chore(i18n): sync translations with latest source changes (chunk 67/148, 100 files)
This commit is contained in:
localizeflow[bot]
parent
41663fc54d
commit
1991f5bc02
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-24T22:41:57+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T09:58:11+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "de"
|
||||
}
|
||||
|
|
@ -10,7 +10,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
|
|
@ -21,23 +21,23 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
# Künstliche Intelligenz für Einsteiger - Ein Lehrplan
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI für Einsteiger - _Sketchnote von [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _Sketchnote von [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Erkunden Sie die Welt der **Künstlichen Intelligenz** (KI) mit unserem 12-wöchigen, 24-Lektionen-Lehrplan! Er enthält praktische Lektionen, Quizze und Labs. Der Lehrplan ist anfängerfreundlich und behandelt Werkzeuge wie TensorFlow und PyTorch sowie Ethik in der KI
|
||||
Erkunden Sie die Welt der **Künstlichen Intelligenz** (KI) mit unserem 12-wöchigen, 24-Lektionen-Lehrplan! Er enthält praktische Lektionen, Quizze und Labore. Der Lehrplan ist anfängerfreundlich und behandelt Tools wie TensorFlow und PyTorch sowie Ethik in der KI
|
||||
|
||||
### 🌐 Mehrsprachige Unterstützung
|
||||
|
||||
#### Unterstützt durch GitHub Action (automatisiert & stets aktuell)
|
||||
#### Unterstützt über GitHub Action (Automatisiert & immer aktuell)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabisch](../ar/README.md) | [Bengalisch](../bn/README.md) | [Bulgarisch](../bg/README.md) | [Birmanisch (Myanmar)](../my/README.md) | [Chinesisch (vereinfacht)](../zh/README.md) | [Chinesisch (traditionell, Hongkong)](../hk/README.md) | [Chinesisch (traditionell, Macau)](../mo/README.md) | [Chinesisch (traditionell, Taiwan)](../tw/README.md) | [Kroatisch](../hr/README.md) | [Tschechisch](../cs/README.md) | [Dänisch](../da/README.md) | [Niederländisch](../nl/README.md) | [Estnisch](../et/README.md) | [Finnisch](../fi/README.md) | [Französisch](../fr/README.md) | [Deutsch](./README.md) | [Griechisch](../el/README.md) | [Hebräisch](../he/README.md) | [Hindi](../hi/README.md) | [Ungarisch](../hu/README.md) | [Indonesisch](../id/README.md) | [Italienisch](../it/README.md) | [Japanisch](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanisch](../ko/README.md) | [Litauisch](../lt/README.md) | [Malaiisch](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerianisches Pidgin](../pcm/README.md) | [Norwegisch](../no/README.md) | [Persisch (Farsi)](../fa/README.md) | [Polnisch](../pl/README.md) | [Portugiesisch (Brasilien)](../br/README.md) | [Portugiesisch (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumänisch](../ro/README.md) | [Russisch](../ru/README.md) | [Serbisch (kyrillisch)](../sr/README.md) | [Slowakisch](../sk/README.md) | [Slowenisch](../sl/README.md) | [Spanisch](../es/README.md) | [Suaheli](../sw/README.md) | [Schwedisch](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailändisch](../th/README.md) | [Türkisch](../tr/README.md) | [Ukrainisch](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisch](../vi/README.md)
|
||||
[Arabisch](../ar/README.md) | [Bengalisch](../bn/README.md) | [Bulgarisch](../bg/README.md) | [Burmesisch (Myanmar)](../my/README.md) | [Chinesisch (vereinfacht)](../zh/README.md) | [Chinesisch (traditionell, Hongkong)](../hk/README.md) | [Chinesisch (traditionell, Macau)](../mo/README.md) | [Chinesisch (traditionell, Taiwan)](../tw/README.md) | [Kroatisch](../hr/README.md) | [Tschechisch](../cs/README.md) | [Dänisch](../da/README.md) | [Niederländisch](../nl/README.md) | [Estnisch](../et/README.md) | [Finnisch](../fi/README.md) | [Französisch](../fr/README.md) | [Deutsch](./README.md) | [Griechisch](../el/README.md) | [Hebräisch](../he/README.md) | [Hindi](../hi/README.md) | [Ungarisch](../hu/README.md) | [Indonesisch](../id/README.md) | [Italienisch](../it/README.md) | [Japanisch](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanisch](../ko/README.md) | [Litauisch](../lt/README.md) | [Malaysisch](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalesisch](../ne/README.md) | [Nigerianisches Pidgin](../pcm/README.md) | [Norwegisch](../no/README.md) | [Persisch (Farsi)](../fa/README.md) | [Polnisch](../pl/README.md) | [Portugiesisch (Brasilien)](../br/README.md) | [Portugiesisch (Portugal)](../pt/README.md) | [Panjabi (Gurmukhi)](../pa/README.md) | [Rumänisch](../ro/README.md) | [Russisch](../ru/README.md) | [Serbisch (Kyrillisch)](../sr/README.md) | [Slowakisch](../sk/README.md) | [Slowenisch](../sl/README.md) | [Spanisch](../es/README.md) | [Swahili](../sw/README.md) | [Schwedisch](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Türkisch](../tr/README.md) | [Ukrainisch](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisch](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Wenn Sie zusätzliche Übersetzungen wünschen, sind die unterstützten Sprachen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) aufgeführt**
|
||||
**Wenn Sie zusätzliche Übersetzungen wünschen, sind unterstützte Sprachen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) aufgeführt**
|
||||
|
||||
## Treten Sie der Community bei
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -49,120 +49,120 @@ Erkunden Sie die Welt der **Künstlichen Intelligenz** (KI) mit unserem 12-wöch
|
|||
In diesem Lehrplan lernen Sie:
|
||||
|
||||
* Verschiedene Ansätze der Künstlichen Intelligenz, einschließlich des „guten alten“ symbolischen Ansatzes mit **Wissensrepräsentation** und Schlussfolgerung ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuronale Netzwerke** und **Deep Learning**, die den Kern der modernen KI bilden. Wir veranschaulichen die Konzepte hinter diesen wichtigen Themen anhand von Code in zwei der beliebtesten Frameworks - [TensorFlow](http://Tensorflow.org) und [PyTorch](http://pytorch.org).
|
||||
* **Neuronale Architekturen** für die Arbeit mit Bildern und Text. Wir behandeln aktuelle Modelle, könnten dabei aber in Bezug auf den Stand der Technik etwas hinterherhinken.
|
||||
* Weniger verbreitete KI-Ansätze, wie **Genetische Algorithmen** und **Multi-Agenten-Systeme**.
|
||||
* **Neuronale Netze** und **Deep Learning**, die den Kern der modernen KI bilden. Wir veranschaulichen die Konzepte hinter diesen wichtigen Themen mit Code in zwei der populärsten Frameworks - [TensorFlow](http://Tensorflow.org) und [PyTorch](http://pytorch.org).
|
||||
* **Neuronale Architekturen** für die Arbeit mit Bildern und Text. Wir behandeln aktuelle Modelle, könnten aber etwas hinter dem Stand der Technik zurückbleiben.
|
||||
* Weniger verbreitete KI-Ansätze, wie **genetische Algorithmen** und **Multi-Agenten-Systeme**.
|
||||
|
||||
Was wir in diesem Lehrplan nicht behandeln werden:
|
||||
|
||||
> [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn-Sammlung](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Geschäftsanwendungen der **KI im Unternehmenskontext**. Ziehen Sie in Betracht, den Lernpfad [Einführung in KI für Business-Anwender](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) auf Microsoft Learn zu absolvieren, oder die [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), entwickelt in Zusammenarbeit mit [INSEAD](https://www.insead.edu/).
|
||||
* **Klassisches Machine Learning**, das in unserem [Lehrplan 'Machine Learning for Beginners'](http://github.com/Microsoft/ML-for-Beginners) gut beschrieben ist.
|
||||
* Praktische KI-Anwendungen, die mit **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** erstellt wurden. Dafür empfehlen wir, mit den Microsoft Learn-Modulen für [Visuelle Erkennung](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natürliche Sprachverarbeitung](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)** und andere zu beginnen.
|
||||
* Spezifische ML-**Cloud-Frameworks**, wie [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) oder [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Ziehen Sie die Lernpfade [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) und [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) in Betracht.
|
||||
* **Conversational AI** und **Chatbots**. Es gibt einen separaten Lernpfad [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), und Sie können sich auch auf [diesen Blogbeitrag](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) für weitere Details beziehen.
|
||||
* **Tiefgründige Mathematik** hinter dem Deep Learning. Dafür empfehlen wir [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) von Ian Goodfellow, Yoshua Bengio und Aaron Courville, das auch online verfügbar ist unter [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Business-Fälle für den Einsatz von **KI im Unternehmen**. Ziehen Sie in Betracht, den Lernpfad [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) auf Microsoft Learn oder die [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), entwickelt in Zusammenarbeit mit [INSEAD](https://www.insead.edu/), zu besuchen.
|
||||
* **Klassisches Machine Learning**, das in unserem [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) gut beschrieben ist.
|
||||
* Praktische KI-Anwendungen, die mit **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** erstellt wurden. Dafür empfehlen wir, mit Microsoft Learn-Modulen zu [Vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natürlicher Sprachverarbeitung](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)** und anderen zu beginnen.
|
||||
* Spezifische ML-**Cloud-Frameworks**, wie [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) oder [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Ziehen Sie in Betracht, die Lernpfade [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) und [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) zu nutzen.
|
||||
* **Konversationelle KI** und **Chatbots**. Es gibt einen separaten Lernpfad [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), und Sie können sich auch [diesen Blogbeitrag](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) für weitere Details ansehen.
|
||||
* **Tiefgehende Mathematik** hinter Deep Learning. Dafür empfehlen wir [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) von Ian Goodfellow, Yoshua Bengio und Aaron Courville, das auch online unter [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) verfügbar ist.
|
||||
|
||||
Für eine sanfte Einführung in die Themen _KI in der Cloud_ können Sie den Lernpfad [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) in Betracht ziehen.
|
||||
Für eine sanfte Einführung in Themen zu _KI in der Cloud_ können Sie den Lernpfad [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) absolvieren.
|
||||
|
||||
# Inhalt
|
||||
|
||||
| | Link zur Lektion | PyTorch/Keras/TensorFlow | Labor |
|
||||
| | Lektionslink | PyTorch/Keras/TensorFlow | Labor |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Kurs-Einrichtung](./lessons/0-course-setup/setup.md) | [Richten Sie Ihre Entwicklungsumgebung ein](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Einführung in die KI**](./lessons/1-Intro/README.md) | | |
|
||||
| 0 | [Kurs-Setup](./lessons/0-course-setup/setup.md) | [Einrichten Ihrer Entwicklungsumgebung](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Einführung in KI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Einführung und Geschichte der KI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Symbolische KI** |
|
||||
| 02 | [Wissensrepräsentation und Expertensysteme](./lessons/2-Symbolic/README.md) | [Expertensysteme](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konzeptgraph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Einführung in neuronale Netzwerke**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perzeptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labor](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Mehrschichtiges Perzeptron und Erstellung unseres eigenen Frameworks](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Einführung in Frameworks (PyTorch/TensorFlow) und Überanpassung](./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) | [Labor](./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) |
|
||||
| III | [**Einführung in neuronale Netze**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labor](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Mehrschichtiges Perceptron und Erstellen unseres eigenen Frameworks](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Einführung in Frameworks (PyTorch/TensorFlow) und 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) | [Labor](./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)| [Computer Vision auf Microsoft Azure erkunden](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Einführung in Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labor](./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) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Vortrainierte Netzwerke und Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [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) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders und VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 07 | [Faltungsneuronale Netze](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-Architekturen](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Vortrainierte Netzwerke und Transferlernen](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [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) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoder und 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 & Künstlerischer Stiltransfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objekterkennung](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labor](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantische Segmentierung. 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 | [**Natürliche Sprachverarbeitung**](./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)|
|
||||
| V | [**Natürliche Sprachverarbeitung**](./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) | [Natural Language Processing auf Microsoft Azure erkunden](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Textrepräsentation. 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 | [Semantische Wort-Einbettungen. Word2Vec und 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 | [Sprachmodellierung. Eigene Einbettungen trainieren](./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) | [Labor](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurrente Neuronale Netze](./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 Rekurrente Netzwerke](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Generative Rekurrente Netze](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Benannte Entitätserkennung](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 19 | [Erkennung benannter Entitäten](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Große Sprachmodelle, Prompt-Programmierung und Few-Shot-Aufgaben](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Andere KI-Techniken** || |
|
||||
| 21 | [Genetische Algorithmen](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Tiefes 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) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 22 | [Tiefes Verstärkungslernen](./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) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multi-Agenten-Systeme](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **KI-Ethik** | | |
|
||||
| 24 | [KI-Ethik und verantwortungsvolle KI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Prinzipien verantwortungsvoller KI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [KI-Ethik und verantwortungsvolle KI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Prinzipien für verantwortungsvolle KI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extras** | | |
|
||||
| 25 | [Multimodale Netzwerke, CLIP und VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Jede Lektion enthält
|
||||
|
||||
* Vorbereitendes Lesematerial
|
||||
* Ausführbare Jupyter-Notebooks, die oft framework-spezifisch sind (**PyTorch** oder **TensorFlow**). Das ausführbare Notebook enthält auch viel theoretisches Material, daher sollten Sie zur Verständnis des Themas mindestens eine Version des Notebooks durchgehen (entweder PyTorch oder TensorFlow).
|
||||
* **Labs** für einige Themen, die Ihnen die Möglichkeit geben, das Gelernte auf ein konkretes Problem anzuwenden.
|
||||
* Vorbereitendes Material
|
||||
* Ausführbare Jupyter-Notebooks, die oft framework-spezifisch sind (**PyTorch** oder **TensorFlow**). Das ausführbare Notebook enthält auch viel theoretisches Material. Um das Thema zu verstehen, sollten Sie mindestens eine Version des Notebooks durcharbeiten (entweder PyTorch oder TensorFlow).
|
||||
* **Labore** für einige Themen, die Ihnen die Möglichkeit geben, das Gelernte auf ein konkretes Problem anzuwenden.
|
||||
* Einige Abschnitte enthalten Links zu [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) Modulen, die verwandte Themen behandeln.
|
||||
|
||||
## Erste Schritte
|
||||
|
||||
### 🎯 Neu in der KI? Hier starten!
|
||||
### 🎯 Neu in der KI? Hier anfangen!
|
||||
|
||||
Wenn Sie ganz neu in der KI sind und schnelle, praxisnahe Beispiele möchten, schauen Sie sich unsere [**Anfängerfreundlichen Beispiele**](./examples/README.md) an! Diese beinhalten:
|
||||
Wenn Sie komplett neu in der KI sind und schnelle, praxisnahe Beispiele möchten, schauen Sie sich unsere [**Beispiele für Einsteiger**](./examples/README.md) an! Diese beinhalten:
|
||||
|
||||
- 🌟 **Hello AI World** - Ihr erstes KI-Programm (Mustererkennung)
|
||||
- 🧠 **Einfaches Neuronales Netzwerk** - Erstellen Sie ein neuronales Netzwerk von Grund auf
|
||||
- 🖼️ **Bildklassifikator** - Klassifizieren Sie Bilder mit ausführlichen Kommentaren
|
||||
- 🧠 **Einfaches neuronales Netzwerk** - Ein neuronales Netzwerk von Grund auf erstellen
|
||||
- 🖼️ **Bildklassifikator** - Bilder mit ausführlichen Kommentaren klassifizieren
|
||||
- 💬 **Textsentiment** - Analysiere positiven/negativen Text
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
Diese Beispiele sollen dir helfen, KI-Konzepte zu verstehen, bevor du in das vollständige Curriculum eintauchst.
|
||||
|
||||
### 📚 Einrichtung des vollständigen Curriculums
|
||||
### 📚 Einrichten des vollständigen Curriculums
|
||||
|
||||
- Wir haben eine [Einrichtungslektion](./lessons/0-course-setup/setup.md) erstellt, um Ihnen beim Einrichten Ihrer Entwicklungsumgebung zu helfen. - Für Lehrkräfte, haben wir auch eine [Lehrplan-Einrichtungslektion](./lessons/0-course-setup/for-teachers.md) für Sie erstellt!
|
||||
- Wie man den Code in einem VSCode oder in Codepace [ausführt](./lessons/0-course-setup/how-to-run.md)
|
||||
- Wir haben eine [Setup-Lektion](./lessons/0-course-setup/setup.md) erstellt, die dir beim Einrichten deiner Entwicklungsumgebung hilft. - Für Lehrkräfte haben wir ebenfalls eine [Curriculum-Setup-Lektion](./lessons/0-course-setup/for-teachers.md) erstellt!
|
||||
- Wie man [den Code in VSCode oder Codepace ausführt](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Befolgen Sie diese Schritte:
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: Klicken Sie auf die "Fork"-Schaltfläche in der oberen rechten Ecke dieser Seite.
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
Klonen Sie das Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Vergessen Sie nicht, dieses Repository (🌟) mit einem Stern zu versehen, damit Sie es später leichter finden.
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
|
||||
## Triff andere Lernende
|
||||
## Meet other Learners
|
||||
|
||||
Treten Sie unserem [offiziellen AI-Discord-Server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) bei, um andere Lernende dieses Kurses zu treffen, sich zu vernetzen und Unterstützung zu erhalten.
|
||||
Tritt unserem [offiziellen AI-Discord-Server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) bei, um andere Lernende dieses Kurses zu treffen, dich zu vernetzen und Unterstützung zu erhalten.
|
||||
|
||||
Wenn Sie Produktfeedback oder Fragen beim Entwickeln haben, besuchen Sie unser [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Quizze
|
||||
|
||||
> **Eine Anmerkung zu Quizzen**: Alle Quizze befinden sich im Quiz-app-Ordner in etc\quiz-app, oder [online hier](https://ff-quizzes.netlify.app/) Sie sind aus den Lektionen verlinkt, die Quiz-App kann lokal ausgeführt oder auf Azure bereitgestellt werden; folgen Sie den Anweisungen im `quiz-app` Ordner. Sie werden nach und nach lokalisiert.
|
||||
> **A note about quizzes**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online hier](https://ff-quizzes.netlify.app/) Sie sind in den Lektionen verlinkt; die Quiz-App kann lokal ausgeführt oder in Azure bereitgestellt werden; befolge die Anweisungen im `quiz-app`-Ordner. Sie werden nach und nach lokalisiert.
|
||||
|
||||
## Hilfe gesucht
|
||||
|
||||
Haben Sie Vorschläge oder Rechtschreib- oder Codefehler gefunden? Melden Sie ein Issue oder erstellen Sie einen Pull Request.
|
||||
Hast du Vorschläge oder Rechtschreib- oder Codefehler gefunden? Erstelle ein Issue oder sende einen Pull Request.
|
||||
|
||||
## Besonderer Dank
|
||||
|
||||
* **✍️ Hauptautor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redakteurin:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote-Illustratorin:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **🔥 Redakteur:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote-Illustrator:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Quiz-Ersteller:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Hauptmitwirkende:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Kernbeitragende:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Weitere Lehrpläne
|
||||
## Weitere Curricula
|
||||
|
||||
Unser Team erstellt weitere Lehrpläne! Schauen Sie sich diese an:
|
||||
Unser Team stellt weitere Curricula bereit! Schau dir diese an:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -179,26 +179,26 @@ Unser Team erstellt weitere Lehrpläne! Schauen Sie sich diese an:
|
|||
|
||||
---
|
||||
|
||||
### Generative AI-Reihe
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Generative AI-Serie
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Kerninhalte
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Kernbereiche
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot-Reihe
|
||||
### Copilot-Serie
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -206,17 +206,17 @@ Unser Team erstellt weitere Lehrpläne! Schauen Sie sich diese an:
|
|||
|
||||
## Hilfe erhalten
|
||||
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
Wenn du feststeckst oder Fragen zum Erstellen von KI-Apps hast, tritt Diskussionen mit anderen Lernenden und erfahrenen Entwicklern über MCP bei. Es ist eine unterstützende Community, in der Fragen willkommen sind und Wissen frei geteilt wird.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Haftungsausschluss**:
|
||||
Dieses Dokument wurde mithilfe des KI‑Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ausgangssprache ist als maßgebliche Quelle zu betrachten. Bei wichtigen Informationen wird eine professionelle, menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.
|
||||
Haftungsausschluss:
|
||||
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ausgangssprache ist als maßgebliche Quelle zu betrachten. Bei wichtigen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Einführung in KI
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote von [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ursprünglich wurden Computer von [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) erfunden, um Zahlen nach einem klar definierten Verfahren – einem Algorithmus – zu verarbeiten. Moderne Computer, obwohl sie wesentlich fortschrittlicher sind als das ursprüngliche Modell aus dem 19. Jahrhundert, folgen immer noch derselben Idee kontrollierter Berechnungen. Daher ist es möglich, einen Computer so zu programmieren, dass er etwas tut, wenn wir die genaue Abfolge der Schritte kennen, die wir ausführen müssen, um das Ziel zu erreichen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Foto von [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Weitere Informationen finden Sie unter **[Allgemeine Künstliche Intelligenz](ht
|
|||
|
||||
Eines der Probleme im Umgang mit dem Begriff **[Intelligenz](https://en.wikipedia.org/wiki/Intelligence)** ist, dass es keine klare Definition dieses Begriffs gibt. Man könnte argumentieren, dass Intelligenz mit **abstraktem Denken** oder **Selbstbewusstsein** verbunden ist, aber wir können sie nicht eindeutig definieren.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Foto](https://unsplash.com/photos/75715CVEJhI) von [Amber Kipp](https://unsplash.com/@sadmax) auf Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Alternativ können wir versuchen, die einfachsten Elemente in unserem Gehirn zu
|
|||
|
||||
> | Was ist mit ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Ein Teil der Künstlichen Intelligenz, der darauf basiert, dass Computer lernen, ein Problem anhand von Daten zu lösen, wird als **Maschinelles Lernen** bezeichnet. Wir werden klassisches maschinelles Lernen in diesem Kurs nicht behandeln – wir verweisen Sie auf den separaten [Maschinelles Lernen für Anfänger](http://aka.ms/ml-beginners)-Lehrplan. |  |
|
||||
> | Ein Teil der Künstlichen Intelligenz, der darauf basiert, dass Computer lernen, ein Problem anhand von Daten zu lösen, wird als **Maschinelles Lernen** bezeichnet. Wir werden klassisches maschinelles Lernen in diesem Kurs nicht behandeln – wir verweisen Sie auf den separaten [Maschinelles Lernen für Anfänger](http://aka.ms/ml-beginners)-Lehrplan. |  |
|
||||
|
||||
## Ein kurzer Überblick über die Geschichte der KI
|
||||
|
||||
Künstliche Intelligenz wurde Mitte des 20. Jahrhunderts als Forschungsfeld begründet. Anfangs war symbolisches Denken der vorherrschende Ansatz, und es führte zu einer Reihe wichtiger Erfolge, wie z. B. Expertensysteme – Computerprogramme, die in der Lage waren, in begrenzten Problembereichen als Experte zu agieren. Es wurde jedoch bald klar, dass ein solcher Ansatz nicht gut skalierbar ist. Wissen von einem Experten zu extrahieren, es im Computer darzustellen und diese Wissensbasis aktuell zu halten, stellte sich als sehr komplexe Aufgabe heraus und war in vielen Fällen zu teuer, um praktikabel zu sein. Dies führte in den 1970er Jahren zum sogenannten [KI-Winter](https://en.wikipedia.org/wiki/AI_winter).
|
||||
|
||||
<img alt="Kurze Geschichte der KI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.de.png" width="70%"/>
|
||||
<img alt="Kurze Geschichte der KI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.de.png" width="70%"/>
|
||||
|
||||
> Bild von [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Wir können beobachten, wie sich die Ansätze geändert haben, z. B. bei der Ent
|
|||
* Moderne Assistenten wie Cortana, Siri oder Google Assistant sind alle Hybridsysteme, die neuronale Netzwerke verwenden, um Sprache in Text umzuwandeln und unsere Absicht zu erkennen, und dann einige Schlussfolgerungen oder explizite Algorithmen anwenden, um die erforderlichen Aktionen auszuführen.
|
||||
* In der Zukunft können wir erwarten, dass ein vollständiges neuronales Modell den Dialog eigenständig handhabt. Die jüngsten GPT- und [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft)-Familien von neuronalen Netzwerken zeigen große Erfolge in diesem Bereich.
|
||||
|
||||
<img alt="Die Entwicklung des Turing-Tests" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.de.png" width="70%"/>
|
||||
<img alt="Die Entwicklung des Turing-Tests" src="../../../../translated_images/turing-test-evol.4184696701293ead.de.png" width="70%"/>
|
||||
> Bild von Dmitry Soshnikov, [Foto](https://unsplash.com/photos/r8LmVbUKgns) von [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Aktuelle KI-Forschung
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Wissensrepräsentation und Expertensysteme
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote von [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Meistens definieren wir Wissen nicht streng, sondern ordnen es anderen verwandte
|
|||
|
||||
Das Problem der **Wissensrepräsentation** besteht also darin, eine effektive Methode zu finden, Wissen in Form von Daten in einem Computer darzustellen, um es automatisch nutzbar zu machen. Dies kann als Spektrum betrachtet werden:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Block-Syntax | Einrückung | | |
|
|||
|
||||
Einer der frühen Erfolge der symbolischen KI waren sogenannte **Expertensysteme** – Computersysteme, die so konzipiert waren, dass sie in einem begrenzten Problembereich als Experte agieren. Sie basierten auf einer **Wissensbasis**, die von einem oder mehreren menschlichen Experten extrahiert wurde, und enthielten eine **Schlussfolgerungsmaschine**, die darauf basierende Überlegungen anstellte.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
--------------------------------------------------|-----------------------------------------------
|
||||
Vereinfachte Struktur des menschlichen Nervensystems | Architektur eines wissensbasierten Systems
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Expertensysteme sind ähnlich aufgebaut wie das menschliche Denksystem, das **Ku
|
|||
|
||||
Als Beispiel betrachten wir das folgende Expertensystem zur Bestimmung eines Tieres basierend auf seinen physischen Merkmalen:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Overfitting ist ein äußerst wichtiges Konzept im maschinellen Lernen, und es i
|
|||
|
||||
Betrachten Sie das folgende Problem der Annäherung an 5 Punkte (dargestellt durch `x` in den untenstehenden Diagrammen):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Lineares Modell, 2 Parameter** | **Nicht-lineares Modell, 7 Parameter**
|
||||
Trainingsfehler = 5.3 | Trainingsfehler = 0
|
||||
|
|
@ -79,7 +79,7 @@ Es ist sehr wichtig, ein korrektes Gleichgewicht zwischen der Komplexität des M
|
|||
|
||||
Wie Sie aus dem obigen Diagramm sehen können, kann Overfitting durch einen sehr niedrigen Trainingsfehler und einen hohen Validierungsfehler erkannt werden. Normalerweise sehen wir während des Trainings, dass sowohl der Trainings- als auch der Validierungsfehler abnehmen. An einem bestimmten Punkt könnte der Validierungsfehler jedoch aufhören zu sinken und anfangen zu steigen. Dies ist ein Zeichen für Overfitting und ein Hinweis darauf, dass wir das Training an diesem Punkt wahrscheinlich stoppen sollten (oder zumindest einen Schnappschuss des Modells machen sollten).
