی زبان میں ترجمہ کیے جا رہے ہیں۔
|
||||
## مدد درکار ہے
|
||||
|
||||
کیا آپ کے پاس تجاویز ہیں یا آپ نے ہجے یا کوڈ کی غلطیاں تلاش کی ہیں؟ ایک مسئلہ اٹھائیں یا ایک پل ریکویسٹ بنائیں۔
|
||||
کیا آپ کے پاس تجاویز ہیں یا آپ نے ہجے یا کوڈ کی غلطیاں تلاش کی ہیں؟ ایک مسئلہ اٹھائیں یا پل ریکویسٹ بنائیں۔
|
||||
|
||||
## خصوصی شکریہ
|
||||
|
||||
* **✍️ مرکزی مصنف:** [دیمتری سوشنیکوف](http://soshnikov.com)، پی ایچ ڈی
|
||||
* **🔥 ایڈیٹر:** [جن لوپر](https://twitter.com/jenlooper)، پی ایچ ڈی
|
||||
* **🔥 ایڈیٹر:** [جین لوپر](https://twitter.com/jenlooper)، پی ایچ ڈی
|
||||
* **🎨 اسکیچ نوٹ آرٹسٹ:** [تومومی ایمورا](https://twitter.com/girlie_mac)
|
||||
* **✅ کوئز تخلیق کار:** [لطیفہ بیلو](https://github.com/CinnamonXI)، [ایم ایل ایس اے](https://studentambassadors.microsoft.com/)
|
||||
* **✅ کوئز تخلیق کار:** [لطیفہ بیلو](https://github.com/CinnamonXI)، [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 مرکزی شراکت دار:** [ایوگینی پیشچک](https://github.com/Pe4enIks)
|
||||
|
||||
## دیگر نصاب
|
||||
|
||||
ہماری ٹیم دیگر نصاب بھی تیار کرتی ہے! دیکھیں:
|
||||
|
||||
- [ابتدائیوں کے لیے جنریٹو اے آئی](https://aka.ms/genai-beginners)
|
||||
- [ابتدائیوں کے لیے جنریٹو اے آئی .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [جاوا اسکرپٹ کے ساتھ جنریٹو اے آئی](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [جاوا کے ساتھ جنریٹو اے آئی](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [ابتدائیوں کے لیے اے آئی](https://aka.ms/ai-beginners)
|
||||
- [ابتدائیوں کے لیے جنریٹو AI](https://aka.ms/genai-beginners)
|
||||
- [ابتدائیوں کے لیے جنریٹو AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
||||
- [جاوا اسکرپٹ کے ساتھ جنریٹو AI](https://github.com/microsoft/generative-ai-with-javascript)
|
||||
- [جاوا کے ساتھ جنریٹو AI](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
||||
- [ابتدائیوں کے لیے AI](https://aka.ms/ai-beginners)
|
||||
- [ابتدائیوں کے لیے ڈیٹا سائنس](https://aka.ms/datascience-beginners)
|
||||
- [ابتدائیوں کے لیے مشین لرننگ](https://aka.ms/ml-beginners)
|
||||
- [ابتدائیوں کے لیے سائبر سیکیورٹی](https://github.com/microsoft/Security-101)
|
||||
- [ابتدائیوں کے لیے ویب ڈیولپمنٹ](https://aka.ms/webdev-beginners)
|
||||
- [ابتدائیوں کے لیے آئی او ٹی](https://aka.ms/iot-beginners)
|
||||
- [ابتدائیوں کے لیے ایکس آر ڈیولپمنٹ](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [ایجنٹک استعمال کے لیے گٹ ہب کوپائلٹ میں مہارت حاصل کریں](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [C#/.NET ڈیولپرز کے لیے گٹ ہب کوپائلٹ میں مہارت حاصل کریں](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [اپنی کوپائلٹ ایڈونچر کا انتخاب کریں](https://github.com/microsoft/CopilotAdventures)
|
||||
- [ابتدائیوں کے لیے ویب ڈویلپمنٹ](https://aka.ms/webdev-beginners)
|
||||
- [ابتدائیوں کے لیے IoT](https://aka.ms/iot-beginners)
|
||||
- [ابتدائیوں کے لیے XR ڈویلپمنٹ](https://github.com/microsoft/xr-development-for-beginners)
|
||||
- [ایجنٹک استعمال کے لیے GitHub Copilot میں مہارت حاصل کریں](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
||||
- [C#/.NET ڈویلپرز کے لیے GitHub Copilot میں مہارت حاصل کریں](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
||||
- [اپنی Copilot ایڈونچر کا انتخاب کریں](https://github.com/microsoft/CopilotAdventures)