|
||||
|
||||
|
||||
|
||||
|
||||
## Wie verhindert man Overfitting?
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Einführung in Neuronale Netzwerke
|
||||
|
||||
|
||||
|
||||
|
||||
Wie wir in der Einführung besprochen haben, besteht eine Möglichkeit, Intelligenz zu erreichen, darin, ein **Computermodell** oder ein **künstliches Gehirn** zu trainieren. Seit Mitte des 20. Jahrhunderts haben Forscher verschiedene mathematische Modelle ausprobiert, bis sich in den letzten Jahren dieser Ansatz als äußerst erfolgreich erwiesen hat. Solche mathematischen Modelle des Gehirns werden als **neuronale Netzwerke** bezeichnet.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ In diesem Lehrplan konzentrieren wir uns ausschließlich auf Modelle neuronaler
|
|||
|
||||
Aus der Biologie wissen wir, dass unser Gehirn aus Nervenzellen (Neuronen) besteht, von denen jede mehrere "Eingänge" (Dendriten) und einen einzigen "Ausgang" (Axon) hat. Sowohl Dendriten als auch Axone können elektrische Signale leiten, und die Verbindungen zwischen ihnen — bekannt als Synapsen — können unterschiedliche Grade der Leitfähigkeit aufweisen, die durch Neurotransmitter reguliert werden.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Echtes Neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) von Wikipedia)* | Künstliches Neuron *(Bild vom Autor)*
|
||||
|
||||
Das einfachste mathematische Modell eines Neurons enthält daher mehrere Eingänge X<sub>1</sub>, ..., X<sub>N</sub> und einen Ausgang Y sowie eine Reihe von Gewichten W<sub>1</sub>, ..., W<sub>N</sub>. Der Ausgang wird berechnet als:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.de.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.de.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
wobei **f** eine nichtlineare **Aktivierungsfunktion** ist.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ In unserem [OpenCV Notebook](OpenCV.ipynb) geben wir einige Beispiele, wann Comp
|
|||
|
||||
* **Vorverarbeitung eines Fotos eines Braille-Buchs**. Wir konzentrieren uns darauf, wie wir Thresholding, Merkmalserkennung, perspektivische Transformation und NumPy-Manipulationen verwenden können, um einzelne Braille-Symbole für die weitere Klassifikation durch ein neuronales Netzwerk zu trennen.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Bild aus [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Bewegungserkennung in Videos durch Frame-Differenz**. Wenn die Kamera fixiert ist, sollten die Frames des Kamerafeeds ziemlich ähnlich zueinander sein. Da Frames als Arrays dargestellt werden, erhalten wir durch das Subtrahieren dieser Arrays für zwei aufeinanderfolgende Frames die Pixelunterschiede, die bei statischen Frames gering sein sollten und bei erheblicher Bewegung im Bild höher werden.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ In unserem [OpenCV Notebook](OpenCV.ipynb) geben wir einige Beispiele, wann Comp
|
|||
- **Dichter Optischer Fluss** berechnet das Vektorfeld, das zeigt, wohin sich jeder Pixel bewegt.
|
||||
- **Spärlicher Optischer Fluss** basiert darauf, einige markante Merkmale im Bild (z. B. Kanten) zu nehmen und deren Trajektorie von Frame zu Frame zu erstellen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 ist ein Netzwerk, das 2014 eine Genauigkeit von 92,7 % bei der ImageNet-Top-5-Klassifikation erreichte. Es hat die folgende Schichtstruktur:
|
||||
|
||||
|
||||
|
||||
|
||||
Wie man sehen kann, folgt VGG einer traditionellen Pyramidenarchitektur, die aus einer Abfolge von Convolution-Pooling-Schichten besteht.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ Im echten Leben möchten wir Objekte auf einem Bild unabhängig von ihrer genaue
|
|||
|
||||
Um Muster zu extrahieren, verwenden wir den Begriff der **Faltung (Convolutional Filters)**. Wie du weißt, wird ein Bild durch eine 2D-Matrix oder einen 3D-Tensor mit Farbtiefe dargestellt. Das Anwenden eines Filters bedeutet, dass wir eine relativ kleine **Filterkern**-Matrix nehmen und für jedes Pixel im Originalbild den gewichteten Durchschnitt mit benachbarten Punkten berechnen. Man kann sich das wie ein kleines Fenster vorstellen, das über das gesamte Bild gleitet und alle Pixel gemäß den Gewichten in der Filterkern-Matrix mittelt.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Bild von Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Die Funktionsweise von CNNs basiert auf den folgenden wichtigen Konzepten:
|
|||
* Wir können das Netzwerk so gestalten, dass die Filter automatisch trainiert werden.
|
||||
* Wir können denselben Ansatz verwenden, um Muster in hochrangigen Merkmalen zu finden, nicht nur im Originalbild. Die Merkmalsextraktion in CNNs arbeitet also mit einer Hierarchie von Merkmalen, beginnend mit einfachen Pixelkombinationen bis hin zu komplexeren Kombinationen von Bildteilen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [einem Paper von Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), basierend auf [ihrer Forschung](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Die meisten CNNs, die für die Bildverarbeitung verwendet werden, folgen einer s
|
|||
|
||||
Als Beispiel betrachten wir die Architektur von VGG-16, einem Netzwerk, das 2014 eine Genauigkeit von 92,7 % in der Top-5-Klassifikation von ImageNet erreichte:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Sie müssen ein konvolutionales neuronales Netzwerk trainieren, um verschiedene
|
|||
|
||||
Wir verwenden den [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), der Bilder von 37 verschiedenen Hunde- und Katzenrassen enthält.
|
||||
|
||||
|
||||
|
||||
|
||||
Um den Datensatz herunterzuladen, verwenden Sie diesen Code-Schnipsel:
|
||||
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Sowohl Keras als auch PyTorch enthalten Funktionen, um vortrainierte neuronale N
|
|||
|
||||
Hier sind Beispielmerkmale, die von einem Bild einer Katze durch das VGG-16-Netzwerk extrahiert wurden:
|
||||
|
||||
|
||||
|
||||
|
||||
## Cats vs. Dogs Datensatz
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Ein vortrainiertes neuronales Netzwerk enthält verschiedene Muster in seinem *G
|
|||
|
||||
Ein Ansatz, den wir verfolgen können, besteht darin, mit einem zufälligen Bild zu beginnen und dann die Technik der **Gradientenabstiegsoptimierung** zu verwenden, um dieses Bild so anzupassen, dass das Netzwerk denkt, es sei eine Katze.
|
||||
|
||||
|
||||
|
||||
|
||||
Wenn wir dies jedoch tun, erhalten wir etwas, das einem zufälligen Rauschen sehr ähnlich ist. Dies liegt daran, dass *es viele Möglichkeiten gibt, das Netzwerk glauben zu lassen, dass das Eingabebild eine Katze ist*, einschließlich solcher, die visuell keinen Sinn ergeben. Während diese Bilder viele für eine Katze typische Muster enthalten, gibt es nichts, das sie visuell unterscheidbar macht.
|
||||
|
||||
Um das Ergebnis zu verbessern, können wir einen weiteren Term in die Verlustfunktion einfügen, der als **Variationsverlust** bezeichnet wird. Dies ist eine Metrik, die zeigt, wie ähnlich benachbarte Pixel des Bildes sind. Die Minimierung des Variationsverlusts macht das Bild glatter und beseitigt Rauschen – wodurch visuell ansprechendere Muster sichtbar werden. Hier ist ein Beispiel für solche "idealen" Bilder, die mit hoher Wahrscheinlichkeit als Katze bzw. Zebra klassifiziert werden:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ideale Katze* | *Ideales Zebra*
|
||||
|
||||
Ein ähnlicher Ansatz kann verwendet werden, um sogenannte **adversariale Angriffe** auf ein neuronales Netzwerk durchzuführen. Angenommen, wir möchten ein neuronales Netzwerk täuschen und einen Hund wie eine Katze aussehen lassen. Wenn wir das Bild eines Hundes nehmen, das vom Netzwerk als Hund erkannt wird, können wir es mit Hilfe der Gradientenabstiegsoptimierung so lange leicht anpassen, bis das Netzwerk es als Katze klassifiziert:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Originalbild eines Hundes* | *Bild eines Hundes, der als Katze klassifiziert wird*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Es kann jedoch sinnvoll sein, rohe (nicht gelabelte) Daten für das Training von
|
|||
|
||||
Da wir einen Autoencoder trainieren, um so viele Informationen wie möglich aus dem ursprünglichen Bild zu erfassen, um eine genaue Rekonstruktion zu ermöglichen, versucht das Netzwerk, die beste **Einbettung** der Eingabebilder zu finden, um deren Bedeutung zu erfassen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von [Keras Blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Die Bildklassifizierungsmodelle, die wir bisher behandelt haben, nahmen ein Bild
|
|||
|
||||
## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild von der [YOLO v2 Webseite](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Angenommen, wir wollten eine Katze auf einem Bild finden, dann wäre ein sehr na
|
|||
2. Führe eine Bildklassifikation auf jeder Kachel durch.
|
||||
3. Die Kacheln, die eine ausreichend hohe Aktivierung zeigen, können als die Kacheln betrachtet werden, die das gesuchte Objekt enthalten.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild aus dem [Übungsnotebook](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Für diese Aufgabe könnten Sie auf die folgenden Datensätze stoßen:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) – 20 Klassen
|
||||
* [COCO](http://cocodataset.org/#home) – Common Objects in Context. 80 Klassen, Begrenzungsboxen und Segmentierungsmasken
|
||||
|
||||
|
||||
|
||||
|
||||
## Metriken für Objekterkennung
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Für diese Aufgabe könnten Sie auf die folgenden Datensätze stoßen:
|
|||
|
||||
Während es bei der Bildklassifikation einfach ist, die Leistung des Algorithmus zu messen, müssen wir bei der Objekterkennung sowohl die Richtigkeit der Klasse als auch die Genauigkeit der vorhergesagten Position der Begrenzungsbox messen. Für Letzteres verwenden wir die sogenannte **Intersection over Union** (IoU), die misst, wie gut sich zwei Boxen (oder zwei beliebige Bereiche) überlappen.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Abbildung 2 aus [diesem ausgezeichneten Blogbeitrag über IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Es gibt zwei Hauptklassen von Objekterkennungsalgorithmen:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) verwendet [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf), um eine hierarchische Struktur von ROI-Regionen zu generieren, die dann durch CNN-Feature-Extraktoren und SVM-Klassifikatoren geleitet werden, um die Objektklasse zu bestimmen, sowie durch lineare Regression, um die *Koordinaten der Begrenzungsbox* zu bestimmen. [Offizielles Paper](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild von van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bilder aus [diesem Blog](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Es gibt zwei Hauptklassen von Objekterkennungsalgorithmen:
|
|||
|
||||
Dieser Ansatz ähnelt R-CNN, aber die Regionen werden definiert, nachdem die Convolution-Schichten angewendet wurden.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [dem offiziellen Paper](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Dieser Ansatz ähnelt R-CNN, aber die Regionen werden definiert, nachdem die Con
|
|||
|
||||
Die Hauptidee dieses Ansatzes ist die Verwendung eines neuronalen Netzwerks zur Vorhersage von ROIs – des sogenannten *Region Proposal Network*. [Paper](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [dem offiziellen Paper](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Dieser Algorithmus ist sogar schneller als Faster R-CNN. Die Hauptidee ist folge
|
|||
2. Die Features werden durch **Position-Sensitive Score Map** verarbeitet. Jedes Objekt aus $C$ Klassen wird in $k\times k$ Regionen unterteilt, und wir trainieren, um Teile von Objekten vorherzusagen.
|
||||
3. Für jeden Teil aus den $k\times k$ Regionen stimmen alle Netzwerke für Objektklassen ab, und die Objektklasse mit der maximalen Stimmenanzahl wird ausgewählt.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [dem offiziellen Paper](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO ist ein Echtzeit-One-Pass-Algorithmus. Die Hauptidee ist folgende:
|
|||
* Das Bild wird in $S\times S$ Regionen unterteilt.
|
||||
* Für jede Region sagt **CNN** $n$ mögliche Objekte, *Koordinaten der Begrenzungsbox* und *Confidence*=*Wahrscheinlichkeit* * IoU voraus.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [dem offiziellen Paper](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Die Einbettungsschicht würde also ein Wort als Eingabe nehmen und einen Ausgabe
|
|||
|
||||
Durch die Verwendung einer Einbettungsschicht als erste Schicht in unserem Klassifikator-Netzwerk können wir von einem Bag-of-Words-Modell zu einem **Embedding-Bag-Modell** wechseln, bei dem wir zunächst jedes Wort in unserem Text in die entsprechende Einbettung umwandeln und dann eine Aggregatfunktion über alle diese Einbettungen berechnen, wie z. B. `sum`, `average` oder `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild vom Autor
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Um dies zu erreichen, müssen wir unser Einbettungsmodell auf einer großen Text
|
|||
|
||||
CBoW ist schneller, während Skip-Gram langsamer ist, aber eine bessere Darstellung von seltenen Wörtern liefert.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [diesem Paper](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ In unseren vorherigen Beispielen haben wir vortrainierte semantische Einbettunge
|
|||
* **Continuous Bag-of-Words** (CBoW), bei der wir das mittlere Token $W_0$ in einer Token-Sequenz $W_{-N}$, ..., $W_N$ vorhersagen.
|
||||
* **Skip-Gramm**, bei dem wir eine Menge benachbarter Tokens {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} aus dem mittleren Token $W_0$ vorhersagen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus [dieser Arbeit](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ In den vorherigen Abschnitten haben wir reichhaltige semantische Repräsentation
|
|||
|
||||
Um die Bedeutung einer Textsequenz zu erfassen, müssen wir eine andere Architektur für neuronale Netze verwenden, die als **rekurrentes neuronales Netz** oder RNN bezeichnet wird. Im RNN geben wir unseren Satz ein Symbol nach dem anderen durch das Netzwerk, und das Netzwerk erzeugt einen **Zustand**, den wir dann mit dem nächsten Symbol erneut in das Netzwerk einspeisen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild vom Autor
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Wir haben rekurrente Netzwerke besprochen, die in eine Richtung arbeiten, vom An
|
|||
|
||||
Ein rekurrentes Netzwerk, sei es eindirektional oder bidirektional, erfasst bestimmte Muster innerhalb einer Sequenz und kann sie in einem Zustandsvektor speichern oder in die Ausgabe weitergeben. Wie bei konvolutionalen Netzwerken können wir eine weitere rekurrente Schicht auf die erste aufbauen, um höherstufige Muster zu erfassen und aus den niedrigstufigen Mustern zu bauen, die von der ersten Schicht extrahiert wurden. Dies führt uns zum Konzept eines **mehrschichtigen RNN**, das aus zwei oder mehr rekurrenten Netzwerken besteht, wobei die Ausgabe der vorherigen Schicht als Eingabe an die nächste Schicht weitergegeben wird.
|
||||
|
||||
|
||||
|
||||
|
||||
*Bild aus [diesem wunderbaren Beitrag](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) von Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ In der RNN-Architektur, die wir in der vorherigen Einheit besprochen haben, erze
|
|||
|
||||
Dies ermöglicht verschiedene neuronale Architekturen, die im folgenden Bild dargestellt sind:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus dem Blogpost [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) von [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ In dieser Einheit konzentrieren wir uns auf einfache generative Modelle, die uns
|
|||
|
||||
Wir werden dieses RNN trainieren, um Text Schritt für Schritt zu generieren. Bei jedem Schritt nehmen wir eine Zeichenfolge der Länge `nchars` und bitten das Netzwerk, das nächste Ausgabesymbol für jedes Eingabesymbol zu generieren:
|
||||
|
||||
|
||||
|
||||
|
||||
Bei der Textgenerierung (während der Inferenz) beginnen wir mit einem **Prompt**, der durch die RNN-Zellen geleitet wird, um seinen Zwischenzustand zu erzeugen, und dann beginnt die Generierung aus diesem Zustand. Wir generieren ein Zeichen nach dem anderen und übergeben den Zustand und das generierte Zeichen an eine andere RNN-Zelle, um das nächste zu generieren, bis wir genügend Zeichen erzeugt haben.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Mit RNNs wird Sequence-to-Sequence durch zwei rekurrente Netzwerke implementiert
|
|||
|
||||
**Aufmerksamkeitsmechanismen** bieten eine Möglichkeit, den kontextuellen Einfluss jedes Eingabevektors auf jede Ausgabewahrscheinlichkeit des RNN zu gewichten. Dies wird durch die Erstellung von Abkürzungen zwischen den Zwischenzuständen des Eingabe-RNN und des Ausgabe-RNN umgesetzt. Auf diese Weise berücksichtigen wir beim Generieren des Ausgabesymbols y<sub>t</sub> alle versteckten Eingabezustände h<sub>i</sub>, mit unterschiedlichen Gewichtungskoeffizienten α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Das Encoder-Decoder-Modell mit additivem Aufmerksamkeitsmechanismus aus [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), zitiert aus [diesem Blogbeitrag](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Die Aufmerksamkeitsmatrix {α<sub>i,j</sub>} repräsentiert den Grad, in dem bestimmte Eingabewörter bei der Generierung eines bestimmten Wortes in der Ausgabesequenz eine Rolle spielen. Unten ist ein Beispiel für eine solche Matrix:
|
||||
|
||||
|
||||
|
||||
|
||||
> Abbildung aus [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Das Ergebnis, das wir mit Positionskodierung erhalten, bettet sowohl das ursprü
|
|||
|
||||
Als Nächstes müssen wir einige Muster innerhalb unserer Sequenz erfassen. Um dies zu tun, verwenden Transformer einen **Self-Attention**-Mechanismus, der im Wesentlichen Aufmerksamkeit ist, die auf dieselbe Sequenz als Eingabe und Ausgabe angewendet wird. Die Anwendung von Self-Attention ermöglicht es uns, den **Kontext** innerhalb des Satzes zu berücksichtigen und zu sehen, welche Wörter miteinander in Beziehung stehen. Zum Beispiel ermöglicht es uns zu sehen, auf welche Wörter durch Koreferenzen wie *es* verwiesen wird, und auch den Kontext zu berücksichtigen:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus dem [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Da jede Eingabeposition unabhängig von jeder Ausgabeposition abgebildet wird, k
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) ist ein sehr großes mehrschichtiges Transformer-Netzwerk mit 12 Schichten für *BERT-base* und 24 für *BERT-large*. Das Modell wird zunächst auf einem großen Textkorpus (Wikipedia + Bücher) mit unüberwachtem Training (Vorhersage maskierter Wörter in einem Satz) vortrainiert. Während des Vortrainings nimmt das Modell ein erhebliches Maß an Sprachverständnis auf, das dann mit anderen Datensätzen durch Feintuning genutzt werden kann. Dieser Prozess wird als **Transfer Learning** bezeichnet.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild [Quelle](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@ Bei RNNs wird Sequenz-zu-Sequenz durch zwei rekursive Netzwerke implementiert, w
|
|||
|
||||
**Aufmerksamkeitsmechanismen** bieten ein Mittel, um den kontextuellen Einfluss jedes Eingangsvektors auf jede Vorhersageausgabe des RNN zu gewichten. Die Implementierung erfolgt durch die Schaffung von Abkürzungen zwischen den Zwischenzuständen des Eingangs-RNN und dem Ausgangs-RNN. Auf diese Weise berücksichtigen wir beim Generieren des Ausgabesymbols y<sub>t</sub> alle Eingangsversteckzustände h<sub>i</sub> mit unterschiedlichen Gewichtungskoeffizienten α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Das Encoder-Decoder-Modell mit dem additiven Aufmerksamkeitsmechanismus in [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), zitiert aus [diesem Blogbeitrag](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Die Aufmerksamkeitsmatrix {α<sub>i,j</sub>} würde den Grad darstellen, in dem bestimmte Eingabewörter an der Generierung eines bestimmten Wortes in der Ausgabesequenz beteiligt sind. Im Folgenden finden Sie ein Beispiel für eine solche Matrix:
|
||||
|
||||
|
||||
|
||||
|
||||
> Abbildung aus [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@ Das Ergebnis, das wir mit der Positions-Einbettung erhalten, bettet sowohl das u
|
|||
|
||||
Als Nächstes müssen wir einige Muster innerhalb unserer Sequenz erfassen. Dazu verwenden Transformer einen **Selbstaufmerksamkeits**mechanismus, der im Wesentlichen Aufmerksamkeit auf die gleiche Sequenz anwendet, die als Eingabe und Ausgabe dient. Die Anwendung von Selbstaufmerksamkeit ermöglicht es uns, den **Kontext** innerhalb des Satzes zu berücksichtigen und zu sehen, welche Wörter miteinander in Beziehung stehen. Zum Beispiel ermöglicht es uns zu sehen, welche Wörter durch Kofe referenziert werden, wie *es*, und auch den Kontext zu berücksichtigen:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild aus dem [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -82,7 +82,7 @@ Da jede Eingabeposition unabhängig auf jede Ausgabeposition abgebildet wird, k
|
|||
|
||||
**BERT** (Bidirektionale Encoder-Darstellungen von Transformern) ist ein sehr großes, mehrschichtiges Transformernetzwerk mit 12 Schichten für *BERT-base* und 24 für *BERT-large*. Das Modell wird zunächst auf einem großen Korpus von Textdaten (Wikipedia + Bücher) mit unüberwachtem Training (Vorhersage maskierter Wörter in einem Satz) vortrainiert. Während des Vortrainings absorbiert das Modell erhebliche Niveaus des Sprachverständnisses, die dann mit anderen Datensätzen durch Feinabstimmung genutzt werden können. Dieser Prozess wird als **Transferlernen** bezeichnet.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild [Quelle](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -57,7 +57,7 @@ Säugling | O
|
|||
|
||||
Da wir eine Eins-zu-Eins-Korrespondenz zwischen Tokens und Klassen herstellen müssen, können wir ein rechtsbasiertes **Many-to-Many**-Neuralnetzwerkmodell aus diesem Bild trainieren:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild aus [diesem Blogbeitrag](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) von [Andrej Karpathy](http://karpathy.github.io/). NER-Token-Klassifikationsmodelle entsprechen der rechtsbasierten Netzwerkarchitektur auf diesem Bild.*
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Sie können eines der Modelle öffnen, beispielsweise **Biologie → Fl
|
|||
|
||||
Nach dem Öffnen des Modells gelangen Sie zum Hauptbildschirm von NetLogo. Hier ist ein Beispielmodell, das die Population von Wölfen und Schafen beschreibt, basierend auf begrenzten Ressourcen (Gras).
|
||||
|
||||
|
||||
|
||||
|
||||
> Screenshot von Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T00:10:12+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T11:43:15+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
|
|
@ -10,37 +10,37 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Τεχνητή Νοημοσύνη για Αρχάριους - Ένα Πρόγραμμα Σπουδών
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Σχεδιαστική Σημείωση από [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _Σχεδιαστικό σημείωμα από [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Εξερευνήστε τον κόσμο της **Τεχνητής Νοημοσύνης** (AI) με το 12-εβδομάδων, 24-μαθημάτων πρόγραμμα σπουδών μας! Περιλαμβάνει πρακτικά μαθήματα, κουίζ και εργαστήρια. Το πρόγραμμα είναι φιλικό για αρχάριους και καλύπτει εργαλεία όπως TensorFlow και PyTorch, καθώς και θέματα δεοντολογίας στην AI
|
||||
Εξερευνήστε τον κόσμο της **Τεχνητής Νοημοσύνης** (AI) με το 12-εβδομαδιαίο πρόγραμμα σπουδών μας, 24 μαθημάτων! Περιλαμβάνει πρακτικά μαθήματα, κουίζ και εργαστήρια. Το πρόγραμμα είναι φιλικό προς αρχάριους και καλύπτει εργαλεία όπως TensorFlow και PyTorch, καθώς και θεματικές δεοντολογίας στην AI
|
||||
|
||||
### 🌐 Υποστήριξη Πολλών Γλωσσών
|
||||
|
||||
#### Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Αραβικά](../ar/README.md) | [Βεγγαλικά](../bn/README.md) | [Βουλγαρικά](../bg/README.md) | [Βιρμανικά (Μιανμάρ)](../my/README.md) | [Κινεζικά (Απλοποιημένα)](../zh/README.md) | [Κινεζικά (Παραδοσιακά, Χονγκ Κονγκ)](../hk/README.md) | [Κινεζικά (Παραδοσιακά, Μακάου)](../mo/README.md) | [Κινεζικά (Παραδοσιακά, Ταϊβάν)](../tw/README.md) | [Κροατικά](../hr/README.md) | [Τσέχικα](../cs/README.md) | [Δανικά](../da/README.md) | [Ολλανδικά](../nl/README.md) | [Εσθονικά](../et/README.md) | [Φινλανδικά](../fi/README.md) | [Γαλλικά](../fr/README.md) | [Γερμανικά](../de/README.md) | [Ελληνικά](./README.md) | [Εβραϊκά](../he/README.md) | [Χίντι](../hi/README.md) | [Ουγγρικά](../hu/README.md) | [Ινδονησιακά](../id/README.md) | [Ιταλικά](../it/README.md) | [Ιαπωνικά](../ja/README.md) | [Κανάντα](../kn/README.md) | [Κορεατικά](../ko/README.md) | [Λιθουανικά](../lt/README.md) | [Μαλαικά](../ms/README.md) | [Μαλαγιαλαμικά](../ml/README.md) | [Μαραθικά](../mr/README.md) | [Νεπάλι](../ne/README.md) | [Νιγηριανό Πίτζιν](../pcm/README.md) | [Νορβηγικά](../no/README.md) | [Περσικά (Φαρσί)](../fa/README.md) | [Πολωνικά](../pl/README.md) | [Πορτογαλικά (Βραζιλίας)](../br/README.md) | [Πορτογαλικά (Πορτογαλίας)](../pt/README.md) | [Πουντζάμπι (Γκουρμούκι)](../pa/README.md) | [Ρουμανικά](../ro/README.md) | [Ρωσικά](../ru/README.md) | [Σερβικά (Κυριλλικά)](../sr/README.md) | [Σλοβακικά](../sk/README.md) | [Σλοβενικά](../sl/README.md) | [Ισπανικά](../es/README.md) | [Σουαχίλι](../sw/README.md) | [Σουηδικά](../sv/README.md) | [Ταγκάλογκ (Φιλιππινέζικα)](../tl/README.md) | [Ταμίλ](../ta/README.md) | [Τελουγκου](../te/README.md) | [Ταϊλανδέζικα](../th/README.md) | [Τουρκικά](../tr/README.md) | [Ουκρανικά](../uk/README.md) | [Ουρντού](../ur/README.md) | [Βιετναμέζικα](../vi/README.md)
|
||||
[Αραβικά](../ar/README.md) | [Μπενγκάλι](../bn/README.md) | [Βουλγαρικά](../bg/README.md) | [Βιρμανικά (Myanmar)](../my/README.md) | [Κινέζικα (Απλοποιημένα)](../zh/README.md) | [Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ)](../hk/README.md) | [Κινέζικα (Παραδοσιακά, Μακάο)](../mo/README.md) | [Κινέζικα (Παραδοσιακά, Ταϊβάν)](../tw/README.md) | [Κροατικά](../hr/README.md) | [Τσέχικα](../cs/README.md) | [Δανικά](../da/README.md) | [Ολλανδικά](../nl/README.md) | [Εσθονικά](../et/README.md) | [Φινλανδικά](../fi/README.md) | [Γαλλικά](../fr/README.md) | [Γερμανικά](../de/README.md) | [Ελληνικά](./README.md) | [Εβραϊκά](../he/README.md) | [Χίντι](../hi/README.md) | [Ουγγρικά](../hu/README.md) | [Ινδονησιακά](../id/README.md) | [Ιταλικά](../it/README.md) | [Ιαπωνικά](../ja/README.md) | [Κανάντα](../kn/README.md) | [Κορεατικά](../ko/README.md) | [Λιθουανικά](../lt/README.md) | [Μαλαιικά](../ms/README.md) | [Μαλυαλάμ](../ml/README.md) | [Μαραθί](../mr/README.md) | [Νεπάλι](../ne/README.md) | [Νιγηριανό Pidgin](../pcm/README.md) | [Νορβηγικά](../no/README.md) | [Περσικά (Φαρσί)](../fa/README.md) | [Πολωνικά](../pl/README.md) | [Πορτογαλικά (Βραζιλίας)](../br/README.md) | [Πορτογαλικά (Πορτογαλίας)](../pt/README.md) | [Πουντζάμπι (Gurmukhi)](../pa/README.md) | [Ρουμανικά](../ro/README.md) | [Ρωσικά](../ru/README.md) | [Σερβικά (Κυριλλικά)](../sr/README.md) | [Σλοβακικά](../sk/README.md) | [Σλοβενικά](../sl/README.md) | [Ισπανικά](../es/README.md) | [Σουαχίλι](../sw/README.md) | [Σουηδικά](../sv/README.md) | [Ταγκαλόγκ (Φιλιππινέζικα)](../tl/README.md) | [Τάμιλ](../ta/README.md) | [Τελούγκου](../te/README.md) | [Ταϊλανδέζικα](../th/README.md) | [Τουρκικά](../tr/README.md) | [Ουκρανικά](../uk/README.md) | [Ουρντού](../ur/README.md) | [Βιετναμέζικα](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Εάν επιθυμείτε να υποστηριχθούν επιπλέον γλώσσες μεταφράσεων, είναι καταγεγραμμένες [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Εάν επιθυμείτε να προστεθούν επιπλέον γλώσσες, οι γλώσσες που υποστηρίζονται είναι καταγεγραμμένες [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Γίνετε μέλος της Κοινότητας
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
## Ελάτε στην Κοινότητα
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Τι θα μάθετε
|
||||
|
||||
|
|
@ -48,89 +48,89 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Σε αυτό το πρόγραμμα σπουδών, θα μάθετε:
|
||||
|
||||
* Διάφορες προσεγγίσεις στην Τεχνητή Νοημοσύνη, συμπεριλαμβανομένης της "παραδοσιακής" συμβολικής προσέγγισης με **Αναπαράσταση Γνώσης** και λογική ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Νευρωνικά Δίκτυα** και **Βαθιά Μάθηση**, που βρίσκονται στον πυρήνα της σύγχρονης AI. Θα εικονογραφήσουμε τις έννοιες πίσω από αυτά τα σημαντικά θέματα χρησιμοποιώντας κώδικα σε δύο από τα πιο δημοφιλή πλαίσια - [TensorFlow](http://Tensorflow.org) και [PyTorch](http://pytorch.org).