|
||||
|
||||
---
|
||||
|
||||
**ڈسکلیمر**:
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
|
||||
|
|
@ -154,7 +154,7 @@
|
|||
"source": [
|
||||
"## پرسیپٹرون\n",
|
||||
"\n",
|
||||
"چونکہ پرسیپٹرون ایک بائنری کلاسیفائر ہے، ہر ان پٹ ویکٹر $x$ کے لیے ہمارے پرسیپٹرون کا آؤٹ پٹ +1 یا -1 ہوگا، جو کلاس پر منحصر ہے۔ آؤٹ پٹ درج ذیل فارمولے کے ذریعے حساب کیا جائے گا:\n",
|
||||
"چونکہ پرسیپٹرون ایک بائنری کلاسیفائر ہے، ہر ان پٹ ویکٹر $x$ کے لیے ہمارے پرسیپٹرون کا آؤٹ پٹ یا تو +1 ہوگا یا -1، جو کہ کلاس پر منحصر ہے۔ آؤٹ پٹ درج ذیل فارمولے کے ذریعے شمار کیا جائے گا:\n",
|
||||
"\n",
|
||||
"$$y(\\mathbf{x}) = f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x})$$\n",
|
||||
"\n",
|
||||
|
|
@ -166,7 +166,7 @@
|
|||
" \\end{cases} \\\\\n",
|
||||
"$$\n",
|
||||
"\n",
|
||||
"تاہم، ایک عمومی لکیری ماڈل میں ایک بایاس بھی ہونا چاہیے، یعنی مثالی طور پر ہمیں $y$ کو $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$ کے طور پر حساب کرنا چاہیے۔ اپنے ماڈل کو آسان بنانے کے لیے، ہم اس بایاس ٹرم کو ختم کر سکتے ہیں، اور اپنی ان پٹ فیچرز میں ایک اور ڈائمینشن شامل کر سکتے ہیں، جو ہمیشہ 1 کے برابر ہوگی:\n"
|
||||
"تاہم، ایک عمومی لکیری ماڈل میں ایک بایس بھی شامل ہونا چاہیے، یعنی مثالی طور پر ہمیں $y$ کو اس طرح شمار کرنا چاہیے: $y=f(\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}+\\mathbf{b})$۔ اپنے ماڈل کو آسان بنانے کے لیے، ہم اس بایس ٹرم کو ختم کر سکتے ہیں، اور ان پٹ فیچرز میں ایک اضافی ڈائمینشن شامل کر سکتے ہیں، جو ہمیشہ 1 کے برابر ہو:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -209,17 +209,17 @@
|
|||
"پرسپٹرون کو تربیت دینے کے لیے، ہمیں ایسے وزن $\\mathbf{w}$ تلاش کرنے ہوں گے جو غلطی کو کم سے کم کریں۔ غلطی کو **پرسپٹرون معیار** کے ذریعے بیان کیا جاتا ہے:\n",
|
||||
"\n",
|
||||
"$$E(\\mathbf{w}) = -\\sum_{n \\in \\mathcal{M}}\\mathbf{w}^{\\mathrm{T}}\\mathbf{x}_{n}t_{n}$$\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" * $t_{n} \\in \\{-1, +1\\}$ منفی اور مثبت تربیتی نمونوں کے لیے، بالترتیب\n",
|
||||
" * $\\mathcal{M}$ - غلط طور پر درجہ بند کیے گئے نمونوں کا مجموعہ\n",
|
||||
"\n",
|
||||
" * $\\mathcal{M}$ - غلط طور پر درجہ بند مثالوں کا مجموعہ\n",
|
||||
" \n",
|
||||
"ہم **گریڈینٹ ڈیسنٹ** کے عمل کا استعمال کریں گے۔ ابتدائی طور پر کچھ بے ترتیب وزن $\\mathbf{w}^{(0)}$ سے شروع کرتے ہوئے، ہم تربیت کے ہر مرحلے پر $E$ کے گریڈینٹ کا استعمال کرتے ہوئے وزن کو ایڈجسٹ کریں گے:\n",
|
||||
"\n",
|
||||
"$$\\mathbf{w}^{\\tau + 1}=\\mathbf{w}^{\\tau} - \\eta \\nabla E(\\mathbf{w}) = \\mathbf{w}^{\\tau} + \\eta\\sum_{n \\in \\mathcal{M}}\\mathbf{x}_{n} t_{n}$$\n",
|
||||
"\n",
|
||||
"جہاں $\\eta$ ایک **سیکھنے کی شرح** ہے، اور $\\tau\\in\\mathbb{N}$ - تکرار کی تعداد۔\n",
|
||||
"\n",
|
||||
"آئیے اس الگورتھم کو Python میں بیان کریں:\n"
|
||||
"آئیے اس الگورتھم کو Python میں بیان کرتے ہیں:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"source": [
|
||||
"جیسا کہ آپ دیکھ سکتے ہیں، ابتدائی درستگی تقریباً 50% کے قریب ہے، لیکن یہ تیزی سے بڑھ کر 90% کے قریب اعلیٰ اقدار تک پہنچ جاتی ہے۔\n",
|
||||
"\n",
|
||||
"آئیے دیکھتے ہیں کہ کلاسز کس طرح الگ ہوتی ہیں۔ ہماری درجہ بندی کی فنکشن $\\mathbf{w}^Tx$ کی طرح دکھائی دیتی ہے، اور یہ ایک کلاس کے لیے 0 سے زیادہ ہوتی ہے، جبکہ دوسری کلاس کے لیے 0 سے کم۔ اس طرح، کلاسز کو الگ کرنے والی لائن $\\mathbf{w}^Tx = 0$ سے متعین ہوتی ہے۔ چونکہ ہمارے پاس صرف دو جہتیں $x_0$ اور $x_1$ ہیں، اس لائن کے لیے مساوات $w_0x_0+w_1x_1+w_2 = 0$ ہوگی (یاد رہے کہ ہم نے ایک اضافی جہت $x_2=1$ کو واضح طور پر متعین کیا ہے)۔ آئیے اس لائن کو گراف پر دکھاتے ہیں:\n"
|
||||
"آئیے دیکھتے ہیں کہ کلاسز کس طرح الگ ہوتی ہیں۔ ہماری درجہ بندی کی فنکشن $\\mathbf{w}^Tx$ کی طرح دکھائی دیتی ہے، اور یہ ایک کلاس کے لیے 0 سے زیادہ ہوتی ہے، جبکہ دوسری کلاس کے لیے 0 سے کم۔ اس طرح، کلاسز کو الگ کرنے والی لائن $\\mathbf{w}^Tx = 0$ سے متعین ہوتی ہے۔ چونکہ ہمارے پاس صرف دو جہتیں ہیں $x_0$ اور $x_1$، اس لائن کے لیے مساوات ہوگی $w_0x_0+w_1x_1+w_2 = 0$ (یاد رہے کہ ہم نے واضح طور پر ایک اضافی جہت $x_2=1$ کو متعین کیا ہے)۔ آئیے اس لائن کو گراف پر دکھاتے ہیں:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -379,7 +379,7 @@
|
|||
"source": [
|
||||
"## ٹیسٹ ڈیٹاسیٹ پر جانچ کریں\n",
|
||||
"\n",
|
||||
"شروع میں، ہم نے کچھ ڈیٹا کو ٹیسٹ ڈیٹاسیٹ کے لیے الگ کر دیا تھا۔ آئیے دیکھتے ہیں کہ ہمارا کلاسفائر اس ٹیسٹ ڈیٹاسیٹ پر کتنا درست ہے۔ ایسا کرنے کے لیے، ہم ٹیسٹ ڈیٹاسیٹ میں ایک اضافی جہت شامل کرتے ہیں، وزن کے میٹرکس سے ضرب دیتے ہیں، اور یہ یقینی بناتے ہیں کہ حاصل شدہ قدر لیبل (+1 یا -1) کے ساتھ ایک ہی نشان کی ہو۔ پھر ہم تمام بولین اقدار کو جمع کرتے ہیں اور ٹیسٹ سیمپل کی لمبائی سے تقسیم کرتے ہیں تاکہ درستگی حاصل کی جا سکے:\n"
|
||||
"شروع میں، ہم نے کچھ ڈیٹا کو ٹیسٹ ڈیٹاسیٹ کے لیے الگ رکھا تھا۔ آئیے دیکھتے ہیں کہ ہمارا کلاسیفائر اس ٹیسٹ ڈیٹاسیٹ پر کتنا درست ہے۔ اس کے لیے، ہم ٹیسٹ ڈیٹاسیٹ کو ایک اضافی ڈائمینشن کے ساتھ بڑھاتے ہیں، ویٹس میٹرکس سے ضرب دیتے ہیں، اور یہ یقینی بناتے ہیں کہ حاصل شدہ قدر لیبل (+1 یا -1) کے ساتھ ایک ہی نشان کی ہو۔ پھر ہم تمام بولین قدروں کو جمع کرتے ہیں اور ٹیسٹ سیمپل کی لمبائی سے تقسیم کرتے ہیں تاکہ درستگی حاصل کی جا سکے:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -418,7 +418,7 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"## تربیتی عمل کا مشاہدہ کرنا\n",
|
||||
"## تربیتی عمل کا مشاہدہ\n",
|
||||
"\n",
|
||||
"ہم نے پہلے دیکھا ہے کہ تربیت کے دوران درستگی کم ہوتی ہے۔ یہ دیکھنا دلچسپ ہوگا کہ تربیت کے دوران علیحدگی کی لائن کیسے تبدیل ہوتی ہے۔ نیچے دیا گیا کوڈ سب کچھ ایک گراف پر دکھائے گا، اور آپ سلائیڈر کو حرکت دے کر تربیتی عمل کے مختلف مراحل کا مشاہدہ کر سکیں گے۔\n"
|
||||
]
|
||||
|
|
@ -528,16 +528,16 @@
|
|||
"source": [
|
||||
"## پرسیپٹرون کی حدود\n",
|
||||
"\n",
|
||||
"جیسا کہ آپ نے اوپر دیکھا، پرسیپٹرون ایک **لکیری درجہ بندی کرنے والا** ہے۔ یہ دو کلاسز کے درمیان فرق اچھی طرح کر سکتا ہے اگر وہ **لکیری طور پر الگ ہو سکیں**، یعنی ایک سیدھی لکیر کے ذریعے الگ کی جا سکیں۔ بصورت دیگر، پرسیپٹرون کی تربیتی عمل کامیاب نہیں ہوگا۔\n",
|
||||
"جیسا کہ آپ نے اوپر دیکھا، پرسیپٹرون ایک **لکیری درجہ بندی کرنے والا** ہے۔ یہ دو کلاسز کے درمیان اچھی طرح فرق کر سکتا ہے اگر وہ **لکیری طور پر جدا ہونے کے قابل** ہوں، یعنی ایک سیدھی لکیر کے ذریعے الگ کی جا سکیں۔ بصورت دیگر، پرسیپٹرون کی تربیتی عمل کامیاب نہیں ہوگا۔\n",
|
||||
"\n",
|
||||
"ایک سب سے واضح مثال ایسے مسئلے کی ہے جسے پرسیپٹرون حل نہیں کر سکتا، وہ ہے **XOR مسئلہ**۔ ہم چاہتے ہیں کہ ہمارا پرسیپٹرون XOR بولین فنکشن سیکھے، جس کی سچائی جدول کچھ یوں ہے:\n",
|
||||
"ایک سب سے واضح مثال ایسے مسئلے کی ہے جسے پرسیپٹرون حل نہیں کر سکتا، جسے **XOR مسئلہ** کہا جاتا ہے۔ ہم چاہتے ہیں کہ ہمارا پرسیپٹرون XOR بولین فنکشن سیکھے، جس کا سچائی جدول درج ذیل ہے:\n",