|
||||
* **Νευρωνικές Αρχιτεκτονικές** για εργασία με εικόνες και κείμενο. Θα καλύψουμε πρόσφατα μοντέλα αλλά ίσως να είμαστε λίγο πίσω σε ό,τι αφορά την αιχμή της τεχνολογίας.
|
||||
* Λιγότερο δημοφιλείς προσεγγίσεις στην AI, όπως **Γενετικοί Αλγόριθμοι** και **Συστήματα Πολλαπλών Πρακτόρων**.
|
||||
* Διαφορετικές προσεγγίσεις στην Τεχνητή Νοημοσύνη, συμπεριλαμβανομένης της "παλιάς καλής" συμβολικής προσέγγισης με **Αναπαράσταση Γνώσης** και συλλογιστική ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Νευρωνικά Δίκτυα** και **Βαθιά Μάθηση**, που είναι στον πυρήνα της σύγχρονης ΤΝ. Θα εικονογραφήσουμε τις έννοιες πίσω από αυτά τα σημαντικά θέματα χρησιμοποιώντας κώδικα σε δύο από τα πιο δημοφιλή πλαίσια - [TensorFlow](http://Tensorflow.org) και [PyTorch](http://pytorch.org).
|
||||
* **Νευρωνικές Αρχιτεκτονικές** για εργασία με εικόνες και κείμενο. Θα καλύψουμε πρόσφατα μοντέλα αλλά ίσως υστερούμε λίγο όσον αφορά την αιχμή της τεχνολογίας.
|
||||
* Λιγότερο δημοφιλείς προσεγγίσεις στην ΤΝ, όπως **Γενετικοί Αλγόριθμοι** και **Πολυ-παραγοντικά Συστήματα**.
|
||||
|
||||
Τι δεν θα καλύψουμε σε αυτό το πρόγραμμα σπουδών:
|
||||
|
||||
> [Βρείτε όλους τους πρόσθετους πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn μας](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Επιχειρηματικά παραδείγματα χρήσης της **AI στις Επιχειρήσεις**. Σκεφτείτε να παρακολουθήσετε το μαθησιακό μονοπάτι [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) στο Microsoft Learn, ή το [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), που αναπτύχθηκε σε συνεργασία με το [INSEAD](https://www.insead.edu/).
|
||||
* **Κλασική Μηχανική Μάθηση**, η οποία περιγράφεται καλά στο [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Πρακτικές εφαρμογές AI που έχουν δημιουργηθεί χρησιμοποιώντας **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Για αυτό, προτείνουμε να ξεκινήσετε με τα μαθήματα του Microsoft Learn για [όραση](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [επεξεργασία φυσικής γλώσσας](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Γεννητική AI με Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** και άλλα.
|
||||
* Ειδικά **Cloud Πλαίσια** για ML, όπως το [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), ή [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Σκεφτείτε να χρησιμοποιήσετε τα μαθησιακά μονοπάτια [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) και [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).
|
||||
* **Συνομιλιακή AI** και **Chat Bots**. Υπάρχει ένα ξεχωριστό μαθησιακό μονοπάτι [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), και μπορείτε επίσης να ανατρέξετε σε [αυτό το άρθρο ιστολογίου](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) για περισσότερες λεπτομέρειες.
|
||||
* **Βαθιά Μαθηματικά** πίσω από τη βαθιά μάθηση. Γι' αυτό, θα προτείναμε το [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) των Ian Goodfellow, Yoshua Bengio και Aaron Courville, που είναι επίσης διαθέσιμο online στο [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Επιχειρησιακά περιστατικά χρήσης της **ΤΝ στις Επιχειρήσεις**. Σκεφτείτε να παρακολουθήσετε το μάθημα [Εισαγωγή στην ΤΝ για επιχειρηματικούς χρήστες](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) στη Microsoft Learn, ή την [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), αναπτυγμένη σε συνεργασία με το [INSEAD](https://www.insead.edu/).
|
||||
* **Κλασική Μηχανική Μάθηση**, που περιγράφεται καλά στο [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Πρακτικές εφαρμογές ΤΝ που χτίζονται χρησιμοποιώντας **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Για αυτό, προτείνουμε να ξεκινήσετε με τα μαθήματα Microsoft Learn για [όραση](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [επεξεργασία φυσικής γλώσσας](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Γενετική ΤΝ με Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** και άλλα.
|
||||
* Συγκεκριμένα ML **Πλαίσια Νέφους**, όπως [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), ή [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Σκεφτείτε να χρησιμοποιήσετε τα εκπαιδευτικά μονοπάτια [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) και [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).
|
||||
* **Συνομιλητική ΤΝ** και **Chat Bots**. Υπάρχει ξεχωριστό μάθημα [Δημιουργία λύσεων συνομιλητικής ΤΝ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), και μπορείτε επίσης να ανατρέξετε σε [αυτό το blog post](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) για περισσότερες λεπτομέρειες.
|
||||
* **Βαθιά Μαθηματικά** πίσω από τη βαθιά μάθηση. Για αυτό, προτείνουμε το [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) των Ian Goodfellow, Yoshua Bengio και Aaron Courville, το οποίο είναι επίσης διαθέσιμο online στο [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Για μια απαλότερη εισαγωγή σε θέματα _AI στο Cloud_ μπορείτε να εξετάσετε το μαθησιακό μονοπάτι [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).
|
||||
Για μια ήπια εισαγωγή σε θέματα _ΤΝ στο Νέφος_ μπορείτε να σκεφτείτε να παρακολουθήσετε το μάθημα [Ξεκινήστε με την τεχνητή νοημοσύνη στο Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Περιεχόμενο
|
||||
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Σύνδεσμος Μαθήματος | PyTorch/Keras/TensorFlow | Εργαστήριο |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Ρύθμιση Μαθήματος](./lessons/0-course-setup/setup.md) | [Ρύθμιση του περιβάλλοντος ανάπτυξής σας](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Ρύθμιση μαθήματος](./lessons/0-course-setup/setup.md) | [Ρύθμιση του περιβάλλοντος ανάπτυξής σας](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Εισαγωγή στην Τεχνητή Νοημοσύνη**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Εισαγωγή και Ιστορία της Τεχνητής Νοημοσύνης](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Συμβολική Τεχνητή Νοημοσύνη** |
|
||||
| 02 | [Αναπαράσταση Γνώσης και Ειδικά Συστήματα](./lessons/2-Symbolic/README.md) | [Ειδικά Συστήματα](./lessons/2-Symbolic/Animals.ipynb) / [Οντολογία](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Διάγραμμα Εννοιών](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Αναπαράσταση Γνώσης και Συστήματα Εμπειρογνωμόνων](./lessons/2-Symbolic/README.md) | [Συστήματα Εμπειρογνωμόνων](./lessons/2-Symbolic/Animals.ipynb) / [Οντολογία](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Γράφος Εννοιών](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Εισαγωγή στα Νευρωνικά Δίκτυα**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Περσέπτρον](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Σημειωματάριο](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Πολυεπίπεδο Περσέπτρον και Δημιουργία του δικού μας πλαισίου](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Σημειωματάριο](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Εισαγωγή στα Frameworks (PyTorch/TensorFlow) και Υπερπροσαρμογή](./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) | [Εργαστήριο](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Όραση Υπολογιστή**](./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)| [Εξερευνήστε την Όραση Υπολογιστή στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Εισαγωγή στην Όραση Υπολογιστή. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Σημειωματάριο](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 04 | [Πολυστρωματικό Περσέπτρον και Δημιουργία του δικού μας Πλαισίου](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Σημειωματάριο](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Εισαγωγή σε Πλαίσια (PyTorch/TensorFlow) και Υπερπροσαρμογή](./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) | [Εργαστήριο](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Υπολογιστική Όραση**](./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)| [Εξερευνήστε την Υπολογιστική Όραση στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Εισαγωγή στην Υπολογιστική Όραση. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Σημειωματάριο](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Συνελικτικά Νευρωνικά Δίκτυα](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Αρχιτεκτονικές 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) | [Εργαστήριο](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Προεκπαιδευμένα Δίκτυα και Μεταφορά Μάθησης](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Τεχνικές Εκπαίδευσης](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Αυτοκωδικοποιητές και VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 09 | [Αυτοκωδικοποιητές και 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 | [Γενετικά Ανταγωνιστικά Δίκτυα & Μεταφορά Καλλιτεχνικού Στυλ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Εντοπισμός Αντικειμένων](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 11 | [Ανίχνευση Αντικειμένων](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Σημασιολογική Τμηματοποίηση. 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 | [**Επεξεργασία Φυσικής Γλώσσας**](./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) | [Εξερευνήστε την Επεξεργασία Φυσικής Γλώσσας στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Αναπαράσταση Κειμένου. 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 | [Σημασιολογικές Ενσωματώσεις Λέξεων. Word2Vec και 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) | |
|
||||
| 14 | [Σημασιολογικές ενσωματώσεις λέξεων. Word2Vec και 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 | [Μοντελοποίηση Γλώσσας. Εκπαίδευση των δικών σας ενσωματώσεων](./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) | [Εργαστήριο](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Επαναλαμβανόμενα Νευρωνικά Δίκτυα](./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 | [Γενετικά Επαναλαμβανόμενα Δίκτυα](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Εργαστήριο](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 16 | [Επαναληπτικά Νευρωνικά Δίκτυα](./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 | [Γενετικά Επαναληπτικά Δίκτυα](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Εργαστήριο](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Αναγνώριση Οντοτήτων](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Εργαστήριο](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Μεγάλα Γλωσσικά Μοντέλα, Προγραμματισμός Προτροπών και Εργασίες Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 20 | [Μεγάλα Μοντέλα Γλώσσας, Προγραμματισμός Προτροπών και Εργασίες με Λίγα Δείγματα](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Άλλες Τεχνικές Τεχνητής Νοημοσύνης** || |
|
||||
| 21 | [Γενετικοί Αλγόριθμοι](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Σημειωματάριο](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Βαθιά Ενισχυτική Μάθηση](./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) | [Εργαστήριο](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Συστήματα Πολλών Πρακτόρων](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 23 | [Συστήματα Πολλαπλών Πρακτόρων](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Ηθική της Τεχνητής Νοημοσύνης** | | |
|
||||
| 24 | [Ηθική της Τεχνητής Νοημοσύνης και Υπεύθυνη Τεχνητή Νοημοσύνη](./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 | [Ηθική της Τεχνητής Νοημοσύνης και Υπεύθυνη Τεχνητή Νοημοσύνη](./lessons/7-Ethics/README.md) | [Microsoft Learn: Αρχές Υπεύθυνης Τεχνητής Νοημοσύνης](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Επιπλέον** | | |
|
||||
| 25 | [Πολυτροπικά Δίκτυα, CLIP και VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Σημειωματάριο](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Κάθε μάθημα περιλαμβάνει
|
||||
|
||||
* Υλικό προανάγνωσης
|
||||
* Εκτελέσιμα Jupyter σημειωματάρια, που συχνά είναι συγκεκριμένα για το πλαίσιο (**PyTorch** ή **TensorFlow**). Το εκτελέσιμο σημειωματάριο περιλαμβάνει επίσης πολύ θεωρητικό υλικό, οπότε για να κατανοήσετε το θέμα πρέπει να μελετήσετε τουλάχιστον μία έκδοση του σημειωματάριου (είτε **PyTorch** είτε **TensorFlow**).
|
||||
* **Εργαστήρια** διαθέσιμα για ορισμένα θέματα, τα οποία σας δίνουν την ευκαιρία να δοκιμάσετε την εφαρμογή του υλικού που μάθατε σε ένα συγκεκριμένο πρόβλημα.
|
||||
* Ορισμένα τμήματα περιέχουν συνδέσμους προς [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ενότητες που καλύπτουν σχετικά θέματα.
|
||||
* Προαναγνωστικό υλικό
|
||||
* Εκτελέσιμα Jupyter σημειωματάρια, τα οποία συχνά είναι ειδικά για το πλαίσιο (**PyTorch** ή **TensorFlow**). Το εκτελέσιμο σημειωματάριο περιέχει επίσης πολύ θεωρητικό υλικό, οπότε για να κατανοήσετε το θέμα πρέπει να περάσετε τουλάχιστον από μία έκδοση του σημειωματάριου (είτε PyTorch είτε TensorFlow).
|
||||
* **Εργαστήρια** διαθέσιμα για μερικά θέματα, που σας δίνουν την ευκαιρία να δοκιμάσετε την εφαρμογή του υλικού που μάθατε σε ένα συγκεκριμένο πρόβλημα.
|
||||
* Ορισμένες ενότητες περιέχουν συνδέσμους προς [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ενότητες που καλύπτουν σχετικές θεματικές.
|
||||
|
||||
## Ξεκινώντας
|
||||
|
||||
### 🎯 Νέος/Νέα στην Τεχνητή Νοημοσύνη; Ξεκινήστε Εδώ!
|
||||
### 🎯 Μόλις ξεκινάτε με την Τεχνητή Νοημοσύνη; Ξεκινήστε εδώ!
|
||||
|
||||
Αν είστε εντελώς νέος/α στην Τεχνητή Νοημοσύνη και θέλετε γρήγορα, πρακτικά παραδείγματα, δείτε τα [**Παραδείγματα για Αρχάριους**](./examples/README.md)! Αυτά περιλαμβάνουν:
|
||||
Αν είστε εντελώς νέοι στην Τεχνητή Νοημοσύνη και θέλετε γρήγορα, πρακτικά παραδείγματα, ρίξτε μια ματιά στα [**Παραδείγματα για Αρχάριους**](./examples/README.md)! Αυτά περιλαμβάνουν:
|
||||
|
||||
- 🌟 **Hello AI World** - Το πρώτο σας πρόγραμμα Τεχνητής Νοημοσύνης (αναγνώριση προτύπων)
|
||||
- 🧠 **Απλό Νευρωνικό Δίκτυο** - Δημιουργήστε ένα νευρωνικό δίκτυο από την αρχή
|
||||
- 🖼️ **Ταξινομητής Εικόνων** - Ταξινομήστε εικόνες με λεπτομερείς σχολιασμούς
|
||||
- 🌟 **Hello AI World** - Το πρώτο σας πρόγραμμα τεχνητής νοημοσύνης (αναγνώριση προτύπων)
|
||||
- 🧠 **Απλό Νευρωνικό Δίκτυο** - Κατασκευάστε ένα νευρωνικό δίκτυο από την αρχή
|
||||
- 🖼️ **Ταξινομητής Εικόνων** - Ταξινομήστε εικόνες με λεπτομερή σχόλια
|
||||
- 💬 **Συναισθηματική Ανάλυση Κειμένου** - Ανάλυση θετικού/αρνητικού κειμένου
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
Αυτά τα παραδείγματα έχουν σχεδιαστεί για να σας βοηθήσουν να κατανοήσετε τις έννοιες της AI πριν βυθιστείτε στο πλήρες πρόγραμμα σπουδών.
|
||||
|
||||
### 📚 Ρύθμιση Πλήρους Προγράμματος Σπουδών
|
||||
### 📚 Πλήρης Ρύθμιση Προγράμματος Σπουδών
|
||||
|
||||
- Έχουμε δημιουργήσει ένα [μάθημα ρύθμισης](./lessons/0-course-setup/setup.md) για να σας βοηθήσουμε να ρυθμίσετε το περιβάλλον ανάπτυξής σας. - Για εκπαιδευτικούς, έχουμε δημιουργήσει επίσης ένα [μάθημα ρύθμισης προγράμματος σπουδών](./lessons/0-course-setup/for-teachers.md) για εσάς!
|
||||
- Πώς να [εκτελέσετε τον κώδικα σε ένα VSCode ή ένα Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Έχουμε δημιουργήσει ένα [μάθημα ρύθμισης](./lessons/0-course-setup/setup.md) για να σας βοηθήσει με τη ρύθμιση του περιβάλλοντος ανάπτυξης. - Για Εκπαιδευτές, έχουμε δημιουργήσει επίσης ένα [μάθημα ρύθμισης προγράμματος σπουδών](./lessons/0-course-setup/for-teachers.md) για εσάς!
|
||||
- Πώς να [εκτελέσετε τον κώδικα σε VSCode ή Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
Ακολουθήστε αυτά τα βήματα:
|
||||
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
|
|
@ -146,23 +146,23 @@ If you have product feedback or questions whilst building visit our [Azure AI Fo
|
|||
|
||||
## Κουίζ
|
||||
|
||||
> **Σημείωση σχετικά με τα κουίζ**: Όλα τα κουίζ περιλαμβάνονται στο φάκελο Quiz-app στο etc\quiz-app, ή [διαθέσιμα online εδώ](https://ff-quizzes.netlify.app/) Συνδέονται από τα μαθήματα· η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Σταδιακά τοπικοποιούνται.
|
||||
> **Μια σημείωση σχετικά με τα κουίζ**: Όλα τα κουίζ βρίσκονται στον φάκελο Quiz-app στο etc\quiz-app, ή [Online Εδώ](https://ff-quizzes.netlify.app/) Συνδέονται μέσα στα μαθήματα· η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Βρίσκονται σταδιακά σε διαδικασία τοπικοποίησης.
|
||||
|
||||
## Ζητείται Βοήθεια
|
||||
## Χρειάζεται Βοήθεια
|
||||
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
Έχετε προτάσεις ή βρήκατε ορθογραφικά λάθη ή σφάλματα κώδικα; Ανοίξτε ένα θέμα ή δημιουργήστε ένα pull request.
|
||||
|
||||
## Ειδικές Ευχαριστίες
|
||||
|
||||
* **✍️ Κύριος Συγγραφέας:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Επιμελητής:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Εικονογράφος Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **🎨 Εικονογράφος σκίτσων:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Δημιουργός Κουίζ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Βασικοί Συνεισφέροντες:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Άλλα Προγράμματα Σπουδών
|
||||
|
||||
Our team produces other curricula! Check out:
|
||||
Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -187,9 +187,9 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Βασική Εκπαίδευση
|
||||
### Core Learning
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -198,17 +198,17 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Σειρά Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
### Copilot Series
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Λήψη Βοήθειας
|
||||
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
|
|
@ -217,6 +217,6 @@ If you have product feedback or errors while building visit:
|
|||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Αποποίηση ευθυνών:
|
||||
Το παρόν έγγραφο έχει μεταφραστεί με χρήση της υπηρεσίας αυτόματης μετάφρασης AI Co-op Translator (https://github.com/Azure/co-op-translator). Παρά τις προσπάθειές μας για ακρίβεια, λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στην αρχική του γλώσσα πρέπει να θεωρείται η αυθεντική/επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
Αποποίηση ευθύνης:
|
||||
Το παρόν έγγραφο έχει μεταφραστεί με χρήση της υπηρεσίας αυτόματης μετάφρασης τεχνητής νοημοσύνης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρά τις προσπάθειές μας για ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στην αρχική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες συνιστάται επαγγελματική μετάφραση από ανθρώπινο μεταφραστή. Δεν φέρουμε ευθύνη για οποιεσδήποτε παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Εισαγωγή στην Τεχνητή Νοημοσύνη
|
||||
|
||||
|
||||
|
||||
|
||||
> Σκίτσο από την [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Αρχικά, οι υπολογιστές εφευρέθηκαν από τον [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) για να λειτουργούν με αριθμούς ακολουθώντας μια καλά καθορισμένη διαδικασία - έναν αλγόριθμο. Οι σύγχρονοι υπολογιστές, αν και σημαντικά πιο προηγμένοι από το αρχικό μοντέλο που προτάθηκε τον 19ο αιώνα, εξακολουθούν να ακολουθούν την ίδια ιδέα των ελεγχόμενων υπολογισμών. Έτσι, είναι δυνατόν να προγραμματίσουμε έναν υπολογιστή να κάνει κάτι, αν γνωρίζουμε την ακριβή ακολουθία βημάτων που πρέπει να ακολουθήσουμε για να επιτύχουμε τον στόχο.
|
||||
|
||||
|
||||
|
||||
|
||||
> Φωτογραφία από την [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ένα από τα προβλήματα όταν ασχολούμαστε με τον όρο **[Νοημοσύνη](https://en.wikipedia.org/wiki/Intelligence)** είναι ότι δεν υπάρχει σαφής ορισμός αυτού του όρου. Κάποιος μπορεί να υποστηρίξει ότι η νοημοσύνη συνδέεται με την **αφηρημένη σκέψη** ή με την **αυτογνωσία**, αλλά δεν μπορούμε να την ορίσουμε σωστά.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Φωτογραφία](https://unsplash.com/photos/75715CVEJhI) από την [Amber Kipp](https://unsplash.com/@sadmax) στο Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> | Τι γίνεται με τη Μηχανική Μάθηση; | |
|
||||
> |--------------|-----------|
|
||||
> | Μέρος της Τεχνητής Νοημοσύνης που βασίζεται στο να μαθαίνει ο υπολογιστής να λύνει ένα πρόβλημα με βάση κάποια δεδομένα ονομάζεται **Μηχανική Μάθηση**. Δεν θα εξετάσουμε την κλασική μηχανική μάθηση σε αυτό το μάθημα - σας παραπέμπουμε σε ένα ξεχωριστό πρόγραμμα σπουδών [Machine Learning for Beginners](http://aka.ms/ml-beginners). |  |
|
||||
> | Μέρος της Τεχνητής Νοημοσύνης που βασίζεται στο να μαθαίνει ο υπολογιστής να λύνει ένα πρόβλημα με βάση κάποια δεδομένα ονομάζεται **Μηχανική Μάθηση**. Δεν θα εξετάσουμε την κλασική μηχανική μάθηση σε αυτό το μάθημα - σας παραπέμπουμε σε ένα ξεχωριστό πρόγραμμα σπουδών [Machine Learning for Beginners](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Μια Σύντομη Ιστορία της ΤΝ
|
||||
|
||||
Η Τεχνητή Νοημοσύνη ξεκίνησε ως πεδίο στα μέσα του εικοστού αιώνα. Αρχικά, η συμβολική συλλογιστική ήταν η κυρίαρχη προσέγγιση, και οδήγησε σε μια σειρά από σημαντικές επιτυχίες, όπως τα συστήματα ειδικών – προγράμματα υπολογιστών που μπορούσαν να λειτουργούν ως ειδικοί σε ορισμένους περιορισμένους τομείς προβλημάτων. Ωστόσο, σύντομα έγινε σαφές ότι αυτή η προσέγγιση δεν κλιμακώνεται καλά. Η εξαγωγή γνώσης από έναν ειδικό, η αναπαράστασή της σε έναν υπολογιστή και η διατήρηση αυτής της βάσης γνώσης ακριβούς αποδείχθηκε μια πολύπλοκη εργασία και πολύ δαπανηρή για να είναι πρακτική σε πολλές περιπτώσεις. Αυτό οδήγησε στον λεγόμενο [Χειμώνα της ΤΝ](https://en.wikipedia.org/wiki/AI_winter) τη δεκαετία του 1970.