|
||||
"\n",
|
||||
"| | 0 | 1 |\n",
|
||||
"|---|---|---|\n",
|
||||
"| 0 | 0 | 1 | \n",
|
||||
"| 1 | 1 | 0 |\n",
|
||||
"\n",
|
||||
"آئیے اسے آزما کر دیکھتے ہیں! ہم تمام مثبت اور منفی تربیتی نمونے دستی طور پر شامل کریں گے، اور پھر اپنی اوپر بیان کردہ train فنکشن کو کال کریں گے:\n"
|
||||
"آئیے اسے آزمانے کی کوشش کرتے ہیں! ہم تمام مثبت اور منفی تربیتی نمونوں کو دستی طور پر شامل کریں گے، اور پھر اوپر بیان کردہ اپنی تربیتی فنکشن کو کال کریں گے:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -606,19 +606,19 @@
|
|||
"source": [
|
||||
"جیسا کہ آپ اوپر دیے گئے گراف سے دیکھ سکتے ہیں، درستگی کبھی بھی 75% سے زیادہ نہیں جاتی، کیونکہ تمام ممکنہ مثالوں کو درست کرنے کے لیے ایک سیدھی لکیر کھینچنا ناممکن ہے۔\n",
|
||||
"\n",
|
||||
"XOR مسئلہ پرسیپٹرون کی حدود کی ایک کلاسیکی مثال ہے، اور اسے مارون منسکی اور سیمور پیپرٹ نے 1969 میں اپنی کتاب [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) میں بیان کیا تھا۔ اس مشاہدے نے نیورل نیٹ ورکس کے میدان میں تقریباً 10 سال تک تحقیق کو محدود رکھا، حالانکہ - جیسا کہ ہم اپنے کورس کے اگلے حصے میں دیکھیں گے - ملٹی لیئرڈ پرسیپٹرون ایسے مسائل کو حل کرنے کی مکمل صلاحیت رکھتے ہیں۔\n",
|
||||
"XOR مسئلہ پرسیپٹرون کی حدود کی ایک کلاسیکی مثال ہے، اور اسے مارون منسکی اور سیمور پیپرٹ نے 1969 میں اپنی کتاب [Perceptrons](https://en.wikipedia.org/wiki/Perceptrons_(book)) میں بیان کیا تھا۔ اس مشاہدے نے نیورل نیٹ ورکس کے شعبے میں تحقیق کو تقریباً 10 سال تک محدود رکھا، حالانکہ - اور ہم یہ اپنی کورس کی اگلی سیکشن میں دیکھیں گے - ملٹی لیئرڈ پرسیپٹرون ایسے مسائل کو حل کرنے کی مکمل صلاحیت رکھتے ہیں۔\n",
|
||||
"\n",
|
||||
"## پیچیدہ مثال - MNIST\n",
|
||||
"\n",
|
||||
"اگرچہ پرسیپٹرون XOR مسئلہ حل نہیں کر سکتا، لیکن یہ بہت زیادہ پیچیدہ مسائل حل کر سکتا ہے، جیسے ہاتھ سے لکھے ہوئے حروف کی پہچان۔\n",
|
||||
"اگرچہ پرسیپٹرون XOR مسئلہ حل نہیں کر سکتا، لیکن یہ بہت زیادہ پیچیدہ مسائل حل کر سکتا ہے، جیسے ہاتھ سے لکھے ہوئے حروف کی شناخت۔\n",
|
||||
"\n",
|
||||
"مشین لرننگ سیکھنے کے دوران اکثر استعمال ہونے والے ڈیٹا سیٹ کو [MNIST](https://en.wikipedia.org/wiki/MNIST_database) کہا جاتا ہے۔ یہ Modified National Institute of Standards and Technology نے تیار کیا ہے، اور اس میں 60000 ہاتھ سے لکھے گئے ہندسوں کا تربیتی سیٹ شامل ہے، جو تقریباً 250 طلباء اور انسٹیٹیوٹ کے ملازمین سے جمع کیے گئے ہیں۔ اس کے علاوہ 10000 ہندسوں کا ایک ٹیسٹ ڈیٹا سیٹ بھی موجود ہے، جو مختلف افراد سے جمع کیا گیا ہے۔\n",
|
||||
"مشین لرننگ سیکھنے کے دوران اکثر استعمال ہونے والا ایک ڈیٹاسیٹ [MNIST](https://en.wikipedia.org/wiki/MNIST_database) کہلاتا ہے۔ یہ Modified National Institute of Standards and Technology نے تیار کیا ہے، اور اس میں 60000 ہاتھ سے لکھے گئے ہندسوں کا تربیتی سیٹ شامل ہے، جو تقریباً 250 طلباء اور انسٹیٹیوٹ کے ملازمین سے جمع کیے گئے ہیں۔ اس کے علاوہ، 10000 ہندسوں کا ایک ٹیسٹ ڈیٹاسیٹ بھی موجود ہے، جو مختلف افراد سے جمع کیا گیا ہے۔\n",
|
||||
"\n",
|
||||
"تمام ہندسے 28x28 پکسلز کے گرے اسکیل تصاویر کے ذریعے ظاہر کیے گئے ہیں۔\n",
|
||||
"تمام ہندسے 28x28 پکسلز کے گرے اسکیل تصاویر کی صورت میں پیش کیے گئے ہیں۔\n",
|
||||
"\n",
|
||||
"> MNIST ڈیٹا سیٹ [Kaggle](https://www.kaggle.com/c/digit-recognizer) پر ایک تربیتی مقابلے کے طور پر دستیاب ہے، جو مشین لرننگ کے مقابلے اور مقابلہ جات کی میزبانی کرتا ہے۔ جب آپ MNIST ہندسوں کو درجہ بندی کرنا سیکھ لیں، تو آپ اپنا حل Kaggle پر جمع کروا سکتے ہیں تاکہ دیکھ سکیں کہ یہ دیگر شرکاء کے درمیان کیسے درجہ بندی کرتا ہے۔\n",