|
||||
|
||||
<img alt="Σύντομη Ιστορία της ΤΝ" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.el.png" width="70%"/>
|
||||
<img alt="Σύντομη Ιστορία της ΤΝ" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.el.png" width="70%"/>
|
||||
|
||||
> Εικόνα από τον [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"Σε αυτό το παράδειγμα, θα υλοποιήσουμε ένα απλό σύστημα βασισμένο στη γνώση για να προσδιορίσουμε ένα ζώο με βάση ορισμένα φυσικά χαρακτηριστικά. Το σύστημα μπορεί να αναπαρασταθεί από το παρακάτω δέντρο AND-OR (αυτό είναι ένα μέρος του συνολικού δέντρου, μπορούμε εύκολα να προσθέσουμε περισσότερους κανόνες):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Αναπαράσταση Γνώσης και Συστήματα Ειδικών
|
||||
|
||||
|
||||
|
||||
|
||||
> Σχεδιαστικό σημείωμα από [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Έτσι, το πρόβλημα της **αναπαράστασης γνώσης** είναι να βρεθεί ένας αποτελεσματικός τρόπος να αναπαρασταθεί η γνώση μέσα σε έναν υπολογιστή με τη μορφή δεδομένων, ώστε να είναι αυτόματα χρησιμοποιήσιμη. Αυτό μπορεί να θεωρηθεί ως ένα φάσμα:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Python | σύνταξη μπλοκ | εσοχή
|
|||
|
||||
Μία από τις πρώτες επιτυχίες της συμβολικής Τεχνητής Νοημοσύνης ήταν τα λεγόμενα **συστήματα ειδικών** - υπολογιστικά συστήματα που σχεδιάστηκαν για να λειτουργούν ως ειδικός σε κάποιο περιορισμένο πεδίο προβλημάτων. Βασίζονταν σε μια **βάση γνώσης** που εξαγόταν από έναν ή περισσότερους ανθρώπινους ειδικούς και περιείχαν μια **μηχανή συλλογιστικής** που εκτελούσε κάποια συλλογιστική πάνω σε αυτήν.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Απλοποιημένη δομή του ανθρώπινου νευρικού συστήματος | Αρχιτεκτονική ενός συστήματος βασισμένου στη γνώση
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Python | σύνταξη μπλοκ | εσοχή
|
|||
|
||||
Ως παράδειγμα, ας εξετάσουμε το εξής σύστημα ειδικών για τον προσδιορισμό ενός ζώου βάσει των φυσικών του χαρακτηριστικών:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1261,7 +1261,7 @@
|
|||
"* Χαμηλή απώλεια εκπαίδευσης - το μοντέλο μπορεί να προσεγγίσει καλά τα δεδομένα εκπαίδευσης, επειδή έχει αρκετή εκφραστική ισχύ.\n",
|
||||
"* Η απώλεια επικύρωσης μπορεί να είναι πολύ υψηλότερη από την απώλεια εκπαίδευσης και να αρχίσει να αυξάνεται κατά τη διάρκεια της εκπαίδευσης - αυτό συμβαίνει επειδή το μοντέλο \"απομνημονεύει\" τα σημεία εκπαίδευσης και χάνει τη \"γενική εικόνα\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Στην εικόνα αυτή, το `x` αντιπροσωπεύει δεδομένα εκπαίδευσης, το `o` - δεδομένα επικύρωσης. Αριστερά - γραμμικό μοντέλο (μονοεπίπεδο), προσεγγίζει τη φύση των δεδομένων αρκετά καλά. Δεξιά - υπερπροσαρμοσμένο μοντέλο, το μοντέλο προσεγγίζει τέλεια τα δεδομένα εκπαίδευσης, αλλά χάνει τη λογική με οποιαδήποτε άλλα δεδομένα (το σφάλμα επικύρωσης είναι πολύ υψηλό).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ High-level API| [Keras](IntroKeras.ipynb) | *PyTorch Lightning*
|
|||
|
||||
Ας εξετάσουμε το παρακάτω πρόβλημα προσέγγισης 5 σημείων (που αναπαρίστανται από `x` στα γραφήματα παρακάτω):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Γραμμικό μοντέλο, 2 παράμετροι** | **Μη γραμμικό μοντέλο, 7 παράμετροι**
|
||||
Σφάλμα εκπαίδευσης = 5.3 | Σφάλμα εκπαίδευσης = 0
|
||||
|
|
@ -79,7 +79,7 @@ High-level API| [Keras](IntroKeras.ipynb) | *PyTorch Lightning*
|
|||
|
||||
Όπως μπορείτε να δείτε από το παραπάνω γράφημα, η υπερπροσαρμογή μπορεί να ανιχνευθεί από ένα πολύ χαμηλό σφάλμα εκπαίδευσης και ένα υψηλό σφάλμα επικύρωσης. Κανονικά κατά την εκπαίδευση θα βλέπουμε τόσο το σφάλμα εκπαίδευσης όσο και το σφάλμα επικύρωσης να αρχίζουν να μειώνονται, και στη συνέχεια σε κάποιο σημείο το σφάλμα επικύρωσης μπορεί να σταματήσει να μειώνεται και να αρχίσει να αυξάνεται. Αυτό θα είναι ένα σημάδι υπερπροσαρμογής και η ένδειξη ότι πιθανώς πρέπει να σταματήσουμε την εκπαίδευση σε αυτό το σημείο (ή τουλάχιστον να κάνουμε ένα στιγμιότυπο του μοντέλου).
|
||||
|
||||
|
||||
|
||||
|
||||
## Πώς να αποτρέψετε την υπερπροσαρμογή
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Εισαγωγή στα Νευρωνικά Δίκτυα
|
||||
|
||||
|
||||
|
||||
|
||||
Όπως συζητήσαμε στην εισαγωγή, ένας από τους τρόπους για να επιτευχθεί η νοημοσύνη είναι η εκπαίδευση ενός **μοντέλου υπολογιστή** ή ενός **τεχνητού εγκεφάλου**. Από τα μέσα του 20ού αιώνα, οι ερευνητές δοκίμασαν διάφορα μαθηματικά μοντέλα, μέχρι που τα τελευταία χρόνια αυτή η κατεύθυνση αποδείχθηκε εξαιρετικά επιτυχημένη. Αυτά τα μαθηματικά μοντέλα του εγκεφάλου ονομάζονται **νευρωνικά δίκτυα**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Από τη βιολογία, γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα (νευρώνες), καθένα από τα οποία έχει πολλαπλές "εισόδους" (δενδρίτες) και μία "έξοδο" (άξονα). Τόσο οι δενδρίτες όσο και οι άξονες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ τους — γνωστές ως συνάψεις — μπορούν να παρουσιάζουν διαφορετικούς βαθμούς αγωγιμότητας, οι οποίοι ρυθμίζονται από νευροδιαβιβαστές.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Πραγματικός Νευρώνας *([Εικόνα](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) από τη Wikipedia)* | Τεχνητός Νευρώνας *(Εικόνα από τον Συγγραφέα)*
|
||||
|
||||
Έτσι, το απλούστερο μαθηματικό μοντέλο ενός νευρώνα περιέχει αρκετές εισόδους X<sub>1</sub>, ..., X<sub>N</sub> και μία έξοδο Y, καθώς και μια σειρά από βάρη W<sub>1</sub>, ..., W<sub>N</sub>. Η έξοδος υπολογίζεται ως:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.el.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.el.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
όπου f είναι κάποια μη γραμμική **συνάρτηση ενεργοποίησης**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
* **Προεπεξεργασία μιας φωτογραφίας ενός βιβλίου Braille**. Εστιάζουμε στο πώς μπορούμε να χρησιμοποιήσουμε την κατωφλίωση, την ανίχνευση χαρακτηριστικών, τον μετασχηματισμό προοπτικής και τους χειρισμούς NumPy για να διαχωρίσουμε μεμονωμένα σύμβολα Braille για περαιτέρω ταξινόμηση από ένα νευρωνικό δίκτυο.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Εικόνα από [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Ανίχνευση κίνησης σε βίντεο χρησιμοποιώντας διαφορά καρέ**. Αν η κάμερα είναι σταθερή, τότε τα καρέ από τη ροή της κάμερας θα πρέπει να είναι αρκετά παρόμοια μεταξύ τους. Επειδή τα καρέ αναπαρίστανται ως πίνακες, απλώς αφαιρώντας αυτούς τους πίνακες για δύο διαδοχικά καρέ θα πάρουμε τη διαφορά των pixels, η οποία θα πρέπει να είναι χαμηλή για στατικά καρέ και να αυξάνεται όταν υπάρχει σημαντική κίνηση στην εικόνα.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
- **Πυκνή Οπτική Ροή** υπολογίζει το πεδίο διανυσμάτων που δείχνει για κάθε pixel πού κινείται
|
||||
- **Αραιή Οπτική Ροή** βασίζεται στη λήψη κάποιων χαρακτηριστικών στην εικόνα (π.χ. άκρες) και στην κατασκευή της τροχιάς τους από καρέ σε καρέ.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Το VGG-16 είναι ένα δίκτυο που πέτυχε ακρίβεια 92.7% στην ταξινόμηση top-5 του ImageNet το 2014. Έχει την εξής δομή στρώσεων:
|
||||
|
||||
|
||||
|
||||
|
||||
Όπως μπορείτε να δείτε, το VGG ακολουθεί μια παραδοσιακή πυραμιδική αρχιτεκτονική, η οποία είναι μια ακολουθία από στρώσεις συνελικτικής και pooling.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"Έτσι, σε ένα τυπικό CNN θα υπάρχουν αρκετά επίπεδα συνέλιξης, με επίπεδα pooling ανάμεσά τους για να μειώσουν τις διαστάσεις της εικόνας. Θα αυξήσουμε επίσης τον αριθμό των φίλτρων, επειδή καθώς τα μοτίβα γίνονται πιο σύνθετα - υπάρχουν περισσότερες πιθανές ενδιαφέρουσες συνδυαστικές μορφές που πρέπει να αναζητήσουμε.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Λόγω της μείωσης των χωρικών διαστάσεων και της αύξησης των χαρακτηριστικών/διαστάσεων φίλτρων, αυτή η αρχιτεκτονική ονομάζεται επίσης **αρχιτεκτονική πυραμίδας**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"Έτσι, σε ένα τυπικό CNN υπάρχουν αρκετά συνελικτικά επίπεδα, με επίπεδα pooling ανάμεσά τους για να μειώσουν τις διαστάσεις της εικόνας. Παράλληλα, αυξάνουμε τον αριθμό των φίλτρων, επειδή καθώς τα μοτίβα γίνονται πιο σύνθετα, υπάρχουν περισσότεροι πιθανοί ενδιαφέροντες συνδυασμοί που πρέπει να αναζητήσουμε.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Λόγω της μείωσης των χωρικών διαστάσεων και της αύξησης των διαστάσεων χαρακτηριστικών/φίλτρων, αυτή η αρχιτεκτονική ονομάζεται επίσης **αρχιτεκτονική πυραμίδας**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Για να εξάγουμε μοτίβα, θα χρησιμοποιήσουμε την έννοια των **συνελικτικών φίλτρων**. Όπως γνωρίζετε, μια εικόνα αναπαρίσταται από έναν δισδιάστατο πίνακα ή έναν τρισδιάστατο τανυστή με βάθος χρώματος. Η εφαρμογή ενός φίλτρου σημαίνει ότι παίρνουμε έναν σχετικά μικρό πίνακα **πυρήνα φίλτρου**, και για κάθε pixel στην αρχική εικόνα υπολογίζουμε τον σταθμισμένο μέσο όρο με τα γειτονικά σημεία. Μπορούμε να το δούμε σαν ένα μικρό παράθυρο που γλιστρά πάνω από ολόκληρη την εικόνα, και εξομαλύνει όλα τα pixel σύμφωνα με τα βάρη στον πίνακα πυρήνα φίλτρου.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Εικόνα από τον Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Μπορούμε να σχεδιάσουμε το δίκτυο με τέτοιο τρόπο ώστε τα φίλτρα να εκπαιδεύονται αυτόματα
|
||||
* Μπορούμε να χρησιμοποιήσουμε την ίδια προσέγγιση για να βρούμε μοτίβα σε χαρακτηριστικά υψηλού επιπέδου, όχι μόνο στην αρχική εικόνα. Έτσι, η εξαγωγή χαρακτηριστικών από τα CNN λειτουργεί σε μια ιεραρχία χαρακτηριστικών, ξεκινώντας από συνδυασμούς pixel χαμηλού επιπέδου, μέχρι συνδυασμούς υψηλότερου επιπέδου τμημάτων της εικόνας.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [μια εργασία των Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), βασισμένη στην [έρευνά τους](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ως παράδειγμα, ας δούμε την αρχιτεκτονική του VGG-16, ενός δικτύου που πέτυχε ακρίβεια 92.7% στην ταξινόμηση top-5 του ImageNet το 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Θα χρησιμοποιήσουμε το [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), το οποίο περιέχει εικόνες από 37 διαφορετικές φυλές σκύλων και γατών.
|
||||
|
||||
|
||||
|
||||
|
||||
Για να κατεβάσετε το σύνολο δεδομένων, χρησιμοποιήστε αυτό το απόσπασμα κώδικα:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Για να οπτικοποιήσουμε την ιδανική γάτα, θα ξεκινήσουμε με μια τυχαία εικόνα θορύβου και θα προσπαθήσουμε να χρησιμοποιήσουμε την τεχνική βελτιστοποίησης με καθοδική κλίση για να προσαρμόσουμε την εικόνα ώστε ένα δίκτυο να αναγνωρίσει μια γάτα.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Εδώ είναι η αρχική μας εικόνα:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ακολουθούν δείγματα χαρακτηριστικών που εξήχθησαν από μια εικόνα γάτας από το δίκτυο VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Σύνολο Δεδομένων Γάτες vs. Σκύλοι
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Μια προσέγγιση που μπορούμε να ακολουθήσουμε είναι να ξεκινήσουμε με μια τυχαία εικόνα και στη συνέχεια να χρησιμοποιήσουμε την τεχνική **βελτιστοποίησης καθοδικής κλίσης** για να προσαρμόσουμε αυτή την εικόνα με τέτοιο τρόπο ώστε το δίκτυο να αρχίσει να πιστεύει ότι είναι γάτα.
|
||||
|
||||
|
||||
|
||||
|
||||
Ωστόσο, αν το κάνουμε αυτό, θα λάβουμε κάτι που μοιάζει πολύ με τυχαίο θόρυβο. Αυτό συμβαίνει επειδή *υπάρχουν πολλοί τρόποι να κάνουμε το δίκτυο να πιστέψει ότι η είσοδος είναι γάτα*, συμπεριλαμβανομένων κάποιων που δεν έχουν οπτική λογική. Ενώ αυτές οι εικόνες περιέχουν πολλά μοτίβα τυπικά για μια γάτα, δεν υπάρχει τίποτα που να τις περιορίζει να είναι οπτικά διακριτές.
|
||||
|
||||
Για να βελτιώσουμε το αποτέλεσμα, μπορούμε να προσθέσουμε έναν άλλο όρο στη συνάρτηση απώλειας, που ονομάζεται **απώλεια παραλλαγής**. Είναι μια μετρική που δείχνει πόσο παρόμοια είναι τα γειτονικά εικονοστοιχεία της εικόνας. Ελαχιστοποιώντας την απώλεια παραλλαγής, η εικόνα γίνεται πιο ομαλή και απαλλάσσεται από τον θόρυβο - αποκαλύπτοντας έτσι πιο οπτικά ελκυστικά μοτίβα. Εδώ είναι ένα παράδειγμα τέτοιων "ιδανικών" εικόνων, που ταξινομούνται ως γάτα και ως ζέβρα με υψηλή πιθανότητα:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ιδανική Γάτα* | *Ιδανική Ζέβρα*
|
||||
|
||||
Παρόμοια προσέγγιση μπορεί να χρησιμοποιηθεί για την εκτέλεση των λεγόμενων **αντιφατικών επιθέσεων** σε ένα νευρωνικό δίκτυο. Ας υποθέσουμε ότι θέλουμε να ξεγελάσουμε ένα νευρωνικό δίκτυο και να κάνουμε έναν σκύλο να μοιάζει με γάτα. Αν πάρουμε την εικόνα ενός σκύλου, που αναγνωρίζεται από το δίκτυο ως σκύλος, μπορούμε στη συνέχεια να την τροποποιήσουμε λίγο χρησιμοποιώντας τη βελτιστοποίηση καθοδικής κλίσης, μέχρι το δίκτυο να αρχίσει να την ταξινομεί ως γάτα:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Αρχική εικόνα σκύλου* | *Εικόνα σκύλου που ταξινομείται ως γάτα*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Επειδή εκπαιδεύουμε το autoencoder να συλλάβει όσο το δυνατόν περισσότερες πληροφορίες από την αρχική εικόνα για ακριβή ανακατασκευή, το δίκτυο προσπαθεί να βρει την καλύτερη **ενσωμάτωση** των εικόνων εισόδου ώστε να αποτυπώσει το νόημα.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Εικόνα από [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Επειδή εκπαιδεύουμε το autoencoder να συλλάβει όσο το δυνατόν περισσότερες πληροφορίες από την αρχική εικόνα για ακριβή ανακατασκευή, το δίκτυο προσπαθεί να βρει την καλύτερη **ενσωμάτωση** των εικόνων εισόδου ώστε να συλλάβει το νόημα.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Εικόνα από [το blog του Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Καθώς εκπαιδεύουμε έναν αυτόματο κωδικοποιητή για να συλλάβει όσο το δυνατόν περισσότερες πληροφορίες από την αρχική εικόνα για ακριβή ανακατασκευή, το δίκτυο προσπαθεί να βρει την καλύτερη **ενσωμάτωση** των εικόνων εισόδου για να αποτυπώσει το νόημα.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από το [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [Προ-μάθημα κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [ιστοσελίδα YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. Εκτελέστε ταξινόμηση εικόνας σε κάθε πλακίδιο.
|
||||
3. Τα πλακίδια που δίνουν αρκετά υψηλή ενεργοποίηση μπορούν να θεωρηθούν ότι περιέχουν το αντικείμενο που αναζητούμε.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα από [Exercise Notebook](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 κατηγορίες
|
||||
* [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 κατηγορίες, πλαίσια και μάσκες τμηματοποίησης
|
||||
|
||||
|
||||
|
||||
|
||||
## Μετρικές Ανίχνευσης Αντικειμένων
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ενώ για την ταξινόμηση εικόνων είναι εύκολο να μετρήσουμε πόσο καλά αποδίδει ο αλγόριθμος, για την ανίχνευση αντικειμένων πρέπει να μετρήσουμε τόσο την ορθότητα της κατηγορίας όσο και την ακρίβεια της προβλεπόμενης θέσης του πλαισίου. Για το τελευταίο, χρησιμοποιούμε τη λεγόμενη **Intersection over Union** (IoU), η οποία μετρά πόσο καλά δύο πλαίσια (ή δύο αυθαίρετες περιοχές) επικαλύπτονται.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα 2 από [αυτό το εξαιρετικό άρθρο για το IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ $$
|
|||
|
||||
Το [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) χρησιμοποιεί [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) για να δημιουργήσει ιεραρχική δομή περιοχών ROI, οι οποίες στη συνέχεια περνούν από εξαγωγείς χαρακτηριστικών CNN και ταξινομητές SVM για να προσδιοριστεί η κατηγορία του αντικειμένου, και γραμμική παλινδρόμηση για να προσδιοριστούν οι συντεταγμένες του *bounding box*. [Επίσημο Άρθρο](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα από van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνες από [αυτό το άρθρο](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ $$
|
|||
|
||||
Αυτή η προσέγγιση είναι παρόμοια με το R-CNN, αλλά οι περιοχές ορίζονται αφού έχουν εφαρμοστεί τα επίπεδα συνελικτικής.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [το Επίσημο Άρθρο](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ $$
|
|||
|
||||
Η βασική ιδέα αυτής της προσέγγισης είναι να χρησιμοποιηθεί ένα νευρωνικό δίκτυο για να προβλέψει τα ROI - το λεγόμενο *Region Proposal Network*. [Άρθρο](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [το επίσημο άρθρο](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ $$
|
|||
1. Τα χαρακτηριστικά επεξεργάζονται από **Position-Sensitive Score Map**. Κάθε αντικείμενο από $C$ κατηγορίες διαιρείται σε $k\times k$ περιοχές, και εκπαιδεύουμε το δίκτυο να προβλέπει μέρη αντικειμένων.
|
||||
1. Για κάθε μέρος από τις $k\times k$ περιοχές, όλα τα δίκτυα ψηφίζουν για τις κατηγορίες αντικειμένων, και η κατηγορία αντικειμένου με τη μέγιστη ψήφο επιλέγεται.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [επίσημο άρθρο](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ $$
|
|||
* Η εικόνα διαιρείται σε $S\times S$ περιοχές.
|
||||
* Για κάθε περιοχή, **CNN** προβλέπει $n$ πιθανά αντικείμενα, τις συντεταγμένες του *bounding box* και την *confidence*=*πιθανότητα* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [επίσημο άρθρο](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Υπολογιστική Όραση
|
||||
|
||||
|
||||
|
||||
|
||||
Σε αυτήν την ενότητα θα μάθουμε για:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"Η **αναπαράσταση Bag of Words** (BoW) είναι η πιο συχνά χρησιμοποιούμενη παραδοσιακή μέθοδος αναπαράστασης με διανύσματα. Κάθε λέξη συνδέεται με έναν δείκτη διανύσματος, και το στοιχείο του διανύσματος περιέχει τον αριθμό εμφανίσεων μιας λέξης σε ένα συγκεκριμένο έγγραφο.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Μπορείτε επίσης να σκεφτείτε το BoW ως το άθροισμα όλων των διανυσμάτων one-hot-encoded για τις μεμονωμένες λέξεις του κειμένου.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"Η **αναπαράσταση Bag-of-words** (BoW) είναι η πιο απλή και κατανοητή παραδοσιακή μέθοδος αναπαράστασης με διανύσματα. Κάθε λέξη συνδέεται με έναν δείκτη διανύσματος, και κάθε στοιχείο του διανύσματος περιέχει τον αριθμό εμφανίσεων κάθε λέξης σε ένα συγκεκριμένο έγγραφο.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Μπορείτε επίσης να σκεφτείτε το BoW ως το άθροισμα όλων των διανυσμάτων one-hot-encoding για τις μεμονωμένες λέξεις του κειμένου.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Χρησιμοποιώντας τη στρώση ενσωμάτωσης ως την πρώτη στρώση στο δίκτυό μας, μπορούμε να μεταβούμε από το μοντέλο bag-of-words στο μοντέλο **embedding bag**, όπου πρώτα μετατρέπουμε κάθε λέξη στο κείμενό μας στην αντίστοιχη ενσωμάτωσή της και στη συνέχεια υπολογίζουμε κάποια συνάρτηση συσσωμάτωσης πάνω σε όλες αυτές τις ενσωματώσεις, όπως `sum`, `average` ή `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Το νευρωνικό δίκτυο ταξινομητή μας θα ξεκινά με τη στρώση ενσωμάτωσης, στη συνέχεια τη στρώση συσσωμάτωσης και έναν γραμμικό ταξινομητή στην κορυφή:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"Στην προηγούμενη αρχιτεκτονική, έπρεπε να συμπληρώσουμε όλες τις ακολουθίες ώστε να έχουν το ίδιο μήκος για να τις εντάξουμε σε ένα minibatch. Αυτός δεν είναι ο πιο αποδοτικός τρόπος για να αναπαραστήσουμε ακολουθίες μεταβλητού μήκους - μια άλλη προσέγγιση θα ήταν να χρησιμοποιήσουμε έναν **διάνυσμα μετατοπίσεων (offset)**, το οποίο θα περιείχε τις μετατοπίσεις όλων των ακολουθιών που αποθηκεύονται σε ένα μεγάλο διάνυσμα.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Σημείωση**: Στην παραπάνω εικόνα, δείχνουμε μια ακολουθία χαρακτήρων, αλλά στο παράδειγμά μας δουλεύουμε με ακολουθίες λέξεων. Ωστόσο, η γενική αρχή της αναπαράστασης ακολουθιών με διάνυσμα μετατοπίσεων παραμένει η ίδια.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"Το CBoW είναι ταχύτερο, ενώ το skip-gram είναι πιο αργό, αλλά αποδίδει καλύτερα στην αναπαράσταση σπάνιων λέξεων.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Για να πειραματιστούμε με την ενσωμάτωση word2vec που έχει προεκπαιδευτεί στο σύνολο δεδομένων Google News, μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη **gensim**. Παρακάτω βρίσκουμε τις λέξεις που είναι πιο παρόμοιες με τη λέξη 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Χρησιμοποιώντας ένα embedding layer ως το πρώτο layer στο δίκτυό μας, μπορούμε να μεταβούμε από το μοντέλο bag-of-words σε ένα μοντέλο **embedding bag**, όπου πρώτα μετατρέπουμε κάθε λέξη στο κείμενό μας στο αντίστοιχο embedding και στη συνέχεια υπολογίζουμε κάποια συνάρτηση συσσωμάτωσης πάνω σε όλα αυτά τα embeddings, όπως `sum`, `average` ή `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Το νευρωνικό δίκτυο ταξινομητή μας αποτελείται από τα εξής layers:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"Το CBoW είναι πιο γρήγορο, ενώ το skip-gram, αν και πιο αργό, αποδίδει καλύτερα στην αναπαράσταση σπάνιων λέξεων.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Για να πειραματιστούμε με την ενσωμάτωση Word2Vec που έχει προεκπαιδευτεί στο σύνολο δεδομένων Google News, μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη **gensim**. Παρακάτω βρίσκουμε τις λέξεις που είναι πιο παρόμοιες με τη λέξη 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Χρησιμοποιώντας ένα επίπεδο ενσωμάτωσης ως το πρώτο επίπεδο στο δίκτυο ταξινόμησής μας, μπορούμε να μεταβούμε από ένα μοντέλο bag-of-words σε ένα μοντέλο **embedding bag**, όπου πρώτα μετατρέπουμε κάθε λέξη στο κείμενό μας στην αντίστοιχη ενσωμάτωσή της και στη συνέχεια υπολογίζουμε κάποια συνάρτηση συσσωμάτωσης πάνω σε όλες αυτές τις ενσωματώσεις, όπως `sum`, `average` ή `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Το CBoW είναι ταχύτερο, ενώ το skip-gram είναι πιο αργό, αλλά αποδίδει καλύτερα στην αναπαράσταση σπάνιων λέξεων.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [αυτό το άρθρο](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **Continuous Bag-of-Words** (CBoW), όπου προβλέπουμε το μεσαίο σύμβολο $W_0$ σε μια ακολουθία συμβόλων $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, όπου προβλέπουμε ένα σύνολο γειτονικών συμβόλων {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} από το μεσαίο σύμβολο $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [αυτό το άρθρο](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Για να κατανοήσουμε τη σημασία μιας ακολουθίας κειμένου, πρέπει να χρησιμοποιήσουμε μια άλλη αρχιτεκτονική νευρωνικού δικτύου, που ονομάζεται **επαναλαμβανόμενο νευρωνικό δίκτυο** ή RNN. Στο RNN, περνάμε την πρότασή μας μέσα από το δίκτυο ένα σύμβολο τη φορά, και το δίκτυο παράγει μια **κατάσταση**, την οποία στη συνέχεια περνάμε ξανά στο δίκτυο μαζί με το επόμενο σύμβολο.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ένα επαναλαμβανόμενο δίκτυο, είτε μονοκατευθυντικό είτε διπλής κατεύθυνσης, καταγράφει ορισμένα μοτίβα μέσα σε μια ακολουθία και μπορεί να τα αποθηκεύσει σε ένα διάνυσμα κατάστασης ή να τα περάσει στην έξοδο. Όπως και με τα συνελικτικά δίκτυα, μπορούμε να κατασκευάσουμε ένα άλλο επαναλαμβανόμενο επίπεδο πάνω από το πρώτο για να καταγράψουμε μοτίβα υψηλότερου επιπέδου και να χτίσουμε από τα μοτίβα χαμηλού επιπέδου που εξάγονται από το πρώτο επίπεδο. Αυτό μας οδηγεί στην έννοια ενός **πολυεπίπεδου RNN**, που αποτελείται από δύο ή περισσότερα επαναλαμβανόμενα δίκτυα, όπου η έξοδος του προηγούμενου επιπέδου περνά στο επόμενο επίπεδο ως είσοδος.