|
||||
"> MNIST ڈیٹاسیٹ [Kaggle](https://www.kaggle.com/c/digit-recognizer) پر ایک تربیتی مقابلے کے طور پر دستیاب ہے، جو مشین لرننگ کے مقابلے اور کانٹیسٹ کی میزبانی کرتا ہے۔ جب آپ MNIST ہندسوں کو درجہ بندی کرنا سیکھ لیں، تو آپ اپنا حل Kaggle پر جمع کروا سکتے ہیں تاکہ دیکھ سکیں کہ یہ دیگر شرکاء کے درمیان کیسے درجہ بندی کرتا ہے۔\n",
|
||||
"\n",
|
||||
"ہم MNIST ڈیٹا سیٹ کو لوڈ کرنے سے شروع کرتے ہیں:\n"
|
||||
"ہم MNIST ڈیٹاسیٹ کو لوڈ کرنے سے شروع کرتے ہیں:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -636,7 +636,7 @@
|
|||
"# In this case correct the link to the dataset below as well.\n",
|
||||
"\n",
|
||||
"with gzip.open('../../data/mnist.pkl.gz', 'rb') as mnist_pickle:\n",
|
||||
" MNIST = pickle.load(mnist_pickle)"
|
||||
" MNIST = pickle.load(mnist_pickle, encoding='latin1')"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -694,7 +694,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"کیونکہ پرسیپٹرون ایک بائنری کلاسیفائر ہے، ہم اپنی مسئلے کو صرف دو ہندسوں کو پہچاننے تک محدود کریں گے۔ نیچے دی گئی فنکشن دو دیے گئے ہندسوں کے ساتھ مثبت اور منفی نمونوں کے ارے کو بھرے گی (اور وضاحت کے لیے ان ہندسوں کے نمونے بھی دکھائے گی)۔\n"
|
||||
"کیونکہ پرسیپٹرون ایک بائنری کلاسیفائر ہے، ہم اپنے مسئلے کو صرف دو ہندسوں کو پہچاننے تک محدود رکھیں گے۔ نیچے دی گئی فنکشن دو دیے گئے ہندسوں کے ساتھ مثبت اور منفی نمونوں کی صفوں کو بھرے گی (اور وضاحت کے لیے ان ہندسوں کے نمونے بھی دکھائے گی)۔\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -734,7 +734,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"ہم 0 اور 1 کے درمیان درجہ بندی کرنے کی کوشش سے شروع کریں گے۔\n"
|
||||
"ہم 0 اور 1 کے درمیان درجہ بندی کرنے کی کوشش سے شروع کریں گے:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -832,11 +832,11 @@
|
|||
"source": [
|
||||
"براہ کرم نوٹ کریں کہ درستگی بہت تیزی سے تقریباً 100% تک پہنچ جاتی ہے۔\n",
|
||||
"\n",
|
||||
"براہ کرم، تربیت کے اختتام کی طرف سلائیڈر کو کسی پوزیشن پر منتقل کریں، اور بائیں جانب وزن کے میٹرکس کو دیکھیں۔ یہ میٹرکس آپ کو سمجھنے میں مدد دے گا کہ پرسیپٹرون دراصل کیسے کام کرتا ہے۔ آپ میدان کے درمیان میں وزن کی زیادہ قدریں دیکھ سکتے ہیں، جو ان پکسلز سے مطابقت رکھتی ہیں جو عام طور پر ہندسہ 1 کے لیے موجود ہوتی ہیں، اور اطراف میں کم منفی قدریں، جہاں ہندسہ 0 کے حصے ہوتے ہیں۔ لہذا، اگر پرسیپٹرون کو پیش کیا گیا ہندسہ واقعی 1 ہے، تو اس کا درمیانی حصہ زیادہ قدروں سے ضرب دیا جائے گا، جس سے مثبت نتیجہ پیدا ہوگا۔ اس کے برعکس، جب پرسیپٹرون 0 کو دیکھتا ہے، تو متعلقہ پکسلز منفی نمبروں سے ضرب دیے جائیں گے۔\n",
|
||||
"براہ کرم، تربیت کے اختتام کی طرف سلائیڈر کو کسی مقام پر منتقل کریں، اور بائیں جانب دکھائی جانے والی وزن کی میٹرکس کا مشاہدہ کریں۔ یہ میٹرکس آپ کو سمجھنے میں مدد دے گی کہ پرسیپٹرون درحقیقت کیسے کام کرتا ہے۔ آپ میدان کے درمیان میں وزن کی زیادہ قدریں دیکھ سکتے ہیں، جو ان پکسلز سے مطابقت رکھتی ہیں جو عام طور پر ہندسے 1 کے لیے موجود ہوتے ہیں، اور اطراف میں کم منفی قدریں، جہاں ہندسے 0 کے حصے ہوتے ہیں۔ لہٰذا، اگر پرسیپٹرون کو پیش کیا گیا ہندسہ درحقیقت 1 ہو، تو اس کے درمیانی حصے کو زیادہ قدروں سے ضرب دی جائے گی، جس سے مثبت نتیجہ نکلے گا۔ اس کے برعکس، جب پرسیپٹرون 0 کو دیکھتا ہے، تو متعلقہ پکسلز کو منفی نمبروں سے ضرب دی جائے گی۔\n",