|
||||
|
||||
|
||||
|
||||
|
||||
*Εικόνα από [αυτή την υπέροχη ανάρτηση](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) του Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Το επαναλαμβανόμενο δίκτυο, είτε μονής κατεύθυνσης είτε διπλής κατεύθυνσης, καταγράφει ορισμένα μοτίβα μέσα σε μια ακολουθία και μπορεί να τα αποθηκεύσει σε ένα διάνυσμα κατάστασης ή να τα περάσει στην έξοδο. Όπως συμβαίνει με τα συνελικτικά δίκτυα, μπορούμε να χτίσουμε ένα άλλο επαναλαμβανόμενο επίπεδο πάνω από το πρώτο για να καταγράψουμε μοτίβα υψηλότερου επιπέδου, χτισμένα από μοτίβα χαμηλότερου επιπέδου που εξάγονται από το πρώτο επίπεδο. Αυτό μας οδηγεί στην έννοια του **πολυεπίπεδου RNN**, το οποίο αποτελείται από δύο ή περισσότερα επαναλαμβανόμενα δίκτυα, όπου η έξοδος του προηγούμενου επιπέδου περνά στο επόμενο επίπεδο ως είσοδος.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Εικόνα από [αυτή την υπέροχη ανάρτηση](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) του Fernando López*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Για να αποτυπώσουμε τη σημασία μιας ακολουθίας κειμένου, θα χρησιμοποιήσουμε μια αρχιτεκτονική νευρωνικού δικτύου που ονομάζεται **επαναλαμβανόμενο νευρωνικό δίκτυο** (recurrent neural network ή RNN). Όταν χρησιμοποιούμε ένα RNN, περνάμε την πρότασή μας μέσα από το δίκτυο μία λέξη τη φορά, και το δίκτυο παράγει μια **κατάσταση**, την οποία στη συνέχεια περνάμε ξανά στο δίκτυο μαζί με την επόμενη λέξη.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Δεδομένης της εισόδου μιας ακολουθίας λέξεων $X_0,\\dots,X_n$, το RNN δημιουργεί μια ακολουθία μπλοκ νευρωνικού δικτύου και εκπαιδεύει αυτή την ακολουθία από άκρη σε άκρη χρησιμοποιώντας οπισθοδιάδοση. Κάθε μπλοκ δικτύου λαμβάνει ένα ζεύγος $(X_i,S_i)$ ως είσοδο και παράγει το $S_{i+1}$ ως αποτέλεσμα. Η τελική κατάσταση $S_n$ ή η έξοδος $Y_n$ περνάει σε έναν γραμμικό ταξινομητή για να παραχθεί το αποτέλεσμα. Όλα τα μπλοκ του δικτύου μοιράζονται τα ίδια βάρη και εκπαιδεύονται από άκρη σε άκρη με μία διαδικασία οπισθοδιάδοσης.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Τα αναδρομικά δίκτυα, είτε μονής είτε διπλής κατεύθυνσης, εντοπίζουν μοτίβα μέσα σε μια ακολουθία και τα αποθηκεύουν σε διανύσματα κατάστασης ή τα επιστρέφουν ως έξοδο. Όπως και με τα συνελικτικά δίκτυα, μπορούμε να κατασκευάσουμε ένα ακόμη αναδρομικό επίπεδο μετά το πρώτο, για να εντοπίσουμε μοτίβα υψηλότερου επιπέδου, τα οποία προκύπτουν από μοτίβα χαμηλότερου επιπέδου που εξήγαγε το πρώτο επίπεδο. Αυτό μας οδηγεί στην έννοια του **πολυεπίπεδου RNN**, το οποίο αποτελείται από δύο ή περισσότερα αναδρομικά δίκτυα, όπου η έξοδος του προηγούμενου επιπέδου περνάει ως είσοδος στο επόμενο επίπεδο.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Εικόνα από [αυτή την εξαιρετική ανάρτηση](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) του Fernando López.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Ο τρόπος με τον οποίο θα εκπαιδεύσουμε το RNN για να δημιουργεί κείμενο είναι ο εξής. Σε κάθε βήμα, θα παίρνουμε μια ακολουθία χαρακτήρων μήκους `nchars` και θα ζητάμε από το δίκτυο να παράγει τον επόμενο χαρακτήρα εξόδου για κάθε χαρακτήρα εισόδου:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Ανάλογα με το συγκεκριμένο σενάριο, μπορεί να θέλουμε να συμπεριλάβουμε και ειδικούς χαρακτήρες, όπως το *τέλος ακολουθίας* `<eos>`. Στην περίπτωσή μας, θέλουμε απλώς να εκπαιδεύσουμε το δίκτυο για ατελείωτη δημιουργία κειμένου, επομένως θα ορίσουμε το μέγεθος κάθε ακολουθίας να είναι ίσο με `nchars` tokens. Συνεπώς, κάθε παράδειγμα εκπαίδευσης θα αποτελείται από `nchars` εισόδους και `nchars` εξόδους (που είναι η ακολουθία εισόδου μετατοπισμένη κατά ένα σύμβολο προς τα αριστερά). Το minibatch θα αποτελείται από αρκετές τέτοιες ακολουθίες.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -113,7 +113,7 @@
|
|||
"\n",
|
||||
"Ο τρόπος με τον οποίο θα εκπαιδεύσουμε το RNN για να δημιουργεί τίτλους ειδήσεων είναι ο εξής. Σε κάθε βήμα, θα παίρνουμε έναν τίτλο, ο οποίος θα εισάγεται σε ένα RNN, και για κάθε χαρακτήρα εισόδου θα ζητάμε από το δίκτυο να παράγει τον επόμενο χαρακτήρα εξόδου:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Για τον τελευταίο χαρακτήρα της ακολουθίας μας, θα ζητάμε από το δίκτυο να παράγει το token `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Αυτό επιτρέπει διαφορετικές νευρωνικές αρχιτεκτονικές, όπως φαίνεται στην παρακάτω εικόνα:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από το blog post [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) του [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Θα εκπαιδεύσουμε αυτό το RNN να δημιουργεί κείμενο βήμα προς βήμα. Σε κάθε βήμα, θα πάρουμε μια ακολουθία χαρακτήρων μήκους `nchars` και θα ζητήσουμε από το δίκτυο να παράγει τον επόμενο χαρακτήρα εξόδου για κάθε χαρακτήρα εισόδου:
|
||||
|
||||
|
||||
|
||||
|
||||
Κατά τη δημιουργία κειμένου (κατά την πρόβλεψη), ξεκινάμε με κάποιο **προτροπή**, η οποία περνά μέσα από τα RNN cells για να δημιουργήσει την ενδιάμεση κατάσταση, και στη συνέχεια από αυτή την κατάσταση ξεκινά η δημιουργία. Παράγουμε έναν χαρακτήρα τη φορά και περνάμε την κατάσταση και τον παραγόμενο χαρακτήρα σε άλλο RNN cell για να δημιουργήσουμε τον επόμενο, μέχρι να δημιουργήσουμε αρκετούς χαρακτήρες.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Οι **Μηχανισμοί Προσοχής** παρέχουν έναν τρόπο να δίνεται βάρος στην επίδραση κάθε εισαγωγικού διανύσματος στο κάθε αποτέλεσμα πρόβλεψης του RNN. Αυτό υλοποιείται δημιουργώντας συντομεύσεις μεταξύ των ενδιάμεσων καταστάσεων του εισαγωγικού RNN και του εξαγωγικού RNN. Με αυτόν τον τρόπο, κατά τη δημιουργία του εξαγωγικού συμβόλου y<sub>t</sub>, λαμβάνουμε υπόψη όλες τις κρυφές καταστάσεις εισόδου h<sub>i</sub>, με διαφορετικούς συντελεστές βάρους α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Το μοντέλο encoder-decoder με μηχανισμό πρόσθετης προσοχής στο [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), από [αυτό το blog post](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Ο πίνακας προσοχής {α<sub>i,j</sub>} αντιπροσωπεύει τον βαθμό στον οποίο συγκεκριμένες λέξεις εισόδου συμβάλλουν στη δημιουργία μιας δεδομένης λέξης στην εξαγωγική ακολουθία. Παρακάτω είναι ένα παράδειγμα ενός τέτοιου πίνακα:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Στη συνέχεια, πρέπει να ανιχνεύσουμε κάποια μοτίβα μέσα στην ακολουθία μας. Για να το κάνουμε αυτό, οι transformers χρησιμοποιούν έναν μηχανισμό **αυτοπροσοχής**, που είναι ουσιαστικά προσοχή εφαρμοσμένη στην ίδια ακολουθία ως είσοδος και έξοδος. Η εφαρμογή αυτοπροσοχής μας επιτρέπει να λαμβάνουμε υπόψη το **πλαίσιο** μέσα στην πρόταση και να βλέπουμε ποιες λέξεις σχετίζονται μεταξύ τους. Για παράδειγμα, μας επιτρέπει να δούμε ποιες λέξεις αναφέρονται από συνυποδηλώσεις, όπως *αυτό*, και να λαμβάνουμε υπόψη το πλαίσιο:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από το [Blog της Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Το **BERT** (Bidirectional Encoder Representations from Transformers) είναι ένα πολύ μεγάλο πολυεπίπεδο δίκτυο transformer με 12 επίπεδα για το *BERT-base* και 24 για το *BERT-large*. Το μοντέλο εκπαιδεύεται αρχικά σε ένα μεγάλο σώμα δεδομένων κειμένου (WikiPedia + βιβλία) χρησιμοποιώντας μη επιβλεπόμενη εκπαίδευση (πρόβλεψη λέξεων που έχουν καλυφθεί σε μια πρόταση). Κατά τη διάρκεια της αρχικής εκπαίδευσης, το μοντέλο απορροφά σημαντικά επίπεδα κατανόησης της γλώσσας, τα οποία μπορούν στη συνέχεια να αξιοποιηθούν με άλλα σύνολα δεδομένων μέσω της προσαρμογής. Αυτή η διαδικασία ονομάζεται **μεταφορά μάθησης**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα [πηγή](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Οι Μηχανισμοί Προσοχής** παρέχουν έναν τρόπο να δίνεται βάρος στην επίδραση κάθε εισόδου στην πρόβλεψη κάθε εξόδου του RNN. Αυτό υλοποιείται δημιουργώντας συντομεύσεις μεταξύ των ενδιάμεσων καταστάσεων του εισόδου RNN και του εξόδου RNN. Με αυτόν τον τρόπο, κατά τη δημιουργία του συμβόλου εξόδου $y_t$, λαμβάνουμε υπόψη όλες τις κρυφές καταστάσεις εισόδου $h_i$, με διαφορετικούς συντελεστές βάρους $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Το μοντέλο encoder-decoder με μηχανισμό πρόσθετης προσοχής στο [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), από [αυτή την ανάρτηση](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Ο πίνακας προσοχής $\\{\\alpha_{i,j}\\}$ αντιπροσωπεύει τον βαθμό στον οποίο συγκεκριμένες λέξεις εισόδου επηρεάζουν τη δημιουργία μιας δεδομένης λέξης στην ακολουθία εξόδου. Παρακάτω είναι ένα παράδειγμα ενός τέτοιου πίνακα:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Εικόνα από [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) είναι ένα πολύ μεγάλο πολυεπίπεδο δίκτυο μετασχηματιστών με 12 επίπεδα για το *BERT-base* και 24 για το *BERT-large*. Το μοντέλο εκπαιδεύεται αρχικά σε μεγάλο σώμα δεδομένων κειμένου (WikiPedia + βιβλία) χρησιμοποιώντας μη επιβλεπόμενη εκπαίδευση (πρόβλεψη λέξεων που έχουν καλυφθεί σε μια πρόταση). Κατά τη διάρκεια της αρχικής εκπαίδευσης, το μοντέλο απορροφά σημαντικό επίπεδο κατανόησης της γλώσσας, το οποίο μπορεί στη συνέχεια να αξιοποιηθεί με άλλα σύνολα δεδομένων μέσω λεπτομερούς προσαρμογής. Αυτή η διαδικασία ονομάζεται **μεταφορά μάθησης**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Υπάρχουν πολλές παραλλαγές αρχιτεκτονικών μετασχηματιστών, όπως BERT, DistilBERT, BigBird, OpenGPT3 και άλλες, που μπορούν να προσαρμοστούν. Το [πακέτο HuggingFace](https://github.com/huggingface/) παρέχει αποθετήριο για την εκπαίδευση πολλών από αυτές τις αρχιτεκτονικές με PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Οι Μηχανισμοί Προσοχής** παρέχουν έναν τρόπο να δίνεται βάρος στην επίδραση κάθε εισόδου στο κάθε αποτέλεσμα του RNN. Αυτό υλοποιείται δημιουργώντας συντομεύσεις μεταξύ των ενδιάμεσων καταστάσεων του RNN εισόδου και του RNN εξόδου. Με αυτόν τον τρόπο, κατά τη δημιουργία του συμβόλου εξόδου $y_t$, λαμβάνουμε υπόψη όλες τις κρυφές καταστάσεις εισόδου $h_i$, με διαφορετικούς συντελεστές βάρους $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Το μοντέλο encoder-decoder με μηχανισμό πρόσθετης προσοχής στο [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), από [αυτή την ανάρτηση](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Ο πίνακας προσοχής $\\{\\alpha_{i,j}\\}$ αντιπροσωπεύει τον βαθμό στον οποίο συγκεκριμένες λέξεις εισόδου συμβάλλουν στη δημιουργία μιας δεδομένης λέξης στην ακολουθία εξόδου. Παρακάτω είναι ένα παράδειγμα ενός τέτοιου πίνακα:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Εικόνα από [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -225,7 +225,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) είναι ένα πολύ μεγάλο πολυεπίπεδο δίκτυο transformer με 12 επίπεδα για το *BERT-base* και 24 για το *BERT-large*. Το μοντέλο εκπαιδεύεται αρχικά σε ένα μεγάλο σύνολο δεδομένων κειμένου (WikiPedia + βιβλία) χρησιμοποιώντας μη επιβλεπόμενη εκπαίδευση (πρόβλεψη λέξεων που έχουν καλυφθεί σε μια πρόταση). Κατά τη διάρκεια της αρχικής εκπαίδευσης, το μοντέλο αποκτά σημαντικό επίπεδο κατανόησης της γλώσσας, το οποίο μπορεί στη συνέχεια να αξιοποιηθεί με άλλα σύνολα δεδομένων μέσω της διαδικασίας της λεπτομερούς προσαρμογής. Αυτή η διαδικασία ονομάζεται **μεταφορά μάθησης**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Υπάρχουν πολλές παραλλαγές αρχιτεκτονικών Transformer, όπως BERT, DistilBERT, BigBird, OpenGPT3 και άλλες, που μπορούν να προσαρμοστούν περαιτέρω.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Επειδή πρέπει να δημιουργήσουμε μια αντιστοιχία ένα προς ένα μεταξύ συμβόλων και κατηγοριών, μπορούμε να εκπαιδεύσουμε ένα δεξιότερο **πολλά-προς-πολλά** μοντέλο νευρωνικού δικτύου από αυτή την εικόνα:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα από [αυτό το άρθρο](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) του [Andrej Karpathy](http://karpathy.github.io/). Τα μοντέλα ταξινόμησης συμβόλων NER αντιστοιχούν στην αρχιτεκτονική του δικτύου που βρίσκεται δεξιά στην εικόνα.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Επεξεργασία Φυσικής Γλώσσας
|
||||
|
||||
|
||||
|
||||
|
||||
Σε αυτή την ενότητα, θα επικεντρωθούμε στη χρήση Νευρωνικών Δικτύων για την αντιμετώπιση εργασιών που σχετίζονται με την **Επεξεργασία Φυσικής Γλώσσας (NLP)**. Υπάρχουν πολλά προβλήματα NLP που θέλουμε οι υπολογιστές να μπορούν να λύσουν:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ ask turtles [
|
|||
|
||||
Αφού ανοίξετε το μοντέλο, μεταφέρεστε στην κύρια οθόνη του NetLogo. Εδώ είναι ένα δείγμα μοντέλου που περιγράφει τον πληθυσμό λύκων και προβάτων, δεδομένων πεπερασμένων πόρων (γρασίδι).
|
||||
|
||||
|
||||
|
||||
|
||||
> Στιγμιότυπο οθόνης από τον Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Επισκόπηση
|
||||
|
||||
|
||||
|
||||
|
||||
> Σκίτσο από την [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Η βασική ιδέα του CLIP είναι να μπορεί να συγκρίνει κείμενα με εικόνες και να καθορίζει πόσο καλά η εικόνα αντιστοιχεί στο κείμενο.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα από [αυτήν την ανάρτηση στο blog](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ας υποθέσουμε ότι πρέπει να ταξινομήσουμε εικόνες μεταξύ, για παράδειγμα, γάτες, σκύλους και ανθρώπους. Σε αυτήν την περίπτωση, μπορούμε να δώσουμε στο μοντέλο μια εικόνα και μια σειρά από κείμενα: "*μια εικόνα μιας γάτας*", "*μια εικόνα ενός σκύλου*", "*μια εικόνα ενός ανθρώπου*". Στον προκύπτοντα διανυσματικό πίνακα με 3 πιθανότητες, απλώς πρέπει να επιλέξουμε τον δείκτη με τη μεγαλύτερη τιμή.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Εικόνα από [αυτήν την ανάρτηση στο blog](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Μία από τις σημαντικές διαφορές μεταξύ VQGAN και παραδοσιακού GAN είναι ότι το τελευταίο μπορεί να παράγει μια αξιοπρεπή εικόνα από οποιοδήποτε διανυσματικό εισόδου, ενώ το VQGAN είναι πιθανό να παράγει μια εικόνα που δεν είναι συνεκτική. Επομένως, πρέπει να καθοδηγήσουμε περαιτέρω τη διαδικασία δημιουργίας εικόνας, και αυτό μπορεί να γίνει χρησιμοποιώντας το CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Για να δημιουργήσουμε μια εικόνα που αντιστοιχεί σε ένα κείμενο, ξεκινάμε με κάποιο τυχαίο διανυσματικό κωδικοποίησης που περνάει μέσω του VQGAN για να παράγει μια εικόνα. Στη συνέχεια, το CLIP χρησιμοποιείται για να παράγει μια συνάρτηση απώλειας που δείχνει πόσο καλά η εικόνα αντιστοιχεί στο κείμενο. Ο στόχος είναι να ελαχιστοποιήσουμε αυτήν την απώλεια, χρησιμοποιώντας back propagation για να προσαρμόσουμε τις παραμέτρους του διανυσματικού εισόδου.
|
||||
|
||||
Μια εξαιρετική βιβλιοθήκη που υλοποιεί το VQGAN+CLIP είναι το [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Εικόνα που δημιουργήθηκε από το κείμενο *μια κοντινή ακουαρέλα πορτραίτο ενός νεαρού άνδρα δασκάλου λογοτεχνίας με ένα βιβλίο* | Εικόνα που δημιουργήθηκε από το κείμενο *μια κοντινή ελαιογραφία πορτραίτο μιας νεαρής γυναίκας δασκάλας πληροφορικής με έναν υπολογιστή* | Εικόνα που δημιουργήθηκε από το κείμενο *μια κοντινή ελαιογραφία πορτραίτο ενός ηλικιωμένου άνδρα δασκάλου μαθηματικών μπροστά από έναν πίνακα*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,46 +1,46 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-24T22:39:16+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T09:55:38+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "es"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Inteligencia Artificial para Principiantes - Un plan de estudios
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Inteligencia Artificial para Principiantes - _Sketchnote por [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI Para Principiantes - _Sketchnote por [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Explora el mundo de la **Inteligencia Artificial** (IA) con nuestro plan de estudios de 12 semanas y 24 lecciones. Incluye lecciones prácticas, cuestionarios y laboratorios. El plan de estudios es apto para principiantes y cubre herramientas como TensorFlow y PyTorch, así como ética en la IA
|
||||
Explora el mundo de la **Inteligencia Artificial** (IA) con nuestro plan de estudios de 12 semanas y 24 lecciones. Incluye lecciones prácticas, cuestionarios y laboratorios. El plan de estudios es apto para principiantes y cubre herramientas como TensorFlow y PyTorch, así como la ética en la IA
|
||||
|
||||
### 🌐 Soporte multilingüe
|
||||
|
||||
#### Soportado a través de GitHub Action (Automatizado y siempre actualizado)
|
||||
#### Soportado mediante GitHub Action (Automatizado y siempre actualizado)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](./README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Árabe](../ar/README.md) | [Bengalí](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmano (Myanmar)](../my/README.md) | [Chino (simplificado)](../zh/README.md) | [Chino (tradicional, Hong Kong)](../hk/README.md) | [Chino (tradicional, Macao)](../mo/README.md) | [Chino (tradicional, Taiwán)](../tw/README.md) | [Croata](../hr/README.md) | [Checo](../cs/README.md) | [Danés](../da/README.md) | [Neerlandés](../nl/README.md) | [Estonio](../et/README.md) | [Finlandés](../fi/README.md) | [Francés](../fr/README.md) | [Alemán](../de/README.md) | [Griego](../el/README.md) | [Hebreo](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonesio](../id/README.md) | [Italiano](../it/README.md) | [Japonés](../ja/README.md) | [Kannada](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malayo](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalí](../ne/README.md) | [Pidgin nigeriano](../pcm/README.md) | [Noruego](../no/README.md) | [Persa (farsi)](../fa/README.md) | [Polaco](../pl/README.md) | [Portugués (Brasil)](../br/README.md) | [Portugués (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumano](../ro/README.md) | [Ruso](../ru/README.md) | [Serbio (cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Español](./README.md) | [Swahili](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalo (filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandés](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Si deseas que se añadan idiomas de traducción adicionales, están listados [aquí](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Únete a la comunidad
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Qué aprenderás
|
||||
|
||||
|
|
@ -48,87 +48,87 @@ Explora el mundo de la **Inteligencia Artificial** (IA) con nuestro plan de estu
|
|||
|
||||
En este plan de estudios aprenderás:
|
||||
|
||||
* Diferentes enfoques de la Inteligencia Artificial, incluido el enfoque simbólico "de la vieja escuela" con **Representación del Conocimiento** y razonamiento ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Redes Neuronales** y **Aprendizaje Profundo**, que están en el núcleo de la IA moderna. Ilustraremos los conceptos detrás de estos temas importantes usando código en dos de los marcos más populares: [TensorFlow](http://Tensorflow.org) y [PyTorch](http://pytorch.org).
|
||||
* **Arquitecturas neuronales** para trabajar con imágenes y texto. Cubriremos modelos recientes, aunque puede que no estemos completamente al día con el estado del arte.
|
||||
* Enfoques de IA menos populares, como los **Algoritmos Genéticos** y los **Sistemas Multiagente**.
|
||||
* Diferentes enfoques de la Inteligencia Artificial, incluyendo el enfoque simbólico "a la antigua" con **Representación del Conocimiento** y razonamiento ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Redes neuronales** y **Aprendizaje profundo**, que están en el núcleo de la IA moderna. Ilustraremos los conceptos detrás de estos temas importantes usando código en dos de los marcos más populares - [TensorFlow](http://Tensorflow.org) y [PyTorch](http://pytorch.org).
|
||||
* **Arquitecturas neuronales** para trabajar con imágenes y texto. Cubriremos modelos recientes pero puede que estemos un poco alejados del estado del arte.
|
||||
* Enfoques de IA menos populares, como **Algoritmos genéticos** y **Sistemas multiagente**.
|
||||
|
||||
Qué no cubriremos en este plan de estudios:
|
||||
Lo que no cubriremos en este plan de estudios:
|
||||
|
||||
> [Encuentra todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Casos de negocio del uso de **IA en los negocios**. Considera tomar el itinerario de aprendizaje [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) en Microsoft Learn, o [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), desarrollado en cooperación con [INSEAD](https://www.insead.edu/).
|
||||
* **Aprendizaje automático clásico**, que está bien descrito en nuestro [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplicaciones prácticas de IA construidas usando **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Para esto, recomendamos que comiences con los módulos de Microsoft Learn para [visión](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [procesamiento de lenguaje natural](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)** y otros.
|
||||
* Marcos específicos de ML en la nube, como [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). Considera usar los itinerarios de aprendizaje [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) y [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).
|
||||
* **IA conversacional** y **Chat Bots**. Hay un itinerario de aprendizaje separado [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), y también puedes consultar [esta entrada de blog](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) para más detalles.
|
||||
* **Matemáticas avanzadas** detrás del aprendizaje profundo. Para esto, recomendamos [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) de Ian Goodfellow, Yoshua Bengio y Aaron Courville, que también está disponible en línea en [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Casos de negocio del uso de **IA en la empresa**. Considera tomar la ruta de aprendizaje [Introducción a la IA para usuarios empresariales](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) en Microsoft Learn, o [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), desarrollada en cooperación con [INSEAD](https://www.insead.edu/).
|
||||
* **Aprendizaje automático clásico**, que está bien descrito en nuestro [Currículo de Aprendizaje automático para principiantes](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplicaciones prácticas de IA desarrolladas usando **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Para esto, recomendamos que comiences con los módulos de Microsoft Learn para [visión](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [procesamiento de lenguaje natural](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)** y otros.
|
||||
* **Marcos en la nube específicos para ML**, como [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). Considera usar las rutas de aprendizaje [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) y [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).
|
||||
* **IA conversacional** y **Chat Bots**. Existe una ruta de aprendizaje separada [Crear soluciones de IA conversacional](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), y también puedes consultar [esta publicación del blog](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) para más detalles.
|
||||
* **Matemáticas profundas** detrás del aprendizaje profundo. Para esto, recomendamos [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) de Ian Goodfellow, Yoshua Bengio y Aaron Courville, que también está disponible en línea en [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Para una introducción suave a los temas de _IA en la nube_ puedes considerar tomar el itinerario de aprendizaje [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).
|
||||
Para una introducción suave a los temas de _IA en la nube_ puedes considerar tomar la Ruta de aprendizaje [Comienza con inteligencia artificial en Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Contenido
|
||||
|
||||
| | Enlace de la lección | PyTorch/Keras/TensorFlow | Laboratorio |
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Configuración del curso](./lessons/0-course-setup/setup.md) | [Configura tu entorno de desarrollo](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Course Setup](./lessons/0-course-setup/setup.md) | [Setup Your Development Environment](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Introducción a la IA**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Introducción e historia de la IA](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **IA simbólica** |
|
||||
| 02 | [Representación del conocimiento y sistemas expertos](./lessons/2-Symbolic/README.md) | [Sistemas Expertos](./lessons/2-Symbolic/Animals.ipynb) / [Ontología](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafo de conceptos](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Representación del conocimiento y sistemas expertos](./lessons/2-Symbolic/README.md) | [Sistemas expertos](./lessons/2-Symbolic/Animals.ipynb) / [Ontología](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafo de conceptos](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Introducción a las redes neuronales**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptrón](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Cuaderno](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorio](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptrón multicapa y creación de nuestro propio framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Cuaderno](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorio](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Introducción a frameworks (PyTorch/TensorFlow) y sobreajuste](./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) | [Laboratorio](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Visión por Computadora**](./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)| [Explorar Visión por Computadora en Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 04 | [Perceptrón Multicapa y Crear nuestro propio framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Cuaderno](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorio](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Introducción a Frameworks (PyTorch/TensorFlow) y Sobreajuste](./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) | [Laboratorio](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Visión por Computadora**](./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)| [Explora la Visión por Computadora en Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Introducción a la Visión por Computadora. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Cuaderno](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorio](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Redes Neuronales Convolucionales](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arquitecturas 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) | [Laboratorio](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Redes preentrenadas y Aprendizaje por transferencia](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Trucos de entrenamiento](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorio](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 08 | [Redes preentrenadas y Aprendizaje por Transferencia](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Trucos de entrenamiento](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorio](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders y 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 | [Redes Generativas Antagónicas & Transferencia de estilo artístico](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detección de objetos](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorio](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentación semántica. 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 | [**Procesamiento de Lenguaje Natural**](./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) | [Explorar Procesamiento de Lenguaje Natural en Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Representación de texto. 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) | |
|
||||
| 10 | [Redes Generativas Antagónicas y Transferencia de Estilo Artístico](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detección de Objetos](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorio](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentación Semántica. 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 | [**Procesamiento de Lenguaje Natural**](./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) | [Explora el Procesamiento de Lenguaje Natural en Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Representación de Texto. 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 | [Embeddings semánticos de palabras. Word2Vec y 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 | [Modelado de lenguaje. Entrenar tus propios 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) | [Laboratorio](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 15 | [Modelado de Lenguaje. Entrenar tus propios 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) | [Laboratorio](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Redes Neuronales Recurrentes](./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 | [Redes Recurrentes Generativas](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Laboratorio](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Reconocimiento de entidades nombradas](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorio](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Modelos de lenguaje a gran escala, programación de prompts y tareas few-shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 19 | [Reconocimiento de Entidades Nombradas](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorio](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Modelos de Lenguaje Grande, Programación de Prompts y Tareas Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Otras técnicas de IA** || |
|
||||
| 21 | [Algoritmos genéticos](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Cuaderno](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Aprendizaje por refuerzo profundo](./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) | [Laboratorio](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistemas multiagente](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 21 | [Algoritmos Genéticos](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Cuaderno](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Aprendizaje por Refuerzo Profundo](./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) | [Laboratorio](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistemas Multiagente](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Ética de la IA** | | |
|
||||
| 24 | [Ética de la IA y IA responsable](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principios de IA responsable](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Ética de la IA y IA Responsable](./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 | [Redes multimodales, CLIP y VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Cuaderno](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Redes Multimodales, CLIP y VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Cuaderno](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Cada lección contiene
|
||||
|
||||
* Material de lectura previa
|
||||
* Cuadernos Jupyter ejecutables, que suelen ser específicos del framework (**PyTorch** o **TensorFlow**). El cuaderno ejecutable también contiene mucho material teórico, así que para entender el tema necesitas revisar al menos una versión del cuaderno (ya sea **PyTorch** o **TensorFlow**).
|
||||
* Cuadernos Jupyter ejecutables, que a menudo son específicos del framework (**PyTorch** o **TensorFlow**). El cuaderno ejecutable también contiene mucho material teórico, por lo que para entender el tema necesitas revisar al menos una versión del cuaderno (ya sea PyTorch o TensorFlow).
|
||||
* **Laboratorios** disponibles para algunos temas, que te dan la oportunidad de intentar aplicar el material que has aprendido a un problema específico.
|
||||
* Algunas secciones contienen enlaces a [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) módulos que cubren temas relacionados.
|
||||
* Algunas secciones contienen enlaces a módulos de [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) que cubren temas relacionados.
|
||||
|
||||
## Primeros pasos
|
||||
|
||||
### 🎯 ¿Nuevo en IA? ¡Comienza aquí!
|
||||
### 🎯 ¿Nuevo en IA? ¡Empieza aquí!
|
||||
|
||||
Si eres completamente nuevo en IA y quieres ejemplos rápidos y prácticos, consulta nuestros [**Ejemplos para principiantes**](./examples/README.md)! Estos incluyen:
|
||||
Si eres completamente nuevo en IA y quieres ejemplos prácticos y rápidos, consulta nuestros [**Ejemplos para principiantes**](./examples/README.md)! Estos incluyen:
|
||||
|
||||
- 🌟 **Hola Mundo IA** - Tu primer programa de IA (reconocimiento de patrones)
|
||||
- 🧠 **Red neuronal simple** - Construye una red neuronal desde cero
|
||||
- 🧠 **Red Neuronal Simple** - Construye una red neuronal desde cero
|
||||
- 🖼️ **Clasificador de imágenes** - Clasifica imágenes con comentarios detallados
|
||||
- 💬 **Análisis de sentimiento** - Analizar texto positivo/negativo
|
||||
- 💬 **Análisis de Sentimiento de Texto** - Analiza texto positivo/negativo
|
||||
|
||||
Estos ejemplos están diseñados para ayudarte a comprender conceptos de IA antes de profundizar en el plan de estudios completo.
|
||||
Estos ejemplos están diseñados para ayudarte a comprender los conceptos de IA antes de profundizar en el plan de estudios completo.
|
||||
|
||||
### 📚 Configuración completa del plan de estudios
|
||||
|
||||
- Hemos creado una [lección de configuración](./lessons/0-course-setup/setup.md) para ayudarte a configurar tu entorno de desarrollo. - ¡Para educadores, también hemos creado una [lección de configuración del plan de estudios](./lessons/0-course-setup/for-teachers.md) para ustedes!
|
||||
- Cómo [ejecutar el código en VSCode o Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Hemos creado una [lección de configuración](./lessons/0-course-setup/setup.md) para ayudarte con la configuración de tu entorno de desarrollo. - ¡Para educadores, también hemos creado una [lección de configuración del plan de estudios](./lessons/0-course-setup/for-teachers.md) para ustedes!
|
||||
- Cómo [Ejecutar el código en VSCode o Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Sigue estos pasos:
|
||||
|
||||
|
|
@ -136,17 +136,17 @@ Fork the Repository: Haz clic en el botón "Fork" en la esquina superior derecha
|
|||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
No olvides añadir una estrella (🌟) a este repositorio para encontrarlo más fácilmente más tarde.
|
||||
|
||||
## Conoce a otros estudiantes
|
||||
|
||||
Únete a nuestro [servidor oficial de Discord de IA](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) para conocer y conectar con otros estudiantes que toman este curso y obtener apoyo.
|
||||
Únete a nuestro [servidor oficial de Discord de IA](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) para conocer y conectar con otros estudiantes que están realizando este curso y obtener apoyo.
|
||||
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Si tienes comentarios sobre el producto o preguntas mientras construyes, visita nuestro [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Cuestionarios
|
||||
|
||||
> **Una nota sobre los cuestionarios**: Todos los cuestionarios se encuentran en la carpeta Quiz-app en etc\quiz-app, o [En línea aquí](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
> **Una nota sobre los cuestionarios**: Todos los cuestionarios están contenidos en la carpeta Quiz-app en etc\quiz-app, o [En línea Aquí](https://ff-quizzes.netlify.app/) Están enlazados desde las lecciones; la aplicación de cuestionarios puede ejecutarse localmente o desplegarse en Azure; sigue las instrucciones en la carpeta `quiz-app`. Se están localizando gradualmente.
|
||||
|
||||
## Se solicita ayuda
|
||||
|
||||
|
|
@ -156,13 +156,13 @@ If you have product feedback or questions whilst building visit our [Azure AI Fo
|
|||
|
||||
* **✍️ Autor principal:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustradora de sketchnotes:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Creador de cuestionarios:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🎨 Ilustradora de sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Creadora de cuestionarios:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Colaboradores principales:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Otros planes de estudio
|
||||
## Otros currículos
|
||||
|
||||
Nuestro equipo produce otros planes de estudio! Echa un vistazo:
|
||||
Nuestro equipo produce otros currículos. ¡Échales un vistazo!
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -171,28 +171,28 @@ Nuestro equipo produce otros planes de estudio! Echa un vistazo:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agentes
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Serie de IA Generativa
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Aprendizaje principal
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
|
|
@ -201,22 +201,22 @@ Nuestro equipo produce otros planes de estudio! Echa un vistazo:
|
|||
### Serie Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Obtener ayuda
|
||||
|
||||
Si te quedas atascado o tienes preguntas sobre cómo crear aplicaciones de IA. Únete a otros estudiantes y desarrolladores experimentados en discusiones sobre MCP. Es una comunidad de apoyo donde las preguntas son bienvenidas y el conocimiento se comparte libremente.
|
||||
Si te quedas atascado o tienes alguna pregunta sobre cómo construir aplicaciones de IA, únete a otros estudiantes y desarrolladores experimentados en las discusiones sobre MCP. Es una comunidad de apoyo donde las preguntas son bienvenidas y el conocimiento se comparte libremente.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Si tienes comentarios sobre el producto o errores mientras construyes visita:
|
||||
Si tienes comentarios sobre el producto o errores mientras construyes, visita:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Descargo de responsabilidad:
|
||||
Este documento ha sido traducido usando el servicio de traducción por IA Co-op Translator (https://github.com/Azure/co-op-translator). Si bien nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por un traductor humano. No nos hacemos responsables de ningún malentendido o interpretación errónea que surja del uso de esta traducción.
|
||||
**Descargo de responsabilidad**:
|
||||
Este documento ha sido traducido utilizando el servicio de traducción por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la exactitud, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma original debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por traductores humanos. No nos hacemos responsables de cualquier malentendido o interpretación errónea derivada del uso de esta traducción.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Introducción a la IA
|
||||
|
||||
|
||||
|
||||
|
||||
> Dibujo por [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Originalmente, las computadoras fueron inventadas por [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) para operar con números siguiendo un procedimiento bien definido: un algoritmo. Las computadoras modernas, aunque significativamente más avanzadas que el modelo original propuesto en el siglo XIX, aún siguen la misma idea de cálculos controlados. Por lo tanto, es posible programar una computadora para hacer algo si conocemos la secuencia exacta de pasos necesarios para lograr el objetivo.
|
||||
|
||||
|
||||
|
||||
|
||||
> Foto por [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Para más información, consulta **[Inteligencia Artificial General](https://en.
|
|||
|
||||
Uno de los problemas al tratar con el término **[Inteligencia](https://en.wikipedia.org/wiki/Intelligence)** es que no hay una definición clara de este término. Se puede argumentar que la inteligencia está conectada con el **pensamiento abstracto** o con la **autoconciencia**, pero no podemos definirlo adecuadamente.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Foto](https://unsplash.com/photos/75715CVEJhI) por [Amber Kipp](https://unsplash.com/@sadmax) de Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Alternativamente, podemos intentar modelar los elementos más simples dentro de
|
|||
|
||||
> | ¿Qué hay de ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Parte de la Inteligencia Artificial que se basa en que la computadora aprenda a resolver un problema basado en algunos datos se llama **Aprendizaje Automático**. No consideraremos el aprendizaje automático clásico en este curso; te remitimos a un currículo separado de [Machine Learning para Principiantes](http://aka.ms/ml-beginners). |  |
|
||||
> | Parte de la Inteligencia Artificial que se basa en que la computadora aprenda a resolver un problema basado en algunos datos se llama **Aprendizaje Automático**. No consideraremos el aprendizaje automático clásico en este curso; te remitimos a un currículo separado de [Machine Learning para Principiantes](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Breve Historia de la IA
|
||||
|
||||
La Inteligencia Artificial comenzó como un campo a mediados del siglo XX. Inicialmente, el razonamiento simbólico era el enfoque predominante, y condujo a una serie de éxitos importantes, como los sistemas expertos: programas informáticos que podían actuar como expertos en algunos dominios de problemas limitados. Sin embargo, pronto quedó claro que este enfoque no escala bien. Extraer el conocimiento de un experto, representarlo en una computadora y mantener esa base de conocimiento precisa resulta ser una tarea muy compleja y demasiado costosa para ser práctica en muchos casos. Esto llevó al llamado [Invierno de la IA](https://en.wikipedia.org/wiki/AI_winter) en la década de 1970.
|
||||
|
||||
<img alt="Breve Historia de la IA" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.es.png" width="70%"/>
|
||||
<img alt="Breve Historia de la IA" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.es.png" width="70%"/>
|
||||
|
||||
> Imagen por [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ De manera similar, podemos ver cómo cambió el enfoque hacia la creación de "p
|
|||
* Los asistentes modernos, como Cortana, Siri o Google Assistant, son todos sistemas híbridos que utilizan redes neuronales para convertir el habla en texto y reconocer nuestra intención, y luego emplean algún razonamiento o algoritmos explícitos para realizar las acciones requeridas.
|
||||
* En el futuro, podemos esperar un modelo completamente basado en redes neuronales para manejar el diálogo por sí mismo. Las recientes redes neuronales de la familia GPT y [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) muestran un gran éxito en esto.
|
||||
|
||||
<img alt="la evolución de la prueba de Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.es.png" width="70%"/>
|
||||
<img alt="la evolución de la prueba de Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead.es.png" width="70%"/>
|
||||
> Imagen de Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) por [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Investigación reciente en IA
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Representación del Conocimiento y Sistemas Expertos
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote por [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ A menudo, no definimos estrictamente el conocimiento, pero lo alineamos con otro
|
|||
|
||||
Por lo tanto, el problema de la **representación del conocimiento** es encontrar una forma efectiva de representar el conocimiento dentro de una computadora en forma de datos, para que sea automáticamente utilizable. Esto puede verse como un espectro:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen por [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Sintaxis de Bloque | Indentación | | |
|
|||
|
||||
Uno de los primeros éxitos de la IA simbólica fueron los llamados **sistemas expertos**: sistemas informáticos diseñados para actuar como un experto en un dominio de problemas limitado. Se basaban en una **base de conocimiento** extraída de uno o más expertos humanos, y contenían un **motor de inferencia** que realizaba razonamientos sobre ella.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Estructura simplificada del sistema neural humano | Arquitectura de un sistema basado en conocimiento
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Los sistemas expertos están construidos como el sistema de razonamiento humano,
|
|||
|
||||
Como ejemplo, consideremos el siguiente sistema experto para determinar un animal basado en sus características físicas:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen por [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ El sobreajuste es un concepto extremadamente importante en el aprendizaje autom
|
|||
|
||||
Considera el siguiente problema de aproximar 5 puntos (representados por `x` en los gráficos a continuación):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Modelo lineal, 2 parámetros** | **Modelo no lineal, 7 parámetros**
|
||||
Error de entrenamiento = 5.3 | Error de entrenamiento = 0
|
||||
|
|
@ -79,7 +79,7 @@ Es muy importante encontrar un equilibrio correcto entre la complejidad del mode
|
|||
|
||||
Como puedes ver en el gráfico anterior, el sobreajuste puede detectarse por un error de entrenamiento muy bajo y un error de validación alto. Normalmente, durante el entrenamiento veremos que tanto el error de entrenamiento como el de validación comienzan a disminuir, y luego, en algún punto, el error de validación podría dejar de disminuir y empezar a aumentar. Esto será una señal de sobreajuste y un indicador de que probablemente deberíamos detener el entrenamiento en ese punto (o al menos hacer una instantánea del modelo).
|
||||
|
||||
|
||||
|
||||
|
||||
## Cómo prevenir el sobreajuste
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Introducción a las Redes Neuronales
|
||||
|
||||
|
||||
|
||||
|
||||
Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores han probado diferentes modelos matemáticos, hasta que en los últimos años esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ En este plan de estudios, nos centraremos únicamente en modelos de redes neuron
|
|||
|
||||
De la biología, sabemos que nuestro cerebro está compuesto por células neuronales (neuronas), cada una de las cuales tiene múltiples "entradas" (dendritas) y una única "salida" (axón). Tanto las dendritas como los axones pueden conducir señales eléctricas, y las conexiones entre ellos — conocidas como sinapsis — pueden mostrar diferentes grados de conductividad, que son regulados por neurotransmisores.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Neurona Real *([Imagen](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipedia)* | Neurona Artificial *(Imagen del Autor)*
|
||||
|
||||
Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X<sub>1</sub>, ..., X<sub>N</sub> y una salida Y, junto con una serie de pesos W<sub>1</sub>, ..., W<sub>N</sub>. La salida se calcula como:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.es.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.es.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
donde f es alguna **función de activación** no lineal.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ En nuestro [OpenCV Notebook](OpenCV.ipynb), damos algunos ejemplos de cuándo la
|
|||
|
||||
* **Preprocesar una fotografía de un libro en Braille**. Nos enfocamos en cómo podemos usar umbralización, detección de características, transformación de perspectiva y manipulaciones de NumPy para separar símbolos individuales de Braille para su posterior clasificación por una red neuronal.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Imagen de [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Detectar movimiento en video usando diferencia de fotogramas**. Si la cámara está fija, los fotogramas del feed de la cámara deberían ser bastante similares entre sí. Dado que los fotogramas se representan como arreglos, simplemente al restar esos arreglos de dos fotogramas consecutivos obtendremos la diferencia de píxeles, que debería ser baja para fotogramas estáticos y aumentar cuando haya un movimiento sustancial en la imagen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ En nuestro [OpenCV Notebook](OpenCV.ipynb), damos algunos ejemplos de cuándo la
|
|||
- **Flujo Óptico Denso** calcula el campo vectorial que muestra para cada píxel hacia dónde se está moviendo.
|
||||
- **Flujo Óptico Escaso** se basa en tomar algunas características distintivas en la imagen (por ejemplo, bordes) y construir su trayectoria de fotograma a fotograma.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 es una red que alcanzó un 92.7% de precisión en la clasificación top-5 de ImageNet en 2014. Tiene la siguiente estructura de capas:
|
||||
|
||||
|
||||
|
||||
|
||||
Como puedes ver, VGG sigue una arquitectura piramidal tradicional, que es una secuencia de capas de convolución y agrupamiento.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ En la vida real, queremos ser capaces de reconocer objetos en una imagen sin imp
|
|||
|
||||
Para extraer patrones, utilizaremos el concepto de **filtros convolucionales**. Como sabes, una imagen se representa mediante una matriz 2D o un tensor 3D con profundidad de color. Aplicar un filtro significa que tomamos una matriz relativamente pequeña llamada **kernel del filtro**, y para cada píxel de la imagen original calculamos el promedio ponderado con los puntos vecinos. Podemos imaginar esto como una pequeña ventana que se desliza sobre toda la imagen, promediando todos los píxeles según los pesos en la matriz del kernel del filtro.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Imagen por Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ El funcionamiento de las CNN se basa en las siguientes ideas importantes:
|
|||
* Podemos diseñar la red de manera que los filtros se entrenen automáticamente.
|
||||
* Podemos usar el mismo enfoque para encontrar patrones en características de alto nivel, no solo en la imagen original. Así, la extracción de características en las CNN funciona en una jerarquía de características, comenzando con combinaciones de píxeles de bajo nivel, hasta combinaciones de alto nivel de partes de la imagen.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [un artículo de Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), basado en [su investigación](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ La mayoría de las CNN utilizadas para el procesamiento de imágenes siguen una
|
|||
|
||||
Como ejemplo, veamos la arquitectura de VGG-16, una red que logró un 92.7% de precisión en la clasificación top-5 de ImageNet en 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Necesitas entrenar una red neuronal convolucional para clasificar diferentes raz
|
|||
|
||||
Usaremos el [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), que contiene imágenes de 37 razas diferentes de perros y gatos.
|
||||
|
||||
|
||||
|
||||
|
||||
Para descargar el conjunto de datos, utiliza este fragmento de código:
|
||||
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Tanto Keras como PyTorch contienen funciones para cargar fácilmente pesos de re
|
|||
|
||||
Aquí hay características extraídas de una imagen de un gato por la red VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Conjunto de Datos de Gatos vs. Perros
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Una red neuronal pre-entrenada contiene diferentes patrones en su *cerebro*, inc
|
|||
|
||||
Un enfoque que podemos tomar es comenzar con una imagen aleatoria y luego usar la técnica de **optimización por descenso de gradiente** para ajustar esa imagen de tal manera que la red comience a pensar que es un gato.
|
||||
|
||||
|
||||
|
||||
|
||||
Sin embargo, si hacemos esto, obtendremos algo muy similar a un ruido aleatorio. Esto se debe a que *hay muchas formas de hacer que la red piense que la imagen de entrada es un gato*, incluyendo algunas que no tienen sentido visualmente. Aunque esas imágenes contienen muchos patrones típicos de un gato, no hay nada que las restrinja a ser visualmente distintivas.
|
||||
|
||||
Para mejorar el resultado, podemos agregar otro término a la función de pérdida, llamado **pérdida de variación**. Es una métrica que muestra cuán similares son los píxeles vecinos de la imagen. Minimizar la pérdida de variación hace que la imagen sea más suave y elimina el ruido, revelando patrones más atractivos visualmente. Aquí hay un ejemplo de imágenes "ideales" que son clasificadas como gato y como cebra con alta probabilidad:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Gato Ideal* | *Cebra Ideal*
|
||||
|
||||
Un enfoque similar puede usarse para realizar los llamados **ataques adversariales** en una red neuronal. Supongamos que queremos engañar a una red neuronal y hacer que un perro parezca un gato. Si tomamos la imagen de un perro, que es reconocida por la red como un perro, podemos ajustarla un poco usando optimización por descenso de gradiente hasta que la red comience a clasificarla como un gato:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Imagen original de un perro* | *Imagen de un perro clasificada como un gato*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Sin embargo, podríamos querer usar datos sin procesar (no etiquetados) para ent
|
|||
|
||||
Dado que estamos entrenando un autoencoder para capturar la mayor cantidad de información posible de la imagen original para una reconstrucción precisa, la red intenta encontrar la mejor **representación** de las imágenes de entrada para capturar su significado.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Los modelos de clasificación de imágenes que hemos tratado hasta ahora toman u
|
|||
|
||||
## [Cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen de [sitio web de YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Supongamos que queremos encontrar un gato en una imagen. Un enfoque muy ingenuo
|
|||
2. Ejecutar clasificación de imágenes en cada sección.
|
||||
3. Las secciones que resulten en una activación suficientemente alta pueden considerarse que contienen el objeto en cuestión.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagen del [Cuaderno de Ejercicios](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Es posible que encuentres los siguientes conjuntos de datos para esta tarea:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 clases
|
||||
* [COCO](http://cocodataset.org/#home) - Objetos Comunes en Contexto. 80 clases, cuadros delimitadores y máscaras de segmentación.
|
||||
|
||||
|
||||
|
||||
|
||||
## Métricas de Detección de Objetos
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Es posible que encuentres los siguientes conjuntos de datos para esta tarea:
|
|||
|
||||
Mientras que para la clasificación de imágenes es fácil medir qué tan bien funciona el algoritmo, para la detección de objetos necesitamos medir tanto la corrección de la clase como la precisión de la ubicación inferida del cuadro delimitador. Para esto último, usamos la llamada **Intersección sobre Unión** (IoU), que mide qué tan bien se superponen dos cuadros (o dos áreas arbitrarias).
|
||||
|
||||
|
||||
|
||||
|
||||
> *Figura 2 de [este excelente artículo sobre IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Existen dos grandes clases de algoritmos de detección de objetos:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) utiliza [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) para generar una estructura jerárquica de regiones ROI, que luego se pasan por extractores de características CNN y clasificadores SVM para determinar la clase del objeto, y regresión lineal para determinar las coordenadas del *cuadro delimitador*. [Artículo Oficial](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagen de van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imágenes de [este artículo](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Existen dos grandes clases de algoritmos de detección de objetos:
|
|||
|
||||
Este enfoque es similar a R-CNN, pero las regiones se definen después de que se han aplicado las capas de convolución.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Artículo Oficial](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Este enfoque es similar a R-CNN, pero las regiones se definen después de que se
|
|||
|
||||
La idea principal de este enfoque es usar una red neuronal para predecir las ROI, llamada *Red de Propuesta de Regiones*. [Artículo](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Artículo Oficial](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Este algoritmo es incluso más rápido que Faster R-CNN. La idea principal es la
|
|||
1. Las características se procesan mediante **Position-Sensitive Score Map**. Cada objeto de $C$ clases se divide en regiones de $k\times k$, y entrenamos para predecir partes de objetos.
|
||||
1. Para cada parte de las regiones de $k\times k$, todas las redes votan por las clases de objetos, y se selecciona la clase de objeto con el voto máximo.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Artículo Oficial](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO es un algoritmo de una sola pasada en tiempo real. La idea principal es la
|
|||
* La imagen se divide en regiones de $S\times S$.
|
||||
* Para cada región, **CNN** predice $n$ posibles objetos, las coordenadas del *cuadro delimitador* y la *confianza*=*probabilidad* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Artículo Oficial](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Entonces, la capa de embedding tomaría una palabra como entrada y produciría u
|
|||
|
||||
Al usar una capa de embedding como la primera capa en nuestra red clasificadora, podemos cambiar de un modelo de bolsa de palabras a un modelo de **embedding bag**, donde primero convertimos cada palabra en nuestro texto en su correspondiente embedding, y luego calculamos alguna función de agregación sobre todos esos embeddings, como `sum`, `average` o `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen por el autor
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Para lograr esto, necesitamos preentrenar nuestro modelo de embedding en una gra
|
|||
|
||||
CBoW es más rápido, mientras que skip-gram es más lento, pero hace un mejor trabajo representando palabras poco frecuentes.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen tomada de [este artículo](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ En nuestros ejemplos anteriores, utilizamos incrustaciones semánticas preentren
|
|||
* **Continuous Bag-of-Words** (CBoW), donde predecimos el token central $W_0$ en una secuencia de tokens $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, donde predecimos un conjunto de tokens vecinos {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} a partir del token central $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen tomada de [este artículo](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ En secciones anteriores, hemos estado utilizando representaciones semánticas en
|
|||
|
||||
Para capturar el significado de una secuencia de texto, necesitamos usar otra arquitectura de red neuronal, llamada **red neuronal recurrente**, o RNN. En una RNN, pasamos nuestra oración a través de la red un símbolo a la vez, y la red produce un **estado**, que luego pasamos nuevamente a la red junto con el siguiente símbolo.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del autor
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Hemos discutido redes recurrentes que operan en una dirección, desde el inicio
|
|||
|
||||
Una red recurrente, ya sea unidireccional o bidireccional, captura ciertos patrones dentro de una secuencia y puede almacenarlos en un vector de estado o pasarlos a la salida. Al igual que con las redes convolucionales, podemos construir otra capa recurrente sobre la primera para capturar patrones de nivel superior y construir a partir de los patrones de bajo nivel extraídos por la primera capa. Esto nos lleva a la noción de una **RNN multicapa**, que consiste en dos o más redes recurrentes, donde la salida de la capa anterior se pasa a la siguiente capa como entrada.