|
||||
"\n",
|
||||
"> آپ یہ نوٹ کر سکتے ہیں کہ اگر ہم اپنے پرسیپٹرون کو ہندسہ 1 تھوڑا سا افقی طور پر منتقل کر کے دیں، تاکہ اس کے پکسلز اس جگہ پر ہوں جہاں 0 کے عمودی حصے ہوں، تو ہمیں غلط نتیجہ مل سکتا ہے۔ چونکہ ہمارے MNIST ڈیٹاسیٹ کی نوعیت ایسی ہے کہ تمام ہندسے مرکز میں اور صحیح طور پر پوزیشن میں ہوتے ہیں، اور پرسیپٹرون اسی پر انحصار کرتا ہے تاکہ ہندسوں کے درمیان فرق کر سکے۔\n",
|
||||
"> آپ یہ نوٹ کر سکتے ہیں کہ اگر ہم اپنے پرسیپٹرون کو ہندسہ 1 دیں جو افقی طور پر تھوڑا سا کھسکا ہوا ہو، تاکہ اس کے پکسلز اس جگہ پر ہوں جہاں 0 کے عمودی حصے ہوں، تو ہمیں غلط نتیجہ مل سکتا ہے۔ چونکہ ہمارے MNIST ڈیٹاسیٹ کی نوعیت ایسی ہے کہ تمام ہندسے مرکز میں اور صحیح طور پر پوزیشن میں ہوتے ہیں، اور پرسیپٹرون اسی پر انحصار کرتا ہے تاکہ ہندسوں کے درمیان فرق کر سکے۔\n",
|
||||
"\n",
|
||||
"اب مختلف ہندسے آزما کر دیکھتے ہیں:\n"
|
||||
"اب آئیے مختلف ہندسوں کو آزماتے ہیں:\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -912,11 +912,11 @@
|
|||
"source": [
|
||||
"## بحث\n",
|
||||
"\n",
|
||||
"کسی وجہ سے، 2 اور 5 کو الگ کرنا اتنا آسان نہیں ہے۔ حالانکہ ہمیں نسبتاً زیادہ درستگی (85% سے زیادہ) حاصل ہوتی ہے، ہم واضح طور پر دیکھ سکتے ہیں کہ perceptron کسی مقام پر سیکھنا بند کر دیتا ہے۔\n",
|
||||
"کسی وجہ سے، 2 اور 5 کو آسانی سے الگ کرنا ممکن نہیں ہوتا۔ حالانکہ ہمیں نسبتاً زیادہ درستگی (85% سے زیادہ) حاصل ہوتی ہے، ہم واضح طور پر دیکھ سکتے ہیں کہ perceptron کسی مقام پر سیکھنا بند کر دیتا ہے۔\n",
|
||||
"\n",
|
||||
"یہ سمجھنے کے لیے کہ ایسا کیوں ہوتا ہے، ہم [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) استعمال کرنے کی کوشش کر سکتے ہیں۔ یہ ایک مشین لرننگ تکنیک ہے جو ان پٹ ڈیٹا سیٹ کی جہت کو کم کرنے کے لیے استعمال ہوتی ہے، اس طرح کہ کلاسز کے درمیان بہترین علیحدگی حاصل کی جا سکے۔\n",
|
||||
"یہ سمجھنے کے لیے کہ ایسا کیوں ہوتا ہے، ہم [Principal Component Analysis](https://en.wikipedia.org/wiki/Principal_component_analysis) (PCA) استعمال کرنے کی کوشش کر سکتے ہیں۔ یہ ایک مشین لرننگ تکنیک ہے جو ان پٹ ڈیٹا سیٹ کی جہتوں کو کم کرنے کے لیے استعمال ہوتی ہے، اس طرح کہ کلاسز کے درمیان بہترین علیحدگی حاصل کی جا سکے۔\n",
|
||||
"\n",
|
||||
"ہمارے معاملے میں، ایک ان پٹ تصویر میں 784 پکسلز (ان پٹ فیچرز) ہوتے ہیں، اور ہم PCA کا استعمال کرتے ہوئے پیرامیٹرز کی تعداد کو صرف 2 تک کم کرنا چاہتے ہیں، تاکہ ہم انہیں گراف پر پلاٹ کر سکیں۔ یہ دو پیرامیٹرز اصل فیچرز کا ایک لکیری امتزاج ہوں گے، اور ہم اس عمل کو اس طرح دیکھ سکتے ہیں جیسے ہم اپنی اصل 784-جہتی جگہ کو \"گھما\" رہے ہوں اور اس کی پروجیکشن کو 2D-جگہ پر دیکھ رہے ہوں، جب تک کہ ہمیں وہ بہترین منظر نہ مل جائے جو کلاسز کو الگ کرتا ہو۔\n"
|
||||
"ہمارے معاملے میں، ایک ان پٹ تصویر میں 784 پکسلز (ان پٹ فیچرز) ہوتے ہیں، اور ہم PCA کا استعمال کرتے ہوئے پیرامیٹرز کی تعداد کو صرف 2 تک کم کرنا چاہتے ہیں، تاکہ ہم انہیں گراف پر پلاٹ کر سکیں۔ یہ دو پیرامیٹرز اصل فیچرز کا لکیری امتزاج ہوں گے، اور ہم اس عمل کو اس طرح دیکھ سکتے ہیں جیسے ہم اپنی اصل 784-جہتی جگہ کو \"گھما\" رہے ہوں اور اس کی پروجیکشن کو 2D-جگہ پر دیکھ رہے ہوں، جب تک کہ ہمیں وہ بہترین منظر نہ مل جائے جو کلاسز کو الگ کرتا ہو۔\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -1026,16 +1026,16 @@
|
|||
}
|
||||
},
|
||||
"source": [
|
||||
"جیسا کہ آپ دیکھ سکتے ہیں، 0 اور 1 کو ایک سیدھی لکیر کے ذریعے واضح طور پر الگ کیا جا سکتا ہے۔ یہ ظاہر کرتا ہے کہ اصل 784-ابعادی جگہ میں وہ نقاط جو ہندسوں سے متعلق ہیں، لکیری طور پر الگ کیے جا سکتے ہیں۔ لیکن 2 اور 5 کے معاملے میں، ہم ایسی اچھی پروجیکشن نہیں ڈھونڈ سکتے جو ہندسوں کو واضح طور پر الگ کرے، اور اسی وجہ سے کچھ غلط درجہ بندی کے کیسز موجود ہیں۔\n",
|
||||
"جیسا کہ آپ دیکھ سکتے ہیں، 0 اور 1 کو ایک سیدھی لکیر کے ذریعے واضح طور پر الگ کیا جا سکتا ہے۔ یہ ظاہر کرتا ہے کہ اصل 784-ابعادی جگہ میں وہ نقاط جو ہندسوں سے متعلق ہیں، بھی خطی طور پر الگ کیے جا سکتے ہیں۔ لیکن 2 اور 5 کے معاملے میں، ہم ایسی اچھی پروجیکشن نہیں ڈھونڈ سکتے جو ہندسوں کو واضح طور پر الگ کرے، اور اسی وجہ سے کچھ غلط درجہ بندی کے کیسز موجود ہیں۔\n",
|
||||
"\n",
|
||||
"> اس کورس میں آگے ہم سیکھیں گے کہ نیورل نیٹ ورکس کا استعمال کرتے ہوئے غیر لکیری درجہ بندی کرنے والے کیسے بنائیں، اور ان مسائل سے کیسے نمٹیں جہاں ہندسے صحیح طریقے سے ترتیب نہیں دیے گئے ہوں۔ بہت جلد ہم MNIST ہندسوں کی درجہ بندی میں 99% سے زیادہ درستگی حاصل کریں گے، جبکہ انہیں 10 مختلف کلاسز میں تقسیم کریں گے۔\n",
|
||||
"> اس کورس میں آگے چل کر ہم سیکھیں گے کہ نیورل نیٹ ورکس کا استعمال کرتے ہوئے غیر خطی درجہ بندی کرنے والے کیسے بنائیں، اور ان مسائل سے کیسے نمٹیں جہاں ہندسے صحیح طریقے سے ترتیب نہیں دیے گئے ہوں۔ بہت جلد ہم MNIST ہندسوں کی درجہ بندی میں 99% سے زیادہ درستگی حاصل کریں گے، جبکہ انہیں 10 مختلف کلاسز میں تقسیم کریں گے۔\n",
|
||||
"\n",
|
||||
"## اہم نکات\n",
|
||||
"\n",
|
||||
" * ہم نے سب سے سادہ نیورل نیٹ ورک آرکیٹیکچر کے بارے میں سیکھا - ایک پرت والا پرسیپٹرون۔\n",
|
||||
" * ہم نے پرسیپٹرون کو \"ہاتھ سے\" نافذ کیا، ایک سادہ تربیتی طریقہ کار استعمال کرتے ہوئے جو گریڈینٹ ڈیسنٹ پر مبنی ہے۔\n",
|
||||
" * سادگی کے باوجود، ایک پرت والا پرسیپٹرون ہاتھ سے لکھے گئے ہندسوں کی پہچان کے پیچیدہ مسائل کو حل کر سکتا ہے۔\n",
|
||||
" * ایک پرت والا پرسیپٹرون ایک لکیری درجہ بندی کرنے والا ہے، اور اس طرح یہ لاجسٹک ریگریشن کے برابر درجہ بندی کی طاقت فراہم کرتا ہے۔\n",
|
||||
" * ایک پرت والا پرسیپٹرون ایک خطی درجہ بندی کرنے والا ہے، اور اس طرح یہ لاجسٹک ریگریشن کے برابر درجہ بندی کی طاقت فراہم کرتا ہے۔\n",
|
||||
" * نمونہ جگہ میں، پرسیپٹرون دو کلاسز کے ان پٹ ڈیٹا کو ہائپرپلین کے ذریعے الگ کر سکتا ہے۔\n"
|
||||
]
|
||||
},
|
||||
|
|
@ -1045,14 +1045,14 @@
|
|||
"source": [
|
||||
"## کریڈٹس\n",
|
||||
"\n",
|
||||
"یہ نوٹ بک [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) کا حصہ ہے، اور اسے [Dmitry Soshnikov](http://soshnikov.com) نے تیار کیا ہے۔ یہ مائیکروسافٹ ریسرچ کیمبرج میں نیورل نیٹ ورک ورکشاپ سے متاثر ہے۔ کچھ کوڈ اور وضاحتی مواد [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/)، [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) اور [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) کی پریزنٹیشنز سے لیا گیا ہے، اور [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) ریپوزٹری سے بھی مواد شامل کیا گیا ہے۔\n"
|
||||
"یہ نوٹ بک [AI for Beginners Curricula](http://github.com/microsoft/ai-for-beginners) کا حصہ ہے، اور اسے [Dmitry Soshnikov](http://soshnikov.com) نے تیار کیا ہے۔ یہ مائیکروسافٹ ریسرچ کیمبرج میں نیورل نیٹ ورک ورکشاپ سے متاثر ہے۔ کچھ کوڈ اور وضاحتی مواد [Katja Hoffmann](https://www.microsoft.com/en-us/research/people/kahofman/)، [Matthew Johnson](https://www.microsoft.com/en-us/research/people/matjoh/) اور [Ryoto Tomioka](https://www.microsoft.com/en-us/research/people/ryoto/) کی پریزنٹیشنز سے لیا گیا ہے، اور [NeuroWorkshop](http://github.com/shwars/NeuroWorkshop) ریپوزیٹری سے بھی شامل کیا گیا ہے۔\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n---\n\n**ڈسکلیمر**: \nیہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔\n"