|
||||
|
||||
|
||||
|
||||
|
||||
*Imagen tomada de [este maravilloso artículo](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) de Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ En la arquitectura de RNN que discutimos en la unidad anterior, cada unidad RNN
|
|||
|
||||
Esto permite diferentes arquitecturas neuronales, como se muestra en la imagen a continuación:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del blog [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) por [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ En esta unidad, nos enfocaremos en modelos generativos simples que nos ayuden a
|
|||
|
||||
Entrenaremos esta RNN para generar texto paso a paso. En cada paso, tomaremos una secuencia de caracteres de longitud `nchars` y pediremos a la red que genere el siguiente carácter de salida para cada carácter de entrada:
|
||||
|
||||
|
||||
|
||||
|
||||
Cuando generamos texto (durante la inferencia), comenzamos con un **prompt**, que se pasa por las celdas RNN para generar su estado intermedio, y luego comienza la generación desde este estado. Generamos un carácter a la vez y pasamos el estado y el carácter generado a otra celda RNN para generar el siguiente, hasta que generemos suficientes caracteres.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Con las RNNs, la tarea de secuencia a secuencia se implementa mediante dos redes
|
|||
|
||||
Los **mecanismos de atención** proporcionan una forma de ponderar el impacto contextual de cada vector de entrada en cada predicción de salida de la RNN. Esto se implementa creando atajos entre los estados intermedios de la RNN de entrada y la RNN de salida. De esta manera, al generar el símbolo de salida y<sub>t</sub>, tomaremos en cuenta todos los estados ocultos de entrada h<sub>i</sub>, con diferentes coeficientes de peso α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> El modelo codificador-decodificador con mecanismo de atención aditiva en [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citado de [este blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
La matriz de atención {α<sub>i,j</sub>} representaría el grado en que ciertas palabras de entrada influyen en la generación de una palabra dada en la secuencia de salida. A continuación, se muestra un ejemplo de dicha matriz:
|
||||
|
||||
|
||||
|
||||
|
||||
> Figura de [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ El resultado que obtenemos con el embebido posicional incluye tanto el token ori
|
|||
|
||||
A continuación, necesitamos capturar algunos patrones dentro de nuestra secuencia. Para ello, los transformadores utilizan un mecanismo de **auto-atención**, que es esencialmente atención aplicada a la misma secuencia como entrada y salida. Aplicar auto-atención nos permite tomar en cuenta el **contexto** dentro de la oración y ver qué palabras están interrelacionadas. Por ejemplo, nos permite ver qué palabras son referidas por correferencias, como *it*, y también considerar el contexto:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Blog de Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Dado que cada posición de entrada se mapea independientemente a cada posición
|
|||
|
||||
**BERT** (Representaciones de Codificador Bidireccional de Transformadores) es una red transformadora muy grande con múltiples capas: 12 capas para *BERT-base* y 24 para *BERT-large*. El modelo se preentrena primero en un gran corpus de datos de texto (Wikipedia + libros) utilizando entrenamiento no supervisado (predicción de palabras enmascaradas en una oración). Durante el preentrenamiento, el modelo absorbe niveles significativos de comprensión del lenguaje que luego pueden aprovecharse con otros conjuntos de datos mediante ajuste fino. Este proceso se llama **aprendizaje por transferencia**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen [fuente](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@ Con las RNN, la secuencia a secuencia se implementa mediante dos redes recurrent
|
|||
|
||||
**Los Mecanismos de Atención** proporcionan un medio para ponderar el impacto contextual de cada vector de entrada en cada predicción de salida de la RNN. La forma en que se implementa es creando atajos entre los estados intermedios de la RNN de entrada y la RNN de salida. De esta manera, al generar el símbolo de salida y<sub>t</sub>, tomaremos en cuenta todos los estados ocultos de entrada h<sub>i</sub>, con diferentes coeficientes de peso α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> El modelo codificador-decodificador con mecanismo de atención aditiva en [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citado de [esta publicación de blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
La matriz de atención {α<sub>i,j</sub>} representaría el grado en que ciertas palabras de entrada juegan un papel en la generación de una palabra dada en la secuencia de salida. A continuación se muestra un ejemplo de tal matriz:
|
||||
|
||||
|
||||
|
||||
|
||||
> Figura de [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@ El resultado que obtenemos con el embebido posicional integra tanto el token ori
|
|||
|
||||
A continuación, necesitamos capturar algunos patrones dentro de nuestra secuencia. Para hacer esto, los transformadores utilizan un mecanismo de **autoatención**, que es esencialmente atención aplicada a la misma secuencia como entrada y salida. Aplicar autoatención nos permite tener en cuenta el **contexto** dentro de la oración y ver qué palabras están interrelacionadas. Por ejemplo, nos permite ver qué palabras son referidas por co-referencias, como *ello*, y también tener en cuenta el contexto:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen del [Blog de Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -82,7 +82,7 @@ Dado que cada posición de entrada se mapea independientemente a cada posición
|
|||
|
||||
**BERT** (Representaciones de Codificador Bidireccional de Transformadores) es una red transformadora de múltiples capas muy grande con 12 capas para *BERT-base*, y 24 para *BERT-large*. El modelo se preentrena primero en un gran corpus de datos textuales (WikiPedia + libros) utilizando entrenamiento no supervisado (prediciendo palabras enmascaradas en una oración). Durante el preentrenamiento, el modelo absorbe niveles significativos de comprensión del lenguaje que luego pueden ser aprovechados con otros conjuntos de datos utilizando ajuste fino. Este proceso se llama **aprendizaje por transferencia**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagen [fuente](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Dado que necesitamos construir una correspondencia uno a uno entre tokens y clases, podemos entrenar un modelo neuronal **muchos a muchos** como el que se muestra en esta imagen:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagen tomada de [este artículo](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) de [Andrej Karpathy](http://karpathy.github.io/). Los modelos de clasificación de tokens NER corresponden a la arquitectura de red más a la derecha en esta imagen.*
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Puedes abrir uno de los modelos, por ejemplo **Biology → Flocking**.
|
|||
|
||||
Después de abrir el modelo, serás llevado a la pantalla principal de NetLogo. Aquí hay un modelo de ejemplo que describe la población de lobos y ovejas, dadas recursos finitos (hierba).
|
||||
|
||||
|
||||
|
||||
|
||||
> Captura de pantalla por Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -1,156 +1,157 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T02:04:06+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T13:48:19+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "et"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
# Tehisintellekt alustajatele - õppekava
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote autorilt [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Avasta **tehisintellekti** (AI) maailm meie 12-nädalase, 24-õppetunnilise õppekavaga! See sisaldab praktilisi õppetunde, teste ja laboritöid. Õppekava on algajasõbralik ja hõlmab tööriistu nagu TensorFlow ja PyTorch ning ka AI eetikat
|
||||
Uurige **tehisintellekti** (AI) maailma meie 12-nädalase, 24-õppetunniga õppekavaga! See sisaldab praktilisi tunde, viktoriine ja laboreid. Õppekava sobib algajatele ning käsitleb tööriistu nagu TensorFlow ja PyTorch ning ka tehisintellekti eetikat.
|
||||
|
||||
### 🌐 Mitmekeelte tugi
|
||||
|
||||
#### Toetatud GitHub Actioni kaudu (automaatselt & alati ajakohane)
|
||||
### 🌐 Mitmekeelne tugi
|
||||
|
||||
#### Toetatakse GitHub Actioni kaudu (automaatselt ja alati ajakohane)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Araabia](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaaria](../bg/README.md) | [Birma (Myanmar)](../my/README.md) | [Hiina (lihtsustatud)](../zh/README.md) | [Hiina (traditsiooniline, Hong Kong)](../hk/README.md) | [Hiina (traditsiooniline, Macau)](../mo/README.md) | [Hiina (traditsiooniline, Taiwan)](../tw/README.md) | [Horvaadi](../hr/README.md) | [Tšehhi](../cs/README.md) | [Taani](../da/README.md) | [Hollandi](../nl/README.md) | [Eesti](./README.md) | [Soome](../fi/README.md) | [Prantsuse](../fr/README.md) | [Saksa](../de/README.md) | [Kreeka](../el/README.md) | [Heebrea](../he/README.md) | [Hindi](../hi/README.md) | [Ungari](../hu/README.md) | [Indoneesia](../id/README.md) | [Itaalia](../it/README.md) | [Jaapani](../ja/README.md) | [Kannada](../kn/README.md) | [Korea](../ko/README.md) | [Leedu](../lt/README.md) | [Malai](../ms/README.md) | [Malajalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norra](../no/README.md) | [Pärsia (Farsi)](../fa/README.md) | [Poola](../pl/README.md) | [Portugali (Brasiilia)](../br/README.md) | [Portugali (Portugal)](../pt/README.md) | [Pandžabi (Gurmukhi)](../pa/README.md) | [Rumeenia](../ro/README.md) | [Vene](../ru/README.md) | [Serbia (kirillitsas)](../sr/README.md) | [Slovaki](../sk/README.md) | [Sloveeni](../sl/README.md) | [Hispaania](../es/README.md) | [Suahiili](../sw/README.md) | [Rootsi](../sv/README.md) | [Tagalogi (Filipino)](../tl/README.md) | [Tamili](../ta/README.md) | [Telugu](../te/README.md) | [Tai](../th/README.md) | [Türgi](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnami](../vi/README.md)
|
||||
[araabia](../ar/README.md) | [bengali](../bn/README.md) | [bulgaaria](../bg/README.md) | [birma (Myanmar)](../my/README.md) | [hiina (lihtsustatud)](../zh/README.md) | [hiina (traditsiooniline, Hongkong)](../hk/README.md) | [hiina (traditsiooniline, Macao)](../mo/README.md) | [hiina (traditsiooniline, Taiwan)](../tw/README.md) | [horvaadi](../hr/README.md) | [tšehhi](../cs/README.md) | [taani](../da/README.md) | [hollandi](../nl/README.md) | [eesti](./README.md) | [soome](../fi/README.md) | [prantsuse](../fr/README.md) | [saksa](../de/README.md) | [kreeka](../el/README.md) | [heebrea](../he/README.md) | [hindi](../hi/README.md) | [ungari](../hu/README.md) | [indoneesia](../id/README.md) | [itaalia](../it/README.md) | [jaapani](../ja/README.md) | [kannada](../kn/README.md) | [korea](../ko/README.md) | [leedu](../lt/README.md) | [malai](../ms/README.md) | [malayalam](../ml/README.md) | [marathi](../mr/README.md) | [nepali](../ne/README.md) | [Nigeeria pidžin](../pcm/README.md) | [norra](../no/README.md) | [pärsia (farsi)](../fa/README.md) | [poola](../pl/README.md) | [portugali (Brasiilia)](../br/README.md) | [portugali (Portugal)](../pt/README.md) | [punjabi (Gurmukhi)](../pa/README.md) | [rumeenia](../ro/README.md) | [vene](../ru/README.md) | [serbia (kirillitsa)](../sr/README.md) | [slovaki](../sk/README.md) | [sloveeni](../sl/README.md) | [hispaania](../es/README.md) | [suahiili](../sw/README.md) | [rootsi](../sv/README.md) | [tagalogi (filipiino)](../tl/README.md) | [tamil](../ta/README.md) | [telugu](../te/README.md) | [tai](../th/README.md) | [türgi](../tr/README.md) | [ukraina](../uk/README.md) | [urdu](../ur/README.md) | [vietnami](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Kui soovite, et toetataks täiendavaid tõlkeid, on toetatud keeled loetletud [siin](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Liitu kogukonnaga
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Mida sa õpid
|
||||
|
||||
**[Mindmap of the Course](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Kursuse mõttekaart](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Selles õppekavas õpid:
|
||||
Selles õppekavas õpid sa:
|
||||
|
||||
* Erinevaid lähenemisviise tehisintellektile, sealhulgas "hea vana" sümboolset lähenemist koos **teadmiste esindamise** ja järeldamisega ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Närvivõrgud** ja **süvaõpe**, mis on tänapäevase AI tuum. Näitame nende oluliste teemade kontseptsioone koodinäidete abil kahes populaarseimas raamistikus - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org).
|
||||
* **Närviarhitektuurid** piltide ja teksti töötlemiseks. Käsitleme hiljutisi mudeleid, kuid need ei pruugi täielikult kajastada viimaseid tipptasemel saavutusi.
|
||||
* Vähem levinud AI-lähenemisi, nagu **genetilised algoritmid** ja **mitmeagendilised süsteemid**.
|
||||
* Erinevaid lähenemisi tehisintellektile, sealhulgas „hea vana“ sümboolset lähenemist koos **teadmiste esindamise** ja järeldamisega ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Närvivõrgud** ja **sügavõpe**, mis on kaasaegse AI tuum. Me illustreerime nende oluliste teemade taga olevaid kontseptsioone koodi abil kahes populaarseimas raamistikus - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org).
|
||||
* **Neuraalarhitektuurid** piltide ja teksti töötlemiseks. Käsitleme viimaseid mudeleid, kuid võime olla mõnevõrra maas tipptasemest.
|
||||
* Vähem levinud AI-lähenemisi, nagu **geneetilised algoritmid** ja **mitmeagendi süsteemid**.
|
||||
|
||||
Mida me selles õppekavas ei käsitle:
|
||||
|
||||
> [Find all additional resources for this course in our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Leidke kõik täiendavad selle kursuse ressursid meie Microsoft Learn kollektsioonist](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Ärikasutusjuhtumid **AI äris**. Kaaluge Microsoft Learn'is oleva õpperaja [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) või [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) läbimist, mis on välja töötatud koostöös [INSEAD](https://www.insead.edu/).
|
||||
* **Klassikaline masinõpe**, mida on hästi kirjeldatud meie [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktilised AI-lahendused, mis on ehitatud kasutades **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Selleks soovitame alustada Microsoft Learni moodulitest [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)** ja teistest.
|
||||
* Spetsiifilised ML **pilve raamistike** tööriistad, nagu [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) või [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Kaaluge õpperadade [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) ja [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) läbimist.
|
||||
* **Vestluslik AI** ja **vestlusrobotid**. Selle jaoks on eraldi õpperada [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ning lisaks võite vaadata ka [seda blogipostitust](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) täiendava teabe saamiseks.
|
||||
* **Sügav matemaatika** süvaõppe taga. Selle jaoks soovitame raamatut [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autoritelt Ian Goodfellow, Yoshua Bengio ja Aaron Courville, mis on samuti saadaval veebis aadressil [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Äripõhised juhtumiuuringud tehisintellekti kasutamisest. Kaaluge Microsoft Learn'is õppeteekide [Sissejuhatus AI ärikasutajatele](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) läbimist või [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) kursust, mis on välja töötatud koostöös [INSEAD](https://www.insead.edu/)-iga.
|
||||
* **Klassikaline masinõpe**, mis on hästi kirjeldatud meie [Masinõpe algajatele - õppekava](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktilised AI rakendused, mis on ehitatud kasutades **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Selleks soovitame alustada Microsoft Learn'i moodulitest arvutinägemise jaoks ([vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)), loomuliku keele töötluse jaoks ([natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)), **[Generatiivne AI Azure OpenAI teenusega](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ja teistelt.
|
||||
* Spetsiifilised ML **pilveraamistikud**, nagu [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), või [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Kaaluge Microsoft Learn'i õppeteid [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) ja [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).
|
||||
* **Vestluslik AI** ja **vestlusrobotid**. Selle kohta on eraldi õppeteek [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), ning lisateabe saamiseks võite vaadata ka [seda blogipostitust](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Sügav matemaatika** sügava õppimise taga. Selle jaoks soovitame raamatu [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autoritelt Ian Goodfellow, Yoshua Bengio ja Aaron Courville, mis on saadaval ka veebis aadressil [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Õrnaks sissejuhatuseks _AI pilves_ teemadesse võite kaaluda õpperada [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).
|
||||
Õrnemaks sissejuhatuseks pilves AI teemadesse võite kaaluda õppeteed [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).
|
||||
|
||||
# Sisu
|
||||
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Loengu link | PyTorch/Keras/TensorFlow | Labor |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Kursuse seadistamine](./lessons/0-course-setup/setup.md) | [Seadista oma arenduskeskkond](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Kursuse häälestus](./lessons/0-course-setup/setup.md) | [Seadista oma arenduskeskkond](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Sissejuhatus tehisintellekti**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Sissejuhatus ja tehisintellekti ajalugu](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Sümboolne tehisintellekt** |
|
||||
| II | **Sümboolne AI** |
|
||||
| 02 | [Teadmiste esindamine ja ekspertsüsteemid](./lessons/2-Symbolic/README.md) | [Ekspertsüsteemid](./lessons/2-Symbolic/Animals.ipynb) / [Ontoloogia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Kontseptsioonigraaf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Sissejuhatus närvivõrkudesse**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Märkmik](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labor](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Mitmekihiline Perceptron ja oma raamistikku loomine](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Märkmik](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 04 | [Mitmekihiline perceptron ja oma raamistikku loomine](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Märkmik](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Sissejuhatus raamistikesse (PyTorch/TensorFlow) ja üleõppimine](./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) | [Labor](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Arvutinägemine**](./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)| [Avasta arvutinägemine Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Sissejuhatus arvutinägemisse. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Märkmik](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labor](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolutsioonilised närvivõrgud](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN arhitektuurid](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Eelõpetatud võrgud ja ülekandeõpe](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Treeningtrikid](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkoodrid ja VAE-d](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 08 | [Ettelaaditud võrgud ja ülekandeõpe](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Treeningutrikid](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkooderid ja VAE-d](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatiivsed vastandvõrgud & kunstilise stiili ülekandmine](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objektituvastus](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labor](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantiline segmentimine. 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 | [**Looduskeele töötlus**](./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) | [Avasta looduskeele töötlust Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Teksti esitus. Bag-of-words/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 | [Semantilised sõnaembedid. Word2Vec ja 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 | [Keelemudelite loomine. Oma embedide treenimine](./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) | [Labor](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurrentsed närvivõrgud](./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 | [Generatiivsed rekurrentsed võrgud](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformerid. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| V | [**Loodusliku keele töötlus**](./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) | [Avasta loodusliku keele töötlus Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Teksti esitus. 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 | [Semantilised sõnavektorid. Word2Vec ja 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 | [Keelemudeldus. Oma embeddingute treenimine](./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) | [Labor](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekursiivsed närvivõrgud](./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 | [Generatiivsed rekurrentvõrgud](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Nimetatud üksuste tuvastamine](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Suured keelemudelid, promptide programmeerimine ja vähese näidisega ülesanded](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 20 | [Suured keelemudelid, promptide programmeerimine ja vähese õppega ülesanded](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Muud tehisintellekti tehnikad** || |
|
||||
| 21 | [Geneetilised algoritmid](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Märkmik](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Sügav tugevdusõpe](./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) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 22 | [Sügav tugevdamisõpe](./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) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Mitmeagendilised süsteemid](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Tehisintellekti eetika** | | |
|
||||
| 24 | [Tehisintellekti eetika ja vastutustundlik tehisintellekt](./lessons/7-Ethics/README.md) | [Microsoft Learn: Vastutustundliku AI põhimõtted](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Tehisintellekti eetika ja vastutustundlik tehisintellekt](./lessons/7-Ethics/README.md) | [Microsoft Learn: Vastutustundliku tehisintellekti põhimõtted](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Lisad** | | |
|
||||
| 25 | [Mitmemodaalsed võrgud, CLIP ja VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Märkmik](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Iga õppetund sisaldab
|
||||
|
||||
* Eelneva lugemise materjal
|
||||
* Täidetavad Jupyteri märkmikud, mis on sageli spetsiifilised raamistikule (**PyTorch** või **TensorFlow**). Täidetav märkmik sisaldab ka palju teoreetilist materjali, nii et teema mõistmiseks peate läbi tegema vähemalt ühe märkmiku versiooni (kas **PyTorch** või **TensorFlow**).
|
||||
* **Laborid** on saadaval mõnede teemade puhul, mis annavad võimaluse proovida õpitud materjali rakendamist konkreetsele probleemile.
|
||||
* Mõned jaotised sisaldavad linke [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moodulitele, mis käsitlevad seotud teemasid.
|
||||
* Eelnevalt loetav materjal
|
||||
* Täidetavad Jupyteri märkmikud, mis sageli on spetsiifilised konkreetsele raamistikule (**PyTorch** või **TensorFlow**). Täidetav märkmik sisaldab ka palju teoreetilist materjali, seega teema mõistmiseks peate läbi tegema vähemalt ühe märkmiku versiooni (kas **PyTorch** või **TensorFlow**).
|
||||
* **Laborid** on saadaval mõnede teemade puhul, mis annavad võimaluse proovida õpitut rakendada konkreetse probleemi lahendamisel.
|
||||
* Mõned osad sisaldavad linke [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moodulitele, mis käsitlevad seotud teemasid.
|
||||
|
||||
## Alustamine
|
||||
|
||||
### 🎯 Uus AI? Alusta siit!
|
||||
### 🎯 Uus tehisintellekti alal? Alusta siit!
|
||||
|
||||
Kui oled tehisintellektis täiesti uus ja soovid kiireid praktilisi näiteid, vaata meie [**Algajatele sobivad näited**](./examples/README.md)! Need sisaldavad:
|
||||
Kui oled tehisintellektiga täiesti uus ja soovid kiireid praktilisi näiteid, vaata meie [**Algajasõbralikud näited**](./examples/README.md)! Need sisaldavad:
|
||||
|
||||
- 🌟 **Tere, AI maailm** - Sinu esimene tehisintellekti programm (mustrituvastus)
|
||||
- 🧠 **Lihtne närvivõrk** - Ehita närvivõrk nullist
|
||||
- 🖼️ **Pildiklassifikaator** - Klassifitseeri pilte üksikasjalike kommentaaridega
|
||||
- 💬 **Teksti sentiment** - Analüüsi teksti positiivset või negatiivset tooni
|
||||
- 🌟 **Hello AI World** - Sinu esimene tehisintellekti programm (mustri tuvastamine)
|
||||
- 🧠 **Simple Neural Network** - Ehita närvivõrk nullist
|
||||
- 🖼️ **Image Classifier** - Klassifitseeri pilte koos põhjalike kommentaaridega
|
||||
- 💬 **Teksti meeleolu** - analüüsi teksti positiivsust/negatiivsust
|
||||
|
||||
Need näited on mõeldud selleks, et aidata sul mõista tehisintellekti kontseptsioone enne kogu õppekavaga süvenemist.
|
||||
Need näited on mõeldud aitama teil tehisintellekti mõisteid mõista enne täieliku õppekava juurde asumist.
|
||||
|
||||
### 📚 Täieliku õppekava seadistamine
|
||||
|
||||
- We have created a [seadistuse õppetunni](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [õppekava seadistuse õppetunni](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- Oleme loonud a [seadistustunni](./lessons/0-course-setup/setup.md), et aidata teil arenduskeskkonda seadistada. - Õpetajatele oleme loonud ka [õppekava seadistuse tunni](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kuidas [käivitada koodi VSCode'is või Codepace'is](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
Järgige neid samme:
|
||||
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Klooni hoidla: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
Ärge unustage sellele hoidlale tärni (🌟) anda, et seda hiljem kergemini leida.
|
||||
|
||||
## Tutvu teiste õppuritega
|
||||
## Tutvuge teiste õppuritega
|
||||
|
||||
Liitu meie [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
Liituge meie [ametliku AI Discordi serveriga](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), et kohtuda ja võrgustuda teiste selle kursuse osalejatega ning saada tuge.
|
||||
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Kui teil on toote tagasisidet või küsimusi ehitamise ajal, külastage meie [Azure AI Foundry arendajate foorumit](https://aka.ms/foundry/forum)
|
||||
|
||||
## Viktoriinid
|
||||
|
||||
> **Märkus viktoriinide kohta**: Kõik viktoriinid on koondatud Quiz-app kausta etc\quiz-app, või [Veebis siin](https://ff-quizzes.netlify.app/) Need on lingitud õppetundide sees; viktoriini rakendust saab käivitada lokaalselt või juurutada Azure'i; järgi juhiseid `quiz-app` kaustas. Neid lokaliseeritakse järk-järgult.
|
||||
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad Quiz-app kaustas aadressil etc\quiz-app, või [Veebis siin](https://ff-quizzes.netlify.app/) Need on lingitud õppetundidesse; viktoriini rakendust saab käitada lokaalselt või juurutada Azure'i; järgige juhiseid `quiz-app` kaustas. Neid lokaliseeritakse järk-järgult.
|
||||
|
||||
## Abi soovitud
|
||||
|
||||
Kas sul on ettepanekuid või leidsid õigekirja- või koodivead? Ava issue või loo pull request.
|
||||
Kas teil on ettepanekuid või leidsid kirjavigu või koodivigu? Avage issue või esitage pull request.
|
||||
|
||||
## Erilised tänud
|
||||
|
||||
|
|
@ -158,11 +159,11 @@ Kas sul on ettepanekuid või leidsid õigekirja- või koodivead? Ava issue või
|
|||
* **🔥 Toimetaja:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote'i illustraator:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Viktoriinide looja:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Peamised panustajad:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Põhikontribuendid:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Muud õppekavad
|
||||
|
||||
Our team produces other curricula! Check out:
|
||||
Meie meeskond toodab ka teisi õppekavu! Vaadake:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -171,15 +172,15 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agentid
|
||||
### Azure / Edge / MCP / Agendid
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generatiivse AI sari
|
||||
### Generatiivne AI sari
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -187,36 +188,36 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Põhiõpe
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Põhialane õpe
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot seeria
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
### Copilot sari
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Abi saamine
|
||||
|
||||
Kui takerdud või sul on küsimusi seoses AI-rakenduste loomisega, liitu teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimused on teretulnud ja teadmisi jagatakse vabalt.
|
||||
Kui jääte hätta või teil on küsimusi AI-rakenduste ehitamise kohta, liituge teiste õppurite ja kogenud arendajatega aruteludes MCP teemal. See on toetav kogukond, kus küsimused on teretulnud ja teadmisi jagatakse vabalt.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
If you have product feedback or errors while building visit:
|
||||
Kui teil on toote tagasisidet või ehitamise käigus vigu, külastage:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Vastutusest loobumine**:
|
||||
See dokument on tõlgitud tehisintellektil (AI) põhineva tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palun arvestage, et automatiseeritud tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul on soovitatav kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste ega väärtõlgenduste eest.
|
||||
Vastutusest loobumine:
|
||||
See dokument on tõlgitud tehisintellekti-põhise tõlketeenuse Co-op Translator (https://github.com/Azure/co-op-translator) abil. Kuigi me püüame tagada täpsust, tuleb arvestada, et automatiseeritud tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokumenti selle algkeeles tuleks pidada autoriteetseks allikaks. Kriitilise teabe puhul on soovitatav kasutada professionaalset inimtõlget. Me ei vastuta arusaamatuste ega väärtõlgenduste eest, mis tulenevad selle tõlke kasutamisest.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Sissejuhatus tehisintellekti
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote autor: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Algselt leiutas [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) arvutid, et need töötleksid numbreid kindla protseduuri ehk algoritmi järgi. Kaasaegsed arvutid, kuigi palju arenenumad kui 19. sajandil välja pakutud mudel, järgivad endiselt sama ideed kontrollitud arvutustest. Seega on võimalik programmeerida arvutit midagi tegema, kui me teame täpset sammude jada, mida eesmärgi saavutamiseks vaja on.
|
||||
|
||||
|
||||
|
||||
|
||||
> Foto autor: [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Lisateabe saamiseks vaata **[Üldine tehisintellekt](https://en.wikipedia.org/wi
|
|||
|
||||
Üks probleem **[intelligentsuse](https://en.wikipedia.org/wiki/Intelligence)** mõistega tegelemisel on see, et sellel puudub selge määratlus. Võib väita, et intelligentsus on seotud **abstraktse mõtlemise** või **eneseteadvusega**, kuid me ei suuda seda korralikult defineerida.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Foto](https://unsplash.com/photos/75715CVEJhI) autor: [Amber Kipp](https://unsplash.com/@sadmax) Unsplashist
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Teise võimalusena võime proovida modelleerida meie aju kõige lihtsamaid eleme
|
|||
|
||||
> | Aga ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Tehisintellekti osa, mis põhineb arvuti õppimisel probleemi lahendamiseks andmete põhjal, nimetatakse **masinõppeks**. Me ei käsitle selles kursuses klassikalist masinõpet – soovitame tutvuda eraldi [Masinõppe algajatele](http://aka.ms/ml-beginners) õppekavaga. |  |
|
||||
> | Tehisintellekti osa, mis põhineb arvuti õppimisel probleemi lahendamiseks andmete põhjal, nimetatakse **masinõppeks**. Me ei käsitle selles kursuses klassikalist masinõpet – soovitame tutvuda eraldi [Masinõppe algajatele](http://aka.ms/ml-beginners) õppekavaga. |  |
|
||||
|
||||
## Lühike ülevaade TI ajaloost
|
||||
|
||||
Tehisintellekt kui valdkond sai alguse 20. sajandi keskel. Alguses oli sümboolne arutlemine valdav lähenemine ja see tõi kaasa mitmeid olulisi edusamme, näiteks ekspertsüsteemid – arvutiprogrammid, mis suutsid tegutseda eksperdina mõnes piiratud probleemivaldkonnas. Kuid peagi sai selgeks, et selline lähenemine ei ole hästi skaleeritav. Teadmiste eraldamine eksperdilt, nende esitamine arvutis ja teadmistebaasi täpsuse säilitamine osutus väga keeruliseks ja paljudel juhtudel liiga kulukaks. See viis nn [TI talveni](https://en.wikipedia.org/wiki/AI_winter) 1970. aastatel.
|
||||
|
||||
<img alt="TI ajaloo lühikokkuvõte" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.et.png" width="70%"/>
|
||||
<img alt="TI ajaloo lühikokkuvõte" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.et.png" width="70%"/>
|
||||
|
||||
> Pildi autor: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Samamoodi näeme, kuidas lähenemine "rääkivate programmide" (mis võiksid lä
|
|||
* Kaasaegsed assistendid, nagu Cortana, Siri või Google Assistant, on kõik hübriidsüsteemid, mis kasutavad närvivõrke kõne tekstiks teisendamiseks ja meie kavatsuste tuvastamiseks ning seejärel rakendavad mõningaid arutlusi või selgesõnalisi algoritme vajalike toimingute tegemiseks.