|
||||
"\n---\n\n**ڈسکلیمر**: \nیہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز، جو اس کی اصل زبان میں ہے، کو مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
|
|
@ -1081,8 +1081,8 @@
|
|||
"start_slideshow_at": "selected"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "29c32e04af0f53fc4ecf6d87d5136f37",
|
||||
"translation_date": "2025-08-28T03:48:01+00:00",
|
||||
"original_hash": "914fc55f59efc7e17b8130d4033ac617",
|
||||
"translation_date": "2025-08-29T06:41:31+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb",
|
||||
"language_code": "ur"
|
||||
}
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7336583e4630220c835335da640016db",
|
||||
"translation_date": "2025-08-26T10:39:22+00:00",
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:40:06+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ur"
|
||||
}
|
||||
|
|
@ -13,19 +13,21 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## کام
|
||||
|
||||
اس سبق میں ہم نے MNIST ہاتھ سے لکھے گئے اعداد کی بائنری درجہ بندی کے لیے جو کوڈ تیار کیا ہے، اس کا استعمال کرتے ہوئے ایک ملٹی کلاس درجہ بندی تیار کریں جو کسی بھی عدد کو پہچان سکے۔ ٹرین اور ٹیسٹ ڈیٹا سیٹ پر درجہ بندی کی درستگی کا حساب لگائیں، اور کنفیوشن میٹرکس پرنٹ کریں۔
|
||||
اس سبق میں ہم نے MNIST ہاتھ سے لکھے گئے اعداد کی بائنری درجہ بندی کے لیے جو کوڈ تیار کیا ہے، اس کا استعمال کرتے ہوئے ایک ملٹی کلاس درجہ بندی بنائیں جو کسی بھی عدد کو پہچان سکے۔ ٹرین اور ٹیسٹ ڈیٹا سیٹ پر درجہ بندی کی درستگی کا حساب لگائیں، اور کنفیوزن میٹرکس پرنٹ کریں۔
|
||||
|
||||
## اشارے
|
||||
|
||||
1. ہر عدد کے لیے، "یہ عدد بمقابلہ دیگر تمام اعداد" کے لیے بائنری درجہ بندی کا ڈیٹا سیٹ بنائیں۔
|
||||
1. ہر عدد کے لیے، "یہ عدد بمقابلہ تمام دیگر اعداد" کے لیے بائنری درجہ بندی کا ڈیٹا سیٹ بنائیں۔
|
||||
1. بائنری درجہ بندی کے لیے 10 مختلف پرسیپٹرونز کو ٹرین کریں (ہر عدد کے لیے ایک)۔
|
||||
1. ایک فنکشن ڈیفائن کریں جو ان پٹ عدد کو درجہ بندی کرے۔
|
||||
1. ایک فنکشن کی تعریف کریں جو ان پٹ عدد کو درجہ بندی کرے۔
|
||||
|
||||
> **اشارہ**: اگر ہم تمام 10 پرسیپٹرونز کے وزن کو ایک میٹرکس میں یکجا کریں، تو ہم ایک میٹرکس ضرب کے ذریعے ان پٹ اعداد پر تمام 10 پرسیپٹرونز کو لاگو کر سکیں گے۔ سب سے زیادہ ممکنہ عدد کو صرف `argmax` آپریشن کے ذریعے آؤٹ پٹ پر لاگو کر کے پایا جا سکتا ہے۔
|
||||
> **اشارہ**: اگر ہم تمام 10 پرسیپٹرونز کے وزن کو ایک میٹرکس میں یکجا کریں، تو ہم ایک میٹرکس ضرب کے ذریعے ان پٹ اعداد پر تمام 10 پرسیپٹرونز کو لاگو کر سکیں گے۔ سب سے زیادہ ممکنہ عدد کو `argmax` آپریشن کے ذریعے آؤٹ پٹ پر لاگو کر کے آسانی سے پایا جا سکتا ہے۔
|
||||
|
||||
## شروع کرنے والا نوٹ بک
|
||||
## ابتدائی نوٹ بک
|
||||
|
||||
لیب کو شروع کرنے کے لیے [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) کھولیں۔
|
||||
لیب شروع کرنے کے لیے [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) کھولیں۔
|
||||
|
||||
---
|
||||
|
||||
**ڈسکلیمر**:
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز، جو اس کی اصل زبان میں ہے، کو مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
|
||||
Loading…
Reference in New Issue