|
||||
* Tulevikus võime oodata täielikult närvivõrkudel põhinevat mudelit, mis suudab dialoogi iseseisvalt hallata. Hiljutised GPT ja [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) närvivõrkude perekonnad näitavad selles valdkonnas suurt edu.
|
||||
|
||||
<img alt="Turingi testi areng" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.et.png" width="70%"/>
|
||||
<img alt="Turingi testi areng" src="../../../../translated_images/turing-test-evol.4184696701293ead.et.png" width="70%"/>
|
||||
> Pilt Dmitry Soshnikovilt, [foto](https://unsplash.com/photos/r8LmVbUKgns) autoriks [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Viimased tehisintellekti uuringud
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"Selles näites rakendame lihtsat teadmistepõhist süsteemi, et määrata loom füüsiliste omaduste põhjal. Süsteemi saab kujutada järgmise JA-VÕI puuna (see on osa kogu puust, reegleid saab hõlpsasti juurde lisada):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Teadmiste esitus ja ekspertsüsteemid
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote autorilt [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -35,13 +35,13 @@ Enamasti me ei defineeri teadmisi rangelt, vaid seostame neid teiste seotud mõi
|
|||
* **Teadmised** on informatsioon, mis on integreeritud meie maailmamudelisse. Näiteks, kui õpime, mis on arvuti, hakkame mõistma, kuidas see töötab, kui palju see maksab ja milleks seda saab kasutada. See omavahel seotud mõistete võrgustik moodustab meie teadmised.
|
||||
* **Tarkus** on veel üks tasand meie arusaamisest maailmast ja esindab *meta-teadmisi*, näiteks arusaama, kuidas ja millal teadmisi kasutada.
|
||||
|
||||
<img src="../../../../translated_images/DIKW_Pyramid.94126f7d2bd8db5be71c6f1658b94bd3c85342e3cb827913b556b0414d358340.et.png" width="30%"/>
|
||||
<img src="../../../../translated_images/DIKW_Pyramid.94126f7d2bd8db5b.et.png" width="30%"/>
|
||||
|
||||
*Pilt [Wikipedia-st](https://commons.wikimedia.org/w/index.php?curid=37705247), autor Longlivetheux - Oma töö, CC BY-SA 4.0*
|
||||
|
||||
Seega on **teadmiste esitamise** probleem leida tõhus viis teadmiste esitamiseks arvutis andmete kujul, et neid automaatselt kasutada. Seda võib vaadelda spektrina:
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt autorilt [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Ploki süntaks | Taanded | | |
|
|||
|
||||
Sümboolse AI varajased edusammud olid nn **ekspertsüsteemid** - arvutisüsteemid, mis olid loodud tegutsema eksperdina mõnes piiratud probleemivaldkonnas. Need põhinesid **teadmistebaasil**, mis oli saadud ühelt või mitmelt inimeksperdilt, ja sisaldasid **järeldusmootorit**, mis tegi selle põhjal järeldusi.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Lihtsustatud inimese närvisüsteemi struktuur | Teadmistepõhise süsteemi arhitektuur
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Ekspertsüsteemid on ehitatud nagu inimese järeldussüsteem, mis sisaldab **lü
|
|||
|
||||
Näiteks vaatame järgmist ekspertsüsteemi, mis määrab looma füüsiliste omaduste põhjal:
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt autorilt [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -175,7 +175,7 @@ Semantilise veebi keskne mõiste on **ontoloogia**. See viitab probleemivaldkonn
|
|||
|
||||
Semantilises veebis põhinevad kõik esitusviisid kolmikutel. Iga objekt ja iga seos on unikaalselt identifitseeritud URI abil. Näiteks, kui soovime väita, et see AI õppekava on koostanud Dmitry Soshnikov 1. jaanuaril 2022, siis siin on kolmikud, mida saame kasutada:
|
||||
|
||||
<img src="../../../../translated_images/triplet.4b9b332587593298b31846eb5cf341d8f7e48da76e6692dbb7cf0fcf2fd5ab38.et.png" width="30%"/>
|
||||
<img src="../../../../translated_images/triplet.4b9b332587593298.et.png" width="30%"/>
|
||||
|
||||
```
|
||||
http://github.com/microsoft/ai-for-beginners http://www.example.com/terms/creation-date “Jan 13, 2007”
|
||||
|
|
@ -186,7 +186,7 @@ http://github.com/microsoft/ai-for-beginners http://purl.org/dc/elements/1.1/cre
|
|||
|
||||
Keerukamal juhul, kui soovime määratleda loojate nimekirja, saame kasutada RDF-is määratletud andmestruktuure.
|
||||
|
||||
<img src="../../../../translated_images/triplet-complex.32094972c7b4441b844bd85e683ba8eedc08af12177160f11584452698f29ace.et.png" width="40%"/>
|
||||
<img src="../../../../translated_images/triplet-complex.32094972c7b4441b.et.png" width="40%"/>
|
||||
|
||||
> Ülaltoodud diagrammid: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -210,7 +210,7 @@ GROUP BY ?eyeColorLabel
|
|||
|
||||
> ✅ Kui soovite katsetada oma ontoloogiate loomist või olemasolevate avamist, on suurepärane visuaalne ontoloogia redaktor nimega [Protégé](https://protege.stanford.edu/). Laadige see alla või kasutage seda veebis.
|
||||
|
||||
<img src="../../../../translated_images/protege.274177ceeac13b38094bc425073776bb0d2525620ad6261b9d9760ebd2a8e322.et.png" width="70%"/>
|
||||
<img src="../../../../translated_images/protege.274177ceeac13b38.et.png" width="70%"/>
|
||||
|
||||
*Web Protégé redaktor avatud Romanovite perekonna ontoloogiaga. Ekraanipilt: Dmitry Soshnikov*
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='../../../../../translated_images/Rosenblatt-wikipedia.294821b285ac796d2281a556fe3de9a7aa328e34cdd25f3ac9deefa0982ea2df.et.jpg' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9fb32bab6ae07e40faa202be1935c0fbd8c2bc2600a87bcb1.et.jpg' alt='Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/Rosenblatt-wikipedia.294821b285ac796d.et.jpg' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.et.jpg' alt='Mark 1 Perceptron' />|
|
||||
|
||||
> Pildid [Wikipediast](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +34,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
kus f on astmelise aktiveerimise funktsioon
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="../../../../../translated_images/activation-func.b4924007c7ce77648d4b1dd3e81c689453204902c096c626735c7b53688cdc63.et.png"/>
|
||||
<img src="../../../../../translated_images/activation-func.b4924007c7ce7764.et.png"/>
|
||||
|
||||
## Perceptroni treenimine
|
||||
|
||||
|
|
|
|||
|
|
@ -373,7 +373,7 @@
|
|||
"\n",
|
||||
"Oleme loonud andmekogu binaarse klassifikatsiooni probleemi jaoks. Kuid võtame seda algusest peale kui mitmeklassilist klassifikatsiooni, et saaksime hiljem oma koodi hõlpsalt mitmeklassiliseks klassifikatsiooniks ümber lülitada. Sel juhul on meie ühekihilise perceptroni arhitektuur järgmine:\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/NeuroArch.4e17cdba5e445721ad0a94a738c6f1178fc9c5f36486fb0f8fccfd61964d528c.et.png\" width=\"50%\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/NeuroArch.4e17cdba5e445721.et.png\" width=\"50%\"/>\n",
|
||||
"\n",
|
||||
"Võrgu kaks väljundit vastavad kahele klassile ning klass, mille väljundväärtus on kahe hulgast suurim, vastab õigele lahendusele.\n",
|
||||
"\n",
|
||||
|
|
@ -620,7 +620,7 @@
|
|||
"\n",
|
||||
"## Arvutusgraaf\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb22158e0563fcc50171dfbf3cb40443b597bc642b0f34ac23abbf.et.png\" width=\"600px\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb2215.et.png\" width=\"600px\"/>\n",
|
||||
"\n",
|
||||
"Siiani oleme defineerinud erinevad klassid võrgu erinevate kihtide jaoks. Nende kihtide koostist saab kujutada kui **arvutusgraafi**. Nüüd saame kaotuse arvutada antud treeningandmekogu (või selle osa) jaoks järgmiselt:\n"
|
||||
]
|
||||
|
|
@ -687,7 +687,7 @@
|
|||
"source": [
|
||||
"## Tagurpidi levik\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb22158e0563fcc50171dfbf3cb40443b597bc642b0f34ac23abbf.et.png\" width=\"300px\" align=\"left\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb2215.et.png\" width=\"300px\" align=\"left\"/>\n",
|
||||
"\n",
|
||||
"$$\\def\\L{\\mathcal{L}}\\def\\zz#1#2{\\frac{\\partial#1}{\\partial#2}}\n",
|
||||
"\\begin{align}\n",
|
||||
|
|
@ -1265,7 +1265,7 @@
|
|||
"* Madal treeningkadu – mudel suudab treeningandmeid hästi jäljendada, kuna sellel on piisavalt väljendusvõimsust.\n",
|
||||
"* Valideerimiskadu võib olla palju suurem kui treeningkadu ja treeningu käigus hakata suurenema – see juhtub, kuna mudel \"mäletab\" treeningpunkte ja kaotab \"üldise pildi\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Sellel pildil tähistab `x` treeningandmeid ja `o` valideerimisandmeid. Vasakul – lineaarne mudel (ühekihiline), mis jäljendab andmete olemust üsna hästi. Paremal – üleõppinud mudel, mis jäljendab treeningandmeid täiuslikult, kuid kaotab igasuguse mõtte teiste andmete puhul (valideerimisviga on väga suur).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -65,7 +65,7 @@ Gradientlanguse algoritm jääb samaks, kuid gradientide arvutamine muutub keeru
|
|||
|
||||
Pange tähele, et kõigi nende avaldiste vasakpoolne osa on sama, ja seega saame tuletised tõhusalt arvutada, alustades kaofunktsioonist ja liikudes "tagasi" läbi arvutusgraafi. Seetõttu nimetatakse mitmekihilise perceptroni treenimise meetodit **tagasilevikuks** ehk 'backprop'.
|
||||
|
||||
<img alt="arvutusgraaf" src="../../../../../translated_images/ComputeGraphGrad.4626252c0de035075e5cd2b7f71b776d5e3e8f64f2dc472b4420d3fdfaf53ba8.et.png"/>
|
||||
<img alt="arvutusgraaf" src="../../../../../translated_images/ComputeGraphGrad.4626252c0de03507.et.png"/>
|
||||
|
||||
> TODO: pildi viide
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Pärast raamistikest arusaamist vaatame üle üleliigse sobitamise (overfitting)
|
|||
|
||||
Vaatleme järgmist probleemi, kus tuleb ligikaudselt määrata 5 punkti (graafikutel tähistatud `x`-ga):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Lineaarne mudel, 2 parameetrit** | **Mitte-lineaarne mudel, 7 parameetrit**
|
||||
Treeningu viga = 5.3 | Treeningu viga = 0
|
||||
|
|
@ -79,7 +79,7 @@ On väga oluline leida õige tasakaal mudeli rikkuse (parameetrite arv) ja treen
|
|||
|
||||
Nagu ülaltoodud graafikult näha, saab üleliigset sobitamist tuvastada väga madala treeningu vea ja kõrge valideerimise vea järgi. Tavaliselt näeme treenimise ajal, kuidas treeningu ja valideerimise vead hakkavad mõlemad vähenema, kuid mingil hetkel valideerimise viga võib lõpetada vähenemise ja hakata kasvama. See on märk üleliigsest sobitamisest ja indikaator, et treenimine tuleks tõenäoliselt lõpetada (või vähemalt mudelist hetkeseis salvestada).
|
||||
|
||||
|
||||
|
||||
|
||||
## Kuidas vältida üleliigset sobitamist
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Sissejuhatus tehisnärvivõrkudesse
|
||||
|
||||
|
||||
|
||||
|
||||
Nagu me arutasime sissejuhatuses, on üks viis intelligentsuse saavutamiseks treenida **arvutimudelit** või **tehisaju**. Alates 20. sajandi keskpaigast on teadlased katsetanud erinevaid matemaatilisi mudeleid, kuni viimastel aastatel osutus see suund väga edukaks. Selliseid aju matemaatilisi mudeleid nimetatakse **närvivõrkudeks**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ Selles õppekavas keskendume ainult närvivõrkude mudelitele.
|
|||
|
||||
Bioloogiast teame, et meie aju koosneb närvirakkudest (neuronitest), millest igaühel on mitu "sisendit" (dendriidid) ja üks "väljund" (akson). Nii dendriidid kui aksonid suudavad juhtida elektrilisi signaale ning nende vahelised ühendused — sünapsid — võivad näidata erinevat juhtivust, mida reguleerivad neurotransmitterid.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Päris neuron *([Pilt](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediast)* | Tehisneuron *(Pilt autorilt)*
|
||||
|
||||
Seega sisaldab neuroni lihtsaim matemaatiline mudel mitut sisendit X<sub>1</sub>, ..., X<sub>N</sub> ja ühte väljundit Y ning mitmeid kaale W<sub>1</sub>, ..., W<sub>N</sub>. Väljund arvutatakse järgmiselt:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.et.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.et.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
kus f on mingi mittelineaarne **aktiveerimisfunktsioon**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ Meie [OpenCV Notebook](OpenCV.ipynb) näitab mõningaid näiteid, millal arvutin
|
|||
|
||||
* **Pildi eeltöötlus Braille'i raamatu fotol**. Keskendume sellele, kuidas kasutada läve määramist, tunnuste tuvastamist, perspektiiviteisendust ja NumPy manipuleerimist, et eraldada individuaalsed Braille'i sümbolid edasiseks klassifitseerimiseks närvivõrgu abil.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Pilt [OpenCV.ipynb](OpenCV.ipynb) failist
|
||||
|
||||
* **Liikumise tuvastamine videos kaadrite erinevuse abil**. Kui kaamera on fikseeritud, peaksid kaadrid kaamera voos olema üksteisega üsna sarnased. Kuna kaadreid esitatakse massiividena, siis lihtsalt lahutades need massiivid kahe järjestikuse kaadri jaoks saame pikslite erinevuse, mis peaks olema madal staatiliste kaadrite puhul ja muutuma suuremaks, kui pildil toimub märkimisväärne liikumine.
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt [OpenCV.ipynb](OpenCV.ipynb) failist
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Meie [OpenCV Notebook](OpenCV.ipynb) näitab mõningaid näiteid, millal arvutin
|
|||
- **Tihe optiline vool** arvutab vektorvälja, mis näitab iga piksli liikumissuunda.
|
||||
- **Hõre optiline vool** põhineb mõningate eristuvate tunnuste (nt servade) võtmisele pildil ja nende trajektoori ehitamisele kaadrist kaadrisse.
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt [OpenCV.ipynb](OpenCV.ipynb) failist
|
||||
|
||||
|
|
@ -115,7 +115,7 @@ Loe rohkem optilise voolu kohta [selles suurepärases juhendis](https://learnope
|
|||
|
||||
Selles laboris teete video lihtsate žestidega ja teie eesmärk on optilise voolu abil tuvastada üles/alla/vasakule/paremale liikumised.
|
||||
|
||||
<img src="../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.et.png" width="30%" alt="Käe liikumise kaader"/>
|
||||
<img src="../../../../../translated_images/palm-movement.341495f0e9c47da3.et.png" width="30%" alt="Käe liikumise kaader"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Vaadake [seda videot](../../../../../../lessons/4-ComputerVision/06-IntroCV/lab/palm-movement.mp4), kus inimese peopesa liigub vasakule/paremale/üles/alla stabiilse tausta ees.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.et.png\" width=\"30%\" alt=\"Peopesa liikumise kaader\"/>\n",
|
||||
"<img src=\"../../../../../../translated_images/palm-movement.341495f0e9c47da3.et.png\" width=\"30%\" alt=\"Peopesa liikumise kaader\"/>\n",
|
||||
"\n",
|
||||
"**Teie eesmärk** on kasutada optilist voolu, et määrata, millised video osad sisaldavad üles/alla/vasakule/paremale liikumisi.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Laboriülesanne [AI algajatele mõeldud õppekavast](https://aka.ms/ai-beginners
|
|||
|
||||
Vaadake [seda videot](../../../../../../lessons/4-ComputerVision/06-IntroCV/lab/palm-movement.mp4), kus inimese peopesa liigub vasakule/paremale/üles/alla stabiilse tausta ees.
|
||||
|
||||
<img src="../../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.et.png" width="30%" alt="Peopesa liikumise kaader"/>
|
||||
<img src="../../../../../../translated_images/palm-movement.341495f0e9c47da3.et.png" width="30%" alt="Peopesa liikumise kaader"/>
|
||||
|
||||
**Teie eesmärk** on kasutada optilist voolu, et määrata, millised video osad sisaldavad üles/alla/vasakule/paremale liikumisi.
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 on võrk, mis saavutas 2014. aastal ImageNet top-5 klassifikatsioonis 92,7% täpsuse. Sellel on järgmine kihistruktuur:
|
||||
|
||||
|
||||
|
||||
|
||||
Nagu näha, järgib VGG traditsioonilist püramiidstruktuuri, mis koosneb järjestikustest konvolutsiooni- ja koondamiskihidest.
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) lehelt
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Nagu näha, järgib VGG traditsioonilist püramiidstruktuuri, mis koosneb järje
|
|||
|
||||
ResNet on mudelite perekond, mille Microsoft Research esitas 2015. aastal. ResNeti peamine idee on kasutada **jääkblokke**:
|
||||
|
||||
<img src="../../../../../translated_images/resnet-block.aba4ccbcc094443477d7bee189d44fed695c852d710a702462d6b809155d959a.et.png" width="300"/>
|
||||
<img src="../../../../../translated_images/resnet-block.aba4ccbcc0944434.et.png" width="300"/>
|
||||
|
||||
> Pilt [sellest artiklist](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +37,7 @@ Seda võrku võib mõelda ka kui võimet kohandada oma keerukust vastavalt andme
|
|||
|
||||
Google Inception arhitektuur viib selle idee veelgi kaugemale ja ehitab iga võrgu kihi mitme erineva tee kombinatsioonina:
|
||||
|
||||
<img src="../../../../../translated_images/inception.a6605b85bcbc6f52490ec55e68109dd41924cba9d7e1007453b4cdf554199c8d.et.png" width="400"/>
|
||||
<img src="../../../../../translated_images/inception.a6605b85bcbc6f52.et.png" width="400"/>
|
||||
|
||||
> Pilt [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) lehelt
|
||||
|
||||
|
|
|
|||
|
|
@ -262,7 +262,7 @@
|
|||
"\n",
|
||||
"Seega on tüüpilises CNN-is mitu konvolutsioonikihti, mille vahel on koondamiskihid, et pildi mõõtmeid vähendada. Samuti suurendame filtrite arvu, sest mustrid muutuvad keerukamaks – on rohkem huvitavaid kombinatsioone, mida tuleb otsida.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kuna ruumilised mõõtmed vähenevad ja tunnuste/filtrite mõõtmed suurenevad, nimetatakse seda arhitektuuri ka **püramiidi arhitektuuriks**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -114,7 +114,7 @@
|
|||
"\n",
|
||||
"Klassikalises arvutinägemises rakendati pildile mitmeid filtreid, et genereerida tunnuseid, mida seejärel kasutas masinõppe algoritm klassifikaatori loomiseks. Need filtrid on tegelikult sarnased närvisüsteemi struktuuridega, mis on olemas mõnede loomade nägemissüsteemis.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/lmfilters.ea9e4868a82cf74cdca05121b1128f0122297cf2879501cd06956beb88ff96a2.et.jpg\" width=\"400\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/lmfilters.ea9e4868a82cf74c.et.jpg\" width=\"400\"/>\n",
|
||||
"\n",
|
||||
"Kuid süvaõppes konstrueerime võrgustikke, mis **õpivad** parimad konvolutsioonifiltrid klassifitseerimisprobleemi lahendamiseks. Selleks tutvustame **konvolutsioonikihte**.\n"
|
||||
]
|
||||
|
|
@ -360,7 +360,7 @@
|
|||
"\n",
|
||||
"Seega on tüüpilises CNN-is mitu konvolutsioonikihti, mille vahel on koondamiskihid, et vähendada pildi dimensioone. Samuti suurendame filtrite arvu, sest mustrid muutuvad keerukamaks – on rohkem huvitavaid kombinatsioone, mida peame otsima.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kuna ruumilised dimensioonid vähenevad ja tunnuste/filtrite dimensioonid suurenevad, nimetatakse seda arhitektuuri ka **püramiidi arhitektuuriks**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,14 +17,14 @@ Päriselus tahame olla võimelised tuvastama objekte pildil sõltumata nende tä
|
|||
|
||||
Mustrite leidmiseks kasutame **konvolutsioonifiltrite** mõistet. Nagu teate, on pilt esitatud 2D-maatriksina või 3D-tensorina koos värvisügavusega. Filtri rakendamine tähendab, et võtame suhteliselt väikese **filtrituuma** maatriksi ja arvutame iga originaalpildi pikseli jaoks kaalutud keskmise koos naaberpunktidega. Seda võib vaadelda kui väikest akent, mis libiseb üle kogu pildi ja keskmistab kõik pikslid vastavalt filtrituuma maatriksi kaaludele.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Pilt: Dmitry Soshnikov
|
||||
|
||||
Näiteks, kui rakendame MNIST numbritele 3x3 vertikaalse ja horisontaalse serva filtreid, saame esile tõsta (nt kõrged väärtused) kohad, kus originaalpildil on vertikaalsed ja horisontaalsed servad. Seega saab neid kahte filtrit kasutada servade "otsimiseks". Samamoodi saame kujundada erinevaid filtreid, et otsida teisi madala taseme mustreid:
|
||||
|
||||
<img src="../../../../../translated_images/lmfilters.ea9e4868a82cf74cdca05121b1128f0122297cf2879501cd06956beb88ff96a2.et.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/lmfilters.ea9e4868a82cf74c.et.jpg" width="500" align="center"/>
|
||||
|
||||
> Pilt: [Leung-Malik filtripank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
@ -38,7 +38,7 @@ CNN-i töö põhineb järgmistel olulistel ideedel:
|
|||
* Võrgu saab kujundada nii, et filtrid treenitakse automaatselt
|
||||
* Sama lähenemist saab kasutada mustrite leidmiseks kõrgetasemelistes omadustes, mitte ainult originaalpildil. Seega töötab CNN-i omaduste tuvastamine hierarhias, alustades madala taseme pikslikombinatsioonidest kuni kõrgema taseme pildiosade kombinatsioonideni.
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt: [Hislop-Lynchi artikkel](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), põhineb [nende uurimusel](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Enamik pilttöötluseks kasutatavaid CNN-e järgib nn püramiidset arhitektuuri.
|
|||
|
||||
Näiteks vaatame VGG-16 arhitektuuri, võrku, mis saavutas 2014. aastal ImageNeti top-5 klassifikatsioonis 92,7% täpsuse:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Pilt: [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Te peate treenima konvolutsioonilise närvivõrgu, et klassifitseerida erinevaid
|
|||
|
||||
Me kasutame [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) andmestikku, mis sisaldab pilte 37 erinevast koerte ja kasside tõust.
|
||||
|
||||
|
||||
|
||||
|
||||
Andmestiku allalaadimiseks kasutage järgmist koodilõiku:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Et kujutada ette ideaalset kassi, alustame juhusliku müra pildiga ja proovime kasutada gradientse languse optimeerimistehnikat, et kohandada pilti nii, et võrk tunneks ära kassi.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Siin on meie alguspilt:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Nii Keras kui PyTorch sisaldavad funktsioone, mis võimaldavad hõlpsalt laadida
|
|||
|
||||
Siin on näide omadustest, mille VGG-16 võrk kassipildilt tuvastas:
|
||||
|
||||
|
||||
|
||||
|
||||
## Kasside ja koerte andmestik
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Eelnevalt treenitud närvivõrk sisaldab oma *ajus* erinevaid mustreid, sealhulg
|
|||
|
||||
Üks lähenemine, mida saame kasutada, on alustada juhuslikust pildist ja seejärel proovida kasutada **gradientide optimeerimise** tehnikat, et kohandada seda pilti nii, et võrk hakkaks arvama, et see on kass.
|
||||
|
||||
|
||||
|
||||
|
||||
Kui me seda teeme, saame tulemuseks midagi, mis on väga sarnane juhusliku müraga. See on tingitud sellest, et *on palju viise, kuidas panna võrk arvama, et sisendpilt on kass*, sealhulgas mõned, mis visuaalselt ei ole mõistlikud. Kuigi need pildid sisaldavad palju kassile tüüpilisi mustreid, pole midagi, mis sunniks neid olema visuaalselt eristatavad.
|
||||
|
||||
Tulemuse parandamiseks saame lisada kaotuse funktsiooni teise termini, mida nimetatakse **variatsioonikaotuseks**. See on mõõdik, mis näitab, kui sarnased on pildi naaberpikslid. Variatsioonikaotuse minimeerimine muudab pildi sujuvamaks ja eemaldab müra – paljastades visuaalselt meeldivamad mustrid. Siin on näide sellistest "ideaalse" piltidest, mis klassifitseeritakse suure tõenäosusega kassiks ja sebraks:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ideaalne kass* | *Ideaalne sebra*
|
||||
|
||||
Sarnast lähenemist saab kasutada nn **adversariaalsete rünnakute** läbiviimiseks närvivõrgule. Oletame, et tahame petta närvivõrku ja panna koera välja nägema nagu kass. Kui võtame koera pildi, mida võrk tuvastab koerana, saame seda veidi kohandada, kasutades gradientide optimeerimist, kuni võrk hakkab seda klassifitseerima kassina:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Originaalne koera pilt* | *Koera pilt, mis klassifitseeritakse kassina*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Kuna treenime autoenkoodrit, et see haaraks võimalikult palju teavet algsest pildist täpseks taastamiseks, püüab võrk leida parima **sisendpiltide representatsiooni**, et tabada nende tähendust.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Pilt [Kerase blogist](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
@ -941,7 +941,7 @@
|
|||
" * Valime juhusliku vektori `sample(z_val in code)` jaotusest $N(\\mathrm{z\\_mean},e^{\\mathrm{z\\_log\\_sigma}})$\n",
|
||||
" * Dekodeerija püüab dekodeerida algse pildi, kasutades `sample`-it sisendvektorina\n",
|
||||
"\n",
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e253be65a8cb3be1724832cbde57ece3912ddc962b199472a89.et.png\" width=\"50%\">\n",
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e25.et.png\" width=\"50%\">\n",
|
||||
"\n",
|
||||
" > Pilt [sellest blogipostitusest](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) autorilt Isaak Dykeman\n"
|
||||
]
|
||||
|
|
@ -1264,7 +1264,7 @@
|
|||
"\n",
|
||||
"Selles lähenemises on meil **kolm kaotusfunktsiooni**: generaatori kaotus, diskrimineerija kaotus GAN-i puhul ja rekonstrueerimise kaotus VAE puhul.\n",
|
||||
"\n",
|
||||
" <img src=\"../../../../../translated_images/aae.9d418a990fc75bf9204b701eb6998206fd1b986643cc4e9b899aabdd27504702.et.png\" width=\"50%\">\n",
|
||||
" <img src=\"../../../../../translated_images/aae.9d418a990fc75bf9.et.png\" width=\"50%\">\n",
|
||||
"\n",
|
||||
" > Pilt [sellest blogipostitusest](https://blog.paperspace.com/adversarial-autoencoders-with-pytorch/) autorilt Felipe Ducau\n"
|
||||
]
|
||||
|
|
|
|||
Loading…
Reference in New Issue